STATISTIKA PENDIDIKAN

(SINOPSIS)
Nama : Sinta Arum Safira(201101020046)

Kelas : PBA_B2

Pada zaman yang sekarang sudah serba teknologi,maka sangat penting bagi kita untuk
belajar Statistika terutama pada era digital fase industry four point zero.Karena semakin tahun
jumlah dan ukuran data digital akan semakin berkembang.Beberapa di antaranya seperti data
warehouse,data mining,dan data science yang merupakan bidang teknologi informasi (IT).Dalam
beberapa hal yang sudah di sebutkan diperlukan ilmu dasar yaitu Statistika.

Statistika adalah bidang keilmuwan yang mencakup dalam

pengumpulan,pengelolaan,analisis,dan interpretasi data dalam pengambilan
keputusan.Sedangkan data yang dimaksud dalam bidang statistika sendiri adalah kumpulan
informasi yang diperoleh melalui pengamatan,penghitungan,pengukuran,dan response.Terdapat
dua data set yang dikenal dalam bidang statistika yaitu Populasi dan Sampel.Populasi
merupakan kumpulan dari keseluruhan pengamatan,perhitungan,pengukuran,atau response dari
sebuah data terhadap topik yang akan di kaji.Atau lebih tepatnya adalah penjelasan yang lebih
akurat dari sebuah data.Sedangkan sampel adalah bagian dari populasi yang nantinya akan di
seleksi.Sampel yang baik adalah sampel yang bersifat representatif (tepat) sehingga dapat di
gunakan sebagai kesimpulan terhadap populasi.Mengapa harus bersifat representatif?karena
dalam menyampaikan sebuah data harus dengan penyampaian yang singkat,jelas,padat,dan
akurat.Tujuannya agar tidak membingungkan dan dapat mudah dipahami oleh responden.

Contoh kasus populasi dan sampel :

Sampel :

Suatu survey dilakukan pada 35 perguruan tinggi di Indonesia untuk menanyakan apakah
seorang mahasiswa pernah mengalami pembullyan selama studi di perguruan tinggi.Terdapat
237 dari total 972 responden mengaku pernah mengalami pembullyan selama menjalani studi di
perguruan tinggi.

(Kasus ini termasuk pada kasus sampel.Karena survey tidak di lakukan pada seluruh perguruan
tinggi di Indonesia.)

Populasi :

Warga kompleks perumahan Suka Rapi yang terdiri dari total 45 kepala keluarga berencana
untuk mempercantik kompleks dengan melakukan peremajaan paving jalan.Pendanaan akan
dilakukan secara kolektif berdasarkan berdasarkan ukuran lebar dari tiap rumah.Oleh karenanya
dilangsungkan pengukuran dan pendataan lebar muka dari tiap rumah.

(Kasus ini termasuk pada populasi karena pendataan pengukuran lebar muka rumah warga di
lakukan secara keseluruhan).

Terdapat juga dua istilah lain dalam statistika yaitu parameter dan statistic.Parameter
adalah deskripsi numeric dari karakteristik suatu populasi,dan hanya ada satu parameter pada
suatu populasi.Sedangkan statistic adalah deskripsi numeric suatu sample.Karena dalam suatu
populasi akan terdapat banyak sample,maka memungkinkan akan terdapat sejumlah statistic
dengan beragam nilai dalam populasi yang sama.Berikut contoh parameter dan statistic :

Statistic :

Dari hasil uji emisi dilakukan secara acak terhadap kendaraan bermotor yang melintas di jalan
Suka Makmur,di dapati 48% kendaraan tidak memenuhi standar kelayakan.

(Dalam kasus ini yang disebut sebagai statistic adalah angka 48%.Karena data tersebut di dapat
dari hasil uji emisi secara acak.)

Parameter :

Dari hasil ujian saringan masuk perguruan tinggi Universitas Suka Pintar pada tahun ini,di temui
78% dari calon mahasiswa memiliki kemampuan analisis numeric di atas ambang batas yang di
syaratkan.

(Dalam kasus ini yang di sebut parameter adalah angka 78% karena data tersebut di dapat dari
hasil ujian saringan masuk seluruh calon mahasiswa.”

Ilmu statistika memiliki dua cabang utama yaitu statistika deskriptif yang berfokus pada
pengelolaan,peringkasan,dan visualisasi data.Dan statistika inferensi yang titik fokusnya pada
pemanfaatan sampel untuk menarik simpulan terhadap populasi.
 Klasifikasi Data Dalam Statistika

(SINOPSIS 2)
Nama : Sinta Arum Safira (201101020046)

Kelas : Pba B2

Mata Kuliah : Statistika Pendidikan

Sebelum kita mempelajari statistika lebih jauh lagi,maka kita perlu untuk mempelajari
dasar-dasar ilmu statistika terlebih dahulu.Terdapat dua cabang ilmu statistika yaitu statistika
deskriptif dan statistika inferensi.Pada pembahasan kali ini kita akan mengulas lebih dalam apa
itu statistika deskriptif.

Bagaimana klasifikasi data (pengelompokan data) pada ilmu statistika?Sebelumnya perlu

kita ketahui terlebih dahulu,terdapat dua tipe data pada statistika.Yaitu data kualitatif dan data
kuantitatif.Data kualitatif adalah data yang bersifat non numerik(bukan angka) seperti atribut dan
label.Sedangkan data kualitatif adalah data yang bersifat numerik(berwujud angka) yang
dihasilkan dari perhitungan dan pengukuran.Contohnya pada data menu makanan.Pada data
tersebut pastinya terdapat dua kolom.Kolom pertama berisi nama-nama menu makanan,dan pada
kolom kedua berisi harga makanan.Kolom pertama inilah yang disebut data kualitatif,dan kolom
kedua adalah data kuantitatif.

Selanjutnya yang perlu kita bahas adalah skala pengukuran.Dalam ilmu statistika terdapat
empat skala pengukuran.Yaitu nominal yang berasosiasi dengan data kualitatif yang pada
pengelompokannya yaitu meliputi nama,label atau kualitas.Pada data dengan skala pengukuran
nominal ini,kita tidak dapat menggunakan operasi matematika.

Yang kedua adalah skala pengukuran ordinal.Pada skala pengukuran ini berasosiasi pada
tipe data kualitatif.Data pada skala pengukuran ini dapat di kelompokkan dan di susun
berdasarkan urutan peringkat atau rangking.Skala ordinal juga sama seperti skala nominal yakni
tidak dapat menggunakan operasi matematika.

