Untitled

METODE STATISTIKA
PENELITIAN
Penulis:
I Putu Ade Andre Payadnya, S.Pd., M.Pd.
Haura Utama
KATA PENGANTAR
Puji syukur penulis panjatkan kehadapan Ida Sang Hyang

Metode Statistika Penelitian Widhi Wasa/Tuhan Yang Maha Esa karena berkat Asung Kertha
Penulis: I Putu Ade Andre Payadnya, S.Pd., M.Pd. Waranugraha-Nya lah penulis dapat menyelesaikan buku ajar
“Metode Statistika Penelitian” ini dengan baik.
ISBN: 978-623-5630-96-0
Buku ini merupakan buku ajar Mata Kuliah Metode
Editor Layout: Zulfa
Cover: Nita Statistika ataupun Statistika Penelitian untuk mahasiswa
Program Studi Pendidikan Matematika maupun lainnya. Buku
Diterbitkan oleh:
ini memuat teori-teori dasar mengenai konsep statistika yang
digunakan dalam penelitian pendidikan matematika. Beberapa
konsep yang dibahas adalah: Konsep Dasar Statistika Penelitian,
Haura Utama Uji Normalitas Data, Uji Homogenitas Data, dan Uji Hipotesis.
Anggota IKAPI Nomor 375/JBA/2020
Nagrak Jl. Taman Bahagia, Benteng, Warudoyong, Sukabumi Buku ini penulis susun untuk memenuhi kebutuhan akan
WA +62877-8193-0045, Email: haurautama@gmail.com sumber belajar yang lengkap bagi mahasiswa didikan penulis.
Cetakan pertama, Maret 2022
Buku ini bertujuan mendidik calon-calon pendidik matematika
Sukabumi, Haura Utama 2022 agar memiliki pemahaman dan kemampuan mengenai statistika
14x20 cm, x + 168 hlm penelitian. Penulis berharap melalui buku ini para calon
Hak cipta dilindungi undang-undang pendidik matematika mampu melakukan penelitian dan
All right reserved menganalisis hasil penelitian yang dilakukan dengan baik dan
Dilarang memperbanyak karya tulis ini dalam bentuk benar.
dan dengan cara apapun tanpa izin tertulis dari penerbit
Demikian yang dapat penulis sampaikan. Penulis berharap
Isi di luar tanggung jawab percetakan banyak buku ini dapat diterima dan bermanfaat bagi orang
banyak.
Denpasar, Maret 2022
I Putu Ade Andre Payadnya
Metode Statistika Penelitian iii

iii
DAFTAR ISI 5.3 Ukuran Penyebaran Data ................................. 52
BAB VI UJI NORMALITAS DATA ................................. 60
KATA PENGANTAR ............................................................ iii 6.1 Pengertian Normalitas Data............................. 60
DAFTAR ISI ........................................................................... iv 6.2 Uji Normalitas Data......................................... 60
DAFTAR TABEL .................................................................. vi BAB VII HOMOGENITAS DATA ..................................... 76
DAFTAR GAMBAR .............................................................. ix 7.1 Pengertian Homogenitas Data ......................... 76
BAB I KONSEP DASAR STATISTIKA PENELITIAN 1 7.2 Uji Homogenitas dengan Perhitungan Manual 76
1.1 Pengertian Statistik dan Statistika ..................... 1 BAB VIII UJI HIPOTESIS .................................................. 85
BAB II PENGERTIAN DATA DAN VARIABEL ........... 5 8.1 Uji Hipotesis dengan t-test .............................. 85
2.1 Pengertian Data ................................................. 5 8.2 Analisis Varians (ANAVA) .......................... 102
2.2 Jenis-jenis Data.................................................. 5 8.3 Analisis Regresi ............................................. 137
2.3 Pengertian Variabel ......................................... 10 8.4 Analisis Korelasi ........................................... 151
BAB III POPULASI DAN SAMPEL................................. 12 DAFTAR PUSTAKA .......................................................... 164
3.1 Pengertian Populasi ......................................... 12 TENTANG PENULIS......................................................... 167
3.2 Jenis Populasi .................................................. 14
3.3 Pengertian Sampel ........................................... 15
3.4 Teknik Sampling ............................................. 18
BAB IV PENYAJIAN DATA ............................................. 25
4.1 Penyajian Data dalam Bentuk Tabel Statistik . 26
4.2 Penyajian Data dengan Metode Grafik ........... 28
BAB V UKURAN PEMUSATAN, UKURAN LETAK,
DAN UKURAN PENYEBARAN DATA ............ 43
5.1 Ukuran Pemusatan Data .................................. 43
5.2 Ukuran Letak Data .......................................... 50
iv
iv Metode Statistika Penelitian Metode Statistika Penelitian vv
DAFTAR TABEL Tabel 6.4 Perhitungan Rata-rata dan Simpangan Baku............... 67
Tabel 6.5 Tabel Bantu ................................................................. 68
Tabel 4.1 Ekspor Ikan Indonesia................................................. 26 Tabel 6.6 Tabel Kerja Uji Normalitas Liliefors .......................... 73
Tabel 4.2 (Tabel Klasifikasi Dua Arah) Peningkatan Permintaan Tabel 7.1 Tabel Bantu ................................................................. 77
Beberapa Komoditas Holtikultura 1993-1997 ............ 27
Tabel 7.2 Tabel Kerja.................................................................. 81
Tabel 4.3 (Tabel klasifikasi tiga arah) Pertumbuhan Sektor
Tabel 7.3 Tabel Kerja Uji Barlet ................................................. 82
Industri dan Jasa Beberapa Negara Asia ..................... 27
Tabel 7.4 Tabel Rangkuman Kerja Uji Barlet ............................ 83
Tabel 4.4 Biaya Marginal dan Output dari Suatu Proses Produksi
.................................................................................... 34 Tabel 8.1 Tabel Bantu Uji-t ........................................................ 87
Tabel 4.5 Gross National Product (GNP) Beberapa Negara Asia Tabel 8.3 Tabel Bantu Uji-t ....................................................... 97
Tahun 1993-1994 ........................................................ 36 Tabel 8.4 Skor Siswa .................................................................. 99
Tabel 4.6 Pengeluaran PT. FIKTIF Tahun 2001......................... 39 Tabel 8.5 Tabel Bantu Uji-t ........................................................ 99
Tabel 4.7 Penerimaan Tenaga Buruh PT. FIKTIF ...................... 41 Tabel 8.6 Tabel Bantu Uji Anava Satu Jalur............................. 107
Tabel 5.1 Perhitungan Rata-rata Hitung...................................... 46 Tabel 8.8 Skor Siswa pada Tiga Metode Pembelajaran ............ 110
Tabel 5.2 Perhitungan Modus ..................................................... 47 Tabel 8.9 Tabel Bantu Uji Anava Satu Jalur............................. 111
Tabel 5.3 Perhitungan Median .................................................... 49 Tabel 8.10 Tabulasi Ragam Anava Satu Arah ............................ 113
Tabel 5.4 Contoh Data ................................................................ 51 Tabel 8.11 Skor Siswa di Tiga Metode Pembelajaran ................ 115
Tabel 5.5 Data Mengenai Umur & Pendapatan 5 Orang Karyawan Tabel 8.12 Tabel Penolong ......................................................... 116
.................................................................................... 54
Tabel 8.13 Tabulasi Ragam Anava Satu Arah ............................ 118
Tabel 5.6 Perhitungan Simpangan Rata-rata ............................... 56
Tabel 8.14 Desain Anava Dua Jalur............................................ 119
Tabel 5.3 Perhitungan Varians & Simpangan Baku ................... 57
Tabel 8.15 Ringkasan Uji Anava Dua Jalur ................................ 125
Tabel 6.1 Tabel Distribusi Frekuensi Uji Normalitas ................. 63
Tabel 8.16 Skor Dasar Manajemen dengan Keterampilan
Tabel 6.2 Tabel Bantu ................................................................. 64 Manajerial ................................................................. 141
Tabel 6.3 Populasi dari Tinggi Badan Mahasiswa di Suatu Tabel 8.17 Tabel Bantu Analisis Regresi .................................... 142
Perguruan Tinggi Tahun 2010 .................................... 66
Tabel 8.18 Tabel Belanja Statistika ............................................ 142
vi
vi Metode Statistika Penelitian Metode Statistika Penelitian vii
vii
Tabel 8.19 Tabel Rangkuman Analisis Regresi .......................... 145 DAFTAR GAMBAR
Tabel 8.20 Data Kasus ................................................................ 147
Tabel 8.21 Tabel Pembantu ....................................................... 148 Gambar 3.1 Jenis-Jenis Teknik Sampling .................................... 19
Tabel 8.22 Penggunaan Tehnik Korelasi .................................... 153 Gambar 4.1 Pertumbuhan Sektor Jasa negara China 1990-1995 . 29
Tabel 8.23 Contoh Data .............................................................. 154 Gambar 4.2 Pertumbuhan Sektor Jasa Indonesia dan China, 1990-
1995 .......................................................................... 30
Tabel 8.24 Contoh Data .............................................................. 156
Gambar 4.3 Pertumbuhan Sektor Jasa Indonesia 1990-1995 ...........
Tabel 8.25 Tabel Pembantu Perhitungan .................................... 157
.................................................................................. 31
Gambar 4.4 Pertumbuhan Sektor Jasa Indonesia, 1990-1995 ..........
.................................................................................. 32
Gambar 4.5 Tehnik Pemotongan Sumbu ..................................... 33
Gambar 4.7 Kurva Biaya Marjinal Dan Output Suatu Proses
Produksi .................................................................... 35
Gambar 4.8 GNP Beberapa Negara Asia ..................................... 37
Gambar 4.9 Pertumbuhan Sector Industri Dan Jasa Beberapa
Negara Asia Tahun 1995 .......................................... 38
Gambar 4.10 Pengeluaran PT. Fiktif tahun 2001 ........................... 40
Gambar 4.11 Penerimaan Tenaga Buruh PT. Fiktif tahun 1999 –
2001 .......................................................................... 41
Gambar 8.1 Daerah Penerimaan H0 Pihak Kiri ............................ 88
Gambar 8.2 Daerah Penerimaan H0 Pihak Kanan ........................ 90
Gambar 8.3 Daerah Penerimaan H0 Dua Arah ............................. 91
viii
viii Metode Statistika Penelitian Metode Statistika Penelitian ix
ix
BAB I
KONSEP DASAR STATISTIKA PENELITIAN
1.1 Pengertian Statistik dan Statistika

1) Pengertian Statistik
Statistik adalah kumpulan angka yang sering disusun,
diatur, atau disajikan ke dalam bentuk daftar/tabel, sering
pula daftar atau tabel tersebut disertai dengan gambar-
gambar yang biasa disebut diagram atau grafik. Data yang
diperoleh itu dapat berupa bilangan yang melukiskan suatu
persoalan.
Somantri (2006) menyatakan statistik diartikan sebagai
kumpulan fakta yang berbentuk angka-angka yang disusun
dalam bentuk daftar atau tabel yang menggambarkan suatu
persoalan. Pengertian ini sejalan dengan pendapat dari
Gasperz (1998), yang menyatakan bahwa kata statistik telah
dipakai untuk menyatakan kumpulan fakta, umumnya
berbentuk angka yang disusun dalam tabel dan atau
diagram, yang menggambarkan suatu persoalan. Pasaribu
(1975) mengatakan ada tiga pengertian statistik. Pengertian
pertama “Statistik merupakan seonggokan atau sekumpulan
angka-angka yang menerangkan sesuatu, baik yang sudah
tersusun di dalam daftar yang teratur atau grafik maupun
belum.”
Pengertian kedua “Statistik adalah kumpulan dari cara-
cara dan aturan-aturan mengenai pengumpulan data
(keterangan mengenai sesuatu), penganalisisan, dan
interpretasi data yang berbentuk angka-angka.” Pengertian
xx Metode Statistika Penelitian Metode Statistika Penelitian 1

1
ketiga “statistik adalah bilangan-bilangan yang Gasperz (1998) juga menyatakan bahwa “statistika
menerangkan sifat (characteristic) dari sekumpulan data adalah ilmu pengetahuan yang berhubungan dengan cara-
(pengamatan).” Sedangkan, menurut Furqon (1999), istilah cara pengumpulan data, pengolahan serta
statistik digunakan untuk menunjukkan ukuran-ukuran, penganalisisannya, penarikan kesimpulan serta pembuatan
angka, grafik, atau tabel sebagai hasil dari statistika. Istilah keputusan yang cukup beralasan berdasarkan fakta yang
statistik juga digunakan untuk menunjukkan ukuran-ukuran ada.” Somantri (2006) juga menyatakan hal yang sama
yang langsung diperoleh dari data sampel untuk menaksir bahwa “statistika dapat diartikan sebagai ilmu pengetahuan
parameter populasinya. Berdasarkan beberapa pengertian yang mempelajari tentang bagaimana cara kita
statistik tersebut, dapat kami simpulkan bahwa statistik mengumpulkan, mengolah, menganalisis, dan
memiliki dua pengertian. Dalam arti sempit, statistik adalah menginterpetasikan data sehingga dapat disajikan lebih
kumpulan fakta yang berbentuk angka-angka (baik baik”. Jadi statistika adalah ilmu pengetahuan yang
disajikan dalam bentuk tabel maupun tidak) yang mempelajari tentang cara dan aturan pengumpulan,
menggambarkan suatu persoalan. Dalam arti luas, statistik pengolahan, penganalisisan, penarikan kesimpulan, dan
adalah kumpulan cara dan aturan mengenai pengumpulan, pengambilan keputusan berdasarkan data dan analisis yang
pengolahan, penyajian, penganalisaan, dan interpretasi data dilakukan.
untuk mengambil kesimpulan.
2) Pengertian Statistika 3) Pengertian Statistika Deskriptif Statistik Deduktif)
Statistika adalah pengetahuan yang berhubungan Metode statistika digolongkan menjadi dua, yaitu
dengan cara-cara pengumpulan data, pengolahan atau metode statistika deskriptif dan metode statistika inferensia.
penganalisaannya dan penarikan kesimpulan atau Berikut adalah ruang lingkup statistika deskriptif menurut
interprestasi terhadap hasil analisis kumpulan data tersebut. beberapa ahli. Somantri (2006) berpendapat bahwa
Statistika adalah bagian dari matematika yang secara statistika deskriptif membahas cara-cara pengumpulan data,
khusus membicarakan cara-cara pengumpulan, analisis, dan penyederhanaan angka-angka pengamatan yang diperoleh
penafsiran data. Dengan kata lain, istilah statistika di sini (meringkas dan menyajikan), serta melakukan pengukuran
digunakan untuk menunjukkan tubuh pengetahuan (body of pemusatan dan penyebaran data untuk memperoleh
knowledge) tentang cara-cara penarikan sampel informasi yang lebih menarik, berguna, dan mudah
(pengumpulan data), serta analisis dan penafsiran data. dipahami.
Furqon (1999:3) menyatakan bahwa statistika
deskriptif bertugas hanya untuk memperoleh gambaran
2
2 Metode Statistika Penelitian Metode Statistika Penelitian 3
3
(description) atau ukuran-ukuran tentang data yang ada di BAB II
tangan. Pasaribu (1975) mengemukakan bahwa statistika PENGERTIAN DATA DAN VARIABEL
deskriptif ialah bagian dari statistik yang membicarakan
mengenai penyusunan data ke dalam daftar-daftar atau 2.1 Pengertian Data
jadwal, pembuatan grafik-grafik, dan lain-lain yang sama
sekali tidak menyangkut penarikan kesimpulan. Pasaribu (1975) mengemukan data adalah keterangan
mengenai sesuatu, keterangan yang mungkin berbentuk angka-
Jadi, statistika deskriptif adalah statistik yang angka (bilangan) dan mungkin juga tidak. Menurut Gasperz
membahas mengenai pengumpulan, pengolahan, penyajian,
(1989), data adalah keterangan yang dapat memberikan
serta penghitungan nilai-nilai dari suatu data yang
gambaran tentang suatu keadaan atau masalah.
digambarkan dalam tabel atau diagram dan tidak
menyangkut penarikan kesimpulan. Menurut Somantri (2006), data merupakan sejumlah
informasi yang dapat memberikan gambaran tentang suatu
4) Pengertian Statistika Inferensia (Statistik Induktif)
keadaan atau masalah, baik yang berbentuk angka maupun yang
Somantri (2006) menyatakan bahwa statistika berbentuk kategori. Sedangkan, menurut Subana, dkk (2000),
inferensia membahas mengenai cara menganalisis data serta data adalah sejumlah informasi yang dapat memberikan
mengambil keputusan (berkaitan dengan estimasi parameter gambaran tentang suatu keadaan atau masalah, baik yang berupa
dan pengujian hipotesis. Menurut Sudijono (2008), angka-angka (golongan) maupun yang berbentuk kategori,
statistika inferensial adalah statistik yang menyediakan seperti; baik, buruk, tinggi, rendah dan sebagainya. Jadi, data
aturan atau cara yang dapat dipergunakan sebagai alat adalah suatu keterangan atau informasi berbentuk kualitatif dan
dalam rangka mencoba menarik kesimpulan yang bersifat atau berbentuk kuantitas yang merupakan hasil observasi,
umum, dari sekumpulan data yang telah disusun dan diolah. penghitungan, dan pengukuran dari suatu variabel yang
menggambarkan suatu masalah.
Subana, dkk (2000) mengemukakan statistika
inferensial adalah statistika yang berhubungan dengan 2.2 Jenis-jenis Data
penarikan kesimpulan yang bersifat umum dari data yang
a. Berdasarkan sifatnya
telah disusun dan diolah. Jadi, statistika inferensial adalah
statistik yang mempelajari tentang bagaimana pengambilan 1) Data kualitatif
keputusan dilakukan. Data yang tidak berbentuk angka (bilangan).
Contoh: penjualan merosot, mutu barang naik,
karyawan resah, harga daging naik, dan sebagainya.
4
5
2) Data kuantitatif Contoh: biro pusat statistik mengumpulkan harga
sembilan bahan pokok langsung mendatangi pasar
Data yang berbentuk angka (bilangan).
kemudian mengolahnya.
Contoh: produksi 100 unit/hari, omzet penjualan
2) Data sekunder
naik 20%, jumlah karyawan 1.000 orang, dan
sebagainya. Data sekunder adalah data yang diperoleh suatu
Berdasarkan nilainya, data kuantitatif dibagi lagi organisasi atau perusahaan dalam bentuk yang sudah
jadi dari pihak lain.
menjadi:
a) Data diskrit Contoh: perusahaan memperoleh data penduduk,
data pendapatan nasional, indeks harga konsumen, dan
Data diskrit bersifat terkotak-kotak, yaitu daya beli masyarakat dari Badan Pusat Statistik (BPS).
tidak dikonsepsikan adanya nilai-nilai di antara
data (bilangan) yang satu dengan data (bilangan) c. Berdasarkan sumbernya
lain yang terdekat (tidak ada angka desimal). 1) Data internal
Contoh: jumlah karyawan 1.000 orang, Data internal ialah data yang menggambarkan
penjualan 500 unit, dan sebagainya. keadaan dalam suatu organisasi. Misalnya data internal
b) Data kontinu perusahaan yang meliputi data pegawai, data keuangan,
data peralatan, data produksi, data pemasaran, dan data
Berbeda dengan data diskrit, di antara dua data hasil penjualan. Pada dasarnya data internal meliputi
kontinu dikonsepsikan adanya sejumlah nilai data input dan data output suatu organisasi.
dengan jumlah yang tidak terhingga (terdapat
2) Data eksternal
angka desimal).
Contoh: tinggi badannya 165 cm, omzet Data eksternal ialah data yang menggambarkan
keadaan di luar organisasi. Misalnya data yang
penjualan naik 20%, dan sebagainya.
menggambarkan faktor-faktor yang memengaruhi
b. Berdasarkan cara memperolehnya perusahaan, seperti daya beli masyarakat, selera
1) Data primer masyarakat, saingan dari barang sejenis, perkembangan
harga, keadaan ekonomi, dan sebagainya.
Data primer adalah data yang dikumpulkan dan diolah
sendiri oleh individu, perusahaan, atau organisasi.
6
7
d. Berdasarkan cara penyusunannya atau skalanya ranking kesatu dengan ranking kedua mungkintidak
sama dengan perbedaan kemampuan antar-ranking
1) Data nominal
kedua dengan ranking ketiga.
Data nominal ialah data statistik yang memuat
3) Data interval
angka yang tidak mempunyai arti apa-apa. Angka yang
terdapat dalam data ini hanya merupakan tanda/simbol Data interval adalah data yang jarak antara yang
dari objek yang akan dianalisis. satu dan lainnya sama dan telah ditetapkan sebelumnya.
Data interval tidak memiliki titik nol dan titik
Contohnya data yang berkaitan dengan jenis
maksimum yang sebenarnya. Nilai nol dan titik
kelamin: laki-laki atau perempuan.
maksimum tidak mutlak.
Agar data tersebut dapat dianalisis dengan
menggunakan statistik, data tersebut harus diubah Misalnya jika suatu tes intelegensi menghasilkan
nilai yang berkisar antara 0 sampai 200, nilai nol bukan
menjadi angka, misalnya simbol laki-laki adalah angka
menunjukkan seseorang mempunyai kecerdasan yang
1 dan perempuan adalah angka 2.
minimal. Nilai nol hanya menunjukkan tempat paling
2) Data ordinal rendah dari prestasi pada tes tersebut dan nilai 200
Data ordinal adalah data statistik yang mempunyai menunjukkan tingkat tertinggi.
daya berjenjang, tetapi perbedaan antara angka yang 4) Data rasio
satu dan angka yang lainnya tidak konstan atau tidak
Data rasio adalah jenis data yang mempunyai
memiliki interval yang tetap. Contohnya hasil tes
matematika dalam suatu kelompok belajar adalah tingkatan tertinggi. Data ini selain mempunyai interval
yang sama, juga mempunyai nilai nol (0) mutlak.
sebagai berikut: Andri ranking ke-1; Budi ranking ke-
2; Chica ranking ke-3. Misalnya hasil pengukuran panjang, tinggi, dan berat.
Dalam data rasio nilai 0 betul-betul tidak mempunyai
Angka satu tersebut mempunyai nilai lebih tinggi nilai. Jadi, nol kilometer tidak mempunyai panjang dan
daripada angka dua maupun angka tiga, tetapi data ini nol kilogram tidak mempunyai berat. Dalam data rasio
tidak bisa menunjukkan perbedaan kemampuan antara terdapat skala yang menunjukkan kelipatan, misalnya
Andri, Budi, Chica secara pasti. Ranking satu tidak 20meter adalah 2×10 meter, 15 kg adalah 3 ×5 kg.
berarti mempunyai kemampuan dua kali lipat dari Contoh lain dari data rasio adalah luas, volume, dan
ranking dua maupun mempunyai kemampuan tiga kali sebagainya.
lipat dari ranking tiga. Perbedaan kemampuan antara
8
9
2.3 Pengertian Variabel Menurut Spiegel & Stephen (2004), suatu variabel yang
secara teoretis dapat menyandang nilai yang terletak di
1) Pengertian Variabel
antara dua buah nilai tertentu disebut sebagai variabel
Somantri (2006) mengemukakan variabel adalah kontinu; jika tidak demikian, kita menyebutnya sebagai
karakteristik yang akan diobservasi dari satuan pengamatan. variabel diskrit. Furqon (1999) berpendapat bahwa ada
Menurut Spiegel & Stephen (2004), variabel adalah suatu beberapa peubah (variable) yang sangat penting dipahami,
simbol, seperti X, Y, H, atau B, yang bisa menyandang salah antara lain:
satu dari sekumpulan nilai yang telah ditetapkan
a. Peubah terikat (dependent variable), yaitu peubah yang
sebelumnya; kumpulan nilai itu disebut sebagai domain dari
dipengaruhi oleh peubah lain.
variabel tersebut. Jadi, variabel adalah suatu karakteristik
dari suatu objek yang nilainya untuk setiap objek bervariasi b. Peubah bebas (independent variabel), yaitu peubah
dan dapat diamati atau dihitung atau diukur. yang memengaruhi peubah lain.
2) Macam-Macam Variabel c. Peubah kontrol (control variabel), yaitu peubah yang
pengaruhnya kepada peubah terikat dikendalikan.
Somantri (2006) mengklasifikasikan variabel menjadi
dua yaitu: variabel kualitatif dan variabel kuantitatif. d. Peubah moderator (moderator variabel), yaitu peubah
Variabel kualitatif merupakan variabel kategori. Yang yang memengaruhi hubungan antara peubah bebas
termasuk variabel kualitatif adalah variabel nominal dan dengan peubah terikat.
variabel ordinal. Variabel kuantitatif diklasifikasikan
menjadi dua jenis, yaitu variabel diskrit dan variabel
kontinu. Variabel diskrit merupakan variabel yang
besarannya tidak dapat menempati semua nilai, nilai
variabel diskrit selalu berupa bilangan bulat dan umumnya
diperoleh dari hasil pencacahan. Variabel kontinu
merupakan variabel yang besarannya dapat menempati
semua nilai yang ada di antara dua titik dan umumnya
diperoleh dari hasil pengukuran sehingga pada variabel
kontinu dapat dijumpai nilai-nilai pecahan ataupun nilai-
nilai bulat.
10
11
BAB III apakah itu sekelompok orang, binatang, atau benda apa saja.
POPULASI DAN SAMPEL Populasi dalam penelitian dapat pula diartikan sebagai
keseluruhan unit analisis yang ciri-cirinya akan diduga.
3.1 Pengertian Populasi Populasi terdiri dari unsur sampling yaitu unsur/unsur yang
diambil sebagai sampel. Kerangka sampling (sampling frame)
Dalam statistika, populasi adalah sekumpulan data yang
adalah daftar semua unsur sampling dalam populasi sampling.
mempunyai karakteristik yang sama dan menjadi objek
inferensi. Unsur sampling ini diambil dengan menggunakan kerangka
sampling (sampling frame). Berdasarkan sifatnya, populasi
Statistika inferensi mendasarkan diri pada dua konsep dasar, dibagi menjadi dua, yaitu populasi homogen dan populasi
populasi sebagai keseluruhan data, baik nyata maupun imajiner, heterogen. Populasi homogen adalah sumber data yang unsurnya
dan sampel, sebagai bagian dari populasi yang digunakan untuk memiliki sifat yang sama dan tidak perlu mempersoalkan
melakukan inferensi (pendekatan/penggambaran) terhadap jumlahnya secara kuantitatif. Sedangkan populasi heterogen
populasi tempatnya berasal. Sampel dianggap mewakili yaitu Sumber data yang unsurnya memiliki sifat atau keadaan
populasi. Sampel yang diambil dari populasi satu tidak dapat yang berbeda (bervariasi) sehingga perlu ditetapkan batas-
dipakai untuk mewakili populasi yang lain. batasnya secara kualitatif dan kuantitatif.
Suatu sensus dilakukan untuk mendapatkan karakteristik Banyaknya pengamatan atau anggota suatu populasi disebut
populasi secara nyata. Karakteristik yang dimiliki oleh populasi ukuran populasi. Misalnya ada 600 siswa disekolah itu yang kita
dinamakan parameter. Bagi suatu karakteristik yang dimiliki golongkan menurut golongan darahnya, maka dikatakan kita
sampel (disebut statistik), nilai parameter adalah nilai mempunyai populasi berukuran 600. Bilangan-bilangan yang
harapannya (expected value). dituliskan pada sekuumpulan kartu, tinggi badan penduduk
Populasi adalah wilayah generalisasi yang terdiri atas disuatu tempat, dan panjang ikan disebuah daanau adalah contoh
obyek/subyek yang mempunyai kualitas dan karakteristik populasi terhingga. Percobaan pelemparan dadu yang
tertentu yang ditetapkan oleh peneliti untuk dipelajari dan disebutkan tadi termasuk contoh populasi takhingga.
kemudian ditarik kesimpulannya. Populasi merupakan Menentukan populasi dibantu oleh 4 faktor, yaitu: isi,
keseluruhan pengamatan yang menjadi perhatian kita. Diwaktu satuan, cakupan (scope), dan waktu. Contoh: Suatu penelitian
lampau,istilah “populasi” mengandung makna pengamatan yang tentang pendapatan keluarga petani di Kabupaten Gianyar
diperoleh dari penelitian statistik yang berhubungan dengan Tahun 2020, maka populasinya dapat ditetapkan dengan 4 faktor
orang banyak. Dimasa kini, statistikawan menggunakan istilah sebagai berikut.
itu bagi sembarang pengamatan yang menarikperhatian kita,
12
13
Isi : Semua keluarga petani Berdasarkan sifatnya populasi dapat digolongkan menjadi
populasi homogen dan populasi heterogen.
Satuan : Petani penggarap/pemilik tanah
Cakupan (scope) : Kabupaten Gianyar 1) Populasi Homogen
Populasi homogen adalah sumber data yang unsurnya
Waktu : Tahun 2020
memiliki sifat atau keadaan yang sama sehingga tidak perlu
3.2 Jenis Populasi mempermasalahkan jumlahnya secara kuantitatif.
Ada dua macam jenis populasi, yaitu populasi terbatas dan 2) Populasi Heterogen
populasi tidak terbatas (tak terhingga).
Populasi heterogen adalah sumber data yang unsurnya
1) Populasi Terbatas memiliki sifat atau keadaan yang berbeda (bervariasi)
Populasi terbatas mempunyai sumber data yang jelas sehingga perlu ditetapkan batas-batasnya baik secara
batasnya secara kuantitatif sehingga dapat dihitung kuantitatif maupun secara kualitatif. Dalam melaksanakan
jumlahnya. penelitian, walaupun tersedia populasi yang terbatas dan
homogen, ada kalanya peneliti tidak melakukan
Contoh:
pengumpulan data secara populasi. Tetapi mengambil
a. Jumlah penduduk kota Bandung 2.500.000 jiwa. sebagian dari populasi yang dianggap mewakili populasi
b. Jumlah 1000 guru SD di Yogyakarta mengikuti (representatif). Hal ini berdasar pertimbangan yang logis,
prajabatan. seperti kepraktisan, keterbatasan biaya, waktu, tenaga dan
adanya percobaan yang bersifat merusak (destruktif).
2) Populasi Tak Terbatas
Populasi tak terbatas yaitu sumber datanya tak dapat 3.3 Pengertian Sampel
ditentukan batas-batasnya sehingga relatif tidak dapat dapat
Sampel adalah bagian dari jumlah dan karakteristik yang
dinyatakan dalam bentuk jumlah. Contoh:
dimiliki oleh populasi. Sampel merukan himpunanbagian dari
Suatu percobaan seorang bandar akan melemparkan populasi. Sampel penelitian adalah sebagian dari populasi yang
sepasang dadu sampai tak terhingga kali lemparannya. diambil sebagai sumber data dan dapat mewakili seluruh
Maka setiap kali mencatat sepasang bilangan yang muncul populasi. Menurut Sugiyono, sampel adalah sebagian dari
akan mendapatkan sepasang nilai yang tak terhingga pula. karakteristik yang dimiliki oleh populasi.Keuntungan dalam
menggunakan sampel yaitu: memudahkan peneliti, penelitian
14
15
lebih efisien, lebih teliti dan cermat dalam pengumpulan data, b) Keterbatasan waktu penelitian, biaya, dan sumber daya
serta penelitian lebih efektif. manusia, membuat peneliti harus telah puas jika
meneliti sebagian dari elemen penelitian;
Sedangkan sampling adalah suatu proses memilih sebagian
dari unsur populasi yang jumlahnya mencukupi secara statistik c) bahkan kadang, penelitian yang dilakukan terhadap
sehingga dengan mempelajari sampel serta memahami sampel bisa lebih reliabel daripada terhadap populasi–
karakteristik-karakteristiknya (ciri-cirinya) akan diketahui misalnya, karena elemen sedemikian banyaknya maka
informasi tentang keadaan populasi. akan memunculkan kelelahan fisik dan mental para
pencacahnya sehingga banyak terjadi kekeliruan.
- Syarat sampel yang baik
(UmaSekaran, 1992);
a) Akurasi atau ketepatan
d) Jika elemen populasi homogen, penelitian terhadap
yaitu tingkat ketidakadaan “bias” (kekeliruan) seluruh elemen dalam populasi menjadi tidak masuk
dalam sample. Dengan kata lain makin sedikit tingkat akal, misalnya untuk meneliti kualitas jeruk dari satu
kekeliruan yang ada dalam sampel, makin akurat pohon jeruk.
sampel tersebut. Tolok ukur adanya “bias” atau
Sampel yang baik harus dapat mewakili keseluruhan
kekeliruan adalah populasi.
populasi dan hasil penelitian dapat diterapkan keseluruh
b) Presisi populasi. Misalnya saja, dalam usaha menetukan umur rata-rata
Kriteria kedua sampel yang baik adalah memiliki suatu lampu pijar tertentu, adalah tidak mungkin untuk menguji
tingkat presisi estimasi. Presisi mengacu pada semua lampu pijar kalau kita masih ingin menjualnya. Biaya
persoalan sedekat mana estimasi kita dengan yang lebih besar sering menjadi faktor penghalang untuk
karakteristik populasi. Presisi sama dengan standard mengamati semua anggota populasi. Oleh karena itu, kita
error, Nilai rata-rata populasi dikurangi nilai rata-rata terpaksa menggantungkan pada sebagian anggota populasi
sampel untuk membantu kita menarik kesimpulan mengenai populasi
tersebut.
- Alasan menggunakan sampel:
Teknik (metode) penentuan sampel yang ideal memiliki
a) Populasi demikian banyaknya sehingga dalam
ciri-ciri dapat memberikan gambaran yang akurat tentang
prakteknya tidak mungkin seluruh elemen diteliti;
populasi, dapat menentukan presisi, sederhana sehingga mudah
dilaksanakan, dan dapat memberikan keterangan sebanyak
mungkin dengan biaya murah.
16
17
Jumlah/Besar sampel perlu mempertimbangkan hal-hal sbb: maupun dari aspek karakteristik yang dimiliki populasi. Untuk
menentukan sampel dalam penelitian, terdapat berbagai teknik
a) Derajat keseragaman (degree of homogenity)
sampling yang digunakan. Apabila semua anggota populasi
b) Presisi yang dikehendaki dari penelitian dipilih menjadi anggota sampel, maka proses ini disebut sensus
c) Rencana analisis (sampel jenuh). Secara skematis, macam teknik sampling dapat
dilihat pada Gambar 3.1.
d) Tenaga, biaya dan waktu
Dari gambar tersebut terlihat bahwa teknik sampling pada
e) Besar populasi
dasarnya dikelompokkan menjadi dua yaitu Probability
Kalau kita menginginkan kesimpulan dari contoh terhadap sampling dan Nonprobability Sampling.
populasi menjadi sah, kita harus mendapatkan contoh yang
Teknik
mewakili. Prosedur pengambilan contoh yang menghasilkan Sampling
kesimpulan konsisten yang terlalu tinggi atau terlalu rendah
mengenai suatu ciri populasi dikatakan berbias. Untuk Probability Sampling Non Probability Sampling
menghilangkan kemungkinan bias ini, kita perlu mengambil

