Draft Buku Ajar Statistik Pendidikan

DRAFT BUKU AJAR STATISTIK PENDIDIKAN MILIK
AGUS ABDILLAH. HAK CIPTA DILINDUNGI

UNDANG-UNDANG. DILARANG MENGCOPY DAN
MENGGANDAKAN TANPA IZIN PENULIS.
BAB 6
PROBABILITAS
PENGERTIAN & JENISNYA

A. PENGERTIAN PROBABILITAS
Probabilitas suatu nilai yang digunakan untuk mengukur tingkat
terjadinya suatu kejadian yang acak. Kata probabilitas itu sendiri sering
disebut dengan peluang atau kemungkinan. Probabilitas secara umum
merupakan peluang bahwa sesuatu akan terjadi.
Dalam mempelajari probabilitas, ada tiga kata kunci yang harus
diketahui yaitu eksperimen, hasil (outcome) dan kejadian atau peristiwa
(even). Sebagai contoh, sebuah eksperiman dilakukan dengan
menanyakan kepada 100 mahasiswa, apakah mereka akan mengambil
mata kuliah statistik atau kalkulus. Dari eksperimen ini akan terdapat
beberapa kemungkinan hasil. Contohnya kemungkinan hasil pertama
ialah sebanyak 82 orang akan mengambil mata kuliah apapun.
Kemungkinan hasil lain adalah bahwa 45 orang mengambil mata kuliah
kalkulus dan sisanya mengambil mata kuliah statistik. Contoh lain dari
eksperimen adalah pelemparan sebuah dadu. Hasil (outcome) dari
pelemparan sebuah dadu tersebut kemungkian akan keluar biji satu atau
biji dua atau biji tiga dan seterusnya. Kumpulan dari beberapa hasil
tersebut dikenal sebagai kejadian atau peristiwa (even).
3
ISBN : 978-623-315-269-3
Probabilitas biasanya dinyatakan dengan bilangan desimal (seperti
0,30, 0,02 atau 0,53) atau bilangan pecahan seperti 6 , 15 , 45 . Nilai
100 100 100
dari probabilitas berkisar antara 0 sampai dengan 1. Jika semakin dekat

nilai probabilitas ke nilai 0, maka semakin kecil juga kemungkinan suatu
kejadian akan terjadi. Jika semakin dekat nilai probabilitas ke nilai 1,
maka semakin besar peluang suatu kejadian akan terjadi.
Probabilitas atau Peluang suatu kejadian A terjadi dilambangkan
dengan notasi P(A), p(A), atau Pr(A). Sebaliknya, probabilitas [bukan A]
atau komplemen A, atau probabilitas suatu kejadian A tidak akan terjadi,
adalah 1 - P(A). Sebagai contoh, peluang untuk tidak munculnya mata
dadu enam bila sebuah dadu bersisi enam digulirkan adalah 1 - 1 = 5 .
6 6
Selanjutnya, istilah distribusi probabilitas adalah penyusunan

distribusi frekuensi yang berdasarkan teori peluang. Oleh karena itu,
disebut distribusi frekuensi teoritis atau distribusi peluang atau distribsi
probabilitas. Karena distribusi frekuensi probabilitas disusun berdasarkan
teori peluang maka pengetahuan tentang distribusi teoritis menjadi sangat
penting untuk membuat estimasi atau meramalkan variasi-variasi yang
mungkin dapat timbul pada suatu keadaan yang tidak pasti.
Di bidang pendidikan, distribusi frekuensi teoritis dapat digunakan
untuk menyusun perencanaan program pelayanan pendidikan di masa
yang akan datang dan meramalkan tentang masalah pendidikan yang
mungkin terjadi di masa yang akan datang.
Berdasarkan data yang diperoleh, maka distribusi probabilitas
dapat dibagi dalam distribusi probabilitas yang deskrit yaitu distribusi
4
ISBN : 978-623-315-269-3
binomial, multinomial, dan distribusi poison. Sedangkan distribusi
probabilitas kontinu adalah distribusi normal.
B. Variabel Acak
Suatu variabel disebut variabel acak apabila variabel tersebut
menghasilkan nilai yang selalu berbeda pada setiap percobaan (trial) dan
perubahan tersebut tidak dapat diperkirakan.
Misalnya seorang petugas perpustakaan di kampus UNJ dengan
cara apapun tidak dapat mengetahui secara pasti banyaknya kunjungan
pada esok hari. Maka jumlah kunjungan pada esok hari disebut variabel
acak. Namun, petugas tersebut dapat menentukan probabilitas
menggunakan catatan kunjungan yang ada. Bila dia mengetahui bahwa
jumlah kunjungan per hari berkisar antara 80 dan 95 mahasiswa, maka
petugas dapat menyusunnya menjadi distribusi frekuensi dan membuat
prakiraan atau probabilitas kunjungan. Karena variasi jumlah kunjungan
tidak besar, yaitu berkisar antara 80 dan 95 mahasiswa, maka variabel
acak tersebut disebut variabel acak diskret. Bila variasi sedemikian
banyaknya hingga nilai dalam satu rentang (range) tertentu dapat
disisipkan nilai sedemikian banyaknya hingga berhimpitan maka variabel
acak demikian disebut variabel acak kontinu.
C. Jenis-jenis Distribusi Probabilitas
5
ISBN : 978-623-315-269-3
1. Distribusi Probabilitas Binomial
Distribusi ini ditemukan oleh seorang ahli matematika
berkebangsaan Swiss bernama Jacob Bernauli. Oleh karena itu
distribusi binomial merupakan distribusi probabilitas variabel acak
diskrit yang diturunkan berdasarkan eksperimen Bernoulli..
Dalam menggunakan distribusi binomial terdapat 3 syarat yang
harus dipenuhi antara lain:
a) Eksperimen tersebut dapat diulangi sebanyak n kali
b) Setiap eksperimen hanya menghasilkan dua peristiwa, yaitu sukses
(S) dan gagal (G).
c) P(S) = p dan P(G) = 1 – p = q dimana nilai p dan q bersifat tetap
untuk setiap eksperimen.
d) Setiap eksperimen bebas satu sama lainnya
Karakteristik distribusi binomial yakni pertama distribusi
binomial adalah bila jumlah n tetap dan p kecil maka distribusi yang
dihasilkan akan miring ke kanan dan bila p makin besar maka
kemiringan akan berkurang dan bila p mencapai 0,5 maka distribusi
akan menjadi simetris. Bila p lebih besar dari 0,5, maka distribusi
yang dihasilkan akan miring ke kiri. Karakteristik kedua adalah bila p
tetap dengan jumlah n yang makin besar maka akan dihasilkan
distribusi yang mendekati distribusi simetris.
Secara matematis fungsi probabilitas binomial adalah:
P(X = x) =   p x (1 − p) n − x dimana, x = 0, 1, 2, 3, ... , n

n
 x
6
ISBN : 978-623-315-269-3
𝑛!
atau n Px = ( ) 𝑝𝑥. 𝑞𝑛−𝑥
𝑥!(𝑛−𝑥)!
Contoh:
Seorang mahasiswa tidak mampu menjawab/mengerjakan ujian
susulan Statistik adalah 0,2 (p). Pada hari itu ada 4 mahasiswa yang
sedang mengerjakan ujian susulan. Hitunglah probabilitas bahwa 2
mahasiswa tidak mampu mengerjakan ujian susulan !
Jawab:
Diketahui, x = 2, n = 4, p = 0,2 q = 0,8
Anggaplah 4 mahasiswa tersebut A, B, C, D. Dua orang tidak mampu
menjawab ujian susulan mungkin adalah A dan B, A dan C, A dan D,
B dan C, B dan D, C dan D.
𝑛!
nPx = ( ) 𝑝𝑥. 𝑞𝑛−𝑥
𝑥!(𝑛−𝑥)!
4!
nPx = ( ) (0,2)2. (0,8)4−2 = 0,154
2!(4−2)!
Permasalahan ini juga dapat dikerjakan dengan memakai tabel

binomial, caranya adalah dengan menentukan n misalnya dari contoh
soal adalah 4, dilihat pada kolom pertama kolom kedua adalah
kemungkinan x, dalam permasalahan ini adalah x = 2. p dilihat pada
baris paling atas dalam hal ini p = 0,2, ditarik garis dari p = 20 sampai
ke n = 4 dan x = 2, Pada tabel diperoleh 0,973. Ini adalah peluang
kumulatif dari p(x = 0) + p(x=1) + p(x = 2). Jadi kalau mau
7
ISBN : 978-623-315-269-3
mendapatkan p(x = 2) saja, maka 0,973-0,819 = 0,154
2. Distribusi Probabilitas Multinomial

Dalam prakteknya kita sering menjumpai satu keadaan dimana
dalam satu peristiwa menghasilkan lebih dari dua kejadian. Oleh
karena itu, distribusi yang dihasilkan disebut distribusi multinomial.
Bila percobaan dilakukan n kali maka probabilitas x sukses dapat
dihitung dengan rumus multinomial sebagai berikut:
𝑛!
P(𝑥1, 𝑥2, 𝑥3 ...... , 𝑥𝑘) = ( ).(p1 x1) (p2 x2). .... (pkxk)
𝑥1! 𝑥2!….𝑥𝑘!
Dimana, x1+x2+x3..........xk= n dan p1+p2+p3...... pk= 1

Contoh:
Seorang reviewer dari Jurnal Nasional Terakreditasi A (Sinta 1
Ristekdikti) melakukan pengkajian sebanyak 6 kali terhadap artikel
ilmiah milik dosen/peneliti yang masuk ke jurnal tersebut dengan hasil
Diterima Tanpa Perbaikan, Diterima Dengan Perbaikan, dan Ditolak.
Berapa probabilitas dari 6 kali pengkajian tersebut untuk
menghasilkan 2 artikel diterima tanpa perbaikan, 2 artikel diterima
dengan perbaikan, dan 2 artikel ditolak ?
Jawab:
Diterima Tanpa Perbaikan = A
Diterima Tanpa Perbaikan = B
Ditolak = C
8
ISBN : 978-623-315-269-3
Maka, PA = PB = PC = 1/3
n= 6 x1 = x2 = x3 = 2
6!
P =( ). (1/3)2 (1/3)2 (1/3)2 = 0,123.
6 2
2! 2!2!
3. Distribusi Probabilitas Poisson

Distribusi poisson termasuk salah satu distribusi probabilitas
dengan variabel random deskrit. Distribusi poisson mula-mula
ditemukan oleh seorang ahli matematika berkebangsaan Prancis
bernama Simeon Denis Poison (1781-1849). Hasil pengamatan
terhadap peristiwa yang jarang terjadi akan berditribusi Poisson.
Peristiwa yang jarang terjadi tersebut ditunjukkan oleh probabilitasnya
yang sangat kecil. Sehingga untuk ruang pengamatan yang kecil (n
kecil), maka peristiwa tersebut sangat kecil kemungkinannya untuk
teramati. Peristiwa tersebut akan teramati jika ruang pengamatannya
diperbesar (n diperbesar). Jika variabel acak X  b(n, p) dengan n
yang besar sekali (n  50) dengan p kecil sekali (p  0.01), maka np
adalah  , dimana  adalah bilangan positif. Sehingga X dalam hal ini
akan berdistribusi Poisson X  p() atau p(xn,p).
Misalkan, kita akan mengamati jumlah siswa SMA yang indigo.
Diketahui bahwa insidensi seorang siswa yang indigo adalah sangat
kecil, misalnya satu per sepuluh ribu orang (p = 0,0001). Sehingga
jika pengamatan dilakukan terhadap semua siswa yang ada
Kecamatan Pasar Rebo yang berjumlah 6 ribu, maka kemungkinan
anda menemukan jumlah siswa yang indigo secara rata-rata sebanyak
9
ISBN : 978-623-315-269-3
 = 0,0001 x 5000 = 0,5 siswa. Jika ruang pengamatan diperbesar,
pengamatan dilakukan terhadap seluruh siswa SMA di Jakarta Timur
yang berjumlah 45 ribu siswa, maka kemungkinan menemukan
jumlah siswa yang indigo secara rata-rata sebanyak  = 0,0001 x
45.000 = 4,5 siswa. Demikian pula jika ruang pengamatan diperbesar
lagi, misalnya seluruh siswa SMA di DKI Jakarta yang berjumlah
240.000 siswa, maka kemungkinan anda menemukan jumlah orang
yang indigo secara rata-rata sebanyak  = 0.0001 x 240.000 = 24
siswa.
Untuk menentukan probabilitas dengan menggunakan distribusi
poisson harus mengikuti beberapa syarat sebagai berikut:
a) Terjadinya peristiwa sangat jarang dalam periode pendek.
b) Probabilitas setiap periode selalu konstan.
c) Terjadinya beberapa peristiwa dalam periode pendek hampir
mendekati nol
d) Merupakan peristiwa yang bebas.
Rumus probabilitasnya adalah:
P(X = x) =  e
x −
dimana, x = 0, 1, 2, 3, . . .
x!
e = 2,71828
 
xe− 
 P( X
x=0
= x) = 
x=0 x!
=1
10
ISBN : 978-623-315-269-3
Contoh:
Probabilitas seorang dosen yang tersertifikasi akan gagal memperoleh
tunjangan sertifikasi sebesar 0.988. Bila X adalah variabel acak yang
menunjukkan jumlah dosen gagal memperoleh tunjangan, maka
tentukan probabilitas bahwa dari 50 dosen tersertifikasi yang terpilih
secara acak gagal memperoleh tunjangan:
1) Tidak ada !
2) Paling banyak 4 dosen !
3) Paling sedikit 3 dosen !
Jawab :
Probabilitas gagal memperoleh tunjangan p = 1 – 0.988 = 0.012
n = 50  = n.p maka  = 50(0.012) = 0.6 e = 2,71828
0𝑒−0,6
1) P(X = 0) = 0,6 = 0,54881 = 0,55
0!
2) P(X  4) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4)

0.61 e−0.6
P(X = 1) = = 0.32928
1!
0.62 e−0.6
P(X = 2) = = 0.09878
2!
0.63 e−0.6
P(X = 3) = = 0.01975
3!
0.64 e−0.6
P(X = 4) = = 0.00296
4!
P(X  4) = 0.99961
11
ISBN : 978-623-315-269-3
3) P(X  3) = P(X = 3) + P(X = 4) + P(X = 5) + . . . . .
= 1 – P(X=0) – P(X = 1) – P(X = 2)
= 1 – 0.97688 = 0.02312  P(X  3) = 0.023
4. Distribusi Probabilitas Normal

Distribusi normal diawali oleh kemajuan yang sangat pesat
dalam pengukuran pada abad ke 19. Matematikawan dihadapkan pada
suatu tantangan mengenai fenomena variabilitas pengamat atau interna
yang artinya bila seorang mengadakan pengukuran berulang-ulang
maka hasilnya akan berbeda-beda. Pertanyaan adalah nilai mana yang
dianggap paling tepat dari semua hasil pengukuran tersebut?
Kemudian berdasarkan kesepakatan maka nilai rata-rata dianggap
paling tepat dan semua penyimpangan dari rata-rata dianggap suatu
kesalahan atau error.
Abraham de Moivre adalah yang pertama kali memperkenalkan
distribusi normal ini dan kemudian dipopulerkan oleh Carl Fredreich
Gauss. Sehingga nama lain distribusi normal adalah distribusi Gauss.
Gauss mengamati hasil dari percobaan yang dlakukan berulang-ulang,
dan dia menemukan hasil yang paling sering adalah nilai rata-rata.
Penyimpangan baik ke kanan atau ke kiri yang jauh dari rata-rata,
terjadinya semakin sedikit. Sehingga bila disusun maka akan terbentuk
distribusi yang simetris.
Distribusi normal merupakan satu-satunya distribusi
probabilitas dengan variabel acak kontinu. Distribusi normal paling
sering digunakan dalam penelitian. Alasan ini didasarkan karena
12
ISBN : 978-623-315-269-3
beberapa hal yakni distribusi normal memiliki beberapa sifat yang
mungkin untuk digunakan sebagai patokan dalam mengambil suatu
kesimpulan berdasarkan hasil sampel yang diperoleh. Pengukuran
sampel digunakan untuk menafsirkan parameter populasi. Distribusi
normal sangat sesuai dengan distribusi empiris, sehingga dapat
dikatakan bahwa semua kejadian alami akan membentuk distribusi ini.
Karena alasan inilah sehingga distribusi ini dikenal sebagai distribusi
normal dan grafiknya dikenal sebagai kurva normal.
Karakteristik distribusi normal antara lain; kurva distribusi
normal mempunyai satu puncak (unimodal), kurva berbentuk simetris
dan menyerupai lonceng hingga mean, median dan modus terletak
pada satu titik, kurva normal dibentuk dengan N yang tak terhingga,
peristiwa yang dimiliki tetap bebas, dan ekor kurva mendekati absis
pada penyimpangan 3 standar deviasi ke kanan dan ke kiri dari rata-
rata dan ekor grafik dapat dikembangkan sampai tak terhingga tanpa
menyentuh sumbu absis. Jika X adalah variabel acak yang
berdistribusi Normal dengan rata-rata  dan varians 2 yang dituliskan
sebagai X  N(;2), maka fungsi probabilitas untuk X dapat
dirumuskan sebagai berikut:
2
1 − 1  x− 
f (x) = 2 

-   x   dan   0
e ;
 2
Probability Density Function untuk X tersebut adalah:
13
ISBN : 978-623-315-269-3
 1 x− 2

P( –   x  ) = 1 −  
dx = 1
2 
− 2 e
Untuk menghitung nilai probabilitas variabel acak X yang

berdistribusi Normal dengan menggunakan formula tersebut begitu
sulit, karena memerlukan pengetahuan kalkulus lanjut serta kurang
praktis untuk diterapkan dalam analisa data pada umumnya. Misalnya
X  N(80;25), hitunglah P(72  X  92), dengan formula tersebut
menjadi ;
− 1 x−80 
2
92
1
P( 72  X  92) =  5 2
2 5 
e dx
72
Agar penggunaannya mudah dan cepat, maka dilakukan

transformasi dengan menggunakan variabel acak transformasi Z,
sehingga diperoleh formula untuk distribusi probabilitas normal
sebagai berikut:
X −
Z=

Z disebut juga sebagai angka baku yang juga berdistribusi

normal dengan rata-rata 0 dan varians 1 yang dituliskan sebagai Z  N
(0;1). Distribusi variabel acak Z disebut Distribusi Normal Baku
dengan fungsi probabilitasnya dirumuskan sebagai berikut :
14
ISBN : 978-623-315-269-3
1
1 − z
2
f (z) = e 2 ; -  z  
2
Untuk keperluan praktis, nilai-nilai probabilitas variabel acak Z

yang dihitung dengan rumus tersebut dapat dilihat dalam tabel normal
baku. Sehingga untuk mengetahui nilai P(72  X  92), sekarang
diubah dulu menjadi :
72 − 80
Z = = −1.6 dan Z = 92 − 80 = 1.6
1 2
5 5
1.6 1
1 − z2
Sehingga, P(− 1.6  Z  1.6) =  2
e 2
dz
−1.6
Menyelesaikan integral ini juga masih sulit. Agar mudah

menyelesaikan persoalan ini, maka diperlukan tabel normal baku.
Dalam hal ini, untuk P(− 1.6  Z  1.6) = 0.4452 + 0.4452 = 0.8904
-1,6 0 1,6
Contoh Penggunaan Tabel Z

1) Hitunglah nilai probabilitas dari :
(a) P(1.5  Z  2.85)
(b) P(−1.65  Z  1.65)
15
ISBN : 978-623-315-269-3
(c) P(−1.75  Z  −0.45)
Jawab:
Lihat Tabel Z dan perhatikan gambar kurvanya
(a) P(1.5  Z  2.85) = P(0  Z  2.85) − P(0  Z  1.5)
= 0.4978 − 0.0433 = 0.0646
0 1,5 2,85
(b) P(−1.65  Z  1.65) = P(− 1.65  Z  0) + P(0  Z  1.65)

= 0.4505 + 0.0450 = 0.901
-1,65 0 1,65
(c) P(−1.75  Z  − 0.45) = P(− 1.75  Z  0) − P(− 0.45  Z  0)

= 0.4599 − 0.1736 = 0.2863
16
ISBN : 978-623-315-269-3
-1,75 -0,45 0
2) Tentukanlah nilai z* bila diketahui nilai probabilitasnya sebagai

berikut :
(a) P(Z  z*) = 0.4809
(b) P(− z*  Z  z*) = 0.85
(c) P(Z  z*) = 0.2115
Jawab :
(a) P(Z  z*) = P(Z  0) − P(0  Z  z*) = 0.4809
= 0.5 − P(0  Z  z*) = 0.4809
= P(0  Z  z*) = 0.0191 → z* = − 0.05
Z* = -0,05 0
17
ISBN : 978-623-315-269-3
(b) P(− z*  Z  z*) = P(− z*  Z  0) + P(0  Z  z*) = 0.85
= P(0  Z  z*) = 0.4250 → z* = 1.44
Z* = -1,44 0 1,44
(c) P(Z  z*) = P(Z  0) − P(0  Z  z*) = 0.2115

= 0.5 − P(0  Z  z*) = 0.2115
= P(0  Z  z*) = 0.2885 → z* = 0.8
0 Z* = 0,8
3) Sebanyak 700 mahasiswa Prodi Pendidikan Ekonomi – Unindra

semester IV yang mengikuti UPM Statistik mendapat nilai rata-rata
sebesar 55 dengan standar deviasinya 20. Bila nilai tersebut
diasumsikan berdistribusi Normal, maka tentukan probabilitasnya
18
ISBN : 978-623-315-269-3
bahwa seorang mahasiswa yang dipilih secara acak akan mendapat
nilai:
(a) Antara 36 dan 65
(b) Paling sedikit 60
(c) Jika dikatakan “kategori mahasiswa jenius” adalah 20% dari
mahasiswa yang nilainya tertinggi, maka tentukan nilai
minimum untuk dapat dikategorikan mahasiswa jenius !
Jawab :
Misalkan X adalah variabel acak yang menunjukkan nilai UPM
Statistik, X  N(55;700)
(a) P(36  X  65) = ?
36 − 55
Z = = −0.95 65 − 55
1 dan Z2 = = 0.5 → P(− 0.95 
20 20
Z  0.5) = ?
P(− 0.95  Z  0.5) = P(− 0.95  Z  0) + P(0  Z  0.5)
= 0.3289 + 0.1915 = 0.5204
-0,95 0 0,5
(b) P(X  60) ?