Skala pengukuran yang ketiga adalah skala interval.Berbeda dengan skala nominal dan
ordinal.Skala interval berasosiasi dengan data kuantitaif yang dapat dikenakan opeasi
matematika yakni untuk menghitung selisih nilai kecuali operasi perkalian.Pada skala
pengukuran ini tidak memiliki nilai nol dan data juga dapat dikelompokkan dan di susun seperti
data pada skala pengukuran ordinal.

Skala pengukuran yang terakhir adalah Rasio.Rasio sama dengan interval yaitu
berasosiasi dengan data kuantitatif.Data pada rasio dapat dikelompokkan dan di susun sama
seperti skala interval.Hanya saja perbedaan antara interval dan rasio adalah interval memiliki
nilai nol dan dapat dikenakan semua operasi matematika.
 STATISTIKA PENDIDIKAN

SINOPSIS 3

(Desain Eksperimen Statistika Deskriptif)

Nama : Sinta Arum Safira (201101020046)

Kelas : PBA B2

Studi Statistik dibagi menjadi dua kelompok yaitu studi observasi dan studi
eksperimen.Pada studi observasi seorang peneliti hanya melakukan pengamatan saja pada sebuah
subjek tanpa adanya penerapan.Sedangkan studi eksperimen seorang peneliti melakukan suatu
treatment terhadap subjek sebelum melakukan pengamatan untuk memahami efek dari treatment
yang diberikan pada subjek tersebut.

Selanjutnya kita akan mengenal Desain Eksperimen yang digunakann untuk merancang
desain.Dalam hal ini setidaknya terdapat tiga hal yang harus diperhatikan yaitu
kendali,pengacakan,dan replikasi.Pertama kita akan mempelajari apa itu kendali.Pada kendali
terdapat beberapa terminologi,yang pertama adalah experimental unit atau istilah lain bagi
keseluruhan subjek yang dilibatkan dalam suatu eksperimen.Kendali dalam desain eksperimen
dapat dilakukan dengan membagi experimental unit menjadi dua bagian yaitu treatment group
dan control group.Treatment group adalah sekelompok subjek yang menerima treatment sebelum
diamati dalam sebuah eksperimen,sedangkan control group adalah sekelompok subjek yang tidak
menerima treatment dan pengamatan dalam sebuah eksperimen sering juga dalam kelompok
subjek ini menerima treatment palsu atau yang disebut fake treatment.Efektifitas dari treatment
yang diberikan dapat di evaluasi dengan membandingkan temuan dari kedua kelompok.

Terdapat juga dua model implementasi control yaitu Blinding dan Double
blinding.Dalam model blinding subjek tidak mengetahui apakah dirinya menerima treatment atau
fake treatment,sedangkan pada double blinding baik peneliti ataupun subjek sama-sama tidak
mengetahui apakah mereka menerima treatment atau fake treatment.Maka dalam model double
blinding dibutuhkan pihak ketiga untuk mendistribusikan treatmen atau fake treatment pada
subjek.

Selanjutnya yang harus diperhatikan dalam eksperimental desain adalah pengacakan

(Randomisation).Dalam hal ini pengelompokkan eksperimental unit harus dilakukan secara
acak.Salah satu modelnya adalah Randomisation block desain,pada model ini eksperimental unit
pertama-tama akan dikelompokkan berdasarkan kesamaan karakteristik tertentu terlebih
dahulu.Barulah kemudian subjek dalam kelompok ini untuk dimasukkan kedalam treatment
group dan control group.
 Poin terakhir dalam eksperimental desain adalah Replikasi (Replication) yaitu
pengulangan eksperimen dengan kondisi yang serupa.Yang berguna untuk meningkatkan
validitas dari hasil eksperimen.Replikasi melibatkan eksperimental unit atau subjek eksperimen
yang berbeda.Dengan begitu replikasi juga akan memperbesar ukuran dari subjek eksperimen.

Alangkah baiknya kita mengetahui beberapa tantangan sebelum melakukan

eksperimental study.Apa saja itu?Terdapat tiga jenis tantangan yang umum di temui dalam
eksperimental studi.Yang pertama adalah Lurking variable,adalah faktor eksternal yang memang
tidak diperhitungkan sebelumnya dan berpotensi untuk memberikan pengaruh pada hasil
eksperimen.Yang kedua adalah Placebo/fake treatment yaitu kondisi dimana subjek eksperimen
memberikan reaksi positif walau subjek tersebut menerima treatmen palsu (placebo).Yang ketiga
adalah Hawthorne effect yaitu perubahan perilaku dari subjek eksperimen setelah mengetahui
dirinya telah terlibat eksperimental study.
 SINOPSIS 4

STATISTIKA PENDIDIKAN
(Teknik pengumpulan data)

NAMA : Sinta Arum Safira (201101020046)

KELAS : PBA B2

Terdapat dua pendekatan dalam bidang ilmu statistika terkait pengumpulan data atau
biasa dikenal dengan Data Collection.Apa saja?yaitu census dan sampling.Census adalah upaya
pengumpulan data yang dilakukan pada tingkat populasi yang nantinya akan diperoleh informasi
yang sifatnya lengkap.Hanya saja ketika ukuran populasinya sangat besar,seringkali census
menjadi pilihan yang sulit untuk dilakukan.Alternatif lain dalam upaya pengumpulan data adalah
sampling.Sampling dilakukan pada sub bagian dari populasi,jadi informasi yang diperoleh pada
sampling tidak lengkap.Dalam bidang statistik,suatu sample dikatakan baik apabila sample
tersebut dapat merepresentasikan populasinya.Oleh karena itu dibutuhkan teknik sample yang
tepat agar bisa mendapatkan sample yang representative terhadap populasinya.Dikarenakan
sample adalah sub bagian dari populasi maka selisih perbedaan nilai antara data sample dan data
populasi akan selalu ada,yang dikenal dengan istilah sampling error.Bahkan pada teknik
sampling sebaik apapun,sampling error tidak dapat dihindari.

Selanjutnya kita akan mengenal teknik sampling with/without replacement.Pada

sampling with replacement setelah anggota dari suatu populasi terpilih sebagai anggota
sample,anggota tersebut akan dikembalikan ke populasi dan memungkinkan untuk bisa kembali
terpilih menjadi anggota sample.Dengan kata lain sample ini memungkinkan satu anggota
replacement untuk terpilih lebih dari satu kali sebagai anggota sample.Sedangkan pada sampling
without replacement setelah satu anggota dari populasi terpilih menjadi anggota sample maka
anggota tersebut tidak akan dikembalikan lagi ke populasinya.Sample ini menjamin satu anggota
populasi hanya dapat terpilih satu kali saja sebagai anggota sample.

