4334 61201 0323106401 PDF

BAHAN KULIAH
STATISTIK DAN
LABORATORIUM STATISTIK
OLEH :
JAYADI
UNIVERSITAS IPWIJA
JAKARTA
2022
DAFTAR ISI
Hal
BAB 1 PENDAHULUAN 1
BAB 2 DATA PENELITIAN 5
BAB 3 DISTRIBUSI FREKUENSI 11
BAB 4 PENYAJIAN DATA DALAM GRAFIK 14
BAB 5 PENGUKURAN GEJALA SENTRAL 19
BAB 6 KORELASI SPEARMAN RANK 34
BAB 7 CHI KUADRAT 39
BAB 8 KORELASI SEDERHANA 53
BAB 9 KORELASI GANDA 58
BAB 10 REGRESI SEDERHANA 66
BAB 11 REGRESI GANDA 72
BAB 12 Uji BEDA (t – TEST) 82
BAB 13 PENGUJIAN VALIDITAS DAN RELIABILITAS 95
DAFTAR PUSTAKA 99
DAFTAR LAMPIRAN 100
BAB 1
PENDAHULUAN
A. Definisi Statistik
Statistik berasal dari bahasa Inggris “State” dan bahasa Latin “Status”
artinya negara. Pada awalnya statistik berarti keterangan-keterangan yang
dibutuhkan oleh negara atau pemerintah untuk tujuan tertentu, misalnya : untuk
penarikan pajak, untuk mengetahui perkembangan jumlah penduduk, untuk
mengetahui perkembangan hasil bumi & industri dan lain-lain. Keterangan-
keterangan itu meliputi berbagai bidang kehidupan dan penghidupan, sehingga
lahirlah istilah statistik, yang pemakaiannya disesuaikan dengan lingkup
datanya. Contohnya dalam kehidupan sehari-hari sering kita dengar tingkat
inflansi rata-rata 9% setahun, bunga deposito bank rata-rata 12% setahun dan
lain-lain.
Perkembangan selanjutnya statistik mempunyai arti sebagai data
kuantitatif (numerik), baik yang sudah disusun maupun yang belum tersusun
dalam tabel. Atau dengan kata lain statistik menunjuk pada informasi tentang
bermacam-macam kegiatan dalam bentuk angka.
Perkembangan berikutnya statistik diartikan bukan hanya sebagai data
numerik (dalam arti sempit), tetapi statistik sudah diartikan sebagai metode
atau alat. Sehingga statistik diartikan sebagai metode untuk mengerjakan /
memanipulasi data kuantitatif agar angka tersebut lebih berarti/bermakna.
Para ahli yang lain berpendapat statistik dianggap sebagai salah satu
cabang ilmu pengetahuan yang bertugas untuk mengumpulkan, mengolah,
menyajikan dan menganalisis data. Pengertian statistik yang demikian ini juga
disebut sebagai statistik deskriptif, maksudnya memberikan gambaran data
yang diolah dan disajikan apakah dalam bentuk tabel, gambar (bermacam-
macam grafik), ukuran penempatan (rata-rata, median, modus, kuartil, desil,
persentil), simpangan baku, dan sampai dengan analisis data. Pada tahap ini
tidak sampai menyimpulkan data.
Pengertian statistik dalam arti luas (modern) tidak cukup hanya
memberikan gambaran deskriptif saja, tetapi juga melangkah lebih maju yaitu
menarik kesimpulan dan memberikan interpretasi atas hasil perhitungan.
Statistik yang demikian juga disebut statistik inferensial.
JAYADI – UNIVERSITAS IPWIJA Page 1

B. Kegunaan Statistik
Statistik sebagai metode ilmiah tidak hanya berguna dalam kehidupan
sehari-hari tetapi juga hampir semua cabang ilmu mendasarkan pada pemikiran
kuantitatif. Secara ringkas statistik sangat berguna untuk :
1. Menjelaskan hubungan antar variabel
Contoh : bagian pemasaran suatu perusahaan dapat menggunakan prosedur
statistik untuk menjelaskan hubungan antara permintaan produk dengan
tingkat pendapatan masyarakat, antara permintaan produk dengan banyaknya
penduduk atau antara permintaan produk dengan tingkat pendidikan
konsumen. Analisa regresi dan korelasi akan menjawab persoalan ini.
2. Membuat keputusan lebih baik
Contoh : seorang manajer sedang menghadapi situasi ketidakpastian
mengenai permintaan produknya dimasa depan, apakah permintaan akan
tinggi, sedang, atau rendah. Dalam menghadapi situasi ini manajer memiliki
beberapa tindakan, misalnya melakukan perluasan dengan membangun
sendiri, menyewa untuk keperluan perluasan atau tetap mempertahankan
kapasitas yang ada. Teori keputusan secara statistik akan memberikan
jawaban atas persoalan ini.
3. Mengatasi perubahan-perubahan
Contoh : ketua serikat buruh ingin mengadakan perjanjian dengan pihak
perusahaan. Agar upah riil anggota serikat buruh tidak menurun, maka ketua
serikat buruh harus memperhatikan perkembangan indeks harga yang secara
berkala diterbitkan oleh Biro Statisitik. Statistik deskriptif membahas cara-
cara perhitungan angka indeks dan pemakaiannya.
4. Membuat rencana dan ramalan
Contoh : suatu pemerintahan kota sedang merencanakan kebutuhan
perumahan warganya selama 10 tahun mendatang. Manfaat rencana itu
sangat dipengaruhi oleh ketepatan ramalan jumlah penduduk kota pada
periode perencanaan. Analisa time series merupakan salah satu teknik
ramalan yang sangat populer dan tepat untuk menjawab persoalan ini.
5. dan lain-lain

C. Landasan Kerja Statistik
1. Variasi dan dinamis
Statistik bekerja dengan keadaan yang berubah-ubah (dinamis) dan
menjangkau berbagai bidang (variasi). Misalnya : keadaan penduduk,
keuangan, GNP, kelahiran, kematian dan lain-lain.
2. Reduksi
Statistik bekerja secara reduksi, artinya tidak seluruh informasi yang ada
harus diolah, tidak semua orang (subyek) harus diteliti melainkan cukup
dengan sampel-sampel yang mewakilinya saja. Untuk mendapatkan sampel
yang representatif maka diperlukan pemahaman tentang teknik sampling.
3. Generalisasi
Statistik induktif bekerja untuk menarik kesimpulan umum (generalisasi)
yang berlaku untuk anggota-anggota populasi berdasarkan sampel-sampel
yang representatif tadi. Perusahaan tidak mungkin meneliti semua produk
yang akan dijual dimasyarakat, tetapi cukup melalui sampel saja, misalnya
hanya 10% saja yang harus diuji. Kalau diuji semua kapan perusahaan akan
menjual produk tersebut.
4. Spesialisasi
Statistik bekerja dengan angka-angka (kuantitatif) yang nyata, pasti dan
dapat diukur. Istilah-istilah seperti : pada umumnya, kira-kira, sekitar, kurang
lebih, kebanyakan, lumayan dan lain sebagainya tidak dikenal dalam analisa
statistik. Agar data kualitatif dapat di kuantitatifkan maka data tersebut harus
di berikan bobot dulu. Misalnya sangat setuju = 5, setuju = 4, ragu-ragu = 3,
tidak setuju = 2, sangat tidak setuju = 1.
D. Pendekatan Dalam Statistik

1. Obyektif
Statistik yang mengandung angka-angka tersebut dapat diterima oleh semua
orang tentang sebutan angka yang ditulis tadi. Karena angka-angka tersebut
dihasilkan dengan pendekatan ilmiah melalui penelitian yang sistematik dan
terkontrol berdasarkan data empiris. Langkah-langkah penelitian yang teratur
dan terkontrol itu telah terpolakan dan sampai batas tertentu diakui oleh
umum. Karena pendekatan tersebut tidak diwarnai oleh keyakinan pribadi,
bias dan perasaan, sehingga penyimpulannya bukan dengan cara subyektif
melainkan dengan cara yang obyektif.

2. Universal
Statistik bersifat universal karena ia dapat dipakai hampir dalam setiap
bidang keilmuan, termasuk juga dalam ilmu-ilmu sosial.
E. Beberapa Istilah Dalam Statistik

Data : sesuatu yang dapat diketahui
Variabel : data yang sifat dan nilainya dapat berubah-ubah atau juga dapat
diartikan suatu konsep (atribut) yang dapat diamati dan diukur.
Populasi : keseluruhan subyek dari suatu obyek yang menjadi sasaran
penelitian.
Sampel : sebagian dari populasi yang menjadi sasaran penelitian
Sensus : mengumpulkan data secara menyeluruh dan bersifat umum
Representatif : segala unsur dan karakteristik subyek yang menjadi sampel
tercermin dalam populasi
Validitas : suatu ukuran yang menunjukkan tingkat-tingkat kevalidan atau
kesahihan suatu instrumen. Suatu instrumen dikatakan valid
apabila mampu mengukur apa yang diinginkan.
Reliabilitas : menunjuk pada suatu pengertian bahwa suatu instrumen cukup
dapat dipercaya untuk digunakan sebagai alat pengumpul data
karena instrumen tersebut sudah baik. Reliabilitas menunjuk
pada tingkat keterhandalan sesuatu. Reliabel artinya dapat
dipercaya, jadi dapat dihandalkan

BAB 2
DATA PENELITIAN
A. Pengertian Data
Data berbentuk jamak, sedang datum berbentuk tunggal. Jadi data terdiri
dari datum-datum. Data adalah suatu bahan mentah yang jika diolah dengan
baik melalui berbagai analisis dapat melahirkan berbagai informasi.
Data dapat diartikan sesuatu yang diketahui/dianggap.
Diketahui : sesuatu yang sudah terjadi merupakan fakta
Misalnya : jumlah modal yang dimiliki Rp.1 milyar, penjualan turun
20 %, pelanggan yang tidak puas 15% dan lain-lain
Dianggap : a. Pernyataan tentang sesuatu yang sudah terjadi akan
tetapi belum diketahui (belum dilaporkan), sering disebut
hipotesis
b. Pernyataan tentang sesuatu yang belum terjadi bisa
terjadi, bisa juga tidak, disebut ramalan (forecasting)
B. Kegunaan Data
1. Untuk mengetahui atau memperoleh gambaran tentang sesuatu keadaan atau

persoalan
2. Untuk membuat keputusan atau memecahkan persoalan. Oleh karena
persoalan yang timbul itu ada penyebabnya, maka memecahkan persoalan
maksudnya menghilangkan faktor-faktor yang menyebabkan timbulnya
persoalan tersebut.
3. Untuk dasar penyusunan perencanaan dalam rangka memecahkan persoalan
(perencanaan produksi, perencanaan tenaga kerja, perencanaan keuangan,
perencanaan nasional dan lain-lain)
4. Untuk alat kontrol dalam pelaksanaan suatu perencanaan. Perencanaan
memerlukan data masa lampau, sekarang dan data yang akan datang berupa
ramalan. Karena ramalan itu mengandung ketidakpastian maka ada
kemungkinan pelaksanaan suatu perencanaan tidak sesuai. Kontrol
bertujuan untuk mengetahui kalau-kalau ada kesalahan dalam pelaksanaan

suatu perencanaan untuk segera diatasi (dikoreksi) dipecahkan
persoalannya.
5. Untuk dasar evaluasi. Misalnya : seorang manajer pemasaran bermaksud
mengetahui berapa persen target penjualan produknya pada periode tertentu,
atau kemajuan-kemajuan yang dicapai dibandingkan dengan waktu
sebelumnya.
C. Syarat Data Yang Baik

1. Data harus valid, reliabel dan obyektif
2. Data harus mewakili (representative)
3. Data harus mempunyai sampling error kecil
4. Data harus tepat waktu (up to date)
5. Data harus ada hubungan dengan persoalan (relevan)
D. Pembagian Data
Menurut sifatnya data dapat dibagi menjadi dua :
1. Data kualitatif yaitu data yang tidak berbentuk angka atau berupa
pernyataan, misalnya : pengunjung Jakarta Fair sepi, kondisi keamanan
mantap, harga stabil, karyawan bersemangat, penjualan menurun, utang
perusahaan meningkat, dan lain sebagainya.
2. Data kuantitatif yaitu data yang berbentuk angka, misalnya : harga beras
Rp. 2500/Kg, karyawan yang tidak bersemangat hanya 10%, rata-rata gaji
karyawan Rp. 900.00 per bulan, produksi padi mencapai 6 ton per hektar dan
lain-lain.
Data kuantitatif dibedakan menjadi dua yaitu :
1. Data deskrit, data ini merupakan hasil perhitungan sehingga tidak dijumpai
bilangan pecahan. Data deskrit juga disebut data nominal.
2. Data kontinyu, data ini merupakan hasil pengukuran sehingga kemungkinan
dijumpai bilangan pecahan.
Berdasarkan sumber data, data dibagi menjadi dua, yaitu data internal
dan data eksternal. Untuk membicarakan sumber data kita harus berpijak pada
suatu organisasi tertentu, misalnya : perusahaan tertentu, departemen tertentu
atau negara tertentu.
1. Data internal , yaitu data dari dalam suatu organisasi yang menggambarkan
keadaan organisasi tersebut.

Misalnya suatu perusahaan : jumlah karyawan, jumlah modal, jumlah
produksi, kebutuhan bahan mentah dan lain-lain. Suatu negara : pendapatan
nasionalnya, pendapatan dan penerimaan negara dan sebagainya. Suatu
penelitian yang dilakukan terhadap suatu organisasi pada dasarnya untuk
mengetahui data internal organisasi tersebut, yang mungkin sudah tersedia
dalam laporan tahunannya.
2. Data eksternal, yaitu data dari luar suatu organisasi yang dapat meng-
gambarkan faktor-faktor yang mungkin mempengaruhi hasil kerja suatu
organisasi. Misalnya daya beli masyarakat mempengaruhi hasil penjualan
suatu perusahaan, bantuan luar negeri akan mempengaruhi hasil
pembangunan suatu negara.
Menurut cara memperolehnya data juga dapat dibagi menjadi dua, yaitu :
1. Data primer, yaitu data yang dikumpulkan sendiri oleh perorangan atau suatu
organisasi langsung melalui objeknya. Misalnya : PT. Unilever ingin
mengetahui konsumsi margarine blue band langsung menghubungi rumah
tangga. Biro Pusat Statistik untuk memperoleh data harga langsung
mendatangi pasar, Departemen Pendidikan Nasional untuk mendapatkan data
pendidikan langsung menghubungi sekolah, dan lain sebagainya.
2. Data sekunder, yaitu data yang diperoleh dalam bentuk sudah jadi berupa
publikasi. Data sudah dikumpulkan oleh pihak instansi lain. Misalnya suatu
perusahaan (departemen) ingin mengetahui data penduduk, pendapatan
nasional, indeks harga konsumen, ekspor dan impor serta data lainnya dari
Biro Pusat Statistik, data perbankan dari Bank Indonesia dan lain-lain.
Menurut waktu pengumpulannya, data dapat dibagi menjadi dua, yakni :

1. Data cross section ialah data yang dikumpulkan pada suatu waktu tertentu
untuk menggambarkan keadaan dan kegiatan pada waktu tersebut. Analisis
yang didasarkan data cross section sifatnya statis, oleh karena tidak
memperhitungkan perubahan-perubahan yang terjadi yang disebabkan karena
adanya perubahah waktu. Misalnya : membuat analisis struktur ekonomi
suatu negara pada tahun tertentu.
2. Data berkala (time series) ialah data yang dikumpulkan dari waktu kewaktu
untuk melihat perkembangan suatu kejadian/kegiatan selama periode
tertentu. Misalnya perkembangan uang beredar, harga sembako, indeks harga

konsumen, penerimaan dan pengeluaran negara, ekspor impor. Waktu dapat
dihitung dalam mingguan, bulanan, triwulanan, semesteran maupun tahunan.
E. Skala Data
Kebanyakan data sosial bersifat kategori. Misalnya jawaban terhadap
pertanyaan “Apakah anda puas terhadap pelayanan yang diberikan oleh petugas
Kantor Pos ?”. Maka jawaban yang diberikan kurang lebih : sangat puas, puas,
cukup puas, tidak puas. Tetapi seandainya orang yang membawa surat yang
akan dikirimkan kepada keluarganya, maka surat yang mereka bawa diukur
dengan timbangan menggunakan skala gram.
Dari contoh diatas ada dua macam skala yang berbeda, atau bersifat psikologis
dan yang kedua bersifat eksak. Secara umum ada empat macam skala dalam
statistik, yaitu :
1. Skala Nominal
Memiliki atribut paling sederhana, hanya menunjukkan kategori, tidak
mempunyai urutan (ranking), tidak mempunyai ukuran baru, tidak
mempunyai nol mutlak. Misalnya kelompok (1,2,3,4), Jenis kelamin (laki-
laki, perempuan), agama (Islam, Katholik, Kristen, Budha, Hindu)
2. Skala Ordinal
Memiliki atribut klasifikasi kuantitatif, mempunyai urutan tingkatan
(ranking), tidak mempunyai ukuran baru, tidak mempunyai nol mutlak.
Misalnya pembagian jenis sekolah (SD, SLTP, SLTA, PT). Pembagian
dalam skala ordinal meskipun telah jelas ada bedanya, tetapi tidak jelas
jaraknya. Antara SD dan SLTP secara kuantitatif berbeda tetapi seberapa
perbedaanya tidak dapat diukur dengan jelas, jadi tetap hanya merupakan
tingkatan. Contoh lain dalam kepangkatan kemiliteran (Letnan, Kapten,
Mayor, Letkol dan Kolonel)
3. Skala Interval
Memiliki perbedaan antara klasifikasi satu dengan yang lain secara jelas dan
sama, mempunyai urutan, mempunyai ukuran baru, tetapi tidak mempunyai
nilai nol mutlak. Misalnya dalam Indeks Prestasi (IP) mahasiswa dikenal
standar penilaian sebagai berikut : A = 4, B = 3, C = 2 dan D = 1. Interval
antara A dengan B = 4 - 3 = 1, interval antara A dengan C = 4 - 2 = 2 dan
interval antara A dengan D = 4 - 1 = 3. Jadi data interval dapat ditambah
maupun dikurangi, walaupun demikan tidak dapat disimpulkan bahwa

kepandaian atau keberhasilan A adalah empat kali keberhasilan D. Demikian
pula tidak dapat disimpulkan bahwa keberhasilan A adalah dua kali B atau
tiga kali C. Contoh lain data interval adalah persepsi, tanggapan, kepuasan,
sikap, dan lain-lain. Dalam penelitian sosial skala interval paling banyak
digunakan.
4. Skala Rasio
Memiliki atribut yang paling sempurna, memiliki urutan, mempunyai ukuran
baru, dan memiliki nilai nol mutlak dan dapat dikalikan. Contoh dari skala
rasio diantaranya : berat badan, tinggi, panjang atau jarak, temperatur.
Misalnya kita mempunyai data panjang A = 10 m, B = 20 m, C = 30 m dan
D = 40. Berdasarkan data tersebut, maka kita dapat menyimpulkan bahwa
panjang D = 4 kali A atau dua kali B. Panjang B dapat disebut 2 kali A atau
setengah kali D.
Tingkatan data kalau diurutkan dari yang tertinggi ke yang terendah,
yaitu : rasio, interval, ordinal dan nominal. Dalam analisa statistik jika perlu
data yang tinggi dapat diturunkan ke tingkat yang lebih rendah, tetapi
sebaliknya data yang tingkatannya rendah tidak dapat dinaikkan kepada
tingkatan yang lebih tinggi.
F. Perbedaan dan Persamaan Skala

Apabila keempat jenis skala tersebut dibuat matrik tampaknya akan
memberikan perbedaan dan persamaan yang lebih jelas.
Tabel 2.1. Persamaan dan Perbedaan Skala
Sifat Skala Jenis Skala

Nominal Ordinal Interval Rasio
Hasil pengamatan ya ya ya ya
Mempunyai urutan tidak ya ya ya
Mempunyai jarak tidak tidak ya ya
Memp.perbandingan tidak tidak tidak ya
Mempunyai satuan tidak tidak tidak ya
Mempunyai titik nol tidak tidak tidak ya

Bermacam-macam data seperti dikemukakan tersebut secara garis besar dapat
digambarkan pada bagan dibawah ini :
Gambar 2.1. Macam-macam Data
Kualitatif
Macam data
Deskrit (Nominal)
Kuantitatif
Ordinal
Kontinyu Interval
Rasio

BAB 3
DISTRIBUSI FREKUENSI
A. Istilah-Istilah dalam Distribusi Frekuensi

Tabel 3.1. Nilai Mahasiswa
Nilai Frekuensi
91 - 100 7
81 - 90 12
71 - 80 23
61 - 70 16
51 - 60 10
41 - 50 2
 70
Sumber : BAAK STIE IPWIJA
Kelas : 41-50, 51-60, 61-70, 71-80, 81-90, 91-100