60 − 55
Z= = 0.25 → P(Z  0.25) = ?
20
19
ISBN : 978-623-315-269-3
P(Z  0.25) = 0,5 - P(0 Z  0,25) = 0.5 - 0.0987 = 0.4013
0 0,25
(c) P(X = Xmin) = 0.2 → Xmin = ?

X − 55 X − 55
Z* = min → 0.84 = min → X =16.8 + 55 = 71.8
min
20 20
P(Z  z*) = 0,2 maka, P(0 Z  z*) = 0.3
Z* = 0,84 dan Xmin = 71,8
55 Xmin = ?
0 Z* = ?
5. Pendekatan Distribusi Binomial ke Distribusi Normal

Asumsikan probabilitas peristiwa A adalah P(A) = p dan X
adalah variabel acak diskrit yang menunjukkan jumlah peristiwa A
yang muncul. Bila diambil sampel acak berukuran n, maka X akan
berdistribusi binomial. Bila p besar (p  0.1) dan n besar (n  30),
20
ISBN : 978-623-315-269-3
maka distribusi probabilitas variabel acak X akan mendekati distribusi
Normal dengan rata-rata x = np dan standar deviasi x = np(1− p) .

Sehingga angka baku Z dirumuskan:
X − np
Z= dimana, Z  N(0;1)
np(1 − p)
Mengingat nilai variabel acak X adalah diskrit dan berdistribusi

binomial, kemudian diubah menjadi variabel acak kontinu yang
berdistribusi Normal, maka nilai-nilai X tersebut perlu mendapat
penyesuaian dengan cara ditambah atau dikurangi 0,5.
Contoh:
Jika satu koin uang logam (Rp.1000,-) sisi yang satu bergambar
Angklung (A) dan sisi lainnya bertulis 1000 (B) ditoss sebanyak 10
kali. Hitunglah probabilitas muncul sisi A antara 3 sampai 6 dengan
menggunakan:
(a) Distribusi binomial !
(b) Pendekatan distribusi binomial ke distribusi Normal !
Jawab :
(a) P(3  X  6) = P(4  X  6)
= P(X = 4) + P(X = 5) + P(X = 6)
= 0,2051 + 0,2461 + 0,2051 = 0,6563
(b)  = np →  = 10(0,5) = 5 dan  = 10(0,5)(0,5) = 1,5811
21
ISBN : 978-623-315-269-3
P(3  X  6) = P(3,5  X  6,5)
3,5 − 5 6,5 − 5
Z = = −0,95 dan Z = = 0,95
1 2
1,5811 1,5811
P(3  X  6) = P(3.5  X  6.5) = P(− 0.95  Z  0.95)
= 0,3289 + 0,3289 = 0,6578
-0,95 0 0,95
D. Latihan Soal
1. Berdasarkan Laporan Guru BK TA 2020/2021 di salah satu
sekolah SMA yang berada di Jakarta Selatan, terdapat 10% siswa
putus sekolah (gagal). Diambil sampel secara acak berukuran 30
siswa, tentukan probabilitas bahwa dalam sampel tersebut akan
terdapat siswa putus sekolah !
a) Sebanyak 3 siswa
b) Paling banyak 5 siswa
c) Paling sedikit 4 siswa
d) Antara 1 sampai 4 siswa
2. Petugas perpustakaan keliling wilayah Jabodetabek memastikan
bahwa dalam setiap 10.000 buku yang dipinjam ke masyarakat
(pembaca) akan dikembalikan dalam keadaan rusak rata-rata ada
22
ISBN : 978-623-315-269-3
25 buku. Jika diambil sampel secara acak sebanyak 40 buku, maka
berapakah probabilitas ?
a) Tidak ada yang rusak
b) Lebih dari 5 buku yang rusak
c) Kurang dari 3 buku yang rusak
3. Diketahui tinggi badan anggota Paskibra berdistribusi Normal

dengan rata-rata 165 cm dan standar deviasi 12 cm. Ada berapa
persen dari mereka yang tingginya ?
a) Paling rendah 160 cm
b) Antara 160 s/d 170 cm
c) Paling tinggi 160 cm
4. Berdasarkan hasil survey oleh petugas Kartu Jakarta Pintar (KJP),

diperoleh sebanyak 20% Orangtua siswa di Jakarta Timur
berpenghasilan kurang dari 3 juta rupiah per bulan. Jika diambil
sampel secara acak yang terdiri dari 300 orangtua siswa kota
tersebut, maka tentukanlah probabilitas dalam sampel tersebut
akan terdapat orangtua siswa berpenghasilan kurang dari 3 juta
rupiah per bulan !
a) Paling banyak 45 Orangtua siswa
b) Antara 45 dan 70 Orangtua siswa
c) Paling sedikit 70 Orangtua siswa
23
ISBN : 978-623-315-269-3
BAB 7
DISTRIBUSI SAMPLING

A. PENGERTIAN SAMPLING
Sebelum membahas lebih jauh mengenai distribusi sampling,
ada baiknya kita harus memahami dulu apa itu populasi, apa itu sampel,
mengapa harus sampel dan bagaimana cara pengambilan sampel yang
benar?. Pertanyaan tersebut sangat penting untuk dijawab, sebab suatu
penelitian akan memperoleh hasil yang akurat, sahih, dan dapat
dipercaya, serta dapat dipertanggungjawabkan kebenarannya apabila
proses pengambilan sampelnya dengan kaidah-kaidah yang benar pula.
Populasi adalah keseluruhan unsur yang menjadi obyek
pengamatan. Populasi terbagi menjadi dua yaitu; populasi finite
merupakan populasi yang jumlah unsurnya (N) terbatas, dan populasi
infinite merupakan populasi yang jumlah unsurnya tidak terbatas.
Sedangkan Sampel adalah bagian dari obyek pengamatan yang
akan diteliti. Dengan kata lain, sampel mewakili atau representatif dari
populasi. Pengambilan sampel antara lain dengan cara; simple random
sampling, stratified random sampling, cluster random sampling, dan
systematic random sampling. Cara tersebut merupakan sampel
probabilitas (probability sampling). Sedangkan untuk yang tidak
menggunakan probabilitas (non-probability sampling) antara lain; quota
24
ISBN : 978-623-315-269-3
sampling, incidential sampling, purposive sampling, total sampling, dan
snowball sampling. Selanjutnya, mengenai alasan mengapa harus dengan
sampel? Maka dapat dijawab bahwa ini karena beberapa hal antara lain;
masalah biaya dan faktor ekonomis, ketelitian dalam penelitian,
penghematan waktu, dan percobaan yang sifatnya merusak, serta
populasi yang jumlahnya tak terhingga.
Kembali ke bahasan distribusi sampling. Distribusi sampling
merupakan distribusi dari rata-rata yang diambil secara berulang kali dari
suatu populasi. Bila pada suatu populasi tak terhingga dilakukan
pengambilan sampel secara acak berulang-ulang hingga semua sampel
yang mungkin dapat ditarik dari populasi tersebut. Bila sampel-sampel
yang dihasilkan dihitung rata-ratanya maka akan menghasilkan nilai rata-
rata yang berbeda hingga dapat disusun menjadi suatu distribusi yang
disebut distribusi rata-rata sampel. Bila dihitung deviasi standarnya
dinamakan deviasi standar distribusi rata-rata sampel atau kesalahan
baku rata-rata (standard error rata-rata). Distribusi sampling merupakan
dasar atau langkah awal dalam statistik inferensial sebelum mempelajari
teori estimasi, dan uji hipotesis.
Untuk memahami distribusi sampling, kita harus mengetahui
ketentuan yang dapat membedakan beberapa ukuran antara sampel dan
populasi. |x - 𝑥|
Tabel 7.1 Simbol untuk Sampel dan Populasi
Statistik Parameter
Ukuran (karakteristik)
Sampel Populasi
Unit n N
Rata-rata 𝑥 µ
25
ISBN : 978-623-315-269-3
Standard deviasi S σ
Varians 𝑠2 𝜎2
Proporsi p 𝜋
Beda Dua Rata-rata 𝑥
1 −𝑥 2 𝜇1 − 𝜇2
Beda Dua Proporsi 𝑃1 − 𝑃2 𝜋1 − 𝜋2
B. JENIS DISTRIBUSI SAMPLING

1. Distribusi Rata-rata Sampel
Distribusi rata-rata sampel diperoleh dengan pengambilan
sampel yang dilakukan berulang hingga semua kemungkinan
sampel yang dapat diambil dari populasi tersebut terpenuhi.
Selanjutnya, rata-rata masing-masing sampel dihitung. Nilai rata-
rata yang dihasilkan berbeda-beda sehingga dapat disusun menjadi
distribusi yang disebut distribusi rata-rata sampel. Bila dari rata-rata
yang dihasilkan itu dihitung pula rata-rata dan simpangan bakunya
maka akan dihasilkan rata-rata dari distribusi rata-rata sampel (𝜇𝑥)
dan simpangan baku rata-rata (𝜎𝑥 ) . Rata-rata dari distribusi rata-

rata sampel (𝜇𝑥) akan sama dengan rata-rata populasi (𝜇) dan
simpangan baku distribusi rata-rata sampel dinamakan kesalahan
baku (standard error) sama dengan simpangan baku populasi
dibagi dengan akar n.
Secara matematis dapat ditulis dengan rumus berikut ini:
1) Untuk Populasi terbatas,
𝜎 𝑁−𝑛 𝑁−𝑛
𝜎𝑥 = .√ dimana, √ merupakan faktor
√𝑛 𝑁−1 𝑁−1
koreksi.
26
ISBN : 978-623-315-269-3
2) Untuk Populasi tidak terbatas,

𝜎
𝜎𝑥 =
√𝑛
Formula di atas dapat dibuktikan dengan contoh sebagai
berikut:
Misalkan sampel berukuran n = 2 dari suatu populasi berukuran N
= 4 yaitu ( 3, 4, 6, 7). Dengan cara tanpa pengembalian, berapa
banyak kemungkinan sampel yang terjadi ?
Jawab:
Rata-rata populasi ( 𝜇), 𝜇 = ∑K = 3+4+6+7 = 5
𝑁 4
∑(𝑥− 𝜇) 2
Simpangan baku populasi (𝜎). 𝜎=√
𝑁
4+1+1+4
𝜎=√ = √2,5
4
Dengan sampling tanpa pengembalian, maka banyaknya

kemungkinan sampel yang terjadi adalah sebanyak:
𝐶4 = 4! =6
2 2 !(4−2)!
Kombinasi kemungkinan hasil sampel

Nilai Rata-rata
sampel x sampel x
3 4 3,5
3 6 4,5
3 7 5
4 6 5
4 7 5,5
6 7 6,5
30
27
ISBN : 978-623-315-269-3
Distribusi Rata-rata sampel dengan n = 2

Rata-rata
f Probabilitas
sampel x
3,5 1 1/6
4,5 1 1/6
5 2 2/6
5,5 1 1/6
6,5 1 1/6
6 1
Berdasarkan tabel ilustrasi di atas maka,

𝜇𝑥= 30 = 5 artinya bahwa 𝜇𝑥 = 𝜇
6
(3,5−5)2+(4,5−5)2+(5−5)2+(5−5)2+(6,5−5)2 5
𝜎𝑥 =√ =√
6 6
atau 𝜎 = 𝜎 . √𝑁−𝑛 = 2,5 . √4−2 = √5

𝑥 √𝑛 𝑁−1 √2 4−1 6
Pengambilan sampel dari populasi tak terbatas dibedakan

berdasarkan bentuk distribusi populasi yang berdistribusi normal
dan populasi yang tidak berdistribusi normal.
Dalil limit pusat (central limit theorem), yang menjadi
acuan dalam menentukan distribusi rata-rata sampel yang berbunyi;
“Rata-rata dari distribusi rata-rata sampel sama dengan rata-rata
populasi dan tidak bergantung pada besarnya sampel dan bentuk
28
ISBN : 978-623-315-269-3
distribusi populasi (µ𝑥=µ). Dengan penambahan jumlah sampel,
maka distribusi rata-rata sampel akan mendekati distribusi normal
dan tidak bergantung pada bentuk distribusi populasi”.
Berdasarkan dalil tersebut maka dapat dirumuskan distribusi
rata-rata sampel mendekati distribusi normal yaitu;
(𝑥− 𝜇)
Z= , untuk populasi tidak terbatas
𝜎𝑥
(𝑥− 𝜇)
Z= , untuk populasi terbatas
𝑁−𝑛
𝜎𝑥.√
𝑁−1
Contoh:
Sebanyak 5000 guru honorer yang tersebar di suatu provinsi,
mendapat honor mengajar Rp. 20.000,- per tatap muka. Dengan
simpangan baku Rp. 1.800,-. Apabila diambil sampel secara acak
sebanyak 81 guru, Berapakah probabilitas rata-rata guru
memperoleh honor kurang dari Rp. Rp. 19.600,- ?
Diket :  = 20.000  = 1.800 n = 81 N = 5000

Ditanya : P ( 𝑥 < 19.600) ?
𝜎 1.800
Jawab : 𝜇𝑥 = 𝜇 = 20.000 𝜎𝑥 = √𝑛 = √81
= 200
(𝑥− 𝜇) (19.600− 20.000)

Z= = = -2
𝜎𝑥 200
29
ISBN : 978-623-315-269-3
-2 0
Sehingga probabilitasnya, P( 𝑥 < 19.600) = 0,5 – 0.0228 = 0,4772

atau peluangnya sebesar 47,72%.
2. Distribusi Proporsi
Distribusi proporsi sampel tidak berbeda dengan distribusi
rata-rata. Oleh karena itu, semua ketentuan yang berlaku untuk
distribusi rata-rata sampel berlaku pula untuk distribusi proporsi.
Bila variabel X terdapat pada populasi N maka proporsi variabel X
terhadap populasi adalah X/N = p. Bila dari populasi tersebut
diambil sampel sebesar n maka akan terdapat variabel x dan
proporsi variabel tersebut adalah x/n = p.
Bila pengambilan sampel dilakukan berulang dan masing-
masing sampel dihitung proporsinya maka akan diperoleh nilai
proporsi yang berbeda-beda. Nilai-nilai tersebut dapat disusun
menjadi distribusi yang disebut disribusi proporsi. Rata-rata
proporsi populasi 𝜇𝑝 sama dengan p dan kesalahan baku proporsi
sama dengan akar p.q dibagi n.
1) Untuk sampel kecil ( n <30 )
30
ISBN : 978-623-315-269-3
𝑝.𝑞 𝑁−𝑛 𝑁−𝑛
𝜎𝑝 = √ .√ dimana, √ : merupakan faktor
𝑛 𝑁−1 𝑁−1
koreksi.
p : sukses
q = (1 - p): gagal
2) Untuk sampel besar ( n ≥ 30 )

𝑝.𝑞
𝜎𝑝 = √ 𝑛
Oleh karena itu dapat dirumuskan distribusi proporsi sampel

mendekati distribusi normal yaitu;
(𝑝− 𝜇𝑝) 𝑝−𝑝
Z= =
𝜎𝑝 𝜎𝑝
Contoh :
Hasil UAS Statistik Inferensial, diketahui 15% dari seluruh
mahasiswa mendapat nilai pada kategori “D”. Apabila kita ambil
sampel sebanyak 100 mahasiswa, berapa probabilitas proporsi
sampel tersebut akan terdapat lebih dari 20 mahasiswa
mendapatkan nilai D ?
Diket : 𝜇𝑝 = p = 15% = 0,15 q = 1 – p = 0,85 n = 100
x = 20 𝑝 = x/n = 20/100 = 0, 2
Ditanya : P ( 𝑝 > 0,2) ?
31
ISBN : 978-623-315-269-3
𝑝.𝑞 (0,15 𝑥 0,85)
Jawab : 𝜎𝑝 = √ =√
100
= 0,036
𝑛
(𝑝− 𝜇𝑝) 𝑝−𝑝 0,20−0,15

Z= 𝜎𝑝
= 𝜎𝑝
= = 1,39
0,036
  P1 (1− P1 ) P2 (1− P2 )
P P1 − P 2 −( z
) .
 +
)
/ 2
  n n
P1 P ) 2 P (1/ 2−.P P)1(1−
( n P1 ) + 2P2 (1n
 0  − P − t
P1 (1−
( ) (
1

P P −P −z . 
1,39
P  1P − P  P
1
+ = 0,0
2 2
Sehingga probabilitas1nya, 2P ( 𝑝 > 
 /02,2) = 0,5
n– 0.4177
n823 
atau 1 2
  1 2 
peluangnya sebesar 8,23%.
3. Distribusi Beda Dua Rata-rata Sampel

Distribusi beda dua rata-rata sampel merupakan distribusi
probabilitas yang dapat terjadi dari selisih rata-rata dua sampel
yang berbeda berdasarkan pada dua sampel tertentu dari ukuran
parameter dua populasinya. Populasi sebesar 𝑁, 𝑑𝑎𝑛 𝑁, dengan
simpangan baku σ₁ dan σ₂. Kedua populasi tersebut akan diukur
dengan karakteristik yang sama misalnya rata-rata µ₁ dan µ₂, maka
pengukuran sampel-sampel yang dihasilkan yaitu 𝑥₁ dan 𝑥₂.
2 𝜎22
𝜇𝑥,−𝑥, 𝑥 ,−𝑥 ,
√ 𝜎= 1 +
𝑛, 𝑛,
µ₁- µ₂ dan 𝜎 =
32
ISBN : 978-623-315-269-3
Untuk ukuran-ukuran sampel n1 dan n2 cukup besar (n1, n2 ≥
30), maka distribusi beda dua rata-rata sampel sangat mendekati
distribusi normal, untuk mengubahnya ke dalam bentuk normal
maka diperlukan rumus;
(𝑥 ,−𝑥 ,)–(µ, − µ,)