Beberapa teknik sampling pada bidang ilmu statistika di antaranya : Simple ramdom
sampling,Stratified sampling,Cluster sampling,Systematic sampling,dan Convenience
sampling.Yang pertama simple ramdom sampling adalah teknik pengumpulan data yang
dilakukan secara acak,yang mana setiap anggota populasi memiliki peluang yang sama untuk
dapat terpilih sebagai anggota sample.Yang kedua adalah stratified sampling merupakan teknik
pengumpulan data secara acak yang dilakukan dengan terlebih dahulu membagi anggota
populasi ke dalam beberapa kelompok berdasarkan karakter tertentu.Kelompok tersebut dikenal
dengan istilah strata.Kemudian strata tersebut akan dipilih untuk dijadikan anggota sample.Dan
sampling yang dilakukan di setiap strata harus proporsional dengan proporsinya dalam
populasi.Yang ketiga adalah cluster sampling merupakan teknik pengumpulan data secara acak
yang dilakukan dengan membagi anggota populasi ke dalam beberapa kelompok berdasarkan
pengelompokkan yang sudah terbentuk.Kelompok yang terbentuk ini dikenal dengan istilah
cluster.Cara kerja pada cluster sampling ini sama dengan stratified sampling.Yang keempat
adalah systematic sampling merupakan teknik pengumpulan data berdasarkan interval
tertentu.Teknik ini terbilang cukup mudah untuk di terapkan,tetapi teknik ini tidak diterapkan
apabila ditemui adanya pola yang sifatnya konsisten dan sistematis pada data.Yang kelima atau
yang terakhir adalah convenience sampling merrupakan teknik pengumpulan data yang bisa
dibilang asal-asalan dan hanya berorientasi pada kemudahan.Teknik ini termasuk teknik yang
buruk untuk di terapkan.
 SINOPSIS 5 STATISTIKA PENDIDIKAN
(Distribusi Frekuensi dalam statistika)

Nama : Sinta Arum Safira (201101020046)

Kelas : PBA B2 2020

Fokus utama pada statistika deskriptif adalah untuk mendeskripsikan data yang kita
miliki.Beberapa karakteristik yang umum digunakan untuk mendeskripsikan data adalah dengan
mencari tau titik tengah data (center),sebaran data(variability),dan bentuk data (shape).Semua itu
bisa dicapai jika data yang kita miliki dikelola dengan baik,salah satu caranya yang paling
mudah yaitu dengan memanfaatkan distribusi frekuensi.

Distribusi frekuensi adalah bentuk pengelolaan data,dengan cara mengelompokkan data

ke dalam kelas (clases) berdasarkan interval tertentu.Jumlah kemunculan data dalam kelas akan
dihitung dan dikenal dengan frekuensi dari kelas.

Tabel pada data distribusi frekuensi setidaknya memiliki 2 kolom yaitu colom class
(kelas) dan frekuensi (frequency).Kolom pertama adalah Kelas yang merepresentasikan
pengelompokan yang dilakukan terhadap kumpulan data yang kita miliki.Yang perlu
diperhatikan dalam distribusi frekuensi,dalam kelas tidak boleh ada overlap atau tumpang
tindih.Dan setiap kelas harus memiliki batas atas kelas(lower class limit) dan batas bawah
kelas(upper class limit).Selain itu setiap kelas juga memiliki lebar kelas yang sama atau class
width.Untuk kolom kedua adalah Frekuensi yang merepresentasikan jumlah atau banyaknya data
yang ada dalam satu kelas.

Untuk membuat data distribusi frekuensi mula-mula kita harus mencari nilai terkecil dan
nilai terbesar dari data tersebut.Selanjutnya kita hitung jangkauan dari data yang kita miliki
dengan menselisihkan antara nilai terbesar dan nilai terkecil dari data yang kita miliki.Jangkauan
ini akan kita gunakan untuk menentukan class width yaitu dengan membagi hasil jangkauan
dengan jumlah kelas yang akan kita bentuk.

Selain kelas dan frekuensi,pada table distribusi frekuensi sering dilengkapi dengan tiga
atribut tambahan yaitu midpoint,relative frequency,dan cumulatif frequency.Midpoint adalah
nilai tengah dari suatu kelas yang didapat dari menjumlahkan lower limit dan upper limit
kemudian dibagi dua.Selanjutnya adalah relative frequency,merupakan frekuensi dari suatu kelas
relative terhadap total jumlah data yang tersedia.Untuk mencari frekuensi relative dari suatu
kelas adalah membagi nilai frekuensi dengan ukuran sample(total jumlah keseluruhan
data).Selanjutnya yaitu frekuensi kumulatif,adalah akumulasi frekuensi dari kelas-kelas
sebelumnya.

Berikutnya adalah teknik visualisasi data.Yang pertama yaitu menggunakan

histogram,yang kedua frequency polygon (memanfaatkan nilai tengah dari tiap kelas),yang
ketiga adalah ogive (memanfaatkan frekuensi kumulatif sebagai acuan nilai sumbu Y,sedangkan
untuk sumbu X memanfaatkan nilai tengah ).

Selanjutnya cara visualisasi data dengan pemprograman python.Python adalah bahasa

pemprograman yang sudah popular terutama pada data sains.Karena python memiliki
kemudahan sintaks dari pemprograman python.Cara melakukan visualisasi data dengan python
adalah,yang pertama gunakan platform yang bernama notebook (atau bisa form yang lain),kedua
untuk mencari nilai terkecil dari sebuah data cukup dengan mengetik min pada fungtion,dan
untuk mencari nilai terbesar dari data cukup mengetik maks pada fungtion.Ketiga,dalam
visualisasi data python dibutuhkan modul.Biasanya modul yang biasa digunakan pada python
adalah matlotlib.Keempat tampilkan histogram.

Berikutnya dalam melakukan visualisasi ogive,kita bisa memanfaatkan histogram dari

python tersebut.Akan tetapi python tidak memiliki modul metlotlib tidak spesifik untuk dapat
memvisualisasikan ogive.Yang dapat kita lakukan hanyalah dengan memodifikasi
histogramnya.Yakni dengan mengubah set kumulatif menjadi true.