Interval : 10 (50 – 41 + 1)
Frekuensi : 2, 10, 16, 23, 12, 7
Batas kelas bawah/semu : 41, 51, 61, 71, 81, 91
Batas kelas atas/semu : 50, 60, 70, 80, 90, 100
Batas kelas bawah nyata : 40,5; 50,5; 60,5; 70,5; 80,5; 90,6
Batas kelas atas nyata : 50,5; 60,5; 70,5; 80,5; 90,5; 100,5
Titik tengah : 41 + 50 = 45,5
2
B. Jenis-Jenis Distribusi Frekuensi

1. Distribusi tunggal
2. Distribusi kelompok
3. Distribusi kuantitatif
4. Distribusi kualitatif
5. Distribusi tertutup
6. Distribusi terbuka

C. Langkah-Langkah Membuat Distribusi Frekuensi
1. Urutkan data dari terkecil ke data terbesar (bila datanya banyak langkah ini
bisa diabaikan)
2. Hitung Rentang yaitu data terbesar dikurangi data terkecil
3. Hitung banyak kelas dengan aturan Sturges :
k = 1 + 3,3 log n
dimana n = banyaknya data
4. Hitung interval kelas dengan rumus :
i = R/k
dimana : i = interval/panjang
R = rentang (range)
k = kelas
5. Tentukan ujung bawah kelas pertama, biasanya diambil data terkecil
6. Kelas pertama dihitung dengan cara menjumlahkan batas bawah kelas
dengan interval dikurangi 1 atau (Bb + i - 1).
7. Nilai frekuensi dihitung dengan menggunakan tabel penolong.
Contoh :
Diketahui data sebagai berikut :
71 75 57 88 64 80 75 75 80
82 92 68 95 88 71 75 71 81
50 82 72 64 68 74 79 79 85
75 59 75 75 68 65 68
Buatlah tabel distribusi frekuensinya.
Jawah :
1. 50 57 59 64 64 65 68 68 68 68
71 71 71 72 74 75 75 75 75 75
75 75 79 79 80 80 81 82 82 85
88 88 92 95
2. R = 95 - 50 = 45
3. k = 1 + 3,3 log 34
k = 1 + 3,3 (1,53)
k = 6, 05  7 (dibulatkan keatas)
4. I = R / k = 45 / 7 = 6,43  7 (dibulatkan)

5. Data terkecil = 50
6. 50 + 7 - 1 = 56 (50 - 56)
57 + 7 - 1 = 63 (57 - 63)
64 + 7 - 1 = 70 (64 - 70)
71 + 7 - 1 = 77 (71 - 77)
78 + 7 - 1 = 84 (78 - 84)
85 + 7 - 1 = 91 (85 - 91)
92 + 7 - 1 = 98 (92 - 98)
7. Nilai Tabulasi F
92-98 // 2
85-91 /// 3
78-84 ///// // 7
71-77 ///// ///// // 12
64-70 ///// // 7
57-63 // 2
50-56 / 1
8.
Kelas Nilai F FR(%) FK FRK
7 92 – 98 2 6 34 100
6 85 – 91 3 9 32 94
5 78 – 84 7 20 29 85
4 71 – 77 12 36 22 65
3 64 – 70 7 20 10 29
2 57 – 63 2 6 3 9
1 50 – 56 1 3 1 3
- Jumlah 34 100 - -
Keterangan :
F = Frekuensi
FR = Frekuensi Relatif (Frekuensi dalam bentuk prosen)
FK = Frekuensi Komulatif
FRK = Frekuensi Relatif Komulatif

BAB 4
PENYAJIAN DATA DALAM GRAFIK (DIAGRAM)
A. Histogram (Diagram Bar = Diagram Batang)

Adalah penyajian data secara grafis dari distribusi frekuensi yang diubah
menjadi diagram batang.
Apabila pembuatan histogram dilakukan secara manual, perlu diperhatikan hal-
hal sebagai berikut :
1. Membuat absis (sumbu horisontal) dan ordinat (sumbu vertikal)
2. Absis diberi nama nilai dan ordinat diberi nama frekuensi.
3. Membuat skala pada absis dan ordinat
4. Membuat segiempat pada setiap batas kelas nyatanya dengan tinggi sesuai
frekuensi setiap kelas
Tabel 4.1. Nilai Matematika
Nilai F
10 10
9 15
8 25
7 20
6 12
5 5
Gambar 4.1. Histogram 1(Diagram Batang)
F
25
20
15
10
0
4,5 5,5 6,5 7,5 8,5 9,5 10,5
Nilai (Batas bawah nyata)

Tabel 4.2. Nilai Statistik (1)
Nilai F Ttitik Tengah Bb
100 96,5
90-96 2 93 89,5
83-89 3 86 82,5
76-82 7 79 75,5
69-75 12 72 68,5
62-68 7 65 61,5
55-61 2 58 54,5
48-54 1 51 47,5
44
Berdasarkan data pada tabel diatas maka histogramnya dapat dibuat sebagai
berikut :
Gambar 4.2. Histogram 2 (Diagaram Batang)
F
12
10
0
47,5 54,5 61,5 68,5 75,5 82,5 89,5 96,5
Nilai (Batas Bawah Nyata)
B. Poligon
Adalah diagram garis yang dibuat berdasarkan distribusi frekuensi pada setiap
titik tengah kelas

Berdasarkan data pada tabel diatas maka poligannya dapat digambarkan sebagai
berikut :
Gambar 4.3. Grafik Poligon (Diagram Garis)

F
12
10
44 51 58 65 72 79 86 93 100
Nilai (Titik Tengah)
C. Ogive
Adalah penyajian secara grafis yang berupa diagram garis dari suatu distribusi
frekuensi komulatif
Berdasarkan data pada tabel 4.2 diatas maka distribusi dapat dirubah dalam
bentuk yang lain, sebagaimana tampak dalam tabel berikut ini
Tabel 4.3. Nilai Statistik (2)
Nilai FK
Kurang dari 97 34
Kurang dari 90 32
Kurang dari 83 29
Kurang dari 76 22
Kurang dari 69 10
Kurang dari 62 3
Kurang dari 55 1
Kurang dari 48 0

Dari tabel diatas maka grafik ogive dapat disajikan seperti dalam gambar
dibawah ini :
Gambar 4.4. Grafik Ogive
35
30
25
20
15
10
48 55 62 69 76 83 90 96
Nilai
D. Diagram Lingkaran (Piechart)

Adalah diagram yang dibuat berdasarkan distribusi frekuensi yang dinyatakan
dalam derajad pada setiap kelompoknya. Gambar dibawah ini adalah contoh
penyajian data dengan diagram lingkaran.
Tabel 4.4. Tingkat Pendidikan Pegawai STIE IPWIJA
Pendidikan Frekuensi Derajad

Strata Dua (S2) 10 72
Strata Satu (S1) 16 115
Diploma 8 58
SMU 12 86
SMP 4 29
Jumlah 50 360

Berdasarkan pada tabel diatas dapat dibuat diagram lingkaran :
Gambar 4.5. Diagram Lingkaran (Piechart)
SMP S1
(290) (1150)
DIPLOMA
(580)
S2 SMU
(720) (860)

BAB 5
PENGUKURAN GEJALA SENTRAL
A. Mean (Rata-Rata = Rerata)

1. Nilai Rata-Rata Hitung :
M = X
N
M = FX
N
M = FX
F
Hitung Nilai Rata-rata (mean) dari data di bawah ini :
Nilai F X FX
90 - 96 2 93 186 Keterangan :
83 - 89 4 86 344 X = titik tengah kelas
76 - 82 9 79 711
69 - 75 14 72 1.008 M = FX / F
62 - 68 7 65 455 = 2.929 / 40
55 - 61 3 58 174 = 73,23
48 - 54 1 51 51
 40 - 2.929
2. Nilai Rata-Rata Perkiraan :

Langkah-langkah menghitung nilai rata-rata perkiraan :
a. Menentukan titik nol (Deviasi Nol) pada frekuensi tertinggi
b. Mencari deviasi pada setiap nilai.
c. Deviasi diatas nilai mean diberi angka +1, +2, +3, dst, sedangkan
dibawah nilai mean diberi nilai -1, -2, -3, dst.
d. Mengalikan deviasi tiap nilai dengan frekuensi
e. Menjumlah deviasi-deviasi yang sudah dikalikan

f. Menghitung Mean dengan Rumus :
M = MT + FX . i
N
Keterangan :
M = Mean yang dicari
MT = Titik tengan kelas dimana mean diperkirakan
FX = Jumlah kesalahan deviasi akibat terkaan
N = Jumlah data
i = interval
Hitung Nilai Rata-rata (mean) dari data di bawah ini :
Nilai F X FX
90-96 2 +3 +6
83-89 4 +2 +8
76-82 9 +1 +9
69-75 14 0 0
62-68 7 -1 -7
55-61 3 -2 -6
48-54 1 -3 -3
 40 - 7
Diketahuai : MT = 72 FX = 7
N = 40 i =7
M = MT + FX . i
N
M = 72 + (7/40) x 7
M = 72 + 1,23
M = 73,23
B. Median (Nilai Tengah)

Adalah suatu titik yang membagi distribusi menjadi dua bagian sehingga sama
bobotnya atau eqivalen setelah data diurutkan.
Untuk menghitung median jika distribusi berkelompok dapat digunakan rumus :

Md = Bb + (0,5N - FKb) x i
Fd
Keterangan :
Md = Median yang dicari
Bb = Batas kelas bawah nyata dimana median dihitung
N = Jumlah data
Fkb = Frekuensi komulatif dibawah kelas dimana median
dihitung
Fd = frekuensi dalam kelas yang mengandung median
i = interval
Hitung nilai median dari data di bawah ini :
Nilai F Bb FK
90 - 96 2 40
83 - 89 4 38
76 -82 9 34
69 - 75 14 68,5 25
62 - 68 7 11
55 - 61 3 4
48 - 54 1 1
 40
Diketahuai : Bb = 68,5 N = 40 i = 7
Fkb = 11 Fd = 14
Md = Bb + (0,5N - FKb) x i
Fd
Md = 68,5 + (0,5.40 - 11) x 7
14
Md = 68,5 + 4,5
Md = 73
C. Modus (Mode = Nilai sering muncul)

Adalah titik tengah interval kelas yang mempunyai frekuensi tertinggi.
Dalam distribusi tunggal amat mudah mencari modus, yaitu nilai-nilai yang
muncul paling banyak.

Jika distribusi kelompok modus dapat dicari dengan rumus :
Mo = Bb + ( b1 ) x i
b1 + b2
Keterangan :
Mo = Modus yang dicari
Bb = Batas kelas bawah nyata dimana modus diperkirakan
i = interval
b1 = frekuensi kelas modus - frekuensi kelas sebelumnya
b2 = frekuensi kelas modus - frekuensi kelas berikutnya
Hitung nilai modus dari data di bawah ini :
Nilai F Bb
90 - 96 2
83 - 89 4
76 - 82 9
69 - 75 14 68,5
62 - 68 7
55 - 61 3
48 - 54 1
Diketahui : Bb = 68,5 i =7
b1 = (14 - 7) = 7 b2 = (14 - 9) = 5
Mo = Bb + ( b1 ) x i
b1 + b2
Mo = 68,5 + ( 7 ) x 7
7+5
Mo = 68,5 + 4,08
Mo = 72,58
Menurut Sutrisno Hadi dan Sudjana modus dapat dicari dengan rumus yang
sangat sederhana yaitu :
Mo = 3Md - 2M

Diketahui : Md = 73 M = 73,23
Mo = 3Md - 2M
Mo = 3(73) - 2(73,23)
Mo = 72,54
D. Hubungan Antara Mean, Median dan Modus

1. Jika nilai Mean, Median dan Modus berada satu titik M = Md = Mo, maka
distribusinya berbentuk kurva Normal
2. Jika nilai Mean lebih besar dari Median dan Modus (M > Md > Mo), maka
distribusinya berbentuk kurva juling positif
3. Jika nilai Mean lebih keci dari Median dan Modus (M < Md < Mo), maka
distribusinya berbentuk kurva juling negatif
E. Kuartil
Adalah titik yang membagi distribusi menjadi empat bagian, setelah data
disusun menurut nilai terkecil sampai terbesar.
Jadi ada 3 kuartil : K1, K2, K3
Rumus yang digunakan untuk menghitung kuartil bila datanya dalam bentuk
distribusi (kelompok) adalah :
Kn = Bb + ( n/4.N - FKb ) . i
Fd
Keterangan :
Kn = Kuartil yang dicari (K1,K2,K3)
Bb = Batas kelas bawah nyata dimana kuartil dihitung
FKb = Frekuensi komulatif dibawah kelas dimana kuartil
dihitung
Fd = Frekuensi dalam kelas dimana kuartil dihitung
i = interval

Hitung Nilai K1 dari data di bawah ini :
Nilai F Bb FK
90 - 96 2 40
83 - 89 4 38
76 - 82 9 34
69 - 75 14 25
62 - 68 7 61,5 11
55 - 61 3 4
48 - 54 1 1
 40
Diketahuai : Bb = 61,5 N = 40 FKb = 4

i =7 Fd = 7
K1 = Bb + ( 1/4(N) - FKb ) . i
Fd
K1 = 61,5 + (1/4(40) - 4) x 7
7
= 61,5 + 6
K1 = 67,5
F. Desil
Adalah sekumpulan data dibagi sepuluh bagian sama banyaknya setelah disusun
dari yang terkecil sampai yang terbesar.
Dengan demikian ada 9 desil (D1,D2,D3...D9)
Rumus yang digunakan untuk menghitung Desil bila datanya dalam bentuk
distribusi adalah :
Dn = Bb + ( n/10.N - FKb ) . i
Fd
Keterangan :
Dn = Desil yang dicari
Bb = Batas kelas bawah nyata dimana desil dihitung
FKb = Frekuensi komulatif dibawah kelas dimana desil dihitung
Fd = Frekuensi dalam kelas dimana desil dihitung
i = interval

Hitung Nilai D3 dari data di bawah ini :
Nilai F Bb FK
90 - 96 2 40
83 - 89 4 38
76 - 82 9 34
69 - 75 14 25
62 - 68 7 61,5 11
55 - 61 3 4
48 - 54 1 1
 40
Diketahuai : Bb = 61,5 N = 40 FKb = 4

i =7 Fd = 7
D3 = Bb + ( 3/10(N) - FKb ) x i
Fd
D3 = 61,5 + ( 3/10.40 - 4 ) x 7
7
D3 = 61,5 + 8
D3 = 69,5
G. Persentil
Adalah sekumpulan data yang dibagi seratus bagian yang sama besar setelah
data disusun mulai dari data yang terendah sampai dengan yang tertinggi.
Jadi ada persentil sebanyak 99 (P1,P2,P3...P,99)
Untuk menghitung Persentil bila datanya dalam bentuk distribusi adalah :
Pn = Bb + (n/100(N) - FKb) x i
Fd
Keterangan :
Pn = Persentil yang dicari
Bb = Batas kelas bawah nyata dimana persentil dihitung
FKb = Frekuensi komulatif dibawah kelas dimana persentil
dihitung
Fd = Frekuensi dalam kelas dimana persentil dihitung
i = interval

H. Jenjang Persentil
Kegunaan persentil pada dasarnya adalah untuk menentukan kedudukan sebuah
skor dalam kelompoknya.
Untuk menentukan Jenjang Persentil digunakan rumus :
JP = (( x – Bb) Fd + FKb) x 100 / N

i
Keterangan :
JP = Jenjang persentil
x = Nilai/skor yang dicari kedudukannya
Bb = Batas kelas bawah nyata kelas yang mengandung x
Fd = Frekuensi dalam kelas yang mengandung x
FKb = Frekuensi komulatif di bawah kelas yang mengandung x
i = interval
N = Jumlah data
Misalnya :
Seorang bernama Anton mempunyai nilai (skor) 77. Dimanakah kedudukan
Anton dibanding teman-teman dari kelompoknya yang berjumlah 50 orang.
Tabel 5.1. Nilai Seleksi Pegawai
Nilai F Bb FK
90 - 94 5 50
85 - 89 9 45
80 - 84 13 36
75 - 79 10 74,5 23
70 - 74 6 13
65 - 69 4 7
60 - 64 3 3
 50
Nilai 77 terletak kelas : 75 - 79

x = 77
i = 5
Fd = 10

FKb = 13
N = 50
JP = (( x - Bb) Fd + FKb ) x 100 / N

i
JP = (( 77 - 74,5) 10 + 13) x 100 / 50
5
JP = 11,5 x 2
JP = 23
Jadi kedudukan skor 77 adalah pada persentil ke 23
I. Varians dan Simpangan Baku

Salah satu teknik statistik yang digunakan untuk menjelaskan homogenitas atau
variasi kelompok/data adalah dengan varians. Varians merupakan jumlah
kuadrat semua deviasi nilai-nilai individual terhadap rata-rata kelompok. Akar
dari varians disebut standar deviasi atau simpangan baku.
Untuk menghitung besarnya varians digunakan rumus :
SB2 = (X - M)2 (untuk data distribusi tunggal)

n-1
SB2 = nX2 - (X)2 (untuk data distribusi tunggal)

n(n - 1)
SB2 = nFX2 - (FX)2 (untuk data distribusi kelompok)

n(n - 1)
Contoh 1 : Data Tunggal

Diketahui data sebagai berikut : 3,5,7,8,10,10,12,14,14,14
Hitunglah simpangan bakunya.
X X-M (X - M)2
3 -6,7 44,89
5 -4,7 22,09
7 -2,7 7,29
8 -1,7 2,89

10 0,3 0,09
10 0,3 0,09
12 2,3 5,29
14 4,3 18,49
14 4,3 18,49
14 4,3 18,49
M = 9,7 -  = 138,1
SB2 = (X - M)2

n-1
SB2 = 138,1
10-1
SB2 = 15,3444
SB =  15,3444
SB = 3,92
X X2
3 9
5 25
7 49
8 64
10 100
10 100
12 144
14 196
14 196
14 196
 = 97  = 1079
SB2 = nX2 - (X)2

n(n-1)
SB2 = 10(1079) - (97)2
10(10-1)
SB2 = 10.790 - 9.409
90
SB2 = 15,3444
SB = 15,3444
SB = 3,92

Contoh 2 : Data Kelompok
Nilai F X FX X2 FX2
40 – 44 1 42 42 1.764 1.764
35 – 39 2 37 74 1.369 2.738
30 – 34 3 32 96 1.024 3.072
25 – 29 5 27 135 729 3.645
20 – 24 3 22 66 484 1.452
15 – 19 10 17 170 289 2.890
10 – 14 1 12 12 144 144
5–9 1 7 7 49 49
0–4 4 2 8 4 16
 30 - 610 - 15.770
SB2 = nFX2 - (FX)2

n(n - 1)
SB2 = 30(15.770) - (610)2
30(30-1)
SB2 = 473.100 - 372.100
870
= 101.00 / 870
SB2 = 116,092
SB = 116,092
SB = 10,77
J. Angka Baku dan Kurva Normal

Angka baku digunakan untuk membandingkan distribusi gejala
Angka baku dihitung dengan rumus :
Z = Xn - M untuk n = 1,2,3 dst.

SB
Contoh Soal :
Diketahui data sebagai berikut : 3,5,7,8,10,10,12,14,14,14
Hitunglah angka bakunya!

Jawab : Nilai Mean (M) = 9,7 Nilai Simpangan Baku (SB) = 3,92
Angka baku untuk :
X1 = 3 Z = 3 - 9,7 / 3,92 = -1,71
X2 = 5 Z = 5 - 9,7 / 3,92 = -1,19
X5 = 10 Z = 10 - 9,7 / 3,92 = 0,076
dst.
Harga-harga baku ada kaitannya dengan prosentase daerah kurva normal.