Z=
𝜎𝑥,−𝑥,
Contoh:
Rata-rata tinggi Taruna di Pendidikan Akademi Militer 165 cm
simpangan bakunya 5,6 cm. Sedangkan tinggi Taruni rata-rata 160
cm dan simpangan bakunya 3,8 cm. Dari kedua kelompok tersebut
diambil sampel secara acak masing-masing sebanyak 125 orang.
Berapa probabilitas rata-rata tinggi Taruna paling sedikit 4 cm
lebihnya daripada rata-rata tinggi Taruni ?
Diket. : µ, = µx, = 165 cm, µ, = µx, = 160 cm,

σ, = σx, = 5,6 cm, σ, = σx, = 3,8 cm,
n,= n, = 125,
maka 𝜇𝑥,−𝑥, = (165-160) cm = 5 cm
Ditanya : P ( 𝑥, – 𝑥, > 4) ?
𝜎 2
𝜎2 25,6 2 3,82
Jawab : 𝜎𝑥,−𝑥, = √ 1 +
𝑛,
=√
𝑛,
+
125 125
= 0.6053
33
ISBN : 978-623-315-269-3
(𝑥 ,−𝑥 ,)–(µ, − µ,) 4−5
Z= = = -1,65
𝜎𝑥,−𝑥, 0,6053
-1,65 0
Sehingga probabilitasnya, P( 𝑥, – 𝑥, > 4) = 0,5 + 0,4505 = 0,9505

atau peluangnya sebesar 95,05%.
4. Distribusi Beda Dua Proporsi Sampel

Distribusi beda dua proporsi sampel merupakan distribusi
probabilitas yang dapat terjadi dari selisih proporsi dua sampel
yang berbeda berdasarkan pada dua sampel tertentu dari ukuran
parameter dan populasinya. Distribusi beda dua proporsi sejalan
dengan distribusi beda dua rata-rata sampel. Bila besar dua
populasi N₁ dan N₂ yang berdistribusi binominal memliki kejadian
yang sama X₁ dan X₂ maka proporsi kejadian tersebut adalah X₁/N₁
= P₁ dan X₂/N₂ = P₂. Pada kedua populasi diambil sampel secara
independent, n₁ dan n₂ yang masing-masing terdapat kejadian x₁
dan x₂ sehingga diperoleh proporsi x₁/n₁ = 𝑝₁ dan x₂/n₂ = 𝑝₂. Selisih
kedua proporsi adalah p₁ - p₂.
𝑝1𝑞1 𝑝2𝑞2
𝜇𝑝,−𝑝, = 𝑝1 - 𝑝2 dan 𝜎𝑝,−𝑝, = √ +
𝑛,
𝑛,
34
ISBN : 978-623-315-269-3
Untuk ukuran-ukuran sampel n1 dan n2 cukup besar (n1, n2 ≥
30), maka distribusi beda dua proporsi sampel sangat mendekati
distribusi normal, untuk mengubahnya ke dalam bentuk normal
maka diperlukan rumus;
(𝑝,−𝑝,)–(𝑝1 − 𝑝2 )
Z=
𝜎𝑝,−𝑝,
Contoh:
Beberapa guru melakukan penelitian tindakan kelas untuk dua kelas
di sekolah tertentu. Setelah dilakukan PTK tersebut, ternyata kelas
X IS 1 menunjukkan peningkatan hasil belajar sebesar 20%.
Sedangkan pada kelas X IS 4 menunjukkan peningkatan hasil
belajar sebesar 12%. Apabila siswa kelas X IS 1 tuntas dalam
belajar sebanyak 37 siswa dan siswa kelas X IS 4 sebanyak 32
siswa, berapa probabilitas beda persentase peningkatan hasil belajar
kelas X IS 1 dengan kelas X IS 4 tidak lebih dari 5% ?
Diket : p₁ = 0,2 p₂ = 0,12 n₁ = 37 n₂ = 32

𝑥2
Ditanya : P (-5% < 𝑥1 − < 5%) ?
𝑛1 𝑛2
Jawab : 𝜇𝑝,−𝑝, = 0,2 – 0,12= 0,08

𝑝1𝑞1
𝜎 =√ 𝑝2𝑞2 (0,2)(0,8) (0,12)(0.88)
𝑝,−𝑝, + = √ +
𝑛, 𝑛, 37 32
= 0,08731
35
ISBN : 978-623-315-269-3
(−0,05−0,08) (0,05−0,08)
𝑍1 = = -1,49 𝑍2 = = -0,34
0,08731 0,08731
Luas 𝑍1= 0 = 0,4319 Luas 𝑍2= 0 = 0,1331 sehingga 𝑍1- 𝑍2=

0,2988
Oleh karena itu, probabilitas beda persentase peningkatan hasil
belajar kelas X IS 1 dengan kelas X IS 4 tidak lebih dari 5% adalah
sebesar 0,2988 atau 29,88%.
-1,49 -0,34
C. Latihan Soal
1. Selama satu pekan, kasir (petugas loket pembayaran) Unindra

menyatakan bahwa 40% mahasiswa Prodi Pendidikan Ekonomi
telah membayar biaya Ujian Akhir Semester Gasal 2019/2020.
Pada hari Jumat sebanyak 360 mahasiswa Prodi Pendidikan
Ekonomi yang dapat dianggap sebagai sampel acak dari seluruh
mahasiswa, datang ke kampus. Berapa probabilitas mahasiswa
Prodi Pendidikan Ekonomi yang akan melakukan pembayaran
kurang dari 30% ?
36
ISBN : 978-623-315-269-3
2. Berdasarkan hasil tes kecerdasan, diketahui rata-rata IQ mahasiswa
Prodi Pendidikan Ekonomi yaitu 110 dengan varians sebesar 104
sedangkan rata-rata IQ mahasiswa Prodi Teknik Informatika yaitu
113 dengan varians sebesar 136, diasumsikan kedua populasi
berukuran besar. Jika diambil sampel secara acak sebanyak 80
mahasiswa Prodi Pendidikan Ekonomi dan 80 mahasiswa Prodi
Teknik Informatika, berapa probabilitas terdapat perbedaan IQ
kedua kelompok tersebut akan kurang dari 2 ?
3. Rata-rata biaya per SKS di Universitas A adalah Rp.100.000,-

dengan simpangan baku Rp. 20.000,- dan rata-rata per SKS di
Universitas B adalah Rp.40.000,- dengan simpangan baku Rp.
4.000,-. Apabila diambil sampel secara acak mahasiswa Universitas
A sebanyak 150 dan mahasiswa Universitas B sebanyak 600,
berapa probabilitas beda antara biaya per SKS di Universitas A
dengan biaya per SKS di Universitas B lebih dari Rp. 50.000,- ?
4. Perusahaan Multi Nasional menerima 80 pelamar dari lulusan S1

perguruan tinggi. Dengan asumsi bahwa pelamar dapat dianggap
sebagai sampel acak dari semua lulusan tersebut. Berapakah
probabilitas bahwa antara 35% dan 45% dari mereka adalah wanita
jika 40% dari semua lulusan perguruan tinggi tersebut adalah
wanita ?
5. Diadakan survey terhadap pengunjung di dua tempat wisata edukasi

yaitu Museum Geologi Bandung dan Gedung Planetarium. Di
37
ISBN : 978-623-315-269-3
Museum Geologi Bandung rata-rata pengunjung 300 orang per hari
dengan simpangan baku 25 orang. Sementara di Gedung
Planetarium rata-rata pengunjung 295 orang per hari dengan
simpangan baku 50 orang. Untuk keperluan survey tersebut diambil
sampel secara acak sebanyak 50 orang pengunjung Museum
Geologi dan 65 orang pengunjung Gedung Planetarium. Tentukan
probabilitas pengunjung Museum Geologi dan pengunjung Gedung
Planetarium akan berbeda paling sedikit 7 orang ?
6. Dalam rangka Dies natalis Unindra, diadakan pemilihan ”Putri

Kampus” khusus Prodi Pendidikan Ekonomi. Pada tahap grand
final, tersisa dua finalis yaitu Miss Tukiyem dan Miss Tyara. Hasil
voting menunjukkan bahwa Miss Tyara memperoleh 1.900 suara
dari 3.000 suara. Tentukan probabilitas jika dilakukan voting ulang
akan menghasilkan selisih perolehan suara kedua finalis tersebut
antara 20% sampai 30% ?
38
ISBN : 978-623-315-269-3
BAB 8
PENDUGAAN PARAMETER

A. PENGERTIAN PENDUGAAN
Salah satu tugas penting dalam statistik inferensial adalah
pendugaan parameter populasi. Misalnya, µ dan 𝜎2 yang diduga dari
statistik sampel x dan 𝑠2. Dengan demikian kesimpulan yang didapatkan
merupakan kesimpulan tentang populasi yang dipelajari berdasarkan
contoh atau sebagian dari populasi tersebut. Dalam pendugaan parameter,
kita akan mempelajari selang kepercayaan (confidence interval) untuk
nilai tengah (µ) dan selang kepercayaan (confidence interval) untuk
proporsi (p). Dengan demikian, pendugaan adalah keseluruhan proses
menduga suatu parameter pada populasi yang tidak diketahui nilainya
dengan menggunakan statistik sampel untuk dianalisis, sehingga hasil
analisis tersebut dapat digunakan untuk memperkirakan ukuran populasi
(parameter populasi).
Selanjutnya kita akan membahas menganai bagaimana syarat-
syarat atau kriteria pendugaan yang baik. Pendugaan yang baik harus
memenuhi tiga kriteria antara lain sebagai berikut:
39
ISBN : 978-623-315-269-3
1) Tidak bias (unbias)
Statistik sampel yang digunakan sebagai penduga (pengestimasi)
harus sama atau mendekati parameter populasi yang diduga.
2) Efisien
Efisien dalam hal ini adalah bahwa statistik sampel memiliki
ragam atau varians yang kecil.
3) Konsisten
Jika ukuran sampel semakin bertambah maka penduga akan
mendekati parameternya. Jika ukuran sampel bertambah tak berhingga
maka distribusi sampling penduga akan mengecil menjadi tegak lurus
di atas parameter yang sebenarnya dengan probabilitas sama dengan 1
(satu).
B. JENIS-JENIS PENDUGAAN
Jenis pendugaan parameter antara lain:
a) Pendugaan Titik (point estimation)
Pada pendugaan titik, kita menggunakan suatu nilai untuk
menduga parameter populasi. Ada pula yang menyatakan bahwa
pendugaan titik sama dengan pendugaan tunggal. Karena
pendugaan tunggal hanya mempunyai atau menyebutkan satu nilai.
Tidak memberikan selisih atau jarak antara nilai penduga dengan
nilai sebenarnya (parameter). Sehingga pendugaan titik sama
seperti menentukan nilai rata-rata (mean) untuk data tunggal.
40
ISBN : 978-623-315-269-3
Contoh:
Nilai ujian Statistik Inferensial dari 12 mahasiswa adalah 79, 93,
86, 52, 55, 70, 77, 76, 65, 90, 80, dan 84
Maka,
79 + 92 + 86 + 52 + 55 + 70 + 75 + 76 + 63 + 88 + 80 + 84
x =
12
900
x= = 75
12
Jadi, dugaan untuk nilai rata–rata ujian Statistik Inferensial adalah
86
b) Pendugaan Interval (interval estimation)

Pendugaan yang mempunyai dua nilai sebagai pembatasan
atau daerah pembatasan. Oleh karena itu, pada pendugaan interval
digunakan tingkat keyakinan terhadap daerah yg parameternya akan
berada. Nilai (1 - α) disebut koefisien kepercayaan. Sedangkan (1-
α) x 100% disebut Selang kepercayaan.
Selanjutnya pendugaan interval dibagi lagi menjadi empat jenis
antara lain sebagai berikut:
1. Pendugaan Rata-rata Sampel
Pendugaan rata-rata sampel adalah menentukan interval nilai
rata-rata sampel yang dapat memuat parameter rata-rata populasi,
jika dipakai distribusi probabilitas normal, confedence interval
untuk rata-rata ditentukan. Terdapat tiga rumus untuk pendugaan
rata-rata yaitu;
41
ISBN : 978-623-315-269-3
a.Untuk sampel besar (n ≥ 30) dari populasi yang tidak terbatas,
dan dari populasi terbatas namun 𝑛 ≤ 0,05.
𝑁

p  x − z  / 2 .     x + z / 2 .   1−𝛼
dimana, 𝑧𝛼/2 =
 n n 2
b.Untuk sampel besar (n ≥ 30) dari populasi terbatas, dan dari

populasi terbatas dengan 𝑛 > 0,05.
𝑁
  N −n  N − n 
p  x − z / 2 .    x + z / 2 .
 n N −1 n N −1 
dimana, adalah faktor koreksi

𝑁−𝑛
√
𝑁−1
c.Untuk sampel kecil (n < 30)

 s s 
p  x − t / 2 .    x + t / 2 .
 n n dimana, 𝑡𝛼/2 = 𝛼2; df = n-1
Contoh:
Diambil sampel secara acak sebanyak 25 mahasiswa Pendidikan
Ekonomi – UNJ guna mengetahui rata – rata IPK mereka. Setelah
dilakukan kalkulasi, diperoleh rata – rata IPK sebesar 3,25 dengan
simpangan baku 0,6. Buatlah pendugaan rata – rata IPK mahasiswa
Pendidikan Ekonomi yang sebenarnya dengan selang kepercayaan
(CI) 95% !
ISBN : 978-623-315-269-3
42
ISBN : 978-623-315-269-3
Diket : n = 25 𝑥¯ = 3,25 S = 0,6 𝑡𝛼/2 = 0,05
2
; df = 25-1 = 2,064
Confidence Interval (CI) = 95% maka α = 5%
s
Ditanya : p x − t .    x+t s ?
  /2
. 
 /2
 n n
Jawab :  s s 
p x − t / 2 .    x + t / 2 . 
 n n
 0,6 0,6 
p3,25 − 2,064.    3,25 + 2,064. 
 25 25 
p = 3,0023 < µ < 3,4977

Jadi, dengan selang kepercayaan α = 5% rata-rata IPK
mahasiswa Pendidikan Ekonomi-UNJ yaitu antara 3,00 sampai
dengan 3,50.
2. Pendugaan Beda Dua Rata-Rata

Untuk menduga perbedaan rata-rata pada dua populasi
(𝜇1 − 𝜇2), maka kita bisa menggunakan statistik sampel rata-rata
(𝑥, − 𝑥,). Jika sampel yang diambil dari populasi kesatu berukuran
𝑛1 dan simpangan baku 𝑠1 dengan rata-rata 𝑥, dan sampel yang
diambil dari populasi kedua berukuran 𝑛2 dan simpangan baku 𝑠2
dengan rata-rata 𝑥2, maka titik pendugaan beda dua rata-rata dapat
ditentukan dengan rumus sebagai berikut:
a. Untuk sampel besar (n ≥ 30)
 1 2  2 2  12  2 2 
( )
 1 2  /2 

p x − x − z . +
n1 n2 
  1 −  2  (x1 − x 2 )+ z  / 2 .


+
n1 n2 

 
43
ISBN : 978-623-315-269-3
atau
 s1 2 s2 2  s2 2 

( 1 2
)
p x − x − z .
 / 2


+    1 −  2  (x1 − x 2 )+ z  / 2 .
n1 n2 


s12
n1
+ 
n2 

b. Untuk sampel kecil (n < 30)
  1 2  2 2   12  2 2 

( )
p x1 − x 2 − t  / 2 .

+
n1 n2 
   1 −   (x − x ) + t .
2 1 2  /2 
n1
+ 
n2 
 
atau
  s1 2 s2 2   s2 2 

( )
p x 1 − x 2 − t  / 2 .

+    1 −  2  (x 1 − x 2 ) + t  / 2 .
n1 n2   
s1 2
n1
+ 
n2 

Contoh:
Berdasarkan informasi dari Kemenristek Dikti, menyatakan bahwa
dari sampel sebanyak 56 Proposal Penelitian yang layak didanai,
ternyata rata-rata nilai kelayakannya sebesar 80 dengan simpangan
baku 8,2. Sedangkan sampel sebanyak 32 Proposal Pengabdian
kepada Masyarakat yang layak didanai, rata-rata nilai kelayakan
sebesar 75 dengan simpangan baku 4,5. Dengan selang
44
ISBN : 978-623-315-269-3
kepercayaan 99% dan diasumsikan sampel berdistribusi normal,
tentukan pendugaan beda dua rata-rata sampel tersebut !
Diket : 𝑛1 = 56 𝑛2 = 32 x 1 = 80 x 2 = 75 𝑠1 = 8,2 𝑠2 = 4,5

CI = 99% maka α = 1% 𝑍𝛼/2 = 0,01
2
= 𝑍0,005 = 2,575
  2 
s2 s2  s2 s 
 (
Ditanya : p x − x − z .) 1+ 2    −   (x − x )+ z . 1
+ 2 ?
 1 2  / 2  n1 n2 
 /2 
n1 n2 
1 2 1 2

Jawab :   s2  s 2 
( )
p x − x − z .
s12
+ 2    −   (x − x )+ z .
s2
1
+ 2 
 1 2  / 2  n1 n2 
 /2 
n1 n2 
1 2 1 2

  4,52   4,52 
p(80 − 75) − 2,575. 8,22 +
32  1 − 2  (80 − 75) + 2,575.
 8,22 +
32 
  56   56 
p = 1,5133 < 𝜇1 − 𝜇2 < 8,4867

Jadi, dengan selang kepercayaan α = 1% maka selisih/beda
rata-rata yang sebenarnya nilai kelayakan antara Proposal
Penelitian dengan Proposal Pengabdian Kepada Masyarakat
tersebut antara 1,5 sampai dengan 8,5.
3. Pendugaan Proporsi
Proporsi menunjukkan prosentase dari suatu bagian atau
unsur dari suatu bagian. Proporsi menunjukkan jumlah bagian
tertentu dari suatu kelompok. Dengan demikian pendugaan proporsi
dapat dirumuskan sebagai berikut:
45
ISBN : 978-623-315-269-3
a.Untuk sampel besar (n ≥ 30) dari populasi yang tidak terbatas,
dan dari populasi terbatas namun 𝑛 ≤ 5%
𝑁
 x x x x 
 1 −  1 −  
x n n
   + z / 2 . n 
x n 
p − z / 2 . 
n n n n
 
 
1−𝛼
dimana, 𝑧𝛼/2 = 2
b.Untuk sampel besar (n ≥ 30) dari populasi terbatas, dan dari

populasi terbatas dengan 𝑛 > 5%.
𝑁
 x x x x 
 1 −  1 −  
x n n N −n x n n N −n 
p  − z / 2 . .    + z / 2 . . 
n n N −1 n n N −1
 
 
dimana, adalah faktor koreksi

𝑁−𝑛
√
𝑁−1
c.Untuk sampel kecil (n < 30)
 x x x x 
 1−  1−  
x n n x n n 
p  − t / 2 .    + t / 2 . 
n n n n
 
 
dimana, 𝑡𝛼/2 = 𝛼2; df = n-1

Contoh:
Hasil survey di kecamatan Pasar Rebo menunjukkan bahwa 50
orangtua siswa 65% menyatakan setuju dengan sistem zonasi.
46
ISBN : 978-623-315-269-3
Tentukan pendugaan proporsi untuk orangtua siswa yang
menyatakan setuju dengan selang kepercayaan 95% !
Diket : n = 50 𝑥 = 65% = 0,65 CI = 95% maka α = 5%

𝑛
𝑍𝛼/2 = 0,05
2
= 1,96
 x x x x 
 x 1 −    
x
+z 1− 
Ditanya : p −z . n n . n  n  ?
n  /2
n
 /2
n 
 n 


 x x x x 
x 1−    
x
+z  1− n  
Jawab : −z . n n . n 
n  /2
n  /2 
 n n




0,65(1 − 0,65) 0,65(1 − 0,65) 
 0,65 − 1,96.    0,65 + 1,96. 
 50 50 
p = 0,5178 < π < 0,7822