Sampling sistematis
Simple random sampling
contoh acak sederhana. Contoh acak sederhana adalah suatu
Sampling kuota
Proportionate stratified
contoh yang dipilih sedemikian rupa sehingga setiap himpunan random sampling Sampling Insidental
bagian yang berukuran n dari populasi tersebut mempunyai Disporpotionate stratified Purposive Sampling
peluang terpilih yang sama. Untuk populasi terhingga yang random sampling
Sampling jenuh
kecil, proses pengambilan contoh acak sederhana relatif mudah; Area (cluster) sampling
Snowball sampling
(sampling menurut daerah)
namun dengan semakin besarnya populasi, proses ini menjadi
semakin rumit.
Gambar 3.1 Jenis-Jenis Teknik Sampling
3.4 Teknik Sampling
1) Probability Sampling
Teknik pengambilan sampel atau teknik sampling adalah
Probability sampling adalah teknik pengambilan
suatu cara pengambilan sampel yang representatif dari populasi.
sampel yang memberikan peluang yang sama bagi setiap
Teknik sampling merupakan suatu cara untuk menentukan
unsure (anggota) populasi untuk dipilih menjadi anggota
banyaknya sampel dan pemilihan calon anggota sampel,
sampel.
sehingga setiap sampel yang terpilih dalam penelitian dapat
mewakili populasinya (representatif) baik dari aspek jumlah Jenis-jenis Probability sampling:
18
19
a) Simple Random Sampling d) Area sampling
Simple random sampling ialah cara pengambilan Area sampling ialah teknik sampling yang
sampel dari anggota populasi secara acak tanpa dilakukan dengan cara mengambil wakil dari setiap
memperhatikan strata (tingkatan) yang ada dalam wilayah atau daerah geografis yang ada. Teknik ini
anggota populasi tersebut. Hal ini dilakukan apabila digunakan untuk menentukan jumlah sampel jika
anggota populasi dianggap homogen (sejenis). sumber data sangat luas. Pengambilan sampel
Pengambilan sampel acak sederhana dapat dilakukan didasarkan daerah populasi yang telah ditetapkan.
dengan cara undian, memilih bilangan dari daftar
2) Non-Propability Sampling
bilangan secara acak, dsb.
Adalah teknik pengambilan sampel yang tidak
b) Proportionate Stratified Random Sampling
memberi peluang/kesempatan sama bagi setiap unsur atau
Proportionate Stratified Random Sampling ialah anggota populasi untuk dipilih menjadi sampel.
pengambilan sampel dari anggota populasi secara acak
Jenis-jenis Non-Probability Sampling:
dan berstrata secara proporsional. Dilakukan ini apabila
ada anggota populasi yang tidak sejenis (heterogen). a) Sampling Sistematis
Pengambilan sampel dilakukan secara acak dengan Sampling Sistematis adalah teknik pengambilan
memperhatikan strata yang ada. Artinya setiap strata sampel berdasarkan urutan dari anggota populasi yang
terwakili sesuai proporsinya. telah diberi nomor urut.
c) Disproportionate stratified random sampling b) Sampling Kuota
Disproportionate stratified random sampling ialah Sampling Kuota adalah teknik untuk menentukan
pengambilan sampel dari anggota populasi secara acak sampel dari populasi yang mempunyai ciri-ciri tertentu
dan berstrata tetapi ada sebagian data yang kurang sampai jumlah (kuota) yang diinginkan.
proporsional pembagiannya. Dilakukan ini apabila
c) Sampling insidental
anggota populasi heterogen. Teknik ini digunakan
untuk menentukan jumlah sampel dengan populasi Sampling insidental adalah teknik penentuan
berstrata tetapi kurang proporsional, artinya ada sampel berdasarkan kebetulan, yaitu siapa saja yang
beberapa kelompok strata yang ukurannya kecil sekali. secara kebetulan/incidental bertemu dengan peneliti
dapat digunakan sebagai sampel, bila dipandang orang
yang kebetulan ditemui itu cocok sebagai sumber data.
20
21
d) Sampling Purposive jumlahnya kecil, kemudian sampel itu disuruh memilih
teman-temannya untuk dijadikan sampel. Cara ini
Sampling Purposive adalah teknik penentuan
banyak dipakai ketika peneliti tidak banyak tahu
sampel dengan pertimbangan tertentu. Misalnya akan
melakukan penelitian tentang kualitas makanan, maka tentang populasi penelitiannya. Dia hanya tahu satu
atau dua orang yang berdasarkan penilaiannya bisa
sampel sumber datanya adalah orang yang ahli
makanan. Sampel ini lebih cocok digunakan untuk dijadikan sampel. Karena peneliti menginginkan lebih
banyak lagi, lalu dia minta kepada sampel pertama
penelitian kualitatif, atau penelitian-penelitian yang
tidak melakukan generalisasi. Teknik ini dibagi dua, untuk menunjukan orang lain yang kira-kira bisa
dijadikan sampel. Demikian seterusnya, sehingga
yaitu:
jumlah sampel semakin banyak. Ibarat bola salju.Ibarat
1. Judgment Sampling, Sampel dipilih berdasarkan bola salju yang menggelinding yang lama-lama
penilaian peneliti bahwa dia adalah pihak yang menjadi besar.
paling baik untuk dijadikan sampel penelitiannya.
3) Menentukan Ukuran Sampel
2. Quota Sampling, Teknik sampel ini adalah bentuk
dari sampel distratifikasikan secara proposional, Untuk menentukan ukuran sampel, ada beberapa syarat
yang harus dipenuhi, yaitu:
namun tidak dipilih secara acak melainkan secara
kebetulan saja. 1. Ukuran Populasi (N) diketahui
e) Sampling Jenuh 2. Pilih taraf signifikansi α yang diinginkan
Sampling Jenuh adalah teknik penentuan sampel Ada tiga metode praktis, yaitu:
bila semua anggota populasi digunakan sebagai
1. Tabel Kretjie
sampel. Hal ini sering dilakukan bila jumlah populasi
relative kecil, kurang dari 30 orang, atau penelitian 2. Nomogram Harry King (lihat Sugiyono, 2007)
yang ingin membuat generalisasi dengan kesalahan 3. Rumus Slovin
yang sangat kecil.
Rumus Slovin untuk menentukan ukuran sampel
f) Snowball Sampling minimal (n) jika diketahui ukuran populasi (N) pada
Snowball Sampling adalah teknik penentuan taraf signifikansi α adalah:
sampel yang mula-mula jumlahnya kecil, kemudian 𝑁𝑁
n = (1+𝑁𝑁𝑎𝑎2 )
membesar. Penentuan sampel yang mula-mula
22
23
Contoh: BAB IV
Berapa ukuran sampel minimum yang harus diambil
PENYAJIAN DATA
dari populasi yang berukuran
Analisis statistika terdiri dari rangkaian kegiatan dimulai
A. 1000 dengan taraf signifikansi α = 0,05
dari perencanaan pengumpulan data, penyajian data, analisis
B. 45.250 dengan taraf signifikansi α = 0,01 data, dan pengambilan kesimpulan. Menyajikan data, meski
Jawab: tampaknya mudah dan sederhana namun dalam prakteknya
𝑁𝑁 1000 masih banyak orang yang menemui kesulitan bagaimana
A. n =(1+𝑁𝑁𝑎𝑎2 ) = (1+1000(0,05))2 = 285,7143 ≈ 286
menyajikan data secara tepat sehingga mudah dicerna dan
dipahami oleh konsumen. Data harus disajikan ke dalam suatu
(dibulatkan ke atas)
bentuk yang dapat memberikan arti dan tidak membebani
𝑁𝑁 45520
B. n = (1+𝑁𝑁𝑎𝑎2 )= (1+45520(0,01))2 = 8.190,045 ≈ 8.191 pembaca atau konsumen berfikir dalam melihat data yang
disajikan.
(dibulatkan ke atas)
Suatu hal yang harus diperhatikan dalam penyajian data ini
adalah siapa yang memerlukannya dan untuk apa. Dalam sistem
manajemen kita mengenal ada tiga tingkatan manajerial dalam
suatu organisasi yakni manajemen tingkat bawah, tingkat
menengah dan tingkat atas/puncak. Masing-masing tingkatan ini
memerlukan data sesuai dengan fungsinya masing-masing. Pada
tingkat bawah data atau informasi yang dimiliki masih utuh dan
lengkap seperti apa yang diperoleh di lapangan. Pada tingkatan
selanjutnya data sudah disaring sedemikian rupa sehingga lebih
ringkas dan padat. Dari tingkatan ini biasanya data diolah lebih
lanjut untuk menghasilkan alternatif-alternatif dalam proses
pengambilan keputusan oleh tingkat manajemen puncak. Adalah
sesuatu yang tidak efisien bagi seorang pimpinan puncak untuk
membaca seluruh data yang ada, sementara dia harus membuat
keputusan yang cepat dan akurat.
24
25
Ada dua cara penyajian data secara sederhana yakni dalam Tabel 4.2 (Tabel Klasifikasi Dua Arah)
bentuk tabel dan grafik. Peningkatan Permintaan Beberapa Komoditas
Holtikultura 1993-1997
4.1 Penyajian Data dalam Bentuk Tabel Statistik Jenis Produk USA (%) Kanada (%) MEE
Mangga 8 25 104
Tabel statistik memuat semua data yang telah diringkas baik Melon 70 31 69
secara kuantitatif maupun kualitatif. Tabel statistik dapat dibuat Pepaya 35 - 100
dalam berbagai bentuk mulai dari tabel klasifikasi satu arah, dua Pisang 41 19 85
arah, tiga arah dan lebih dari tiga arah. Yang mana yang akan Bawang Merah 55 49 11
Jambu Mete 64 18 60
dipilih tergantung dari ragam data yang diperoleh. Bentuk tabel
biasanya akan terdiri dari komponen-komponen: judul tabel,
judul kolom, isi tabel dan sumber. Berikut ini diberikan Untuk tabel klasifikasi tiga arah kita lihat bentuk isian
beberapa contoh tabel klasifikasi satu, dua dan tiga arah. sebagai berikut. Klasifikasi utama adalah pada Sektor
pertumbuhan, klasifikasi kedua adalah pada waktu dan
Tabel 4.1 Ekspor Ikan Indonesia klasifikasi ketiga adalah negara:
Tahun Vokume (Ribu ton) Tabel 4.3 (Tabel klasifikasi tiga arah)
1991 217,2 Pertumbuhan Sektor Industri dan Jasa Beberapa Negara
1996 240,0 Asia
1997 333,6
1998 301,4
1999 318,2
2000 336,2
2001 21,4
26
27
Jadi pada prinsipnya untuk membuat tabel klasifikasi, 3. Grafik/diagram batang
tentukan terlebih dahulu apa yang menjadi penekanan utamanya,
4. Grafik/diagram pastel
kemudian penekanan keduanya, ketiga dan selanjutnya, data
dengan penekanan utama ditempatkan pada kolom dan 5. Grafik gambar
penekanan kedua pada baris. Untuk klasifikasi lebih tinggi lagi, 1) Diagram garis
proses ini diulang terus hingga selesai.
Diagram garis umumnya digunakan untuk melihat
perkembangan suatu gejala atau fakta yang terkait dengan
4.2 Penyajian Data dengan Metode Grafik dimensi waktu. Dengan diagram ini maka konsumen akan
Bagi sebagian orang, data yang tersaji dalam bentuk angka- lebih mudah melihat bagaimana berfluktuasinya nilai data
angka kerap kali tidak begitu disukai. Demikian juga bagi para yang sedang diamati. Untuk menggambarkannya sumbu
manajemen puncak, biasanya mereka memerlukan informasi tegak (sumbu-y) digunakan untuk menyatakan data yang
yang ringkas namun memberikan arti yang tinggi. Olehkarena diamati, sedangkan sumbu mendatar (sumbu-x) untuk
itu cara lain yang dapat digunakan adalah melalui metode grafik menyatakan waktu. Sebagai contoh kita ambil data
atau dikenal pula dengan istilah diagram. Grafik adalah metode pertumbuhan sektor jasa negara China.
penyajian data dengan menggunakan gambar-gambar yang
umumnya digunakan untuk melihat perubahan yang terjadi
Pertumbuhan
dalam sebuah variabel atau untuk membandingkan beberapa 10
variable yang memiliki karakteristik yang sama. Sebuah grafik 9
hendaknya dibuat sesederhana mungkin dan menekankan pada 8
aspek-aspek penting dari data yang disajikan. Kecenderungan 7
6
untuk memasukkan terlalu banyak informasi dalam sebuah
5
grafik haruslah dihindarkan karena hal ini tidak akan 4
memberikan informasi tambahan yang berarti bahkan dapat 3
membingungkan pembacanya. 2
1990 1991 1992 1993 1994 1995
Tersedia banyak jenis grafik, namun dalam buku ini hanya
dibahas lima jenis grafik yang umum dikenal yakni:
Gambar 4.1 Pertumbuhan Sektor Jasa negara China
1. Diagram garis 1990-1995
2. Kurva
28
29
Dari Gambar 4.1 di atas dengan mudah bisa menunjukkan kecenderungan yang menaik sebaliknya
disimpulkan bahwa negara China telah berhasil melakukan Indonesia tidak menunjukkan kecenderungan baik menaik
pembangunan di bidang jasa sehingga pertumbuhannya atau menurun.
mengalami kenaikan yang sangat cepat sejak tahun 1990 Suatu hal yang harus diperhatikan dalam
hingga 1993, kemudian menurun dan kembali membaik
menggambarkan fakta dalam diagaram garis ini adalah
pada tahun 1995. skala penggambaran, khususnya yang menyangkut sumbu
Diagram garis juga bisa berisikan dua atau lebih jenis tegak. Penggambaran hendaknya benar-benar harus sesuai
data sebagai bahan perbandingan atas dua kejadian atau dengan kondisi yang dicerminkan dari data itu sendiri.
Jangan berupaya mengubah-ubah skala untuk memberikan
kesan yang berlebihan atau kekurangan. Bandingkan
Pertumbuhan Gambar 3.3a dan 3.3b berikut ini.
10
9
China
8 8.5
7
6
5 Indonesia 7.5
4
3
2
6.5
1990 1991 1992 1993 1994 1995
5.5
fakta. Sebagai contoh, misalkan kita ingin membandingkan
pertumbuhan sektor bidang jasa antara negara China dan 1990 1991 1992 1993 1994 1995
Indonesia. Cara yang paling mudah adalah dengan
Gambar 4.3 Pertumbuhan Sektor Jasa Indonesia 1990-
menggambarkannya dalam diagram garis seperti berikut ini.
1995
Gambar 4.2 Pertumbuhan Sektor Jasa Indonesia dan
China, 1990-1995
Gambar 4.2 di atas memperlihatkan bahwa
pertumbuhan sektor jasa negara China ternyata tampak
lebih baik dari Indonesia. Bahkan pertumbuhan China
30
31
8.5
menyebabkan pengambilan keputusan yang keliru yang
akan berakibat fatal bagi organisasi.
7.5
6.5
5.5
1990 1991 1992 1993 1994 1995
Gambar 4.4 Pertumbuhan Sektor Jasa Indonesia, 1990-

1995
Gambar 4.3 memberikan kesan perubahan
pertumbuhan secara cepat, baik turun atau naik, sedangkan Gambar 4.5 Tehnik Pemotongan Sumbu
Gambar 4.4 pertumbuhan yang agak lambat. Akibatnya 2) Kurva
pembaca atau konsumen akan menarik kesimpulan yang
Kurva sebenarnya sama saja dengan diagram garis
keliru. Oleh karena itu untuk mengetahui apakah gambar ini
kecuali tujuannya adalah untuk melukiskan suatu hubungan
sudah sesuai dengan kondisi yang wajar, maka perlu
yang kontinu. Umumnya kurva digunakan untuk data hasil
meminta saran dari ahli yang bersangkutan.
eksperimen dalam upaya untuk menggambarkan hubungan
Demikian pula jika berhadapan dengan nilai data yang antara dua deret data. Kurva dua dimensi juga terdiri dari
terlalu ekstrim, hendaknya sumbu tegak dipendekkan sumbu tegak dan sumbu mendatar. Setelah data diplot,
seolah-olah dilakukan perobekan atau pemotongan kemudian dibuat kurva yang mendekati titik-titik pada
(Gambar 4.5). Dengan melakukan pemotongan maka grafik. Biasanya untuk menggambarkan kurva ini
diagram akan tampak lebih proporsional dan lebih indah digunakan pendekatan melalui persamaan matematis. Lihat
dipandangnya. contoh berikut ini.
Tehnik pembuatan diagram garis yang disebutkan di
atas bukanlah sesuatu yang baku. Artinya setiap orang dapat
membuatnya sesuai dengan seleranya. Namun yang harus
diperhatikan bahwa fakta atau data harus benar-benar
disajikan secara baik, teliti dan jujur. Ketidakjujuran bisa
32
33
Tabel 4.4 Biaya Marginal dan Output dari Suatu Proses S = 3.29530253
r = 0.97203773
Produksi
50
65.
Biaya Output (unit)
50
Marginal 58.
37 10
Biaya Marjinal
50
51.
27 15
50
31 20 44.
27 25 50
37.
36 30
50
42 35 30.
45 40 50
23. 5.0 10.0 15.0 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0
55 45
Output (units)
62 50
Persamaan: y = 44,3476 – 1,4381x + 0,0366x2