Untuk kurva normal standard prosentase daerah dihitung dari rata-rata (mean)
ke kanan dan ke kiri sebagai berikut :
1. Luas antara mean terhadap satu standar deviasi (1 SD) ke kanan dan ke kiri
masing-masing 34,13%
2. Luas antara satu standar deviasi (1 SD) ke dua standard deviasi (2 SD)
masing-masing 13,59
3. Luas antara dua standar deviasi (2SD) ke tiga standard deviasi (3 SD)
masing-masing 2,27%
Dikatakan standard, karena nilai rata-ratanya adalah 0 dan simpangan bakunya
1, 2, 3, dan seterusnya. Bentuk kurva normal adalah simetris, sehingga luas
rata-rata (mean) ke standar deviasi (simpangan baku) ke kanan dan ke kiri
masing-masing 50%.
Gambar 5.1 Kurva Normal
34,13% 34,13%
13,59% 13,59%
2,27% 2,27%
-3 -2 -1 0 1 2 3
M

Penggunaan Tabel Kurva Normal :
Terdapat 200 mahasiswa yang ikut ujian mata kuliah statistik. Nilai rata-rata adalah
6 dan simpangan bakunya adalah 2.
a. Berapa mahasiswa yang mendapat nilai 8 keatas!
b. Berapa mahasiswa yang mendapat nilai 5 s/d 8!
Jawab:
a. Harga Z untuk nilai 8 dapat dihitung dengan rumus :
Z = Xn - M
SB
Z= 8 - 6 = 1
2
Berdasarkan Tabel kurva normal (Lihat tabel), harga Z = 1 mempunyai luas
wilayah sebesar 0,8413 (84,13%). Dengan demikian prosentase yang mendapat
nilai 8 keatas adalah 100% - 84,13% = 15,87%. Jadi mahasiswa yang mendapat
nilai 8 keatas adalah : 15,87% x 200 = 31,74 atau dibulatkan menjadi 32 orang.
b. Harga Z untuk nilai 5 dapat dihitung dengan rumus :
Z = Xn - M
SB
Z = 5 - 6 = -0,5
2
Berdasarkan tabel kurva normal, untuk harga Z = -0,5 mempunyai luas wilayah
sebesar 0,3085 (30,85%), sedangkan harga Z = 1 mempunyai luas wilayah
sebesar 0,8413 (84,13%). Dengan demikian prosentase yang mendapat nilai 5 s/d
8 adalah : 84,13% - 30,85%) = 53,28%. Jadi mahasiswa yang mendapat nilai 5
s/d 8 adalah : 53,88% x 200 = 106,6 atau dibulatkan menjadi 107 orang.
30,85% 84,13%
15,87%
0 2 4 5 6 8 10 12
M

PRAKTEK SOFTWARE SPSS:
Contoh : Data Penelitian
No X1 X2 Y
1 30 32 30
2 41 36 42
3 44 44 36
4 34 29 32
5 30 35 34
6 35 38 45
7 33 29 28
8 36 38 40
9 38 31 30
10 44 40 39
11 38 38 46
12 31 32 30
13 45 45 39
14 43 35 39
15 32 38 38
16 40 37 33
17 44 47 46
18 22 30 32
19 20 42 35
20 28 30 32
21 36 43 42
22 28 43 35
23 27 28 32
24 38 44 46
25 37 38 37
26 30 42 38
27 36 31 37
28 40 48 45
29 43 46 44
30 37 45 39
Analisis Deskriptif
Langkah-langkah analisis deskriptif :
1. Masukkan data yang akan dianalisis ke program SPSS sheet Data View
2. Pilih menu ANALYZE→DESCRIPTIVE STATISTICS→FREKUENCIES
3. Pilih variabel yang akan dianalisis (X1, X2 dan Y) pindahkan ke kotak
VARIABLE

4. Pilih STATISTICS→ klik MEAN, MEDIAN, MODE, SUM, dst. sesuai
kebutuhan
5. Klik CONTINUE→OK
Tampilan (output) SPSS Analisis Deskriptif :
Statistics
X1 X2 Y
Valid 30 30 30
N
Missing 0 0 0
Mean 35.33 37.80 37.37
Median 36.00 38.00 37.50
Mode 30a 38 32a
Std. Deviation 6.572 6.110 5.430
Variance 43.195 37.338 29.482
Skewness -.484 -.043 .129
Std. Error of Skewness .427 .427 .427
Kurtosis -.265 -1.261 -1.053
Std. Error of Kurtosis .833 .833 .833
Range 25 20 18
Minimum 20 28 28
Maximum 45 48 46
Sum 1060 1134 1121
25 30.00 31.75 32.00
Percentiles 50 36.00 38.00 37.50
75 40.25 43.25 42.00
a. Multiple modes exist. The smallest value is shown

BAB 6
KORELASI SPEARMAN RANK
Korelasi Spearman Rank termasuk statistik non-parametris yang digunakan untuk

menganalisis jika seorang peneliti bermaksud mengetahui hubungan antara dua
variabel, dimana datanya dalam bentuk ordinal atau berjenjang dan data tidak harus
berdistribusi normal.
Rumus untuk menghitung korelasi Spearman Rank adalah :
6 b2
 = 1 -
n (n2 – 1)
dimana :  = korelasi Spearman Rank

b = beda
n = jumlah data
Contoh 1 :
Dua orang supervisor I dan II memberikan ranking prestasi kerja pada 11 orang
buruh bangunan. Hasilnya adalah seperti di bawah ini :
Tabel 6.1. Data Penilaian Prestasi Kerja oleh Supervisor
Ranking Rangking
Buruh b b2
Supervisor I Supervisor II
A 6 7 -1 1
B 7 5 2 4
C 11 11 0 0
D 1 2 -1 1
E 5 4 1 1
F 2 1 1 1
G 3 3 0 0
H 9 8 1 1
I 10 9 1 1
J 4 6 -2 4
K 8 10 -2 4
Jumlah - 18

Berdasarkan tabel tersebut diatas besarnya korelasi Spearman Rank dapat dihitung :
6 ( 18 )
 = 1 -
11 (112 – 1)
 = 1 – 0,082
 = 0,918
Langkah berikutnya adalah melakukan pengujian nilai korelasi Spearman, sebagai
berikut :
1. Merumuskan hipotesis penelitian :
Ha : Ada kesesuaian yang signifikan antara Supervisor I dan II dalam
memberikan penilaian prestasi kerja buruh bangunan
Ho : Tidak ada kesesuaian yang signifikan antara Supervisor I dan II dalam
memberikan penilaian prestasi kerja buruh bangunan
2. Menentukan taraf signifikan sebesar 5%, jika n = 11 maka nilai tabel  (rho)
sebesar 0,523.
3. Menentukan kriteria pengujian :
Jika :  hitung >  tabel berarti Ho ditolak dan Ha diterima
Jika :  hitung <  tabel berarti Ho diterima dan Ha ditolak
4. Membuat kesimpulan dengan cara membandingkan antara nilai  hitung dengan
nilai  tabel.
Ternyata  hitung lebih besar dari  tabel (0,958 > 0,523). Karena h > t , maka
menolak Ho dan menerima Ha. Jadi kesimpulannya adalah “ada kesesuaian
yang signifikan antara Supervisor I dan II dalam memberikan penilaian prestasi
kerja buruh bangunan”.
Contoh 2 :
Ada dua orang juri yang diminta untuk menilai dalam lomba membuat makanan.
Jumlah peserta lomba ada 10. Nilai yang diberikan kedua juri disajikan dalam tabel
berikut :
Tabel 6.2. Data Nilai Lomba oleh Juri I dan Juri II
Peserta Nilai Juri I Nilai Juri II

A 9 8
B 6 7
C 5 6

D 7 8
E 4 5
F 3 4
G 2 2
H 8 9
I 7 8
J 6 6
Hitunglah besarnya korelasi Spearman Rank dan ujilah hipotesis yang menyatakan
terdapat kesesuaian yang signifikan antara Juri I dan Juri II dalam memberikan
penilaian lomba membuat makanan!
Karena korelasi Spearman Rank bekerja dengan data ordinal, maka data tersebut
harus diubah dulu menjadi data ordinal dalam bentuk rangking.
Tabel 6.3. Tabel Penolong Untuk Mengitung Koefisien Korelasi Spearman
Juri I Juri II Rangking Rangking

Peserta b b2
(X) (Y) (X) (Y)
A 9 8 1 3 -2 4
B 6 7 5,5 5 0,5 0,25
C 5 6 7 6,5 0,5 0,25
D 7 8 3,5 3 0,5 0,25
E 4 5 8 8 0 0
F 3 4 9 9 0 0
G 2 2 10 10 0 0
H 8 9 2 1 1 1
I 7 8 3,5 3 0,5 0,25
J 6 6 5,5 6,5 -1 1
 - - - - 0 7
Berdasarkan hasil pada tabel penolong tersebut, maka besarnya koefisien korelasi
Spearman Rank dapat dihitung :
6 b2
 = 1 -
n (n2 – 1)

6(7)
 = 1 -
10 (102 – 1)
 = 1 – 0,042
 = 0,958

Langkah-langkah analisis Korelasi Product Moment (Korelasi Pearson) :
2. Pilih menu ANALYZE→CORRELATE→BIVARIATE
3. Pilih variabel yang akan dianalisis (Juri_1 dan Juri_2) pindahkan ke
kotak VARIABLE
4. Pilih atau Centang Spearman, Two-tailed dan Flag significant correlations
5. Klik OK
Tampilan (output) SPSS Analisis Korelasi Spearman :
Correlations
Juri_1 Juri_2
Spearman's rho Juri_1 Correlation Coefficient 1.000 .957**
Sig. (2-tailed) . .000
N 10 10
Juri_2 Correlation Coefficient .957** 1.000
Sig. (2-tailed) .000 .
N 10 10
**. Correlation is significant at the 0.01 level (2-tailed).
Menguji hipotesis penelitian :

Ha : Terdapat kesesuaian yang signifikan antara Juri I dan Juri II dalam
memberikan penilaian lomba
Ho : Tidak terdapat kesesuaian yang signifikan antara Juri I dan Juri II dalam
memberikan penilaian lomba

2. Menentukan taraf signifikan sebesar 5%, jika n = 10 maka nilai tabel  (rho)
sebesar 0,564.
Jika :  hitung >  tabel berarti Ho ditolak dan Ha diterima
Jika :  hitung <  tabel berarti Ho diterima dan Ha ditolak
4. Membuat kesimpulan dengan cara membandingkan antara nilai  hitung
dengan nilai  tabel.
Ternyata  hitung lebih besar dari  tabel (0,958 > 0,564). Karena h > t , maka
menolak Ho dan menerima Ha. Jadi kesimpulannya adalah “terdapat kesesuaian
yang signifikan antara Juri I dan Juri II dalam memberikan penilaian lomba”.
Catatan :
1. Korelasi Spearman Rank dipakai, jika jumlah anggota sampel maksimum 30
(sampel kecil).
2. Jika sampel yang digunakan lebih dari 30 maka dapat juga diuji melalui
uji t, yaitu :
t hitung =   n – 2 / 1 - 2

BAB 7
CHI KUADRAT
Chi kuadrat termasuk statistik non-parametris yang digunakan untuk menganalisis

data jika seorang peneliti bermaksud mengetahui perbedaan atau hubungan antara
dua variabel atau sampel, dimana datanya dalam bentuk nominal dan jumlah
sampelnya besar. Sedangkan untuk mengetahui kuatnya hubungan antara kedua
data nominal dinyatakan dengan besarnya koefisien kontingensi dengan lambang C.
Rumus Chi Kuadrat :
( fo – f h ) 2
2 = 
fh
dimana : fo = frekuensi observasi

fh = frekuensi harapan
Frekuensi harapan ( fh ) untuk setiap sel dihitung dengan rumus :
(fkolom ) (fbaris)
fh =
Jumlah Total
Guna menyederhanakan perhitungan Chi Kuadrat maka dapat digunakan rumus lain
(hanya berlaku untuk tabel kontingensi 2 x 2 ) :
N (ad – bc )2
2 =
(a + b) (c + d) (a + c) (b + d)
Untuk memudahkan pemahaman dan penghitungan rumus chi kuadrat disajikan

tabel kontingensi 2 x 2 (dua baris x dua kolom).

Tabel 7.1. Tabel Kontingensi Chi Kuadrat
Frekuensi Pada :
Jumlah
Sampel
Sampel
Obyek 1 Obyek 2
Sampel A a b a+b
Sampel B c d c+d
Jumlah a+c b+d N
N = jumlah sampel
Jika terdapat sel yang berisi frekuensi kurang dari 10, maka rumus Chi Kuadrat
diadakan modifikasi menjadi :
N (ad – bc ) - N / 22
2 =
(a + b) (c + d) (a + c) (b + d)
Untuk mengukur derajat hubungan digunakan koefisien kontingensi yang

dinyatakan dalam rumus :
2
C=
N + 2
Contoh 1 :
Suatu penelitian dengan judul “Kecenderungan tingkat pendidikan masyarakat
dalam memilih jenis bank”. Pendidikan masyarakat dikelompokkan menjadi dua,
yaitu lulus SLTA dan lulus Perguruan Tinggi, sedangkan jenis bank dikelompokkan
menjadi : Bank Pemerintah dan Bank Swasta. Data penelitian disajikan dalam tabel
berikut :

Tabel 7.2. Data Tingkat Pendidikan Masyarakat dalam Memilih Jenis Bank
Jenis Bank
Jumlah
Sampel Bank Sampel
Bank Swasta
Pemerintah
Lulusan SLTA 60 (48) 20 (32) 80
Lulusan PT 30 (42) 40 (28) 70
Jumlah 90 60 150
Keterangan : angka dalam kurung merupakan frekuensi harapan
Frekuensi harapan dapat dihitung dengan rumus :
(fkolom ) (fbaris)
fh =
Jumlah Total
90 x 80 60 x 80
Fh (sel a) = = 48 Fh (sel b) = = 32
150 150
90 x 70 60 x 70
Fh (sel c) = = 42 Fh (sel d) = = 28
150 150
( fo – fh )2
2 = 
fh
(60 – 48)2 (20 – 32)2 (30 – 42)2 (40 – 28)2

2 = + + +
48 32 42 28
2 = 3 + 4,5 + 3,43 + 5,14 = 16,07

Berdasarkan rumus Chi Kuadrat yang lain dapat dihitung :
Jenis Bank
Jumlah
Sampel Bank Sampel
Bank Swasta
Pemerintah
Lulusan
60(a) 20(b) 80
SLTA
Lulusan PT 30(c) 40(d) 70
Jumlah 90 60 150(N)
N(ad – bc )2
2 =
(a + b) (c + d) (a + c) (b + d)
150(60 x 40) – (20 x 30)2

2 =
(60 + 20) (30 + 40) (60 + 30) (20 + 40)
486.000.000
 =
2
= 16,07
30.240.000
Nyatalah dengan rumus inipun kita memperoleh hasil yang sama. Karena
kesederhanaannya, maka rumus ini lebih banyak digunakan untuk menguji
signifikansi, jika tabel kontingensi berbentuk 2 x 2.
Ha : Ada hubungan antara tingkat pendidikan masyarakat dengan kecenderungan
menabung disuatu bank
Ho : Tidak terdapat Ada hubungan antara tingkat pendidikan masyarakat dengan
kecenderungan menabung disuatu bank
2. Menentukan taraf signifikan sebesar 5%, derajad kebebasan (db) yang
digunakan bukan jumlah sampel tetapi jumlah baris dan jumlah kolom, yaitu :
db = (baris – 1) (kolom – 1) = (2 – 1)(2 – 1) = 1.
Pada taraf kesalahan 5%, dan db = 1, maka harga 2 tabel = 3,841.

Jika : 2 hitung > 2 tabel berarti Ho ditolak dan Ha diterima
Jika : 2 hitung < 2 tabel berarti Ho diterima dan Ha ditolak
4. Membuat kesimpulan dengan cara membandingkan antara nilai 2 hitung
dengan nilai 2 tabel.
Ternyata harga 2hitung lebih besar 2tabel (16,07 > 3,841). Dengan demikian Ho
ditolak dan Ha diterima.
Jadi kesimpulannya “Ada hubungan antara tingkat pendidikan masyarakat dengan
kecenderungan menabung disuatu bank”. Kalau kita bandingkan lulusan SLTA
cenderung memilih bank pemerintah dan lulusan perguruan tinggi cenderung
memilih bank swasta.
Besarnya koefisien korelasi antara tingkat pendidikan masyarakat dengan

kecenderungan dalam memilih jenis bank dapat dicari dengan rumus koefisien
kontingensi C, yaitu :
2
C=
N + 2
16,07
C=
150 + 16,07
C =  0,097
C = 0,311

Contoh : Data dengan Skala Nominal
Tingkat Kecendeungan Tingkat Kecendeungan

No. No.
Pendidikan Menabung Pendidikan Menabung
1 SLTA Bank Pemerintah 4 SLTA Bank Pemerintah

18 SLTA Bank Pemerintah 61 SLTA Bank Swasta
38 SLTA Bank Pemerintah 81 Perguruan Tinggi Bank Pemerintah

93 Perguruan Tinggi Bank Pemerintah 122 Perguruan Tinggi Bank Swasta
111 Perguruan Tinggi Bank Swasta 140 Perguruan Tinggi Bank Swasta
Agar data-data dalam tabel diatas dapat diolah dengan menggunakan SPSS maka
data-data tersebut harus dijadikan (dirubah) kedalam data kuantitatif, caranya yaitu
dengan memberikan kode angka pada data kualitatif (data kelompok), yaitu :
Tingkat Pendidikan :
Value 1 = SLTA
Value 2 = Perguruan Tinggi
Kecenderungan Menabung:
Value 1 = Bank Pemerintah
Value 2 = Bank Swasta

Langkah-langkah memasukan data (menginput data) pada SPSS :
1. Buka program SPSS
2. Pilih Spreedshet SPSS (Variable view)
3. Definisikan kedua variabel (sesuai tabel diatas ) pada kolom nama, X1 dan X2
kearah bawah. (Catatan nama variabel tidak boleh sama)
4. Pada kolom label definisikan nama veriabelnya, X1 dengan Tingkat
Pendidikan, dan X2 dengan Kecenderungan Menabung
5. Klik kolom values, selanjutnya pada kotak value, diisi dengan angka 1
dilanjutkan pada kotak value label diisi dengan SLTA ( sesuai pengkodean
diatas)
6. Pilih Add dilanjutkan mengisi angka 2 dan value label diisi dengan Pendidikan
Tinggi
7. Pilih Add dan Ok
8. Lakukan hal yang sama seperti pada variabel X2 untuk variabel berikutnya.
9. Setelah mengisi dan mendefinisikan semua variabel barulah memulai mengisi
data yang sebenarnya pada Spreedshet SPSS (data view). Perlu diingat cara
mengisinya dengan angka sesuai dengan value nilai (pengkodean diatas)
Analisis Crosstabs (Chi Kuadrat/Chi Square)
Analisis Crosstabs banyak digunakan untuk analisis bivariat khususnya data

variabel dalam bentuk skala nominal. Disini dicontohkan crosstab antara variabel
Tingkat Pendidikan dengan Kecenderungan Menabung.
Langkah-langkah yang harus dilakukan :
1. Pilih menu ANALYZE→DESCRIPTIVE STATISTICS→CROSSTAB
2. Pilih variabel Tingkat Pendidikan pindahkan ke kotak ROW
3. Pilih variabel Kecenderungan Menabung pindahkan ke kotak COLUMN
4. Pilih STATISTICS→klik CHI SQUARE dan klik CONTINGENCY
COEFFICIENT→ CONTINUE
5. Pilih CELLS→ klik EXPECTED→CONTINUE
6. Klik OK

Tampilan (output) SPSS Analisis Crosstabs :
Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Tingkat Pendidikan *
Kecenderungan 150 100.0% 0 0.0% 150 100.0%
Menabung
Tingkat Pendidikan * Kecenderungan Menabung Crosstabulation

Kecenderungan Total
Menabung
Bank Bank
Pemerintah Swasta
Count 60 20 80
SLTA
Expected Count 48.0 32.0 80.0
Tingkat Pendidikan
Pendidikan Count 30 40 70
Tinggi Expected Count 42.0 28.0 70.0
Count 90 60 150
Total
Expected Count 90.0 60.0 150.0
Chi-Square Tests
Value df Asymp. Sig. Exact Sig. Exact Sig.
(2-sided) (2-sided) (1-sided)
Pearson Chi-Square 16.071a 1 .000
Continuity Correctionb 14.760 1 .000
Likelihood Ratio 16.323 1 .000
Fisher's Exact Test .000 .000
Linear-by-Linear
15.964 1 .000
Association
N of Valid Cases 150
a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is 28.00.
b. Computed only for a 2x2 table
Symmetric Measures
Value Approx.
Sig.
Nominal by Nominal Contingency Coefficient .311 .000
N of Valid Cases 150
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.