Selain metlotlib python juga memiliki modul lain untuk dapat melkukan visualisasi data
yaitu seaborn.Secara tampilan lebih menarik seaborn daripada metlotlib.
 SINOPSIS 6

Visualisasi Data dalam Statistika

Nama : Sinta Arum Safira

NIM : 201101020046

Kelas : PBA B2 2020

Kali ini kita akan mempelajari teknik visualisasi data lain yaitu stem and leaf plot,dot
plot,pie chart,bar plot,scatter plot,time series chart,visualisasi data dengan python.Kita juga akan
mengenal tekhnik untuk melakukan visualisasi data dengan memanfaatkan bahasa
pemprograman python.Selanjutnya kita akan mempelajari teknik visualisasi data yang telah di
sebutkan di atas:

1.Yang pertama adalah Stem and Leaf plot.Teknik ini diperkenalkan oleh John Tukey pada tahun
1977,beliau adalah tokoh besar dalam bidang ilmu statistika.Berikut contoh teknik visualisasi
data stem and leaf plot ;

Anggap saja data set diatas adalah data harga laptop(data berwarna pink).Pada data yang
tersebut terdapat sejumlah angka yang merepresentasikan harga laptop dalam ribuan
rupiah.Contohnya disitu terdapat 613,berarti angka tersebut merepresentasikan harga laptop
senilai Rp.613.000,00,dan seterusnya.

Stem and leaf plot dapat dibangun dengan menjadikan digit paling belakang dari data
yang kita miliki sebagai leaf (daun).Sedangkan digit didepannya akan dijadikan
stem(batang).Sebelumnya kita perlu mengurutkan data yang kita miliki serta mengidentifikasi
nilai terkecil dan terbesar dari data tersebut.Karena kedua nilai tersebut akan menentukan nilai
terkecil dan terbesar dari stem yang kita buat.Setiap stem akan mencangkup leaf dengan
jangkauan mulai dari nol sampai 9.Stem and leaf plot juga akan menyertakan Q yang membantu
pembacaan dari data yang di visualisasikan.
 Berikut langkah-langkah teknik visualisasi data stem and leaf plot :

A. Mengurutkan data agar mendapatkan nilai terkecil dan terbesar.Pada contoh data diatas
nilai terkecilnya adalah 613 dan nilai terbesar adalah 1224.Perlu diingat,digit paling
belakang akan dijadikan acuan sebagai leaf,dan digit paling depan akan dijadikan acuan
sebagai stem.Pada data tersebut,data terkecil didapati 613 maka stem terkecil adalah
6.Sedangkan data terbesar didapati 1224 maka stem terbesar adalah 12.Selanjutnya
tinggal kita buat angka berurut dari 6 sampai 12.
B. Hal lain yang perlu diingat dalam visualisasi data stem and leaf plot adalah,biasanya juga
akan menyertakan Key.Key berfungsi untuk memudahkan seseorang untuk membaca
stem and leaf plot.Contohnya 15|5,maka adalah stemnya adalah 15 dan leaf nya adalah
5.Cara membacanya adalah 115 (seratus lima belas).

Salah satu informasi yang dapat kita peroleh dalam stem and leaf plot ini adalah sebaran
data dan identifikasi keberadaan outlayer yang ada pada data set kita.

2.Yang kedua adalah Dot plot.Dot plot akan merepresentasikan frekuensi kemunculan dari suatu
nilai dengan menggunakan titik.Serupa dengan stem and leaf plot,dot plot juga
merepresentasikan frekuensi sebuah nilai dari data set.Berikut contoh Dot plot :

Semisal data tersebut adalah data harga casing hp.Maka,contoh pada angka 24 terdapat 6 titik
maka artinya terdapat 6 cassing hp yang harganya 24 ribu.
3.Yang ketiga adalah Pie chart.Langsung saja kita ke contoh Pie chart sebagai berikut:

Berikut adalah data set dari omset penjualan kopi.Simbol f adalah frekuensi,rf adalah relatif
frekuensi.Contoh pada jenis kopi Latte frekuensinya adalah 942,artinya latte sudah terjual
sebanyak 942 kali.Dan untuk relatif frekuensi akan digunakan untuk mencari sudut (angle)
karena pie chart merepresentasikan data dalam bentuk lingkaran.Dan sudut penuh satu lingkaran
adalah 360 derajat.Misal untuk mencari sudut dari kopi latte,maka relatif frekuensi x 360
derajat,dan hasilnya adalah 93,97 derajat.

4.Yang keempat adalah Bar plot atau umum disebut diagram batang.Langsung saja kita ke
contoh bar plot :

Kita ambil contoh menggunakan data set yang sama yaitu data omset penjualan kopi.Sekilas
memang bar plot hampir sama dengan histogram,yang membedakan adalah bar plot digunakan
untuk memvisualisasikan data yang sifatnya discrabe,dan pada bar plot antar batang satu dengan
yang lain memiliki jarak.Sedangkan pada histogram antar barang satu dan yang lain itu
berdekatan.
5.Yang kelima adalah scatter plot.Scatter plot banyak digunakan untuk melihat korelasi dua
variable.Untuk lebih jelas disini kita gunakan data set Iris.

Data set Iris adalah data yang umum di gunakan dalam statistika.Disini kita akan melihat lebar
dan panjang kelopak bunga dari set Iris.Dari scatter plot ini dapat terlihat jelas adanya korelasi
positif antara dua variable.Untuk sumbu Y adalah sebagai lebar,dan sumbu X adalah
panjang.Keduanya di ukur oleh satuan centimeter(cm).Setiap titik tersebut merepresentasikan
data poin atau hasil pengukuran.

6.Yang terakhir adalah Time series chart.Teknik ini dugunakan untuk memvisualisasikan time
series data yaitu sekumpulan data yang proses pencatatannya dilakukan berdasarkan interval
waktu tertentu.Interval tersebut bisa berupa harian,mingguan,bulanan,perjam,permenit,atau
perdetik.

Contoh kasus tersebuta ada data set laporan penjualan shampoo perbulan selama tiga tahun.Ciri
utama dari time series chart adalah sumbu X akan berkolerasi dengan waktu,sedang untuk sumbu
Y berkolerasi dengan kuantitas.
 SINOPSIS 7

STATISTIKA PENDIDIKAN
Nama : Sinta Arum Safira

NIM : 201101020046

Kelas : PBA B2 2020

Pada penjelasannkali ini kita akan belajar mengenai Measure of Central Tendency.Apa
itu Measure of Central Tendency ?adalah suatu pengukuran nilai yang dapat digunakan untuk
merepresentasikan nilai tipikal atau sentral dari suatu dataset.Dalam bidang ilmu statistika
terdapat tiga Measure of Central Tendency yang umum di gunakan yaitu Mean (rata-
rata),Median (Nilai tengah),dan Mode/Modus(Nilai yang sering muncul).Selanjutnya mari kita
pelajari satu persatu dari ketiga Measure of Central Tendency tersebut.

