See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/368243623

STATISTIKA DASAR

Book · January 2022

CITATIONS READS
0 198

3 authors, including:

Priati Assiroj Bobby Briando

Politeknik Imigrasi Universiti Utara Malaysia
30 PUBLICATIONS   57 CITATIONS    38 PUBLICATIONS   100 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Penerapan Data Mining Pada Data Transaksi Superstore Untuk Mengetahui Kemungkinan Pelanggan Membeli Product Category Dan Product Container Secara Bersamaan
Dengan Teknik Asosiasi Menggunakan Algoritma Apriori View project

PROPHETIC ETHICS View project

All content following this page was uploaded by Priati Assiroj on 04 February 2023.

The user has requested enhancement of the downloaded file.

STATISTIKA DASAR

i
STATISTIKA DASAR

- Priati, S.Kom, M.Kom

Penulis - Rasona Akbar, S. Pd., M.M
- Bobby Briando,SE., MSA
Editor

Desain sampul dan tata letak : -

ISBN : -
Anggota IKAPI : No 348/Anggota Luar Biasa/JBA/2020

Penerbit : Politeknik Imigrasi

Redaksi : Jalan Raya Gandul No. 4 Cinere-Depok, telp dan fax (021) 7530001
Laman : www.politeknikimigrasi.ac.id

Cetakan pertama, Januari 2022

dilarang menerbitkan kembali, menyebarluaskan

atau menyimpan, baik sebagian maupun seluruh isi
buku dalam bentuk dan dengan cara apapun tanpa
izin tertulis dari Politeknik Imigrasi

no part of this document may be copied, reproduced,

printed, distributed, modified, removed and amended in
any form by any means without prior written
authorization of Immigration Polytechnic

hak cipta dilindungi undang-undang @Politeknik Imigrasi 2022

ii
 KATA PENGANTAR

Puji dan syukur kepada Allah SWT, Tuhan semesta alam, berkat rahmat dan
karunia-Nya buku Statistika Dasar dapat terselesaikan dengan baik.
Buku ini merupakan sarana untuk membantu proses pembelajaran pada
matakuliah Statistika Dasar yang penulis susun dari berbagai sumber yang
disesuaikan dengan kebutuhan pembelajaran di kampus.
Penulis menyadari bahwa dalam penyusunan buku ini masih terdapat banyak
kekurangan yang perlu diperbaiki. Oleh karena itu penulis mengharapkan kritik dan saran
yang membangun sehingga dimasa mendatang buku ini akan lebih berkembang.

Depok, Januari 2022

Penulis

iii
 DAFTAR ISI

KATA PENGANTAR....................................................................................................................................... iii

DAFTAR ISI ................................................................................................................................................... iv
BAB 1 KONSEP DASAR STATISTIK................................................................................................................. 1
1. Pengertian Statistik .......................................................................................................................... 1
2. Metode Statistik ............................................................................................................................... 1
3. Pengumpulan Data ........................................................................................................................... 3
4. Cara pengumpulan data statistik ..................................................................................................... 3
5. Konsep Penyajian Data .................................................................................................................... 4
6. Data berdasarkan sumbernya .......................................................................................................... 4
7. Data berdasarkan Jenisnya .............................................................................................................. 5
8. Data................................................................................................................................................... 5
9. Populasi vs Sampel ........................................................................................................................... 6
BAB 2 STATISTIK DESKRIPTIF........................................................................................................................ 7
1. Pengertian Statistik Deskriptif ......................................................................................................... 7
2. Langkah -langkah kegiatan statistic deskriptif: ............................................................................... 7
3. Tujuan Statistik Deskriptif................................................................................................................ 7
4. Mean (Rata-rata) .............................................................................................................................. 8
5. Median (Nilai Tengah) ...................................................................................................................... 9
6. Modus/ Mode (Nilai paling sering muncul)................................................................................... 10
7. Kuartil ............................................................................................................................................. 11
8. Desil ................................................................................................................................................ 11
9. Persentil .......................................................................................................................................... 12
10. Soal Latihan ................................................................................................................................ 13
BAB 3 STATISTIK INFERENSIAL ................................................................................................................... 14
1. Pengertian Statistik Inferensial...................................................................................................... 14
2. Langkah-langkah kegiatan statistik inferensial: ............................................................................ 14
3. Jenis Statistik Inferensial ................................................................................................................ 15
4. Istilah dalam statistik inferensial ................................................................................................... 15
5. Langkah-langkah pemilihan metode statistik ............................................................................... 16
6. Jenis statistik inferensial ................................................................................................................ 17

iv
 7. Statistik Parametrik ........................................................................................................................ 18
8. Statistik non parametrik ................................................................................................................ 19
9. Workflow of statistic inferential .................................................................................................... 19
10. Uji parametrik dan non parametrik ........................................................................................... 20
11. Variabel penelitian ..................................................................................................................... 20
12. Uji hipotesa................................................................................................................................. 20
13. Teknik Analisis Data ................................................................................................................... 23
BAB 4 PENGOLAHAN DATA DENGAN MENGGUNAKAN SPSS ................................................................... 25
BAB 5 UJI VALIDITAS .................................................................................................................................. 34
BAB 6 UJI RELIABILITAS .............................................................................................................................. 37
BAB 7 UJI NORMALITAS ............................................................................................................................. 39
BAB 8 UJI HOMOGENITAS .......................................................................................................................... 41
BAB 9 METODE SUKSESIF INTERVAL (METHOD OF SUCCESSIVE INTERVAL/MSI) .................................... 43
BAB 10 REGRESI LINIER SEDERHANA ......................................................................................................... 47
DAFTAR PUSTAKA....................................................................................................................................... 50

v
 BAB I

KONSEP DASAR STATISTIK

1. Pengertian Statistik

Statistik adalah ilmu yang mempelajari cara pengumpulan data, pengolahan data,
penyajian data serta analisis data sehingga menjadi suatu informasi yang berguna bagi
pengambilan keputusan. Statistik adalah ilmu atau metode penarikan kesimpulan umum
(seluruh objek/populasi) dari data kuantitatif yang terbatas ( sampel atau yang mewakili).

Dalam undang-undang nomor 16 tahun 1997 tentang statistik, pengertian statistik

memiliki tiga dimensi, yaitu data atau informasi yang berupa angka , system yang
memadukan penyelenggaraan statistik, serta ilmu atau metode yang mempelajari cara
pengumpulan, pengolahan, penyajian, dan analisis data.

2. Metode Statistik

a. Descriptive statistic merupakan statistic yang mengandung metode dan prosedur

yang digunakan untuk pengumpulan, pengorganisasian, presentasi dan
memberikan karakteristik terhadap himpunan data. Metode deskriptip adalah
cabang ilmu pengetahuan tentang segala metode guna mengumpulkan,
mengolah, menyajikan dan menganalisa data kuantitatif secara deskriptip
(menguraikan atau menjelaskan).
Statistik deskriptif berbentuk tabel, diagram, atau grafik data yang disajikan untuk
memberikan informasi dari kumpulan data yang ada. Penyajian statistic deskriptif
dapat dilakukan dalam bentuk data numerik (angka) atau dalam bentuk gafis.
Contoh dati statistic deskriptif adalah:
▪ Grafik Warga Negara Asing (WNA) yang masuk wilayah Indonesia selama
2015 sampai dengan 2021.
▪ Tabel permohonan paspor dari bulan Januari 2021 sampai dengan
Desember 2021.

1
 ▪ Diagram pelanggaran Keimigrasian yang dilakukan Warga Negara Asing
(WNA) selama 2015 sampai dengan tahun 2021.
b. Inferential statistics mengandung prosedur yang digunakan untuk mengambil
suatu inferensi (kesimpulan) tentang karakteristik populasi atas dasar informasi
yang dikandung dalam sebuah sampel. Metode stastistik inferens adalah metode
statistic deskriptip atau dilanjutkan dengan teknik penarikan kesimpulan tentang
ciri-ciri populasi (objek seluruhnya) yang tertentu (terdefinisi dengan jelas) dari
hasil perhitungan sample yang dipilih secara random dari populasi.
Statistic inferensial berfungsi meramalkan dan mengontrol keadaan atau
kejadian. Berikut beberapa contoh pernyataan termasuk dalam cakupan statistic
inferensial:
▪ Akibat meningkatknya penyebaran covid-19 dan kebijakan Work From Home
(WFH), diramalkan jumlah produksi produk perusahaan semakin menurun
dan pengangguran meningkat dua kali lipat pada tahun-tahun mendatang.
▪ Dengan mengasumsikan bahwa dengan diresmikannya sirkuit MotoGP
Mandalika pada tahun 2021, maka peningkatan kedatangan Warga Negara
Asing di tahun 2022 nanti meningkat 200%.