Memaknai Output SPSS :
1. Pada Tabel Case Processing Summary
Jumlah responden yang digunakan sebanyak 150 (100%) semuanya dinyatakan
valid dan tidak ada responden yang dinyatakan missing (0 %).
2. Pada Tabel Tingkat Pendidikan * Kecenderungan Menabung Crosstabulation
Pada tabel ini dapat diketahui data variabel Tingkat Pendidikan jumlah
responden lulusan SLTA sebanyak 80 orang dan responden lulusan perguruan
tinggi sebanyak 70 orang dan total responden sebanyak 150 orang. Selain itu
juga dapat dilihat data variabel Kecenderungan Menabung jumlah responden
yang menabung di Bank Pemerintah sebanyak 90 orang dan responden yang
menabung di Bank Swasta sebanyak 60 orang dan total responden sebanyak
150 orang.
Pada tabel tersebut juga dapat diketahui persilangan (crosstab) antara variabel
gender dengan penghasilan baik dilihat dari frekuensi nyata (count) maupun
frekuensi harapan (Expected Count).
3. Pada Tabel Chi-Square Tests
Pada tabel tersebut menunjukkan hasil dari rumus Chi Square (Chi Kuadrat)
hitung sebesar 16,071. Hasil ini untuk membuktikan hipotesis penelitian atau
menjawab permasalahan yang diajukan : Apakah ada hubungan antara tingkat
pendidikan masyarakat dengan kecenderungan menabung disuatu bank?
Untuk membuat keputusan tentang hipotesis yang diajukan diterima atau
ditolak dengan langkah-langkah sebagai berikut :
a. Membuat rumusan hipotesis statistik :
Ha : Ada hubungan antara tingkat pendidikan masyarakat dengan
Ho : Tidak ada hubungan antara tingkat pendidikan masyarakat dengan
b. Kaedah keputusan :
Jika nilai 2hitung > 2tabel atau nilai Asymp.Sig (2 sided) < α = 0,05, maka Ho
ditolak dan Ha diterima
Jika nilai 2hitung < 2tabel atau nilai Asymp.Sig (2 sided) > α = 0,05, maka
Ho diterima dan Ha ditolak

c. Membuat Kesimpulan :
Ternyata hasilnya nilai 2hitung (16,071) > 2tabel (3,841) atau nilai Asymp.Sig
(0,026) < α = 0,05 artinya Ho ditolak dan Ha diterima. Jadi kesimpulannya
adalah ada hubungan antara tingkat pendidikan masyarakat dengan
kecenderungan menabung disuatu bank.
4. Pada Tabel Symmetric Measures
Menunjukkan besarnya nilai koefisien korelasi antara variabel tingkat
pendidikan dengan kecenderungan menabung yang diperoleh melalui rumus
Contingency Coefficient (koefisien kontingensi) yaitu sebesar 0,311dan
signifikan pada 0,000.
Contoh 2 :
Dilakukan penelitian untuk mengetahui apakah ada hubungan antara Profesi
Pekerjaan dengan Jenis Olah raga yang disenangi. Profesi dikelompokkan : Dokter,
Pengacara, Dosen dan Bisnis. Jenis Olahraga dikelompokkan menjadi : Golf, Tenis,
Bulutangkis dan Volley. Data penelitian disajikan dalam tabel berikut ini :
Tabel 7.3. Data Jenis Profesi dan Jenis Olah Raga yang Disenangi
Jenis Olah Jenis Profesi

Jumlah
Raga Dokter Pengacara Dosen Bisnis
Golf 17 23 10 30 80
Tenis 23 14 17 26 80
Bulu Tangkis 12 26 18 14 70
Volley 10 12 23 10 55
Jumlah 62 75 68 80 285
Berdasarkan tabel tersebut frekuensi harapan masing-masing sel dapat dihitung :

Yang menyenangi olah raga golf :
• fh dokter : 62 x 80 / 285 = 17
• fh pengacara : 75 x 80 / 285 = 21
• fh dosen : 68 x 80 / 285 = 19
• fh bisnis : 80 x 80 / 285 = 23
80

Yang menyenangi olah raga tenis :
• fh dokter : 62 x 80 / 285 = 17
• fh pengacara : 75 x 80 / 285 = 21
• fh dosen : 68 x 80 / 285 = 19
• fh bisnis : 80 x 80 / 285 = 23
80
Yang menyenangi olah raga bulu tangkis :
• fh dokter : 62 x 70 / 285 = 15
• fh pengacara : 75 x 70 / 285 = 18
• fh dosen : 68 x 70 / 285 = 17
• fh bisnis : 80 x 70 / 285 = 20
70
Yang menyenangi olah raga volley :
• fh dokter : 62 x 55 / 285 12 =
• fh pengacara : 75 x 55 / 285 15 =
• fh dosen : 68 x 55 / 285 13 =
• fh bisnis : 80 x 55 / 285 15 =
55
Berdasarkan hasil perhitungan tersebut, selanjutnya dimasukkan dalam tabel :
Tabel 7.4. Tabel Penolong untuk Menghitung Chi Kuadrat
Jenis Profesi
Olah
Dokter Pengacara Dosen Bisnis Jumlah
Raga
f0 fh f0 fh f0 fh f0 fh
Golf 17 17 23 21 10 19 30 23 80
Tenis 23 17 14 21 17 19 26 23 80
Bulu Tangkis 12 15 26 18 18 17 14 20 70
Volley 10 12 12 15 23 13 10 15 55
Jumlah 62 75 68 80 285
Besarnya Chi Kuadrat dapat dihitung :

( fo – fh )2
2 = 
fh
2 = (17 –17)2/17 + (23 – 21)2/21 + (10 – 19)2/19 + (30 – 23)2/23 +
(23 –17)2/17 + (14 – 21)2/21 + (17 – 19)2/19 + (26 – 23)2/23 +
(12 –15)2/15 + (26 – 18)2/18 + (18 – 17)2/17 + (14 – 20)2/20 +
(10 –12)2/12 + (12 – 15)2/15 + (23 – 13)2/13 + (10 – 15)2/15
= 0 + 0,19 + 4,26 + 2,13 + 2,12 + 2,33 + 0,21 + 0,39 + 0,60 +
3,56 + 0,06 + 1,80 + 0,33 + 0,60 + 7,69 + 1,67
2 = 27,94

Ha : Ada hubungan yang signifikan antara jenis profesi pekerjaan dengan jenis
olah raga yang disenangi
Ho : Tidak ada hubungan yang signifikan antara jenis profesi pekerjaan
dengan jenis olah raga yang disenangi
2. Menentukan taraf signifikan sebesar 5%, derajad kebebasan (db) yang
digunakan, yaitu : db = (baris – 1)(kolom – 1) = (4 – 1)(4 – 1) = 9, maka harga
2 tabel = 16,919
Jika : 2 hitung > 2 tabel berarti Ho ditolak dan Ha diterima
Jika : 2 hitung < 2 tabel berarti Ho diterima dan Ha ditolak
4. Membuat kesimpulan dengan cara membandingkan antara nilai 2 hitung
dengan nilai 2 tabel.
Ternyata harga 2hitung lebih besar 2tabel (27,94 > 16,919). Dengan demikian Ho
ditolak dan Ha diterima. Kesimpulannya “jenis profesi pekerjaan mempunyai
hubungan yang signifikan dengan jenis olah raga yang disenangi”.
Besarnya koefisien korelasi antara jenis profesi pekerjaan dengan kesenangan olah
raga dicari dengan rumus koefisien kontingensi C, yaitu :

2
C=
N + 2
27,94
C=
285 + 27,94
C =  0,089
C = 0,298

BAB 8
KORELASI SEDERHANA
Korelasi adalah istilah statistik yang menyatakan derajat hubungan linier

antara dua variabel atau lebih. Pertama kali ditemukan oleh Karl Pearson pada awal
tahun 1900, oleh sebab itu terkenal dengan sebutan Korelasi Pearson Product
Moment (PPM). Pada umumnya peneliti tertarik terhadap peristiwa-peristiwa yang
terjadi dan mencoba untuk menghubungkannya, misalnya : menghubungkan antara
tinggi badan dengan berat badan, antara motivasi dengan prestasi belajar, antara
promosi dengan omset penjualan, dll.
Hubungan antara dua variabel di dalam teknik korelasi bukanlah dalam arti
hubungan dua arah (timbal balik), melainkan hanya merupakan hubungan searah
saja. Hubungan timbal balik, misalnya : kemiskinan dengan kejahatan, kemiskinan
dengan kebodohan. Untuk jelasnya dapat diuraikan sebagai berikut : orang yang
bodoh dapat menyebabkan dirinya miskin, sebaliknya orang yang miskin dapat
menyebabkan dirinya bodoh. Jadi tidak jelas mana yang menjadi penyebab dan
mana yang menjadi akibat. Dalam korelasi hanya dikenal hubungan searah saja,
misalnya : tinggi badan menyebabkan berat badannya bertambah, tetapi berat
badannya bertambah belum tentu menyebabkan tinggi badan bertambah pula.
A. Macam-Macam Teknik Korelasi

Variabel - variabel yang akan dihubungkan terdiri atas berbagai tingkatan data,
yang meliputi : data nominal (diskrit), ordinal, interval dan rasio. Tingkatan data
menentukan analisis korelasi mana yang paling tepat digunakan.
Tabel 8.1. Macam-Macam Teknik Korelasi
No Korelasi Skala Variabel

Kedua variabelnya berskala interval
1 Product Moment Pearson
atau ratio
2 Order Rank Spearman Kedua variabelnya berskala ordinal
Satu berskala dikotomi sebenarnya dan
3 Point Serial
satunya berskala interval

Satu berskala dikotomi buatan dan satu
4 Biserial
berskala interval
5 Kontingensi Kedua variabelnya berskala nominal
B. Asumsi (Persyaratan)
1. Variabel yang dihubungkan mempunyai data yang berdistribusi normal
2. Variabel yang dihubungkan mempunyai data linier
3. Variabel yang dihubungkan mempunyai data yang diambil secara random
4. Variabel yang dihubungkan mempunyai pasangan yang sama dari subyek
yang sama pula.
5. Variabel yang dihubungkan mempunyai data interval atau rasio.
C. Kelayakan Nilai r
1. Batas nilai r : yang terbesar adalah +1 atau –1 dan yang terkecil adalah 0.
2. Hanya untuk hubungan linier saja
3. Tidak berlaku untuk sampel dengan varian = 0, karena z tidak dapat dihitung
dan akhirnya r tidak dapat dihitung juga
4. r tidak mempunyai satuan (dimensi)
5. Jika r = +1 diberi makna hubungan kedua variabel adalah linier, positif dan
sangat tinggi
6. Jika r = -1 diberi makna hubungan kedua variabel adalah linier, negatif dan
sangat tinggi
Tabel 8.2. Interpretasi Nilai r
Nilai r Interpretasi Hubungan
0,01 - 0,19 Sangat rendah

0,20 - 0,39 Rendah
0,40 - 0,59 Sedang/Cukup

0,60 - 0,79 Kuat
0,80 - 1,00 Sangat kuat
Sumber : Sugiyono, 1999

Contoh :
Seorang dosen ingin mengetahui apakah ada hubungan antara nilai matematika
(X) dengan nilai statistik (Y) terhadap 6 mahasiswa yang diambil secara
random, dengan data sebagai berikut :
No Nilai Matematika Nilai Statistik
1 2 4
2 3 3
3 4 6
4 6 8
5 4 7
6 5 8
a. Hitunglah besarnya hubungan antara nilai matematika dengan nilai statistik?

dan jelaskan makna angka korelasi tersebut?
b. Ujilah angka korelasi tersebut pada taraf signifikan sebesar 5%?
c. Berapa besarnya pengaruh nilai matematika terhadap nilai statistik?
Tabel 8.3. Tabel Penolong untuk Menghitung Analisis Korelasi Sederhana
No. X Y X2 Y2 XY
1 2 4 4 16 8
2 3 3 9 9 9
3 4 6 16 36 24
4 6 8 36 64 48
5 4 7 16 49 28
6 5 8 25 64 40
 24 36 106 238 157

nXY - (X) ( Y)
rxy =
(nX2 - (X)2) (nY2 - (Y)2)
(6 x 157) - (24 x 36)

rxy =
(6x106 - (24)2) (6x238 - (36)2)
942 - 864
rxy =
(636 - 576) (1428 - 1296)
78 78
rxy = = = 0,876
(60) (132) 88,99

Langkah-langkah analisis Korelasi Product Moment (Korelasi Pearson) :
2. Pilih menu ANALYZE→CORRELATE→BIVARIATE
3. Pilih variabel yang akan dianalisis (Nilai Matematika dan Nilai Statistik)
pindahkan ke kotak VARIABLE
4. Pilih atau Centang Pearson, Two-tailed dan Flag significant correlations
5. Klik OK
Tampilan (output) SPSS Analisis Korelasi Pearson :
Correlations
Nilai Nilai
Matematika Statistik
Pearson Correlation 1 .876*
Nilai
Sig. (2-tailed) .022
Matematika
N 6 6
Pearson Correlation .876* 1
Nilai Statistik Sig. (2-tailed) .022
N 6 6
*. Correlation is significant at the 0.05 level (2-tailed).

Berdasarkan perhitungan dan analisis diatas, maka besarnya hubungan antara
variabel nilai matematika (X) dengan variabel nilai statistik (Y) adalah sebesar
0,876. Maknanya bahwa kedua variabel tersebut mempunyai hubungan yang sangat
kuat dan positip. Positip artinya kedua variabel mempunyai gerakan yang searah,
sehingga jika nilai matematika tinggi maka nilai statistiknya juga tinggi dan begitu
pula sebaliknya.
Untuk membuktikan apakah koefisien korelasi (0,876) tersebut cukup signifikan
(berarti) atau tidak perlu diuji secara statistik.
Langkah-langkah pengujian :
a. Merumuskan Ha dan Ho dalam bentuk kalimat :
Ha : Ada hubungan yang signifikan antara nilai matematika dengan nilai
statistik
Ho : Tidak ada hubungan yang signifikan antara nilai matematika dengan nilai
statistik
b. Menetapkan taraf signifikan sebesar 5% ( = 0,05), dimana n = 6; maka dari
tabel r kritis Product Moment didapat nilai r tabel sebesar 0, 811.
c. Menetapkan kriteria pengujian :
Jika r hitung > r tabel atau nilai sig < 0,05 berarti Ho ditolak dan Ha diterima
Jika r hitung < r tabel atau nilai sig > 0,05 berarti Ho diterima dan Ha ditolak
d. Bandingkan nilai r hitung dengan r tabel dan buat kesimpulan :
Ternyata r hitung (0,876) > r tabel (0,811) atau nilai sig (0,022) < 0,05, ini
berarti menolak Ho dan menerima Ha. Jadi kesimpulannya bahwa antara
variabel nilai matematika dengan nilai statistik mempunyai hubungan yang
signifikan.
Besarnya pengaruh (kontribusi) nilai matematika (X) terhadap nilai statistik (Y)
dapat dihitung dengan rumus koefisien determinan, yaitu,
KD = r2 x 100%
= (0,876)2 x 100%
= 76,6%
Artinya bahwa nilai matematika dapat mempengaruhi nilai statistik sebesar 76,6%
sedangkan sisanya 23,4% dijelaskan oleh faktor-faktor lain.

BAB 9
KORELASI GANDA
Korelasi ganda termasuk statistik parametris yang digunakan untuk mengetahui

hubungan antara dua variabel secara bersama atau lebih dengan variabel lain, bila
datanya berbentuk interval atau ratio.
Pemahaman tentang korelasi ganda dapat dilihat melalui gambar di bawah ini :
Gambar 9.1. Model Korelasi Ganda
r1
X1
R Y
r3
X2
r2
Keterangan : X1 = variabel independen

X2 = variabel independen
Y = variabel dependen
r1 = korelasi antara X1 dengan Y
r2 = korelasi antara X2 dengan Y
r3 = korelasi antara X1 dengan X2
R = korelasi ganda antara X1 dan X2 dengan Y
Untuk mengetahui besarnya korelasi ganda dihitung dengan rumus :
r2yx1 + r2yx2 – 2ryx1.ryx2.rx1x2

Ryx1x2 =
1 – r2x1x2
dimana : Ryx1x2 = korelasi ganda antara X1 dan X2 dengan Y

ryx1 = korelasi antara X1 dengan Y
ryx2 = korelasi antara X2 dengan Y
rx1x2 = korelasi antara X1 dengan X2

Jadi untuk dapat menghitung korelasi ganda, maka harus dicari dulu korelasi
sederhananya melalui korelasi product moment.
Contoh 1 :
Misalnya akan menghitung korelasi ganda antara variabel X1 dan X2 dengan Y,
dengan data-data sebagai berikut :
Tabel 9.1. Tabel penolong untuk menghitung analisis Korelasi Ganda
No. X1 X2 Y X1 2 X2 2 Y2 2 X1 Y X2 Y X1 X2
1 2 3 4 4 9 16 8 12 6
2 3 2 3 9 4 9 9 6 6
3 4 4 6 16 16 36 24 24 16
4 6 5 8 36 25 64 48 40 30
5 4 3 7 16 9 49 28 21 12
6 5 6 8 25 36 64 40 48 30
 24 23 36 106 99 238 157 151 100
Menghitung Korelasi antar variabel :

nX1Y - (X1) ( Y)
rx1y =
(nX12 - (X1)2) (nY2 - (Y)2)
(6 x 157) - (24 x 36)

rx1y =
(6x106 - (24)2) (6x238 - (36)2)
942 - 864
rx1y =
(636 - 576) (1428 - 1296)

78 78
rx1y = = = 0,876
(60)(132) 88,99
nX2Y - (X2) ( Y)

rx2y =
(nX22 - (X2)2) (nY2 - (Y)2)
(6 x 151) - (23 x 36)

rx2y =
(6x99 - (23)2) (6x238 - (36)2)
906 - 828
rx2y =
(594 - 529) (1428 - 1296)
78 78
rx2y = = = 0,842
(65)(132) 92,63
nX1X2 - (X1) ( X2)

rx1x2 =
(nX12 - (X1)2) (nX22 - (X2)2)
(6 x 100) - (24 x 23)

rx1x2 =
(6x106 - (24)2) (6x99 - (23)2)
600 - 552
rx1x2 =
(636 - 576) (594 - 529)
48 48
rx1x2 = = = 0,769
(60)(65) 62,45

Menghitung Koefisien Korelasi Ganda :

Ryx1x2 =
1 – r2x1x2
(0,876)2+(0,842)2 – 2(0,876)(0,842)(0,769)
Ryx1x2 =
1 – (0,769)2
1,476 – 1,134
Ryx1x2 =
0,409
Ryx1x2 = 0,915
Dilanjutkan menghitung nilai F hitung dengan rumus :

R2 / k
Fhitung =
(1 – R2) / (n – k – 1)
dimana : R = koefisien korelasi ganda

k = jumlah variabel bebas (independen)
n = jumlah anggota sampel
Berdasarkan korelasi ganda tersebut diatas, bila n = 6, maka Fhitung dapat dicari:
(0,915)2 / 2
Fh =
(1 – 0,9152) / (6 – 2 – 1)
0,4186
Fh =
0,0543
Fh = 7,715

Langkah-langkah analisis Korelasi Ganda :
2. Pilih menu ANALYZE→REGRESSION→LINIER
3. Pilih variabel Y pindahkan ke kotak DEPENDENT
4. Pilih variabel X1 dan X2 pindahkan ke kotak INDEPENDENT
5. Pilih STATISTICS, klik MODEL FIT dan DESCRIPTIVE
Tampilan (output) SPSS Analisis Korelasi Ganda :
Correlations
Y X1 X2
Y 1.000 .876 .842
Pearson Correlation X1 .876 1.000 .769
X2 .842 .769 1.000
Y . .011 .018
Sig. (1-tailed) X1 .011 . .037
X2 .018 .037 .
Y 6 6 6
N X1 6 6 6
X2 6 6 6
Model Summary
Model R R Square Adjusted R Std. Error of
Square the Estimate
1 .915a .837 .729 1.092
a. Predictors: (Constant), X2, X1
ANOVAa
Model Sum of df Mean Square F Sig.
Squares
Regression 18.425 2 9.212 7.730 .066b
1 Residual 3.575 3 1.192
Total 22.000 5
a. Dependent Variable: Y
b. Predictors: (Constant), X2, X1

Selanjutnya dilakukan pengujian signifikansi dengan langkah-langkah sebagai
berikut :
Ha : Ada hubungan secara bersama yang signifikan antara variabel X1 dan
X2 dengan variabel Y
Ho : Tidak ada hubungan secara bersama yang signifikan antara variabel X1
dan X2 dengan variabel Y
2. Menetapkan taraf signifikan sebesar 5%, dengan ketentuan : db pembilang = k
berbanding db penyebut = (n – k - 1). Jadi db pembilang 2 dan db penyebut 3,
maka harga Ftabel sebesar 9,552.
Jika F hitung > F tabel maka Ho ditolak dan Ha diterima
Jika F hitung < F tabel maka Ho diterima dan Ha ditolak
4. Membuat kesimpulan dengan cara membandingkan nilai F hitung dengan F
tabel.
Ternyata Fhitung lebih kecil dari Ftabel (7,715 < 9,952). Karena Fhitung < Ftabel,
maka menerima Hipotesis Nihil (Ho) dan menolak Hipotesis Alternatif (Ha).
Jadi kesimpulannya adalah tidak ada hubungan secara bersama yang signifikan
antara variabel X1 dan X2 dengan variabel Y.
Contoh 2 :
Suatu penelitian berjudul “Hubungan antara Kepemimpinan dan Tata Ruang
Kantor dengan Kepuasan Kerja di Lembaga ABC”. Adapun sampel penelitian yang
digunakan sebanyak 20 orang pegawai. Berdasarkan data yang terkumpul dan
setelah dihitung korelasi sederhananya ditemukan hasil sebagai berikut :
1. Korelasi antara kepemimpinan dengan kepuasan kerja, ryx1 = 0,45
2. Korelasi antara tata tuang kantor dengan kepuasan kerja ryx2 = 0,48
3. Korelasi antara kepemimpinan dengan tata ruang kantor rx1x2 = 0,22
Ujilah hipotesis yang mengatakan ada hubungan signifikan antara kepemimpinan

dan tata ruang kantor dengan kepuasan kerja

Langkah-langkah pengujian hipotesis :
1. Menghitung besarnya koefisien korelasi ganda:

Ryx1x2 =
1 – r2x1x2
(0,45)2 + (0,48)2 – 2(0,45)(0,48)(0,22)

Ryx1x2 =
1 – (0,22)2
0,4329 – 0,0950
Ryx1x2 =
0,9516
Ryx1x2 = 0,3550
Ryx1x2 = 0,596
Mencari nilai F hitung dengan rumus :
R2 / k
Fhitung =
(1 – R2) / (n – k – 1)
(0,596)2 / 2
Fhitung =
(1 – 0,5962) / (20 – 2 – 1)
0,177608
Fhitung =
0,037928
Fhiung = 4,683
Hasil perhitungan tersebut dapat digambarkan sebagai berikut :

Gambar 10.2. Hasil Perhitungan Korelasi Ganda
r1= 0,45
X1
r3 = 0,22 R = 0,596
Y
X2
r2 = 0,48

Ha : Ada hubungan secara bersama yang signifikan antara kepemimpinan
dan tata ruang kantor dengan kepuasan kerja
Ho : Tidak ada hubungan secara bersama yang signifikan antara kepemim-
pinan dan tata ruang kantor dengan kepuasan kerja
tabel.
Ternyata Fhitung lebih besar dari Ftabel (4,683 > 3,592). Karena Fhitung > Ftabel,
maka menolak Hipotesis Nihil (Ho) dan menerima Hipotesis Alternatif (Ha).
Jadi kesimpulannya adalah “ada hubungan secara bersama yang signifikan
antara kepemimpinan dan tata ruang kantor dengan kepuasan kerja di lembaga
ABC”.
Dengan demikian pembuktian hipotesis telah terbukti kebenarannya dan kesimpulan

tersebut dapat digeneralisasikan kepada seluruh pegawai yang ada di lembaga ABC.