A. Mean
Atau sering disebut rata-rata merupakan penjumlahan dari keseluruhan entri pada data
set, dibagi dengan banyaknya entri dari dataset tersebut.Tergantung dari dataset yang kita
miliki,terdapat dua jenis mean yaitu population mean dan sample mean.Apabila dataset
yang kita miliki dihasilkan dari tingkat populasi,maka nilai mean yang dihasilkan adalah
dari population mean.Begitupun sebaliknya.

Terkait proses perhitungan tidak ada perbedaan antar keduanya,hanya saja perbedaannya
terdapat pada penulisan notasi matematika.Untuk population mean disimbolkan dengan
Mu seperti pada gambar.Dan untuk sample mean disimbolkan dengan Xbar seperti pada
gambar.Perbedaan N/n pada population mean dan sample mean yaitu N pada population
mean merepresentasikan jumlah total entri pada populasi,sedangkan n pada sample mean
merepresentasikan jumlah sample yang digunakan.Berikut contoh Mean ;
B. Median
Adalah nilai yang berada ditengah dengan mengacu pada nilai dataset yang sudah
terurut.Untuk dataset dengan jumlah entri ganjil,nilai median dapat diperoleh dengan
nilai yang tepat berada di tengah.Sedangkan untuk dataset dengan jumlah entri
genap,nilai median diperoleh dari rerata dua nilai yang berada ditengah.
Contoh median dengan jumlah entri ganjil :

Pada contoh dataset tersebut terdapat tujuh entri.Maka median dari data tersebut adalah
nilai dari entri ke empat yaitu 268.
 Contoh median dengan jumlah entri genap :

Pada contoh dataset tersebut terdapat enam entri.Maka untuk mengetahui nilai tengah nya
kita harus menjumlahkan antara entri ketiga dan keempat kemudian dibagi dua yaitu
235+268 : 2=251,5
Ingat ! sebelum mencari median kita harus terlebih dahulu mengurutkan data dari yang
terkecil ke terbesar.Baik itu pada entri ganjil ataupun entri genap.

C. Mode atau Modus

Merupakan nilai dari suatu data set yang memiliki frekuensi kemunculan paling
tinggi.Suatu dataset dapat memiliki lebih dari satu mode (multi-modal).Dan suatu dataset
juga bisa saja tidak memiliki mode ketika frekuensi kemunculan dari tiap datanya
sama.Berikut contoh dari mode ;

Pada contoh tersebut kita dihadapkan dengan sekumpulan data sample yang terdiri dari
tujuh entri yang sudah diurutkan.Bisa kita lihat dari data tersebut nilai yang memiliki
frekuensi kemunculan paling tinggi adalah 235 dengan kemunculan sebanyak 2
kali.Sedangkan untuk yang lainnya hanya muncul sekali saja.
 Setelah kita pelajari lebih lanjut mengenai Mean,Modus,dan Median.Sekarang kita akan
mengulas lebih lanjut kelebihan dan kekurangan dari ketiga Measure of Central Tendency
tersebut.

Kelebihan dan kekurangan Mean :

 Mean cukup bisa diandalkan karena mean memperhitungkan setiap entri dari dataset
yang kita miliki.Hanya saja nilai mean sangat rentan dipengaruhi oleh outlier.Dengan
kata lain apabila terdapat outlier pada dataset yang kita miliki maka lebih baik kita tidak
menggunakan mean.Dan sebagai alternatifnya kita bisa menggunakan median.Outlier
sendiri adalah kasus atau sebuah data yang memiliki karakteristik unik yang terlihat
sangat berbeda jauh observasi lainnya.

Selanjutnya kita akan mengenal bentuk lain dari Mean yaitu Weighted mean.Weighted mean
adalah nilai rata-rata dari suatu dataset yang mana setiap entrinya memiliki bobot
tertentu.Berikut adalah representasi matematika pada weighted mean :

Pada notasi tersebut dapat kita ketahui bahwa setiap entri data akan dikalikan dengan bobotnya
masing-masing sebelum dijumlahkan dengan entri data lainnya.

Lebih lanjut terkait dengan mean,kita juga dapat melakukan estimasi nilai mean atau rata-rata
dari suatu dataset yang sudah dikelompokkan ke dalam format distribusi frekuensi.Berikut notasi
matematika dari mean of grouped data :
Dalam notasi matematika tersebut,nilai X akan merepresentasikan nilai midpoint dari setiap
kelas.Dan setiap midpoint akan dikalikan dengan frekuensi masing-masing sebelum dijumlahkan
dengan midpoint lainnya.

Selanjutnya kita akan melihat 4 bentuk distribusi frekuensi yang umum dalam bidang
ilmu statistika beserta posisi mean,median,dan mode nya.
 SINOPSIS 8

STATISTIKA PENDIDIKAN
Nama : Sinta Arum Safira

NIM : 201101020046

Kelas : PBA B2 2020

Dalam penjelasan kali ini,kita akan mempelajari tentang pengukuran keberagaman atau
sebaran data dalam ilmu statistika.Yang dikenal dengan istilah Measure of variation.

Apa itu Measure of variation? yaitu adalah suatu pengukuran nilai yang dapat digunakan untuk
merepresentasikan keberagaman atau sebaran data.Dalam bidang ilmu statistika terdapat tiga
jenis measure of variation yang umum di gunakan yaitu Range,Variance,dan Standart
deviation.Mari kita ulas satu persatu ketiga measure of variation tersebut.

Range,merupakan hasil perhitungan selisih antara nilai tertinggi dengan nilai terendah
dari suatu dataset.Pengukuran nilai menggunakan keberagaman range memiliki kelemahan
dimana hanya menyertakan dua nilai saja dalam proses pengukuran.Yaitu hanya nilai tertinggi
dan terendah.Langsung saja kita pelajari kasus Range berikut :

Pada contoh kasus di atas menjelaskan terdapat dua dataset gaji dari dua perusahaan yang
memiliki jumlah karyawan yang sama yaitu 10 orang.Kedua dataset tersebut juga memiliki nilai
mean dan median yang sama.Untuk menghitung range yaitu dengan menyelisihkan nilai gaji
terbesar dengan nilai gaji terkecil.Pada perusahaan pertama nilai gaji terbesar adalah 47 dan nilai
gaji terkecil adalah 37.Maka range dari perusahaan pertama adalah 47-37 = 10.