Setelah data diplot, kemudian dicari persamaan kurva
yang paling mendekati titik-titik kedua deret data di atas. Gambar 4.2 Kurva Biaya Marjinal Dan Output Suatu
Dengan menggunakan perangkat lunak komputer yang Proses Produksi
tersedia di pasaran, kurva ini bisa dengan mudah diiperoleh
seperti yang disajikan dalam Gambar 4 berikut. Garis kurva dalam Gambar 4.7 di atas diperoleh dengan
memasukkan nilai-nilai x (output) ke dalam persamaan
polynomial derajat dua seperti yang ditunjukkan pada
keterangan gambar di atas. Semakin cocok persamaan yang
dibangun maka semakin banyak titik-titik yang mendekati
garis kurva.
34
35
3) Diagram Batang
Diagram batang merupakan salah satu bentuk
penyajian data secara visual. Diagram batang sangat tepat
digunakan jika variabel berbentuk kategori maupun atribut.
Demikian pula data tahunan, asalkan jumlah tahunnya tidak
terlalu banyak. Diagram batang bisa digambarkan secara
vertikal (sejajar dengan sumbu-y) dan horizontal (sejajar
dengan sumbu-x). Yang mana yang akan dipilih tergantung
selera si penyaji data. Yang terpenting adalah gambaran
yang disajikan bisa menarik perhatian pembaca dan mudah
disimpulkan. Lihat contoh berikut ini.
Tabel 4.5 Gross National Product (GNP) Beberapa

Gambar 4.3 GNP Beberapa Negara Asia
Negara Asia Tahun 1993-1994
Diagram batang dapat pula digunakan untuk
Negara GNP (%)
membandingkan gambaran dua keadaan atau lebih secara
Indonesia 1.3
visual. Sekarang kita ambil contoh data dari Tabel 4.3
Malaysia 5.3
Apabila kita ingin membandingkan pertumbuhan sektor
Thailand 3.8
industri dan jasa pada beberapa negara Asia untuk tahun
Filipina 2.4
1995, maka keadaannya dapat dilihat pada Gambar 4.9.
Singapura 3.3
China 2.6
Jepang 4.7
Data di atas disajikan dalam Gambar 4.8 yang

dilukiskan dalam bentuk diagram batang tunggal (karena
satu variabel) dimana negara diletakkan pada sumbu
mendatar sedangkan GNP pada sumbu tegaknya.
36
37
menunjukkan nilai penting relatif dari setiap variabel.
Untuk melukiskan setiap segmen ini diperlukan perhitungan
dengan mengambil contoh sebagai berikut.
Tabel 4.6 Pengeluaran PT. FIKTIF Tahun 2001
Jenis Pengeluaran Jumlah
(juta
rupiah)
Upah dan Gaji 1900,8
Pajak 600,6
Bahan 350,5
Transportasi 240,5
Gambar 4.4 Pertumbuhan Sector Industri Dan Jasa Telekomunikasi 190,8
Beberapa Negara Asia Tahun 1995 Hutang Bank 310,3
Jika kita bandingkan antara membaca Tabel 4.3 dan Lain-lain 120,5
mengamati Gambar 4.9, maka jelas lebih mudah untuk Jumlah 3.714,0
menarik kesimpulan dengan melihat gambar diagram
batang di atas dari pada harus membaca angka satu persatu Data dalam Tabel 4.6 di atas jika disajikan dalam
dari tabel. Inilah manfaatnya menyajikan data dalam bentuk diagram lingkaran akan tampak seperti Gambar 4.10. Untuk
visual dibandingkan dengan dalam bentuk angka-angka. mendapatkan besarnya segmen setiap variabel dalam
lingkaran, maka digunakan besarnya sudut yang dimiliki
4) Diagram Lingkaran
oleh masing-masing variabel yang dihitung dengan cara
Jika diagram batang dapat digunakan untuk berikut:
membandingkan sejumlah variabel, selama variabel ini bisa
diukur paling sedikit satu aspek, maka diagram lingkaran
Gaji dan Upah = 1900,8/3.714,0 x 100% = 51,17%
dapat digunakan bilamana variabel-variabel dijumlahkan ke
(dibulatkan menjadi 51,2%)
dalam suatu jumlah tertentu sedemikian rupa sehingga
setiap variabel dapat dinyatakan sebagai persentase dari Besarnya sudut = 51,17% x 3600 = 184,24  1840 , dan
jumlah tersebut. Lingkaran yang memiliki jumlah sudut seterusnya sama untuk variabel lainnya
3600 dapat dibagi kedalam segmen-segmen untuk
38
39
Tabel 4.7 Penerimaan Tenaga Buruh
PT. FIKTIF
Tahun Pria Wanita
1999 250 400
2000 600 405
2001 53 650
Dengan menggunakan gambaruntuk Pria

danuntuk Wanita dimana setiap gambar mewakili 100
orang, maka data di atas dapat dilukiskan dalam Gambar
4.11 berikut.
Gambar 4.5 Pengeluaran PT. Fiktif tahun 2001
Salah satu keuntungan dari penggunaan diagram
lingkaran adalah kemudahan membandingkan satu variabel
dengan variabel lainnya ditinjau dari sisi persentase.
5) Diagram Gambar
Diagram gambar pada pinsipnya sama dengan diagram
batang, hanya saja fakta yang ada disajikan dalam bentuk
gambar-gambar miniatur. Intinya diagram ini ditujukan
untuk menarik perhatian konsumen atau pembaca.
Penyajian diagram gambar ini boleh dikatakan sebagai
salah satu kerja seni yang dipadukan dengan informasi. Gambar 4.6 Penerimaan Tenaga Buruh PT. Fiktif
Lihat contoh berikut ini. tahun 1999 – 2001
Pada prakteknya penyajian data dalam bentuk gambar
seperti di atas harus mencerminkan data yang
sesungguhnya. Misalnya jika satu simbul untuk 10 orang,
40
41
maka jika datanya adalah 15 maka gambarnya juga harus BAB V
sebesar 1,5 kali gambar yang telah ditetapkan. UKURAN PEMUSATAN, UKURAN LETAK,
DAN UKURAN PENYEBARAN DATA
5.1 Ukuran Pemusatan Data

1) Ukuran Pemusatan Untuk Data Tunggal
a. Rata-Rata Hitung (Mean)
Rata-rata didefinisikan sebagai hasil bagi jumlah
nilai data dengan banyak data.
x=
x
n
dengan: x = rata-rata hitung
n = banyak data
 x = jumlah seluruh nilai data
Contoh:
Berapa rata-rata hitung dari data berikut : 2, 5, 6, 8, 9 ?
Jawab: x=
x = 6
n
Rata-rata hitung dari data tersebut adalah 6
b. Modus
• Modus merupakan ukuran yang digunakan untuk
menyatakan fenomena yang paling banyak terjadi
atau paling sering muncul.
• Untuk data kualitatif (data dengan tingkat
pengukuran sekurang-kurangnya nominal) modus
sering dipakai sebagai pengganti rata-rata.
42
43
Sedangkan untuk data kuantitatif, modus diperoleh - jika banyak data ganjil, setelah data disusun
dengan jalan menentukan frekuensi terbesar di menurut nilainya dari kecil ke besar, maka
antara serangkaian data. median merupakan data yang paling tengah.
• Serangkaian data mungkin memiliki satu modus - jika banyak data genap, setelah data disusun
(unimodal), dua modus (bimodal) atau lebih dari menurut nilainya dari kecil ke besar, maka
dua (multimodal). median merupakan rata-rata hitung dua data
Contoh tengah.
Contoh
Berapa modus dari data berikut :
2,3,5,3,6,9,3,9,5,6,5,1,5 ? Tentukan median dari data berikut 2, 6, 8, 5, 4, 9, dan
Jawab : modus = 5 12.
Modus dari data tersebut adalah 5 Jawab: Data diurutkan menjadi : 2, 4, 5, 6, 8, 9, 12

Median = 6
c. Median
Artinya ada 50% dari data yang bernilai paling tinggi
• Median merupakan ukuran letak untuk variabel
dan 50% lagi bernilai paling rendah
dengan skala ukur sekurang-kurangnya ordinal.
• Median dapat berlaku sebagai rata-rata untuk
Contoh
variabel dengan tingkat pengukuran ordinal.
Diberikan data 12, 7, 8, 14, 9, 14, 19, 16. Berapa
• Median menentukan posisi tengah data setelah data
mediannya?
diurutkan dari kecil ke besar.
Jawab : Data diurutkan menjadi 7, 8, 9, 12, 14, 14,
• Misalkan jika nilai median sama dengan 7, artinya
16, 19
50% dari data nilainya paling tinggi 7 dan 50% lagi
nilainya paling rendah 7. Median = 13
• Median Untuk data tunggal ditentukan sebagai Artinya ada 50% dari data yang bernilai paling tinggi
berikut : dan 50% lagi bernilai paling rendah
44
45
2) Ukuran Pemusatan Untuk Data Berkelompok Rata-rata hitung pengeluaran per hari untuk 30
keluarga tersebut adalah Rp. 68.900.
Ringkasan data dalam suatu daftar distribusi frekuensi
dinamakan data yang dikelompokkan.
b. Modus
a. Rata-rata Hitung (Mean)
Untuk data yang dikelompokkan modus
x=
 ( f  m) didefinisikan sebagai:
n
dengan: f = frekuensi kelas interval
m = titik tengah kelas interval  d 
Mo = LMo + p 1 
n = banyak data/jumlah  d1 + d 2 
frekuensi
dengan : Mo = Modus
Contoh LMo = batas bawah kelas modus, yakni kelas
Hitunglah rata-rata hitung untuk data pengeluaran interval dengan frekuensi terbesar.
per hari (ribu rupiah) untuk 30 keluarga dalam daftar p = panjang kelas modus
distribusi frekuensi di bawah ini? d1 = frekuensi kelas modus dikurangi
frekuensi kelas interval sebelumnya.
Tabel 5.1 Perhitungan Rata-rata Hitung d2 = frekuensi kelas modus dikurangi
Pengeluaran Frekuensi Titik Tengah fxm frekuensi kelas interval sesudahnya.
(ribu Rp) (f) Kelas (m)
50 – 55 1 (50+55)/2 = 1 x 52,5
Contoh
52,5 = 52,5
56 – 61 5 58,5 292,5 Untuk data pengeluaran per hari 30 keluarga,
62 – 67 6 64,5 387,0
hitunglah modusnya!
68 – 73 10 70,5 705,0
74 – 79 5 76,5 382,5 Tabel 5.2 Perhitungan Modus
80 – 85 3 82,5 247,5
Jumlah 30 - 2067 Kelas Pengeluaran f Batas Bawah
ke- (ribu Rp) Kelas
1 50 – 55 1 50 – 0,5 = 49,5
Jawab: x=
 ( f  m) = 2067/30 = 68,9 2 56 – 61 5 55,5
n
3 62 – 67 6 61,5
4 68 – 73 10 67,5
46
47
5 74 – 79 5 73,5 F = jumlah frekuensi sebelum kelas
6 80 – 85 3 79,5 median (frekuensi kumulatif)
Jumlah 30 - fMe = frekuensi kelas median
Jawab: Dari tabel di atas diperoleh: Contoh
Kelas modus = kelas ke-4 Untuk data pengeluaran per hari 30 keluarga,
hitunglah mediannya !
LMo = 67,5 p = 6 d1 = 10-6 = 4
d2 = 10-5=5 Tabel 5.3 Perhitungan Median
 d1  Kelas Pengeluaran f BBK Frek.
Mo = LMo + p  = 67,5+6(4/(4+5))=70,17
d
 1 + d 2  ke- (ribu Rp) Kum (F)
1 50 – 55 1 49,5 1
Pengeluaran per hari 30 keluarga tersebut 2 56 – 61 5 55,5 6
mempunyai modus sebesar Rp. 70.170. 3 62 – 67 6 61,5 12
4 68 – 73 10 67,5 22
c. Median 5 74 – 79 5 73,5 27
Untuk data yang dikelompokkan median 6 80 – 85 3 79,5 30
didefinisikan sebagai: Jumlah 30 - -
Jawab:
1 
 n−F
Pada tabel di atas, jumlah frekuensi n = 30,
Me = LMe + p 2 
 f Me  sehingga n/2 = 15
 
 
Kelas median = kelas ke- 4
dengan : Me = median data kelompok LMe = 67,5 p = 6 fMe = 10 F = 12 (jumlah
LMe = batas bawah kelas median, yakni frekuensi sebelum kelas median)
kelas dimana median akan terletak,
1 
yaitu pada jumlah frekuensi 1 n .  n−F 
2 Me = L Me + p 2  = 67,5+6((15-12)/10)=69,3
p = panjang kelas median.  f Me 
 
n = banyak data/jumlah frekuensi  
48
49
Artinya ada 50% keluarga dengan pengeluaran per hari Contoh:
paling tinggi Rp. 69.300.
Tabel 5.4 Contoh Data
5.2 Ukuran Letak Data Interval Kelas Frekuensi
35 – 44 4
Untuk menentukan letak data ke – i dari suatu kuantil 45 – 54 3
digunakan rumus: 55 – 64 10
a. Untuk data tunggal 65 – 74 22
i (n + 1) 75 – 84 18
Letak ke – i = data ke 85 – 94 19
N 95 – 104 4
Dengan: i = letak ke – i
Jumlah 80
n = banyak data
N = jenis kuantil
Dari data diatas tentukan:
b. Untuk data kelompok
a. Kuartil ke – 3
 (i.n )  b. Desil ke – 8
 
Letak ke – i = Lki +  N c
 f  Jawab:
 
  a. Kuartil ke – 3 berarti N = 4
Dengan:
Untuk menentukan letak K3 memerlukan data:
N = jenis kuantil (3/4) X 80 = 60 data. Sehingga terletak pada
F = jumlah frekuensi sebelum kelas ke – i interval ke enam, berarti F = 57:f = 19 dan = 10
jadi:
f = frekuensi kelas ke – i
  3 X 80 
  4 − 57  
K 3 = 84,5 + 10    = 86, 079

 19 
 
50
51
b. Desil ke – 8 berarti N = 10
Simpangan rata-rata untuk data tersebut adalah
Untuk menentukan letak D8 memerlukan data:
(8/10) X 80 = 64 data. Sehingga terletak pada
b. Varians Dan Simpangan Baku
interval ke enam, berarti F = 7:f = 19 dan = 10 jadi:
 (x − x )
2
  8 X 80  s2 =
  10 − 7   Varians → n −1
D8 = 84,5 + 10    = 63, 5

 19  Simpangan Baku →s = s
2
 
Contoh
5.3 Ukuran Penyebaran Data Diberikan data 2, 5, 6, 8, 9. hitunglah varians dan
1) Ukuran Penyebaran Untuk Data Tunggal simpangan bakunya !
a. Simpangan Rata-rata Jawab :
SR =
 x−x Dari contoh 5.1 diperoleh x = 6
n
 (x − x )
2
dengan: = jumlah harga mutlak data s2 =

 x−x n −1 =
15
2
dikurangi rata-rata hitung
n = banyak data
15
Contoh s = s2 = √
2
Berapa simpangan rata-rata dari data berikut : 2, 5, 6, 15

Varians untuk data tersebut adalah .
8, 9 ? 2
15
Jawab: Sedangkan simpangan bakunya adalah √ 2
x=
x = c. Koefisien Variasi
n
Koefisien variasi digunakan untuk
SR =
 x−x membandingkan variasi data, apabila satuan
n = pengukuran dari variabel-variabel yang diukur berbeda
52
53
satu sama lain (misalnya berat badan dalam kg, dan
s=
 (x − x ) 2
=
(34 − 31)2 + (27 − 31)2 + .. + (25 − 31)2 =
98
= 4,95
tinggi badan dalam cm).
n −1 5 −1 4
s Koefisien variasi
KV = 100 %
x s 4,95
KV = x100 % =  100 % = 15,97 %
x 31
dengan : s = simpangan baku Koefisien variasi umur karyawan adalah 15,97%.
x = rata-rata hitung
Pendapatan Karyawan
Contoh
Rata-rata
Data berikut menunjukan umur dan pendapatan 5 orang
karyawan di sebuah perusahaan X: x=
 x = 75 + 90 + 123 + 187 + 135 = 610 = 122
n 5 5
Tabel 5.5 Data Mengenai Umur & Pendapatan 5
Orang Karyawan Simpangan Baku
Karyawan 1 2 3 4 5
 (x − x ) (75 − 122 )2 + (90 − 122 )2 + .. + (135 − 122 )2
2
7628
Umur (Tahun) 34 27 37 32 25 s= = = = 43,67
n −1 5 −1 4
Pendapatan ($) 75 90 123 187 135
Manakah yang lebih seragam, umur atau pendapatan Koefisien variasi
karyawan? s 43,67
KV = x100 % =  100 % = 35,8%
Jawab: x 122
Koefisien variasi pendapatan karyawan adalah 35,8%.
Umur Karyawan
Ternyata KV umur lebih kecil daripada KV
Rata-rata pendapatan (15,97%<35,8%.). Maka umur karyawan
x=
 x = 34 + 27 + 37 + 32 + 25 = 155 = 31 lebih seragam daripada pendapatan karyawan.
n 5 5
Simpangan Baku
54
55
2) Ukuran Penyebaran Untuk Data Berkelompok
Catatan: berdasarkan perhitungan pada contoh 4.5
a) Simpangan Rata-rata
(halaman 12) diperoleh x = 68,9
 ( f  m − x ) =189,6/30 = 6,32
SR =
( f  m − x ) SR =
n
n
Simpangan rata-rata pengeluaran per hari 30 keluarga
dengan : m = titik tengah kelas adalah Rp 6320
f = frekuensi tiap kelas interval a. Varians dan Simpangan Baku
x = rata-rata hitung
n = banyak data/jumlah frekuensi Varians → s 2
=
  f  (m − x ) 2

n −1
Contoh
Untuk data pengeluaran per hari 30 keluarga (yang
telah dikelompokan), hitunglah simpangan rata- Simpangan Baku→ s = s 2
ratanya!
Tabel 5.6 Perhitungan Simpangan Contoh 5.5
Rata-rata
Hitunglah Varians dan Standar Deviasi untuk
Pengeluaran f m m− x f  m− x pengeluaran per hari 30 keluarga yang telah
(ribu Rp) dikelompokan!
50 – 55 1 52,5 I 52,5- 1X16,4=16,4
68,9 I = Tabel 5.3 Perhitungan Varians & Simpangan Baku
16,4 Pengeluaran f m m−x (m − x )2 f  (m − x )
2
56 – 61 5 58,5 10,4 52 (ribu Rp)

62 – 67 6 64,5 4,4 26,4 50 – 55 1 52,5 52,5-68,9 268,96 1X268,96
68 – 73 10 70,5 1,6 16 =-16,4 =268,96
74 – 79 5 76,5 7,6 38 56 – 61 5 58,5 -10,4 108,16 540,80
62 – 67 6 64,5 -4,4 19,36 116,16
80 – 85 3 82,5 13,6 40,8
68 – 73 10 70,5 1,6 2,56 25,60
Jumlah 30 - - 189,6
74 – 79 5 76,5 7,6 57,76 288,80
56
57
80 – 85 3 82,5 13,6 184,96 554,88 5.1 Nilai Baku (Skor z)
Jumlah 30 - - - 1795,20
x−x
z=
Jawab: s
Catatan: berdasarkan perhitungan pada contoh Contoh
sebelumnya diperoleh x = 68,9 Budi memperoleh nilai 83 pada UAS Statistik, dimana rata-
Varians → s 2 =   f  (m − x ) 2
 = 1795,20 = 62 rata kelas dan simpangan bakunya masing-masing 75 dan
12. Sedangkan pada UAS Kalkulus dimana rata-rata
n −1 29
kelasnya 83 dan simpangan bakunya 16 ia memperoleh nilai
Standar Deviasi → s = s 2 = √62 = 7.9 90. Dalam mata kuliah mana Budi mencapai kedudukan
yang lebih baik?
Varians pengeluaran per hari 30 keluarga adalah Rp. Jawab:

62.000 dan standar deviasinya adalah Rp. 7.900. ▪ Untuk mata kuliah statistik →
b. Koefisien Variasi x − x 83 − 75
z= = = 0,67
s 12
Contoh
▪ Untuk mata kuliah Kalkulus →
Untuk contoh soal pengeluaran per hari 30 keluarga,
besarnya koefisien variasinya adalah...... ? x − x 90 − 83
z= = = 0,44
s 16
Jawab :
s
KV =  100 % = (7,74/68,9) x 100%=11,23%
x Artinya Budi mendapat 0,67 simpangan baku di atas rata-
Koefisien variasi untuk data pengeluaran per hari 30 rata nilai Statistik, dan hanya 0,44 simpangan baku di atas
keluarga adalah 11,23% rata-rata nilai Kalkulus. Karena nilai baku statistik lebih
tinggi dari nilai baku kalkulus, maka Budi memperoleh
kedudukan yang lebih tinggi dalam mata kuliah statistik.
58
59
BAB VI Rumus:
(𝑂𝑂 𝑖𝑖 − 𝐸𝐸𝑖𝑖 )2
UJI NORMALITAS DATA 𝑋𝑋 2 = ∑
𝐸𝐸𝑖𝑖
6.1 Pengertian Normalitas Data Keterangan:

X 2 = Nilai 𝑋𝑋 2
Uji normalitas adalah uji yang didapatkan dari sebaran data
untuk mengetahui apakah data tersebut memiliki berdistribusi Oi = Nilai Observasi
normal atau mendekati normal. Ei = Nilai expected/harapan, luasan interval kelas
Sedangkan menurut Saeful dan Bahruddin (2014:113), uji berdasarkan tabel normal dikalikan N (total
normalitas adalah uji untuk mengetahui normal atau tidaknya frekuensi) (𝑃𝑃𝑖𝑖 𝑥𝑥 𝑁𝑁)
suatu distribusi data yang nantinya akan berkaitan dengan
pemilihan uji statistik. N = Banyaknya angka pada data (total frekuensi)
Secara analogi, jika diibaratkan siswa di satu kelas, kelas Adapun karakteristik dari uji Chi-Square adalah
yang semua siswanya berkemampuan rendah atau semua sebagai berikut.
siswanya berkemampuan tinggi merupakan data yang tidak • Nilai Chi-Square selalu positiif
normal. Kondisi kelas berdistribusi normal jika dalam kelas ada
• Distribusi Chi-Square dengan dk = 1,2,3,…dst
yang pintar, ada yang bodoh, dan paling banyak siswa yang
kemampuannya menengah. • Bentuk distribusi Chi-Square adalah menjulur positif.
a) Persyaratan dan Penafsiran Hasil Uji Chi - Square
6.2 Uji Normalitas Data Dalam menganalisis normalitas dengan uji Chi –
Uji normalitas dapat dilakukan secara manual Square dapat memperhatikan beberapa pertimbangan
menggunakan beberapa rumus hitung. sebagai berikut.
1) Uji Chi – Square • Data tersusun berkelompok atau dikelompokkan
dalam tabel distribusi frekuensi.
Uji Chi-Square atau 𝑋𝑋 2 merupakan uji dengan variabel
acak kontinu. Uji Chi-Square atau 𝑋𝑋 2 untukUji Goodness of • Cocok untuk data yang banyaknya lebih dari 30 (n
Fit Distribusi Normal menggunakan pendekatan > 30).
penjumlahan penyimpangan data observasi tiap kelas Hasil yang didapatkan (𝑋𝑋 2 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 ) selanjutnya
dengan nilai yang diharapkan. dibandingkan dengan 𝑋𝑋 2 𝑡𝑡𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝐶𝐶ℎ𝑖𝑖 − 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆)
60
61
dengan pedoman pengambilan kesimpulan sebagai Jika nilai 𝑋𝑋 2 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 < 𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 maka Ho diterima ;
berikut. Ha ditolak
• Jika nilai𝑋𝑋 2 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 < 𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 maka Ho diterima ; Jika nilai 𝑋𝑋 2 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 > 𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 maka Ho ditolak ;
Ha ditolak Ha diterima
• Jika nilai𝑋𝑋 2 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 > 𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 maka Ho ditolak ; 3. Menentukan jumlah kelas interval.
Ha diterima Banyak kelas = 1 + 3,3 log n
b) Contoh Uji Normalitas dengan Chi – Square
= 1 + 3,3 log 41
Contoh Pertama:
= 1 + 3,3 . 1,61
Dengan sampel suatu penelitian (Dona, 2013) hasil
= 1 + 5,31
tes nilai pemodelan matematika di kelas X SMA N 5
Denpasar dengan sampel sebanyak 41 orang, diperoleh Banyak kelas = 6,31 atau 7
data: 75, 75, 42, 92, 50, 92, 58, 92, 92, 75, 75, 100, 67, 4. Menentukan panjang kelas interval
75, 92, 58, 58, 58, 58, 58, 58, 58, 58, 100, 100, 75, 92, 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅
75, 75, 58, 75, 75, 92, 75, 58, 100, 58, 75, 58, 100, dan 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 =
𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘
92. Telah diambil dari sebuah populasi. 100 − 42
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 = = 9,19 = 9
Akan diuji dengan menggunakan 𝑋𝑋 2 𝐶𝐶ℎ𝑖𝑖 − 6,31
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 apakah sampel ini berasal dari populasi dengan Panjang kelas adalah 9
distribusi normal atau bukan dengan α= 5% ? 5. Susun nilai pemodelan matematika siswa ke dalam
Penyelesaian : tabel distribusi frekuensi
1. Menentukan Hipotesis
Tabel 6.1 Tabel Distribusi Frekuensi Uji
Ho : populasi nilai pemodelan matematika Normalitas
siswa kelas X berdistribusi normal. Nilai 𝑓𝑓𝑖𝑖 𝑥𝑥𝑖𝑖 𝑥𝑥𝑖𝑖 2 𝑓𝑓𝑖𝑖 . 𝑥𝑥𝑖𝑖 𝑓𝑓𝑖𝑖 . 𝑥𝑥𝑖𝑖 2
Ha : populasi nilai pemodelan matematika siswa 42 – 50 2 46 2.116 92 4.232
51 – 59 13 55 3.025 715 39.325
kelas X tidak berdistribusi normal. 60 – 68 1 64 4.096 64 4.096
2. Menentukan Kriteria Pengujian 69 – 77 11 73 5.329 803 58.619
78 – 86 0 82 6.724 0 0
62
63
87 – 95 9 91 8.281 819 74.529 Keterangan:
96 – 104 5 100 10.000 500 50.000
Jumlah 41 511 3.9571 2.993 230.801 Z = Transformasi dari angka batas interval kelas ke
Maka dapat dihitung nilai rata-ratanya, yaitu : notasi pada distribusi normal.
∑ 𝑓𝑓𝑖𝑖 .𝑥𝑥𝑖𝑖 2.993 𝑋𝑋𝑖𝑖 = Batas tidak nyata kelas interval.
X= = = 73
𝑛𝑛 41
𝑃𝑃𝑖𝑖 = Luas proporsi kurva normal tiap interval kelas
Selanjutnya didapat simpangan baku, yaitu : berdasar tabel normal.
2
2𝑛𝑛(∑ 𝑓𝑓𝑖𝑖 . 𝑥𝑥𝑖𝑖 2 ) − (∑ 𝑓𝑓𝑖𝑖 . 𝑥𝑥𝑖𝑖 ) 𝑂𝑂𝑖𝑖 = Nilai observasi.
𝑆𝑆𝑖𝑖 =
𝑛𝑛(𝑛𝑛 − 1)
𝐸𝐸𝑖𝑖 = Nilai expected/harapan, luasan interval kelas
41(230.801) − (2.993)2 berdasarkan tabel normal dikalikan N (total frekuensi)
𝑆𝑆𝑖𝑖 2 =
41(41 − 1) (𝑃𝑃𝑖𝑖 𝑥𝑥 𝑁𝑁)
9.462.841 − 8.958.049 Dalam pengisian hasil pada tabel di atas, coba
𝑆𝑆𝑖𝑖 2 =
1640 perhatikan hal - hal di bawah ini.
2 504.792
𝑆𝑆𝑖𝑖 =
1640 • Mencari Luas 0 - Z menggunakan tabel uji z.
𝑆𝑆𝑖𝑖 2 = 307,8 ≈ 307
• Mencari Luas tiap kelas interval (𝑃𝑃𝑖𝑖 ), yaitu nilai
𝑆𝑆𝑖𝑖 = √307 = 17,52
tabel uji z pada luas 0-Z yang pertama
Maka didapat simpangan bakunya adalah 17,52 dijumlahkan/dikurangi dengan nilai tabel uji z
6. Membuat tabel frekuensi harapan pada luas 0-Z yang kedua.
Tabel 6.2 Tabel Bantu - Apabila tanda pada nilai Z-nya sama maka
dikurangi.
- Apabila tanda pada nilai Z-nya berbeda maka
dijumlahkan.
7. Menentukan Taraf Nyata (𝛼𝛼) dan nilai 𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
𝛼𝛼 = 0,05 dengan dk = k-3 = 7-3 = 4
𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 𝑋𝑋 21−𝛼𝛼;𝑑𝑑𝑑𝑑 = 𝑋𝑋 2 (1−0,05);4 = 9,49
8. Menarik Kesimpulan
64
65
Karena 𝑋𝑋 2 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 32,3184 > 𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 9,49 , Ha : Populasi tinggi badan mahasiswa tidak
maka Ho ditolak berdistribusi normal
Jadi, nilai pemodelan matematika siswa kelas X (2). Menentukan Kriteria Pengujian
tidak berdistribusi normal dengan 𝛼𝛼 = 5%
Jika nilai 𝑋𝑋 2 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 < 𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 maka Ho diterima ;
Ha ditolak
Contoh Kedua :
Jika nilai 𝑋𝑋 2 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 > 𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 maka Ho ditolak ;
Diambil populasi dari Tinggi Badan Mahasiswa di Ha diterima
suatu Perguruan Tinggi Tahun 2010.
(3). Menghitung nilai rata-rata dan simpangan baku
Tabel 6.3 Populasi dari Tinggi Badan Mahasiswa