BAB 10
REGRESI SEDERHANA
Korelasi dan regresi keduanya mempunyai hubungan yang sangat erat. Setiap
regresi pasti ada korelasinya, tetapi korelasi belum tentu dilanjutkan dengan regresi.
Korelasi yang tidak dilanjutkan dengan regresi adalah korelasi antara dua variabel
yang tidak mempunyai hubungan kausal (sebab akibat) dan hubungan fungsional.
Untuk menetapkan kedua variabel mempunyai hubungan kausal atau tidak, maka
harus didasarkan pada teori atau konsep-konsep tentang dua variabel tersebut.
Hubungan antara panas dengan tingkat muai panjang, dapat dikatakan sebagai
hubungan sebab akibat; hubungan antara kepemimpinan dengan kepuasan kerja
pegawai dapat dikatakan hubungan yang fungsional.
Ada dua jenis variabel dalam analisis regresi yaitu variabel prediktor adalah
variabel yang mempengaruhi (diberi lambang X) dan variabel kriterium adalah
variabel yang dipengaruhi (diberi lambang Y). Analisis regresi dipakai apabila kita
ingin meramalkan pengaruh sebuah variabel prediktor dengan sebuah variabel
kriterium atau ingin membuktikan bahwa terdapat atau tidak terdapatnya hubungan
fungsional antara sebuah variabel bebas dengan variabel terikatnya. Untuk
mengetahui apakah hubungan fungsional itu positif atau negatif ditentukan oleh
koefisien arah regresi yang berlambangkan huruf b. Jika b positif, maka hubungan
fungsionalnya positif pula, artinya semakin naik (tinggi) nilai X, maka semakin
tinggi pula nilai Y, sebaliknya jika b negatif maka hubungan fungsionalnya
berbanding terbalik, artinya semakin naik (tinggi) nilai X maka semakin turun
(rendah) nilai Y.
Persamaan analisis regresi sederhana dapat dituliskan sbb. :
Y = a + bX
dimana : Y= variabel kriterium

X= variabel prediktor
a = bilangan konstan
b = koefisien arah regresi linier

Persamaan tersebut dapat digunakan untuk menaksir nilai Y jika a, b, dan X
diketahui.
Analisis regresi baru dapat digunakan apabila memenuhi persyaratan-persyaratan
(asumsi), antara lain :
1. kedua variabel yang akan dihubungan harus berdistribusi normal,
2. mempunyai pasangan sama dari subjek yang sama pula,
3. data diambil secara acak atau random, dan
4. variabel yang akan dihubungkan harus mempunyai data interval/rasio.
Untuk mencari nilai a dan b dalam persamaan regresi tersebut dapat dicari dengan
rumus :
(Y)(X2) - (X)(XY)
a =
nX2 - (X)2
nXY - (X)(Y)
b =
nX2 - (X)2
Proses selanjutnya dalam analisis regresi adalah menentukan ketepatan

persamaan taksiran, dengan metode kuadrat terkecil (least squares method).
Besarnya kesalahan standar taksiran (Se) menunjukkan ketepatan persamaan
taksiran untuk menjelaskan nilai variabel kriterium sesungguhnya. Semakin kecil
nilai kesalahan standar taksiran, makin tinggi ketepatan persamaan taksiran yang
dihasilkan untuk menjelaskan nilai variabel kritrerium yang sesungguhnya. Dan
sebaliknya, semakin besar nilai kesalahan standar taksiran, makin rendah ketepatan
persamaan taksiran yang dihasilkan untuk menjelaskan nilai variabel kriterium yang
sesungguhnya.
Untuk menentukan besarnya kesalahan standar taksiran digunakan rumus :
Y2 - aY - bXY

Se =
n - 2

Contoh :
• Perusahaan batik “Keris” ingin mengetahui hubungan fungsional antara nilai
penjualan (Y) dengan biaya promosi (X) yang diyakini bahwa biaya promosi
dapat mempengaruhi nilai penjualan.
Jawab :
Tabel 10.1. Tabel Penolong untuk Menghitung Regresi Sederhana
No. X Y XY X2 Y2
1 20 64 1.280 400 4.096
2 16 61 976 256 3.721
3 34 84 2.856 1.156 7.056
4 23 70 1.610 529 4.900
5 27 88 2.376 729 7.744
6 32 92 2.944 1.024 8.464
7 18 72 1.296 324 5.184
8 22 77 1.694 484 5.929
 192 608 15.032 4.902 47.094
a. Bagaimana fungsi persamaan regresinya

b. Ujilah koefisien regresi tersebut pada taraf signifikan 5%
Jawab:
a. Mencari persamaan regresi :
(Y)(X2) - (X)(XY)
a =
nX2 - (X)2
(608 x 4.902) - (192 x 15.032)

a =
(8 x 4.902) - (192)2
2.980.416 – 2.886.144 94.272

a = =
39.216 – 36.864 2.352
a = 40,1 ≈ 40

nXY - (X)(Y)
b =
nX2 - (X)2
(8 x 15.032) – (192 x 608)

b =
8 x 4.902 –(192)2
120.256 – 116.736 3.520

b = =
39.216 – 36.864 2.352
b = 1,5
Jadi persamaan regresinya dapat ditulis Y = 40 + 1,5X
b. Menghitung kesalahan standar taksiran (Se)
Y2 - aY - bXY

Se =
n - 2
47.094 - (40)(608) - (1,5)(15.032)

Se =
8 - 2
Se = 6,14
c. Mencari nilai t hitung dengan rumus :

b-
t hitung =
Sb
Se 6,14 6,14
Sb = = =
 (X2) - (X)2/n  4.902 - (192)2/8 17,15
Sb = 0,359
1,5 - 0
t hitung = = 4,18
0,359
nilai  = 0, karena pada perumusan hipotesis nol (Ho), nilai  = 0

d. Menguji Koefisien Regresi
1. Merumuskan Hipotesis :
Ha : Ada pengaruh yang signifikan biaya promosi terhadap nilai penjualan
Ho : Tidak ada pengaruh yang signifikan biaya promosi terhadap nilai
penjualan
2. Menetapkan taraf signifikan sebesar 5% dengan db = n – 2 = 8 - 2 = 6;
diperoleh t tabel sebesar 2,447
Jika t hitung > t tabel, maka Ho ditolak dan Ha diterima
Jika t hitung < t tabel, maka Ho diterima dan Ha ditolak
4. Ternyata nilai t hitung lebih besar dari t tabel (4,18 > 2,447), ini berarti
menolak Ho dan menerima Ha
5. Kesimpulannya : Ada pengaruh yang signifikan biaya promosi terhadap
nilai penjualan pada perusahaan batik “Keris”.
Persamaan regresi Y = 40 + 1,5X, dapat dimaknai :

• a = 40; adalah bilangan konstan dan menunjukkan nilai penjualan, dengan
asumsi biaya promosi nilainya dianggap nol
• b = 1,5; merupakan nilai koefisien regresi b, artinya setiap kenaikan biaya
promosi sebesar satu point akan meningkatkan nilai penjualan sebesar 1,5
point
Berdasarkan persamaan regresi tersebut dapat dibuat taksiran (prediksi), jika

perusahaan mampu menaikkan biaya promosi sebesar 100, maka nilai penjualan
dapat ditaksir meningkat menjadi sebesar 190.
Y = 40 + 1,5X
Y = 40 + 1,5(100)
Y = 40 + 150
Y = 190
PRAKTEK SOFTWARE SPSS :

Langkah-langkah analisis regresi sederhana :

3. Pilih variabel Nilai Penjualan (Y) pindahkan ke kotak DEPENDENT
4. Pilih variabel Biaya Promosi (X) pindahkan ke kotak INDEPENDENT
5. Pilih STATISTICS klik ESTIMATES dan MODEL FIT
Tampilan (output) SPSS Analisis Regresi Sederhana :
Model Summary
Model R R Square Adjusted R Std. Error of
Square the Estimate
1 .862a .743 .700 6.158
a. Predictors: (Constant), Biaya Promosi
ANOVAa
Squares
Regression 658.503 1 658.503 17.367 .006b
1 Residual 227.497 6 37.916
Total 886.000 7
a. Dependent Variable: Nilai Penjualan
b. Predictors: (Constant), Biaya Promosi
Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) 40.082 8.890 4.509 .004
1
Biaya Promosi 1.497 .359 .862 4.167 .006
a. Dependent Variable: Nilai Penjualan

BAB 11
REGRESI GANDA
Analisis regresi ganda termasuk statistik parametris yang digunakan oleh peneliti,
bila peneliti bermaksud meramalkan bagaimana keadaan (naik turunnya) variabel
dependen (kriterium), bila dua atau lebih variabel independen sebagai penentu
faktor prediktor dimanipulasi (dinaik turunkan nilainya). Jadi analisis regresi ganda
akan dilakukan bila jumlah variabel independennya minimal ada dua.
Persamaan regresi untuk 2 prediktor : Y = a + b1X1 + b2X2

Persamaan regresi untuk 3 prediktor : Y = a + b1X1 + b2X2 + b3X3
Persamaan regresi untuk n prediktor : Y = a + b1X1 + b2X2 + .....+ bnXn
Untuk dapat membuat ramalan melalui regresi, maka data setiap variabel harus
tersedia. Selanjutnya berdasarkan data itu peneliti harus dapat menemukan
persamaan melalui perhitungan. Untuk menghitung harga-harga a, b1, b2 dapat
menggunakan persamaan berikut : (untuk regresi dua prediktor)
Y = an + b1X1 + b2X2
X1Y = aX1 + b1X12 + b2X1X2
X2Y = aX2 + b1X1X2 + b2X22
Berikut ini disajikan contoh analisis regresi ganda dua prediktor.

Penelitian dilakukan untuk mengetahui “Pengaruh Kemampuan kerja (X1) dan
Kepemimpinan direktif (X2) terhadap Produktivitas kerja pegawai (Y)”.
Berdasarkan 10 responden yang digunakan sebagai sumber data penelitian, hasilnya
adalah sebagai berikut :

Tabel 11.1. Data Penelitian
No X1 X2 Y
1 10 7 23
2 2 3 7
3 4 2 15
4 6 4 17
5 8 6 23
6 7 5 22
7 4 3 10
8 6 3 14
9 7 4 20
10 6 3 19
Untuk dapat meramalkan bagaimana produktivitas kerja pegawai bila kemampuan

kerja pegawai dan kepemimpinan direktif dinaikkan atau diturunkan, maka harus
dicari persamaan regresinya terlebih dahulu.
Tabel 11.2. Tabel Penolong Analisis Regresi Ganda
No X1 X2 Y X1 Y X2 Y X1 X2 X1 2 X2 2 Y2
1 10 7 23 230 161 70 100 49 529
2 2 3 7 14 21 6 4 9 49
3 4 2 15 60 30 8 16 4 225
4 6 4 17 102 68 24 36 16 289
5 8 6 23 184 138 48 64 36 529
6 7 5 22 154 110 35 49 25 484
7 4 3 10 40 30 12 16 9 100
8 6 3 14 84 42 18 36 9 196
9 7 4 20 140 80 28 49 16 400
10 6 3 19 114 57 18 36 9 361
 60 40 170 1.122 737 267 406 182 3.162
Dari tabel diatas diperoleh harga-harga :

Y = 170 X1Y = 1.122  X12 = 406
X1 = 60 X2Y = 737  X22 = 182
X2 = 40 X1X2 = 267  Y2 = 3.162

a. Mencari Persamaan Regresi Ganda :
Untuk menghitung harga-harga a, b1, dan b2, maka harga-harga diatas dimasukkan
kedalam persamaan :
Y = an + b1X1 + b2X2
X1Y = aX1 + b1X12 + b2X1X2
X2Y = aX2 + b1X1X2 + b2X22
170 = 10a + 60b1 + 40b2 ..............1)

1.122 = 60a + 406b1 + 267b2 ..............2)
737 = 40a + 267b1 + 182b2 ..............3)
Persamaan 1) dikalikan 6, dan persamaan 2) dikalikan 1:

170 = 10a + 60b1 + 40b2 (x6) 1.020 = 60a + 360b1 + 240b2
1.122 = 60a + 406b1 + 267b2 (x1) 1.122 = 60a + 406b1 + 267b2 -
-102 = - 46b1 - 27b2 ..........4)
Persamaan 1) dikalikan 4, dan persamaan 3) dikalikan 1 :

170 = 10a + 60b1 + 40b2 (x4) 680 = 40a + 240b1 + 160b2
737 = 40a + 267b1 + 182b2 (x1) 737 = 40a + 267b1 + 182b2 -
-57 = -27b1 - 22b2 ............5)
Persamaan 4) dikalikan 27, dan persamaan 5) dikalikan 46 :

-102 = - 46b1 - 27b2 (x27) -2.754 = -1242b1 - 729b2
-57 = - 27b1 - 22b2 (x46) -2.622 = -1242b1 – 1.012b2 -
-132 = 283b2
b2 = -132/283
b2 = -0,466
Harga b2 dimasukkan kedalam salah satu persamaan 4) atau 5).

Dalam hal ini dimasukkan dalam persamaan 4) :
-102 = - 46b1 - 27b2
-102 = - 46b1 - 27(-0,466)
-102 = - 46b1 + 12,582
46b1 = 114,582
b1 = 114,582 / 46
b1 = 2,491

Harga b1 dan b2 dimasukkan kedalam persamaan 1), 2) atau 3), dalam hal ini
dimasukkan kedalam persamaan 1):
170 = 10a + 60b1 + 40b2
170 = 10a + 60(2,491) + 40(-0,466)
170 = 10a + 149,454 - 18,640
-10a = -170 + 149,454 - 18,640
10a = 170 -149,454 + 18,640
10a = 39,186
a = 39,186/10
a = 3,919
Cara lain untuk menghitung harga-harga : a, b1, dan b2, juga dapat dilakukan dengan
formula sebagai berikut :
AB - CD
b1 = = [(1.020x220) – (270x570)] / 28.300 = 2,491
F
DE - AC
b2 = = [(570x460) – (1.020x270)] / 28.300 = -0,466
F
Y – b1X1 – b2X2
a = = [(170) – (2,491x60) – (-0,466x40)] / 10 = 3,919
n
Dimana :
A = nX1Y - X1Y = (10x1.122) – (60x1700) = 1.1220 – 10.200 = 1.020
B = nX22 - (X2)2 = (10x182) – (40)2 = 1.820 – 1.600 = 220
C = nX1X2 - X1X2 = (10x267) – (60x40) = 2.670 – 2.400 = 270
D = nX2Y - X2Y = (10x737) – (40x170) = 7.370 – 6.800 = 570
2
E = nX1 - (X1) 2
= (10x406) – (60) = 4.060 – 3.600
2
= 460
F = EB - C2 = (460x220) – (270)2 = 101.200 – 72.900 = 28.300
Jadi persamaan regresi ganda untuk dua prediktor adalah :

Y = 3,919 + 2,491X1 - 0,466X2
Persamaan regresi tersebut dapat diinterpretasikan sebagai berikut :

• a = 3,919; adalah bilangan konstan menunjukkan nilai produk-tivitas kerja (Y),
dengan asumsi kemampuan kerja (X1) dan kepemimpinan direktif (X2) nilainya
dianggap nol
• b1 = 2,491; adalah nilai koefisien regresi b1, artinya setiap kenaikan nilai
kemampuan kerja sebesar satu point akan meningkatkan nilai produktivitas
kerja pegawai sebesar 2,491 point
• b2 = -0,466; adalah nilai koefisien regresi b2, artinya setiap kenaikan nilai
kepemimpinan direktif sebesar satu point akan menurunkan nilai produktivitas
kerja pegawai sebesar 0,466 point
Dari persamaan itu berarti produktivitas kerja pegawai akan naik, bila kemampuan
pegawai ditingkatkan, dan akan turun bila kepemimpinan direktif ditingkatkan.
Berdasarkan persamaan tersebut dapat diprediksikan, jika kemampuan pegawai (X1)
ditingkatkan menjadi 10, dan tingkat kepemimpinan direktif (X2) juga ditingkatkan
menjadi 10, maka produktivitas pegawai akan menjadi :
Y = 3,919 + 2,491(10) - 0,466(10)
Y = 3,919 + 24,91 - 4,66
Y = 24,169
b. Mencari Koefisien Korelasi Ganda :

Setelah persamaan regresi ditemukan maka proses selanjutnya menghitung besarnya
koefisien korelasi gandanya. Jika besarnya koefisien regresi yaitu b1 dan b2 sudah
ditemukan, maka korelasi ganda dapat dicari dengan rumus :
b1x1y + b2x2y
Ryx1x2 =
y2
dimana :
(X1) (Y)
x1y = X1Y -
n
(X2) (Y)
x2y = X2Y -
n
2
(Y)
y 2
= Y -
2

Berdasarkan contoh diatas maka dapat dihitung :
(60) (170)
x1y = 1.122 - = 102
10
(40) (170)
x2y = 737 - = 57
10
(170)2
y 2
= 3.162 - = 272
10
Besarnya korelasi ganda dapat dihitung :
(2,491x102) + (-0,466x57)
Ryx1x2 =
272
254,082 – 26,562
Ryx1x2 =
272
Ryx1x2 = 0,915
Dilanjutkan menghitung nilai F hitung dengan rumus :
R2 (n – k – 1)
Fhitung =
k (1 – R2 )
(0,9152) (10 – 2 – 1)
Fhitung =
2 (1 – 0,9152 )
Fhitung = 18,00

Langkah-langkah analisis Regresi Ganda :
3. Pilih variabel Produktivitas Kerja (Y) pindahkan ke kotak DEPENDENT
4. Pilih variabel Kemampuan kerja (X1) dan Kepemimpinan Direktif (X2)
pindahkan ke kotak INDEPENDENT
5. Pilih STATISTICS klik ESTIMATES, MODEL FIT dan DESCRIPTIVES
Tampilan (output) SPSS Analisis Regresi Ganda :
Model Summary
Model R R Square Adjusted R Std. Error of the

Square Estimate
1 .915a .836 .790 2.521

a. Predictors: (Constant), Kepemimpinan Direktif, Kemampuan Kerja
ANOVAa
Squares
Regression 227.512 2 113.756 17.899 .002b
1 Residual 44.488 7 6.355
Total 272.000 9
a. Dependent Variable: Produktivitas Kerja
b. Predictors: (Constant), Kepemimpinan Direktif, Kemampuan Kerja
Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) 3.919 2.418 1.621 .149
Kemampuan Kerja 2.491 .703 1.024 3.544 .009
1
Kepemimpinan
-.466 1.016 -.133 -.459 .660
Direktif
a. Dependent Variable: Produktivitas Kerja

Correlations
Produktivitas Kemampuan Kepemimpinan
Kerja Kerja Direktif
Produktivitas Kerja 1.000 .912 .737
Pearson
Kemampuan Kerja .912 1.000 .849
Correlation
Kepemimpinan Direktif .737 .849 1.000
Produktivitas Kerja . .000 .008
Sig. (1-tailed) Kemampuan Kerja .000 . .001
Kepemimpinan Direktif .008 .001 .
Produktivitas Kerja 10 10 10
N Kemampuan Kerja 10 10 10
Kepemimpinan Direktif 10 10 10
c. Menguji Signifikansi Koefisien Korelasi Ganda:

Ha : Ada pengaruh yang signifikan secara bersama kemampuan pegawai dan
kepemimpinan direktif terhadap produktivitas kerja pegawai
Ho : Tidak Ada pengaruh yang signifikan secara bersama kemampuan pegawai
dan kepemimpinan direktif terhadap produktivitas kerja pegawai
tabel.
Ternyata Fhitung lebih besar dari Ftabel (18,00 > 4,74). Karena Fh > Ft , maka Ho
ditolak dan Ha diterima.
Jadi kesimpulannya adalah ada pengaruh yang signifikan secara bersama
kemampuan pegawai dan kepemimpinan direktif terhadap produktivitas
kerja pegawai.

d. Mencari Koefisien Determinasi (R2) :
Untuk dapat mengetahui besarnya pengaruh bersama variabel bebas (prediktor)
terhadap variabel kriterium dihitung dengan rumus Koefisien Determinan (KD),
yaitu :
b1 (x1y) + b2 (x2y)
2
R =
y2
Berdasarkan contoh diatas, maka besarnya pengaruh bersama variabel kemampuan
pegawai dan kepemimpinan direktif terhadap produktivitas kerja pegawai adalah
sebesar :
2,491(102) - 0,466(57)
2
R =
272
227,52
R2 = = 0,836
272
e. Mencari Sumbangan Relatif dan Sumbangan Efektif :

Besarnya sumbangan relatif dari masing-masing prediktor dapat dicari dengan
rumus :
b1x1y
SRx1 = x 100%
(b1x1y + b2x2y)
b2x2y
SRx2 = x 100%
(b1x1y + b2x2y)
Berdasarkan contoh diatas sumbangan relatif masing-masing prediktor dapat

dihitung :
Sumbangan relatif variabel kemampuan kerja (X1) :
(2,491) (102)
SRx1 = x 100%
( 2,491 x 102) + (0,466 x 57 )
SRx1 = 90,54%

Sumbangan relatif variabel kepemimpinan direktif (X2) :
(0,466) (57)
SRx2 = x 100%
( 2,491 x 102) + (0,466 x 57 )
SRx2 = 9,46%
Catatan : Untuk menghitung sumbangan relatif, jika besarnya koefisien regresi

terdapat tanda negatif, maka diambil nilai mutlaknya (tanda negatif
diabaikan)
Sedangkan untuk mengetahui besarnya sumbangan efektif masing-masing prediktor

dapat dicari dengan rumus :
Sumbangan efektif variabel kemampuan kerja (X1) :
SEx1 = R2 x SRx1
SEx1 = (0,836) x 90,54%
SEx1 = 75,69%
Sumbangan efektif variabel kepemimpinan direktif (X2) :
SEx2 = R2 x SRx2
SEx2 = (0,836) x 9,46%
SEx2 = 7,91%
Berdasarkan sumbangan efektif tersebut ternyata variabel kemampuan kerja (X1)

mempunyai pengaruh lebih dominan dibanding variabel kepemimpinan direktif (X2)
terhadap produktivitas kerja pegawai (Y).