Jadi, dengan selang kepercayaan α = 5%, maka proporsi
orangtua siswa yang setuju dengan sistem zonasi berkisar antara
51,78% sampai dengan 78,22%.
4. Pendugaan Beda Dua Proporsi
Pada dasarnya pendugaan beda dua proporsi nyaris sama
dengan pendugaan beda dua rata-rata. Jika sampel yang diambil
dari populasi kesatu berukuran 𝑛1 dan terdapat 𝑥1 peristiwa dari
𝑛1 sampel atau percobaan. Kemudian sampel yang diambil dari
populasi kedua berukuran 𝑛2 dan terdapat 𝑛2 peristiwa dari 𝑛2
sampel atau percobaan, maka titik pendugaan beda dua proporsi
47
ISBN : 978-623-315-269-3
populasi (𝜋 − 𝜋 ) adalah (𝑝, − 𝑝,) dimana 𝑝, = 𝑥1 , 𝑝, = 𝑥2.
1 2 𝑛1 𝑛2
Oleh karena itu, secara matematis pendugaan beda dua proporsi

dapat diformulasikan sebagai berikut:
a.Untuk sampel besar (n ≥ 30)
  P1 (1− P1 ) P2 (1− P2 )  P (1− P1 ) P2 (1− P2 )

(

)
P  P1 − P 2 − z  / 2 .
 n1
+
n2 
( )
  P1 − P 2  P1 − P 2 + z  / 2 . 1
 n1
+
n2


    
b.Untuk sampel kecl (n < 30)
  P (1− P1) P2 (1− P2 )  P (1− P1) P2 (1− P2 )

(

)
P  P1 − P2 − t / 2. 1
 + 
( )
  P1 − P2  P1 − P2 + t / 2 . 1
 + 

  n1 n2   n1 n2 
Contoh:
Dari 2.800 guru SMA di Jakarta Timur, sebanyak 1.680 guru sudah
tersertifikasi. Sementara dari 1.200 guru SMA di Jakarta Barat,
sebanyak 600 guru sudah tersertifikasi. Dengan selang kepercayaan
90%, tentukan pendugaan beda dua proporsi antara guru SMA di
Jakarta Timur dengan guru SMA di Jakarta Barat yang sudah
tersertifikasi !
Diket : 𝑛1 = 2800 𝑛2 = 1200 x 1 = 1.680 x 2 = 660

𝑝, = 𝑥1 = 0,6, 𝑝, = 𝑥2 = 0,55 CI = 90% maka α = 10%
𝑛1 𝑛2
𝑍𝛼/2 = 0,1
2
= 𝑍0,05 = 1,64
48
ISBN : 978-623-315-269-3
Ditanya :
  P2 (1− P2 )  P2 (1− P2 )
( )
P P1 − P2 − z  / 2 . P1 (1− P1 ) + ( )
  P1 − P2  P1 − P2 + z  / 2 . P1 (1− P1 ) +

? 

  n n  n n
  1 2   1 2 
Jawab :
  P2 (1− P2 )  P2 (1− P2 )
( )
P P1 − P2 − z  / 2 . P1 (1− P1 ) + ( )
  P1 − P2  P1 − P2 + z  / 2 . P1 (1− P1 ) +



  n1 n2  n1 n2
    
  0,55(0,45)  0,55(0,45)
P(0,6 − 0,55)−1,64. 0,6(0,4) +   P1 − P2  (0,6 − 0,55)+1,64. 0,6(0,4) + 
 1200  1200  
  2800  2800
p = 0,0220 < 𝑝1 − 𝑝2 < 0,0780

Jadi, dengan selang kepercayaan α = 10% maka selisih/beda
dua proporsi yang sebenarnya antara guru SMA di Jakarta Timur
dengan guru SMA di Jakarta Barat yang sudah tersertifikasi sebesar
2,20% sampai dengan 7,80%.
C. Latihan Soal
1. Sampel secara acak sebanyak 36 mahasiswa yang diambil dari

Prodi Pendidikan Luar Biasa – UNJ, diketahui rata – rata waktu
belajar di rumah 2,5 jam/hari dengan simpangan baku 0,9. Buatlah
pendugaan rata – rata waktu belajar di rumah mahasiswa Prodi
Pendidikan Luar Biasa – UNJ yang sebenarnya dengan selang
kepercayaan (CI) 99% !
2. Si Neng Naziera Azani adalah mahasiswi Prodi Pendidikan

Ekonomi-Unindra yang sedang melakukan penelitian guna
49
ISBN : 978-623-315-269-3
memenuhi tugas akhirnya. Dalam penelitiannya ingin mengetahui
durasi konsultasi setiap nasabah pada Customer Service di Bank
Mandiri dan Bank BCA. selama satu pekan, data yang diperoleh
dari dua Bank tersebut masing-masing 15 nasabah yang dijadikan
sampel dengan informasi durasi konsultasi nasabah sebagai berikut:
Durasi konsultasi di
Nasabah Customer Service
( Dalam Menit)
Mandiri BCA Mandiri BCA
Angel Tuying 8,5 9,2
Budi Dasmen 8,7 9,8
Cupita Zaki 7,6 10,3
Donal Yossy 8,0 9,0
Eva Salwa 9,8 9,5
Feni Mulki 7,2 11,4
Gamal Paijo 8,6 11,0
Hendro Tugimin 9,2 10,1
Inem Acong 8,3 12,5
Jessica Reza 10,2 11,7
Karto Qomar 10,4 10,0
Lius Untung 8,5 9,6
Martini Vega 11,3 12,5
Norman Wandy 10,6 8,8
Ojil Situngkir 9,8 10,5
Asumsi data berdistribusi normal, dengan selang kepercayaan 95%

tentukan pendugaan beda dua rata-rata durasi konsultasi nasabah
antara dua Bank tersebut !
3. Seorang dosen Statistik ingin mengetahui mahasiswa yang mampu

dalam mengoperasikan software Minitab 17. Dari 28 mahasiswa
yang dijadikan sampel, ternyata hanya 20% yang mampu
mengoperasikan software Minitab 17 . Buatlah pendugaan proporsi
50
ISBN : 978-623-315-269-3
mahasiswa yang mampu mengoperasikan software Minitab 17
dengan selang kepercayaan keyakinan 90%.
4. Sebanyak 6 buku praktikum penerbit CV. Begjo, dibandrol dengan

harga rata-rata Rp. 40.000,- dan simpangan baku Rp. 3.200,-.
Sedangkan 9 buku dari penerbit PT. Jenius, dibandrol dengan harga
rata-rata Rp. 36.000,- dan simpangan baku Rp. 2.750,-.Dengan
selang kepercayaan 99%, tentukan pendugaan beda dua rata-rata
buku di dua penerbit tersebut !
5. Berdasarkan monitoring Sistem Informasi Terintegrasi Ristek Dikti,

tercapai 15% dari 120.000 dosen non-PNS telah mempublikasikan
artikel ilmiah di Jurnal Internasional Bereputasi. Sedangkan dari
50.000 dosen PNS, ternyata hanya 10% yang telah mempubliksikan
artikel ilmiah di Jurnal Internasional Bereputasi.. Dengan selang
kepercayaan 95%, tentukan pendugaan beda dua proporsi antara
dosen non-PNS dengan dosen PNS yang telah mempublikasikan
artikel ilmiah di Jurnal Internasional Bereputasi !
51
ISBN : 978-623-315-269-3
BAB 9
HIPOTESIS

A. PENGERTIAN HIPOTESIS
Dalam berbagai penelitian utamanya penelitian kuantitatif,
seringkali kita dihadapkan pada istilah hipotesis. Hipotesis terdiri dari
dua kata yakni, “Hypo” dan “thesis”. Hypo artinya sementara, lemah
kebenarannya. Sedangkan thesis artinya pernyataan, pendapat, asumsi,
postulat, atau teori. Oleh karena itu, hipotesis merupakan jawaban
sementara yang perlu diuji kebenarannya. Beberapa pengertian lain
mengenai hipotesis adalah suatu pernyataan yang pada waktu
diungkapkan belum terbukti kebenarannya, tetapi memungkinkan untuk
diuji dalam kenyataan empiris. Hipotesis memungkinkan untuk
menghubungkan teori dengan pengamatan, atau pengamatan dengan
teori.
Hipotesis disusun dalam kalimat deklaratif. Kalimat itu bersifat
positif dan tidak normatif. Istilah-istilah seperti seharusnya atau
sebaiknya tidak terdapat dalam kalimat hipotesis. Selanjutnya, variabel
yang dinyatakan dalam hipotesis adalah variabel yang operasional, dalam
52
ISBN : 978-623-315-269-3
arti dapat diamati dan diukur. Hal ini karena hipotesis sendiri
menunjukkan hubungan tertentu di antara variabel-variabel.
Untuk menguji kebenaran suatu hipotesis itu sendiri, maka
diperlukan apa yang dinamakan dengan pengujian hipotesis (hypothesis
testing). Tujuan pengujian ini adalah penarikan kesimpulan (conclusive)
nilai yang berasal dari sampel terhadap keadaan populasi. Keyakinan ini
didasarkan pada besarnya peluang untuk memperoleh hubungan tersebut
secara kebetulan. Semakin kecil peluang kebetulan, maka akan semakin
besar keyakinan bahwa hubungan tersebut memang ada. Selain itu tujuan
pengujian hipotesis adalah melakukan perbandingan antara nilai sampel
dengan nilai hipotesis (nilai populasi) yang diajukan. Dimana peluang
untuk diterima atau ditolak suatu hipotesis tergantung besar kecilnya
perbedaan antara nilai sampel dengan nilai hipotesis. Jika perbedaan
tersebu tcukup besar, maka peluang untuk menolak hipotesis pun besar
pula, sebaliknya jika perbedaan tersebut kecil, maka peluang untuk
menolak hipotesis menjadi kecil. Dengan demikian, makin besar
perbedaan antara nilai sampel dengan nilai hipotesis, makin besar
peluang untuk menolak hipotesis.
Perlu dipahami bahwa menerima hipotesis terjadi karena tidak
cukup bukti untuk menolak hipotesis tersebut dan bukan karena
hipotesis itu benar. Sedangkan menolak suatu hipotesis terjadi karena
tidak cukup bukti untuk menerima hipotesis tersebut dan bukan karena
hipotesis itu salah. Sehingga pada pengujian hipotesis, kita dihadapkan
dengan apa yang disebut hipotesis nol (hypothesis null). Hipotesis nol
53
ISBN : 978-623-315-269-3
inilah yang merupakan hipotesis awal yang diharapkan akan ditolak.
Hipotesis nol
menjadi dasar pembandingan, dilambangkan dalam bentuk 𝐻0.
Penolakan hipotesis tersebut membawa kita pada penerimaan hipotesis
alternatif, dilambangkan dengan 𝐻𝑎 atau ada juga yang menulisnya
dengan 𝐻1.
Hipotesis nol (𝐻0) adalah hipotesis yang menyatakan tidak ada
perbedaan atau sama saja atau sama dengan atas suatu kejadian antara
kedua kelompok. Juga dapat diartikan sebagai hipotesis yang
menyatakan tidak ada hubungan, atau tidak ada pengaruh antara variabel
satu dengan variabel yang lain. Oleh karena itu, harus menyatakan
dengan pasti nilai parameter, ditulis dalam bentuk persamaan (=).
Sementara hipotesis alternatif (𝐻𝑎) merupakan lawan atau alternatif lain
dari hipotesis nol. Sehingga hipotesis alternatif (𝐻𝑎) menyatakan adanya
perbedaan atau tidak sama (bisa lebih dari, bisa kurang dari) atas suatu
kejadian antara kedua kelompok. Juga dapat diartikan sebagai hipotesis
yang menyatakan ada atau terdapat hubungan, atau terdapat pengaruh
antara variabel satu dengan variabel yang lain. Oleh karena itu, memiliki
beberapa kemungkinan, ditulis dalam bentuk pertidaksamaan ( >, <, ≠ ).
B. KESALAHAN DALAM PENGUJIAN HIPOTESIS

Seringkali dalam mengestimasi parameter populasi berdasarkan
data sampel, kemungkinan akan terdapat dua kesalahan antara lain; 1)
Kesalahan tipe I yaitu suatu kesalahan bila menolak hipotesis nol (𝐻0)
yang benar (seharusnya menerima 𝐻0), maka dalam hal ini tingkat
54
ISBN : 978-623-315-269-3
kesalahan dinyatakan dengan α , 2) Kesalahan tipe II yaitu kesalahan bila
menerima hipotesis nol yang salah (seharusnya menolak 𝐻0), maka
tingkat kesalahan untuk ini dinyatakan dengan β. Berdasarkan hal
tersebut, maka hubungan antara keputusan menolak atau menerima
hipotesis dapat diilustrasikan seperti tabel berikut:
Table 9.1 Tipe Kesalahan Dalam Pengujian Hipotesis
Keadaan Sebenarnya
Keputusan
Hipotesis BENAR Hipotesis SALAH
Kesalahan tipe II
TERIMA 𝐻0 BENAR
( 1- α) = β
Kesalahan tipe I
TOLAK 𝐻0 BENAR
(α)
Tingkat kesalahan ini selanjutnya dinamakan tingkat signifikasi

(level of significance). Dalam implementasinya tingkat signifikasi telah
ditetapkan oleh peneliti terlebih dahulu sebelum hipotesis diuji. Prinsip
pengujian hipotesis yang baik adalah meminimalkan nilai α dan β. Dalam
perhitungan, nilai α dapat dihitung sedangkan nilai β hanya bisa dihitung
jika nilai hipotesis alternatif sangat spesifik. Pada pengujian hipotesis,
kita lebih sering berhubungan dengan nilai α. Karena asumsi apabila
nilai α yang kecil, maka mencerminkan nilai β yang kecil juga. Selain itu,
perlu dipahami bahwa prinsip pengujian hipotesa adalah perbandingan
antara nilai statistik uji ( Z hitung atau t hitung) dengan nilai kritis (nilai
Z tabel atau t tabel). Nilai kritis merupakan nilai yang menjadi batas
daerah penerimaan dan penolakan hipotesis, dimana nilai α pada Z atau t
tergantung dari arah pengujian yang dilakukan. Agar lebih jelas
55
ISBN : 978-623-315-269-3
mengenai pengujian hipotesis, akan dibahas secara khusus pada sub bab
langkah-langkah pengujian hipotesis.
C. LANGKAH-LANGKAH PENGUJIAN HIPOTESIS

Setelah kita memahami tentang hipotesis dan pengujian hipotesi,
berikut akan dibahas tentang bagaimana langkah-langkah dalam
pengujian hipotesis. Adapun langkah-langkah pengujian hipotesis dapat
dijelaskan antara lain sebagai berikut:
1) Menentukan hipotesis nol (𝐻0) dan alternatif (𝐻𝑎) atau membuat
rumusan hipotesis
Membuat rumusan hipotesis ini tergantung permasalahan yang
dihadapi. Dengan kata lain, dalam menentukan hipotesis nol dan
hipotesis alternatif kita harus mengetahui tentang hipotesis yang akan
diuji. Hipotesis nol adalah hipotesis yang akan diuji kebenarannya.
Misalnya; a) Kita ingin menguji tentang pernyataan dosen yang
menyatakan bahwa rata-rata waktu yang diperlukan oleh 50 peserta
ujian untuk menjawab satu soal Statistik adalah 25 menit. Atau b)
menguji suatu teori (pendapat ahli) yang mengatakan bahwa
Ketersediaan fasilitas belajar akan mempengaruhi hasil belajar siswa,
maka dalam kasus ini dapat dirumuskan hipotesisnya yaitu;
a) 𝐻0 : 𝜇 = 𝜇0 maka dapat ditulis, 𝐻0 : 𝜇 = 25

𝐻𝑎 : 𝜇 ≠ 𝜇0 𝐻𝑎 : 𝜇 ≠ 25
b) 𝐻0 : Tidak Terdapat (=) Pengaruh yang Positif dan Signifikan
56
ISBN : 978-623-315-269-3
Ketersediaan Fasilitas Terhadap Hasil Belajar Siswa
𝐻𝑎 : Terdapat (≠) Pengaruh yang Positif dan Signifikan
Ketersediaan Fasilitas Terhadap Hasil Belajar Siswa
Rumusan hipotesis di atas adalah untuk uji hipotesis 2 (dua)

pihak/sisi (two tail). Sementara uji hipotesis 1 (satu) pihak/sisi (one
tail), bisa pihak kanan (lebih besar, lebih baik, lebih tinggi, dll.) atau
pihak kiri (kurang dari, lebih kecil, lebih rendah, dll.). Contoh; c)
Hasil belajar menggunakan metode RME lebih tinggi dibanding
dengan hasil belajar menggunakan metode konvensional, d) Insentif
guru honorer di pedesaan lebih kecil dibanding dengan insentif guru
honorer di perkotaan. Maka rumusan hipotesis untuk kedua contoh
pernyataan tersebut yaitu;
c) 𝐻0 : 𝜇 ≤ 𝜇0
Uji pihak kanan
𝐻𝑎 : 𝜇 > 𝜇0
d) 𝐻0 : 𝜇 ≥ 𝜇0
Uji pihak kiri
𝐻𝑎 : 𝜇 < 𝜇0
2) Menentukan tingkat signifikansi atau nilai kritis (𝑍𝑡𝑎𝑏𝑒𝑙 atau
𝑡𝑡𝑎𝑏𝑒𝑙)
Dalam memilih tingkat signifikansi kita harus memperhatikan
hasil penelitian terdahulu terhadap penelitian sejenis. Masing-masing
bidang ilmu mempunyai standar yang berbeda dalam menentukan
tingkat signifikansi. Ilmu sosial biasanya menggunakan tingkat
57
ISBN : 978-623-315-269-3
signifikansi antara 90% (α = 10%) sampai 95% ( α = 5%). Sedangkan
ilmu-ilmu eksakta biasanya menggunakan tingkat signifikansi antara
98% ( α = 2%) sampai 99% ( α = 1%). Kemudian menentukan derajat
kebebasan (degree of freedom/df), setelah itu kita harus melihat pada
tabel distribusi Z atau tabel t agar dapat diketahui nilai kritisnya.
Misalnya; a) Suatu penelitian ingin mengetahui sejauhmana
Motivasi berpengaruh signifikan terhadap Kinerja Guru. Maka
diambil sampel 80 orang dengan signifikansi 95%, b) Semangat
belajar siswa lebih meningkat setelah diberikan konseling, diambil
sampel sebanyak 32 siswa (paired sample) dengan signifikansi 95%,
dan c) Dosen yang belum sertifikasi kurang terampil dalam
mengaplikasikan model pembelajaran dibandingkan dengan dosen
yang sudah tersertifikasi, diambil sampel acak ( dua sampel
independent) sebanyak 35 dosen belum sertifikasi dan 30 dosen
tersertifikasi dengan signifikansi 95%.
Berdasarkan contoh-contoh kasus tersebut, maka kita dapat
menentukan nilai kritis ( 𝑍𝑡𝑎𝑏𝑒𝑙 atau 𝑡𝑡𝑎𝑏𝑒𝑙 ) sebagai berikut:
a) Untuk kasus a, diketahui uji dua pihak (two tail), sampel 80,
variabel (k) ada 2 maka derajat kebebasan (df), df = n-2 = 80-2= 78,
sig. α = 5% = 0,05, karena uji dua pihak, maka 𝛼⁄2 = 0,025. Dengan
demikian dapat diketahui bahwa nilai kritis atau 𝑡𝑡𝑎𝑏𝑒𝑙 = 1,987
Daerah Daerah
Penolakan 𝐻0 Penolakan 𝐻0
58
ISBN : 978-623-315-269-3
Daerah
Penerimaan 𝐻0
-1,987 1,987
b) Untuk kasus b, diketahui uji satu pihak kanan (one tail), sampel 32,
variabel (k) ada 1 maka derajat kebebasan (df), df = n-1 = 32-1= 31,
sig. α = 5% = 0,05. Dengan demikian dapat diketahui bahwa nilai
kritis atau 𝑡𝑡𝑎𝑏𝑒𝑙 = 2,040
Daerah
Penolakan 𝐻0
Daerah
Penerimaan 𝐻0
𝑡𝑡𝑎𝑏 = 2,040
c) Untuk kasus c, diketahui uji satu pihak kiri (one tail), 𝑛1 = 35, 𝑛2 =
30 maka derajat kebebasan (df), df = 𝑛1 + 𝑛2 − 2 = 63, sig. α = 5%
= 0,05. Dengan demikian dapat diketahui bahwa nilai kritis atau
𝑡𝑡𝑎𝑏𝑒𝑙 = 1,998
Daerah
Penolakan 𝐻0
Daerah
Penerimaan 𝐻0
-1,998
59
ISBN : 978-623-315-269-3
3) Menghitung nilai uji statistik (𝑍ℎi𝑡𝑢𝑛g atau 𝑡ℎi𝑡𝑢𝑛g )