Gambar 1. Statistik Deskriptif vs Statistik Inferensial

2
3. Pengumpulan Data

a. Data yang tersedia harus: akurat, up to date, comprehensive dan relevan.

Dianjurkan data primer
b. Data asli: mengumpulkn sendiri dengan wawancara langsung atau kuisioner.
Perlu merencanakan bentuk petanyaan (5W + 1H). Pertanyaan harus jelas,
hindari yang sensitive, arahkan jawaban ke obyektif (mudah ditabelkan),
perhatikan juklak dan susunan pertanyaan sistimatis.

4. Cara pengumpulan data statistik

a. Wawancara merupakan observasi yang bersifat langsung. Perlu disiapkan

pertanyaan untuk memperoleh jawaban/ umpan balik yang relevan. Jawaban
bisa didesain berbentuk:
1) Jawaban alternative: multiple choice → A, B, C, dan D
2) Jawaban tertentu: ya/ tidak, likert → STS, TS, RR, S, SS
3) Jawaban terbuka: essay/ uraian/ deskripsi/ bertutur tulis
4) Jawaban skala: Gaji: 0-<1jt, 1jt-<2jt, 2jt-<3jt, dst
b. Kuesioner: serangkaian pertanyaan yang disampaikan secara tidak langsung,
menggunakan media surat, email, sms, website ditujukan untuk diisi oleh
responden. Pertanyaan harus jelas/ tidak meragukan. Kelemahannya: ada
kemungkinana tidak memperoleh jawaban dan akurasi kebenaran tidak dapat/
sulit dikonfirmasi.
1) Kuesioner terbuka, dimana responden dapat menuliskan pendapat
pribadinya sesuai dengan pertanyaan yang tercantum.
2) Kuesioner tertutup, dimana terdapat daftar pertanyaan dan disediakan
pilihan jawabannya.
3) Kuesioner campuran, yang merupakan perpaduan antara kuesioner terbuka
dan kuesioner tertutup.
c. Tes dan Skala Obyektif, digunakan dalan riset psikologi. Misalnya Test
kecerdasan dan bakat, test prestasi dan tes tentang sikap → persepsi.
d. Observasi Tingkah Laku, mengungkap tingkah laku yang sebenarnya.

3
 e. Metode Proyektif, responden diminta untuk menggambar, menulis essay, dll.
supaya bisa mengevaluasi emosi, motif & sikapnya.

5. Konsep Penyajian Data

Data yang telah dikumpulkan, baik berasal dari populasi maupun sampel akan
bermanfaat sebelum diolah dan disajikan. Data yang diperoleh dari pengumpulan data,
baik dengan cara wawancara, pengamatan, pengukuran dan kuesioner (data primer)
sifatnya masih kasar dan mentah. Data yang telah diolah sesuai dengan yang diinginkan,
kemudian harus disajikan dalam bentuk penyajian data yang mudah dimengerti
maknanya dan mudah diinterprestasikan. Pada hakekatnya secara umum ada tiga
bentuk penyajian data yang digunakan yaitu: penyajian dalam bentuk tulisan, table, dan
grafik/diagram/gambar.

a. Penyajian dalam bentuk ini merupakan penyajian data yang sederhana. Kemampuan
untuk menerangkan data statistic sangat terbatas, dengan demikian sangat sulit
memberikan gambaran yang tepat mengenai perbandingan, antar situasi dan
perkembangan. Disamping itu juga kadang-kadang membingungkan, tidak efisien
dan tidak efektif. Contoh: Luas wilayah bagian kota A adalah 50 km2, bagian kota B
adalah 25 km2, dan bagian kota C adalah 30 km2
b. Batang (bar graph), untuk perbandingan/ pertumbuhan
c. Lingkaran (pie chart), untuk melihat perbandingan (dalam persentase/ proporsi)
d. Grafik garis (line chart), untuk melihat pertumbuhan
e. Grafik peta, untuk melihat/ menunjukan lokasi.

6. Data berdasarkan sumbernya

a. Data Primer: data yang didapatkan atau dikumpulkan sendiri. Misalnya, dengan
melakukan wawancara, observasi atau penelitian di lapangan atau laboratorium
b. Data Sekunder: data yang didapat dari pihak atau sumber lain. Misalnya, dari
buku, website atau repository daring, dokumen pemerintah atau data providers
seperti BPS, LIPI, BATAN, BRIN, dan lain sebagainya.

4
7. Data berdasarkan Jenisnya

a. Data numerik (kuantitatif) → dinyatakan dalam besaran numerik (angka).

Misalnya, data pendapatan per kapita, pengeluaran, harga, jarak, dll
b. Data kategorik ( kualitatif) → diklasifikasikan berdasarkan kategori/ kelas tertentu.
Misalnya, kategori mahasiswa berprestasi dan tidak berprestasi, kategori kota
kecil, sedang dan besar.

8. Data

Datum adalah keterangan atau informasi berupa symbol, angka, atau bahasa.
Kumpulan dari datum disebut data, dapat berupa sesuatu yang diketahui atau anggapan,
yang menjadi keterangan dari suatu hal. Biasanya, sesuatu yang diketahui itu diperoleh
dari hasil pengamatan.

Data mentah (Raw data) diperoleh dari hasil pengukuran suatu variable pada
sample yg diambil dari suatu populasi menggunakan teknik pengambilan sample tertentu.

a. Data nominal, data berskala nominal adalah data yang diperoleh dengan cara
kategorisasi atau klasifikasi. Ciri-cirinya posisi data setara, tidak bisa dilakukan
operasi matematika (+, -, x, : ). Contoh: Jenis kelamin dan jenis pekerjaan
b. Data ordinal, data berskala ordinal adalah data yang diperoleh dengan cara
kategorisasi atau klasifikasi, tetapi diantara data tersebut terdapat hubungan. Ciri-
cirinya posisi data setara, tidak bisa dilakukan operasi matematika (+, -, x, : ). Contoh:
nilai prestasi, system kepangkatan dalam militer.
c. Data interval, data berskala interval adalah data yang diperoleh dengan cara
pengukuran, dimana jarak antara dua titik skala sudah diketahui. Ciri-cirinya tidak ada
kategorisasi, bisa dilakukan operasi matematika. Contoh: temperature yang diukur
berdasarkan 0C dan 0F, kecerdasan intelektual
d. Data rasio, data berskala rasio adalah data yang diperoleh dengan cara pengukuran,
dimana jarak antara dua titik skala sudah diketahui dan mempunyai titik 0 absolut.
Ciri-cirinya tidak ada kategorisasi bisa dilakukan operasi matematika. Contoh: gaji,
skor ujian dan jumlah buku.

5
9. Populasi vs Sampel

a. Populasi: Keseluruhan pengamatan

b. Sample = Contoh: Himpunan bagian populasi
c. Ukuran populasi = N: banyak anggota populasi
d. Ukuran Populasi = n: Banyak anggota sampel
e. Bias suatu sampel: Perbedaan ciri sampel dengan ciri populasi tempat sampel
diambil
f. Sampel yang baik adalah sampel dengan bias minimal.
g. Sampel Acak: Sampel yang diambil dari populasi di mana setiap anggota populasi
memiliki peluang yang sama terpilih sebagai anggota sampel. Cara pengacakan :
1) Undian,
2) Tabel Bilangan Acak
3) Program komputer Tabel Bilangan Acak
h. Parameter: nilai yang menyatakan ciri populasi
i. Statistik (Statistic): nilai yang menyatakan ciri sampel

6
 BAB 2

STATISTIK DESKRIPTIF

1. Pengertian Statistik Deskriptif

Statistik Deskriptif (tanpa analisis, tanpa generalisasi, tanpa pengujian hipotesis,

dan hanya melakukan perhitungan-perhitungan). Disajikan dalam bentuk tabel distribusi
frekuensi (mean, modus, median), bar-diagram, histogram, polygon, dll. Statistika
deskriptif kurang lebih merupakan metode untuk merangkum informasi yang telah kita
kumpulkan. Rangkuman informasi biasa ditampilkan dalam bentuk grafik atau dalam
bentuk nilai rata-rata, persentase dan yang lainnya.

2. Langkah -langkah kegiatan statistic deskriptif:

a. Pengumpulan data
b. Pengolahan data (diurutkan atau digolongkan)
c. Penyajian data dalam tabel atau grafik
d. Penafsiran sajian data
e. Pemanfaat penafsiran dan kesimpulan utk penentuan kegiatan penelitian lebih
lanjut

3. Tujuan Statistik Deskriptif

Statistika deskriptif digunakan untuk mendeskripsikan, meringkas dan membuat

summary data agar lebih mudah dibaca dan digunakan. Statistika deskriptif bertujuan
untuk memberikan ringkasan dari sampel data dan tidak menggunakan data untuk
membuat kesimpulan atas populasi. Memanfaatkan statistika dalam berbagai hal,
misalnya, kita bisa menyampaikan informasi dengan lebih jelas dengan menggunakan
statistika deskriptif terutama menggunakan grafik. Selain itu juga bertujuan untuk
mengetahui tendensi sentral dan ukuran letak data. Ukuran tendensi sentral adalah
angka atau nilai yang menjadi pusat suatu distribusi frekuensi.