BAB 12
UJI BEDA (t – TEST)
t-test merupakan salah satu rumus statistik parametris yang digunakan untuk
menguji hipotesis komparatif rata-rata dua sampel yang berkorelasi (berpasangan)
atau tidak berkorelasi (independen), bila datanya berbentuk interval atau ratio
A. Rumus t-test bila kedua sampel berkorelasi adalah :
X1 - X2
t =
S12 S22 S1 S2
+ 2r ( )( )
n1 n2 √ n1 √ n1
Keterangan :
X1 : Rata-rata sampel 1
X2 : Rata-rata sampel 2
S1 : Simpangan baku sampel 1
S2 : Simpangan baku sampel 2
r : korelasi antara dua sampel
n : jumlah sampel
Rumus simpangan baku adalah :
nX2 - (X)2
S =
n(n - 1)
Rumus Korelasi Product Moment adalah :
nXY - (X)( Y)

rxy =
(nX2 - (X)2)(nY2 - (Y)2)
Contoh :
Dilakukan penelitian untuk mengetahui ada tidaknya perbedaan produktivitas kerja
pegawai sebelum dan sesudah diberi kendaraan dinas. Berdasarkan 20 sampel
pegawai yang dipilih secara random, diperoleh data-data sebagai berikut :

Tabel 12.1. Data Produktivitas Kerja Sebelum dan
Sesudah diberi kendaraan
Produktivitas Kerja
No. Responden
Sebelum (X1) Sesudah (X2)
1 7 9
2 8 9
3 6 7
4 7 7
5 7 7
6 8 9
7 6 6
8 8 8
9 9 9
10 7 6
11 6 6
12 7 7
13 7 8
14 7 6
15 8 9
16 6 6
17 7 8
18 7 8
19 8 9
20 6 6
Rata-rata 7,1 7,5
SB ( S ) 0,852 1,235
Varians ( S2 ) 0,726 1,526
Koefisien korelasi produktivitas kerja sebelum dan sesudah mendapat kendaraan

dinas adalah sebesar 0,800 (dihitung dengan rumus Product Moment)

Tabel 12.2 . Tabel Penolong untuk Menghitung Rata-Rata Simpangan
Baku dan Korelasi
No X1 X2 X12 X22 X1X2

1 7 9 49 81 63
2 8 9 64 81 72
3 6 7 36 49 42
4 7 7 49 49 49
5 7 7 49 49 49
6 8 9 64 81 72
7 6 6 36 36 36
8 8 8 64 64 64
9 9 9 81 81 81
10 7 6 49 36 42
11 6 6 36 36 36
12 7 7 49 49 49
13 7 8 49 64 56
14 7 6 49 36 42
15 8 9 64 81 72
16 6 6 36 36 36
17 7 8 49 64 56
18 7 8 49 64 56
19 8 9 64 81 72
20 6 6 36 36 36
 142 150 1.022 1.154 1.081
Rata-rata X1 = X1 / n = 142 / 20 = 7,1

Rata-rata X2 = X2 / n = 150 / 20 = 7,5
nX12 - (X1)2
Simpangan Baku X1 =
n(n - 1)
20(1.022) - (142)2
Simpangan Baku X1 = = 0,852
20(20 - 1)

nX22 - (X2)2
Simpangan Baku X2 =
n(n - 1)
20(1.154) - (150)2
Simpangan Baku X2 = = 1,235
20(20 - 1)
Korelasi antara X1 dengan X2 :
nX1X2 - (X 1) ( X2)

rx1x2 =
(nX12 - (X1)2) (nX22 - (X2)2)
(20x1.081) - (142 x 150)

=
(20x1022 - (142)2) (20x1154 - (150)2)
276
=
400,1
rx1x2 = 0,800
Besarnya t-test (t hitung) dapat dicari :
X1 - X2
t =
S12 S22 S1 S2
+ 2r ( )( )
n1 n2  n1  n2
7,1 - 7,5
t =
0,726 1,526 0,852 1,235
+ 2(0,800) x x
20 20  20  20
t = -2,373

Langkah-langkah pengujian hipotesis :
Ha : Ada perbedaan yang signifikan produktivitas kerja pegawai sebelum dan
sesudah diberi kendaraan dinas
Ho : Tidak ada perbedaan yang signifikan produktivitas kerja pegawai sebelum
dan sesudah diberi kendaraan dinas
2. Menetapkan taraf signifikan sebesar 5%, dimana db = n1 – 1 = 20 – 1 = 19. Jika
db = 19 dan taraf kesalahan ditetapkan sebesar 5%, maka t tabel = 2,093.
Jika t hitung > t tabel maka Ho ditolak dan Ha diterima
Jika t hitung < t tabel maka Ho diterima dan Ha ditolak
4. Mencari nilai t hitung (t-test), dari perhitungan diatas nilai t hitung ditemukan
sebesar (-2,373)
5. Membandingkan harga t hitung dengan t tabel selanjutnya ambil kesimpulan.
Ternyata harga t hitung lebih besar dari t tabel (2,373 > 2,093), sehingga Ho
ditolak dan Ha diterima. Jadi kesimpulannya terdapat perbedaan yang signifikan
rata-rata produktivitas kerja pegawai sebelum dan sesudah diberi diberi
kendaraan dinas.
Catatan : Jika harga t-test ditemukan nilai negatif, maka diambil nilai mutlaknya
(tanda negatif diabaikan).

Langkah-langkah Analisis Uji Beda Berkorelasi, sebagai berikut :
1. Masukkan data yang akan diuji ke program SPSS sheet Data View
2. Pilih menu ANALYZE→ COMPARE MEANS
3. Klik PAIRED SAMPLE T-TEST
4. Pilih variabel yang akan diuji (penjualan sebelum dan penjualan setelah)
pindahkan ke kotak VARIABLE
5. Tekan OK

Tampilan (output) SPSS Uji Beda t-Test Berkorelasi :
Paired Samples Statistics

Mean N Std. Std. Error
Deviation Mean
Sebelum ada kendaraan 7.10 20 .852 .191
Pair 1
Setelah ada kendaraan 7.50 20 1.235 .276
Paired Samples Correlations

N Correlation Sig.
Sebelum ada kendaraan &

Pair 1 20 .800 .000
Setelah ada kendaraan
Paired Samples Test

Paired Differences t df Sig. (2-
tailed)
Mean Std. Std. Error 95% Confidence
Deviation Mean Interval of the
Difference
Lower Upper
Sebelum ada
kendaraan -
Pair 1 -.400 .754 .169 -.753 -.047 -2.373 19 .028
Setelah ada
kendaraan

1. Pada Tabel (Paired Sample Statistics) menunjukkan nilai rata-rata sebelum dan
sesudah diberi kendaraan masing-masing 7,10 dan 7,50. Jumlah responden yang
dianalisis sebanyak N = 20. Secara absolut nilai rata-rata sebelum dan sesudah
diberi kendaraan memang ada perbedaan sebesar 0,40. Tetapi untuk
membuktikan apakah perbedaan tersebut cukup signifikan (nyata) atau tidak
maka perlu dilakukan pengujian secara statistik.
2. Pada Tabel (Paired Samples Correlations) menunjukkan besarnya koefisien
korelasi antara sebelum dengan setelah diberi kendaraan, yaitu sebesar 0,800

dengan signifikan 0,000. Korelasi tersebut dapat dimaknai bahwa antara sebelum
dengan setelah diberi kendaraan mempunyai hubungan yang sangat kuat dan
mempunyai arah yang positif. Jika kita uji secara statistik koefisien tersebut
hubungannya adalah nyata (signifikan) dikarenakan nilai signifikansi (0,000)
lebih kecil dari 0,05.
3. Pada Tabel ( Paired Sample Test) menunjukkan nilai t hitung sebesar -2,373
dengan tingkat Sig (2-tailed) = 0,028. Untuk menjawab apakah ada perbedaan
rata-rata produktivitas kerja sebelum dan sesudah diberi kendaraan dinas, maka
perlu dilakukan pengujian secara statistik, dengan langkah-langkah sebagai
berikut :
a. Ha : ada perbedaan yang signifikan rata-rata produktivitas kerja sebelum dan
sesudah diberi kendaraan dinas
Ho : tidak ada perbedaan yang signifikan rata-rata produktivitas kerja sebelum
dan sesudah diberi kendaraan dinas
Jika nilai Sig (2-tailed) < 0,05, maka Ho ditolak dan Ha diterima
Jika nilai Sig (2-tailed) > 0,05, maka Ho diterima dan Ha ditolak
c. Membuat kesimpulan :
Ternyata hasilnya nilai Sig (0,028) < 0,05, maka Ho ditolak dan Ha diterima.
Jadi kesimpulannya adalah memang benar ada perbedaan yang signifikan rata-
rata produktivitas sebelum dan sesudah diberi kendaraan dinas. Atau dengan
kata lain pemberian kendaraan dinas mempunyai pengaruh signifikan terhadap
peningkatan produktivitas kerja.
B. Rumus t-test bila kedua sampel tidak berkorelasi adalah:

1. Rumus pertama (Separated varians) :
X1 - X2
t=
S1 2 S22
+
n1 n2

2. Rumus Kedua (Polled varians) :
X1 - X2
t=
(n1 – 1)S12 + (n2 – 1)S22 1 1
 + 
n1 + n2 - 2 n1 n2
Terdapat beberapa pertimbangan dalam memilih rumus t-test :

a. Jika jumlah anggota kedua sampel sama (n1 = n2) dan kedua sampel mempunyai
varians homogen, maka digunakan rumus pertama atau kedua. Untuk
mengetahui t tabel digunakan db = n1 + n2 – 2.
b. Jika jumlah anggota kedua sampel sama (n1 = n2) dan kedua sampel mempunyai
varians tidak homogen, maka digunakan rumus pertama atau kedua. Untuk
mengetahui t tabel digunakan db = n1 – 1 atau db = n2 – 1
c. Jika jumlah anggota kedua sampel tidak sama (n1  n2) dan kedua sampel
mempunyai varians homogen, maka digunakan rumus kedua. Untuk
mengetahui t tabel digunakan db = n1 + n2 – 2.
d. Jika jumlah anggota kedua sampel tidak sama (n1  n2) dan kedua sampel
mempunyai varians tidak homogen, maka digunakan rumus pertama. Untuk
mengetahui t tabel harus dicari dengan cara interpolasi, yaitu dihitung dari
selisih harga t tabel dengan db = (n1 – 1) dan db = (n2 – 1), dibagi dua dan
hasilnya kemudian ditambah dengan harga t yang terkecil.
Contoh : Jika n1 = 25 berarti db = 24, maka t tabel = 2,064 (untuk tingkat
kesalahan 5%); dan jika n2 = 13 berarti db = 12, maka t tabel =
2,179. Kemudian harga kedua t tabel tersebut dicari selisihnya dan
dibagi dua : (2,179 – 2,064) : 2 = 0,058. Selanjutnya harga t tabel
terkecil 2,064 ditambahkan dengan 0,058, hasilnya adalah 2,122
Untuk mengetahui atau menguji homogenitas varians digunakan uji F dengan

rumus :
Varians terbesar
F =
Varian terkecil
Harga F hitung tersebut dibandingkan dengan F tabel dengan db pembilang

(n – 1) dan db penyebut (n – 1) pada taraf signifikan tertentu. Dalam hal ini
berlaku ketentuan sebagai berikut :

• Jika F hitung < F tabel berarti kedua varians homogen
• Jika F hitung > F tabel berarti kedua varians tidak homogen.
Contoh :
Dilakukan penelitian untuk mengetahui kecepatan memasuki dunia kerja antara
lulusan SMA dan lulusan SMK. Berdasarkan 21 responden lulusan SMA dan 19
responden lulusan SMK datanya dapat disajikan pada tabel dibawah ini.
Hipotesis yang diajukan : terdapat perbedaan yang signifikan lama menunggu
untuk mendapatkan pekerjaan antara lulusan SMA dengan SMK.
Tabel 12.3. Data Lama Menunggu dapat Pekerjaan antara Lulusan
SMA dan SMK
No. Lama Menunggu SMA Lama Menunggu SMK

Responden (dalam tahun) (dalam tahun)
1 5 2
2 3 1
3 5 3
4 2 1
5 5 3
6 1 2
7 2 2
8 3 1
9 1 3
10 3 1
11 2 1
12 4 1
13 3 3
14 4 2
15 2 1
16 3 2
17 1 2
18 5 1
19 1 2
20 3 -
21 1 -
Jml. Sampel 21 19
Rata-Rata 2,81 1,79

SB ( S ) 1,44 0,79
Varians ( S2 ) 2,07 0,62
Untuk menentukan rumus t-test mana yang akan digunakan, maka perlu diuji dulu
homogenitas varians kedua sampel.
Varians terbesar 2,07
F = = = 3,334.
Varian terkecil 0,62
Harga F hitung tersebut selanjutnya dibandingkan dengan F tabel, pada taraf
kesalahan 5% dengan db pembilang : 21 – 1 = 20 dan db penyebut : 19 – 1 = 18
nilai F tabel sebesar 2,191.
Dalam hal ini berlaku ketentuan : jika F hitung < dari F tabel berarti varians kedua
sampel homogen dan sebaliknya.
Ternyata F hitung lebih besar dari F tabel (3,334 > 2,191), berarti varians kedua
sampel tidak homogen.
Setelah diketahui kedua varians tidak homogen dan jumlah sampel tidak sama,
maka sesuai pedoman digunakan rumus t-tes pertama :
X 1 - X2 2,81 - 1,79
t = = = 2,818
2 2
S1 S2 2,06 0,62
+ +
n1 n2 21 19

Ha : Ada perbedaan yang signifikan lama menunggu untuk mendapatkan
pekerjaan antara lulusan SMA dengan SMK
Ho : Tidak ada perbedaan yang signifikan lama menunggu untuk mendapat-
kan pekerjaan antara lulusan SMA dengan SMK
2. Mencari nilai t tabel, dalam hal ini digunakan t tabel pengganti (dicari dengan
cara interpolasi), taraf signifikansi sebesar 5%.
n1 = 21; db = 20, maka t tabel = 2,086
n2 = 19; db = 18, maka t tabel = 2,101
Selisih kedua harga t tabel dibagi dua adalah (2,101 – 2,086) : 2 = 0,0075.
Selanjutnya hasilnya ditambahkan dengan t tabel yang terkecil yaitu 2,086. Jadi
t tabel pengganti adalah 2,086 + 0,0075 = 2,094.

Jika t hitung > t tabel maka Ho ditolak dan Ha diterima
Jika t hitung < t tabel maka Ho diterima dan Ha ditolak
4. Membandingkan harga t hitung dengan t tabel selanjutnya buat kesimpulan.
Berdasarkan perhitungan tersebut, ternyata t hitung lebih besar dari t tabel
(2,818 > 2,094), dengan demikian menolak Ho dan menerima Ha. Jadi
kesimpulannya terdapat perbedaan yang signifikan lama menunggu untuk
mendapatkan pekerjaan antara lulusan SMA dan lulusan SMK. Lulusan SMK
cenderung lebih cepat mendapatkan pekerjaan dibanding lulusan SMA.

Langkah-langkah Analisis Uji Beda Tidak Berkorelasi, sebagai berikut :
1. Masukkan data yang akan diuji ke program SPSS sheet Data View
2. Pilih menu ANALYZE→COMPARE MEANS
3. Klik INDEPENDENT SAMPLE T-TEST
4. Pilih variabel yang akan diuji (WAKTU TUNGGU) pindahkan ke kotak TEST
VARIABLE
5. Pilih variabel LULUSAN pindahkan ke kotak GROUPING VARIABLE
6. Klik DEFINE GROUPS selanjutnya masukkan angka 1 pada Group 1 dan
masukkan angka 2 pada Group 2
7. Tekan CONTINUE selanjutnya tekan OK
Tampilan Output Analisis SPSS :
Group Statistics
Lulusan Sekolah N Mean Std. Std. Error
Deviation Mean
Waktu Tunggu Lulusan SMA 21 2.81 1.436 .313
Mendapat
Lulusan SMK 19 1.79 .787 .181
Pekerjaan

Independent Samples Test
Levene's Test for t-test for Equality of Means

Equality of
Variances
F Sig. t df Sig. (2- Mean Std. 95% Confidence

tailed) Differe Error Interval of the
nce Differe Difference
nce Lower Upper
Equal variances
Waktu Tunggu 6.346 .016 2.744 38 .009 1.020 .372 .267 1.773
assumed
Mendapat
Equal variances
Pekerjaan 2.820 31.620 .008 1.020 .362 .283 1.757
not assumed
1. Pada Tabel (Group Statistics) menunjukkan bahwa kedua kelompok jumlah

respondenya tidak sama, dimana lulusan SMA berjumlah 21 orang dan lulusan SMK
berjumlah 19 orang. Rata-rata masa tunggu mendapat pekerjaan lulusan SMA adalah
2,81 tahun dan lulusan SMK adalah 1,79 tahun. Secara absolut rata-rata masa tunggu
mendapat pekerjaan antara lulusan SMA dengan SMK tampak jelas berbeda. Tetapi
untuk membuktikan apakah perbedaan tersebut signifikan (nyata) atau tidak maka perlu
dilakukan pengujian secara statistik.
2. Pada Tabel ( Independent Sample Test) menunjukkan bahwa nilai F hitung sebesar
6,346 dengan tingkat Signifikansi sebesar 0,016. Nilai F hitung ini dipergunakan untuk
menguji homogenitas varian kedua kelompok. Untuk menguji apakah data kedua
kelompok lulusan tersebut homogen atau tidak yaitu dengan cara melihat nilai
signifikansi F hitung. Data kedua kelompok dikatakan homogen jika nilai Sig lebih
besar dari 0,05 dan sebaliknya jika nilai Sig lebih kecil dari 0,05 dikatakan tidak
homogen. Berdasarkan output SPSS diatas ternyata nilai Sig F hitung sebesar 0,016,
yang berarti nilai tersebut lebih kecil dari 0,05. Dengan demikian data lulusan kedua
kelompok tersebut diatas dapat dikatakan tidak homogen.
Pada tabel tersebut juga dapat dilihat nilai t hitung sebesar 2,820 dan nilai Sig (2-tailed)
sebesar 0,008. Selanjutnya untuk menjawab apakah ada perbedaan lama menunggu

untuk mendapatkan pekerjaan antara lulusn SMA dengan SMK, maka perlu dilakukan
pengujian secara statistik, dengan langkah-langkah sebagai berikut :
a. Ha : Ada perbedaan yang signifikan lama menunggu untuk mendapatkan
Ho : tidak ada perbedaan yang signifikan lama menunggu untuk mendapatkan
Jika nilai Sig (2-tailed) < 0,05, maka Ho ditolak dan Ha diterima
Jika nilai Sig (2-tailed) > 0,05, maka Ho diterima dan Ha ditolak
c. Membuat kesimpulan :
Ternyata hasilnya nilai Sig (0,008) < 0,05, maka Ho ditolak dan Ha diterima. Jadi
kesimpulannya adalah ada perbedaan yang signifikan (nyata) rata-rata lama
menunggu untuk mendapatkan pekerjaan antara lulusan SMA dengan SMK.
Berdasarkan nilai rata-rata tersebut diatas ternyata lulusan SMK cenderung lebih
cepat mendapat pekerjaan dari pada lulusan SMA.