Setelah menentukan tingkat signifikansi atau nilai kritis,
langkah selanjutnya adalah menentukan uji statistik yang akan
digunakan. Rumus uji statistik berbeda-beda. Hal ini karena masing-
masing uji statistik memerlukan asumsi yang berbeda dalam
penerapannya. Begitu juga dengan jenis-jenis sampel dan jumlah
sampelnya yang berbeda, maka rumus uji statistiknya tentu berbeda
pula. Mengenai rumus uji statistik, lebih lanjut akan dibahas pada
jenis-jenis pengujian hipotesis.
4) Pengambilan keputusan
Pengambilan keputusan adalah sebuah pernyataan tentang
kondisi dimana hipotesis nol (𝐻0) diterima atau ditolak. Daerah
penolakan menjelaskan lokasi dari semua nilai yang sangat besar atau
sangat kecil sehingga probabilitas kita di bawah sebuah hipotesis nol
yang benar agar jauh. Dengan kata lain, membuat keputusan itu
membandingkan antara nilai uji statistik (𝑍ℎi𝑡𝑢𝑛g atau 𝑡ℎi𝑡𝑢𝑛g) dengan
nilai kritis (𝑍𝑡𝑎𝑏𝑒𝑙 atau 𝑡𝑡𝑎𝑏𝑒𝑙). Jika nilai uji statistik lebih besar dari
nilai kritis ( 𝑍ℎi𝑡. atau 𝑡ℎi𝑡. > 𝑍𝑡𝑎𝑏. atau 𝑡𝑡𝑎𝑏. ), maka terjadi penolakan
hipotesis nol (𝐻0). Sebaliknya, jika nilai uji statistik lebih kecil dari
nilai kritis( 𝑍ℎi𝑡. atau 𝑡ℎi𝑡. < 𝑍𝑡𝑎𝑏. atau 𝑡𝑡𝑎𝑏. ), maka terjadi penerimaan
hipotesis nol (𝐻0).
60
ISBN : 978-623-315-269-3
Berikut adalah ilustrasi daerah penolakan untuk uji signifikansi
misalkan sig. α = 5% dengan uji dua pihak/sisi (two tail):
Daerah Daerah
Penolakan 𝐻0 Penolakan 𝐻0
(Nilai Kritis)
0,5 0,5 (Nilai Kritis)
Daerah
Penerimaan 𝐻0
0
𝑍𝛼⁄2= - 0,025 𝑍𝛼⁄2= 0,025
Nilai P Max = 1
5) Menarik kesimpulan atau inteprestasi

Langkah terakhir adalah menyimpulkan atau memaknai atas
keputusan yang telah diambil. Misalkan sebuah rumusan hipotesis
menyatakan; 𝐻0 : Tidak Terdapat (=) Pengaruh yang Positif dan
Signifikan Supervisi Kepala Sekolah Terhadap Kinerja Guru, 𝐻𝑎 :
Terdapat (≠) Pengaruh yang Positif dan Signifikan Supervisi Kepala
Sekolah Terhadap Kinerja Guru, maka setelah uji statistik dan telah
dibandingkan dengan nilai kritis ternyata nilai uji statistik lebih besar
dari nilai kritis ( 𝑍ℎi𝑡. atau 𝑡ℎi𝑡. > 𝑍𝑡𝑎𝑏. atau 𝑡𝑡𝑎𝑏. ) ini artinya 𝐻0
ditolak, berarti 𝐻𝑎 diterima. Dengan demikian dapat disimpulkan
bahwa Terdapat Pengaruh yang Positif dan Signifikan Supervisi
Kepala Sekolah Terhadap Kinerja Guru.
D. JENIS-JENIS PENGUJIAN HIPOTESIS

1. Hipotesis Rata-rata Satu Sampel
61
ISBN : 978-623-315-269-3
Hipotesis rata-rata merupakan pengujian mengenai hipotesis
rata-rata suatu populasi yang didasarkan atas informasi sampelnya.
Untuk pengujian ini dapat dirumuskan sebagai berikut:
1) Untuk populasi terbatas (N dan n diketahui nilainya) dan 𝑛 > 5%
𝑁
maka,
X− 𝜇 𝑁−𝑛
Z= dimana, √ : faktor koreksi
𝜎 𝑁−𝑛 𝑁−1
⁄√ 𝑛.√ 𝑁−1
atau untuk sampel n < 30,
X− 𝜇 𝑁−𝑛
t= dimana, √ : faktor koreksi
𝜎 𝑁−𝑛 𝑁−1
⁄√ 𝑛.√ 𝑁−1
df : n-1
2) Untuk populasi terbatas (N dan n diketahui nilainya) dan 𝑛 ≤ 5%
𝑁
atau populasinya tak terbatas (N tidak diketahui nilainya) maka,
X− 𝜇
Z=𝜎
⁄√𝑛
atau untuk sampel n < 30

X− 𝜇
t=𝜎
⁄√𝑛
Bila standar deviasi populasi (𝜎) tidak diketahui dapat diganti

dengan standar deviasi sampelnya (s).
Contoh:
62
ISBN : 978-623-315-269-3
Seorang Dosen menyatakan bahwa waktu yang diperlukan untuk
menyelesaikan suatu soal Statistik adalah 20 menit. Sampel
sebanyak 6 mahasiswa diperoleh informasi sebagai berikut:
Mahasiswa Angel Bopak Cupi Deni Elsa Fitri

Waktu 22 16 20 21 18 17
Dengan menggunakan Sig. α = 5%, apakah sampel tersebut dapat

mendukung pernyataan bahwa waktu yang dibutuhkan untuk
menyelesaikan soal Statistik tersebut adalah 20 menit ?
Jawab:
Rumusan hipotesisnya;
𝐻0 : 𝜇 = 20
𝐻𝑎 : 𝜇 ≠ 20
Menentukan nilai kritis;
𝑡𝑡𝑎𝑏 = -2,571 𝑡𝑡𝑎𝑏 = 2,571
Dengan Sig. 95% (α = 0,05) uji dua pihak 𝛼⁄2 = 0,025 n = 6, df =

n-1= 6-1=5 maka diperoleh 𝑡𝑡𝑎𝑏𝑒𝑙 = 2,571
63
ISBN : 978-623-315-269-3
Menentukan nilai uji statistik;
Mahasiswa X X -X |X − X|2
A 22 3 9
B 16 -3 9
C 20 -1 1
D 21 2 4
E 18 -1 1
F 17 -2 4
114 28
|K − K| 28 2
114
X=
6
= 19 𝜎 = √ 𝑛−1 = √ 5 = 2,366
X− 𝜇 19−20 −1
𝑡ℎi𝑡. = 𝜎⁄ = 2,366⁄ 6 = 0,966 = -1,035
𝑛
√ √
Mengambil keputusan;
Karena 𝑡ℎi𝑡. < 𝑡𝑡𝑎𝑏. (-1,035 < 2,571) maka 𝐻0 diterima dan 𝐻𝑎
ditolak.
Kesimpulan;
Dengan demikian pernyataan dosen bahwa waktu yang dibutuhkan
untuk menyelesaikan soal Statistik 20 menit, adalah benar.
2. Hipotesis Beda Rata-rata Dua Sampel

Seringkali dalam suatu penelitian kuasi eksperimen ingin
menganalisis apakah suatu model pembelajaran memberikan hasil
yang lebih baik dari model pembelajaran yang lainnya, atau dua
pendekatan dalam memberikan hasil yang sama. Masalah seperti ini
64
ISBN : 978-623-315-269-3
dapat diselesaikan dengan melakukan pengujian rata-rata dua
populasi atau dua sampel.
Adapun pengujian ini bisa dirumuskan sebagai berikut:
1) Untuk sampel besar n ≥ 30, σ1 dan σ2 diketahui nilainya;
𝑥1−𝑥2−𝑑0
Z=
2 2
𝜎
√ 1+ 2
𝑛1 𝑛2
2) Untuk sampel kecil n < 30, σ1 dan σ2 tidak diketahui nilainya,

diasumsikan varians sama;
(𝑛1−1)𝑆2+(𝑛2−1)𝑆2
𝑥 1−𝑥 2−𝑑0
t= dimana, 𝑆2
𝑝
= 1 2
2 1 1 𝑛1+𝑛2−2
√𝑆𝑝 ( 𝑛1
+ )
𝑛2
3) Untuk sampel kecil n < 30, σ1 dan σ2 tidak diketahui nilainya,

diasumsikan varians tidak sama;
𝑥1−𝑥2−𝑑0
t=
𝑆 2𝑆 2
√ 1+ 2
𝑛1 𝑛2
Pada kasus ketiga ini, diperlukan cara khusus dalam menentukan

derajat kebebasan (degree of freedom/df) yaitu;
65
ISBN : 978-623-315-269-3
2
𝑆2 𝑆22
1
(𝑛 + 𝑛 )
1 2
df = 2
𝑆 2 𝑆2 2
( 1) ( 2)
𝑛1 𝑛2
𝑛1−1 +
𝑛2−1
Contoh:
Kegiatan perkuliahan statistik diberikan pada dua kelas. Kelas
pertama diikuti 16 mahasiswa dengan metode realistik (Realistic
Mathematics Education/RME) dan kelas lain diikuti 13 mahasiswa
dengan metode konvensional (conventional learning). Pada akhir
semester mahasiswa diberi ujian dengan soal yang sama untuk kedua
kelas. Hasil ujian pada kelas bermetode RME mencapai nilai rata-rata
85 dengan simpangan baku 4, sedang kelas bermetode konvensional
memperoleh nilai rata-rata 81 dengan simpangan baku 5.
Ujilah hipotesis bahwa hasil belajar dengan kedua metode adalah
sama dengan menggunakan taraf signifikansi 95% (Sig. α = 5%).
Asumsikan kedua sampel berdistribusi normal dengan variansi sama
(homogen) !
Diket. : x1 = 85 , x2 = 81, S1 = 4, S2 = 5, 𝑛1 = 16, 𝑛2 = 13,
Sig. α = 5%
Ditanya : Apakah hasil belajar dengan menggunakan kedua
metode
tersebut akan sama ?
66
ISBN : 978-623-315-269-3
Jawab :
H0: μ1 − μ2 = 0
Ha: μ1 − μ2  0

t < −𝑡𝛼⁄2,𝑛1 + 𝑛2 − 2 = −𝑡0,025;27 = -2,052 atau t > 𝑡𝛼⁄2, 𝑛1 + 𝑛2 − 2 =
𝑡0,025;27 = 2,052
maka diperoleh 𝑡𝑡𝑎𝑏𝑒𝑙 = 2,052
Perhitungan nilai uji statistik;

(𝑛1−1)𝑆12+(𝑛2−1)𝑆22 (16−1)16+(13−1)25 540
𝑆2 = = = 20
𝑝 =
𝑛1+𝑛2−2 16+13−2 27
𝑥1−𝑥2−𝑑0 85−81−0 4 = 2,395

𝑡ℎi𝑡. = = =
2 1 1 1 1 1,670
√𝑆𝑝( 𝑛1 + 𝑛2 ) √20.(
16
+
13
)
Karena 𝑡ℎi𝑡. > 𝑡𝑡𝑎𝑏. (2,395 < 2,052), maka 𝐻0 ditolak dan 𝐻𝑎 diterima.
Kesimpulan;
Dengan demikian kedua metode pembelajaran tersebut memberikan
hasil belajar yang tidak sama (berbeda).
3. Hipotesis Proporsi
67
ISBN : 978-623-315-269-3
Pengujian hipotesis proporsi merupakan pengujian mengenai
proporsi atau perbandingan suatu populasi yang didasarkan atas
informasi sampelnya. Selanjutnya, pengujian ini dapat dirumuskan
sebagai berikut:
1) Untuk populasi terbatas (N dan n diketahui nilainya) dan 𝑛 > 5%
𝑁
maka,
𝑥
( )−𝜋 𝑁−𝑛
𝑛
Z= dimana, √ : faktor koreksi
𝜋(1− 𝜋) 𝑁−𝑛 𝑁−1
√ .√
𝑛 𝑁−1
atau untuk sampel kecil n < 30,

𝑥
( )−𝜋 𝑁−𝑛
𝑛
t= dimana, √ : faktor koreksi
√
𝜋(1− 𝜋) 𝑁−𝑛 𝑁−1
.√
𝑛 𝑁−1
2) Untuk populasi terbatas (N dan n diketahui nilainya) dan 𝑛 ≤ 5%

𝑁
atau populasinya tak terbatas (N tidak diketahui nilainya) maka,

𝑥
( )−𝜋
𝑛
Z=
𝜋(1− 𝜋)
√
𝑛
atau untuk sampel kecil n < 30
68
ISBN : 978-623-315-269-3
𝑥
( )−𝜋
𝑛
t= dimana, df = n -1
𝜋(1− 𝜋)
√
𝑛
Contoh:
Dinas Pendidikan di kabupaten tertentu mengklaim bahwa 70% KIP
(Kartu Indonesia Pintar) telah tepat sasaran/efektif. Dari sampel yang
terdiri dari 900 siswa (penerima manfaat KIP), ternyata 600 siswa
memang yang berhak menerima/tepat sasaran. Ujilah hipotesis,
apakah klaim dari Dinas Pendidikan tersebut dapat dibenarkan dengan
menggunakan signifikasi 99% !
Diket : x = 600, n = 900, Sig. α = 1% = 0,01

Ditanya : Apakah klaim dari Dinas Pendidikan tersebut dapat
dibenarkan ?
Jawab :
𝐻0 : 𝜋 ≥ 70%
𝐻𝑎 : 𝜋 < 70%
𝑍𝑡𝑎𝑏 = -2,575
69
ISBN : 978-623-315-269-3
Dengan Sig. 99% (α = 0,01) maka diperoleh 𝑍𝑡𝑎𝑏𝑒𝑙 = -2,575
Menentukan nilai uji statistik;

𝑥 600
( 𝑛) − 𝜋 ( ) − 0,7 −0,033
𝑍ℎi𝑡. = = 900
= = -2,163
𝜋(1− 𝜋) 0,7(1−0,7) 0,0153
√ √
𝑛 900
Karena 𝑍ℎi𝑡. > 𝑍𝑡𝑎𝑏. (-2,163 > -2,575) maka 𝐻0 ditolak dan 𝐻𝑎
diterima.
Kesimpulan;
Dengan demikian Dinas Pendidikan yang mengklaim bahwa 70% KIP
(Kartu Indonesia Pintar) telah tepat sasaran/efektif tidak dapat
dibenarkan.
4. Hipotesis Beda Dua Proporsi

Pengujian hipotesis beda dua proporsi digunakan ketika
terdapat dua kelompok yang diperbandingkan. Pengujian ini
dimaksudkan untuk mengetahui apakah ada perbedaan prosentasi
yang mencolok atau tidak antara dua kelompok tersebut. Pada
pengujian hipotesis ini cenderung dilakukan uji Z. Hal ini karena
umumnya kelompok-kelompok yang diperbandingkan cenderung
memiliki jumlah unit atau anggota yang cukup besar. Berikut ini
merupakan rumus untuk pengujian hipotesis beda dua proporsi:
70
ISBN : 978-623-315-269-3
1) Apabila 𝜋1 dan 𝜋2 diketahui, maka;
𝑥 𝑥
( 𝑛1−𝑛2) − (𝜋1−𝜋2)
1 2
Z=
𝜋 (1− 𝜋1) 𝜋 (1− 𝜋2)
√ 1 + 2
𝑛1 𝑛2
2) Apabila 𝜋1 dan 𝜋2 tidak diketahui, maka;
𝑥 𝑥
( 1− 2 )
𝑛1 𝑛2
Z=
𝑥1+𝑥2
√(𝑛 +𝑛 )(1−𝑛𝑥1+𝑥2 )( 1 + 1 )
1 2 1+𝑛2 𝑛1 𝑛 2
Contoh:
Tim Pengembangan Kurikulum mengadakan percobaan pada dua
model pembelajaran (Model LC 5E dan Model LC 7E) dan tim
tersebut menyatakan bahwa perubahan akibat Model LC 5E dan
Model LC 7E pada dua sekolah adalah sama. Model LC 5E diuji
cobakan pada Sekolah A sebanyak 30 kelas dan ternyata 18 kelas
menunjukkan perubahan yang baik. Model LC 7E diuji cobakan pada
Sekolah B sebanyak 45 kelas dan ternyata 25 kelas menunjukkan
perubahan yang baik. Ujilah hipotesis dengan Signifikansi 95% !
Diket. : 𝑛1 = 30, 𝑛2 = 45, 𝑥1 = 18, 𝑥2= 25

Sig. α = 5%
71
ISBN : 978-623-315-269-3
Ditanya : Apakah perubahan akibat Model LC 5E dan Model LC
7E
pada dua sekolah adalah sama ?
Jawab :
H0 : 𝜋1 = 𝜋2
Ha : 𝜋1 ≠ 𝜋2

Z < −𝑍𝛼⁄2 = −𝑍0,025 = -1,96 atau Z > 𝑍𝛼⁄2 = 𝑍0,025 = 1,96
maka diperoleh 𝑍𝑡𝑎𝑏𝑒𝑙 = 1,96
Perhitungan nilai uji statistik;

𝑥 𝑥
( 1− 2) 18 25
𝑛 𝑛 ( − )
1 2 30 45
𝑍ℎi𝑡. = 𝑥1+𝑥 𝑥𝑛1+𝑥 1 1 = 18+25)(1−18+25 )( 1 + 1 )
√( 𝑛 +𝑛2 )(1− +𝑛2)( 𝑛 + 𝑛 ) √( 30+45 30+45 30 45
1 2 1 2 1 2
𝑍ℎi𝑡. = 0,044 = 0,376

0,117
Karena 𝑍ℎi𝑡. < 𝑍𝑡𝑎𝑏. (0,376 < 1,96), maka 𝐻0 diterima dan 𝐻𝑎 ditolak.
Kesimpulan;
72
ISBN : 978-623-315-269-3
Dengan demikian Tim Pengembangan Kurikulum yang menyatakan
bahwa perubahan akibat Model LC 5E dan Model LC 7E pada dua
sekolah adalah sama, dapat diterima/benar.
E. Latihan Soal
1. Seorang dosen mata kuliah Akuntansi Biaya menyatakan bahwa

rata-rata waktu yang diperlukan untuk menyelesaikan satu soal
tentang Departementalisasi BOP adalah 30 menit. Sampel sebanyak
22 mahasiswa diperoleh informasi sebagai berikut:
Mahasiswa Waktu (menit) Mahasiswa Waktu (menit)