Tabel 6.4 Perhitungan Rata-rata dan Simpangan
di Suatu Perguruan Tinggi Tahun 2010
Baku
No. Tinggi Badan Jumlah
1. 140 – 144 7
No. Tinggi 𝑓𝑓𝑖𝑖 𝑥𝑥𝑖𝑖 𝑥𝑥𝑖𝑖 2 𝑓𝑓𝑖𝑖 . 𝑥𝑥𝑖𝑖 𝑓𝑓𝑖𝑖 . 𝑥𝑥𝑖𝑖 2
Badan
2. 145 – 149 10
1. 140 – 7 142 20.164 994 141.148
3. 150 – 154 16
144
4. 155 – 159 23
2. 145 – 10 147 21.609 1.470 216.090
5. 160 – 164 21 149
6. 165 – 169 17 3. 150 – 16 152 23.104 2.432 369.664
7. 170 – 174 6 154
Jumlah 100 4. 155 – 23 157 24.649 3.611 566.927
159
Apakah populasi tinggi badan mahasiswa tersebut
5. 160 – 21 162 26.244 3.402 551.124
merupakan data yang berdistribusi normal dengan 𝛼𝛼 = 164
5% ? 6. 165 – 17 167 27.889 2.839 474.113
169
Penyelesaian: 7. 170 – 6 172 29.584 1.032 177.504
174
(1). Merumuskan Hipotesis Jumlah 100 1.099 173.243 15.780 2.496.570
Ho : Populasi tinggi badan mahasiswa berdistribusi

normal
66
67
Maka dapat dihitung nilai rata-ratanya, yaitu: 𝑋𝑋𝑖𝑖 = Batas tidak nyata kelas interval.
∑ 𝑓𝑓𝑖𝑖 .𝑥𝑥𝑖𝑖 15.780
X= = = 157,8 𝑃𝑃𝑖𝑖 = Luas proporsi kurva normal tiap interval
𝑛𝑛 100
Selanjutnya didapat simpangan baku, yaitu: kelas berdasar tabel normal.
2 𝑂𝑂𝑖𝑖 = Nilai observasi.
2 𝑛𝑛(∑ 𝑓𝑓𝑖𝑖 . 𝑥𝑥𝑖𝑖 2 ) − (∑ 𝑓𝑓𝑖𝑖 . 𝑥𝑥𝑖𝑖 )
𝑆𝑆𝑖𝑖 =
𝑛𝑛(𝑛𝑛 − 1) 𝐸𝐸𝑖𝑖 = Nilai expected/harapan, luasan interval
kelas berdasarkan tabe lnormal dikalikan
100(2.496.570) − (15.780)2
𝑆𝑆𝑖𝑖 2 = N (total frekuensi) (𝑃𝑃𝑖𝑖 𝑥𝑥 𝑁𝑁)
100(100 − 1)
Dalam mengisi hasil pada tabel di atas, coba
2 249.657.000 − 249.008.400
𝑆𝑆𝑖𝑖 = perhatikan hal - hal di bawah ini.
9.900
648.600 • Mencari Luas 0-Z menggunakan tabel uji z.
𝑆𝑆𝑖𝑖 2 = 9.900
2 • Mencari Luas tiap kelas interval (𝑃𝑃𝑖𝑖 ), yaitu nilai
𝑆𝑆𝑖𝑖 = 65,52
tabel uji z pada luas 0-Z yang pertama
𝑆𝑆𝑖𝑖 = √65,52 = 8,09 dijumlahkan/dikurangi dengan nilai tabel uji z
Maka didapat simpangan bakunya adalah 8,09 pada luas 0-Z yang kedua.
(4). Membuat tabel frekuensi harapan - Apabila tanda pada nilai Z-nya sama maka
dikurangi.
Tabel 6.5 Tabel Bantu - Apabila tanda pada nilai Z-nya berbeda maka
dijumlahkan.
(5). Menentukan Taraf Nyata (𝛼𝛼) dan nilai 𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
𝛼𝛼 = 0,05 dengan dk = k-3 = 7-3 = 4
𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 𝑋𝑋 21−𝛼𝛼;𝑑𝑑𝑑𝑑 = 𝑋𝑋 2 (1−0,05);4 = 9,49
Keterangan:
Z = Transformasi dari angka batas interval kelas
ke notasi pada distribusi normal.
68
69
(6). Menarik Kesimpulan a) Persyaratan dan Penafsiran Hasil Uji Liliefors
Karena 𝑋𝑋 2 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 4,402 < 𝑋𝑋 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 9,49 , Adapun pertimbangan yang harus diperhatikan
maka Ho diterima dalam uji liliefors adalah sebagai berikut.
Jadi, populasi tinggi badan mahasiswa tersebut • Data berskala interval atau ratio (kuantitatif).
berdistribusi normal dengan 𝛼𝛼 = 5% • Data tunggal atau belum dikelompokkan pada
1) Uji Liliefors tabel distribusi frekuensi.
Misalkan 𝑥𝑥1 , 𝑥𝑥2 , … 𝑥𝑥𝑛𝑛 adalah data yang akan diuji • Dapat digunakan untuk 𝑛𝑛 besar maupun 𝑛𝑛 kecil
dengan tingkat signifikan 5 % maka nilai uji statistik dengan
Hasil yang didapatkan (|𝐹𝐹(𝑍𝑍𝑖𝑖 ) − 𝑆𝑆(𝑍𝑍𝑖𝑖 )|)
metode Liliefors dapat diperoleh dengan menggunakan selanjutnya dibandingkan dengan nilai tabel kritis
rumus sebagai berikut:
Liliefors. Penarikan kesimpulan didasarkan pada
pedoman sebagai berikut.
𝐿𝐿 = max(|𝐹𝐹(𝑍𝑍𝑖𝑖 ) − 𝑆𝑆(𝑍𝑍𝑖𝑖 )|)
• Jika nilai |𝐹𝐹(𝑍𝑍𝑖𝑖 ) − 𝑆𝑆(𝑍𝑍𝑖𝑖 )| terbesar < nilai tabel
kritis Liliefors, maka 𝐻𝐻𝑜𝑜 diterima ; 𝐻𝐻𝑎𝑎 ditolak.
Dengan :
• Jika nilai |𝐹𝐹(𝑍𝑍𝑖𝑖 ) − 𝑆𝑆(𝑍𝑍𝑖𝑖 )| terbesar > nilai tabel
𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 𝑘𝑘𝑘𝑘 − 𝑖𝑖 kritis Liliefors, maka 𝐻𝐻𝑜𝑜 ditolak ; 𝐻𝐻𝑎𝑎 diterima.
𝑆𝑆(𝑍𝑍𝑖𝑖 ) =
𝑛𝑛
b) Contoh Uji Normalitas Dengan Liliefors
Keterangan : Langkah-langkah Uji Liliefors adalah:
𝐿𝐿 : Statistik uji dengan metode Liliefors
(1). Menentukan Hipotesis.
𝑍𝑍𝑖𝑖 : Data pada 𝑋𝑋𝑖𝑖 yang distandarrisasi berdasarkan
𝑋𝑋𝑖𝑖 − X (2). Menentukan tingkat Signifikansi.
rumus Z =
𝑆𝑆𝑆𝑆 𝑋𝑋𝑖𝑖 − X
𝑋𝑋𝑖𝑖 : Angka pada data (3). Menghitung Zi = , setelah Standar Deviasi /
𝑆𝑆𝑆𝑆
𝐹𝐹(𝑍𝑍𝑖𝑖 ) : Probabilitas kumulatif normal di 𝑍𝑍𝑖𝑖 Simpangan Bakunya diketahui.
𝑆𝑆(𝑍𝑍𝑖𝑖 ) : Probabilitas kumulatif empiris 𝑍𝑍𝑖𝑖
(4). Menghitung probabilitas kumulatif normal di 𝑍𝑍𝑖𝑖
dengan melihat tabel uji Z.
(5). Menghitung
70
71
𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 𝑘𝑘𝑘𝑘 − 𝑖𝑖 Tabel 6.6 Tabel Kerja Uji Normalitas Liliefors
𝑛𝑛
(6). Menghitung selisih |𝐹𝐹(𝑍𝑍𝑖𝑖 ) − 𝑆𝑆(𝑍𝑍𝑖𝑖 )|
(7). Mengambil harga yang paling besar di antara
harga-harga mutlak, kita sebut dengan 𝐿𝐿𝑜𝑜 .
(8). Membandingkan 𝐿𝐿𝑜𝑜 dengan Tabel Nilai Kritis
Untuk Uji Liliefors.
(9). Menarik kesimpulan.
Contoh :
𝑋𝑋𝑖𝑖 − X
Nilai ujian 20 mahasiswa adalah sebagai berikut: (3). Menghitung Zi = , diperoleh X = 68,3 dan SD
𝑆𝑆𝑆𝑆
91, 50, 73, 74, 55, 86, 70, 43, 47, 80 = 17
40, 85, 64, 61, 58, 95, 52, 67, 83, 92 40−68,3
Pada data pertama diperoleh Zi = =
17
Selanjutnya akan diuji apakah data tersebut berasal dari
−1,66 dengan rumus yang sama dapat dicari Zi
populasi yang berdistribusi normal atau tidak.
sampai dengan data terakhir.
Penyelesaian :
(4). Menghitung probabilitas kumulatif normal di 𝑍𝑍𝑖𝑖
(1). Menentukan Hipotesis dengan melihat tabel uji Z.
𝐻𝐻𝑜𝑜 : Data populasi nilai ujian mahasiswa • Pada data pertama Zi = -1,66. Nilai tabel
berdistribusi normal. normal uji Z untuk 1,66 adalah 0,4515. Untuk
𝐻𝐻𝑎𝑎 : Data populasi nilai ujian mahasiswa mencari nilai 𝐹𝐹(𝑍𝑍𝑖𝑖 ) dari -1,66, maka :
berdistribusi tidak normal.
0,5 – nilai pada tabel normal uji Z
(2). Menentukan tingkat signifikansi 𝛼𝛼 =
5 % 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 0,05 Sehingga diperoleh : 0,5 – 0,4515 =
0,0485. Dengan cara yang sama dapat
dilakukan pada Zi yang bernilai negatif.
72
73
• Pada data yang ke- 11 Zi = 0,10. Nilai tabel (8). Membandingkan 𝐿𝐿𝑜𝑜 dengan Tabel Nilai Kritis
normal uji Z untuk 0,10 adalah 0,0398. Untuk Untuk Uji Liliefors.
mencari nilai 𝐹𝐹(𝑍𝑍𝑖𝑖 ) dari 0,10, maka :
𝐿𝐿𝑜𝑜 = 0,0823
0,5 + nilai pada tabel normal uji Z Tabel Nilai Kritis untuk Uji Liliefors dengan n
= 20, yaitu 0,190
Sehingga diperoleh : 0,5 + 0,0398 =
0,5398. Dengan cara yang sama dapat (9). Menarik kesimpulan
dilakukan pada Zi yang bernilai positif. 𝐿𝐿𝑜𝑜 = 0,0823 < 𝐿𝐿𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 0,190 maka 𝐻𝐻𝑜𝑜 diterima
(5). Menghitung ; 𝐻𝐻𝑎𝑎 ditolak. Yang artinya data di atas berasal dari
populasi yang berdistribusi normal.
𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 𝑘𝑘𝑘𝑘 − 𝑖𝑖
𝑛𝑛
1
Pada data kelima 𝑆𝑆(𝑍𝑍𝑖𝑖 ) = 20
= 0,05.
Dengan cara yang sama dapat dilakukan pada data
yang lainnya.
(6). Menghitung selisih |𝐹𝐹(𝑍𝑍𝑖𝑖 ) − 𝑆𝑆(𝑍𝑍𝑖𝑖 )|
Pada data pertama diperoleh |0,0485 −
0,05| = |−0,0015| = 0,0015
Dengan cara yang sama dapat dilakukan pada
data yang lainnya.
(7). Mengambil harga yang paling besar di antara
harga-harga mutlak, kita sebut dengan 𝐿𝐿𝑜𝑜
Pada data di atas harga mutlak yang paling
besar adalah 0,0823.
Jadi 𝐿𝐿𝑜𝑜 = 0,0823
74
75
BAB VII a. Tentukan taraf sigifikansi (α) untuk menguji
HOMOGENITAS DATA hipotesis:
Ho : (varians 1 sama dengan varians 2 atau
7.1 Pengertian Homogenitas Data homogen)
Uji homogenitas adalah pengujian yang berguna untuk H1 : (varians 1 tidak sama dengan varians 2 atau
mengetahui sekumpulan data yang variansnya homogen atau tidak homogen)
seragam. Dalam data yang diuji model yang digunakan harus
b. Hitung varians tiap kelompok data
cocok dengan komposisi dan distribusi datanya. Karena model
yang sesuai dengan keadaan data adalah apabila simpangan c. Tentukan nilai 𝐹𝐹ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 yaitu, 𝐹𝐹ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 :
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇
estimasinya mendekati 0. Agar penyimpangan estimasi tidak 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇
terlalu besar, maka data tersebut perlu di uji homogenitas d. Tentukan 𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 : untuk taraf signifikan (α) , 𝑑𝑑𝑘𝑘1 =
variansinya. Uji homogenitas bisa di uji dengan uji Fisher dan 𝑑𝑑𝑘𝑘 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = 𝑛𝑛𝑎𝑎 -1, dan 𝑑𝑑𝑘𝑘2 = 𝑑𝑑𝑘𝑘 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = 𝑛𝑛𝑏𝑏 -1
uji Bartlet.
e. Lakukan pengujian dengan membandingkan nilai
𝐹𝐹ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 dan 𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
7.2 Uji Homogenitas dengan Perhitungan Manual
f. Jika 𝐹𝐹ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 < 𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 , maka kelompok data
1) Uji Fisher
memiliki varians yang homogen.
Uji F atau uji Fisher adalah uji Eksak yang diturunkan
b) Contoh Uji Homogenitas Dengan Uji Fisher:
oleh seseorang bernama Fisher, karenanya disebut Uji
Eksak Fisher. Tujuan uji Eksak Fisher antara lain adalah Nilai IPA 10 Orang Siswa SD Negeri 2 Rajabasa
untuk menguji taraf signifikansi hipotesis komparatif dua Berdasarkan Jenis Kelamin:
sampel independen, selain itu juga untuk mengetahui Tabel 7.1 Tabel Bantu
apakah ada perlakuan yang berbeda dari dua populasi yang
LAKI - LAKI PEREMPUAN
di uji. NO
𝒙𝒙𝒊𝒊 ̅
𝒙𝒙𝒊𝒊 − 𝒙𝒙 ̅)𝟐𝟐
(𝒙𝒙𝒊𝒊 − 𝒙𝒙 𝒚𝒚𝒊𝒊 ̅
𝒚𝒚𝒊𝒊 − 𝒚𝒚 ̅)𝟐𝟐
(𝒚𝒚𝒊𝒊 − 𝒚𝒚
a) Langkah Pengujian dan Penafsiran Hasil Uji Fisher 1 70 0 0 80 12 144
2 60 -10 100 70 2 4
Adapun langkah pada uji Fisher adalah sebagai 3 70 0 0 60 -8 64
berikut. 4 80 10 100 50 -18 324
5 60 -10 100 80 12 144
76
77
6 70 0 0 70 2 4 Setelah mendapatkan hasil dari 𝑆𝑆12 dan 𝑆𝑆22 , selanjutnya
7 60 -10 100 70 2 4
bisa kita tentukan mana yang variansnya lebih besar
8 80 10 100 80 12 144
9 80 10 100 60 -8 64
akan menjadi 𝑆𝑆𝑏𝑏 , dan varians yang lebih kecil akan
10 70 0 0 60 -8 64 menjadi 𝑆𝑆𝑘𝑘 .
Jumlah 600
700 600 680 960 𝑆𝑆12 =
(𝚺𝚺) 10 − 1
Rata-
70 68 600
rata 𝑆𝑆12 =
9
Untuk mencari rata-rata, bisa digunakan rumus sebagai
𝑆𝑆12 = 66,667
berikut:
∑ 𝒙𝒙𝒊𝒊 ∑ 𝒚𝒚𝒊𝒊 960
̅=
𝒙𝒙 ̅=
𝒚𝒚 𝑆𝑆22 =
𝒏𝒏𝒙𝒙 𝒏𝒏𝒚𝒚 10 − 1
700 680
𝑥𝑥̅ = y̅ = 960
10 10 𝑆𝑆22 =
𝑥𝑥̅ = 70 y̅ = 68 9
Dari data yang dimuat dalam tabel tersebut, kita bisa 𝑆𝑆22 = 106,667
mencari 𝐹𝐹ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 : Jika 𝑆𝑆𝑏𝑏 ≡ 𝑆𝑆22 = 106,667 dan 𝑆𝑆𝑘𝑘 ≡ 𝑆𝑆12 = 66,667
𝑺𝑺𝒃𝒃
𝑭𝑭𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉 =
𝑺𝑺𝒌𝒌
Maka,
Dengan ketentuan: 106,667
𝐹𝐹ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 =
𝑺𝑺𝒃𝒃 adalah varians data terbesar. 66,667
𝐹𝐹ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 1,59999700001
𝑺𝑺𝒌𝒌 adalah varians data terkecil. 𝐹𝐹ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 1,6
Untuk mencari Varians data tersebut, kita bisa Setelah mengetahui hasil dari 𝐹𝐹ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 , tahap
menggunakan rumus: selanjutnya adalah mencari 𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 . Tabel yang digunakan
̅)𝟐𝟐
∑(𝒙𝒙𝒊𝒊 −𝒙𝒙 ̅)𝟐𝟐
∑(𝒚𝒚𝒊𝒊 −𝒚𝒚 dalam Uji F adalah tabel lampiran D.
𝑺𝑺𝟐𝟐𝟏𝟏 = 𝒏𝒏𝒙𝒙 −𝟏𝟏
𝑺𝑺𝟐𝟐𝟐𝟐 = 𝒏𝒏𝒚𝒚 −𝟏𝟏
𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 𝐹𝐹𝛼𝛼 (𝑛𝑛𝑥𝑥 − 1, 𝑛𝑛𝑦𝑦 − 1)
Dengan ketentuan taraf signifikansi (α) = 5%
78
79
𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 𝐹𝐹0,05 (10 − 1, 10 − 1) dibandingkan dengan nilai 𝑥𝑥 2 dari tabel distribusi 𝑥𝑥 2 (tabel
𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 𝐹𝐹0,05 (9,9) distribusi Chi Kuadrat) pada taraf signifikansi yang
Dalam tabel dituliskan v1 dan v2, dimana v1 adalah nx – ditentukan dengan derajat kebebasan (dk) = k-1, yang mana
1 dan v2 adalah ny – 1. k menyatakan banyak kelompok. Bila 𝑥𝑥 2 -hitung lebih kecil
Dalam sumber lain juga menyebutkan bahwa dk1 = v1 daripada 𝑥𝑥 2 -tabel, makan hipotesis nol diterima. Artinya,
adalah nx – 1 dan dk2 = v2 adalah ny – 1. varians data pada setiap kelompok homogen atau sering
disebut bahwa data berasal dari populasi yang homogen.
Jadi 𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 𝐹𝐹0,05 (9,9)
a) Langkah Pengujian dan Penafsiran Hasil Uji Barlet
𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 3,18
Adapun langkah pada uji Barlet adalah sebagai
Dapat ditentukan 𝐹𝐹ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 < 𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 .Yang artinya bahwa berikut.
kelompok data memiliki varians yang homogen.
a) Pertama dibuat tabel kerja seperti ini.
2) Uji Barlet
Tabel 7.2 Tabel Kerja
Uji Bartlet adalah pengujian untuk uji kesamaan ragam
Sampel dk 1 𝑆𝑆12 log 𝑆𝑆12 𝑑𝑑𝑑𝑑 × 𝑆𝑆12 𝑑𝑑𝑑𝑑
atau varians. Uji Bartlet digunakan untuk menguji apakah k 𝑑𝑑𝑑𝑑 × log 𝑆𝑆12
sampel berasal dari populasi dengan keseragaman varians.
k sampel bisa berapa saja, karena biasanya uji Bartlet
digunakan untuk menguji sampel atau kelompok yang lebih
Total
dari 2. Varians yang sama diseluruh sampel disebut homo
scedasticity atau homogenitas varians. Uji bartlet pertama b) Selanjutnya dihitung varians gabungan (S2) dengan
kali diperkenalkan oleh M. S. Bartlett (1937). Uji Bartlet rumus:
diperlukan dalam beberapa uji statistik seperti analysis of
variance (ANOVA) sebagai syarat jika ingin menggunakan Ʃ(𝒅𝒅𝒅𝒅 × 𝑺𝑺𝟐𝟐𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔 )
𝑺𝑺𝟐𝟐 = atau
Anova. Berdasarkan info dari Wikipedia uji Bartlet ini Ʃ𝒅𝒅𝒅𝒅
(𝒅𝒅𝒅𝒅𝒙𝒙 ×𝑺𝑺𝟐𝟐𝒙𝒙 )+(𝒅𝒅𝒅𝒅𝒚𝒚 ×𝑺𝑺𝟐𝟐𝒚𝒚 )+(𝒅𝒅𝒅𝒅𝒛𝒛 ×𝑺𝑺𝟐𝟐𝒛𝒛 )
dinamai oleh Maurice Stevenson Bartlett. Uji Bartlet dapat 𝑺𝑺𝟐𝟐 = 𝒅𝒅𝒅𝒅𝒙𝒙 +𝒅𝒅𝒅𝒅𝒚𝒚 +𝒅𝒅𝒅𝒅𝒛𝒛
digunakan apabila data yang digunakan sudah di uji c) Bila harga varians gabungan (S2) sudah diperoleh,
normalitas dan datanya merupakan data normal. maka selajutnya dihitung nilai B dengan rumus :
Uji Bartlet dengan menghitung 𝑥𝑥 2 . Harga 𝑥𝑥 2 yang
𝑩𝑩 = (Ʃ𝒅𝒅𝒅𝒅) × 𝐥𝐥𝐥𝐥𝐥𝐥 𝑺𝑺𝟐𝟐
diperoleh dari perhitungan (𝑥𝑥 2 -hitung) selanjutnya
80
81
d) Setelah ditemukan nilai B, lakukan perhitungan Hipotesis Statistik yang diuji, antara lain :
untuk mendapatkan nilai 𝑥𝑥 2 dengan menggunakan
H0 = 𝑆𝑆𝑥𝑥2 = 𝑆𝑆𝑦𝑦2 = 𝑆𝑆𝑧𝑧2 .
rumus:
H1 = Paling tidak satu varians berbeda.
𝑿𝑿𝟐𝟐 𝑯𝑯𝑯𝑯𝑯𝑯𝑯𝑯𝑯𝑯𝑯𝑯 = (𝐥𝐥𝐥𝐥 𝟏𝟏𝟏𝟏) × { 𝑩𝑩 − Ʃ (𝒅𝒅𝒅𝒅 × 𝐥𝐥𝐥𝐥𝐥𝐥 𝑺𝑺𝟐𝟐𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔 )}
e) Selanjutnya, nilai 𝑥𝑥 2 yang diperoleh dari Tabel 7.4 Tabel Rangkuman Kerja Uji Barlet
perhitungan dibandingkan dengan nilai 𝑥𝑥 2 yang
diperoleh dari tabel distribusi 𝑥𝑥 2 (tabel distribusi
Chi Kuadrat). Apabila 𝑥𝑥 2 - hitung lebih kecil
daripada𝑥𝑥 2 -tabel, maka hipotesis nol diterima. Jadi
kelompok data memiliki varians yang homogen.
b) Contoh Uji Homogenitas dengan Uji Barlet Setelah membuat tabel kerja seperti di atas, lanjutkan
Sebuah penelitian ingin membandingkan tingkat dengan menghitung Varians Gabungan dari varians
kemandirian anak berdasarkan kelompok daerah, yaitu sampel yang ada,
pedesaan (x), pinggiran kota (y), dan perkotaan (z). Ʃ(𝒅𝒅𝒅𝒅 × 𝑺𝑺𝟐𝟐𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔 )
Data yang diperoleh sebagai berikut: 𝑺𝑺𝟐𝟐 =
Ʃ𝒅𝒅𝒅𝒅
15715,09
Tabel 7.3 Tabel Kerja Uji Barlet 𝑆𝑆 2 =
57
𝑆𝑆 2 = 275,70
Setelah mendapatkan nilai Varians Gabungan,
lanjutkan dengan menghitung Log dari Varians
Gabungan (log𝑆𝑆 2 )
𝐥𝐥𝐥𝐥𝐥𝐥 𝑺𝑺𝟐𝟐 = log 275,70
= 2,44
Setelah mendapatkan nilai Log dari Varians Gabungan
(log 𝑆𝑆 2 ), lanjutkan dengan menghitung nilai B.
𝑩𝑩 = (Ʃ𝒅𝒅𝒅𝒅) × 𝐥𝐥𝐥𝐥𝐥𝐥 𝑺𝑺𝟐𝟐
𝐵𝐵 = 57 × 2,44
𝐵𝐵 = 139,08
82
83
Selanjutnya, Jika Nilai B telah didapat, maka kita BAB VIII
bisa tentukan 𝑥𝑥 2 Hitung dengan rumus sebagai berikut: UJI HIPOTESIS
𝒙𝒙𝟐𝟐 𝑯𝑯𝑯𝑯𝑯𝑯𝑯𝑯𝑯𝑯𝑯𝑯 = (𝐥𝐥𝐥𝐥 𝟏𝟏𝟏𝟏) × { 𝑩𝑩 − Ʃ (𝒅𝒅𝒅𝒅 × 𝐥𝐥𝐥𝐥𝐥𝐥 𝑺𝑺𝟐𝟐𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔𝒔 ) }
𝑥𝑥 2 𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻 = (2,303) × { 139,08 − 139,10 } 8.1 Uji Hipotesis dengan t-test
𝑥𝑥 2 𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻 = −0,046
Pengujian Hipotesis adalah suatu prosedur yang dilakukan
Jadi, dari perhitungan di atas diperoleh
2 dengan tujuan memutuskan apakah menerima atau menolak
𝑥𝑥 𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻 = −0,046
hipotesis nol. Dalam pengujian hipotesis, keputusan yang di buat
Tentukan 𝑥𝑥 2 Tabel dengan rumus sebagai berikut:
mengandung ketidakpastian, artinya keputusan bisa benar atau
𝑥𝑥 2 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 = 𝑥𝑥𝛼𝛼2 (𝑘𝑘 − 1) salah, sehingga menimbulkan risiko. Besar kecilnya risiko
2 (3
𝑥𝑥 2 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 = 𝑥𝑥0,05 − 1) dinyatakan dalam bentuk probabilitas. Uji hipotesis yang akan
2 2 (2)
𝑥𝑥 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 = 𝑥𝑥0,05 dibahas pada buku ini adalah uji – t (t – test), anava satu jalur,
𝑥𝑥 2 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 = 5,99 anava dua jalur, anacova dan manova. Uji hipotesis pada buku
Jika dibandingkan, ternyata 𝑥𝑥 2 𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻 < ini dipaparkan secara perhitungan manual dan berbantuan SPSS.
𝑥𝑥 2 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇, sehingga H0 diterima. Jadi bisa ditarik
1) Uji – t (t – Test)
kesimpulan bahwa kelompok data memiliki varians
yang homogen. a. Uji – t Dengan Perhitungan Manual
Uji - t adalah uji statistik yang digunakan untuk
menguji kebenaran atau kepalsuan hipotesis nol. Uji - t
pertama kali dikembangkan oleh William Seely Gosset
pada tahun 1915. Awalnya William Seely Gosset
menggunakan nama samaran Student, dan huruf t yang
terdapat dalam istilah uji “t” dari huruf terakhir nama
beliau. Uji - t disebut juga dengan nama student t.
Uji - t (t – test) merupakan statistik uji yang sering
kali ditemui dalam masalah – masalah praktis statistika.
Uji - t merupakan golongan statistika parametrik.
Statistik uji ini digunakan dalam pengujian hipotesis.
Uji - t digunakan ketika informasi mengenai nilai
84
85
simpangan baku populasi tidak diketahui. Uji t adalah 𝐻𝐻𝑎𝑎 : µ < µ0
salah satu uji yang digunakan untuk mengetahui ada Keterangan :
atau tidaknya perbedaan yang signifikan µ = Nilai dugaan
(menyakinkan) dari dua mean (rata – rata) sampel.
µ0 = Rata – rata nilai ideal
Didasarkan atas arah atau bentuk formulasi
hipotesisnya, pengujian hipotesis untuk satu sampel di c) Menentukan resiko kesalahan α (taraf
bedakan menjadi 3 jenis yaitu, pengujian hipotesis dua signifikansi/probabilitas) dan Kriteria
pihak (two tail test), pengujian hipotesis satu arah pihak Pengujian
kiri, pengujian hipotesis satu arah pihak kanan. Jika : - ttabel ≤ thitung, maka 𝐻𝐻0 diterima
1. Uji - t Satu Arah (Pihak Kiri) Jika : - ttabel > thitung, maka 𝐻𝐻0 ditolak
Pengujian hipotesis pihak kiri adalah d) Menghitung t hitung dan t tabel