7
 Distribusi berasal dari bahasa inggris distribution yang berarti penyaluran,
pembagian atau pencaran, sedangkan frekuensi berasal dari frequency yang berarti
kekerapan atau keseringan.
Distribusi frekuensi dapat diartikan suatu keadaan yang menggambarkan
bagaimana frekuensi dari gejala atau variabel yang dilambangkan dengan angka itu telah
tersalur, terbagi, tersebar, dan terpancar. Ada tiga ukuran sentral (ukuran pemusatan)
yaitu: Mean, Median dan Modus Selain sebagai ukuran pemusatan, statistika deskriptif
juga dapat menujukkkan letak skor dalam susunan skor yang telah diurutkan dari terkecil
ke terbesar, yaitu letak di tengah. Jadi, dapat dianggap bahwa ukuran letak membagi
data yang telah diurutkan tersebut menjadi dua subkelompok yang sama banyak. Ada
tiga ukuran letak, yaitu: Kuartil, Desil, dan Persentil.

4. Mean (Rata-rata)

Mean adalah rata-rata atau rata-rata hitung (aritmathic mean) atau sering disingkat

dengan mean, yang umumnya dilambangkan (disimbolkan) dengan huruf M atau X

Mean dari sekelompok angka adalah jumlah dari keseluruhan angka yang ada, dibagi
dengan banyaknya angka tersebut.

𝑀 = ∑𝑋

Contoh kasus:

Data sepuluh hari pertama di bulan oktober 2021 pada Kantor Imigrasi Kelas I X
menunjukkan angka pemohon visa sebagai berikut: 3,5,5,5,6,6,6,7,8,9. Apabila pemohon
dijumlahkan maka diperoleh nilai 50. Maka berapa mean dari data pemohon visa
tersebut?

∑𝑋 50
M= = 10 = 5
𝑁

8
5. Median (Nilai Tengah)

Median adalah nilai rata-rata pertengahan atau nilai posisi tengah, yaitu suatu nilai
atau suatu angka yang membagi distribusi data dalam dua bagian yang sama besar.
Dengan kata lain, median merupakan suatu angka atau nilai yang membatasi 50%
ke bawah dan 50% keatas. Biasanya,median dilambangkan dengan Mdn, Me, atau Mn.

𝑁 1
Rumus: ( 2 + 2)

Contok kasus:
Berikut data harian dari hasil pengawasan orang asing pada Kantor Imigrasi Kelas I
X: 15 , 19, 20, 22, 25, 28, 40, 42, 57, 60, 62. Jumlah hari pengawasan (Jumlah N=11
Data Ganjil), berapa nilai median dari data tersebut:

𝑁 1 11 1
Letak Median = +2= +2
2 2

= 5,5 + 0,5 = 6

Jadi letak median dari kumpulan data tersebut berada pada urutan ke – 6 yaitu skor
28.
Median dari 15, 19, 20, 22, 25, 28, 40, 42, 57, 60 (Jumlah N=10 Data Genap) dapat
dicari seperti berikut:

𝑁 1 10 1
Letak Median = +2= +2
2 2

= 5 + 0,5 = 5,5

Median ini terletak pada posisi 5 = 25 dan 6 = 28, sehingga Median=

1 1
Mdn = 25 + 2 (28-25) atau Mdn = 28 - 2 (28-25)

1 1
25 + ( 2 x 3) 28 - ( 2 x 3)

25 + 1,5 = 26,5 28 – 1,5 = 26,5

9
6. Modus/ Mode (Nilai paling sering muncul)

Modus atau mode adalah suatu nilai yang paling sering muncul dalam suatu
distribusi. Dengan kata lain, modus merupakan suatu nilai yang frekuensinya paling besar
atau paling banyak Biasanya, modus dilambangkan dengan Mo.
Contoh kasus:
Berikut tabel distribusi frekuensi untuk data nilai mata kuliah statistik keimigrasian
dari 45 orang taruna poltekim prodi X.

Nilai (X) f

100 5

90 10

80 20

70 5

60 5

Total ∑ 𝑁 =45

Dari tabel diatas, dapat diketahui bahwa modus dari data tersebut adalah 80. Sebab,
nilai 80 memiliki frekuensi terbesar di antara skor-skor yang lain

10
7. Kuartil

Kuartil adalah bilangan yang dianggap dapat membagi data yang telah diurutkan dari
terkecil ke terbesar, menjadi empat subkelompok yang sama banyak. Dengan kata lain,
kuartil merupakan data (nilai) yang memisahkan tiap-tiap 25% frekuensi dalam distribusi.
Untuk itu, dalam susunan data, terdapat tiga letak nilai yang disebut kuartil 1 (𝐾1 / 𝑄1),
kuartil 2 (𝐾2 / 𝑄2 ), dan kuartil 3 (𝐾3 / 𝑄3 ).
𝑛+1
Rumus Letak 𝐾1 = pada urutan skor ke – ix 4

Contoh kasus:
Diketahui data pendaratan yang telah diurutkan: 3,6, 10, 12, 15, 18, 20, 24, 28 (n =
9). Tentukan 𝐾1 , 𝐾2 , 𝐾3 ?
𝐾1 terletak pada urutan skor ke?
9+1 10 1
1x =1x = 2 2 (skor ke- 2,5)
4 4
1 1 1
Skor ke 2 2 = 6 + 2 (skor ke3 – skor ke2) = 6 + 2 (10-6) = 6 + 2 = 8

𝐾2 terletak pada urutan skor ke?

9+1 10
2x =2x = 5, jadi skor ke 5 = 15
4 4

𝐾3 terletak pada urutan skor ke?

9+1 10 1
3x =3x =72
4 4
1 1 1
Skor ke 7 2 = 20 + 2 (Skor ke8 – skor ke7) = 20 + 2 (24-20) = 20 + 2 = 22

8. Desil

Desil adalah bilangan yang dianggap dapat membagi data yang telah diurutkan dari
terkecil ke terbesar, menjadi sepuluh subkelompok yang sama banyak. Dengan kata lain,
desil merupakan deretan nilai yang dibagi sepuluh , sehingga ada sembilan letak desil,
yaitu 𝐷1 , 𝐷2 , 𝐷3 , 𝐷4 , 𝐷5 , 𝐷6 , 𝐷7 , 𝐷8 , dan 𝐷9 ,
𝑛+1
Rumus letak 𝐷1 = pada urutan skor ke – ix 10

Contoh kasus:
Diketahui data pendaratan yang telah diurutkan: 3,6, 10, 12, 15, 18, 20, 24, 28 (n =
9). Tentukan 𝐷3 dan 𝐷7 ?

11
 𝐷3 terletak pada urutan skor ke?
9+1 10
3x = 3 x 10 = 3, jadi skor ke 3 = 10
10

𝐷7 terletak pada urutan skor ke?

9+1 10
7x =7x = 7, jadi skor ke 7 = 20
10 10

9. Persentil

Persentil adalah bilangan yang dianggap dapat membagi data yang telah diurutkan
dari terkecil ke terbesar, menjadi seratus subkelompok yang sama banyak. Dengan kata
lain, persentil merupakan deretan nilai yang dibagi 100, sehingga ada 99 letak nilai
persentil yaitu 𝑃1 , 𝑃2 , 𝑃3 , 𝑃4 , 𝑃5 , 𝑃6 , sampai dengan 𝑃99 . Rumus Letak 𝑃1 = pada urutan
𝑛+1
skor ke – ix .
100

Contoh kasus:
Diketahui data pendaratan yang telah diurutkan: 3,6, 10, 12, 15, 18, 20, 24, 28 (n =
9). Tentukan 𝑃35 dan 𝑃45 ?

𝑃35 terletak pada urutan skor ke?

9+1 10 1
35 x = 35 x 100 = 3 2, (skor ke 3,5)
100

1 1 1
Skor ke 3 2 = 10 + 2 (skor ke4 – skor ke3)= 10 + 2 (12-10) = 10 + 1 =11

𝑃45 terletak pada urutan skor ke?