Andi 28 Leny 30
Budi 31 Monica 27
Carsiti 32 Nisrina 25
Dasmo 29 Oji 32
Eva 25 Paijo 34
Fadli 29 Qomariyah 30
Gusti 25 Ratna 28
Hendro 26 Salwa 30
Inem 32 Tyara 26
Jerry 34 Udin 29
Karto 35 Vega 31
Dengan menggunakan Sig. α = 1%, apakah sampel tersebut dapat

mendukung pernyataan bahwa rata-rata waktu yang dibutuhkan
untuk menyelesaikan suatu soal Departementalisasi BOP adalah 30
menit ?
73
ISBN : 978-623-315-269-3
2. Suatu perkuliahan Makro Ekonomi diberikan pada dua kelas. Kelas

pertama diikuti 38 mahasiswa dengan media pembelajaran Video
Scribe dan kelas lain diikuti 36 mahasiswa dengan media Power
Point. Kemudian diberikan ujian dengan soal yang sama untuk
kedua kelas. Hasil ujian pada kelas dengan media Video Scribe
mencapai nilai rata-rata 78 dengan simpangan baku 3, sedang kelas
dengan media Power Point memperoleh nilai rata-rata 74 dengan
simpangan baku 4. Ujilah hipotesis apakah hasil belajar dengan
media Video Scribe lebih tinggi/lebih baik dibandingkan dengan
menggunakan media Power Point ? Taraf signifikansi 95% (Sig. α
= 5%). Asumsikan kedua sampel berdistribusi normal dengan
variansi tidak sama (Heterogen) !
3. Kepala Sekolah di sebuah sekolah bertaraf internasional sangat

yakin bahwa dengan adanya Olimpiade Matematika maka prestasi
siswanya akan terbukti luar biasa di kancah internasional. Pada
tahun 2020 dari 9 siswa berprestasi di sekolahnya, sebanyak 6
siswa mampu mempertahankan prestasi menjadi pemenang,
sementara 3 siswa lainnya tereliminasi. Ujilah hipotesis mengenai
pernyataan bahwa 75% lebih siswa berprestasi mampu
mempertahankan prestasi mereka. Gunakan signifikansi 95% !
4. Dalam rangka Dies Natalis UNINDRA akan diadakan voting

(setuju atau tdk setuju) tentang pemilihan Putri Kampus (Miss
Campus) oleh mahasiswa FBS dan FIPPS. Untuk mengetahui
74
ISBN : 978-623-315-269-3
apakah ada perbedaan antara proporsi mahasiswa FBS dan FIPPS
yang menyetujui rencana tersebut, diambil sampel secara acak yang
terdiri dari 200 mahasiswa FBS dan 500 mahasiswa FIPPS. Apabila
ternyata ada 120 mahasiswa FBS dan 240 mahasiswa FIPPS yang
setuju, apakah anda setuju jika dikatakan bahwa proporsi
mahasiswa FBS yang setuju lebih tinggi daripada proporsi
mahasiswa FIPPS ? Gunakan sig. α = 1% !
BAB 10
KORELASI DAN REGRESI
KORELASI
A. PENGERTIAN KORELASI
Secara sederhana, korelasi dapat diartikan sebagai hubungan.
Namun ketika dikembangkan lebih jauh, korelasi tidak hanya dapat
dipahami sebatas pengertian tersebut. Korelasi merupakan salah satu
teknik analisis dalam statistik yang digunakan untuk mencari hubungan
antara dua variabel yang bersifat kuantitatif. Hubungan dua variabel
tersebut dapat terjadi karena adanya hubungan sebab akibat (causality)
75
ISBN : 978-623-315-269-3
atau dapat pula terjadi karena kebetulan saja. Dua variabel dikatakan
berkolerasi apabila perubahan pada variabel yang satu akan diikuti
perubahan pada variabel yang lain secara teratur dengan arah yang sama
(korelasi positif) atau berlawanan (korelasi negatif). Korelasi merupakan
ukuran dari seberapa dekat dua variabel berubah dalam hubungan satu
sama lain. Pada semua kejadian, pasti ada faktor yang menyebabkan
terjadinya kejadian-kejadian tersebut. Misalnya kinerja guru yang belum
optimal disebabkan oleh menurunnya motivasi kerja guru tersebut.
Contoh lain, seorang siswa yang tidak belajar mendapatkan nilai jelek
pada saat ulangan, dan lain-lain.
Uraian di atas menunjukkan adanya hubungan atau korelasi
antara kejadian yang satu dengan kejadian yang lainnya. Kejadian itu
dapat dinyatakan dengan perubahan nilai variabel. Misal, jika X
merupakan variabel motivasi belajar, maka naik turunnya motivasi
belajar dapat dinyatakan dengan perubahan nilai X. Selanjutnya, apabila
Y merupakan variabel hasil belajar, maka naik turunnya hasil belajar
dapat dinyatakan dengan perubahan nilai Y. Dengan demikian, hubungan
antara dua kejadian dapat dinyatakan dengan hubungan dua variabel X
dan Y. Dengan demikian dapat kita simpulkan bahwa korelasi
merupakan keeratan hubungan antara variabel bebas, prediktor
(independent variable) dengan variabel terikat atau bergantung atau
kriterium (dependent variable).
Korelasi merupakan teknik analisis yang termasuk dalam salah
satu teknik pengukuran asosiasi (measures of association). Pengukuran
asosiasi merupakan istilah umum yang mengacu pada sekelompok
76
ISBN : 978-623-315-269-3
teknik dalam statistik bivariat yang digunakan untuk mengukur kekuatan
hubungan antara dua variabel.
B. MACAM-MACAM KORELASI
Korelasi sebagai sebuah analisis memiliki berbagai jenis
menurut tingkatannya. Beberapa tingkatan korelasi yang telah dikenal
selama ini antara lain adalah korelasi sederhana, korelasi parsial, dan
korelasi ganda. Berikut ini adalah penjelasan dari masing-masing
korelasi dan bagaimana cara menghitung hubungan dari masing-masing
korelasi tersebut.
1. Korelasi Sederhana
Korelasi Sederhana merupakan suatu teknik statistik yang
dipergunakan untuk mengukur kekuatan hubungan antara dua variabel
dan juga untuk dapat mengetahui bentuk hubungan keduanya dengan
hasil yang bersifat kuantitatif. Kekuatan hubungan antara dua variabel
yang dimaksud adalah apakah hubungan tersebut erat, lemah, ataupun
tidak erat. Sedangkan bentuk hubungannya adalah apakah bentuk
korelasinya linear positif ataupun linear negatif.
Di antara sekian banyak teknik-teknik pengukuran asosiasi,
terdapat dua teknik korelasi yang sangat populer sampai sekarang,
yaitu korelasi Pearson Product Moment dan korelasi Rank Spearman.
Lalu apa perbedaan di antara keduanya?.
Korelasi Pearson Product Moment adalah korelasi yang
digunakan untuk data kontinu dan data diskrit. Korelasi Pearson cocok
digunakan untuk statistik parametrik. Ketika data berjumlah besar dan
77
ISBN : 978-623-315-269-3
memiliki ukuran parameter seperti mean dan standar deviasi populasi.
Korelasi Pearson menghitung korelasi dengan menggunakan variasi
data. Keragaman data tersebut dapat menunjukkan korelasinya.
Korelasi ini menghitung data apa adanya, tidak membuat ranking atas
data yang digunakan seperti pada korelasi Rank Spearman. Ketika kita
memiliki data numerik seperti nilai tukar rupiah, data rasio keuangan,
tingkat pertumbuhan ekonomi, data berat badan dan contoh data
numerik lainnya, maka Korelasi Pearson Product Moment cocok
digunakan.
Sedangkan koefisien Korelasi Rank Spearman digunakan untuk
data diskrit dan kontinu namun untuk statistik non-parametric.
Koefisien korelasi Rank Spearman lebih cocok untuk digunakan pada
statistik nonparametrik. Statistik nonparametrik adalah statistik yang
digunakan ketika data tidak memiliki informasi parameter, data tidak
berdistribusi normal atau data diukur dalam bentuk ranking. Berbeda
dengan Korelasi Pearson, korelasi ini tidak memerlukan asumsi
normalitas, maka korelasi Rank Spearman cocok juga digunakan
untuk data dengan sampel kecil. Korelasi Rank Spearman menghitung
korelasi dengan menghitung ranking data terlebih dahulu. Artinya
korelasi dihitung berdasarkan orde data. Ketika peneliti berhadapan
dengan data kategorik seperti kategori pekerjaan, tingkat pendidikan,
kelompok usia, dan contoh data ketegorik lainnya, maka Korelasi
Rank Spearman cocok digunakan. Korelasi Rank Spearman pun cocok
digunakan pada kondisi dimana peneliti dihadapkan pada data
78
ISBN : 978-623-315-269-3
numerik (kurs rupiah, rasio keuangan, pertumbuhan ekonomi), namun
peneliti tidak memiliki cukup banyak data (data kurang dari 30).
2. Korelasi Parsial
Korelasi parsial adalah suatu metode pengukuran keeratan
hubungan (korelasi) antara variabel bebas dan variabel tak bebas
dengan mengontrol salah satu variabel bebas untuk melihat korelasi
natural antara variabel yang tidak terkontrol. Analisis korelasi parsial
(partial correlation) melibatkan dua variabel. Satu buah variabel yang
dianggap berpengaruh akan dikendalikan atau dibuat tetap (sebagai
variabel kontrol). Data yang digunakan dalam korelasi parsial
biasanya memiliki skala interval atau rasio.
3. Korelasi Ganda
Korelasi ganda adalah bentuk korelasi yang digunakan untuk
melihat hubungan antara tiga atau lebih variabel (dua atau lebih
variabel independen dan satu variabel dependent. Korelasi ganda
berkaitan dengan interkorelasi variabel-variabel independen
sebagaimana korelasi mereka dengan variabel dependen. Korelasi
ganda adalah suatu nilai yang memberikan kuatnya pengaruh atau
hubungan dua variabel atau lebih secara bersama-sama dengan
variabel lain. Korelasi ganda merupakan korelasi yang terdiri dari dua
atau lebih variabel bebas (X1, X2,…..X𝑛) serta satu variabel terikat (Y).
Apabila perumusan masalahnya terdiri dari tiga masalah, maka
hubungan antara masing-masing variabel dilakukan dengan cara
perhitungan korelasi sederhana.
79
ISBN : 978-623-315-269-3
C. UKURAN KORELASI
Hubungan dua variabel ada yang positif dan negatif. Suatu
hubungan dikatakan positif apabila terjadi kenaikan X, maka akan terjadi
kenaikan Y atau apabila terjadi penurunan X, maka akan terjadi pula
penurunan Y. Sedangkan dikatakan negatif yaitu apabila X mengalami
kenaikan, maka justru Y mengalami penurunan atau apabila X mengalami
penurunan, maka Y mengalami kenaikan. Untuk mengukur keeratan
hubungan antar variabel tersebut, maka digunakan apa yang disebut
dengan koefisien korelasi (r). Nilai koefisien korelasi ini paling sedikit
bernilai -1 dan paling besar bernilai 1. Jadi dapat dinyatakan sebagai
berikut:
-1 < = r > = 1
Artinya:
a) Jika r = 1, hubungan X dengan Y sempurna dan positif (mendekati 1,
yaitu hubungan sangat kuat dan positif).
b) Jika r = -1, hubungan X dengan Y sempurna dan negatif (mendekati -
1, yaitu hubungan sangat kuat dan negatif).
c) Jika r = 0, tidak ada hubungan atau lemah sekali hubungan antara X
dengan Y.
Cara menghitung nilai r dengan korelasi product moment atau
korelasi Pearson yaitu;
𝑛.∑ KF− (∑ K).(∑ F)

𝑟𝑥𝑦 =
√*𝑛.∑ K 2 − (∑ K)2 +√*𝑛.∑ F 2 − (∑ F)2 +
80
ISBN : 978-623-315-269-3
Kemudian berdasarkan nilai koefisien korelasi tersebut
diinterpretasikan dengan pedoman sebagai berikut:
Tabel 10.1 Pedoman Interpretasi Koefisien Korelasi
Interval Kategori
0,00 – 0,19 Sangat Lemah
0,20 – 0,39 Lemah
0,40 – 0,59 Sedang
0,60 – 0,79 Kuat
0,80 – 1,00 Sanagt Kuat
REGRESI
D. PENGERTIAN REGRESI
Istilah regresi pertama kali diperkenalkan oleh Sir Francis
Galton pada tahun 1886. Galton menemukan adanya tendensi bahwa
orang tua yang memiliki tubuh tinggi memiliki anak-anak yang tinggi,
orang tua yang pendek memiliki anak-anak yang pendek pula. Kendati
demikian. Ia mengamati bahwa ada kecenderungan tinggi anak
cenderung bergerak menuju rata-rata tinggi populasi secara keseluruhan.
Dengan kata lain, ketinggian anak yang amat tinggi atau orang tua yang
amat pendek cenderung bergerak kearah rata-rata tinggi populasi. Inilah
yang disebut hukum Golton mengenai regresi universal. Dalam bahasa
Galton, ia menyebutkan sebagai regresi menuju mediokritas.
Secara umum, analisis regresi pada dasarnya adalah studi
mengenai ketergantungan satu variabel dependen (terikat) dengan satu
atau lebih variabel independent (variabel penjelas/bebas), dengan tujuan
81
ISBN : 978-623-315-269-3
untuk mengestimasi dan/ atau memprediksi rata-rata populasi atau niiai
rata-rata variabel dependen berdasarkan nilai variabe! independen yang
diketahui. Pusat perhatian adalah pada upaya menjelaskan dan
mengevalusi hubungan antara suatu variabel dengan satu atau lebih
variabel independen. Hasil analisis regresi adalah berupa koefisien
regresi untuk masing-masing variable independent. Koefisien ini
diperoleh dengan cara memprediksi nilai variable dependen dengan suatu
persamaan.
Analisis regresi merupakan salah satu analisis yang bertujuan
untuk mengetahui pengaruh suatu variabel terhadap variabel lain. Dalam
analisis regresi, variabel yang mempengaruhi disebut Independent
Variable (variabel bebas) dan variabel yang dipengaruhi disebut
Dependent Variable (variabel terikat). Jika dalam persamaan regresi
hanya terdapat satu variabel bebas dan satu variabel terikat, maka disebut
sebagai persamaan regresi sederhana, sedangkan jika variabel bebasnya
lebih dari satu, maka disebut sebagai persamaan regresi berganda.
Untuk mencari persamaan garis regresi dapat digunakan
berbagai pendekatan (rumus), baik regresi linear sederhana maupun
regresi linear berganda akan dibahas lebih jelas pada sub bab ini.
E. MACAM-MACAM REGRESI
Macam-macam regresi terbagi lima antara lain sebagai berikut:
1. Regresi Linear Sederhana
Regresi linear sederhana menyatakan adanya pengaruh atau
estimasi atau kontribusi X (variabel bebas) terhadap Y (variabel tak
82
ISBN : 978-623-315-269-3
bebas/terikat). Semua variabel datanya kuantitatif. Misalnya, pengaruh
lingkungan keluarga (X) terhadap disiplin belajar (Y).
2. Regresi Linear Berganda

Regresi linear berganda menyatakan adanya pengaruh atau
estimasi atau kontribusi dari dua atau lebih variabel X (variabel bebas)
terhadap variable Y (variabel tak bebas/terikat). Semua variabel
datanya kuantitatif. Misalnya, pengaruh peran kepemimpinan (X1),
iklim organisasi (X2), dan motivasi kerja (X3) terhadap kinerja guru
(Y).
3. Regresi Non-linear
Pengaruh variabel X terhadap Y yang tidak linear. Tidak linear
maksudnya laju perubahan Y akibat laju perubahan X tidak konstan
untuk nilai-nilai X tertentu.
4. Regresi Dummy
Pengaruh variabel X (data kualitatif) terhadap variabel Y (data
kuantitatif). Misalnya, pengaruh guru yang telah bersertifikasi dengan
guru yang belum bersertifikasi terhadap kinerja. Kita coding 1 jika
sudah bersertifikasi dan 0 jika belum bersertifikasi. 1 dan 0 adalah
variabel dummy.
5. Regresi Logistik
Pengaruh variabel X (data kuantitatif) terhadap variabel Y (data
kualitatif). Misalnya, ingin diketahui apakah reviewer di sebuah jurnal
nasional terakreditasi akan memutuskan artikel yang masuk diterima
83
ISBN : 978-623-315-269-3
atau ditolak berdasarkan penilaian reviewer tersebut. Dalam kasus ini
hanya ada beberapa kemungkinan keputusan yaitu; reviewer
menerima artikel tanpa revisi (2), reviewer menerima artikel dengan
revisi (1), dan reviewer menolak artikel (0).
Setelah dilakukan uji hubungan, selanjutnya adalah menghitung
koefisien determinasi (Koefisien Penentu/KP). Nilai X dikatakan
mempengaruhi Y karena kenaikan atau penurunan X mempengaruhi nilai
Y. Namun dalam diagram pencar, nilai Y memiliki nilai yang bervariasi
meskipun nilai Y naik dalam deret ukur. Hal ini terjadi karena nilai Y
tidak hanya dipengaruhi oleh variabel X namun juga beberapa faktor lain.
Misalnya, kinerja guru tidak hanya dipengaruhi oleh motivasi kerja, tapi
juga dipengaruhi oleh iklim organisasi, supervisi, peran kepemimpinan
kepala sekolah dan lain-lain . Dari sini timbul pertanyaan, berapa
besarnya kontribusi dari X terhadap naik turunnya nilai Y ? Untuk
menjawab pertanyaan ini harus dihitung dulu suatu koefisien yang
disebut keofisien determinasi atau koefisien penentu (KP). Nilai KP
diperoleh dari koefisien korelasi yang dikuadratkan (𝑟2).
Misalnya diketahui koefisien korelasi (𝑟𝑥𝑦) sebesar 0,85 maka
koefisien penentu (𝑟2) adalah sebesar 0,852 = 0,7225 atau 72,25%. Hal
ini berarti besar kontribusi dari X terhadap Y sebesar 72,25%, Sedangkan
sisanya 27,75% adalah kontribusi dari faktor-faktor lainnya yang tidak
diteliti.
KORELASI & REGRESI LINEAR SEDERHANA

(Simple Linear Correlation and Regression)
84
ISBN : 978-623-315-269-3
Seperti yang sudah dijelaskan mengenai konsep regresi di atas, maka
pada sub pokok bahasan kali ini adalah memaparkan contoh dan
perhitungan korelasi dan regresi. Terlebih dahulu adalah bagaimana
analisis korelasi dan regresi sederhana seperti yang akan dibahas berikut
ini:
F. Analisis Regresi Linear Sederhana dan Korelasi Product

Moment (Korelasi Pearson)
Regresi adalah bentuk hubungan fungsional antara variabel
respon dan prediktor. Guna regresi adalah untuk prediksi. Dalam hal ini,
regresi linear sederhana Y atas X. Misalnya, Sejauh mana disiplin belajar
(Y) dapat diprediksi dari minat (X)? Atau apakah terdapat hubungan
fungsional antara minat belajar dengan disiplin belajar ?.
Berdasarkan rumusan masalah tersebut, maka bentuk kerangka
pemikiran atau kerangka konseptualnya yaitu;
a) Untuk mengetahui koefisien regresi (pengaruh/kontribusi X terhadap
Y) 𝑝𝑦𝑥
Minat Disiplin
Belajar (X) Belajar (Y)
b) Untuk mengetahui kuat atau lemahnya hubungan (korelasional antara

X dengan Y)
𝑟𝑥𝑦
Minat Disiplin
85
ISBN : 978-623-315-269-3
atau
𝑟𝑥𝑦
Minat Disiplin
Variabel X = variabel prediktor (bebas, independen)