Sedangkan untuk perusahaan kedua,nilai gaji terbesar adalah 58 dan nilai gaji terkecil adalah
23.Maka range dari perusahaan kedua adalah 58-23 = 35.

Maka kesimpulannya,karena kedua perusahaan memiliki nilai mean gaji yang sama maka dari
perhitungan range ini disimpulkan bahwa perusahaan kedua memiliki sebaran gaji dengan rentan
yang lebih luas disbanding dengan perusahaan pertama.
 Variance,merupakan hasil perhitungan rata-rata simpangan tiap entri data pada dataset
terhadap nilai mean dari dataset tersebut.Tergantung pada jenis data yang kita miliki terdapat dua
jenis variance.Yaitu population variance dan sample variance.

Perbedaan mendasar dari population variance dan sample variance terdapat pada nilai
pembaginya.Nilai pembagi pada population variance adalah jumlah entri data pada population
dinotasikan dengan huruf N (kapital) sedangkan pada sample dinotasikan dengan n kecil.

Standart Deviation (simpangan baku).Apa kegunaan standart deviation?Nah,pada

variance memiliki kelemahan utama yaitu nilai yang dihasilkan tidak lagi memiliki satuan yang
sama dengan entri data.Maka kelemahan ini dapat diatasi dengan standart deviation.

Pada dasarnya standart deviation adalah perhitungan akar kuadrat dari variance.Sama seperti
variance,terdapat dua jenis standart deviation yaitu population standart deviation dan sample
standart deviation.
Selanjutnya kita akan mereview terkait notasi matematika yang kita gunakan pada ketiga
pengukuran data diatas.

-Kemudian kita akan mempelajari studi kasus mengenai hubungan antara nilai standart deviation
dan bentuk distribusi.

Ketiga distribusi diatas memiliki kesamaan terkait jumlah entri data 8 dan mean 5.Pada
distribusi pertama memiliki standart deviation nol.Hal ini mengindikasikan tidak adanya
keberagaman data pada distribusi tersebut.Dan bisa kita dari bentuk distribusinya dimana semua
data berkumpul menjadi satu pada nilai mean yaitu 5.

Distribusi kedua memiliki standart deviation 1,2.Hal ini mengindikasikan adanya

keberagaman data pada distribusi tersebut dimana setiap entri data akan menyimpang dari nilai
sentral atau mean dengan rata-rata sejauh 1,2.

Sedangkan pada distribusi ketiga memiliki nilai standart deviation yang lebih besar yaitu
3.Hal ini mengindikasikan setiap entri data akan menyimpang dari nilai sentral atau mean dengan
rata-rata sejauh 3.Dan mengingat jumlah entri data yang hanya 8,maka kondisi semacam ini
akhirnya menghasilkan bentuk distribusi yang terbelah seperti pada gambar diatas.
 Pembahasan selanjutnya adalah mengenai empirical rule. Data yang kita temui di
kehidupan sehari-hari,umumnya memiliki bentuk distribusi yang mendekati bentuk distribusi
simetris (bell shaped distribution).Dan empirical rule dapat diterapkan pada bentuk distribus
simetris.

Empirical rule menyatakan bahwa 68% proporsi data menempati rentang mulai dari min -1
standart deviation sampai min +1 standart deviation (1 standart deviation dari min).Empirical
rule juga menyatakan 95%(13,5+34+34+13,5) proporsi data berada pada rentang 2 standart
deviation dari min(dikategorikan tidak biasa).Dan 99,7%(2,35+13,5+34+34+13,5+2,35) proporsi
data berada pada rentang 3 standart deviation dari min (dikategorikan sangat tidak biasa) dan
memiliki sebagai outlier.

Selanjutnya alternative bagi empirical rule yaitu Chebychev’s theorem. Chebychev’s

theorem menyatakan proporsi minimum dari dataset yang berada pada K standart deviation
diformulasikan dengan 1- 1: k².Mengapa kita membutuhkan Chebychev’s theorem padahal sudah
ada empirical rule?Karena empirical rule hanya berlaku untuk simetric distribution,sedangkan
chebychev’s theorem dapat digunakan untuk semua bentuk distribusi.
 Standart deviation dari suatu table distribusi frekuensi.

X merepresentasikan nilai midpoint dari setiap kelas.Dan nilai simpangan kuadrat dari tiap
midpoint akan dikalikan dengan frekuensi masing-masing sebelum dijumlahkan dengan
midpoint lainnya.Notasi berikut adalah formula untuk menghitung sample standart deviation dari
data yang sudah dikelompokkan.Untuk population standart deviation tinggal kita ubah nilai
oembaginya dengan n.Nilai merepresentasikan jumlah entri dari dataset.Nilai n akan setara
dengan total jumlah dari frekuensi tiap kelas.

Yang terakhir adalah Coeffition of variation.

Standart deviation dapat digunakan untuk membandingkan sebaran data antar dataset yang
memiliki satuan pengukuran yang sama dengan nilai mean yang mirip.Sedangkan untuk dataset
yang memiliki satuan pengukuran yang berbeda atau nilai mean yang berbeda,maka kita mesti
menggunakan coeffition of variation.
 SINOPSIS 9

STATISTIKA PENDIDIKAN
Nama : Sinta Arum Safira

NIM : 201101020046

Kelas : PBA B2 2020

Pembahasan kali ini adalah tentang pengukuran posisi data dalam statistika atau yang
dikenal dengan Measure of Position.Measure of position adalah suatu pengukuran nilai yang
digunakan untuk menentukan posisi relatif dari suatu entri data pada sebuah dataset.Terdapat
beberapa measure of position yang umum digunakan.Tiga diantaranya adalah
Quartile,Percentile,dan Standart score.

1.Quartile adalah nilai yang membagi suatu dataset terurut menjadi empat bagian yang
sama.Terdapat tiga nilai quartile yaitu Q¹,Q²,dan Q³.Berikut contoh kasus quartile :

Quartile dapat diperoleh dengan mengurutkan terlebih dahulu nilai pada dataset.Kemudian
membagi dataset menjadi 4 bagian besar.Q¹,Q²,dan Q³. sudah tertera dalam gambar tersebut.Nilai
Q² sama dengan nilai median.Dari nilai quartile yang dihasilkan dapat dilakukan interpretasi
seperti penjelasan yang terdapat pada gambar.