pengujian hipotesis di mana hipotesis nol (𝐻𝐻0 ) e) Membuat tabel bantu seperti tabel di bawah
berbunyi “sama dengan” atau “lebih besar sama ini.
dengan” dan hipotesis alternatifnya (𝐻𝐻𝑎𝑎 ) berbunyi
Tabel 8.1 Tabel Bantu Uji-t
“lebih kecil” atau “lebih kecil sama dengan”
Langkah-langkah uji-t pihak kiri adalah
No 𝑥𝑥𝑖𝑖 𝑓𝑓 (𝑥𝑥𝑖𝑖 − 𝑥𝑥̅ )2
1 ... ... ...
sebagai berikut: … ... ... ...
a) Menentukan hipotesis dalam uraian kalimat. N ... ... ...
𝐻𝐻0 : Pernyataan atau dugaan yang menyatakan nilai f) Menghitung nilai rata – rata pengamatan
sama dengan atau paling tinggi dari suatu ̅𝑥𝑥 =
∑ 𝑥𝑥𝑖𝑖
𝑛𝑛
objek penelitian.
g) Menentukan nilai standar deviasi, dengan
𝐻𝐻𝑎𝑎 : Pernyataan atau dugaan yang menyatakan
rumus:
nilai kurang dari paling rendah dari suatu
objek penelitian. ∑(𝑥𝑥𝑖𝑖 −𝑥𝑥̅ )2
𝑆𝑆𝑆𝑆 = √
𝑛𝑛
b) Membuat Hipotesis dalam model statistik.
Keterangan :
𝐻𝐻0 : µ = µ0
86
87
𝑥𝑥𝑖𝑖 = Hasil Pengamatan sama dengan” dan hipotesis alternatifnya (𝐻𝐻𝑎𝑎 )
berbunyi “lebih besar” atau “lebih besar atau sama
n = Jumlah Pengamatan
dengan” (𝐻𝐻0 = atau 𝐻𝐻0 ≤ dan 𝐻𝐻𝑎𝑎 > atau 𝐻𝐻𝑎𝑎 ≥).
̅𝑥𝑥 = Rata – rata Pengamatan
Langkah-langkah uji-t pihak kanan adalah
sebagai berikut:
h) Menghitung nilai t hitung, dengan rumus:
a) Menentukan hipotesis dalam uraian kalimat.
̅𝑥𝑥 − μ0
𝑡𝑡ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 𝐻𝐻0 : Pernyataan atau dugaan yang
𝑆𝑆𝑆𝑆
menyatakan nilai sama dengan atau
√𝑛𝑛 paling tinggi dari suatu objek penelitian
i) Menentukan nilai t tabel 𝐻𝐻𝑎𝑎 : Pernyataan atau dugaan yang
Nilai ttabel = −t1- α dengan ketentuan dk = n-1 menyatakan paling rendah dari suatu
sehingga nilai ttabel = (−t1- α , dk) objek penelitian
b) Membuat Hipotesis dalam model statistik.
j) Mengambil kesimpulan menerima atau
menolak 𝑯𝑯𝟎𝟎 . 𝐻𝐻0 : µ = µ0
𝐻𝐻𝑎𝑎 : µ > µ0
c) Menentukan resiko kesalahan α (taraf
signifikansi/ probabilitas) dan Kriteria
Pengujian.
Jika : t tabel (α, n-1) ≤ t hitung, maka 𝐻𝐻0 ditolak
Jika : t tabel (α, n-1) > t hitung, maka 𝐻𝐻0 diterima
d) Untuk langkah selanjutnya sama seperti uji - t
satu arah pihak kiri, yang berbeda hanya
Gambar 8.1 Daerah Penerimaan H0 Pihak Kiri gambar daerah keputusannya. Untuk daerah
2. Uji Satu Arah (Pihak Kanan) keputusan uji-t pihak kanan yaitu sebagai
berikut:
Pengujian hipotesis pihak kanan adalah
pengujian hipotesis di mana hipotesis nol (𝐻𝐻0 )
berbunyi “sama dengan” atau “lebih kecil atau
88
89
c) Menentukan resiko kesalahan α (taraf
signifikansi/ probabilitas) dan Kriteria
Pengujian.
Jika : - t tabel ≤ t hitung ≤ t tabel, maka Ho diterima
Jika : t hitung > t tabel, maka Ho ditolak
d) Untuk langkah selanjutnya sama seperti
uji-t satu arah pihak kiri, yang berbeda yaitu
Gambar 8.2 Daerah Penerimaan H0 Pihak
cara menentukan ttabel = t(1-α/2) serta gambar
Kanan
daerah keputusannya. Untuk daerah keputusan
3. Uji - t Dua Arah uji - t dua arah yaitu sebagai berikut:
Pengujian hipotesis dengan uji t dua arah
adalah pengujian hipotesis di mana hipotesis nol
(Ho) berbunyi “sama dengan” dan hipotesis
alternatifnya (Ha) berbunyi “tidak sama dengan”
(Ho = dan Ha ≠).
Langkah-langkah menentukan uji-t dua arah Gambar 8.3 Daerah Penerimaan H0 Dua Arah
yaitu: 4. Uji - t Dengan Menguji Rata – Rata 2 Kelompok
Data Tunggal
a) Menentukan hipotesis dalam uraian kalimat.
𝐻𝐻0 : Pernyataan atau dugaan yang Uji t dengan menguji rata – rata dua kelompok
menyatakan nilai sama dengan dari suatu data adalah salah satu uji hipotesis yang di dapat
objek penelitian dengan cara membanding rerata dua kelompok
𝐻𝐻𝑎𝑎 : Pernyataan atau dugaan yang data. Uji statistik yang membandingkan mean dua
menyatakan nilai tidak sama dengan dari kelompok data ini disebut uji beda dua mean.
suatu objek penelitian Sebelum kita melakukan uji statisik dua
b) Membuat Hipotesis dalam model statistik. kelompok data, kita perlu perhatikan apakah dua
𝐻𝐻0 : µ = µ0 kelompok data tersebut berasal dari dua kelompok
𝐻𝐻𝑎𝑎 : µ ≠ µ0 yang independen atau berasal dari dua kelompok
yang dependen (pasangan). Dikatakan kedua
90
91
kelompok data independen bila data kelompok standar deviasi yang akhirnya akan membedakan
yang satu tidak tergantung dari data kelompok rumus pengujiannya.
kedua. Sedangkan dua kelompok data dikatakan
Uji beda dua mean kelompok data independen
dependen (pasangan) bila kelompok data yang dibagi menjadi dua bagian yaitu:
dibandingkan datanya saling mempunyai
ketergantungan, misalnya data berat badan a) Uji - t Dengan Sampel Independen
sebelum dan sesudah mengikuti program diet Uji beda dua mean dapat dilakukan
berasal dari orang yang sama (data sesudah dengan menggunakan uji - Z atau uji - t. Uji -
dependen/ tergantung dengan data sebelumnya). Z dapat digunakan bila standar deviasi
Pada makalah ini akan kami bahas uji – t dengan populasi (𝜎𝜎) diketahui dan jumlah sampelnya
dua kelompok data yang independen. besar (lebih dari 30). Apabila kedua syarat
Uji beda dua mean kelompok data independen tersebut tidak terpenuhi maka dilakukan uji -
ditujukan untuk untuk mengetahui perbedaan t. Pada umumnya nilai 𝜎𝜎 sulit diketahui,
mean dua kelompok data independen. Ada sehingga uji beda dua mean biasanya
beberapa syarat atau asumsi yang harus dipenuhi menggunakan uji - t (t-test). Adapun langkah
yaitu: – langkah ujinya adalah sebagai berikut.
a) Data berdistribusi normal. a. Membuat Hipotesis
b) Kedua kelompok data independen. H0 = Rerata kelompok 1 sama dengan

kelompk 2
c) Variabel yang dihubungkan berbentuk Ha = Rerata kelompok 1 tidak sama
numerik dan katagori (dengan hanya dua dengan kelompok 2
kelompok).
b. Membuat Hipotesis dalam model statistik
Prinsip pengujian dua mean adalah melihat
perbedaan variasi kedua kelompok data. Oleh H0 : 𝜇𝜇1 = 𝜇𝜇2 atau 𝜇𝜇1 − 𝜇𝜇2 = 0
karena itu dalam pengujian ini diperlukan Ha : 𝜇𝜇1 ≠ 𝜇𝜇2
informasi apakah varian kedua kelompok yang
diuji sama atau tidak. Bentuk varian kedua
kelompok data akan berpengaruh pada nilai
92
93
c. Membuat tabel pembantu (n1 − 1)S12 + (n2 − 1)S 22
S2 =
Tabel 8.2 Tabel Bantu Uji-t (n1 + n2 − 2)
No. 𝑋𝑋1 𝑋𝑋2 ̅̅̅ ̅̅̅2 (𝑋𝑋1 − ̅̅̅
𝑋𝑋1 )2 ̅̅̅2 )2
𝑋𝑋1 𝑋𝑋 (𝑋𝑋2 − 𝑋𝑋 Setelah di dapatkan nilai S kuadrat
1 … … … … … … (varian) maka di tarik akar untuk
2 … … … … … …
… … … … … … …
mendapatkan nilai simpangan baku
… … … … … … … gabungannya.
n … … … … … …
g. Menghitung nilai 𝒕𝒕𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉 dengan rumus
d. Menghitung nilai rata – rata masing – sebagai berikut :
masing kelompok data X1 − X 2
t hit =
∑ 𝑋𝑋𝑖𝑖 1 1
̅̅̅
𝑋𝑋1 = S +
𝑛𝑛1 n1 n 2
∑ 𝑋𝑋𝑖𝑖 h. Menghitung nilai derajat kebebasan dan
̅̅̅
𝑋𝑋2 =
𝑛𝑛2 ttabel
dk = ( n1 + n2 – 2 )
e. Menghitung nilai simpangan baku masing
– masing kelompk data 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = (1 − 𝛼𝛼, 𝑑𝑑𝑑𝑑 )
2
∑(𝑥𝑥𝑖𝑖 − 𝑥𝑥
̅) i. Menentukan kesimpulan kriteria
𝑆𝑆1 = √
𝑛𝑛1 pengujian adalah tolak Ho jika t hit  t (1− )
2 , dimana t (1− ) didapat dari tabel distribusi
̅)
𝑆𝑆2 = √ t pada taraf signifikasi  5% dengan
𝑛𝑛2
derajat kebebasan dk = ( n1 + n2 − 2 ).
f. Menghitung simpangan baku gabungan (
S) Keterangan :
Untuk mencari simpangan baku X 1 = rata-rata dari kelompok data 1

gabungan dicari dengan rumus dibawah X 2 = rata-rata dari kelompok data 2
ini :
S = simpangan baku gabungan
S 1 = simpangan baku dari kelompok data 1
94
95
S 2 = simpangan baku dari kelompok data Tabel 8.3 Tabel Bantu Uji-t
2 No. 𝑋𝑋1 𝑋𝑋2 ̅̅̅
𝑋𝑋1 ̅̅̅2
𝑋𝑋 (𝑋𝑋1 − ̅̅̅
𝑋𝑋1 )2 (𝑋𝑋2 − ̅̅̅
𝑋𝑋2 )2
n1 = banyak subjek dari kelompok data 1 1 … … … … … …
𝑛𝑛2 = banyak subjek dari kelompok data 2 2 … … … … … …
… … … … … … …
𝑑𝑑𝑑𝑑 = derajat kebebasan … … … … … … …
b) Uji-t dengan Sampel Dependen n … … … … … …
Jika varian dari kelompok data tidak d. Menghitung nilai rata – rata masing –
homogen, maka pengujian uji – t dilakukan masing kelompok data
dengan langkah – langkah sebagai berikut. ∑ 𝑋𝑋𝑖𝑖
̅̅̅
𝑋𝑋1 =
𝑛𝑛1
a. Membuat Hipotesis ∑ 𝑋𝑋𝑖𝑖
̅̅̅
𝑋𝑋2 =
H0 = Rerata kelompok 1 sama dengan 𝑛𝑛2
kelompk 2
e. Menghitung nilai simpangan baku masing
Ha = Rerata kelompok 1 tidak sama
– masing kelompok data
dengan kelompok 2
2
̅)
b. Membuat Hipotesis dalam mode statistik 𝑆𝑆1 = √
𝑛𝑛1
H0 : 𝜇𝜇1 = 𝜇𝜇2 atau 𝜇𝜇1 − 𝜇𝜇2 = 0
2
Ha : 𝜇𝜇1 ≠ 𝜇𝜇2 ∑(𝑥𝑥𝑖𝑖 − 𝑥𝑥
̅)
𝑆𝑆2 = √
𝑛𝑛2
c. Membuat tabel bantu seperti berikut
96
97
f. Menghitung nilai 𝒕𝒕𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉 dengan 3 aspek penilaian dan dihasilkan data skor
siswa sebagai berikut:
X1 − X 2 Tabel 8.4 Skor Siswa
𝑡𝑡ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 =
 S12   S 22  Kelompok 1 Kelompok 2
 +  191 178
n  n 
 1   2  202 175
183 187
g. Membuat kesimpulan 196 170
195 175
Penarikan kesimpulan didasarkan 193 173
pada pedoman: 207 163
198 171
w1t1 + w2 t 2
Jika 𝑡𝑡ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖  maka H0 ditolak
w1 + w2
Penyelesaian:
S2 S2
Dengan: w1 = 1 ; w2 = 2 1. Menentukan nilai varian masing-masing
n1 n2
kelompok untuk mengetahui uji t yang akan
t1 = t (1 −  )(n1 − 1) ; t 2 = t (1 −  )(n2 − 1)
dipakai.
Dimana derajat kebebasan masing-masing
(n1 − 1) dan (n2 −1) serta taraf signifikan 5% Tabel 8.5 Tabel Bantu Uji-t
No 𝑥𝑥1 ̅̅̅
𝒙𝒙𝟏𝟏 𝑥𝑥1 2
(𝑥𝑥1 − ̅̅̅) 𝑥𝑥2 𝑥𝑥2
̅̅̅ 𝑥𝑥2 2
(𝑥𝑥2 − ̅̅̅)
1 191 195,625 21,39 178 174 16
5. Contoh Pengujian Uji – t secara manual 2 202 195,625 40,64 175 174 1
3 183 195,625 159,39 187 174 169
Seorang Guru ingin mengetahui perbedaan 4 196 195,625 0,14 170 174 16
penggunaan metode konvensional dan metode 5 195 195,625 0,39 175 174 1
ekperimental. Penelitian dilakukan pada 16 orang 6 193 195,625 6,89 173 174 1
7 207 195,625 129,39 163 174 121
siswa yang dibagi menjadi dua kelompok. 8 198 195,625 5,64 171 174 9
Kelompok pertama diberikan treatment metode Total 1565 363,875 1392 334
eksperimental dan kelompok kedua diberikan
1565 1392
treatment metode konvensional. Seelah diberikan 𝑥𝑥1 =
̅̅̅ = 195,625, ̅̅̅
𝑥𝑥2 = = 174
8 8
treatment peneliti mengadakan kuis singkat Nilai varian masing-masing kelompok:
98
99
2
𝑆𝑆1 2 =
∑(𝑥𝑥1 −𝑥𝑥
̅̅̅̅)
1
=
363,875
= 45,48 5. Menghitung nilai 𝒕𝒕𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉𝒉
𝑛𝑛1 8
2
𝑆𝑆2 2 =
∑(𝑥𝑥2 −𝑥𝑥
̅̅̅̅)
2
=
334
= 41,74 X1 − X 2
𝑛𝑛2 8 𝑡𝑡ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 =
Karena nilai variannya berbeda maka  S12   S 22 
 + 
rumus thitung yang dipakai yaitu yang rumus n  n 
 1   2 
dengan varian berbeda (data dengan sampel
independen). 195,625−174
𝑡𝑡ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 45,46 41,74
2. Menyusun Hipotesis √(
8
)+(
8
)
H0 = Tidak ada perbedaan antara pengajaran 21,625
𝑡𝑡ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 =
antara metode eksperimental dengan √5,68+5,18
21,625
metode konvensional terhadap 𝑡𝑡ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = = 1,99
10,86
pemahaman siswa.
Ha = Ada perbedaan antara pengajaran antara
metode eksperimental dengan metode 6. Menarik kesimpulan
konvensional terhadap pemahaman w1t1 + w2 t 2
𝑡𝑡ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 
siswa. w1 + w2
3. Membuat Hipotesis statistik Dengan:
𝑆𝑆1 2 45,48
• 𝑤𝑤1 = = = 5,685
H0 : 𝜇𝜇1 = 𝜇𝜇2 atau 𝜇𝜇1 − 𝜇𝜇2 = 0 𝑛𝑛1 8
𝑆𝑆2 2 41,74
Ha : 𝜇𝜇1 ≠ 𝜇𝜇2 • 𝑤𝑤2 = = = 5,218
𝑛𝑛2 8
• 𝑡𝑡1 = 𝑡𝑡(1 − 𝛼𝛼)(𝑛𝑛1 − 1) = 𝑡𝑡(1 −
4. Menghitung nilai simpangan baku masing –
0,05)(8 − 1) = 𝑡𝑡(0,95)(7) = 1,90
masing kelompk data
• Dicari dalam tabel t (0.95)(7) = 1,90
2
∑(𝑥𝑥 −𝑥𝑥) ̅ 363,875
𝑆𝑆1 = √ 𝑛𝑛𝑖𝑖 = √
8
= 6,74 • Karena 𝑡𝑡1 = 𝑡𝑡2 maka nilai 𝑡𝑡2 = 1,90
1
2
Masukkan ke dalam rumus:
∑(𝑥𝑥𝑖𝑖 −𝑥𝑥
̅)
𝑆𝑆2 = √ = √334 = 6,461
𝑛𝑛2 8
100
101
𝑤𝑤1 𝑡𝑡1 +𝑤𝑤2 𝑡𝑡2 Kegunaan Anava
=
𝑤𝑤1 +𝑤𝑤2
(5,685 ×1,90)+ (5,218 ×1,90) 20,7157 Anava digunakan sebagai alat analisis untuk
= = 1,9 menguji hipotesis penelitian yang mana menilai adakah
5,685 +5,218 10,903
Hasil terakhir ini dibandingkan dengan perbedaan rerata antara kelompok. Hasil akhir dari
thitung didapatkan kesimpulan sebagai berikut. analisis anava adalah nilai F test atau F hitung. Nilai F
Hitung ini yang nantinya akan dibandingkan dengan
w1t1 + w2 t 2
𝑡𝑡ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖  nilai pada tabel f. Jika nilai f hitung lebih dari f tabel,
w1 + w2 maka dapat disimpulkan bahwa Ha diterima dan H0
1,99  1,9 sehingga Ho ditolak. ditolak atau yang berarti ada perbedaan bermakna
Yang dapat disimpulkan bahwa ada perbedaan rerata pada semua kelompok.
penggunaan metode eksperimental dengan metode konvensional Analisis anava sering digunakan pada penelitian
terhadap pemahaman siswa. eksperimen dimana terdapat beberapa perlakuan.
Peneliti ingin menguji, apakah ada perbedaan
8.2 Analisis Varians (ANAVA)
bermakna antar perlakuan tersebut.
a. Anava Satu Jalur
Alasan Penggunaan Anava
1. Perhitungan Anava Satu Jalur Secara Manual
• Bisa digunakan untuk data lebih dari 2 kelompok.
Anava adalah sebuah analisis statistik yang
menguji perbedaan rerata antar grup. Grup disini bisa • Memudahkan analisa atas beberapa kelompok
berarti kelompok atau jenis perlakuan. Anava sampel yang berbeda dengan resiko kesalahan
ditemukan dan diperkenalkan oleh seorang ahli statistik terkecil.
bernama Ronald Fisher. • Mengetahui signifikansi perbedaan rata-rata (μ)
Anava merupakan singkatan dari Analisis varians. antara kelompok sampel yang satu dengan yang
Merupakan prosedur uji statistik yang mirip dengan t - lain. Bisa jadi, meskipun secara numeris bedanya
test, namun kelebihan dari Anava adalah dapat menguji besar, namun berdasarkan analisa anava,
perbedaan lebih dari dua kelompok. Berbeda perbedaan tersebut tidak signifikan sehingga
dengan independent sample t test yang hanya bisa perbedaan μ bisa diabaikan. Sebaliknya, bisa jadi
menguji perbedaan rerata dari dua kelompok saja. secara numeris bedanya kecil, namun berdasarkan
analisa anava, perbedaan tersebut signifikan,
102
103
sehingga minimal ada satu μ yang berbeda dan arah) mengelompokkan data berdasarkan satu kriteria
perbedaan μ antar kelompok sampel tidak boleh saja. Misalnya, ingin mengetahui ada perbedaan yang
diabaikan. nyata antara rata-rata hitung tiga kelompok data dan uji
• Analisis varians relatif mudah dimodifikasi dan statistic yang digunakan uji f. Ada beberapa asumsi
yang digunakan untuk pengujian anava, yaitu:
dapat dikembangkan untuk berbagai bentuk
percobaan yang lebih rumit. Selain itu, analisis ini • Data dari populasi-populasi (sampel) berjenis
juga masih memiliki keterkaitan dengan analisis interval atau rasio.
regresi. Akibatnya, penggunaannya sangat luas di
• Populasi-populasi (sampel) yang akan diuji lebih
berbagai bidang, mulai dari eksperimen
dari dua populasi.
laboratorium hingga eksperimen periklanan,
psikologi, dan kemasyarakatan. • Populasi-populasi yang akan diuji berdistribusi
normal.
Syarat Anava
• Varian setiap populasi (sampel) harus sama.
• Sampel berasal dari kelompok yang independen
Analisis varian satu jalur merupakan pengujian
• Data masing-masing kelompok berdistribusi
hipotesis komparatif untuk data berjenis interval atau
normal rasio, dengan k sampel (lebih dari dua sampel) yang
• Varians antar kelompok harus homogen berkorelasi dengan satu faktor yang memengaruhi.
Analisis ragam satu arah sampel k berkorelasi ini
Pemilihan tipe anava tergantung dari rancangan
percobaan (experiment design) yang kita pilih yaitu terbagi dua, yaitu:
anava satu arah biasa dikenal one-way anova. a) Data sampel sama banyak .
One Way Anova (analisis varian satu jalur) Pengertian data sampel sama banyak adalah
biasanya digunakan untuk menguji rata-rata atau data yang diambil dari setiap sampel dan populasi
pengaruh perlakuan dari suatu percobaan yang yang jumlah atau ukurannya sama banyak.
menggunakan satu variabel, dimana satu variabel
tersebut merupakan variabel bebas dan variabel terikat.
Disebut satu arah karena peneliti dalam penelitiannya
hanya berkepentingan dengan satu faktor saja atau juga
dapat dikatakan one-way anova (analisis ragam satu
104
105
1) Prosedur uji statistik data sampel sama Tabel 8.6 Tabel Bantu Uji Anava Satu Jalur
banyak: Populasi Sampel
(n) X1 X2 Xn 𝑋𝑋12 𝑋𝑋22 𝑋𝑋𝑛𝑛2
1. Membuat hipotesis dalam uraian kalimat 1 … … … … … …
2 … … … … … …
H0 : tidak ada perbedaan nilai rata-rata … … … … … … …
antara sampel A, sampel B serta n … … … … … …
Total
sampel C (Xn)
∑ 𝑋𝑋1 ∑ 𝑋𝑋2 ∑ 𝑋𝑋𝑛𝑛 ∑ 𝑋𝑋12 ∑ 𝑋𝑋22 ∑ 𝑋𝑋𝑛𝑛2
Ha : ada perbedaan nilai rata-rata antara