Variabel Y = variabel kriterium (respon, terikat, tergantung, dependen)
Persamaam regresi linear sederhana:
̂ = a + bX
𝑌
Keterangan: a = konstanta (bilangan konstan)
b = koefisien arah regresi
(∑ Y)(∑ X2)− (∑ X)(∑ KF)

a=
𝑛 ∑ K2− (∑ K)2
𝑛.(∑ XY)− (∑ X)(∑ F)

b=
𝑛 ∑ K2− (∑ K)2
atau jika b sudah dicari maka,
a = 𝑌- bX
Contoh:
Seorang peneliti ingin mengetahui pengaruh dan hubungan antara Minat
Belajar (X) dengan Disiplin Belajar (Y). Diambil sampel secara acak
86
ISBN : 978-623-315-269-3
sebanyak 30 siswa (responden). Setelah dilakukan survey/penyebaran
angket diperoleh skor masing-masing variabel sebagai berikut:
Tabel 10.2 Data Minat Belajar (X) dan Skor Disiplin belajar (Y)
No. Minat Disiplin No. Minat Disiplin
Respond Belajar (X) Belajar (Y) Respond Belajar (X) Belajar (Y)
1 42 51 16 40 50
2 44 55 17 50 62
3 50 60 18 38 50
4 54 62 19 45 56
5 45 55 20 50 58
6 42 50 21 36 45
7 44 54 22 38 49
8 50 62 23 44 55
9 55 65 24 36 45
10 44 56 25 50 62
11 43 52 26 54 65
12 42 50 27 44 56
13 40 50 28 50 60
14 38 46 29 42 52
15 40 48 30 54 63
Berdasarkan tabel di atas, tentukan persamaan regresi linearnya,

koefisien korelasi dan koefisien determinasinya, serta ujilah hipotesisnya
dengan tingkat signifikansi 95% !
Penyelesaian:
Langkah-langkah Perhitungan:
1) Pertama perlu dibuat tabel penolong
Tabel 10.3 Skor Minat Belajar (X) dan Skor Disiplin belajar (Y)
No.Respond X Y X2 Y2 XY
1 42 51 1764 2601 2142
2 44 55 1936 3025 2420
3 50 60 2500 3600 3000
4 54 62 2916 3844 3348
5 45 55 2025 3025 2475
87
ISBN : 978-623-315-269-3
6 42 50 1764 2500 2100
7 44 54 1936 2916 2376
8 50 62 2500 3844 3100
9 55 65 3025 4225 3575
10 44 56 1936 3136 2464
11 43 52 1849 2704 2236
12 42 50 1764 2500 2100
13 40 50 1600 2500 2000
14 38 46 1444 2116 1748
15 40 48 1600 2304 1920
16 40 50 1600 2500 2000
17 50 62 2500 3844 3100
18 38 50 1444 2500 1900
19 45 56 2025 3136 2520
20 50 58 2500 3364 2900
21 36 45 1296 2025 1620
22 38 49 1444 2401 1862
23 44 55 1936 3025 2420
24 36 45 1296 2025 1620
25 50 62 2500 3844 3100
26 54 65 2916 4225 3510
27 44 56 1936 3136 2464
28 50 60 2500 3600 3000
29 42 52 1764 2704 2184
30 54 63 2916 3969 3402
Jumlah (Σ) 1344 1644 61132 91138 74606
Diketahui: ΣX = 1344
ΣY = 1644
ΣX2 = 61132
ΣY2 = 91138
ΣXY = 74606
𝑛.(∑ XY)− (∑ X)(∑ F)

b=
𝑛 ∑ K2− (∑ K)2
88
ISBN : 978-623-315-269-3
30(74606) − (1344)(1644)
b= = 1,037
30(61132) − (1344)2
a = 𝑌- bX dimana, Xdan 𝑌adalah jumlah total X dan Y dibagi
total responden/sampel. Maka,
a = 54,8 – (1,037)44,8 = 8,342
Dengan demikian, persamaan garis regresinya: Ŷ = 8,342 + 1,037X
Jika X = 38, maka Ŷ = 8,342+1,037*38 = 47,75. Sehingga dapat
digambarkan persamaan garis regresi linearnya sebagai berikut:
47,75
Ŷ = 8,342 + 1,037X
8,34
X
36 38 40 42 44
2) Uji Kelinearan dan Keberartian Regresi

Hipotesis yang diuji adalah:
𝐻0 : Regresi linear
𝐻𝑎 : Regresi non linear
𝐻0 : Harga F regresi non signifikan/tidak bermakna/tidak berarti
𝐻𝑎 : Harga F regresi signifikan/bermakna/berarti
(1) Urutkan data X dari terkecil hingga data terbesar, diikuti oleh data Y
Tabel 10.4 Pengelompokkan data Skor Minat dan Disiplin Belajar
89
ISBN : 978-623-315-269-3
X Kelompok ke- ni Y
36 45
1 2
36 45
38 46
38 2 3 50
38 49
40 50
40 3 3 48
40 50
42 51
42 50
4 4
42 50
42 52
43 5 1 52
44 55
44 54
44 6 5 56
44 55
44 56
45 55
7 2
45 56
50 60
50 62
50 62
8 6
50 58
50 62
50 60
54 62
54 9 3 65
54 63
55 10 1 65
Dengan demikian, terdapat 10 kelompok

(2) Hitung berturut-turut Jumlah Kuadrat (JK) atau Sum of Squares (SS)
dengan rumus berikut:
JK Total (SS Total) = ∑Y2
90
ISBN : 978-623-315-269-3
(∑ F)2
JK Konstanta ( SS a) =
𝑛
𝑏 (∑ K).(∑ F)
JK Regresi (𝑆𝑆 ) = b {∑ X𝑌 − }
𝑎 𝑛
JK Sisa (SS Residual) = JK Total – JK (a) - JK ( 𝑏 )

𝑎
(∑ F)2
JK Galat (SS Error) = ∑ {∑ 𝑌2 − }
𝑛
JK Tuna Cocok (SS Linear) = JK Sisa – JK Galat

Perhitungan:
JK Total = ∑Y2 = 91138
(∑ F)2
JK(a) = = (1644)2 : 30 = 90091,2
𝑛
𝑏 (∑ K).(∑ F) (1344)(1644)
JK ( ) = b {∑ X𝑌 − } = 1,037 {74606 − }
𝑎 𝑛 30
= 990,13
JK Sisa = JK Total - JK(a) - JK ( 𝑏 )
𝑎
= 91138 – 90091,2 – 990,13 = 56,67

JK Galat = 

( Y )2   2 (45 + 45)2 
Y −
22
+ 45 −
  = 45
 +

 n   2
 2 2 2 (46 + 50 + 49)2   2 2 2 (50 + 48 + 50)2 
46 + 50 + 49 − 3  + 50 + 48 + 50 − 3 +
   
 2 2 2 (51 + 50 + 50 + 52)2   2 (52)2 
 51 + 50 + 50 + 52 −
2
 + 52 − +
 4   1 
 2 2 2 2 2 (55 + 54 + 56 + 55 + 56 )2 
55 + 54 + 56 + 55 + 56 − +
 5 
 2 (55 + 56 ) 2
+
2
55 + 56 −
 2 
91
ISBN : 978-623-315-269-3
 (60 + 62 + 62 + 58 + 62 + 60 )2 
60 2 + 62 2 + 62 2 + 58 2 + 62 2 + 60 2 − +
 6 
 (62 + 65 + 63)  
2 (65) 
2
 62 2
+ 65 2
+ 63 2
− +
  65 2
−  = 35,38
 3   1 
JK Tuna Cocok = JK Sisa – JK Galat = 56,67 – 35,38 = 21,29
(3) Hitung derajat kebebasan/dk (degree of freedom/df) sebagai berikut;
dk (a) = (df) = 1
dk ( 𝑏 ) = 1 ( jumlah prediktor 1)
𝑎
dk sisa = n-2 = 30-2 = 28

dk tuna cocok = k - 2 = 10 - 2 = 8
dimana, k adalah jumlah pengelompokan data X = 10
dk galat = n-k = 30-10 = 20
(4) Hitung Mean Square (MS) atau Rerata Jumlah Kuadrat (RJK)
sebagai berikut:
RJK Total (MS Total) = JK T : n = 91138 : 30 =3037,93
RJK Sisa (MS Residual) = JK Sisa : dk sisa = 56,67: 28 = 2,02
RJK Regresi (MS Reg) = JK Reg. : dk reg = 990,13 : 1 = 990,13
RJK TC (MS Linear) = JK TC : dk tc = 21,29 : 8 = 2,66
RJK Galat (MS Error) = JK Galat : dk galat = 35,38 : 20 = 1,77
(5) Hitung harga F regresi dan F tuna cocok adalah sebagai berikut;
F Reg = RJK Reg : RJK Sisa = 990,13 : 2,02 = 490,16

F Linear = RJK(TC) : RJK(G) = 2,66 : 1,77 = 1,50
92
ISBN : 978-623-315-269-3
Berdasarkan perhitungan di atas, dapat dimasukkan ke dalam

tabel F (ANAVA) untuk Regresi Linear berikut:
Tabel 10.5 Tabel Ringkasan Anava Untuk Menguji Keberartian dan
Linearitas Regresi
Sumber
JK (SS) dk (df) RJK (MS) F hitung F tabel
Variasi
Total 91138 30 3037,93 - -
Koefisien (a) 90091,2 1 - -
Regresi ( 𝑏 ) 990,13 1 990,13 490,16 4,20
𝑎
Sisa (residual) 56,67 28 2,02 -
Tuna Cocok 21,29 8 2,66 1,50 2,45
Galat (Error) 35,38 20 1,77
(6) Aturan keputusan (kesimpulan):
Apabila F hitung (regresi) lebih besar dari harga F tabel pada

taraf signifikansi 5% (α 0,05), maka harga F hitung (regresi)
signifikan, yang berarti bahwa koefisien regresi adalah berarti
(bermakna). Dalam hal ini, F hitung (regresi) = 490,16, sedangkan F
tabel untuk dk 1:28 (pembilang = 1; dan penyebut = 28) untuk taraf
signifikansi 5% = 4,20. Ini berarti, harga F regresi > dari harga F
tabel, sehingga hipotesis nol (𝐻0) ditolak dan hipotesis alternatif
(𝐻𝑎) diterima, sehingga harga F regresi adalah signifikan. Dengan
demikian, terdapat hubungan fungsional yang signifikan antara
variabel minat belajar dengan disiplin belajar.
Selanjutnya, apabila harga F hitung (tuna cocok) lebih kecil

dari harga F tabel, maka harga F hitung (tuna cocok) non signifikan,
yang berarti bahwa hipotesis nol (𝐻0) diterima dan hipotesis
93
ISBN : 978-623-315-269-3
alternatif (𝐻𝑎) ditolak, sehingga regresi Y atas X adalah linear.
Dalam hal ini, F hitung (tuna cocok) = 1,50, sedangkan F tabel
untuk taraf signifikansi 5% = 2,45. Dengan demikian harga F tuna
cocok < dari harga F tabel. Ini berarti, 𝐻0 diterima sehingga harga F
tuna cocok adalah non signifikan. Dengan demikian, hubungan
antara variabel motivasi dan prestasi belajar adalah linear.
Atas dasar analisis regresi, dapat dihitung kadar hubungan

antara X dengan Y atau kadar kontribusi X terhadap Y. Koefisien
korelasi (r) dapat dihitung dengan rumus berikut:
JK (TD) − JK (S)
r2 =
JK (TD)
dimana, JK(TD) adalah jumlah kuadra total dikoreksi.
JK(TD) = JK(T) – JK(a) = 91138 - 90091,2 = 1046,8.
1046,8 − 56,67
Jadi r2 = = 0,946
1046,8
Koefisien korelasinya (r) = 0,946 = 0,973.
Selain cara di atas, koefisien korelasi dapat pula dicari

dengan rumus korelasi product moment, yaitu sebagai berikut:
𝑛.∑ KF− (∑ K).(∑ F)

𝑟𝑥𝑦 =
√*𝑛.∑ K 2 − (∑ K)2 +√*𝑛.∑ F 2 − (∑ F)2 +
Telah diketahui (telah dihitung di atas):

ΣX = 1344
94
ISBN : 978-623-315-269-3
ΣY = 1644
ΣX2 = 61132
ΣY2 = 91138
ΣXY = 74606
𝑛.∑ KF− (∑ K).(∑ F)
𝑟𝑥𝑦 =
√*𝑛.∑ K 2 − (∑ K)2 +√*𝑛.∑ F 2 − (∑ F)2 +
30.(74606)−(1344)(1644)
𝑟𝑥𝑦 = = 0,973
√*30.(61132)−(1344)2 +√*30.(91138)−(1644)2 +
Untuk uji signifikansi koefisien korelasi, digunakan tabel nilai-

nilai r Product Moment untuk n = 30 pada taraf siginifikansi 5%. Nilai r
tabel untuk n = 30 pada taraf signifikansi 5% = 0,361; dan untuk taraf
signifikansi 1% = 0,463. Dengan demikian, nilai r hitung = 0,973 lebih
besar dari nilai r tabel, baik pada taraf signifikansi 1% maupun 5%. Ini
berarti bahwa nilai r hitung adalah signifikan pada taraf signifikansi 5%.
Sehingga dapat disimpulkan 𝐻0 ditolak dan 𝐻𝑎 diterima yang berarti
bahwa terdapat korelasi positif dan hubungan yang sangat kuat atau erat
antara minat belajar dengan disiplin belajar.
Selain pengujian signifikansi menggunakan tabel r, dapat juga
menggunakan uji t disebut juga pengujian hipotesis dengan rumus
berikut:
𝑟.√𝑛−2
t=
√1−𝑟2
95
ISBN : 978-623-315-269-3
0,973.√30−2
maka diperoleh nilai t hitung = = 22,39
√1−(0,973)2
Selanjutnya, harga t hitung tersebut dibandingkan dengan harga t

tabel. Untuk uji dua pihak pada taraf signifikan 5%, df = n-2 = 30- 2 =
28, diperoleh harga t tabel = 2,048. Dengan demikian 𝑡ℎi𝑡𝑢𝑛g > 𝑡𝑡𝑎𝑏𝑒𝑙
(22,39 > 2,0480 sehingga 𝐻0 ditolak, dan 𝐻𝑎 diterima. Ini berarti, harga t
hitung adalah signifikan, sehingga disimpulkan bahwa terdapat pengaruh
positif dan signifikan minat belajar terhadap disiplin belajar. Untuk
mengetahui kontribusi variabel prediktor terhadap kriterium atau
dependen, nilai koefisien korelasinya harus dikuadratkan ( r square / r2)
atau sering disebut koefisien determinasi.
Berdasarkan hasil perhitungan korelasi, maka dapat diketahui
koefisien determinasinya yaitu (r2) = (0,973)2 = 0,946 atau 94,6%. Hal
ini berarti bahwa sumbangan atau kontribusi minat belajar terhadap
disiplin belajar adalah sebesar 94,6%, sedangkan sisanya 5,4% diprediksi
oleh variabel lain yang tidak diteliti.
REGRESI LINEAR BERGANDA

(Multiple Linear Regressions)
G. Analisis Regresi Linear Berganda

Regresi Linear Berganda adalah model regresi linear dengan
melibatkan lebih dari satu variabel bebas atau predictor. Dalam bahasa
inggris, istilah ini disebut dengan multiple linear regression.
a. Analisis Regresi Dua Prediktor
96
ISBN : 978-623-315-269-3
Misalnya rumusan masalah penelitian yaitu; 1) Sejauhmana
supervisi kepala sekolah (X1) berpengaruh terhadap kinerja guru (Y)?
2) Sejauhmana kompensasi (X2) berpengaruh terhadap kinerja guru
(Y)? 3) Sejauhmana supervisi kepala sekolah (X1) dan kompensasi
(X2) secara simultan berpengaruh terhadap kinerja guru (Y)?
Berdasarkan rumusan masalah tersebut, maka bentuk
kerangka pemikiran atau kerangka konseptualnya yaitu;
𝑝𝑦𝑥1
𝑝𝑦s
Supervisi
Kepala
Sekolah (X1) 𝑝𝑦𝑥2𝑥1
Kinerja
Guru (Y)
Kompensasi 𝑝𝑦𝑥2
(X2)
Rumus persamaan regresi:
̂ = 𝑏0 + 𝑏 1 𝑋 1 + 𝑏 2 𝑋 2
𝑌 dimana, 𝑏0 = a = (konstanta)
Contoh:
Sebanyak 15 guru pada SMK di kota Jakarta Timur yang dijadikan
sampel, diperoleh skor Supervisi kepala sekolah (X1), Kompensasi (X2)
dan Kinerja guru (Y) sebagai berikut :
Tabel 10.6 Data Skor Hasil Angket penelitian

Responden Supervisi (X1) Kompensasi (X2) Kinerja (Y)
1 44 55 85
97
ISBN : 978-623-315-269-3
2 42 45 80
3 40 50 78
4 46 54 80
5 38 42 75
6 36 40 70
7 40 45 80
8 38 42 78
9 42 44 80
10 42 50 82
11 44 54 85
12 38 44 76
13 41 44 80
14 36 42 70
15 40 50 80
Dengan Sig. α = 5%. Asumsi telah memenuhi uji normalitas, uji

multikolinearitas dan uji prasyarat yang lainnya, maka hitung dan uji
hipotesis sebagai berikut:
a) Tentukan persamaan regresi, dan koefisien korelasi serta koef.
Determinasi berganda!
b) Sejauhmana supervisi kepala sekolah (X1) berpengaruh terhadap
kinerja guru (Y)?
c) Sejauhmana kompensasi (X2) berpengaruh terhadap kinerja guru (Y)?
d) Sejauhmana supervisi kepala sekolah (X1) dan kompensasi (X2)
berpengaruh terhadap kinerja guru (Y)?
Langkah-langkah Perhitungan:
(1) Seperti biasa, pertama perlu dibuat tabel penolong
Tabel 10.7 Data Skor Supervisi Kepsek (X1), Kompensasi (X2),

dan Kinerja Guru (Y)
No.
X1 X2 Y X12 X22 Y2 X1 X2 X1Y X2Y
Respond
1 44 55 85 1936 3025 7225 2420 3740 4675
98
ISBN : 978-623-315-269-3
2 42 45 80 1764 2025 6400 1890 3360 3600
3 40 50 78 1600 2500 6084 2000 3120 3900
4 46 54 80 2116 2916 6400 2484 3680 4320
5 38 42 75 1444 1764 5625 1596 2850 3150
6 36 40 70 1296 1600 4900 1440 2520 2800
7 40 45 80 1600 2025 6400 1800 3200 3600
8 38 42 78 1444 1764 6084 1596 2964 3276
9 42 44 80 1764 1936 6400 1848 3360 3520
10 42 50 82 1764 2500 6724 2100 3444 4100
11 44 54 85 1936 2916 7225 2376 3740 4590
12 38 44 76 1444 1936 5776 1672 2888 3344
13 41 44 80 1681 1936 6400 1804 3280 3520
14 36 42 70 1296 1764 4900 1512 2520 2940
15 40 50 80 1600 2500 6400 2000 3200 4000
∑ 607 701 1179 24685 33107 92943 28538 47866 55335
(2) Menghitung beta ( β ) atau koefisien

Menghitung harga-harga b0, b1, b2 dengan menggunakan
persamaan berikut, dengan menggunakan skor angka kasar:
(1) ∑ Y = nb0 + b1∑X1 + b2∑X2

(2) ∑X1Y = b0∑X1 + b1 ∑X12 + b2∑X1X2
(3) ∑X2Y = b0∑X2 + b1∑X1X2 + b2∑X22
Masukkan harga-harga di atas dimasukkan ke dalam persamaan

tersebut sehingga menjadi:
1179 = 15 b0 + 607 b1 + 701 b2........................... (1)
47866 = 607 b0 + 24685 b1 + 28538 b2 ........................... (2)
55335 = 701 b0 + 28538 b1 + 33107 b2 ........................... (3)
99
ISBN : 978-623-315-269-3
Menyelesaikan persamaan tersebut untuk memperoleh koefisien b0,
b1, dan b2, dapat digunakan metode eliminasi berikut.
Persamaan (1) dikalikan 607, persamaan (2) dikalikan 15, kemudian

dikurangkan sehingga menjadi persamaan (4) sebagai berikut;
9105 b0 + 368449 b1 + 425507 b2 = 715653

9105 b0 + 370275 b1 + 428070 b2 = 717990 (-)
- 1826 b1 - 2565 b2 = -2337 .......................... (4)
Persamaan (1) dikalikan dengan 701, persamaan (3) dikalikan

dengan 15, hingga hasilnya menjadi persamaan (5) sebagai berikut:
10515 b0 + 425507 b1 + 491401 b2 = 826479
10515 b0 + 428070 b1 + 496605 b2 = 830025 (-)
- 2563 b1 - 5204 b2 = -3546 …………………
(5)
Persamaan (4) dikalikan dengan -2563, persamaan (5) dikalikan

dengan -1826, sehingga hasilnya menjadi:
4680038 b1 + 6574095 b2 = 5989731

4680038 b1 + 9502504 b2 = 6474996 ( - )
-2928409 b2 = -485265
b2 = 0,165
100
ISBN : 978-623-315-269-3
Harga b2 dimasukkan ke dalam salah satu persamaan (4) atau (5).
Dalam hal ini, dimasukkan ke dalam persamaan (4), sehingga
menjadi:
- 1826 b1 - 2565 b2 = -2337