9+1 10 1
45 x = 45 x = 4 2, (skor ke 4,5)
100 100

1 1 1
Skor ke 4 2 = 12 + 2 (skor ke5 – skor ke4)= 12 + 2 (15-12) + 12 + 1,5 =13,5

12
10. Soal Latihan

1. Cari mean, median dan modus dengan menggunakan data di bawah ini:

Tanggal Pemohon

1 3
2 5
3 5
4 5
5 6
6 6
7 6
8 7
9 8
10 9

2. Cari kuartil (K3), Desil (D8), dan Persentil (P20)

Tanggal WNA

1 3

2 6

3 10

4 12

5 15

6 18

7 20

8 24

9 28

13
 BAB 3

STATISTIK INFERENSIAL

1. Pengertian Statistik Inferensial

Statistik Inferensial adalah statistik yang digunakan untuk menggeneralisasikan data

sampel terhadap populasi. Untuk memberi peluang sejauh mana kebenaran data sampel
terhadap populasi, maka peneliti menentukan nilai α (tingkat signifikansi). Statistika
inferensial mencakup proses analisis pada data yang diperoleh dari proses sampling dan
digunakan untuk membuat pendugaan populasi di mana sampel diambil. Contoh dari
proses statistika inferensial adalah pengujian hipotesis. Statistika inferensial dilakukan
dengan membuat kesimpulan tentang suatu populasi berdasarkan sampel yang terbatas.
Proses ini berkaitan erat dengan proses pendugaan estimasi terhadap parameter.
Statistika inferensial adalah bagian statistika yang membahas cara melakukan analisi
data, menaksir, meramalkan, dan menarik kesimpulan terhadap data, fenomena,
persoalan yang lebih luas atau populasi dari data.

2. Langkah-langkah kegiatan statistik inferensial:

a. Pengumpulan data
b. Pengolahan data (diurutkan atau digolongkan)
c. Penyajian data dalam tabel atau grafik
d. Penafsiran sajian data
e. Analisa data
f. Penafsiran dan pengambilan kesimpulan
g. Pemanfaat penafsiran dan kesimpulan utk penentuan kegiatan penelitian lebih lanjut

14
 Gambar 2. Langkah-langkah kegiatan Statistik Inferensial

Kegiatan statistika inferensial meliputi: pengujian hipotesis, estimasi dan mengambil

keputusan. Ruang lingkup statistika inferensial meliputi analisis korelasi, regresi, analisis
varians, kovarians dan uji statistik lainnya.

3. Jenis Statistik Inferensial

a. Statistik parametrik
Ilmu statistik yang digunakan untuk data-data yang memiliki sebaran normal dan
memiliki skala interval atau rasio.
b. Statistik non parametrik
Statistik nonparametrik disebut juga statistik bebas sebaran. Statistik nonparametrik
dapat digunakan pada data yang memiliki sebaran normal atau tidak dan memiliki skala
nominal atau ordinal.

4. Istilah dalam statistik inferensial

a. Hipotesa Nol (H0)

Adalah hipotesis yang menyatakan tidak ada perbedaan diantara
perlakuan/karakterisistik yang diuji. Pada umumnya Ho ini dirumuskan untuk menentukan
batas penolakan. Apabila Ho ditolak maka Hipotesis Alternatif (H1) harus diterima.
b. Hipotesa alternatif (H1 atau Ha)
Adalah pernyataan operasional dari hipotesis peneliti, yang kadang-kadang disebut
juga Hipotesis Research. Hipotesis ini merupakan peramalan yang diturunkan dari teori
untuk keperluan pengujiannya.
15
c. Taraf nyata/ taraf signifikansi/ tingkat kesalahan (α)
Adalah nilai peluang kekeliruan (error) atau kegagalan untuk menolak Ho. Ada 2 jenis
Ho, pertama Type I Error (α), yaitu keputusan untuk menolak Ho padahal Ho benar.
Kedua Type II Error (β), yaitu keputusan yang dibuat untuk menerima Ho padahal
sebenarnya Ho salah. Margin error: 0.05 dan 0.001. Dalam penelitian nilai taraf
signifikansi yang digunakan adalah 1%, 5% ataupun 10%. Semakin kecil nilainya, maka
semakin besar tingkat kepercayaan pengambilan keputusan. Contoh : misalkan kita
menggunakan taraf signifikansi (tingkat kesalahan) 5%, maka jika dari 100 sampel
penelitian, maka kesalahan pengambilan sampel yang masih bisa diterima yaitu 5
sampel (5% dari 100), atau jika dikaitkan dengan pengujian hipotesis, tingkat kesalahan
5% atau 0,05 artinya kita mengambil resiko salah dalam mengambil keputusan untuk
menolak hipotesis yang benar maksimal 5% dan benar dalam mengambil keputusan
sedikitnya 95% (tingkat kepercayaan).
d. Besarnya cuplikan (N)
Adalah Nilai (α) dan (β) yang harus ditentukan oleh peneliti sebelum pelaksanaan
penelitian. Nilai tersebut akan menentukan besarnya cuplikan (N) yang diperlukan untuk
uji statistik yang dipilih.

5. Langkah-langkah pemilihan metode statistik

a. Apakah distribusi data diketahui?

Jika distribusi data tidak diketahui maka statistik yang sesuai adalah statistik
nonparametrik. Jika distribusi data diketahui, maka kita harus melihat jenis distribusi data
tersebut.
b. Apakah data berdistibusi normal?
Jika data tidak berdistribusi normal, maka statistik yang sesuai adalah statistik
nonparametrik. Jika data berdistribusi normal, maka statistik yang sesuai adalah statistik
parametrik.
c. Apakah sampel ditarik secara random?

16
 Jika sampel tidak ditarik secara random, maka statistik yang sesuai adalah statistik
nonparametrik. Jika sampel ditarik secara random, maka statistik yang sesuai adalah
statistik parametrik.
d. Apakah varians kelompok sama?
Jika varians kelompok tidak sama, maka statistik yang sesuai adalah statistik
nonparametrik. Jika varians kelompok sama, maka statistik yang sesuai adalah statistik
parametrik.
e. Bagaimana jenis skala pengukuran data?
Jika skala pengukuran data nominal dan ordinal, maka statistik yang sesuai adalah
statistik nonparametrik. Jika skala pengukuran data interval dan rasio, maka statistik yang
sesuai adalah statistik parametrik.

6. Jenis statistik inferensial

a. Statistik Parametrik yaitu bagian dari statistik inferensial yang mempertimbangkan

nilai dari satu atau lebih parameter populasi dan digunakan untuk menguji hipotesis
yang variabelnya terukur.
Contoh: “Berapa menit rata-rata proses wawancara pembuatan paspor di Kantor
Imigrasi?”
Variabel waktu proses wawancara dapat terukur dalam satuan menit (ada standar)
b. Statistik Nonparametrik yaitu bagian dari statistik inferensial yang digunakan untuk
menguji hipotesis yang variabelnya tidak memiliki kepastian (standar)
Contoh: “Berapa besar kepuasan masyarakat terhadap layanan pembuatan paspor
di kantor imigrasi X?”
Variabel kepuasan tidak memiliki ukuran standar yang pasti

17
 Gambar 3. Statistik Parametric dan Non-parametrik

7. Statistik Parametrik

Statistik parametrik: yaitu statistik yang digunakan untuk menguji hypotesis yang
variabelnya terukur. Statistik parametric adalah ilmu statistika yang mempertimbangkan
jenis sebaran/distribusi data, yaitu apakah data menyebar normal atau tidak. Pada
umumnya, jika data tidak menyebar normal, maka data harus dikerjakan dengan metode
statistika non-parametric, contoh metode statistika parametric: uji-z (1 atau 2 sampel), uji-
t (1 atau 2 sampel), korelasi pearson, Perancangan Percobaan (1 or 2-way ANOVA
parametrik), dll. Suatu uji yang menghendaki syarat-syarat spesifik mengenai parameter
dan populasi dari mana cuplikan diambil. Semua syarat ini tidak akan diuji, hanya diduga
saja bahwa syarat tersebut dapat dipenuhi.
Hasil dari suatu uji parametrik dapat diterima berdasarkan suatu harga penerimaan
(validity) dari asumsi yang diajukan. Selain itu dalam uji parametrik membutuhkan suatu
tingkat pengukuran yang diteliti, paling tidak dalam skala interval atau rasio
Contoh: “Berapa menit rata-rata tayangan iklan di TV?“
Variabel waktu tayangan iklan dapat terukur dalam menit (ada standar)

18
8. Statistik non parametrik

Statistik Non parametrik adalah statistik yang digunakan untuk menguji hypotesis
yang variabelnya tidak memiliki kepastian (standar). Statistika Non Parametrik adalah
statistika bebas sebaran (tdk mensyaratkan bentuk sebaran parameter populasi, baik
normal atau tidak). Statistika non-parametrik biasanya digunakan untuk melakukan
analisis pada data berjenis Nominal atau Ordinal. Data berjenis Nominal dan Ordinal tidak
menyebar normal. Contoh metode Statistika non-parametrik: Binomial test, Chi-square
test, Median test, Friedman Test, dll. Suatu uji dengan model yang tidak membutuhkan
suatu parameter khusus dari populasi yang diamati. Beberapa asumsi yang berhubungan
erat dengan uji statistika nonparametrik adalah: bahwa pengamatan tersebut bebas dan
variabel yang diamati kontinu, tetapi asumsi yang dibuat adalah lebih lemah dan kurang
teliti bila dibandingkan uji parametrik. Oleh karena itu, uji nonparametrik tidak
membutuhkan suatu pengukuran dengan tingkat ketelitian yang tinggi. Biasanya uji ini
digunakan untuk menganalisis data dalam skala ordinal dan nominal.
Contoh: “Berapa besar kepuasan pasien terhadap pelayanan RS. X ?“
Variabel kepuasan tidak memiliki standar pasti.