sampel A, sampel B serta sampel C
2. Membuat hipotesis statistik ii. Mencari nilai kuadrat antar baris
(∑ 𝑿𝑿𝟏𝟏 )𝟐𝟐 (∑ 𝑿𝑿𝟐𝟐 )𝟐𝟐 (∑ 𝑿𝑿𝒏𝒏 )𝟐𝟐
H0 : x 1 = x 2 = x 3 𝑱𝑱𝑱𝑱𝑱𝑱 = ( + + )
𝒏𝒏𝟏𝟏 𝒏𝒏𝟐𝟐 𝒏𝒏𝒏𝒏
Ha : x 1 ≠ x 2 ≠ x 3 (∑ 𝑿𝑿𝑻𝑻 )𝟐𝟐
−
3. Menentukan taraf signifikansi 𝑵𝑵
Keterangan:
Pada tahap ini kita menentukan
seberapa besar peluang membuat resiko 𝑋𝑋𝑛𝑛 = Total jawaban setiap kelompok
kesalahan mengambil keputusan menolak (sampel)
hipotesis yang benar. Biasanya 𝑋𝑋𝑇𝑇 = Jumlah total jawaban dari setiap
dilambangkan dengan α yang sering kelompok (sampel)
disebut dengan istilah taraf signifikan.
𝑛𝑛𝑛𝑛 = Jumlah sampel setiap kelompok
4. Menentukan kaidah pengujian
𝑁𝑁 = total sampel
Jika : Fhitung ≤ Ftabel, maka H0
diterima. iii. Mencari nilai derajat kebebasan antar
Jika : Fhitung > Ftabel, maka H0 ditolak. grup
5. Menghitung Fhitung dan bandingkan Rumus:
dengan Ftabel 𝑫𝑫𝑫𝑫𝑩𝑩 = 𝑨𝑨 − 𝟏𝟏
Adapun tahapan dalam menghitung Fhitung
Keterangan:
i. Membuat tabel penolong
106
107
𝐷𝐷𝐷𝐷𝐵𝐵 = derajat kebebasan antar grup viii. Menentukan nilai Fhitung
A = Jumlah kelompok atau 𝑺𝑺𝟐𝟐𝟏𝟏
𝐅𝐅𝐡𝐡𝐡𝐡𝐡𝐡𝐡𝐡𝐡𝐡𝐡𝐡 =
sampel 𝑺𝑺𝟐𝟐𝟐𝟐
iv. Menentukan nilai ragam antar grup ix. Menentukan nilai Ftabel
Ftabel = F(α)(dk A, dk B)
Rumus:
𝑱𝑱𝑱𝑱𝑱𝑱
6. Membuat tabulasi ragam untuk anava satu
𝑺𝑺𝟐𝟐𝟏𝟏 = 𝑫𝑫𝑫𝑫𝑩𝑩 arah.
Keterangan:
𝑆𝑆12 = ragam antar grup Tabel 8.7 Tabulasi Ragam Anava Satu Jalur
Sumber Jumlah Derajat Ragam F
𝐽𝐽𝐽𝐽𝐽𝐽 = Kuadrat antar baris Kuadrat Kebebasan Ratio
1. JKB DkB 𝑆𝑆12 𝐹𝐹
v. Menentukan nilai kuadrat dalam antar Antar 𝐽𝐽𝐽𝐽𝐽𝐽 𝑆𝑆12
grup = = 2
grup 𝐷𝐷𝐷𝐷𝐵𝐵 𝑆𝑆2
2. JKD dkD 𝑆𝑆22
Rumus : Galat 𝐽𝐽𝐽𝐽𝐽𝐽
=
𝑑𝑑𝑑𝑑𝐷𝐷
𝑱𝑱𝑱𝑱𝑱𝑱 = [∑(𝑿𝑿𝟏𝟏 )𝟐𝟐 + ∑(𝑿𝑿𝟐𝟐 )𝟐𝟐 + ∑(𝑿𝑿𝒏𝒏 )𝟐𝟐 ] Total JKT K
(∑ 𝑿𝑿𝑻𝑻 )𝟐𝟐
− 7. Membandingkan Ftabel dan Fhitung
𝑵𝑵
vi. Menentukan nilai derajat kebebasan Tujuan Membandingkan Ftabel dan

dalam antar grup Fhitung adalah untuk mengetahui apakah H0
ditolak atau diterima berdasarkan kaidah
𝒅𝒅𝒅𝒅𝑫𝑫 = 𝑵𝑵 − 𝑨𝑨
pengujian di atas.
vii. Menentukan nilai ragam dalam antar grup 8. Membuat keputusan
𝑱𝑱𝑱𝑱𝑱𝑱
𝑺𝑺𝟐𝟐𝟐𝟐 = Menerima atau menolak H0.
𝒅𝒅𝒅𝒅𝑫𝑫
108
109
Contoh Uji Anava Satu Jalur dengan Data Sampel Sama Ha : x 1 ≠ x 2 ≠ x 3
Banyak
3. Menentukan taraf signifikansi
Sebuah penelitian dilakukan untuk mengetahui apakah Pada tahap ini digunakan α = 5% atau α = 0,05
ada pengaruh perbedaan metode belajar pada tingkat
prestasi siswa. Ada tiga metode belajar yang akan diuji. 4. Menghitung Fhitung dan Ftabel
Diambil sampel masing-masing 5 guru untuk mengerjakan Tahapan menghitung nilai Fhitung
pekerjaannya, lalu dicatat skor yang didapat sebagai
i. Membuat tabel penolong
berikut:
Tabel 8.9 Tabel Bantu Uji Anava

Tabel 8.8 Skor Siswa pada Tiga Metode Pembelajaran
Satu Jalur
Metode 1 Metode 2 Metode 3
21 17 31 Popul Sampel
27 25 28 asi (n) X1 X2 X3 𝑋𝑋12 𝑋𝑋22 𝑋𝑋32
29 20 22 1 21 17 31 441 289 961
23 15 30 2 27 25 28 729 625 784
25 23 24 3 29 20 22 841 400 484
4 23 15 30 529 225 900
5 25 23 24 625 529 576
Ujilah dengan α = 0,05 apakah ada pengaruh perbedaan
Total
metode belajar pada skor yang didapat? 125 100 135 3165 2068 3705
(Xn)
Penyelesaian:
ii. Mencari nilai jumlah kuadrat antar baris
1. Membuat hipotesis dalam uraian kalimat
(125)2 (100)2 (135)2 (360)2
𝐽𝐽𝐽𝐽𝐽𝐽 = ( + + )−
H0 : tidak ada perbedaan nilai rata-rata antara metode 1, 5 5 5 15
metode 2 serta metode 3 JKB = (8770) – 8640

JKB = 130
Ha : ada perbedaan nilai rata-rata antara metode 1,
metode 2 serta metode 3 iii. Mencari nilai derajat kebebasan antar grup
2. Membuat hipotesis model statistik 𝐷𝐷𝐷𝐷𝐵𝐵 = 3 − 1 = 2
H0 : x 1 = x 2 = x 3 iv. Menentukan nilai ragam antar grup
110
111
𝑆𝑆12 =
𝐽𝐽𝐽𝐽𝐽𝐽
5. Membuat tabulasi ragam untuk anava satu arah.
𝐷𝐷𝐷𝐷𝐵𝐵
130
𝑆𝑆21 = = 65
2 Tabel 8.10 Tabulasi Ragam Anava Satu Arah
v. Menentukan nilai kuadrat dalam antar grup
Jumlah Derajat F
Sumber Ragam
𝐽𝐽𝐽𝐽𝐽𝐽 = [∑(𝑋𝑋1 )2 + ∑(𝑋𝑋2 )2 + ∑(𝑋𝑋3 )2 ] −
(∑ 𝑋𝑋𝑇𝑇 )2 Kuadrat Kebebasan Ratio
𝑁𝑁 1. Antar 130 2 65 2,62
(360)2 grup
𝐽𝐽𝐽𝐽𝐽𝐽 = [3165 + 2068 + 3705] −
15 2. Galat 298 12 24,833
𝐽𝐽𝐽𝐽𝐽𝐽 = 8938 − 8640 = 298 Total 428 14
vi. Menentukan nilai derajat kebebasan dalam antar 6. Membandingkan Ftabel dan Fhitung
grup Fhitung = 2,62
Ftabel = 3,89
𝑑𝑑𝑑𝑑𝐷𝐷 = 𝑁𝑁 − 𝐴𝐴
7. Membuat keputusan
𝑑𝑑𝑑𝑑𝐷𝐷 = 15 − 3 = 12
Fhitung < Ftabel, maka H0 diterima
vii. Menentukan nilai ragam dalam antar grup 2,62 < 3,89, maka H0 diterima
𝑆𝑆22 = 𝑑𝑑𝑑𝑑𝐷𝐷 Jadi, dapat disimpulkan dari ketiga metode belajar yang
𝑆𝑆22 =
298
= 24,833 digunakan tidak ada perbedaan antara metode 1, metode 2
12
dan metode 3.
viii. Menentukan nilai Fhitung Setelah didapat kesimpulan jika terdapat perbedaan
65
Fhitung = = 2,62 rata-rata antara kelompok data tersebut (Ho ditolak), maka
24,833
ix. Menentukan nilai Ftabel untuk mengetahui metode mana yang paling baik perlu
dilakukan uji lebih lanjut yang disebut dengan uji sceffe.
Ftabel = F(α)(dk A, dk B)
̅̅̅
(𝑌𝑌 ̅̅̅ 2
𝐵𝐵 − 𝑌𝑌𝐾𝐾 )
Ftabel = F(0,05)(2, 12) 𝐹𝐹ℎ𝑖𝑖𝑖𝑖 =
1 1
Ftabel = 3,89 𝑆𝑆𝐷𝐷 2 (𝑛𝑛 + 𝑛𝑛 )
𝐵𝐵 𝐾𝐾
Keterangan:
(Y_B ) ̅ : Rata-rata kelompok yang lebih besar
112
113
(Y_K ) ̅ : Rata-rata kelompok yang lebih kecil Tabel 8.11
Tabel 8.11 Skor Siswa di Tiga Metode
n_B : Banyak responden dalam kelompok dengan
Pembelajaran
rata-rata lebih besar
I II III
n_K : Banyak responden dalam kelompok dengan (Metode (Metode (Metode
rata-rata lebih kecil Ekspository) Diskusi) Praktek)
25 17 26
Pengambilan keputusan dilakukan dengan 11 16 20
membandingkan nilai 𝐹𝐹ℎ𝑖𝑖𝑖𝑖 dengan F’, dimana 𝐹𝐹 ′ = 16 18 17
(𝑘𝑘 − 1)𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 . Apabila 𝐹𝐹ℎ𝑖𝑖𝑖𝑖 > 𝐹𝐹′, H0 ditolak. Hal ini berarti 26 20 26
kelompok yang memiliki rata-rata (𝑌𝑌̅) lebih besar 32 10 43
25 14 46
dinyatakan lebih unggul daripada kelompok yang memiliki
30 19 35
rata-rata (𝑌𝑌̅) lebih kecil. 17 34
b) Data sampel tidak sama banyak. 18
Pengertian data sampel tidak sama banyak adalah

data yang diambil dari setiap sampel atau populasi Penyelesaian:
jumlah atau ukurannya tidak sama banyak. Prosedur uji 1. Membuat hipotesis dalam uraian kalimat
statistik untuk data sampel tidak sama jumlahnya sama
H0 : tidak ada perbedaan nilai rata-rata antara
dengan data sampel sama banyak.
metode 1 , sampel B serta sampel C.
a. Contoh Uji Anava Satu Jalur dengan Data
Ha : ada perbedaan nilai rata-rata antara
Sampel Tidak Sama Banyak
sampel A,sampel B serta sampel C
Seorang peneliti melakukan penelitian di
SMA Negeri 1 Singaraja untuk menguji metode 2. Membuat hipotesis model statistik
pengajaran mana yang paling baik. Metode H0 : x 1 = x 2 = x 3
pertama adalah ekspository, metode kedua diskusi
dan metode ketiga adalah praktek. Data hasil Ha : x 1 ≠ x 2 ≠ x 3
Penelitian adalah sebagai berikut. 3. Menentukan taraf signifikansi
Pada tahap ini kita menggunakan taraf
signifikansi sebesar 5 %( α = 5 %)
114
115
4. Menghitung Fhitung dan Ftabel 𝑆𝑆12 = 𝐷𝐷𝐷𝐷𝐵𝐵
686,474
Adapun tahapan untuk menghitung Fhitung 𝑆𝑆12 = 2
adalah sebegai berikut. 𝑆𝑆12 = 343,237
(i) Membuat tabel penolong
Tabel 8.12 Tabel Penolong (v) Menentukan nilai kuadrat dalam antar
populasi Sampel grup
(n) X1 X2 X3 𝑋𝑋12 𝑋𝑋22 𝑋𝑋32 JKD = [∑(X1 )2 + ∑(X 2 )2 + ∑(X 3 )2 ] −
1 25 17 26 625 289 676 (∑ XT )2
2 11 16 20 121 256 400 N
3 16 18 17 256 324 289 5612
JKD = [ 4516 + 1926 + 8711] - 24
4 26 20 26 676 400 676
5 32 10 43 1024 100 1849 JKD = 15153 – 13113,38
6 25 14 46 625 196 2116 JKD = 2039,625
7 30 19 35 900 361 1225
8 17 34 289 1156 (vi) Menentukan nilai derajat kebebasan
9 18 324 dalam antar grup
Total
182 114 265 4516 1926 8711 𝑑𝑑𝑑𝑑𝐷𝐷 = 𝑁𝑁 − 𝐴𝐴
(Xn)
𝑑𝑑𝑑𝑑𝐷𝐷 = 24 − 3
(ii) Mencari nilai kuadrat antar baris 𝑑𝑑𝑑𝑑𝐷𝐷 = 21
(𝟏𝟏𝟏𝟏𝟏𝟏)𝟐𝟐 (𝟏𝟏𝟏𝟏𝟏𝟏)𝟐𝟐 (𝟐𝟐𝟐𝟐𝟐𝟐)𝟐𝟐 (𝟓𝟓𝟓𝟓𝟓𝟓)𝟐𝟐
JKB = ( + + )− (vii) Menentukan nilai ragam dalam antar grup
𝟖𝟖 𝟕𝟕 𝟗𝟗 𝟐𝟐𝟐𝟐
JKB = (13799,85) – 13113,38 S22 =
2039,625
21
JKB = 686,474
S22 = 97,125
(iii) Mencari nilai derajat kebebasan antar (viii) Menentukan nilai Fhitung
grup 𝑆𝑆12
Fhitung =
𝐷𝐷𝐷𝐷𝐵𝐵 = 3 − 1 𝑆𝑆22
343,237
𝐷𝐷𝐷𝐷𝐵𝐵 = 2 Fhitung =
97,125
(iv) Menentukan nilai ragam antar grup Fhitung = 3,53
116
117
(ix) Menentukan nilai Ftabel b. Anava Dua Jalur
Ftabel = F(α)(dk A, dk B) 1. Perhitungan Anava Dua Jalur Secara Manual
1) Pengertian dan Perhitungan ANAVA dua jalur
Ftabel = F(0,05)(2, 21)
Pada penelitian eksperimen terkadang
Ftabel = 3,47
melibatkan 2 variabel bebas atau satu veriabel
5. Membuat tabulasi ragam untuk anava satu bebas dan satu variabel moderator. Pada kondisi
arah. ini, masing-masing variabel bebas bisa
Tabel 8.13 Tabulasi Ragam Anava Satu Arah diklasifikasikan menjadi dua, yaitu variabel bebas
Sumber Jumlah Derajat Ragam F
pertama dan variabel bebas kedua. Kondisi ini juga
Kuadrat Kebebasan Ratio memungkinkan adanya satu variabel moderator.
1. Antar 686,474 2 343,237 3,53 Dalam kondisi ini, variabel moderator dibagi
grup
2. Galat 2039,625 21 97,125 menjadi dua, yaitu moderator kategori pertama dan
Total 7370,099 23 moderator kategori kedua.
6. Membandingkan Ftabel dan Fhitung
Misalkan untuk suatu penelitian yang berjudul
Fhitung = 3,53 : pengaruh model pembelajaran PBL dan motivasi
Ftabel = 3,47 belajar terhadap hasil belajar matematika siswa.
7. Membuat keputusan Pada penelitian ini model pembelajaran PBL
Fhitung > Ftabel, maka H0 ditolak. sebagai variabel bebas, motivasi belajar sebagai
3,53 > 3,47, maka H0 ditolak variabel moderat serta hasil belajar matematika
Sehingga dapat disimpulkan bahwa rata-rata sebagai variabel terikat. Variabel moderat
nilai pelajaran yang di ajar dengan ketiga metode (motivasi belajar) akan dibagi menjadi asi belajar
tersebut tidak sama. Artinya bahwa dari ketiga tinggi dan asi belajar rendah.
metode yang digunakan dalam mengajar, ada satu Desain penelitian untuk penelitian ini terlihat
metode yang paling tepat. pada Tabel 8.14 berikut.
Tabel 8.14 Desain Anava Dua Jalur
118
119
Variabel bebas pada penelitian di atas adalah c) H0 = A B = 0 (interraction effect)
model pembelajaran pembelajaran PBL, H a = A B  0
sedangkan model pembelajaran konvensional
Hipotesis pertama menguji perbedaan variabel
sebagai pembandiang di kelas kontrol. variabel terikat (hasil belajar matematika) berdasarkan
moderator pada penelitian di atas adalah motivasi
perbedaan variabel bebas (A) atau model
belajar. Variabel motivasi belajar dibagi menjadi pembelajaran (dari contoh penelitian di atas).
dua, yaitu motivasi belajar tinggi dan motivasi
Hipotesis kedua menguji perbedaan variabel
belajar rendah. Penentuan tinggi rendahnya terikat (hasil belajar matematika) berdasarkan
kategori motivasi belajar dilakukan dengan
perbedaan variabel moderator (B) atau motivasi
langkah – langkah sebagai berikut. belajar. Dari contoh penelitian di atas, hipotesis
a) Urutkan data motivasi belajar dari terbesar ke kedua ini tidak layak diuji karena hasil belajar
terkecil. matematika siswa dengan motivasi belajar tinggi
tidak layak dibandingkan dengan hasil belajar
b) Tentukan 27% atau 33% dari seluruh sampel.
matematika siswa dengan motivasi belajar rendah.
c) 27% atau 33% data terbesar selanjutnya Akibatnya pada penelitian eksperimen dengan
dikategorikan motivasi belajar tinggi kondisi ini hipotesis kedua diabaikan. Hipotesis
d) 27% atau 33% data terkecil selanjutnya ketiga bertujuan untuk menguji interaksi antara
dikategorikan motivasi belajar rendah. model pembelajaran dengan motivasi belajar. Pada
subbab selanjutnya akan dipaprkan mengenai apa
Hipotesis yang diuji dengan ANAVA dua
itu interaksi dan jenis-jenis interaksi. Jika terjadi
jalur dinyatakan seperti di bawah ini.
interaksi maka dapat dilanjutkan dengan uji lanjut
a) H 0 = A1 = A2 = A3 = ... = An (main yang juga akan dibahas pada subbab selanjutnya.
effect)
Uji ANAVA dua jalur dapat sekaligus
H a = Paling tidak dua rerata tidak sama menguji ketiga hipotesis tersebut. Hasil uji
b) H 0 = B1 = B2 = B3 = ... = Bn (main ANAVA dua jalur berupa koefisien F sekaligus
effect) ditampilkan untuk tiga uji beda, yaitu: (1) koefisien
FA hasil uji beda antar klasifikasi menurut variabel
H a = Paling tidak dua rerata tidak sama
bebas (pada contoh di atas antara A1 dan A2), (2)
koefisien FB hasil uji beda antar klasifikasi variabel
120
121
moderator (pada contoh di atas antara B1 dan B2 dk pembilang sama dengan (b – 1)(k – 1)serta
sehingga tidak layak uji yang artinya hipotesis ini dk penyebut sama dengan N – (k x b).
dapat diabaikan), (3) koefisien FAB hasil uji
Pada perhitungan di atas, N adalah besar
interaksi antara variabel bebas dengan variabel sampel atau banyak responden, k adalah banyak
moderator (antara A dan B).
kolom dan b adalah banyak baris.
Ketiga koefisien F yang didapatkan (FA, FB
Nilai FA, FB dan FAB dihitung dengan rumus
dan FAB) yang didapatkan dari hasil perhitungan masing – masing seperti berikut.
dikontrol dengan F dari tabel distribusi F pada taraf
signifikansi α dengan masing - masing derajat RJK A
FA =
kebebasan (dk) pembilang dan penyebut. RJK D
Penarikan kesimpulan didasarkan pada kriteria RJK B
FB =
berikut ini. RJK D
a) Jika FA lebih dari Ftabel maka hipotesis nol RJK AB
FAB =
yang menyatakan RJK D
H 0 = A1 = A2 = A3 = ... = An ditolak. RJK A adalah rerata jumlah kuadrat antar – A.
Ftabel diambil pada taraf signifikansi α dengan RJK B adalah rerata jumlah kuadrat antar – B.
dk pembilang sama dengan k – 1 serta dk RJK AB adalah rerata jumlah kuadrat antar – AB.
penyebut sama dengan N – (k x b). RJK D adalah rerata jumlah kuadrat dalam. Masing
b) Jika FB lebih dari Ftabel maka hipotesis nol – masing RJK di atas dihitung dengan rumus
yang menyatakan sebagai berikut.
H 0 = B1 = B2 = B3 = ... = Bn ditolak. JK A
RJK A =
Ftabel diambil pada taraf signifikansi α dengan dk A
dk pembilang sama dengan b – 1 serta dk JK B
RJK B =
penyebut sama dengan N – (k x b). dk B
c) Jika FAB lebih dari Ftabel maka hipotesis nol JK AB
RJK AB =
yang menyatakan H 0 = A  B = 0 ditolak. dk AB
Ftabel diambil pada taraf signifikansi α dengan JK D
RJK D =
dk D
122
123
JK A adalah jumlah kuadrat antar – A. JK B dkA = k – 1, dimana k adalah banyak kolom atau
adalah jumlah kudrat antar – B. JK AB adalah banyaknya klasifikasi untuk variabel bebas.
jumlah kuadrat antar – AB atau interaksi. JK D
dkB = b – 1, dimana b adalah banyaknya baris atau
adalah jumlah kuadrat antar – D. Masing – masing banyaknya klasifikasi untuk variabel
JK tersebut dihitung dengan rumus sebagai
moderator
berikut.
dkAB = dkA x dkB = (k - 1)(b - 1)
JK A =  j =1
k ( n
i =1
Y Ai )2
−
( Y )T
2
dkD = N – (b x k)
nA N
Tabel ringkasan hasil uji ANAVA dua jalur
JK B =  j =1
b ( n
i =1
YBi )2
−
( Y )
T
2
dapat dilihat seperti berikut.
nB N Tabel 8.15 Ringkasan Uji Anava
JK AB =  j =1
bxk ( n
i =1
Y ABi ) 2
−
( Y ) T
2
− JK A − JK B
Dua Jalur
n AB N Sumber JK dk RJK F
Varian
(Y ) 2
A JKA k-1 JK A RJK A
= Y − 2 T
JKT T
N k −1 RJK D
JK D = JKT − JK A − JK B − JK AB B JKB b–1 JK B RJK B
Pada rumus di atas, N adalah total responden b −1 RJK D
atau total sampel keseluruhan, sedangkan n AB JKAB (k – 1) JK AB RJK AB
menyatakan total responden atau total sampel per
sel. Pada rumus RJK terdapat dk yang menyatakan
(b – 1) (k − 1)(b − 1) RJK D
derajat kebebasan. Sehingga dkA menyatakan Dalam JKD N – (k JK D
derajat kebebasan antar – A, dkB menyatakan
x b) N − (kxb)
derajat kebebasan antar – B, dkD menyatakan Total JKT N-1
derajat kebebasan dalam serta dkAB menyatakan
derajat kebebasan antar – AB atau interaksi.
Masing – masing dari dk tersebut dicari dengan
rumus sebagai berikut:
124
125
2) Interaksi Pada ANAVA Dua jalur yang mengikuti model pembelajaran
konvensional. Sedangkan untuk siswa dengan
a) Konsep Interaksi
kemampuan komunikasi matematis rendah,
Variabel bebas dan variabel moderator hasil belajar matematika siswa yang
dikatakan memiliki interaksi terhadap variabel mengikuti model pembelajaran konvensional
terikat bila klasifikasi variabel bebas memiliki lebih baik daripada siswa yang mengikuti
pengaruh terhadap variabel terikat model pembelajaran PBL. Apabila model
berdasarkan klasifikasi variabel moderator. pembelajaran PBL menghasilkan hasil belajar
Dengan kata lain, pengaruh variabel bebas matematika yang lebih baik daripada model
terhadap variabel terikat bergantung pada pembelajaran konvensional baik pada siswa
variabel moderator. Berikut disajikan contoh dengan kemampuan komunikasi matematis
kasus suatu penelitian. tinggi maupun rendah maka variabel bebas
Suatu penelitian eksperimen ingin dan variabel moderator tidak memiliki
mengkaji pengaruh model pembelajaran PBL pengaruh interaksi terhadap variabel terikat.
dan kemampuan komunikasi matematis
terhadap hasil belajar matematika. Model
pembelajaran diklasifikasikan menjadi (A1)
model pembelajaran PBL dan (A2) model
pembelajaran konvensional. Sedangkan
kemampuan komunikasi matematis
diklasifikasikan menjadi dua, yaitu (B1)
kemampuan komunikasi matematis tinggi dan
kemampuan komunikasi matematis rendah
(B2). Model pembelajaran dan kemampuan
komunikasi matematis dikatakan memiliki
interaksi bila untuk siswa dengan kemampuan
komunikasi matematis tinggi, hasil belajar
matematika siswa yang mengikuti model
pembelajaran PBL lebih baik daripada siswa
126
127
Berikut disajikan ilustrasi dalam bentuk disordinal terjadi pada kondisi dimana
tabel seperti di bawah ini variabel bebas memberikan pengaruh yang
bersilangan terhadap variabel terikat
berdasarkan klasifikasi variabel moderator.
Sedangkan jika pengaruh yang ditimbulkan
oleh variabel bebas terhadap variabel terikat
berdasarkan klasifikasi variabel moderator
tidak bersilangan maka pengaruh interaksi
tersebut disebut interaksi ordinal. Untuk lebih
jelasnya berikut disajikan ilustrasi terkait
dengan pembahasan tersebut.
Dari tabel di atas, terlihat bahwa pada