- 1826 b1 - 2565 (0,165) = -2337
- 1826 b1 – 423,22 = -2337
- 1826 b1 = -2337 + 423,22
b1 = 1,048
Harga b1 dan b2 dimasukkan dalam persamaan (1), sehingga
menjadi:
15 b0 + 607 b1 + 701 b2 = 1179
15 b0 + 607 (1,048) + 701 (0,165) = 1179
15 b0 + 636,136 + 115,665 = 1179
15 b0 = 1179 – 751,801
b0 = 28,476
Jadi, persamaan regresi linear berganda untuk dua prediktor:

̂ = 28,476 + 1,048 X1 + 0,165 X2
𝑌
Pada kasus ini memiliki makna bahwa kinerja guru akan
mengalami peningkatan apabila supervisi kepala sekolah ditingkatkan
(dilaksanakan secara intensif) dan kompensasi dinaikkan.
(3) Menghitung beta dengan rumus deviasi
101
ISBN : 978-623-315-269-3
Cara perhitungan koefisien-koefisien b0, b1, dan b2 di atas
sangat panjang dan rumit. Untuk mengatasi hal tersebut, dapat
digunakan cara lain yang lebih sederhana, yaitu hanya dengan dua
persamaan, tetapi harus diubah menjadi skor deviasi terlebih dahulu.
Dengan demikian, persamaannya menjadi:
𝑦̂= a + b1x1 + b2x2
b1, b2 dapat dihitung dari persamaan berikut;
x y = b 
1 1 x1 + b2  x1 x2
2
x 2 y = b1  x1 x2 + b2  x2
2
Sedangkan a dapat dihitung menggunakan b1, dan b2 serta rata-rata

X1 , X2 , 𝑌
(4) Menghitung skor deviasi
Selanjutnya, koefisien regresi dapat dihitung menggunakan

rumus berikut:
a = Y − b1 X1 − b2 X 2
( x )( x y) − ( x x )( x y)
2
b = 2 1 1 2 2
1
( x 1 )( x 2 ) − ( x1 x 2 )
2 2 2
102
ISBN : 978-623-315-269-3
b = ( x )( x2 y) − ( x x )( x y)
2
1 1 2 1
2
( x 2 )( x 2 ) − ( x x )2 1 2 1 2
Untuk menghitung skor simpangan (deviasi), digunakan

rumus-rumus berikut:
 y 2 =  Y 2 − n
( Y )2
 x 2 =  X 2 − n
( X )2
( X i )( Y )
x i y= X Y − i
n
( X i )( X j )
x x i j = X i Xj−
n
Skor rata-rata X
1 = 40,47, X2 = 46,73 dan 𝑌= 78,60 (lihat
tabel di atas, rata-rata = ∑X dibagi n).
Telah diketahui (lihat tabel data di atas):
2
n = 15 ∑X1 = 24685 ∑X1Y = 47866
2
∑X1 = 607 ∑X2 = 33107 ∑X2Y = 55335
∑X2 = 701 ∑Y2 = 92943
∑Y = 1179 ∑X1X2 = 28538
Selanjutnya dapat dihitung harga-harga skor deviasi
(menggunakan lambang huruf kecil) sebagai berikut:
 y 2 = Y 2 −  n= 92943 – (1179 : 15) = 273,6

( Y )2 2
( X 1 ) 2 = 24685 - (6072 : 15) = 121,73

x 1
2
= X 1
2
−
n
103
ISBN : 978-623-315-269-3
( X )2
x = X −
2
2 = 33107 – (7012 : 15) = 346,93
2 2
2
n
( X 1 )(Y )
xy = X
1
Y −
1
= 47866 – ((607x1179) : 15) = 155,8
n
( X 2 )(Y )
= 55335 – ((701x1179) : 15) = 236,4
 x2 y =  X 2 Y − n
( X 1 )( X 2 )
x x 1 2 =  X1 X 2 − = 28538 – ((607x701) : 15) = 170,87
n
Dengan menggunakan rumus deviasi, maka dapat dihitung harga
b1, dan b2 sebagai berikut:
(346,93)(155,8) − (170,87)(236,4)
b1= = 1,048
(121,73)(346,93) − (170,87)2
(121,73)(236,4) − (170,87)(155,8)
b2 = = 0,165
(121,73)(346,93) − (170,87)2
a = 78,6 − (1,048x40,47) − (0,165x46,73) = 28,477
Dibandingkan dengan perhitungan menggunakan rumus panjang,
tampak adanya perbedaan hasil yang praktis dapat diabaikan (sangat
kecil perbedaannya, karena adanya pembulatan). Persamaan garis
regesinya:
Ŷ = 28,477 + 1,048X1 + 0,165X2
(5) Koefisien Korelasi dan Koefisien Determinasi Berganda
Setelah diperoleh koefisien arah regresi, dilanjutkan dengan

menghitung koefisien korelasi berganda untuk 2 prediktor, dengan
rumus berikut:
104
ISBN : 978-623-315-269-3
b1  x1 y + b2  x2 y
Ry (1,2) =
y 2
= (1,048 *155,8) + (0,165 * 236,4) = 0,860

273,6
Sedangkan koefisien determinasi (R2) = 0,740. Ini artinya

bahwa sebesar 74,00% kinerja guru dapat dijelaskan oleh variabel
supervisi kepala sekolah dan kompensasi.
(6) Uji Parsial ( Uji t )

Untuk menyelesaikan uji parsial dalam hal ini uji t, perlu
dibuatkan tabel penolong agar mudah diketahui jumlah kuadrat galat
(sum squares error/SSE). Hal ini karena secara matematis bahwa uji t
pada regresi linear berganda adalah sebagai berikut:
𝑏i
𝑡ℎi𝑡 = 𝑆𝑏i dimana i = 1, 2, ….dst.
Tabel 10.9 Penolong untuk Mencari Jumlah Kuadrat Galat/SSE

2 2
X1 X2 Y X1 X2 Ŷ [Y - Ŷ] [Y - Ŷ]2 [Ŷ - Ῡ] [Ŷ - Ῡ]2
44 55 85 1936 3025 83.66 1.34 1.79 5.06 25.63
42 45 80 1764 2025 79.92 0.08 0.01 1.32 1.73
40 50 78 1600 2500 78.65 -0.65 0.42 0.05 0.00
46 54 80 2116 2916 85.59 -5.59 31.29 6.99 48.92
105
ISBN : 978-623-315-269-3
38 42 75 1444 1764 75.23 -0.23 0.05 -3.37 11.36
36 40 70 1296 1600 72.80 -2.80 7.86 -5.80 33.59
40 45 80 1600 2025 77.82 2.18 4.75 -0.78 0.61
38 42 78 1444 1764 75.23 2.77 7.67 -3.37 11.36
42 44 80 1764 1936 79.75 0.25 0.06 1.15 1.33
42 50 82 1764 2500 80.74 1.26 1.58 2.14 4.59
44 54 85 1936 2916 83.50 1.50 2.26 4.90 23.99
38 44 76 1444 1936 75.56 0.44 0.19 -3.04 9.24
41 44 80 1681 1936 78.70 1.30 1.68 0.10 0.01
36 42 70 1296 1764 73.13 -3.13 9.82 -5.47 29.88
40 50 80 1600 2500 78.65 1.35 1.83 0.05 0.00
71.27 202.24
Berdasarkan tabel di atas, dapat diketahui jumlah kuadrat galat

(sum squares of error/SSE) sebesar 71,27. Sementara jumlah kuadrat
regresi (sum squares of regression/SSR) = 202,24. Selanjutnya mencari
koefisien determinasi untuk ( 𝑟K1.K22 );
𝑛.∑ K1K2− (∑ K1).(∑ K2)

𝑟K1.K2 =
√{𝑛.∑ K12− (∑ K1)2}√{𝑛.∑ K22− (∑ K2)2}
15.(28538)−(607)(701)
𝑟K1.K2 = = 0,831
√*15.(24685)−(607)2 +√*15.(33107)−(701)2 +
maka 𝑟X1X22 = (0,831)2 = 0,690

Sehingga dapat dicari standard error-nya atau dilambangkan dengan Sbi
yaitu:
1) Untuk Sb1
106
ISBN : 978-623-315-269-3
𝑆Y.X1.X2
Sb1 =
√{(∑K − 𝑛.K2 )(1− 𝑟X1.X2 2)}
2
1 1
𝑆𝑆𝐸 71,27
dimana, 𝑆F.K1.K2 = √ =√ = 2,437
*𝑛−(𝑘+1)+ *15−(2+1)+
𝑆Y.X1.X2
maka, Sb1 =
√{(∑K12 − 𝑛.K21)(1− 𝑟X1.X2 2)}
2,437
Sb1=
√*(24685− 15.(1637,82)(1−0,690 )+
2,437
Sb1 =
√*(24685− 24567,31)(0,310 )+
2,437
Sb1 = = 0,403
6,040
2) Untuk Sb2
𝑆Y.X1.X2
Sb2 =
√{(∑K22 − 𝑛.K22)(1− 𝑟 X1.X2 2)}
2,437
Sb2 =
√*(33107− 15.(2183,69)(1−0,690 )+
2,437
Sb2 =
√*(33107− 32755,39)(0,310 )+
2,437
Sb2 = = 0,233
10,440
107
ISBN : 978-623-315-269-3
Hipotesis I
H0: Tidak terdapat pengaruh signifikan supervisi kepala sekolah (X1)
terhadap kinerja guru (Y)
Ha: Terdapat pengaruh signifikan supervisi kepala sekolah (X1) terhadap
kinerja guru (Y)
Dengan Sig. α = 5%/2 = 0,025, df = (n –1)= (15 –1) = 14, maka

diperoleh t tabel = 2,145
𝑏1 1,048
𝑡ℎi𝑡 = 𝑆𝑏1 = = 2,600
0,403
Karena 𝑡ℎi𝑡 > 𝑡𝑡𝑎𝑏 (2,600 > 2,145 ), maka keputusannya H0

ditolak dan Ha diterima. Hal ini bermakna bahwa supervisi kepala
sekolah (X1) berpengaruh positif dan signifikan terhadap kinerja guru
(Y).
Hipotesis II
H0: Tidak terdapat pengaruh signifikan kompensasi (X2) terhadap kinerja
guru (Y)
Ha: Terdapat pengaruh signifikan kompensasi (X2) terhadap kinerja guru
(Y)
Dengan Sig. α = 5%/2 = 0,025, df = (n –1)= (15 –1) = 14, maka

diperoleh t tabel = 2,145
108
ISBN : 978-623-315-269-3
𝑏2 0,165
𝑡ℎi𝑡 = 𝑆𝑏2 = = 0,708
0,233
Karena 𝑡ℎi𝑡 < 𝑡𝑡𝑎𝑏 (0,708 < 2,145 ), maka keputusannya H0

diterima, atau Ha ditolak. Hal ini memberi arti bahwa kompensasi (X2)
berpengaruh positif tetapi tidak signifikan terhadap kinerja guru (Y).
(7) Uji Signifikansi (Keberartian) Regresi/Uji Simultan

Untuk Uji signifikansi regresi, menggunakan uji F regresi:
JK (reg ) / k
F= = RJK reg/RJK sisa
JK (sisa) /(n − k −1)
JK Reg (SS Reg) = b1  x1 y + b2  x2 y = (1,048)(155,8)+(0,165)(236,4)

= 202,28
JK Total (SS Total) = ∑y2 = 273,60
JK Sisa (SS Residual) = JK Total = ∑y2 – JK Reg = 273,6 – 202,28 = 71,32
df reg = k (predictor = 2)
RJK Reg (MS Reg) = JK Reg/df reg = 202,28 : 2 = 101,14
dk sisa (df residual) = n – k – 1 = 15-2-1 = 12
RJK Sisa ( MS Residual) = JK Sisa ( SS Residual)/df residual = 71,32 : 12
= 5,94
F Reg = RJK Reg (MS Reg)/RJK Sisa (MS Residual) = 101,14 : 5,94 =
17,02
109
ISBN : 978-623-315-269-3
Tabel 10.10 Ringkasan Anava untuk Menguji Keberartian Regresi
(Uji Simultan atau Uji F )
Sumber F tabel
JK dk RJK F hitung
Variasi α = 0,05 α = 0,01
Regresi 202,28 2 101,14 17,02 3,89 6,93
Sisa 71,32 12 5,94 - - -
Total 273,60 14 - - - -
Harga F hitung selanjutnya dikonsultasikan dengan F tabel

dengan derajat kebebasan (dk) pembilang = 2 dan dk penyebut = 12
untuk taraf signifikansi 5%, diperoleh 𝐹𝑡𝑎𝑏𝑒𝑙 = 3,89 dan untuk taraf
signifikansi 1% = 6,93. Dengan demikian, harga 𝐹ℎi𝑡𝑢𝑛g = 17,02 >
daripada harga 𝐹𝑡𝑎𝑏𝑒𝑙 pada toleransi α 5% = 3,89; sehingga hipotesis
nol (𝐻0) ditolak dan hipotesis alternatif (𝐻𝑎) diterima. Ini berarti
bahwa koefisien regresi ganda yang diperoleh adalah memberikan
kontribusi yang bermakna/berarti.
Setelah diketahui harga R bermakna, maka dapat
disimpulkan bahwa sebesar 74,00% variasi yang terjadi pada kinerja
guru (Y) dapat dijelaskan oleh variabel supervisi kepala sekolah (X1)
dan kompensasi (X2) melalui persamaan regresi Ŷ = 28,477 +
1,084X1 + 0,165X2.
110
ISBN : 978-623-315-269-3
H. Latihan Soal
Sebanyak 40 siswa kelas X IPS SMA di Pasar Rebo yang dijadikan
sampel, diperoleh skor Efikasi Diri (X) dan Hasil Belajar Ekonomi (Y)
sebagai berikut :
Efikasi Hasil Efikasi Hasil

Respond. Respond.
Diri(X) Belajar(Y) Diri(X) Belajar(Y)
1 65 85 21 50 72
2 50 70 22 45 67
3 55 78 23 65 86
4 65 90 24 55 76
5 55 76 25 58 78
6 70 85 26 65 85
7 65 86 27 60 80
8 70 98 28 55 76
9 55 80 29 70 95
10 70 95 30 60 80
11 45 65 31 65 86
12 62 82 32 58 78
13 65 88 33 45 65
14 56 82 34 70 94
15 55 80 35 55 75
16 70 92 36 56 78
17 65 90 37 60 82
18 70 92 38 65 86
19 58 80 39 60 80
20 60 82 40 58 80
Tentukan:
a) Korelasi/hubungan antara Efikasi Diri (X) dengan Hasil Belajar

Ekonomi (Y) !
b) Koefisien Determinasi !
c) Persamaan Regresi Linearnya !
d) Uji signifikansi dengan uji t menggunakan sig. 95% !
111
ISBN : 978-623-315-269-3
114
ISBN : 978-623-315-269-3

Draft Buku Ajar Statistik Pendidikan

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Draft Buku Ajar Statistik Pendidikan

Diunggah oleh

Hak Cipta:

Format Tersedia

DRAFT BUKU AJAR STATISTIK PENDIDIKAN MILIK

AGUS ABDILLAH. HAK CIPTA DILINDUNGI

PENGERTIAN & JENISNYA

dari probabilitas berkisar antara 0 sampai dengan 1. Jika semakin dekat

Selanjutnya, istilah distribusi probabilitas adalah penyusunan

C. Jenis-jenis Distribusi Probabilitas

P(X = x) =   p x (1 − p) n − x dimana, x = 0, 1, 2, 3, ... , n

Permasalahan ini juga dapat dikerjakan dengan memakai tabel

2. Distribusi Probabilitas Multinomial

Dimana, x1+x2+x3..........xk= n dan p1+p2+p3...... pk= 1

3. Distribusi Probabilitas Poisson

Rumus probabilitasnya adalah:

2) P(X  4) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4)

4. Distribusi Probabilitas Normal

Probability Density Function untuk X tersebut adalah:

Untuk menghitung nilai probabilitas variabel acak X yang

Agar penggunaannya mudah dan cepat, maka dilakukan

Z disebut juga sebagai angka baku yang juga berdistribusi

Untuk keperluan praktis, nilai-nilai probabilitas variabel acak Z

Menyelesaikan integral ini juga masih sulit. Agar mudah

Contoh Penggunaan Tabel Z

(b) P(−1.65  Z  1.65) = P(− 1.65  Z  0) + P(0  Z  1.65)

(c) P(−1.75  Z  − 0.45) = P(− 1.75  Z  0) − P(− 0.45  Z  0)

2) Tentukanlah nilai z* bila diketahui nilai probabilitasnya sebagai

= P(0  Z  z*) = 0.4250 → z* = 1.44

(c) P(Z  z*) = P(Z  0) − P(0  Z  z*) = 0.2115

3) Sebanyak 700 mahasiswa Prodi Pendidikan Ekonomi – Unindra

(b) P(X  60) ?

(c) P(X = Xmin) = 0.2 → Xmin = ?

5. Pendekatan Distribusi Binomial ke Distribusi Normal

Normal dengan rata-rata x = np dan standar deviasi x = np(1− p) .

Mengingat nilai variabel acak X adalah diskrit dan berdistribusi

(b)  = np →  = 10(0,5) = 5 dan  = 10(0,5)(0,5) = 1,5811

3. Diketahui tinggi badan anggota Paskibra berdistribusi Normal

4. Berdasarkan hasil survey oleh petugas Kartu Jakarta Pintar (KJP),

PENGERTIAN & JENISNYA

B. JENIS DISTRIBUSI SAMPLING

dan simpangan baku rata-rata (𝜎𝑥 ) . Rata-rata dari distribusi rata-

2) Untuk Populasi tidak terbatas,

Dengan sampling tanpa pengembalian, maka banyaknya

Kombinasi kemungkinan hasil sampel

Distribusi Rata-rata sampel dengan n = 2

Berdasarkan tabel ilustrasi di atas maka,

atau 𝜎 = 𝜎 . √𝑁−𝑛 = 2,5 . √4−2 = √5

Pengambilan sampel dari populasi tak terbatas dibedakan

Diket :  = 20.000  = 1.800 n = 81 N = 5000

(𝑥− 𝜇) (19.600− 20.000)

Sehingga probabilitasnya, P( 𝑥 < 19.600) = 0,5 – 0.0228 = 0,4772

2) Untuk sampel besar ( n ≥ 30 )

Oleh karena itu dapat dirumuskan distribusi proporsi sampel

Diket : 𝜇𝑝 = p = 15% = 0,15 q = 1 – p = 0,85 n = 100

Ditanya : P ( 𝑝 > 0,2) ?

(𝑝− 𝜇𝑝) 𝑝−𝑝 0,20−0,15

3. Distribusi Beda Dua Rata-rata Sampel

(𝑥 ,−𝑥 ,)–(µ, − µ,)

Diket. : µ, = µx, = 165 cm, µ, = µx, = 160 cm,

Sehingga probabilitasnya, P( 𝑥, – 𝑥, > 4) = 0,5 + 0,4505 = 0,9505

4. Distribusi Beda Dua Proporsi Sampel

Diket : p₁ = 0,2 p₂ = 0,12 n₁ = 37 n₂ = 32

Jawab : 𝜇𝑝,−𝑝, = 0,2 – 0,12= 0,08

Luas 𝑍1= 0 = 0,4319 Luas 𝑍2= 0 = 0,1331 sehingga 𝑍1- 𝑍2=

1. Selama satu pekan, kasir (petugas loket pembayaran) Unindra

3. Rata-rata biaya per SKS di Universitas A adalah Rp.100.000,-

4. Perusahaan Multi Nasional menerima 80 pelamar dari lulusan S1

= P(0  Z  z) = 0.4250 → z = 1.44

(c) P(Z  z) = P(Z  0) − P(0  Z  z) = 0.2115