9. Workflow of statistic inferential

Gambar 4. Workflow Statistik Inferensial

19
10. Uji parametrik dan non parametrik

Gambar 5. Pedoman Uji Statistik Paramtrik dan Non-parametrik

11. Variabel penelitian

a. Variabel independen

Merupakan variabel penyebab, variabel yang tidak terikat, Variabel yang

memengaruhi

b. Variabel dependen

Merupakan variabel akibat, variabel yang terikat, Variabel yang dipengaruhi

Gambar 6. Variabel Penelitian

12. Uji hipotesa

Dalam melakukan uji hipotesis, ada banyak faktor yang menentukan seperti apakah
sampel yang diambil berjumlah banyak atau hanya sedikit, apakah std deviasi populasi

20
diketahui, apakah variansi dari populasi diketahui, apa metode parametrik yang
digunakan, dst.
a. Prosedur Uji Hipotesis
1) Menentukan H0 dan H1
• H0 adalah NULL HYPOTHESIS
• H1 adalah ALTERNATIVE HYPHOTHESIS
2) Menentukan Uji (Prosedur) Statistik yang digunakan; apakah akan digunakan uji
t, ANOVA, uji z, dan lain sebagainya.
3) Menentukan statistik tabel
• Tingkat kepercayaan
• Derajat kebebasan (df)
Derajat kebebasan atau degree of freedom sangat bervariasi tergantung dari
metode yang dipakai dan jumlah sampel yang diperoleh.
• Jumlah sampel yang didapat
4) Menentukan Statistik hitung
Nilai ini tergantung pada metode parametrik yang digunakan. Pada pengerjaan
pada SPSS, nilai statistik hitung langsung ditampilkan nilai akhirnya; sedangkan
proses perhitungannya sampai pada nilai akhir tersebut tidak diperlihatkan, termasuk
angka statistik tabel.
5) Mengambil keputusan
Hal ini ditentukan dengan membandingkan nilai statistik hitung dengan nilai
statistik tabel atau nilai kritisnya.
b. Berbagi metode parametrik
1) Inferensi terhadap sebuah rata-rata populasi
Tujuan pengujian ini adalah ingin mengetahui apakah sebuah sampel berasal
dari sebuah populasi yang mempunyai rata-rata (mean) yang sudah diketahui. Atau,
bisa juga dikatakan ingin menguji apakah rata-rata sebuah sampel sudah bisa
mewakili populasinya. Pada inferensi ini, perlu diperhatikan ukuran sampel, apakah
termasuk sampel besar ataukah sampel kecil.
• Sampel Besar

21
 Dalam kasus dimana jumlah sampel yang diambil cukup besar atau varians
populasi diketahui, maka bisa dipakai rumus (uji) z.
• Sampel Kecil
Jika sampel kecil (<30) dan varians populasi tidak diketahui, metode parametrik
yang digunakan adalah uji t (student).
2) Inferensi terhadap dua rata-rata populasi
Dalam inferensi dua populasi, tujuan utama adalah ingin mengetahui apakah ada
perbedaan antara dua rata-rata populasi.
• Sampel Besar
Metode yang digunakan adalah z test yang dimodifikasi.
• Sampel Kecil
Metode yang digunakan adalah:
-> t test yang dimodifikasi: sampel bisa saling berhubungan (dependen) maupun
kedua sampel tidak ada hubungannya (independen).
3) Inferensi terhadap lebih dari dua rata-rata populasi
Untuk lebih dari dua populasi, misal tiga jenis sampel, empat jenis sampel dan
seterusnya, dipakai analisis ANOVA, yang terdiri atas:
• ANOVA satu faktor
• ANOVA dua faktor dengan replacement
• ANOVA dua faktor tanpa replacement
4) Inferensi untuk mengetahui apakah ada hubungan antara variabel
Inferensi ini bertujuan untuk mengetahui apakah ada hubungan yang signifikan
antara dua variabel. Beberapa alat statistik untuk mengetahui hubungan antar
variabel:
• Hubungan antar dua variabel, menggunakan korelasi dan regresi sederhana.
• Hubungan antara lebih dari dua variabel (tiga, empat, dan seterusnya),
menggunakan metode korelasi dan regresi berganda.
c. Statistik inferensial dalam SPSS
SPSS menyediakan berbagai metode parametrik untuk melakukan inferensi
terhadap data statistik. Oleh karena luasnya cakupan parametrik, maka inferensi dengan

22
parametrik akan dibagi dalam beberapa menu pada SPSS, yaitu menu COMPARE
MEANS, GENERAL LINEAR MODEL (GLM), CORRELATE, dan REGRESSION.
▪ COMPARE MEANS
Pembahasan pada COMPARE MEANS meliputi:
→ MEANS
Bagian ini membahas hal yang sama pada statistik deskriptif, dengan penyajian
subgrup dan ditambah dengan uji linearitas.
→ UJI t
Bagian ini meliputi:
✓ Uji t satu sampel (ONE SAMPLE T-TEST)
✓ Uji t untuk dua sampel independen (INDEPENDENT SAMPLES T-TEST)
✓ Uji t untuk dua sampel berpasangan (PAIRED SAMPLES T-TEST)
→ ONE WAY ANOVA
Jika uji t untuk dua sampel, maka ANOVA digunakan untuk menguji lebih dari dua
sampel.
▪ GENERAL LINEAR MODEL
GLM merupakan kelanjutan dari ANOVA, dimana pada GLM dibahas satu variabel
dependen namun mempunyai satu atau lebih faktor.
▪ CORRELATE
Membahas uji hubungan antara dua variabel.
▪ REGRESSION
Membahas pembuatan model regresi untuk menggambarkan hubungan dua variabel
atau lebih.

13. Teknik Analisis Data

a. Analisis Data Anova

Teknik analisis data yang menggunakan variansi rata-rata kelompok sebagai
penentu ada tidaknya perbedaan di antara kelompok-kelompok itu
b. Analisis Data Uji T

23
 Teknik untuk menguji kebenaan, apakah ada perbedaan antara dua variabel atau
lebih yang sedang diselidiki.
c. Teknik Analisa Chi-Kuadrat
Teknik untuk mencari perbedaan frekuensi yang diobservasi dengan frekuensi
yang diharapkan.
d. Korelasi Product Moment
Teknik untuk mencari hubungan atau korelasi sekaligus membuktikan hipotesis
hubungan dua variabel.
e. Korelasi Spearman
Teknik untuk mengukur besar-kecil atau kuat lemahnya hubungan antar variabel.
f. Multiple Correlation
Teknik untuk menunjukkan arah dan kuatnya hubungan antara dua variabel
independen secara bersama-sama atau lebih dalam memengaruhi satu variabel
dependen

24
 BAB 4

PENGOLAHAN DATA DENGAN MENGGUNAKAN SPSS

1. Konsep tes hipotesa

Hipotesa dalam suatu tes hipotesa selalu ditulis sepasang yaitu H0 (hipotesa nol) dan
Ha (hipotesa alternatif). H0 dan Ha diibaratkan sepasang anak kembar yang mempunyai
sifat/karakteristik saling bertolak belakang
2. Karakteristik H0
▪ Ho: bersifat statusquo. Tidak ada perubahan, tidak ada kenaikan, tidak ada
penurunan, tidak ada hubungan, tidak mempengaruhi, tidak berbeda (sama
dengan), dsb.
▪ Jika ditulis dengan notasi matematika maka notasi yang digunakan adalah “ = “
(sama dengan)
▪ Ho lah yang selalu di “kerjain”/di tes
3. Karakteristik Ha
Ha: bersifat kebalikan dari Ho.
Terdapat perubahan, terdapat kenaikan, terdapat penurunan, terdapat hubungan,
mempengaruhi, terdapat perbedaan, dsb. Notasi matematika yang digunakan adalah
lawan dari notasi yang dipakai pada Ho. Contoh penulisan H0 dan Ha
4. Contoh penulisan H0 dan Ha
Apakah Var(A) berpengaruh secara positif terhadapVar(B)
▪ H0: Var(A) tidak berpengaruh secara positif terhadap Var(B)
▪ Ha: Var(A) berpengaruh secara positif terhadap Var(B)
Apakah rata2 nilai kelas A berbeda dengan rata2 nilai kelas B
▪ H0: Rata2 nilai kelas A = Rata2 nilai kelas B
▪ Ha: Rata2 nilai kelas A ≠ Rata2 nilai kelas B
5. Normal distribution

25
 Gambar 7. Kurva distribusi normal

Diatas adalah contoh kurva distribusi normal data IQ mahasiswa kampus X. Mahasiswa
memiliki IQ antara 80 sampai 140, jika ditanya apakah di kampus X tersebut ada
mahasiswa dengan IQ 80, jawabannya adalah ada, namun kauantitas nya tidak sebanyak
mahasiswa dengan IQ 110.