tabel (b) dan (c) terdapat pengaruh interaksi
variabel bebas dan variabel moderator
terhadap variabel terikat. Sedangkan untuk
tabel (a) dan (d) tidak memiliki pengaruh
interaksi variabel bebas dan variabel
moderator terhadap variabel terikat.
b) Jenis Interaksi Dari tabel di atas, didapatkan kesimpulan
Ada tidaknya interaksi tidak selalu jelas sebagai berikut: (1) pada tabel (a) tidak terjadi
seperti pada ilustrasi di atas. Dengan kata lain, interaksi karena rerata pada A1B1 sama
walaupun data tidak memperlihatkan hasil dengan rerata pada A1B2 serta rerata pada
yang saling berlawanan namun setelah A2B1 sama dengan A2B2, sehingga kalau
dilakukan uji statistik menunjukkan adanya diterjemahkan dalam grafik maka kedua
pengaruh interaksi. Jika dikaji lebih jauh, grafik baik pada B1 dan B2 berhimpit. (2)
maka ada dua jenis interaksi, yaitu interaksi pada tabel (b) terjadi interaksi disordinal
ordinal dan interaksi disordinal. Interaksi karena pada klasifikasi B1 A1B1 lebih baik
128
129
dari A2B1, sedangkan untuk klasifikasi B2 3) Uji lanjut pada ANAVA Dua jalur
A2B2 lebih baik dari A1B2, sehingga
Uji lanjut (post hoc) pada anava dua jalur
memberikan pengaruh yang bersilangan. (3)
menggunakan uji statistik perbandingan berganda
pada tabel (c) tidak terjadi interaksi, karena (multiple comparisons). Uji lanjut yang akan
selisih rerata pada klasifikasi B1 sama dengan
dibahas pada buku ini adalah uji Tukey, uji
selisih rerata pada klasifikasi B2, sehingga Newman – Keuls, Uji Scheffe dan Uji Dunnet.
jika diterjemahkan pada grafik maka kedua
Penjelasan lebih lanjut dipaparkan pada sebagai
grafik tersebut sejajar. (4) pada tabel (d) berikut.
terjadi interaksi ordinal karena rerata pada
A2B1 sama dengan A2B2 meskipun rerata a) Uji Tukey
pada A1B1 berbeda dengan dengan A1B2. Uji tukey dapat dilakukan bila banyak
Berikut disajikan grafik dari keempat tabel di responden atau sampel pada tiap – tiap sel
atas. yang dibandingkan sama. Rumus yang
digunakan pada uji Tukey adalah sebagai
berikut.
_ _
Y b −Y k
Q=
RJK D
n
Keterangan:
Q = Nilai Tukey
_
Y b = Rerata sel yang lebih besar
_
Y k = Rerata sel yang lebih kecil
RJKD = Rerata jumlah kuadrat dalam
n =banyak responden pada tiap sel
Nilai Tukey selanjutnya dibandingkan
dengan nilai Q pada tabel Q. Jika diperhatikan
130
131
tabel Q memiliki 2 unsur yang yang menjadi Q = Nilai Tukey
pedoman, yaitu derajat kebebasan (dk) dan _
Y b = Rerata sel yang lebih besar
banyak kelompok (k). Derajat kebebasan (dk) _
yang digunakan sama dengan derajat Y k = Rerata sel yang lebih kecil
kebebasan dalam atau dk(D) dan banyak RJKD = Rerata jumlah kuadrat dalam
kelompok (k) adalah banyaknya kelompok
n = banyak responden pada tiap sel
yang akan dibandingkan. Adapun pedoman
penarikan kesimpulan adalah sebagai berikut. pengujian nilai Q yang diperoleh dari
tabel sama dengan uji Tukey, yakni tabel
Jika nilai Q yang didapat dari perhitungan
distribusi Q. Perbedaannya terletak pada
lebih dari nilai Q pada tabel maka hipotesis nol
teknik pengontrolan signifikansi nilai Q yang
ditolak, yang artinya bahwa kelompok yang
diperoleh dari perhitungan masing-masing
memiliki rerata
_
dengan nilai Q tabel yang diperoleh dari tabel
( Y ) lebih besar dinyatakan lebih unggu dari
_ distribusi Q. Pada uji Tukey, nilai k yang
kelompok dengan rerata Y lebih kecil.
digunakan pedoman untuk mencari nilai Q
b) Uji Newman – Keuls tabel selalu sama dengan banyak kelompok
Pada dasarnya uji Newman – Keuls sama yang dibandingkan. Sedangkan pada Newman
dengan Tukey, yaitudapat digunakan bila – Keuls, nilai k yang digunakan pedoman
banyak sampel pada sel yang dibandingkan untuk mencari nilai Q tabel sama dengan
sama. Bedanya, uji Newman – Keuls memiliki banyak kelompok yang tersisa untuk
peluang yang lebih besar untuk menolak H0 dibandingkan. Sebagai contoh, ada 6
daripada uji Tukey. Rumus yang digunakan kelompok yang harus dibandingkan, dengan
untuk menguji Newman – Keuls adalah terlebih dahulu melakukan pengurutan dari
sebagai berikut. rerata terbesar ke terkecil. Pertama
_ _
dibandingkan kelompok yang memiliki rerata
Y b −Y k terbesar dengan kelompok yang memiliki
Q=
RJK D rerata terkecil. Pada kondisi ini nilai k masih
n sama dengan 6. Bila dilajutkan dengan
membandingkan kelompok dengan rerata
Keterangan:
terbesar kedua dengan kelompok dengan
132
133
rerata terkecil maka nilai k akan menjadi 5 hitung nilai F’ dengan mengalikan F tabel
karena hanya ada 5 kelompok yang tersisa dengan (k – 1) sehingga F’ = (k – 1) x F tabel.
untuk dibandingkan. Begitu seterusnya Lalu bandingkan F yang diperoleh dari hasil
sampai semua kelompok dibandingkan. Jadi perhitungan dengan F’. Jika F > F’ maka
nilai k untuk uji Newman – Keuls tidak selalu hipotesis nol ditolak dan hipotesis alternatif
sama dengan banyak kelompok, melainkan diterima.
sama dengan banyak kelompok yang tersisa.
d) Uji Dunnet
c) Uji Scheffe
Pada dasarnya sama dengan uji Scheffe
Uji scheffe relatif berbeda dengan uji dimana dapat digunakan pada kasus dengan
tukey. Uji Tukey mempersyaratkan agar banyak responden pada tiap – tiap sel yang
banyaknya responden pada tiap sel yang diuji sama maupun tidak sama. Bedanya
dibandingkan sama. Sedangkan uji Scheffe adalah uji Dunnet lebih tepat digunakan untuk
tidak mempersyaratkan agar banyak mengujo hipotesis yang bersifat apriori (Glass
responden pada sel yang dibandingkan sama. % Hopkins, 1984). Hipotesis nol yang diuji
Adapun rumus yang digunakan untuk menguji pada uji Dunnet adalah H 0 :  B −  K = 0
Scheffe adalah sebagai berikut. melawan H a :  B −  K  0 . Adapun rumus
2 yang digunakan untuk menguji Dunnet adalah
_ _

Y b − Y k  _ _
F=  
t=
Y b−Y k
 1 1 
SDD2  +   1 1 
 nB nK  RJK D  + 
 nB nK 
Nilai F yang didapatkan selanjutnya
Keterangan:
dibandingkan dengan F tabel. Nilai F tabel
dicari dari tabel distribusi F pada taraf t = nilai Dunnet
_
signifikansi α dengan derajat kebebasan Y b = Rerata sel atau kelompok yang lebih
pembilang (dk1 = k – 1) dan derajat kebebasan besar
penyebut (dk2 = N – k). N adalah besarnya _
Y k = Rerata sel atau kelompok yang lebih
sampel atau banyaknya responden dan k
kecil
adalah banyaknya kelompok. Selanjutnya
134
135
RJKD = Rerata jumlah kuadrat dalam 8.3 Analisis Regresi
nB = Banyak responden dalam sel dengan 1) Pengertian Analisis Regresi
rerata yang lebih besar Analisis regresi atau biasa disingkat sebagai anareg
nK = Banyak responden dalam sel dengan adalah metode yang digunakan untuk mengukur pengaruh
rerata yang lebih kecil variabel bebas terhadap variabel tergantung. Anareg juga
Nilai t yang diperoleh dari perhitungan bisa digunakan untuk memprediksi variabel tergantung
dengan menggunakan variabel bebas. Gejanti (2006)
dikontrol dengan nilai t tabel yang diperoleh
mendefenisikan anilis regresi sebagai kajian terhadap
dari tabel t Dunnet pada taraf signifikansi α.
Pada uji Dunnet memperhatikan dua hubungan satu variabel yang disebut sebagai variabel yang
diterangkan (the explained variabel) dengan satu atau dua
komponen, yaitu derajat kebebasan (dk) dan
banyak kelompok dikurangi 1 (k -1). Derajat variabel yang menerangkan (the explanatory). Variabel
pertama disebut juga sebagai variabel tergantung dan
kebebasan sama dengan derajat kebebasan
dalam (dkD) dan banyak kelompok (k) adalah variabel kedua disebut juga sebagai variabel bebas. Jika
banyak semua kelompok yang akan variabel bebas lebih dari satu, maka analisis regresi disebut
regresi linear berganda. Disebut berganda karena pengaruh
dibandingkan. Penarikan kesimpulan pada uji
beberapa variabel bebas akan dikenakan kepada variabel
Dunnet memperhatikan pedoman sebagai
berikut. tergantung.
Jika nilai t Dunnet yang diperoleh dari Tujuan Penggunaan Analisis Regresi antara lain:
hasil perhitungan lebih dari nilai t pada tabel 1. Membuat estimasi rata-rata dan nilai variabel
maka hipotesis nol ditolak. Sehingga _
tergantung dengan didasarkan pada nilai variabel
kelompok yang memiliki rerata ( Y ) lebih bebas.
besar dinyatakan lebih unggul secara 2. Untuk menguji hipotesis karakteristik dependensi.
signifikan daripada kelompok yang lain,
_
yaitu
kelompok yang memiliki rerata ( Y ) yang 3. Meramalkan nilai rata-rata variabel bebas yang didasari
lebih kecil. nilai variabel bebas diluar jangkauan sample.
Penggunaan Asumpsi didasarkan pada hal berikut:
a. Model regresi harus linier dalam parameter.
136
137
b. Variabel bebas tidak berkorelasi dengan disturbance 2) Jenis-jenis Analisis Regresi
term (Error).
A. Regresi Linier Sederhana
c. Nilai disturbance term sebesar 0 atau dengan simbol Model regresi linier sederhana merupakan
sebagai berikut: (E (U / X) = 0
persamaan yang menyatakan hubungan antara satu
d. Varian untuk masing-masing error term (kesalahan) variabel predictor (X) dan satu variabel respon (Y),
konstan. yang biasanya digambarkan dalam suatu garis lurus.
e. Tidak terjadi otokorelasi Hubungan antara 2 variabel. Yaitu x (variabel
f. Model regresi hendaknya dispesifikasi secara benar. bebas) dan y (variabel tak bebas). Kedua variabel
datanya kuantitatif.
Tidak terdapat bias spesifikasi dalam model yang
digunakan dalam analisis empiris. Misal: Berat badan seseorang dipengaruhi tinggi
g. Jika variabel bebas lebih dari satu, maka antara variabel badannya.
bebas (explanatory) tidak ada hubungan linier yang Persamaan regresi linier sederhana:
nyata. 𝑌𝑌̂ = 𝑎𝑎 + 𝑏𝑏𝑏𝑏
Manfaat analisis regresi Keterangan: 𝑌𝑌̂ = regresi (dibaca Y topi)
1. Model regresi dapat digunakan untuk mengukur a = konstanta
kekuatan hubungan antara variabel respons dan b = koefisien regresi
variabel redictor Y = variabel dipenden/ variabel terikat/ variabel tak
2. Model regresi dapat digunakan untuk mengetahui bebas (kejadian).
pengaruh suatu atau beberapa variabel redictor X = variabel independen/ variabel bebas/ variabel
terhadap variabel respons predictor (penyebab).
3. Model regresi berguna untuk memprediksi pengaruh Koefisien–koefisien regresi dapat dihitung dengan
suatu variabel atau beberapa variabel redictor terhadap rumus:
variabel bebas
( ∑ 𝑌𝑌𝑖𝑖 ) (∑ 𝑋𝑋𝑖𝑖2 )−(∑ 𝑋𝑋𝑖𝑖 ) (∑ 𝑋𝑋𝑖𝑖 𝑌𝑌𝑖𝑖 )
𝑎𝑎 = 2
𝑛𝑛 ∑ 𝑋𝑋𝑖𝑖2 −(∑ 𝑋𝑋𝑖𝑖 )
𝑛𝑛(∑ 𝑋𝑋𝑖𝑖 𝑌𝑌𝑖𝑖 )−(∑ 𝑋𝑋𝑖𝑖 )(∑ 𝑌𝑌𝑖𝑖 )

𝑏𝑏 =
𝑛𝑛 ∑ 𝑋𝑋12 −(𝑋𝑋𝑖𝑖 )2
138
139
a. Langkah – langkah Melakukan Analisis Regresi Untuk contoh akan dibahas tentang hubungan
Sederhana penguasaan Dasar Manajemen dengan
Keterampilan Manajerial.
Langkah – langkah yang ditempuh dalam
melakukan analisis regresi sederhana adalah: X = Dasar Manajemen.
1. Membuat tabel belanja statistik. Y = Keterampilan Manajerial.
2. Menghitung Jumlah Kuadrat (JK) danjumlah Data disajikan sebagai berikut:
produk (JP) dan kolerasi.
3. Mencari Persamaan Garis Regresi. Tabel 8.16 Skor Dasar Manajemen dengan
Keterampilan Manajerial
4. Mencari f Regresi dan Menguji Taraf
Penguasaan
Signifikansi. dasar – dasar
manajemen 72 78 69 80 75 75 86 69 77 69 65 70
5. Menentukan Hipotesis
(𝑋𝑋𝑖𝑖 )
Ho = Tidak ada pengaruh yang signifikan Keterampilan
manajerial 70 88 97 82 79 95 90 88 92 96 78 84
Ha = ada pengaruh yang signifikan (𝑌𝑌𝑖𝑖 )
Menentukan tingkat signifikansi

Biasanya menggunakan a = 5% atau 0,05
Menentukan f hitung
Menentukan f tabel
Membandingkan f hitung dan f table dengan
kriteria:
Bila f hitung < f tabel, maka Ho diterima, Ha
ditolak
Bila f hitung > f tabel, maka Ho ditolak, Ha
diterima.
140
141
Penyelesaian: 2. Mencari JK (Jumlah Kuadrat) dan JP (Jumlah
Produk) dan kolerasi
Tabel 8.17 Tabel Bantu Analisis Regresi
No 𝑋𝑋𝑖𝑖 𝑌𝑌𝑖𝑖 𝑋𝑋𝑖𝑖2 𝑌𝑌𝑖𝑖2 𝑋𝑋𝑖𝑖 𝑌𝑌𝑖𝑖 Jumlah Kuadrat (JK):
1 72 70 5.184 4.900 5.040 (∑ 𝑋𝑋𝑖𝑖 )2
𝐽𝐽𝐽𝐽𝑥𝑥 = ∑ 𝑋𝑋 2 = ∑ 𝑋𝑋𝑖𝑖2 − = 65.651 −
2 78 88 6.084 7.744 6.864 𝑛𝑛
(885)2 783.225
3 69 97 4.761 9.409 6.693 = 65.651 − = 382,25
12 12
4 80 82 6.400 6.724 6.560
5 75 79 5.625 6.241 5.925 (∑ 𝑌𝑌𝑖𝑖 )2
2 2
6 75 95 5.625 9.025 7.125 𝐽𝐽𝐽𝐽𝑦𝑦 = ∑ 𝑌𝑌 = ∑ 𝑌𝑌𝑖𝑖 = = 90.707 −
𝑛𝑛
7 86 90 7.396 8.100 7.740 (1039)2 1.079521
= 90.707 − = 746,91
8 69 88 4.761 7.744 6.072 12 12
9 77 92 5.929 8.464 7.084
10 69 96 4.761 9.216 6.624
11 65 78 4.225 6.084 5.070 Jumlah produk:
12 70 84 4.900 7.056 5.880 (∑ 𝑋𝑋𝑖𝑖 )(∑ 𝑌𝑌𝑖𝑖 )
𝐽𝐽𝐽𝐽𝑥𝑥𝑥𝑥 = ∑ 𝑋𝑋𝑖𝑖 𝑌𝑌𝑖𝑖 − = 76677 −
Jumlah 𝑛𝑛
885 1039 65.651 90.707 76.677 (885)(1.039) 919.515
(Σ) = 76677 − = 50,75
12 12
3. Mencari Persaman Garis Regresi

1. Membuat Tabel Belanja Statistika
( ∑ 𝑌𝑌𝑖𝑖 ) (∑ 𝑋𝑋𝑖𝑖2 ) − (∑ 𝑋𝑋𝑖𝑖 ) (∑ 𝑋𝑋𝑖𝑖 𝑌𝑌𝑖𝑖 )
Tabel 8.18 Tabel Belanja Statistika 𝑎𝑎 = 2
𝑛𝑛 ∑ 𝑋𝑋𝑖𝑖2 − (∑ 𝑋𝑋𝑖𝑖 )
N 12
(1.039)(65.651) − (885)(76.677)
Σ𝑋𝑋𝑖𝑖 885 =
Σ𝑋𝑋𝑖𝑖2 65.651 Σ𝑋𝑋 2 = 382,25
(12)(65.651) − (885)2
(68.211.389) − (67.859.145)
=
Σ𝑌𝑌𝑖𝑖 1.039 (787.812) − (783.225)
Σ𝑌𝑌𝑖𝑖2 90.707 Σ𝑌𝑌 2 = 746.91 𝑎𝑎 = 76,7919
352.244
𝑏𝑏 = 0,1327 𝑎𝑎 = 4.587
= 76,79
Σ𝑋𝑋𝑖𝑖 𝑌𝑌𝑖𝑖 76.667 Σ𝑋𝑋𝑋𝑋 = 50,75
142
143
𝑛𝑛(∑ 𝑋𝑋𝑖𝑖 𝑌𝑌𝑖𝑖 ) − (∑ 𝑋𝑋𝑖𝑖 ) (∑ 𝑌𝑌𝑖𝑖 ) dk residu = 𝑛𝑛 − 𝑚𝑚 − 1 = 12 − 1 − 1 =
𝑏𝑏 =
𝑛𝑛 ∑ 𝑋𝑋𝑖𝑖2 − ∑(𝑋𝑋𝑖𝑖 )2 10
(12)(76.677) − (885)(1.039)
= 𝐽𝐽𝐽𝐽𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 6,59
(12)(65.651) − (885)2 𝑅𝑅𝑅𝑅𝑅𝑅𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = = = 6,59
𝑑𝑑𝑑𝑑𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 1
(920.124) − (919.515) 609
= = = 0,13
(787.812) − (783.224) 4.587 𝐽𝐽𝐽𝐽 740,33
𝑅𝑅𝑅𝑅𝑅𝑅𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 𝑑𝑑𝑑𝑑𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 10
= 74,03
𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
Persamaan garis regresinya adalah:
𝑌𝑌̂ = 𝑎𝑎 + 𝑏𝑏𝑏𝑏 Hipotesis diuji dengan dengan F:
𝑅𝑅𝑅𝑅𝑅𝑅𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 6,59
𝑌𝑌̂ = 76,79 + 0,13𝑋𝑋 𝐹𝐹 = 𝑅𝑅𝑅𝑅𝑅𝑅𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
= 74,03 = 0,08
4. Mencari F Regresi dan Menguji Taraf