BAB 13
PENGUJIAN VALIDITAS DAN
RELIABILITAS
Pengujian Validitas
Validitas adalah ukuran yang menunjukkan sejauhmana instrumen pengukur
mampu mengukur apa yang ingin diukur. Tujuan pengujian validitas adalah untuk
meyakinkan bahwa kuesioner/angket yang kita susun akan benar-benar baik dalam
mengukur gejala sehingga dihasilkan data yang valid. Untuk melakukan uji
validitas, salah satu metode yang dapat digunakan adalah dengan mengkorelasikan
antara skor butir-butir pertanyaan dengan skor pertanyaan secara total (analisis
butir).
Tahap-tahap dalam melakukan pengujian validitas adalah :

1. Menyusun angket sesuai jumlah variabel yang diteliti
2. Melakukan ujicoba pada sejumlah responden (minimal 30 orang)
3. Mempersiapkan tabel tabulasi jawaban reponden
4. Menghitung nilai korelasi antara skor butir dengan skor total
Suatu butir pertanyaan dikatakan valid jika nilai r hitung > r tabel. Jika ada
pertanyaan yang dinyatakan tidak valid maka pertanyaan tersebut harus didroup dari
daftar pertanyaan.
Contoh : Data Uji Validitas dan Reliabilitas
No P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 Motivasi
1 3 2 4 3 4 2 2 4 4 2 30
2 4 4 4 4 5 3 5 3 4 5 41
3 4 5 4 4 4 5 5 4 4 5 44
4 5 4 2 4 2 2 4 2 5 4 34
5 3 2 3 4 3 2 2 5 4 2 30
6 4 3 5 2 2 2 5 5 5 5 38
7 4 2 2 4 4 2 4 2 5 4 33
8 4 4 4 4 2 2 5 2 4 5 36

9 4 3 4 5 4 3 4 2 5 4 38
10 4 4 4 5 4 5 5 4 5 4 44
11 4 4 4 4 1 3 4 5 5 4 38
12 2 4 5 5 2 2 3 2 3 3 31
13 5 4 5 5 4 4 5 4 4 5 45
14 5 4 4 5 4 5 4 4 4 4 43
15 4 4 5 2 2 3 4 4 2 4 34
16 4 5 4 5 4 3 3 4 5 3 40
17 5 5 4 5 2 3 5 5 5 5 44
18 2 1 3 2 1 2 3 2 3 3 22
19 4 1 2 2 1 2 2 2 2 2 20
20 2 5 3 2 1 3 4 2 2 4 28
21 4 3 4 3 4 2 4 4 4 4 36
22 4 2 3 2 5 2 2 4 2 2 28
23 4 2 1 2 1 5 4 2 2 4 27
24 3 4 4 4 2 3 4 5 5 4 38
25 4 4 4 4 2 3 4 4 4 4 37
26 2 2 2 4 2 2 4 4 4 4 30
27 3 3 4 4 2 3 4 4 5 4 36
28 3 5 4 4 2 4 4 5 5 4 40
29 4 5 5 5 1 5 4 5 5 4 43
30 4 5 5 4 2 3 4 2 4 4 37
Langkah-langkah dalam pengolahan data untuk uji VALIDITAS :

1. Masukkan data-data tersebut ke program SPSS sheet Data View
2. Pilih menu ANALYZE → SCALE→RELIABILITY ANALYSIS
3. Masukkan indikator (pertanyaan) P1 s/d P10 dari kotak kiri kotak sebelah kanan
4. Klik STATISTIC
5. Klik kotak SCALE IF ITEM DELETED
6. Klik OK
Tampilan (output) SPSS Uji Validitas :

Item-Total Statistics
Corrected Cronbach's
Scale Mean if Scale Variance
Item-Total Alpha if Item
Item Deleted if Item Deleted
Correlation Deleted
P1 31.8000 37.683 .430 .794
P2 32.0000 32.345 .644 .767
P3 31.8000 35.614 .505 .785
P4 31.7667 33.840 .619 .772
P5 32.8667 38.533 .178 .828
P6 32.5000 36.052 .451 .791
P7 31.6333 35.344 .616 .775
P8 31.9667 36.585 .351 .804
P9 31.5000 34.672 .568 .778
P10 31.6667 35.885 .582 .779
Untuk mengetahui korelasi setiap butir pertanyaan dapat dilihat pada kolom
Corrected Item-Total Correlation. Korelasi butir ini selanjutnya dibandingkan
dengan nilai r tabel. Nilai r tabel dapat diperoleh melalui lampiran pada buku-buku
statistik. Misalnya jumlah responden N = 30 dan taraf signifikansi 5% maka nilai r
tabel adalah 0,361.
Berdasarkan output tersebut (kolom Corrected Item-Total Correlation) terlihat
bahwa dari 10 pertanyaan yang diuji, ternyata hanya ada 8 pertanyaan yang
dinyatakan valid karena nilai r hitung (corrected item-total correlation) > 0,361,
sedangkan pertanyaan yang tidak valid yaitu nomor 5 dan 8 dikarenakan nilai r
hitung (corrected item-total correlation) < 0,361. Proses selanjutnya kedua
pertanyaan yang tidak valid tersebut harus dikeluarkan dari daftar pertanyaan
(didrop).
Pengujian Reliabilitas
Setelah kita melakukan pengujian validitas tahap berikutnya adalah mengukur
tingkat reliabilitas. Reliabilitas adalah ukuran yang menunjukkan konsistensi dari
alat ukur dalam mengukur gejala yang sama di lain kesempatan.
Salah satu metode yang dapat dipakai untuk mengukur reliabilitas dengan
menggunakan rumus Cronbach Alpha.

Menurut aturan Nunnaly instrumen dikatakan reliabel jika nilai Cronbach Alpha >
0,600.
Perlu diingat bahwa dalam menguji reliabilitas yang diikutsertakan adalah hanya
pertanyaan-pertanyaan yang valid saja, sedangkan pertanyaan yang tidak valid
tidak perlu diikutsertakan.
Langkah-langkah dalam pengolahan data untuk uji RELIABILITAS :

1. Gunakan data uji validitas yang sudah ada
2. Pilih menu ANALYZE →SCALE→RELIABILITY ANALYSIS
3. Masukkan hanya pertanyaan-pertanyaan yang dinyatakan valid saja dari kotak
kiri ke kotak sebelah kanan
4. Pilih model Alpha
5. Klik STATISTIC
6. Hilangkan tanda centang pada kotak SCALE IF ITEM DELETED
7. Klik OK
Adapun tampilan output uji reliabilitas dapat dilihat dibawah ini :
Reliability Statistics
Cronbach's
N of Items
Alpha
.834 8
Berdasarkan output tersebut nilai koefisien reliabilitas (Cronbach's Alpha) besarnya

adalah 0,834. Nilai koefisien ini jika dibandingkan dengan nilai pembanding (0,600)
ternyata masih lebih besar atau (0,834 > 0,600), sehingga instrumen ini dapat
dikatakan reliabel.

DAFTAR PUSTAKA
Dewanto dan Tarsis Tarmudji. 1995. Metode Statistika, Yogyakarta : Penerbit

Liberty
Djarwanto Ps. 1997. Statistik Nonparametrik, Yogyakarta : Penerbit BPFE
Husaini Usman & R. Purnomo Setiady Akbar. 1995. Pengantar Statistika,

Jakarta : Penerbit Bumi Akasara
Imam Ghozali. 2007. Aplikasi Analisis Multivariate Dengan Program SPSS,

Semarang : Badan Penerbit Universitas Diponegoro
Riduwan & Sunarto. 2007. Pengantar Statistika Untuk Penelitian pendidikan,

Sosial, Ekonomi, Komunikasi dan Bisnis, Bandung : Penerbit Alfabeta
Ronald E. Walpole. 1997. Pengantar Statistika Edisi ke-3, Jakarta : Penerbit PT

Gramedia Pustaka Utama, 1997
Sri Mulyono. 1990. Statistika Kekuatannya Dalam Analisa Ekonomi, Jakarta :

Pusat Antar Universitas - Studi Ekonomi Universitas Indonesia
Sugiyono. 1999. Statistika Untuk Penelitian, Bandung : Penerbit CV Alfabeta
Sugiyono. 2004. Statistika Nonparametrik Untuk Penelitian, Bandung :

Penerbit CV Alfabeta
Suntoyo Yitnosumarto. 1994. Dasar-Dasar Statistika, Jakarta : Penerbit PT Raja

Grafindo Persada
Sutrisno Hadi. 2004. Statistik Jilid 1, 2, 3, Yogyakarta : Penerbit Andi

DAFTAR LAMPIRAN
• Lampiran 1. Nilai Tabel r Product Moment (Pearson)

• Lampiran 2. Nilai Tabel Distrbusi t
• Lampiran 3. Nilai Tabel Distribusi F
• Lampiran 4. Nilai Tabel rho Spearman
• Lampiran 5. Nilai Tabel Chi Kuadrat
• Lampiran 6. Tabel Z

Lampiran Tabel |1
Nilai Tabel r Product Moment (Pearson)
N 5% (0,05) 1% (0,01) N 5% (0,05) 1% (0,01)

1 - - 41 0,308 0,398
2 - - 42 0,304 0,393
3 0,997 0,999 43 0,301 0,389
4 0,950 0,990 44 0,297 0,384
5 0,878 0,959 45 0,294 0,380
6 0,811 0,917 46 0,291 0,376
7 0,754 0,874 47 0,288 0,372
8 0,707 0,834 48 0,284 0,368
9 0,666 0,798 49 0,281 0,364
10 0,632 0,765 50 0,279 0,361
11 0,602 0,735 55 0,266 0,345
12 0,576 0,708 60 0,254 0,330
13 0,553 0,684 65 0,244 0,317
14 0,532 0,661 70 0,235 0,306
15 0,514 0,641 75 0,227 0,296
16 0,497 0,623 80 0,220 0,286
17 0,482 0,606 85 0,213 0,278
18 0,468 0,590 90 0,207 0,270
19 0,456 0,575 95 0,202 0,263
20 0,444 0,561 100 0,195 0,256
21 0,433 0,549 125 0,176 0,210
22 0,423 0,537 150 0,159 0,210
23 0,413 0,526 175 0,148 0,194
24 0,404 0,515 200 0,138 0,181
25 0,396 0,505 300 0,113 0,148
26 0,388 0,496 400 0,098 0,128
27 0,381 0,487 500 0,088 0,115
28 0,374 0,478 600 0,080 0,105
29 0,367 0,470 700 0,074 0,097
30 0,361 0,463 800 0,070 0,091
31 0,355 0,456 900 0,065 0,086
32 0,349 0,449 1000 0,062 0,081
33 0,344 0,442 Sumber : Sugiyono, 2004
34 0,339 0,436
35 0,334 0,430
36 0,329 0,424
37 0,325 0,418
38 0,320 0,413
39 0,316 0,408
40 0,312 0,403
Lampiran Tabel |2
Nilai Tabel Distribusi t (signifikansi 5%)
db One tail Two tail db One tail Two tail
1 6,314 12,706 51 1,675 2,008

2 2,920 4,303 52 1,675 2,007
3 2,353 3,182 53 1,674 2,006
4 2,132 2,776 54 1,674 2,005
5 2,015 2,571 55 1,673 2,004
6 1,943 2,447 56 1,673 2,003
7 1,895 2,365 57 1,672 2,003
8 1,860 2,306 58 1,672 2,002
9 1,833 2,262 59 1,671 1,000
10 1,812 2,228 60 1,671 2,000
11 1,796 2,201 61 1,670 2,000
12 1,782 2,179 62 1,670 1,999
13 1,771 2,160 63 1,669 1,998
14 1,761 2,145 64 1,669 1,998
15 1,753 2,131 65 1,669 1,997
16 1,746 2,120 66 1,668 1,997
17 1,740 2,110 67 1,668 1,996
18 1,734 2,101 68 1,668 1,996
19 1,729 2,093 69 1,667 1,995
20 1,725 2,086 70 1,667 1,994
21 1,721 2,080 71 1,667 1,994
22 1,717 2,074 72 1,666 1,994
23 1,714 2,069 73 1,666 1,993
24 1,711 2,064 74 1,666 1,993
25 1,708 2,060 75 1,665 1,992
26 1,706 2,056 76 1,665 1,992
27 1,703 2,052 77 1,665 1,991
28 1,701 2,048 78 1,665 1,991
29 1,699 2,045 79 1,664 1,991
30 1,697 2,042 80 1,664 1,990
31 1,696 2,040 81 1,664 1,990
32 1,694 2,037 82 1,664 1,989
33 1,692 2,035 83 1,663 1,989
34 1,691 2,032 84 1,663 1,989
35 1,690 2,030 85 1,663 1,988
36 1,688 2,028 86 1,663 1,988
37 1,687 2,026 87 1,663 1,988
38 1,686 2,024 88 1,662 1,987
39 1,685 2,023 89 1,662 1,987
40 1,684 2,021 90 1,662 1,987
41 1,683 2,020 91 1,662 1,986
42 1,682 2,018 92 1,662 1,986
43 1,681 2,017 93 1,661 1,986
44 1,680 2,015 94 1,661 1,986
45 1,679 2,014 95 1,661 1,985
46 1,679 2,013 96 1,661 1,985
47 1,678 2,012 97 1,661 1,985
48 1,677 2,011 98 1,661 1,985
49 1,677 2,010 99 1,660 1,984
50 1,676 2,009 100 1,660 1,984
Sumber : Imam Ghozali, 2007
Lampiran Tabel |3
Nilai Tabel Distribusi F (signifikansi 5%)

db db Pembilang
Penyebut 1 2 3 4 5 6 7 8 9 10
1 161,448 199,500 215,707 224,583 230,162 233,986 236,768 238,883 240,543 241,882
2 18,513 19,000 19,164 19,247 19,296 19,330 19,353 19,371 19,385 19,396
3 10,128 9,552 9,277 9,117 9,013 8,941 8,887 8,845 8,812 8,786
4 7,709 6,944 6,591 6,388 6,256 6,163 6,094 6,041 5,999 5,964
5 6,608 5,786 5,409 5,192 5,050 4,950 4,876 4,818 4,772 4,735
6 5,987 5,143 4,757 4,534 4,387 4,284 4,207 4,147 4,099 4,060
7 5,591 4,737 4,347 4,120 3,972 3,866 3,787 3,726 3,677 3,637
8 5,318 4,459 4,066 3,838 3,687 3,581 3,500 3,438 3,388 3,347
9 5,117 4,256 3,863 3,633 3,482 3,374 3,293 3,230 3,179 3,137
10 4,965 4,103 3,708 3,478 3,326 3,217 3,135 3,072 3,020 2,978
11 4,844 3,982 3,587 3,357 3,204 3,095 3,012 2,948 2,896 2,854
12 4,747 3,885 3,490 3,259 3,106 2,996 2,913 2,849 2,796 2,753
13 4,667 3,806 3,411 3,179 3,025 2,915 2,832 2,767 2,714 2,671
14 4,600 3,739 3,344 3,112 2,958 2,848 2,764 2,699 2,646 2,602
15 4,543 3,682 3,287 3,056 2,901 2,790 2,707 2,641 2,588 2,544
16 4,494 3,634 3,239 3,007 2,852 2,741 2,657 2,591 2,538 2,494
17 4,451 3,592 3,197 2,965 2,810 2,699 2,614 2,548 2,494 2,450
18 4,414 3,555 3,160 2,928 2,773 2,661 2,577 2,510 2,456 2,412
19 4,381 3,522 3,127 2,895 2,740 2,628 2,544 2,477 2,423 2,378
20 4,351 3,493 3,098 2,866 2,711 2,599 2,514 2,447 2,393 2,348
21 4,325 3,467 3,072 2,840 2,685 2,573 2,488 2,420 2,366 2,321
22 4,301 3,443 3,049 2,817 2,661 2,549 2,464 2,397 2,342 2,297
23 4,279 3,422 3,028 2,796 2,640 2,528 2,442 2,375 2,320 2,275
24 4,260 3,403 3,009 2,776 2,621 2,508 2,423 2,355 2,300 2,255
25 4,242 3,385 2,991 2,759 2,603 2,490 2,405 2,337 2,282 2,236
26 4,225 3,369 2,975 2,743 2,587 2,474 2,388 2,321 2,265 2,220
27 4,210 3,354 2,960 2,728 2,572 2,459 2,373 2,305 2,250 2,204
28 4,196 3,340 2,947 2,714 2,558 2,445 2,359 2,291 2,236 2,190
29 4,183 3,328 2,934 2,701 2,545 2,432 2,346 2,278 2,223 2,177
30 4,171 3,316 2,922 2,690 2,534 2,421 2,334 2,266 2,211 2,165
31 4,160 3,305 2,911 2,679 2,523 2,409 2,323 2,255 2,199 2,153
32 4,149 3,295 2,901 2,668 2,512 2,399 2,313 2,244 2,189 2,142
33 4,139 3,285 2,892 2,659 2,503 2,389 2,303 2,235 2,179 2,133
34 4,130 3,276 2,883 2,650 2,494 2,380 2,294 2,225 2,170 2,123
35 4,121 3,267 2,874 2,641 2,485 2,372 2,285 2,217 2,161 2,114
36 4,113 3,259 2,866 2,634 2,477 2,364 2,277 2,209 2,153 2,106
37 4,105 3,252 2,859 2,626 2,470 2,356 2,270 2,201 2,145 2,098
38 4,098 3,245 2,852 2,619 2,463 2,349 2,262 2,194 2,138 2,091
39 4,091 3,238 2,845 2,612 2,456 2,342 2,255 2,187 2,131 2,084
40 4,085 3,232 2,839 2,606 2,449 2,336 2,249 2,180 2,124 2,077
41 4,079 3,226 2,833 2,600 2,443 2,330 2,243 2,174 2,118 2,071
42 4,073 3,220 2,827 2,594 2,438 2,324 2,237 2,168 2,112 2,065
43 4,067 3,214 2,822 2,589 2,432 2,318 2,232 2,163 2,106 2,059
44 4,062 3,209 2,816 2,584 2,427 2,313 2,226 2,157 2,101 2,054
45 4,057 3,204 2,812 2,579 2,422 2,308 2,221 2,152 2,096 2,049
46 4,052 3,200 2,807 2,574 2,417 2,304 2,216 2,147 2,091 2,044
47 4,047 3,195 2,802 2,570 2,413 2,299 2,212 2,143 2,086 2,039
48 4,043 3,191 2,798 2,565 2,409 2,295 2,207 2,138 2,082 2,035
49 4,038 3,187 2,794 2,561 2,404 2,290 2,203 2,134 2,077 2,030
50 4,034 3,183 2,790 2,557 2,400 2,286 2,199 2,130 2,073 2,026
51 4,030 3,179 2,786 2,553 2,397 2,283 2,195 2,126 2,069 2,022
Lampiran Tabel |4
db db Pembilang
Penyebut 1 2 3 4 5 6 7 8 9 10
52 4,027 3,175 2,783 2,550 2,393 2,279 2,192 2,122 2,066 2,018
53 4,023 3,172 2,779 2,546 2,389 2,275 2,188 2,119 2,062 2,015
54 4,020 3,168 2,776 2,543 2,386 2,272 2,185 2,115 2,059 2,011
55 4,016 3,165 2,773 2,540 2,383 2,269 2,181 2,112 2,055 2,008
56 4,013 3,162 2,769 2,537 2,380 2,266 2,178 2,109 2,052 2,005
57 4,010 3,159 2,766 2,534 2,377 2,263 2,175 2,106 2,049 2,001
58 4,007 3,156 2,764 2,531 2,374 2,260 2,172 2,103 2,046 1,998
59 4,004 3,153 2,761 2,528 2,371 2,257 2,169 2,100 2,043 1,995
60 4,001 3,150 2,758 2,525 2,368 2,254 2,167 2,097 2,040 1,993
61 3,998 3,148 2,755 2,523 2,366 2,251 2,164 2,094 2,037 1,990
62 3,996 3,145 2,753 2,520 2,363 2,249 2,161 2,092 2,035 1,987
63 3,993 3,143 2,751 2,518 2,361 2,246 2,159 2,089 2,032 1,985
64 3,991 3,140 2,748 2,515 2,358 2,244 2,156 2,087 2,030 1,982
65 3,989 3,138 2,746 2,513 2,356 2,242 2,154 2,084 2,027 1,980
66 3,986 3,136 2,744 2,511 2,354 2,239 2,152 2,082 2,025 1,977
67 3,984 3,134 2,742 2,509 2,352 2,237 2,150 2,080 2,023 1,975
68 3,982 3,132 2,740 2,507 2,350 2,235 2,148 2,078 2,021 1,973
69 3,980 3,130 2,737 2,505 2,348 2,233 2,145 2,076 2,019 1,971
70 3,978 3,128 2,736 2,503 2,346 2,231 2,143 2,074 2,017 1,969
71 3,976 3,126 2,734 2,501 2,344 2,229 2,142 2,072 2,015 1,967
72 3,974 3,124 2,732 2,499 2,342 2,227 2,140 2,070 2,013 1,965
73 3,972 3,122 2,730 2,497 2,340 2,226 2,138 2,068 2,011 1,963
74 3,970 3,120 2,728 2,495 2,338 2,224 2,136 2,066 2,009 1,961
75 3,968 3,119 2,727 2,494 2,337 2,222 2,134 2,064 2,007 1,959
76 3,967 3,117 2,725 2,492 2,335 2,220 2,133 2,063 2,006 1,958
77 3,965 3,115 2,723 2,490 2,333 2,219 2,131 2,061 2,004 1,956
78 3,963 3,114 2,722 2,489 2,332 2,217 2,129 2,059 2,002 1,954
79 3,962 3,112 2,720 2,487 2,330 2,216 2,128 2,058 2,001 1,953
80 3,960 3,111 2,719 2,486 2,329 2,214 2,126 2,056 1,999 1,951
81 3,959 3,109 2,717 2,484 2,327 2,213 2,125 2,055 1,998 1,950
82 3,957 3,108 2,716 2,483 2,326 2,211 2,123 2,053 1,996 1,948
83 3,956 3,107 2,715 2,482 2,324 2,210 2,122 2,052 1,995 1,947
84 3,955 3,105 2,713 2,480 2,323 2,209 2,121 2,051 1,993 1,945
85 3,953 3,104 2,712 2,479 2,322 2,207 2,119 2,049 1,992 1,944
86 3,952 3,103 2,711 2,478 2,321 2,206 2,118 2,048 1,991 1,943
87 3,951 3,101 2,709 2,476 2,319 2,205 2,117 2,047 1,989 1,941
88 3,949 3,100 2,708 2,475 2,318 2,203 2,115 2,045 1,988 1,940
89 3,948 3,099 2,707 2,474 2,317 2,202 2,114 2,044 1,987 1,939
90 3,947 3,098 2,706 2,473 2,316 2,201 2,113 2,043 1,986 1,938
91 3,946 3,097 2,705 2,472 2,315 2,200 2,112 2,042 1,984 1,936
92 3,945 3,095 2,704 2,471 2,313 2,199 2,111 2,041 1,983 1,935
93 3,943 3,094 2,703 2,470 2,312 2,198 2,110 2,040 1,982 1,934
94 3,942 3,093 2,701 2,469 2,311 2,197 2,109 2,038 1,981 1,933
95 3,941 3,092 2,700 2,467 2,310 2,196 2,108 2,037 1,980 1,932
96 3,940 3,091 2,699 2,466 2,309 2,195 2,106 2,036 1,979 1,931
97 3,939 3,090 2,698 2,465 2,308 2,194 2,105 2,035 1,978 1,930
98 3,938 3,089 2,697 2,465 2,307 2,193 2,104 2,034 1,977 1,929
99 3,937 3,088 2,696 2,464 2,306 2,192 2,103 2,033 1,976 1,928
100 3,936 3,087 2,696 2,463 2,305 2,191 2,103 2,032 1,975 1,927
Sumber : Compute dari SPSS
Lampiran Tabel |5
Nilai Tabel Distribusi F (signifikansi 5%)