Gambar 8. Kurva dengan area penerimaan 95%

Luas area penerimaan adalah 95% sedangkan luas area penolakan pada sisi kanan dan
kiri adalah 2.5% atau nilai α pada masing-masing sisi adalah 0.025.

Cara membaca tabel distribusi t-student

26
 Gambar 9. Tabel distribusi t-student untuk uji dua arah dengan nilai α 0.05
Jika diketahui signifikansi uji dua arah dengan nilai α 0.05 dan jumlah data yang tidak
terhingga, maka didapatkan nilai titik kritis atau t tabel sebesar 1.96.

Gambar 10. Kurva dengan area penerimaan 99%

Luas area penerimaan adalah 99% sedangkan luas area penolakan pada sisi kanan dan
kiri adalah 0.5% atau nilai α pada masing-masing sisi adalah 0.005.

27
Cara membaca t- student

Gambar 11. Tabel distribusi data t student dengan nilai α 0.01

Jika diketahui signifikansi uji dua arah dengan nilai α 0.01 dan jumlah data yang tidak
terhingga, maka didapatkan nilai titik kritis atau t tabel sebesar 2.58.

Gambar 12.Kurva area penerirmaan 95%, sisi kiri dan kanan akan digabungkan

28
Luas area penerimaan adalah 95% sedangkan luas area penolakan pada sisi kanan dan
kiri adalah 2.5% atau nilai α pada masing-masing sisi adalah 0.025. Jika sisi kiri
digabungkan dengan sisi kanan maka gambar kurva akan terlihat seperti gambar 13:

Gambar 13. Kurva area penerimaan 95% dengan one tail

Luas area penerimaan adalah 95% dengan satu sisi atau satu ekor luas area penolakan
5% atau nilai α 0.05 dan titik kritis atau t table sebesar 1.64.

6. Contoh Soal
▪ Restoran “XXX” ingin mengetahui image-nya di mata pelanggannya.
▪ Restoran itu mempekerjakan seorang konsultan riset yang telah mengumpulkan
data interview dari 169 sampel.
▪ Sampel pelanggan diminta untuk menuliskan pandangannya terhadap pelayanan
yang diberikan oleh para pelayan restoran itu ke dalam skala lima titik dimana
1=sangat tidak ramah, dan 5=sangat ramah.
▪ Konsultan menganggap saat ini pelayanan di restoran itu “biasa saja” (tidak
“sangat tidak ramah” maupun “sangat ramah”). Dengan kata lain µ = 3.
▪ Hasilnya skor rata-rata = 3.82
▪ Deviasi standar sampel = 2.6

Dari soal diketahui hipotesa sebagai berikut:

H0: µ = 3

Ha: µ > 3

29
X = 3.82

S X = 2.6

N = 169

Jawab, untuk menghitung t hitung digunakan rumus:

Jika digambarkan dengan kurva maka akan terlihat seperti gambar 14.

Gambar 14. kurva dengan t hitung 4.1

Gambar 14 memiliki nilai t hitung adalah 4.1. Artinya luas P kurang dari luas α, jadi t
hitung jatuh di area penolakan. Dengan demikian H0 ditolak dan Ha adalah kebalikan
dari H0 yaitu diterima. Kesimpulannya, jika nilai signifikannya<0.05 maka nilai t hitung
jatuh di area penolakan.
Contoh lain ada pada gambar 15 berikut:

30
 Gambar 15. kurva dengan nilai t hitung 1.23

Gambar 15 memiliki nilai t hitung 12.3 yang artinya luas P lebih besar dari luas α. Jadi t
hitung jatuh di area penerimaan. Dengan demikian jika nilai signifikannya>0.05 maka t
hitung jatuh di area penerimaan. Kesimpulannya, H0 diterima dan Ha ditolak.
7. Membaca print-out tes hipotesa SPSS
a.

b.

31
c.

d.

e.

32
f. Compare means: independent sample test

g. Compare means: paired sample test

h. Compare means: paired sample test

33
 BAB 5

UJI VALIDITAS

Menurut Sugiyono (2010,173) valid berarti instrumen tersebut dapat digunakan untuk
mengukur apa yang seharusnya diukur. Pengujian validitas tiap butir digunakan analisis
item, yaitu mengkorelasikan skor tiap butir dengan skor total yang merupakan jumlah tiap
skor butir. Untuk lebih jelasnya diberikan contoh kasus 1.

Kasus 1:

Seorang peneliti akan meneliti pengaruh adanya insentif terhadap kinerja karyawan.
Peneliti tersebut menggunakan kuesioner untuk memperoleh data yang dibutuhkan. Soal
yang disajikan dalam kuesioner tersebut sejumlah 30 butir soal. Sebelum peneliti tersebut
terjun ke lapangan untuk memperoleh data dari responden tentunya peneliti tersebut
harus melakukan pengujian terhadap alat pengumpul data (kunnesioner) tersebut,
apakah kuesioner tersebut sudah benar-benar siap untuk digunakan sebagai alat
pengumpul data atau belum, dengan kata lain peneliti tersebut harus menguji validitas
dan reliabilitas kuesioner tersebut. Seandainya kuesioner diujikan terhadap 10 orang
responden didapat data seperti di bawah ini:

Tabel 1. Tabel Kasus 1

SOAL Score
R 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2
1 2 3 4 5 6 7 8 9 30
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
1 3 4 4 4 4 4 4 3 2 3 2 4 1 3 3 5 3 4 4 3 5 4 3 4 4 4 4 3 4 3 106
2 3 2 2 2 3 3 3 4 2 3 1 3 3 3 2 4 4 1 2 2 4 3 3 2 3 2 2 4 3 4 84
3 5 4 5 3 4 4 4 4 4 4 4 4 4 5 4 4 4 4 5 5 5 5 3 4 4 5 4 4 4 5 130
4 4 3 3 3 4 4 3 4 4 3 5 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 119
5 3 3 2 3 3 3 3 3 4 4 3 4 4 2 4 4 4 3 1 1 3 3 3 3 3 3 3 4 2 4 97
6 5 4 5 4 5 4 4 5 4 4 4 5 4 5 4 4 5 3 3 3 2 5 2 4 5 4 3 5 4 4 128
7 4 4 2 3 3 3 3 3 2 3 2 3 3 3 3 3 3 3 1 3 3 3 3 4 4 4 4 4 4 4 101
8 4 3 3 3 3 3 3 4 3 3 3 3 4 4 4 4 5 4 3 4 4 4 4 3 3 3 3 3 3 4 112
9 4 4 3 4 4 3 4 2 2 3 3 3 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 4 116
10 5 5 3 3 3 4 4 4 2 3 4 3 2 4 4 4 5 4 4 4 5 4 2 4 4 4 3 4 4 5 123

Langkah-langkah uji validitas menggunakan SPSS adalah sebagai berikut:

1. Hipotesis

34
 𝐻0 ∶ Koefisien korelasi antara skor pada butir pertanyaan dengan skor total tidak
signifikan (data peneltian tidak valid).
𝐻1 ∶ Koefisien korelasi antara skor pada butir pertanyaan dengan skor total signifikan
(data penelitian valid).
2. Membuka jendela SPSS
3. Masukkan data di atas dengan ketentuan soal 1 dengan nama variabel “no1”, soal 2
dengan nama variabel “no2” dan seterusnya, untuk score diberi nama variabel “st”.