Signifikansi Dk pembilang 1 dan dk penyebut 10 maka F
JK (total) = ∑ 𝑌𝑌𝑖𝑖2 = 90.707 tabel (1,10) pada α = 0,05 atau 𝐹𝐹(1,10)(0,05)=4,96
Berdasarkan data tersebut dapat disusun tabel
JK (a) =
(∑ 𝑌𝑌𝑖𝑖 )2
=
(1.039)2
=
1.079.521
= rangkuman analisis regresi untuk persamaan garis
𝑛𝑛 12 12
𝑌𝑌̂ = 76,79 + 0,13𝑋𝑋 sebagai berikut:
89.960,08
Tabel 8.19 Tabel Rangkuman Analisis
(∑ 𝑋𝑋𝑖𝑖 )(∑ 𝑌𝑌𝑖𝑖 ) Regresi
JK regresi = 𝑏𝑏 {∑ 𝑋𝑋𝑖𝑖 𝑌𝑌𝑖𝑖 − }
𝑛𝑛
Sumber F tabel
(885)(1.039)
= 0,13 {76.677 − } variasi JK RJK F
12 Dk hitung 𝛼𝛼
= 0,13{50,75} = 6,59 = 0,05
Regresi 6,59 4,96
1 6,59 0,08
JK residu = JK (total) – JK (a) – JK regresi Residu 74,03 - -
= 90.707 − 89.960,08 − 6,59 10 740,33
= 740,33 Total - - -
11 746,92
dk regresi = 𝑚𝑚 = 1
144
145
Hipotesis: Contoh:
Ho = koefisien arah regresi tidak berarti
Seorang manager pemasaran detergen merek
Ha = koefisien arah regresi berarti
“ATTACK” ingin mengetahui apakah promosi
harga berpengaruh terhadap keputusan konsumen
Dari hasil perhitungan ternyata 𝐹𝐹ℎ (0,08) < 𝐹𝐹𝑡𝑡 (4,96)
membeli produk tersebut ?
Hasil pengujian : Ho diterima, Ha ditolak Hipotesis:
Tabel 8.20 Data Kasus
Kesimpulan: tidak terdapat hubungan signifikan
Keputusan
antara penguasa Dasar – dasar manajemen dengan No promosi Harga
Konsumen
keterampilan manajerial pada taraf signifikan 5 Responden (𝑿𝑿𝟏𝟏 ) (𝑿𝑿𝟐𝟐 )
(Y)
persen.
1 10 7 23
2 2 3 7
B. Analisis Regresi Linear Berganda 3 4 2 15
4 6 4 17
1. Kegunaan Analisis Regresi Linear Berganda 5 8 6 23
Analisis Linear Berganda digunakan untuk 6 7 5 22
mengukur pengaruh amtara lebih dari satu variabel 7 4 3 10
prediktor (variabel bebas) terhadap variabel 8 6 3 14
terikat. 9 7 4 20
10 6 3 19
Rumus: Jumlah 60 40 170
𝑌𝑌 = 𝑎𝑎 + 𝑏𝑏1 𝑋𝑋1 + 𝑏𝑏2 𝑋𝑋2 + ⋯ + 𝑏𝑏𝑛𝑛 𝑋𝑋𝑛𝑛
Y = variabel terikat
a = konstanta
𝑏𝑏1 , 𝑏𝑏2 = koefisien regresi
𝑋𝑋1 , 𝑋𝑋2 = variabel bebas
146
147
Tabel 8.21 Tabel Pembantu
No Resp. 𝑋𝑋1 𝑋𝑋2 Y 𝑋𝑋1 𝑌𝑌 𝑋𝑋2 Y 𝑋𝑋1 𝑋𝑋2 𝑋𝑋12 𝑋𝑋22 -57 = - 27 𝑏𝑏1 − 22𝑏𝑏2 …………………… (5)
1 10 7 23 230 161 70 100 49 Persamaan (4) dikalikan 27, persamaan (5) dikalikan 46:
2 2 3 7 14 21 6 4 9 −2754 = −1242 𝑏𝑏1 − 729 𝑏𝑏2
3 4 2 15 60 30 8 16 4 −2622 = −1242 𝑏𝑏1 − 1012𝑏𝑏2
4 6 4 17 102 68 24 36 16
5 8 6 23 184 138 48 64 36
-132 = 283𝑏𝑏2
6 7 5 22 154 110 35 49 25
7 4 3 10 40 30 12 16 9 𝑏𝑏2 = −132 ∶ 283 = −0,46
8 6 3 14 84 42 18 36 9
9 7 4 20 140 80 28 49 16 Harga 𝑏𝑏2 dimasukan kedalam salah satu
10 6 3 19 114 57 18 36 9 persamaan (4) atau (5):
Jumlah 60 40 170 1122 737 267 406 182 −102 = −46𝑏𝑏1 − 27(−0,466)
(∑)
−102 = −46𝑏𝑏1 + 12,582
46𝑏𝑏1 = 114,582
∑ 𝑌𝑌 = 𝑎𝑎𝑎𝑎 + 𝑏𝑏1 ∑ 𝑋𝑋1 + 𝑏𝑏2 ∑ 𝑋𝑋2 𝑏𝑏1 = 2,49
∑ 𝑋𝑋1 𝑌𝑌 = 𝑎𝑎 ∑ 𝑋𝑋1 + 𝑏𝑏1 ∑ 𝑋𝑋12 + 𝑏𝑏2 ∑ 𝑋𝑋1 𝑋𝑋2
∑ 𝑋𝑋2 𝑌𝑌 = 𝑎𝑎 ∑ 𝑋𝑋2 + 𝑏𝑏1 ∑ 𝑋𝑋1 𝑋𝑋2 + 𝑏𝑏2 ∑ 𝑋𝑋22 Harga 𝑏𝑏1 dan 𝑏𝑏2 dimasukkan ke dalam
persamaan (1):
170 = 10 𝑎𝑎 + 60 𝑏𝑏1 + 40 𝑏𝑏2 …………………….(1) 170 = 10𝑎𝑎 + 60(2,49) + 40(−0,46)
1122 = 60 𝑎𝑎 + 406 𝑏𝑏1 + 267 𝑏𝑏2 …………………..(2) 170 = 10𝑎𝑎 + 62,49 − 18,4
737 = 40 𝑎𝑎 + 267 𝑏𝑏1 + 182 𝑏𝑏2 ……………………(3) 10𝑎𝑎 = 170 − 62,49 + 18,4
Persamaan (1) dikalikan 6, persamaan (2) dikalikan 1: 𝑎𝑎 = 125,91: 10 = 12,59
1020 = 60 𝑎𝑎 + 360 𝑏𝑏1 + 240 𝑏𝑏2 Jadi:
1122 = 60 𝑎𝑎 + 406 𝑏𝑏1 + 267 𝑏𝑏2 𝑎𝑎 = 12,59
𝑏𝑏1 = 2,49
-102 = - 46 𝑏𝑏1 − 27𝑏𝑏2 …………………… (4) 𝑏𝑏2 = −0,46
Persamaan (1) dikalikan 4, persamaan (3) dikalikan 1: Keterangan :
𝑎𝑎 = konstanta
680 = 40 𝑎𝑎 + 240 𝑏𝑏1 + 160 𝑏𝑏2
𝑏𝑏1 = koefisien regresi 𝑋𝑋1
737 = 40 𝑎𝑎 + 267𝑏𝑏1 + 182 𝑏𝑏2
𝑏𝑏2 = koefisien regresi 𝑋𝑋2
148
149
Hipotesis
Persamaan regresi:
𝐻𝐻0 = 𝛽𝛽1 = 𝛽𝛽2 = 0, variabel promosi dan harga tidak
𝑌𝑌 = 12,59 ± 2,49𝑋𝑋1 − 0,46𝑋𝑋2
berpengaruh signifikan terhadap keputusan konsumen
membeli deterjen merek “Attack”
Pengujian Hipotesis
Koefisien korelasi berganda (R) 𝐻𝐻𝑎𝑎 ≠ 𝛽𝛽1 ≠ 𝛽𝛽2 ≠ 0, variabel promosi dan harga
𝑏𝑏1 ∑ 𝑋𝑋1 𝑌𝑌 + 𝑏𝑏2 ∑ 𝑋𝑋2 𝑌𝑌 berpengaruh signifikan terhadap keputusan konsumen
𝑅𝑅 = membeli deterjen merek “attack”
∑ 𝑌𝑌 2
(2,49)(1.122)−(0,46)(737)
𝑅𝑅 =
3162
2.793,78−339,02
= Kriteria :
3162
= 0,77 F hitung < F tabel = 𝐻𝐻0 diterima
Koefisien determinasi (𝑅𝑅 2 )
F hitung > F tabel = 𝐻𝐻0 ditolak 𝐻𝐻𝑎𝑎 diterima
𝑅𝑅 2 = (0,77)2
= 0,59
F Hitung F hitung (5,03) > F tabel (4,74) = 𝐻𝐻0 ditolak 𝐻𝐻𝑎𝑎 diterima
𝑅𝑅 2 (𝑁𝑁−𝑘𝑘−1)
𝐹𝐹ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = Jadi, dapat disimpulkan bahwa promosi dan harga
𝑘𝑘(1−𝑅𝑅 2 )
=
0,59(10−2−1) berpengaruh signifikan terhadap keputusan konsumen
2(1−0,59)
membeli deterjen merek “Attack”.
= 5,03
Ket:
K = jumlah variabel bebas 8.4 Analisis Korelasi
F Tabel 1) Analisis Korelasi Linier Sederhana
Dk pembilang = k
Korelasi menyatakan derajat hubungan antara dua
=2
variabel tanpa memperhatikan variabel mana yang menjadi
Dk penyebut = n-k-1
peubah. Karena itu hubugan korelasi belum dapat
= 10-2-1
dikatakan sebagai hubungan sebab akibat.
=7
F table = 𝐹𝐹𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 (2,7)
F tabel = 4,74
150
151
Bentuk Hubungan 2. Hubungan negatif menyatakan hubungan semakin
besar nilai pada variabel X, diikuti pula perubahan
dengan semakin kecil nilai pada variabel Y.
3. r = 1,00 menyatakan hubungan yang sempurna kuat; r
= 0,50 menyatakan hubungan sedang; dan 0,00
menyatakan tidak ada hubungan sama sekali (dua
variabel tidak berhubungan).
Tabel 8.22 Penggunaan Tehnik Korelasi

Tingkatan Skala Teknik Korelasi yang
No.
Ukur sesuai
1. Nominal 1. Koefisien Kontingensi
1. Spearman Rank
2. Ordinal
2. Kendal  (tau)
1. Pearson Product Moment
Interval dan
3. 2. Korelasi Ganda
Rasio
3. Korelasi Parsial
Keterangan:
1. Hubungan positif menyatakan hubungan semakin besar
nilai pada variabel X, diikuti pula perubahan dengan
semakin besar nilai pada variabel Y
152
153
1. Korelasi Product Moment Dengan demikian dapat diketemukan harga-harga
Rumus: sbb:
n  Xi Yi - (Xi) (Yi)
rxy =  X = 36
2 2
n Xi – (Xi) • n Yi2 2
– (Yi)  Y = 42
 X2 = 216
Keterangan:  Y2 = 314
rxy = hubungan variabel X dengan Variabel Y  XY = 259
7 (259) - (36) (42)
Xi = Nilai variabel X ke i (1,2,3, …..) rxy =
7(216) – (36)2 • 7(314) – (42)2
Yi = Nilai variabel Y ke i (1,2,3, …..)
1813 - 1512
Contoh soal: =
[1512 – 1296] • [2198 – 1764]
Hitunglah koefisien korelasi (rxy) dari variabel
= 301 : 306,176
pendapatan (variabel X) dan pengeluaran (variabel Y)
sebagai berikut: = 0,98
2. Korelasi Spearman Rank

Korelasi ini dirancang untukmenghitung koefisien
No. X Y X2 Y2 XY korelasi dari dua variabel data yang masing-masing
berskala ordinal. Koefisien korelasi antara dua variabel
1. 8 10 64 100 80
X dan Y dnyatakan dengan xy ( baca=rho XY)
2. 7 8 49 64 56
3. 7 9 49 81 63
4. 5 6 25 36 30
5. 4 5 16 25 20
6. 3 2 9 4 6
7. 2 2 4 4 4
36 42 216
314 259
154
155
Rumus: Tabel 8.25 Tabel Pembantu Perhitungan
Korelasi Rank Spearman
6  b i2 No. X Y Rk X Rk y bi bi2
xy = 1 - 1. 4 5 5,5 4 1,5 2,25
n (n2 – 1)
2. 1 2 10 9,5 0,5 0,25
Contoh Soal:
Hitunglah koefisien korelasi dari variabel tingkat 3. 2 2 8,5 9,5 -1 1
pendidikan dengan tingkat pendapatan pekerja.
4. 3 4 7,5 7 0,5 0,25
Penentuan skala kedua variabel dinyatakan dalam tabel
berikut:
5. 6 6 1,5 1,5 0 0
6. 6 5 1,5 4 -2,5 6,25
No. Pendidikan Kode Pendapatan (Y) Kode
(X) (ribuan rp/bln)
7. 5 6 3,5 1,5 2 4
1. SD 1 0 – 200 1
2. SLTP 2 201 - 500 2
8. 5 5 3,5 4 0,5 0,25
3. SLTA 3 501 - 900 3
4. Sarjana 4 901 - 1500 4
9. 4 4 5,5 7 -1,5 2,25
5. Magister 5 1501 - 2500 5
6. Doktor 6 2501 - keatas 6
10. 2 4 8,5 7 1,5 2,25
Penelitian dilakukan terhadap 10 pekerja yang
diambil secara acak. Setelah dilakukan penelitian 11. 3 3 7,5 8 -0,5 0,25
diperoleh hasil sebagai berikut:
- - - - - 19
xy = 1 - 6 . 19
10 (102 – 1)
= 1 - 114
10 (99)
156
157
=1- 114 5. Untuk masing-masing variabel, nilai observasi yang
990 satu dengan yang lain, tidak berkaitan.
=1- 0, 115
Berdasarkan korelasi berganda, yang diberi notasi
RY.12….n dihitung melalui jalur terjadinya hubungan antara
= 0,88
beberapa variabel independent (X1, X2, ……., Xn) dengan
2) Analisis Korelasi linier Berganda
satu variabel dependent (Y), yakni yang berupa regresi
Analisis korelasi berganda merupakan perluasan dari linier berganda Y’ = a + b1.X1 + b2.X2 + …… + bn.Xn.
analisis korelasi sederhana. Dalam analisis korelasi
Berdasarkan adanya regresi berganda tersebut,
berganda bertujuan untuk mengetahui bagaimana derajat
koefisien korelasi linier berganda tersebut dihitung dengan
hubungan antara beberapa variabel independent (Variabel
menggunakan rumus sebagai berikut:
X1, X2, ……., Xk) dengan variabel dependent (Variabel Y)
secara bersama-sama. b1  X 1Y + b2  X 2Y + .......... + bn  X nY
RY .12 =
Y 2
Asumsi-asumsi sehubungan dengan analisis regresi
berganda tersebut adalah: Berdasarkan contoh tentang hubungan antara
penghasilan keluarga (X1) dan besar keluarga (X2) dengan
1. Variabel-Variabel independent dan variabel dependent
pengeluaran untuk bahan makanan (Y), koefisien korelasi
mempunyai hubungan linier
linier bergandanya dinyatakan dengan:
2. Semua variabel, baik variabel-variabel independent
b1  X 1Y + b2  X 2Y
maupun variabel dependent, merupakan variabel- RY .12 =
Y 2
variabel random kontinyu.
dimana,
3. Distribusi kondisional nilai masing-masing variabel
berdistribusi normal (multivariate normal distribution) b1 = 0,0544
4. Untuk berbagai kombinasi nilai variabel yang satu b2 = 0,02304

dengan yang lain tertentu, varaince dari distribusi X1Y = 16,858
kondisional masing-masing variabel adalah homogen
X2Y = 9,96
(asumsi homoscedasticity berlaku untuk semua
variabel) Y2 = 3,777
158
159
Jadi koefisien korelasi berganda dari contoh tersebut menunjukkan korelasi antara besar keluarga (X2) dengan
adalah: pengeluaran untuk bahan makanan (Y) apabila penghasilan
keluarga (X1) konstan.
0,0544(16,858) + 0,2304(9,96) 3,2118592
RY .12 = = = 0,92
3,777 3,777 Rumus-rumusnya adalah:
2
Sedang koefisien determinasi berganda (R ) dari rX 1Y − (rX 2Y )(rX 1 X 2 )
rY .1( 2) =
contoh tersebut adalah : (1 − r 2 X 2Y )(1 − r 2 X 1 X 2 )
b1  X 1Y + b2  X 2Y SSR
RY2 .12 = atau rX 2Y − (rX 1Y )(rX 1 X 2 )
Y 2 SST rY .2(1) =
(1 − r 2 X 1Y )(1 − r 2 X 1 X 2 )
0,0544 (16,858 ) + 0,2304 (9,96 ) 3,2118592
RY2 .12 = = = 0,85 atau (0,92 ) 2
3,777 3,777 Untuk menghitung koefisien korelasi parsialnya
Angka tersebut menunjukkan bahwa sekitar 85% dari terlebih dahulu harus dihitung koefisien korelasi sederhana
variasi pengeluaran untuk bahan makanan (Y) dijelaskan antara X1 dengan Y, X2 dengan Y dan antara X1 dengan X2.
oleh kombinasi dari penghasilan keluarga (X1) dan besar Berdasarkan contoh dimuka:
keluarga (X2). Sisanya yakni 15% dijelaskan oleh variabel
 X 1Y 16,858
independent lainnya yang tidak teramati. rX Y = = = 0,41
1 2
( X )( Y )
1
2 40,693
Dari kasus korelasi linier berganda, peneliti dapat
menghitung koefisien korelasi parsialnya. Korelasi parsial  X 2Y 9,96
rX = = = 0,72
2Y 2
( X )( Y ) 2 13,797
(partial correlation) adalah korelasi antara sebuah variabel 2
dependent (Y) dengan sebuah variabel independent (X),  X2X2 − 30,38 − 30,38
sementara sejumlah variabel independent lainnya konstan. rX X = = = = −0,20
1 2 2
( X )( X )
1
2
2
(438 ,416 )(50,4) 148 ,65
Apabila variabel independentnya ada dua buah yaitu X1
Koefisien korelasi parsial :
dan X2, maka koefisien parsial yang ada ialah rY12 dan rY21,
yang masing-masing menunjukkan koefisien korelasi antara 0,41 − (0,72)(−0,20) 0,554
rY .1( 2) = = = 0,81
Y dengan X1 apabila X2 konstan dan koefisien korelasi (1 − (0,72) 2 )(1 − (0,20) 2 ) (0,694)(0,98)
antara Y dengan X2 apabila X1 konstan. Seperti dalam 0,72 − (0,41)(−0,20) 0,802
contoh tersebut dimuka, rY12 menunjukkan korelasi antara rY .2(1) = = = 0,90
2
(1 − (0,41) )(1 − (0,20) ) 2 (0,912)(0,98)
penghasilan keluarga (X1) dengan pengeluaran untuk bahan
makanan (Y) apabila besar keluarga (X2) konstan. Dan rY21
160
161
Koefisien determinasi dan pengertiannya: R 2Y = (0,92) 2 = 0,85
5. 12
1. r 2 X1Y = (0,41)2 = 0,17
Sekitar 17% dari variasi pengeluaran untuk bahan Sekitar 85% dari variasi pengeluaran untuk bahan
makanan (Y) dapat dijelaskan oleh variasi dalam makanan (Y) dapat dijelaskan oleh kombinasi dari
penghasilan keluarga (X1) dimana faktor lain tidak penghasilan keluarga (X1) dan besar keluarga (X2).
dipertimbangkan. Periksa kembali penjelasan dimuka.
2. r 2 X 2Y = (0,72)2 = 0,52
Sekitar 52% dari variasi pengeluaran untuk bahan
makanan (Y) dapat dijelaskan oleh variasi dalam besar
keluarga (X2) dimana faktor lain tidak
dipertimbangkan.
3. r 2Y = (0,81)2 = 0,66
1( 2 )
makanan (Y) dapat dijelaskan oleh variasi dalam
penghasilan keluarga (X1), apabila pengaruh dari besar
keluarga (X2) dianggap konstan.
4. r 2Y = (0,90)2 = 0,81
2 (1)

makanan (Y) dapat dijelaskan oleh variasi dalam besar
keluarga (X2), apabila pengaruh dari penghasilan
keluarga (X1) dianggap konstan.
162
163
DAFTAR PUSTAKA -penyimpangan-range-deviasi-varian/. Diakses Maret 03,
2016.
Afrinando, R. (2014). Probabilitas dan Statistika. Fakultas Matematika Study Center. (2010).
Teknik. Universitas Andalas Padang. Padang. http://matematikastudycenter.com/kelas-11-sma/142-
statistika-data-simpangan-rata-rata. Diakses Maret 02,
Benua Ilmu. (2013).
2016.
http://www.benuailmu.com/2013/09/rumus-simpangan-
baku.html. Diakses Maret 03, 2016. Pasaribu. (1975). Pengantar Statistik. Jakarta. Ghalia.
Bogdan, R. C. & Biklen, S. K. (1998). Qualitative Research in Prasetyo, B. & Jannah, L. M. (2005). Metode Penelitian
Education, an Introduction toTheory and Methods, Third Kuantitatif: Teori dan Aplikasi. Jakarta: P.T. Radjagrafindo
Edition, Boston, Allyn and Bacon. Persada.
Fardi, A. dkk. (2012). Silabus dan Hand-Out Mata Kuliah Ruslang, T. (2010). Statistik Ekonomi I Frekuensi Distribusi.
Statistik. Padang: UNP. Parepare: Scribd.
Furqon. (1999). Statistika Terapan Untuk Penelitian, Bandung: Soewarno. (1995). Aplikasi Metode Statistik untuk Analisis
CV. ALFABETA. Data. Bandung: Penerbit NOVA.
Gaspersz, V. (1998). Statistical Proses Control Penerapan Somantri, A. & Muhidin, S. A. (2006). Aplikasi Statistika
Teknik-Teknik Statistik dalam Manajemen Bisnis Total. dalam Penelitian. Yogyakarta: Pustaka Setia.
Jakarta: Diterbitkan atas Kerja Sama Yayasan Indonesia Spiegel, M. R. (1972). Theory and Problems of Statistics (SI-
Emas,Institut Vincent, PT Gramedia Pustaka Utama.
Metrik Editon), dialih bahasa oleh Drs. I Nyoman Susila,
Kriyantono, R. (2006). Teknik Praktis Riset Komunikasi. M.Sc. Jakarta: Penerbit Erlangga.
Jakarta: Kencana Prenada Media Group.
Spiegel, M. & Sthepens, L. (2004). Schaum Outlines Statistik.
Mafia. (2014). http://mafia.mafiaol.com/2014/06/cara- Edisi Ketiga. Jakarta: Erlangga.
menentukan-jangkauan-interkuartil-simpangan- Stuart, A. (1962). Basic Ideas of Scientific Sampling, New York:
kuartil.html. Diakses Maret 05, 2016.
Hafner Publishing Company.
Maria Fauzi. (2013).
Subana, dkk. (2000). Statistik Pendidikan. Bandung: Pustaka
https://marieffauzi.wordpress.com/2013/10/07/pengukuran Setia.
164
165
Sudijono, A. (2008). Pengantar Evaluasi Pendidikan. Jakarta: TENTANG PENULIS
Raja Grafindo Persada.
Sugiyono. (2008). Metode Penelitian Pendidikan suatu Penulis merupakan dosen di Program
Pendekatan Kuantitatif, Kualitatif, dan R&D. Bandung: Studi Pendidikan Matematika,
Penerbit Tarsito. Universitas Mahasaraswati Denpasar.
Penulis menjadi dosen sejak tahun 2017
Suharsimi, Arikunto. (2002). Prosedur Penelitian Suatu
Pendekatan Praktek. Jakarta: Penerbit Rineka Cipta. dan sampai sekarang aktif dalam
melakukan kegiatan Tri Dharma
Sumadi, D.R. (2009). Modul Statistik. Yogyakarta: Universitas Perguruan Tinggi. Dalam bidang
Sarjanawiyata Tamansiswa. pengajaran, penulis telah menjadi
Suprapto. (2009). Kemencengan (Skewness). Program Kuliah pengajar Mata Kuliah Workshop Matematika sejak tahun 2018.
Karyawan. Universitas Mercu Buana Jakarta. Jakarta. Penulis memperoleh gelar sarjana dari Universitas Pendidikan
Ganesha di Jurusan Pendidikan Matematika pada tahun 2014,
kemudian penulis melanjutkan studinya di Jurusan Magister
Pendidikan Matematika Universitas Pendidikan Ganesha dan
memperoleh gelar magisternya pada tahun 2016. Dalam 4 tahun
menjadi dosen, penulis sudah menghasilkan 4 buah buku
referensi maupun buku ajar, antara lain: Panduan Penelitian
Eksperimen Beserta Analisis Statistik dengan SPSS (2018),
Implementasi Strategi Pembelajaran “What-If” (2020), dan
English for Mathematics (2021), dan Buku Ajar Workshop
Matematika (2021). Penulis juga telah menghasilkan lebih dari
35 publikasi yang berupa artikel yang dimuat di jurnal
internasional, jurnal nasional, prosiding internasional, maupun
prosiding nasional. Penulis juga aktif sebagai pembicara dalam
kegiatan seminar internasional maupun nasional serta
memberikan ceramah maupun penyuluhan di berbagai forum.
Penulis juga memperoleh berbagai hibah di bidang penelitian
dengan salah satu yang paling berkesan bagi penulis adalah
166
167
beasiswa penelitian internasional yang memberikan kesempatan
bagi penulis untuk melakukan riset di Western Michigan
University, U.S.A. Motto hidup penulis adalah “You Are Your
Only Limit” yang memberikan semangat bagi penulis untuk
selalu melangkah maju.
168
168 Metode Statistika Penelitian

Untitled

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

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

Untitled

Diunggah oleh

Hak Cipta:

Format Tersedia

METODE STATISTIKA

Puji syukur penulis panjatkan kehadapan Ida Sang Hyang

Denpasar, Maret 2022

I Putu Ade Andre Payadnya

Metode Statistika Penelitian iii

1.1 Pengertian Statistik dan Statistika

xx Metode Statistika Penelitian Metode Statistika Penelitian 1

menghilangkan kemungkinan bias ini, kita perlu mengambil

1990 1991 1992 1993 1994 1995

Gambar 4.4 Pertumbuhan Sektor Jasa Indonesia, 1990-

Persamaan: y = 44,3476 – 1,4381x + 0,0366x2

Tabel 4.5 Gross National Product (GNP) Beberapa

Data di atas disajikan dalam Gambar 4.8 yang

Dengan menggunakan gambaruntuk Pria

5.1 Ukuran Pemusatan Data

Modus dari data tersebut adalah 5 Jawab: Data diurutkan menjadi : 2, 4, 5, 6, 8, 9, 12

Jawab: Dari tabel di atas diperoleh: Contoh

a. Simpangan Rata-rata Jawab :

dengan: = jumlah harga mutlak data s2 =

Berapa simpangan rata-rata dari data berikut : 2, 5, 6, 15

56 – 61 5 58,5 10,4 52 (ribu Rp)

Varians pengeluaran per hari 30 keluarga adalah Rp. Jawab:

6.1 Pengertian Normalitas Data Keterangan:

Tabel 6.3 Populasi dari Tinggi Badan Mahasiswa

Ho : Populasi tinggi badan mahasiswa berdistribusi

Pengujian hipotesis pihak kiri adalah d) Menghitung t hitung dan t tabel

a) Data berdistribusi normal. a. Membuat Hipotesis

b) Kedua kelompok data independen. H0 = Rerata kelompok 1 sama dengan

Untuk mencari simpangan baku X 1 = rata-rata dari kelompok data 1

Ha : ada perbedaan nilai rata-rata antara

vi. Menentukan nilai derajat kebebasan Tujuan Membandingkan Ftabel dan

Tabel 8.9 Tabel Bantu Uji Anava

metode 2 serta metode 3 JKB = (8770) – 8640

H0 : x 1 = x 2 = x 3 iv. Menentukan nilai ragam antar grup

Pengertian data sampel tidak sama banyak adalah

(iv) Menentukan nilai ragam antar grup Fhitung = 3,53

Dari tabel di atas, terlihat bahwa pada

𝑛𝑛(∑ 𝑋𝑋𝑖𝑖 𝑌𝑌𝑖𝑖 )−(∑ 𝑋𝑋𝑖𝑖 )(∑ 𝑌𝑌𝑖𝑖 )

Menentukan tingkat signifikansi

3. Mencari Persaman Garis Regresi

4. Mencari F Regresi dan Menguji Taraf

𝑏𝑏1 , 𝑏𝑏2 = koefisien regresi

𝑋𝑋1 , 𝑋𝑋2 = variabel bebas

Tabel 8.22 Penggunaan Tehnik Korelasi

2. Korelasi Spearman Rank

4. Untuk berbagai kombinasi nilai variabel yang satu b2 = 0,02304

Sekitar 81% dari variasi pengeluaran untuk bahan

Anda mungkin juga menyukai