db db Pembilang
Penyebut 12 14 16 18 20 22 24 26 28 30
1 243,906 245,364 246,464 247,323 248,013 248,579 249,052 249,453 249,797 250,095
2 19,413 19,424 19,433 19,440 19,446 19,450 19,454 19,457 19,460 19,462
3 8,745 8,715 8,692 8,675 8,660 8,648 8,639 8,630 8,623 8,617
4 5,912 5,873 5,844 5,821 5,803 5,787 5,774 5,763 5,754 5,746
5 4,678 4,636 4,604 4,579 4,558 4,541 4,527 4,515 4,505 4,496
6 4,000 3,956 3,922 3,896 3,874 3,856 3,841 3,829 3,818 3,808
7 3,575 3,529 3,494 3,467 3,445 3,426 3,410 3,397 3,386 3,376
8 3,284 3,237 3,202 3,173 3,150 3,131 3,115 3,102 3,090 3,079
9 3,073 3,025 2,989 2,960 2,936 2,917 2,900 2,886 2,874 2,864
10 2,913 2,865 2,828 2,798 2,774 2,754 2,737 2,723 2,710 2,700
11 2,788 2,739 2,701 2,671 2,646 2,626 2,609 2,594 2,582 2,570
12 2,687 2,637 2,599 2,568 2,544 2,523 2,505 2,491 2,478 2,466
13 2,604 2,554 2,515 2,484 2,459 2,438 2,420 2,405 2,392 2,380
14 2,534 2,484 2,445 2,413 2,388 2,367 2,349 2,333 2,320 2,308
15 2,475 2,424 2,385 2,353 2,328 2,306 2,288 2,272 2,259 2,247
16 2,425 2,373 2,333 2,302 2,276 2,254 2,235 2,220 2,206 2,194
17 2,381 2,329 2,289 2,257 2,230 2,208 2,190 2,174 2,160 2,148
18 2,342 2,290 2,250 2,217 2,191 2,168 2,150 2,134 2,119 2,107
19 2,308 2,256 2,215 2,182 2,155 2,133 2,114 2,098 2,084 2,071
20 2,278 2,225 2,184 2,151 2,124 2,102 2,082 2,066 2,052 2,039
21 2,250 2,197 2,156 2,123 2,096 2,073 2,054 2,037 2,023 2,010
22 2,226 2,173 2,131 2,098 2,071 2,048 2,028 2,012 1,997 1,984
23 2,204 2,150 2,109 2,075 2,048 2,025 2,005 1,988 1,973 1,961
24 2,183 2,130 2,088 2,054 2,027 2,003 1,984 1,967 1,952 1,939
25 2,165 2,111 2,069 2,035 2,007 1,984 1,964 1,947 1,932 1,919
26 2,148 2,094 2,052 2,018 1,990 1,966 1,946 1,929 1,914 1,901
27 2,132 2,078 2,036 2,002 1,974 1,950 1,930 1,913 1,898 1,884
28 2,118 2,064 2,021 1,987 1,959 1,935 1,915 1,897 1,882 1,869
29 2,104 2,050 2,007 1,973 1,945 1,921 1,901 1,883 1,868 1,854
30 2,092 2,037 1,995 1,960 1,932 1,908 1,887 1,870 1,854 1,841
31 2,080 2,026 1,983 1,948 1,920 1,896 1,875 1,857 1,842 1,828
32 2,070 2,015 1,972 1,937 1,908 1,884 1,864 1,846 1,830 1,817
33 2,060 2,004 1,961 1,926 1,898 1,873 1,853 1,835 1,819 1,806
34 2,050 1,995 1,952 1,917 1,888 1,863 1,843 1,825 1,809 1,795
35 2,041 1,986 1,942 1,907 1,878 1,854 1,833 1,815 1,799 1,786
36 2,033 1,977 1,934 1,899 1,870 1,845 1,824 1,806 1,790 1,776
37 2,025 1,969 1,926 1,890 1,861 1,837 1,816 1,798 1,782 1,768
38 2,017 1,962 1,918 1,883 1,853 1,829 1,808 1,790 1,774 1,760
39 2,010 1,954 1,911 1,875 1,846 1,821 1,800 1,782 1,766 1,752
40 2,003 1,948 1,904 1,868 1,839 1,814 1,793 1,775 1,759 1,744
41 1,997 1,941 1,897 1,862 1,832 1,807 1,786 1,768 1,752 1,737
42 1,991 1,935 1,891 1,855 1,826 1,801 1,780 1,761 1,745 1,731
43 1,985 1,929 1,885 1,849 1,820 1,795 1,773 1,755 1,739 1,724
44 1,980 1,924 1,879 1,844 1,814 1,789 1,767 1,749 1,733 1,718
45 1,974 1,918 1,874 1,838 1,808 1,783 1,762 1,743 1,727 1,713
46 1,969 1,913 1,869 1,833 1,803 1,778 1,756 1,738 1,721 1,707
47 1,965 1,908 1,864 1,828 1,798 1,773 1,751 1,733 1,716 1,702
48 1,960 1,904 1,859 1,823 1,793 1,768 1,746 1,728 1,711 1,697
49 1,956 1,899 1,855 1,819 1,789 1,763 1,742 1,723 1,706 1,692
50 1,952 1,895 1,850 1,814 1,784 1,759 1,737 1,718 1,702 1,687
51 1,947 1,891 1,846 1,810 1,780 1,754 1,733 1,714 1,697 1,683
Lampiran Tabel |6
db db Pembilang
Penyebut 12 14 16 18 20 22 24 26 28 30
52 1,944 1,887 1,842 1,806 1,776 1,750 1,729 1,710 1,693 1,678
53 1,940 1,883 1,838 1,802 1,772 1,746 1,725 1,706 1,689 1,674
54 1,936 1,879 1,835 1,798 1,768 1,743 1,721 1,702 1,685 1,670
55 1,933 1,876 1,831 1,795 1,764 1,739 1,717 1,698 1,681 1,666
56 1,930 1,873 1,828 1,791 1,761 1,735 1,713 1,694 1,678 1,663
57 1,926 1,869 1,824 1,788 1,757 1,732 1,710 1,691 1,674 1,659
58 1,923 1,866 1,821 1,785 1,754 1,729 1,706 1,687 1,671 1,656
59 1,920 1,863 1,818 1,781 1,751 1,725 1,703 1,684 1,667 1,652
60 1,917 1,860 1,815 1,778 1,748 1,722 1,700 1,681 1,664 1,649
61 1,915 1,857 1,812 1,776 1,745 1,719 1,697 1,678 1,661 1,646
62 1,912 1,855 1,809 1,773 1,742 1,716 1,694 1,675 1,658 1,643
63 1,909 1,852 1,807 1,770 1,739 1,714 1,691 1,672 1,655 1,640
64 1,907 1,849 1,804 1,767 1,737 1,711 1,689 1,669 1,652 1,637
65 1,904 1,847 1,802 1,765 1,734 1,708 1,686 1,667 1,650 1,635
66 1,902 1,845 1,799 1,762 1,732 1,706 1,683 1,664 1,647 1,632
67 1,900 1,842 1,797 1,760 1,729 1,703 1,681 1,661 1,644 1,629
68 1,897 1,840 1,795 1,758 1,727 1,701 1,678 1,659 1,642 1,627
69 1,895 1,838 1,792 1,755 1,725 1,698 1,676 1,657 1,640 1,624
70 1,893 1,836 1,790 1,753 1,722 1,696 1,674 1,654 1,637 1,622
71 1,891 1,834 1,788 1,751 1,720 1,694 1,672 1,652 1,635 1,620
72 1,889 1,832 1,786 1,749 1,718 1,692 1,669 1,650 1,633 1,618
73 1,887 1,830 1,784 1,747 1,716 1,690 1,667 1,648 1,631 1,615
74 1,885 1,828 1,782 1,745 1,714 1,688 1,665 1,646 1,629 1,613
75 1,884 1,826 1,780 1,743 1,712 1,686 1,663 1,644 1,626 1,611
76 1,882 1,824 1,778 1,741 1,710 1,684 1,661 1,642 1,625 1,609
77 1,880 1,822 1,777 1,739 1,708 1,682 1,660 1,640 1,623 1,607
78 1,878 1,821 1,775 1,738 1,707 1,680 1,658 1,638 1,621 1,605
79 1,877 1,819 1,773 1,736 1,705 1,679 1,656 1,636 1,619 1,604
80 1,875 1,817 1,772 1,734 1,703 1,677 1,654 1,634 1,617 1,602
81 1,874 1,816 1,770 1,733 1,702 1,675 1,652 1,633 1,615 1,600
82 1,872 1,814 1,768 1,731 1,700 1,674 1,651 1,631 1,614 1,598
83 1,871 1,813 1,767 1,729 1,698 1,672 1,649 1,629 1,612 1,597
84 1,869 1,811 1,765 1,728 1,697 1,670 1,648 1,628 1,610 1,595
85 1,868 1,810 1,764 1,726 1,695 1,669 1,646 1,626 1,609 1,593
86 1,867 1,808 1,763 1,725 1,694 1,667 1,645 1,625 1,607 1,592
87 1,865 1,807 1,761 1,724 1,692 1,666 1,643 1,623 1,606 1,590
88 1,864 1,806 1,760 1,722 1,691 1,664 1,642 1,622 1,604 1,589
89 1,863 1,804 1,758 1,721 1,690 1,663 1,640 1,620 1,603 1,587
90 1,861 1,803 1,757 1,720 1,688 1,662 1,639 1,619 1,601 1,586
91 1,860 1,802 1,756 1,718 1,687 1,660 1,638 1,618 1,600 1,585
92 1,859 1,801 1,755 1,717 1,686 1,659 1,636 1,616 1,599 1,583
93 1,858 1,800 1,753 1,716 1,684 1,658 1,635 1,615 1,597 1,582
94 1,857 1,798 1,752 1,715 1,683 1,657 1,634 1,614 1,596 1,581
95 1,856 1,797 1,751 1,713 1,682 1,655 1,632 1,613 1,595 1,579
96 1,854 1,796 1,750 1,712 1,681 1,654 1,631 1,611 1,594 1,578
97 1,853 1,795 1,749 1,711 1,680 1,653 1,630 1,610 1,592 1,577
98 1,852 1,794 1,748 1,710 1,679 1,652 1,629 1,609 1,591 1,576
99 1,851 1,793 1,747 1,709 1,678 1,651 1,628 1,608 1,590 1,574
100 1,850 1,792 1,746 1,708 1,676 1,650 1,627 1,607 1,589 1,573
Sumber : Compute dari SPSS
Lampiran Tabel |7
Nilai Tabel rho Spearman
N 5% (0,05) 2,5% (0,025) 1% (0,01) 0,5% (0,005)

5 0,900 - - -
6 0,829 0,886 0,943 -
7 0,714 0,786 0,893 -
8 0,643 0,738 0,833 0,881
9 0,600 0,683 0,783 0,833
10 0,564 0,648 0,745 0,794
11 0,523 0,623 0,736 0,818
12 0,497 0,591 0,703 0,780
13 0,475 0,566 0,673 0,745
14 0,457 0,545 0,646 0,716
15 0,441 0,525 0,623 0,689
16 0,425 0,507 0,601 0,666
17 0,412 0,490 0,582 0,645
18 0,399 0,476 0,564 0,625
19 0,388 0,462 0,549 0,608
20 0,377 0,450 0,534 0,591
21 0,368 0,438 0,521 0,576
22 0,359 0,428 0,508 0,562
23 0,351 0,418 0,496 0,549
24 0,343 0,409 0,485 0,537
25 0,336 0,400 0,475 0,526
26 0,329 0,392 0,465 0,515
27 0,323 0,385 0,456 0,505
28 0,317 0,377 0,448 0,496
29 0,311 0,370 0,440 0,487
30 0,305 0,364 0,432 0,478
Sumber : Djarwanto Ps., 1997
Lampiran Tabel |8
Nilai Tabel Chi Kuadrat
db 5% (0,05) 1% (0,01) db 5% (0,05) 1% (0,01)
1 3,841 6,635 35 49,802 57,342

2 5,991 9,210 36 50,998 58,619
3 7,815 11,345 37 52,192 59,893
4 9,488 13,277 38 53,384 61,162
5 11,070 15,086 39 54,572 62,428
6 12,592 16,812 40 55,758 63,691
7 14,067 18,475 41 56,942 64,950
8 15,507 20,090 42 58,124 66,206
9 16,919 21,666 43 59,304 67,459
10 18,307 23,209 44 60,481 68,710
11 19,675 24,725 45 61,656 69,957
12 21,026 26,217 46 62,830 71,201
13 22,362 27,688 47 64,001 72,443
14 23,685 29,141 48 65,171 73,683
15 24,996 30,578 49 66,339 74,919
16 26,296 32,000 50 67,505 76,154
17 27,587 33,409 Sumber : Compute dari SPSS
18 28,869 34,805
19 30,144 36,191
20 31,410 37,566
21 32,671 38,932
22 33,924 40,289
23 35,172 41,638
24 36,415 42,980
25 37,652 44,314
26 38,885 45,642
27 40,113 46,963
28 41,337 48,278
29 42,557 49,588
30 43,773 50,892
31 44,985 52,191
32 46,194 53,486
33 47,400 54,776
34 48,602 56,061
Lampiran Tabel |9
Tabel Wilayah Luas Di Bawah Kurva Normal
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
L a m p i r a n T a b e l | 10
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998

4334 61201 0323106401 PDF

Diunggah oleh

Informasi Dokumen

Judul 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

4334 61201 0323106401 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

BAHAN KULIAH

JAYADI – UNIVERSITAS IPWIJA Page 1

JAYADI – UNIVERSITAS IPWIJA Page 2

D. Pendekatan Dalam Statistik

JAYADI – UNIVERSITAS IPWIJA Page 3

E. Beberapa Istilah Dalam Statistik

JAYADI – UNIVERSITAS IPWIJA Page 4

1. Untuk mengetahui atau memperoleh gambaran tentang sesuatu keadaan atau

JAYADI – UNIVERSITAS IPWIJA Page 5

C. Syarat Data Yang Baik

JAYADI – UNIVERSITAS IPWIJA Page 6

Menurut waktu pengumpulannya, data dapat dibagi menjadi dua, yakni :

JAYADI – UNIVERSITAS IPWIJA Page 7

JAYADI – UNIVERSITAS IPWIJA Page 8

F. Perbedaan dan Persamaan Skala

Tabel 2.1. Persamaan dan Perbedaan Skala

Sifat Skala Jenis Skala

JAYADI – UNIVERSITAS IPWIJA Page 9

Gambar 2.1. Macam-macam Data

JAYADI – UNIVERSITAS IPWIJA Page 10

A. Istilah-Istilah dalam Distribusi Frekuensi

Kelas : 41-50, 51-60, 61-70, 71-80, 81-90, 91-100

B. Jenis-Jenis Distribusi Frekuensi

JAYADI – UNIVERSITAS IPWIJA Page 11

JAYADI – UNIVERSITAS IPWIJA Page 12

JAYADI – UNIVERSITAS IPWIJA Page 13

A. Histogram (Diagram Bar = Diagram Batang)

Tabel 4.1. Nilai Matematika

Gambar 4.1. Histogram 1(Diagram Batang)

JAYADI – UNIVERSITAS IPWIJA Page 14

Nilai F Ttitik Tengah Bb

JAYADI – UNIVERSITAS IPWIJA Page 15

Gambar 4.3. Grafik Poligon (Diagram Garis)

Tabel 4.3. Nilai Statistik (2)

JAYADI – UNIVERSITAS IPWIJA Page 16

D. Diagram Lingkaran (Piechart)

Tabel 4.4. Tingkat Pendidikan Pegawai STIE IPWIJA

Pendidikan Frekuensi Derajad

JAYADI – UNIVERSITAS IPWIJA Page 17

Gambar 4.5. Diagram Lingkaran (Piechart)

JAYADI – UNIVERSITAS IPWIJA Page 18

A. Mean (Rata-Rata = Rerata)

Hitung Nilai Rata-rata (mean) dari data di bawah ini :

2. Nilai Rata-Rata Perkiraan :

JAYADI – UNIVERSITAS IPWIJA Page 19

Hitung Nilai Rata-rata (mean) dari data di bawah ini :

B. Median (Nilai Tengah)

JAYADI – UNIVERSITAS IPWIJA Page 20

Hitung nilai median dari data di bawah ini :

C. Modus (Mode = Nilai sering muncul)

JAYADI – UNIVERSITAS IPWIJA Page 21

Hitung nilai modus dari data di bawah ini :

JAYADI – UNIVERSITAS IPWIJA Page 22

D. Hubungan Antara Mean, Median dan Modus

JAYADI – UNIVERSITAS IPWIJA Page 23

Diketahuai : Bb = 61,5 N = 40 FKb = 4

JAYADI – UNIVERSITAS IPWIJA Page 24

Diketahuai : Bb = 61,5 N = 40 FKb = 4

JAYADI – UNIVERSITAS IPWIJA Page 25

JP = (( x – Bb) Fd + FKb) x 100 / N

Tabel 5.1. Nilai Seleksi Pegawai

Nilai 77 terletak kelas : 75 - 79

JAYADI – UNIVERSITAS IPWIJA Page 26