4. Plih menu Analyze, Correlate, klik Bivariate.

5. Untuk menguji validitas, pindahkan “no1 – no30” dan “st” ke kotak variabels.

6. Pilih “Pearson” pada correlation coefficients dan “Two-tailed” pada Test of

Significance. Lalu klik OK. Maka akan muncul output sebagai berikut:

35
Interpretasi Hasil:

a. Sig. (2-tailed) menunjukkan taraf signifikan butir yang diuji. Jika nilai signifikan > 0.05
maka 𝐻0 yang diterima, berarti bahwa soal yang diuji tidak valid.
b. Selain menggunakan nilai Sig. (2-tailed) dapat juga menggunakan nilai r tabel.
Dengan 𝑑𝑓 = 𝑛 − 2 maka diketahui nilai df = 8 dan nilai alpha 0,05 maka diketahui
nilai r tabel = 0,632. Kriteria ujinya adalah jika nilai Pearson Correlation > r tabel paka
butir soal tersebut valid. Pearson Correlation adalah nilai korelasi antara butir soal
dengan skor total.
c. Dari uji validitas dapat disimpulkan seperti pada tabel di bawah:
Tabel 2. Hasil Uji Validitas Kasus 1
Soal R Pearson R Tabel Keterangan Soal R Pearson R Tabel Keterangan
1 0,873 Valid 16 0,080 Tdk Valid
2 0,660 Valid 17 0,457 Tdk Valid
3 0,781 Valid 18 0,719 Valid
4 0,513 Tdk Valid 19 0,733 Valid
5 0,623 Tdk Valid 20 0,767 Valid
6 0,691 Valid 21 0,127 Tdk Valid
7 0,648 Valid 22 0,901 Valid
8 0,345 0,632 Tdk Valid 23 -0,160 0,632 Tdk Valid
9 0,424 Tdk Valid 24 0,753 Valid
10 0,317 Tdk Valid 25 0,698 Valid
11 0,839 Valid 26 0,809 Valid
12 0,417 Tdk Valid 27 0,451 Tdk Valid
13 0,115 Tdk Valid 28 0,206 Tdk Valid
14 0,865 Valid 29 0,558 Tdk Valid
15 0,775 Valid 30 0,473 Tdk Valid

36
 BAB 6

UJI RELIABILITAS

Pengertian reliabilitas pada dasarnya adalah sejauh mana hasil suatu pengukuran
dapat dipercaya. Jika hasil pengukuran yang dilakukan secara berulang relative sama
maka pengukuran tersebut dianggap memiliki tingkat reliabilitas yang baik.

Metode yang dapat digunakan untuk mengukur reliabilitas diantaranya adalah metode
Split-half, Paralel, Strict Paralel, KR-20, Spearmen Brown, dan Cronbach Alpha. Metode
yang digunakan dalam modul ini adalah Cronbach Alpha. Berikut penggolongan/kriteria
reliabilitas:

▪ 𝐴𝑙𝑝ℎ𝑎 < 0,6 : Tidak meyakinkan

▪ 0,6 ≤ 𝐴𝑙𝑝ℎ𝑎 ≤ 0,7 : Cukup Reliabel
▪ 0,7 < 𝐴𝑙𝑝ℎ𝑎 ≤ 0,8 : Reliabel
▪ 𝐴𝑙𝑝ℎ𝑎 > 0,8 : Sangat Reliabel
Berikut langkah-langkah uji reliabilitas pada Kasus 1 dengan menggunakan SPSS:

1. Hipotesis
𝐻0 ∶ Butir-butir pertanyaan bersifat reliabel.
𝐻1 ∶ Butir-butir pertanyaan tidak bersifat reliabel.
2. Buka program SPSS
3. Buka data yang akan diuji reliabilitasnya (data kasus 1).
4. Klik Analyze > Scale > Reliability Analysis
5. Kemudian akan muncul kotak dialog Reliability Analysis. Pindahkan semua variable
(dalam kasus ini adalah “no1” sampai “no30”) ke dalam kotak di sebelah kanan,
dengan cara klik tanda panah yang terdapat diantara kedua kotak tersebut.

37
 Gambar 16. Kotak dialog Reliability Analysis

6. Klik Continue. Klik OK. Maka secara otomatis akan muncul output dari perintah
tersebut.

Gambar 17. Output Reliability Statistik

7. Interpretasi Hasil

Pada kasus di atas menunjukkan nilai reliabilitas positif dan dengan nilai alpa 0,924 >
0,8. Maka dapat dikatakan bahwa data tersebut sangat reliabel. Nilai ini kemudian kita
bandingkan dengan nilai r tabel, r tabel di cari pada signifikan 5% dengan uji 2 sisi dari
jumlah data (n) atau responden = 10 maka didapat r tabel sebesar 0,632. Oleh karena r
= 0,947 > r tabel = 0,632 maka dapat disimpulkan bahwa butir-butir pertanyaan bersifat
reliabel.

38
 BAB 7

UJI NORMALITAS

Uji distribusi normal adalah uji untuk mengukur apakah data yang didapatkan memiliki
distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial).
Dengan kata lain, uji normalitas adalah uji untuk mengetahui apakah data empirik yang
didapatkan dari lapangan itu sesuai dengan distribusi teoritik tertentu.

Kasus 2:

Seorang peneliti ingin mengetahui apakah keterampilan proses (X) mempengaruhi

prestasi belajar (Y). Diketahui data sebagai berikut:

Tabel 3. Tabel Kasus 2

No X Y No X Y
1. 85 85 11. 84 75
2. 68 50 12. 75 65
3. 87 90 13. 79 80
4. 89 90 14. 72 80
5. 78 75 15. 82 80
6. 81 95 16. 89 95
7. 84 85 17. 78 80
8. 78 80 18. 87 95
9. 70 65 19. 75 75
10. 96 100 20. 89 85

39
 Langkah – langkah pengujian Normalitas dengan uji kolmogorov Smirnov sebagai
berikut:

1. Uji normalitas Hipotesis

H0 : variabel berdistribusi normal
H1 : variabel tidak berdistribusi normal
2. Kriteria Pengujian
Jika Sig pada output tabel Tests of Normality < 0,05 maka H0 ditolak Jika Sig pada
output tabel Tests of Normality > 0,05 maka H0 diterima.
3. Buka program SPSS.
4. Masukan data variabel Y pada Variabel View.

Gambar 18. Variabel View

5. Untuk uji kolmogorov Smirnov, pada menu utama pilih menu Analyze, Nonparametic
Test, Legalicy Dialogs, pilih 1-Sample K.S.
6. Kemudian masukan Y pada kotak Test Variabel list, Pada Test Distribution centang
Normal

39
 Gambar 19. One-sample kolmogorov-sminov test

7. Klik ok, maka akan muncul otutput berikut:

Gambar 20. Output one-sample kolmogorov-sminov test

8. Intepretasi Hasil
Pada output Tests of Normality, di kolom Kolmogorov-Smirnov diperoleh nilai sig.
sebesar 0.696 > 0.05 maka terima H0 artinya variabel berdistribusi normal

40
 BAB 8

UJI HOMOGENITAS

Pengujian Homogenitas adalah pengujian mengenai sama tidaknya variansi-variansi

dua buah distribusi atau lebih. Uji homogenitas variansi (variance) sangat diperlukan
sebelum kita membandingkan dua kelompok atau lebih, agar perbedaan yang ada bukan
disebabkan oleh adanya perbedaan data dasar (ketidak homogenan kelompok yang
dibandingkan). Untuk lebih memahami uji homogenitas, tinjau kembali contoh kasus 2.

Langkah-langkah untuk menguji homogenitas dengan menggunakan SPSS sebagai

berikut:

1. Buka program SPSS.

2. Inputkan data Y dari kasus 2 ke dataview SPSS.

Gambar 21. Variabel view

3. Klik menu analyze, pilih menu Deskriptive Statistic, lalu klik frequency. Sehingga
muncul kotak dialog frequency. Masukkan Y pada variabel, lalu klik statistics, pada
kotak distribution centang kurtosis dan pada kotak Percentile Values centang
Quartiles.

41
 Gambar 22. Kotak dialog Frequencies

4. Klik ok pada kotak dialog di atas, akan muncul seperti berikut:

Gambar 23. Hasil Statistics

5. Interpretasi hasil
Berdasarkan output tersebut, di peroleh kurtosis 1,106 merupakan nilai positif yang
menunjukkan plot diagramnya cenderung runcing, sehingga datanya mengerombol atau
dapat mengamsusikan datanya homogen.