Selanjutnya adalah Interquartile Range (IQR),adalah measure of variation (sebaran

data) dengan menselisihkan nilai quartile ketiga dan pertama (IQR = Q³- Q¹).IQR juga dapat
deteksi outlier.Suatu entri data pada dataset apabila dikategorikan sebagai outlier bila nilainya
lebih kecil Q¹-1,5 (IQR) atau bila nilainya lebih besar dari Q³ +1,5 (IQR).
 Visualisasi data yang berhubungan dengan quartile adalah Box and whisker plot(Box
Plot).Box and whisker plot terdiri dari dua komponen yaitu kotak dan kumis.

Bentuk visualisasinya kurang lebih seperti pada gambar di atas.Bagian box akan
merepresentasikan nilai Q¹(sebelah kiri),Q²,dan Q³(sebelah kanan).Untuk garis tengah pada
kotak merepresentasikan nilai Q² atau median.Sedangkan ujung garis sebelah kiri
merepresentasikan nilai minimum(terkecil).Dan untuk ujung sebelah kanan merepresentasikan
nilai maksimum(terbesar).

2. Persentile,adalah nilai yang membagi suatu dataset terurut menjadi 100 bagian yang
sama.

Percentile juga dapat mendeteksi keberadaan outlier.Entri data pada suatu dataset bisa
dikategorikan sebagai outlier bila lebih kecil dari p5 atau lebih besar dari p95.

3. Standart Score (Z-score),merepresentasikan nilai simpangan suatu entri data terhadap

mean dari dataset yang diukur berdasarkan standart deviation.Nilai z-score bisa negative(entri
data berada disebelah kiri nilai mean),positif(entri data berada disebelah kanan nilai mean),atau
nol(tepat berada diposisi nilai mean).

Z-score juga dapat digunakan untuk mendeteksi outlier pada dataset.95% entri data pada dataset
akan berada diantara nilai z-score negatif 2 sampai dengan z-score 2.Entri data yang berada
diluar jangkauan z-score negatif 2 sampai dengan z-score 2 dapat dikatakan sebagai outlier.
 SINOPSIS 10

STATISTIKA PENDIDIKAN

Nama : Sinta Arum Safira

NIM : 201101020046

Kelas : PBA B2 2020

Analisis bivariat adalah analisis atau kajian terhadap dua variable untuk mengetahui
keterkaitan antara dua variable tersebut.

Analisis bivariat dapat berupa :

1. Analisis korelasional ( analisis hubungan )

2. Analisis komparasional ( analisis perbandingan )

Menurut sifatnya data terbagi menjadi dua yaitu :

1. Data kualitatif atau kategori yaitu data yang tidak berbentuk angka. Seperti
tinggi, rendah, mahal, murah, baik, buruk dll.
2. Data kuantitatif atau data numerik adalah data dalam bentuk angka. Seperti
indeks prestasi, tinggi badan dll.

Y
Jenis Data

Kategori Numerik

Koefisien
Uji-t
Kategori Kontingensi
(t-Test)
X (Chi
Kuadrat)

Uji-t Product
Numerik
(t-Test) Moment

Maka kesimpulan dari tabel diatas adalah,apabila data yang diolah adalah kategori&kategori maka alat yang
digunakan adalah Koefisien kontingensi (chi kuadrat).Sedangkan apabila data yang diolah adalah
kategori&numerik atau sebaliknya maka alat yang digunakan adalah Uji-t.Dan apabila data yang diolah
numerik&numeric maka alat yang digunakan adalah Product Moment.
 ANALISIS KORELASIONAL

1. Pengertian korelasi

Secara umum, korelasi adalah cara untuk mencari suatu hubungan antara
dua variabel. Korelasi merupakan salah satu bentuk dan ukuran yang memiliki
beberapa variabel dalam hubungan yang menggunakan kata dari korelasi positif,
sehingga terjadi perubahan meningkat pada sebuah benda.
Menurut Kamus Besar Bahasa Indonesia (KBBI) adalah hubungan timbal balik atau sebab
akibat. Dalam Matematika, korelasi juga merupakan ukuran dari seberapa dekat dua variabel
berubah dalam hubungan satu sama lain. Pada konteks teknik analisis, korelasi biasa digunakan
untuk mencari hubungan di antara dua variabel yang memiliki sifat kuantitatif. Sedangkan,
menurut teori probabilitas dan statistika, korelasi juga disebut sebagai koefisien korelasi, yakni
nilai yang menunjukkan kekuatan dan arah hubungan linier antara dua peubah acak.

2. Arah korelasi
a. Korelasi positif ( searah)
Disebut Korelasi Positif, jika dua variabel (atau lebih) yang
berkorelasi, berjalan paralel; artinya bahwa hubungan antardua variabel (atau
lebih) itu menunjukkan arah yang sama. Jadi, apabila variabel X mengalami
kenaikan atau pertambahan, akan diikuti pula dengan kenaikan atau
pertambahan pada variabel Y; atau sebaliknya: penurunan atau pengurangan
pada variabel X akan diikuti pula dengan penurunan atau pengurangan pada
variabel Y.
b. Korelasi negative ( berlawanan arah )
Disebut Korelasi Negatif jika dua variabel (atau lebih) yang
berkorelasi itu berjalan dengan arah yang berlawanan, bertentangan, atau
berkebalikan. Ini berarti bahwa kenaikan atau pertambahan pada variabel X
misalnya, akan diikuti dengan penurunan atau pengurangan pada variabel Y.
arah korelasi ini di tunjukkan oleh suatu harga yang di sebut koefisien
korelasi. Koefisien korelasi bergerak dari -1,0 sampai dengan +1,0. Korelasi
yang memiliki koefisien -1,0 di sebut korelasi negative sempurna, demikian
juga koefisien +1,0 di sebut korelasi positif sempurna.