42
 BAB 9

METODE SUKSESIF INTERVAL (METHOD OF SUCCESSIVE INTERVAL/MSI)

1. Metode Suksesive Interval

Metode suksesif interval merupakan proses mengubah data ordinal menjadi data
interval. Data ordinal diubah menjadi data interval dikarenakan data ordinal sebenarnya
adalah data kualitatif atau bukan angka sebenarnya. Data ordinal menggunakan angka
sebagai simbol data kualitatif. Beberapa akibat yang dapat terjadi jika seorang peneliti
memaksakan data berskala ordinal dianalisis tanpa ditransformasi menjadi data berskala
interval adalah: Pelanggaran asumsi yang mendasari prosedur statistika yang digunakan,
hasil analisis yang menjadi tidak signifikan, kesimpulan yang dibuat dalam penelitian
dapat terbalik atau keliru. Pengubahan data dengan skala pengukuran ordinal menjadi
data dengan skala pengukuran interval tergantung pada besarnya frekuensi dari data
tersebut. Karena frekuensi berpengaruh pada setiap perhitungan yang dilakukan di dalam
proses transformasi skala pengukuran ordinal menjadi interval. Prosedur MSI dengan
Excel sebagai berikut:
Bagaimana cara mengubah data ordinal menjadi data interval dengan menggunakan
bantuan Excel? Untuk mengubah data ordinal menjadi data interval dengan
menggunakan Excel kita dapat lakukan dengan cara sebagai berikut. Karena tidak semua
program Excel mempunyai program tambahan penghitungan MSI; maka carilah dulu
program tambahan ini yang dapat di cari di Internet melalui tautan ini
https://bit.ly/SuccessiveFile. Download file Successive.rar kemudian ekstrak filenya
sehingga mendapatkan file successive.xla.
Langkah berikutnya adalah mengubah data ordinal ke data interval. Sebagai contoh
kita mempunyai nilai berskala ordinal seperti di bawah ini:

43
 Gambar 24. Contoh Data skala ordinal

Ketikkan dalam Excel data diatas; atau kita dapat mengkopi dari SPSS secara
langsung ke Excel. Cara mengubah data tersebut dapat dilakukan dengan cara sebagai
berikut:
▪ Buka Excel → klik file → Open
▪ Klik file successive.xla → klik enable macros
▪ Masukkan data yang akan diubah. Dapat diketikkan atau Copy (dengan
menggunakan perintah Copy - Paste) dari word atau SPSS di kolom A baris 1
▪ Pilih Add In → Statistics→ Successive Interval
▪ Pilih Yes
▪ Pada saat kursor di Data Range Blok data yang ada sampai selesai, misalnya 15
data
▪ Kemudian pindah ke Cell Output.
▪ Klik di kolom baru untuk membuat output, misalny di kolom B baris 1
▪ Tekan Next
▪ Pilih Select all
▪ Isikan minimum value 1 dan maksimum value 9 (atau sesuai dengan jarak nilai
terendahsampai dengan teratas)
▪ Tekan Next
▪ Tekan Finish

44
2. Output Metode Suksesif Interval

Gambar 25. Output data

Lakukan editing dengan membuang kata Successive Interval dan angka 3. Hasilnya
akan seperti di bawah ini.

Gambar 26. Output Successive interval

45
3. Akibat-Akibat Kalau Bukan Data Interval Digunakan Dalam Prosedur yang
Mengharuskan Adanya Data Interval

Penggunaan data ordinal atau nominal dalam prosedur yang mengharuskan data
berskala interval akan mengecilkan koefesien korelasi. Akibatnya model yang dibuat
peneliti salah dan tidak memenuhi persyaratan sebagaimana diharuskan dalam model fit.
Hal ini dapat dipahami dalam konteks regresi linier. Salah satu cara melihat kelayakan
model regresi ialah dengan cara melihat nilai r2 dalam regresi. Semakin mendekati 1 nilai
r2 maka kesesuaian model semakin tinggi sebaliknya nilai r2 semakin rendah kecocokan
model makin rendah.

Nilai r2 merupakan nilai koefesien korelasi Pearson yang dikuadratkan. Oleh karena
itu, jika koefesien korelasi kecil maka nilai r2 juga akan kecil. Kesimpulannya dengan
menggunakan data ordinal atau nominal akan berakibat model yang dibuat oleh peneliti
tidak layak atau salah. Itulah sebabnya jika data ordinal yang digunakan maka sebelum
di digunakan dalam prosedur yang mengharuskan data berskala interval, maka data
harus diubah ke dalam bentuk data interval dengan menggunakan method of successive
interval (MSI).

Salah satu keuntungan mengubah data ini ialah hasil analisis yang menggunakan
prosedurprosedur yang mengharuskan penggunaan data berskala interval akan menjadi
signifikan. Hal ini disebabkan karena prosedur – prosedur tersebut menghendaki
kalkulasi dengan menggunakan data kuantitatif atau nilai sebenarnya. Pelanggaran
terhadap masalah ini akan berdampak pada:

▪ Pelanggaran asumsi yang mendasari prosedur yang kita pergunakan

▪ Hasil analisis tidak signifikan
▪ Kita dapat melakukan kesalahan Tipe I (Alpha), yaitu gagal menerima H0 karena hasil
analisis yang kita lakukan mengatakan ada perbedaan atau ada pengaruh sedang
sebenarnya tidak ada karena kita keliru menggunakan data yang sesuai dengan
persyaratan prosedur tersebut.
▪ Kesimpulan yang kita buat dalam pengujian hipotesis dapat terbalik atau keliru

46
 BAB 10

REGRESI LINIER SEDERHANA

Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada
atau tidaknya pengaruh antara variabel independent terhadap variabel dependent.
Analisis regresi mempelajari hubungan yang diperoleh dan dinyatakan dalam persamaan
matematika yang menyatakan hubungan fungsional antara variabel-variabel. Hubungan
fungsional antara satu variabel prediktor dengan satu variabel kriterium disebut analisis
regresi sederhana (tunggal), sedangkan hubungan fungsional yang lebih dari satu
variabel bebas disebut analisis regresi ganda.
Menurut Yudiaatmaja (2013,5) mengatakan bahwa yang dimaksud dengan analisis
regresi sederhana disini adalah analisis yang dilakukan terhadap satu variabel terikat dan
satu variabel bebas. Persamaan yang dihasilkan nantinya akan berbentuk 𝑌̂ = 𝑎 + 𝑏𝑋.
Sebelum melakukan pengujian, data tersebut wajib memenuhi asumsi kenormalan dan
homogen. Untuk lebih memahaminya, kita tinjau kembali kasus 2. Pada kasus 2, jelas
data memenuhi asumsi kenormalan dan homogen, sehinnga dapat dilakukan pengujian
regresi linier sederhana pada kasus 2.
Langkah – langkah untuk menguji regresi linier sederhana pada kasus 2 pada SPSS
antara lain:
1. Menyusun Hipotesis
𝐻0 : Tidak ada pengaruh keterampilan proses (X) terhadap prestasi belajar (Y)
𝐻1 : Ada pengaruh keterampilan proses (X) terhadap prestasi belajar (Y)
2. Inputkan data pada kasus 2 ke SPSS dan beri nama X dan Y pada variabel view.
3. Klik Analyze, Regression, Linier.
4. Masukkan Y pada variabel dependent dan X pada variabel independent.

47
 Gambar 27. Kotak DIalog Regresi Linear

5. Lalu klik OK. Maka akan muncul output:

Gambar 28. Output Regresi Linear

48
6. Intepretasi Hasil:
a. Kriteria pengujian:
Terima 𝐻0 jika : Sig. > 0,005
b. Berdasarkan output spss table Coefficient:
Diperoleh nilai a = −32,392 dan b = 1,398. Jadi persamaan regresinya:
𝑌̂ = −32,392 + 1,398𝑋.
c. Berdasarkan pada table ANOVA, nilai Sig. = 0,000 < 0,05 maka 𝐻0 ditolak. Jadi
dapat disimpulkan bahwa ada pengrauh keterampilan proses (X) terhadap
prestasi belajar (Y) atau persamaan model regresi linear.
d. Diperoleh nilai koefisien determinasi, pada kolom R square yakni pada output
model summary sebesar 0,709 atau 70,9%. Nilai tersebut menunjukkan bahwa
variasi variabel prestasi belajar y dapat diterangkan atau dijelaskan oleh variabel
ketrampilan proses x sebesar 70,9%. Sedangkan sisanya 29,1% dipengaruhi
variabel lain.

49
 DAFTAR PUSTAKA

Agustinus, C. F. (2021). Konsep Tes Hipotesa.

Mathematics Computing Club, U. N. S. (2016). PELATIHAN OLAH DATA STATISTIK
DENGAN SOFTWARE SPSS MATHEMATICS COMPUTING CLUB.
Sarwono, J. (2018). MENGUBAH DATA ORDINAL KE DATA INTERVAL DENGAN
METODE SUKSESIF INTERVAL (MSI).
Siregar, S. (2020) STATISTIKA TERAPAN UNTUK PERGURUAN TINGGI. Yogyakarta:
Social Agency Baru

50

View publication stats