3. Jenis jenis uji korelasi

a. Korelasi product moment ( r )
b. Korelasi koefisien kontingensi ( C )
c. Korelasi tata jenjang ( 𝜌 = rho )
d. Korelasi phi ( 𝛷 = phi )
e. Korelasi point biserial ( rpbis)
 a. Korelasi product moment
Korelasi product moment ( di temukan oleh karl pearson ) di gunakan
untuk melukiskan hubungan antara 2 variabel yang sama sama berjenis
numerik ( angka).
Rumus :

r XY 
 xy
 x2  y2

Keterangan :
dengan Y
rxy  Koefisien Korelasi antara X

x  Deviasi skor  skor X

y  Deviasi skor  skor Y

 xy  Jumlah Hasil Kali x dengan y

x 2
 Jumlah Kuadrat dari deviasi tiap skor X
tiap skor Y
y 2
 Jumlah Kuadrat dari deviasi

Kita akan meneliti korelasi antara intelegensi dengan prestasi belajar siswa. Skor
intelegensi di gunakan sebagai variabrl X dan prestassi belajar sebagai variable Y.

1. Merumuskan Hipotesa :

H0 = Tidak ada hubungan antara intelegensi dengan prestasi belajar siswa

H1 = Ada hubungan antara intelegensi dengan prestasi belajar siswa

Melakukan Pengumpulan Data:

3. Pengujian Hipotesa

Kriteria Pengujian : Jika r hitung >= r tabel , maka H0 ditolak (H1 diterima)

Jika r hitung < r tabel , maka H0 diterima (H1 ditolak)

r hitung= 0,954

Untuk mengetahui nilai dari r table, maka harus menentukan dulu taraf
signifikan alpha (α) dan db ( derajat kebebasan). Jika alpha di tetapkan 5% .

Derajat Kebebasan (db) dengan rumus :

db = N – nr dimana N = Banyaknya data = 20

nr = Jumlah variabel yang dikorelasikan = 2,

sehingga db = 20 – 2 = 18 ,

maka nilai rtabel pada alpha=5% dan db=18 adalah rtabel = 0,444 Jadi

rhitung > rtabel , 0,954 > 0,444 maka H0 ditolak (H1 diterima) Hipotesis

yang diterima (H1) berbunyi :

Ada hubungan antara intelegensi dengan prestasi belajar siswa.

Tabel Interpretasi Nilai r Product Moment

Interpretasi
Nilai r

Sangat Lemah
0,00 - 0,20

Lemah
0,21 - 0,40
 Sedang
0,41 - 0,60
 Kuat
0,61 - 0,80

Sangat Kuat
0,81 – 1,00

Dari hasil perhitungan diperoleh nilai rhitung = 0,954

Berdasarkan Tabel Interpretasi Product Moment dapat dilihat bahwa kekuatan
hubungan dengan kategori Sangat Kuat
Kesimpulan :
Ada hubungan positif yang sangat kuat antara intelegensi dengan prestasi belajar
siswa.
 SINOPSIS 11
STATISTIKA PENDIDIKAN

Nama : Sinta Arum Safira

NIM : 201101020046
Kelas : PBA B2 2020

KORELASI 2 ANALISIS

KORELASIONAL

Resp. JK Pek Stat. Ekonomi Pend. IQ Berat (Kg)

A Laki2 Tani Kaya SMA 50 60

B Prp Dagang Sedang SD 75 45

C Laki2 PNS Miskin S1 60 63

D Prp ABRI Sedang SMA 65 50

Y
Jenis Data

Kategori Numerik
 Koefisien
Uji-t
Kategori Kontingensi
(t-Test)
X (Chi Kuadrat)

Uji-t Product
Numerik
(t-Test) Moment

2.KORELASI KOEFISIEN KONTINGENSI (C)

Apabila dua buah variable atau factor yang berjenis nominal atau ordinal (kategori ) si
korelasikan dan setiap variable atau faktornya terdiri dari beberapa kelas (kelompok), korelasi
kedua factor itu di nyatakan sebagai korelasi kontingensi (C), analisisnya menggunakan
rumus chi square :

 f  f h 2
2 o

fh

fh
 f sebaris x f sekolom

N
Keterangan :

χ2 = Koefisien Korelasi Chi Square

fo = Frekuensi hasil observasi

fh = Frekuensi harapan

N = Jumlah responden

Contoh :

Bagaimana korelasi antara variable motivasi ( tinggi, rendah) dengan variable prestasi ( baik,
buruk) pada 70 mahasiswa

Variabel Prestasi (Y) Σ

 Baik Buruk

Tinggi 5 10 15
Motivasi
(X)
Rendah 35 20 55

Σ 40 30 70

Motivasi Prestasi fo fh fo-fh (fo-fh)2 (fo-fh)2/fh

Baik 5 8,5714 -3,571 12,755 1,488

Tinggi
Buruk 10 6,4286 3,571 12,755 1,984

Baik 35 31,429 3,571 12,755 0,406

Rendah
Buruk 20 23,571 -3,571 12,755 0,541

Chi Kuadrat = 4,419

3. Pengujian Hipotesa

Kriteria Pengujian : Jika x2 hitung >= x2 tabel , maka H0 ditolak (H1 diterima)

Jika x2 hitung < x2 tabel , maka H0 diterima (H1 ditolak)

2  4,419
hitu

Untuk mengetahui nilai dari chi square table, maka harus menentukan dulu
taraf signifikan alpha (α) dan db ( derajat kebebasan). Jika alpha di tetapkan 5% dan
db harus di cari dengan rumus berikut :

db = (K-1) (B-1)

Dengan : K = jumlah kolom,

B = jumlah baris.
 Pada table di atas kontigensi di atas terdapat 2 kolom yaitu kolom baik dan
buruk, terdapat 2 baris yaitu tinggi dan rendah. Maka :

db = (2-1) (2-1)

db = 1.

x2 tabel pada db = 1 dan Taraf signifikansi α 5 % = 3, 841

Jadi x2 hitung > x2 tabel = 4,419 > 3,841

maka H0 ditolak (H1 diterima)

kesimpulan :
Ada hubungan antara Motivasi dengan Prestasi

 h2
C
 h2  N

4,419
C
4,419  70
 0,244
 Interpretasi nilai C

m 1
C maks 
m

2 1  0,707
C maks
2
C   0,244 
 Cmaks
 0,707 
C  0,345 Cmaks

PEMBACAAN TABEL INTERPRETASI

Tabel Interpretasi Nilai C

Interpretasi
Nilai
 Tidak ada korelasi
C=0

Sangat Rendah
0 < C <= 0,2CMaks

Rendah
0,2CMaks < C <=0,4CMaks

Sedang
0,4CMaks< C <=0,6CMaks

Tinggi
0,6CMaks< C <=0,8CMaks

Sangat Tinggi
0,8CMaks< C < CMaks

Sempurna
C = CMaks

Dari hasil perhitungan di peroleh nilai C = 0,345 Cmaks

Berdasarkan table interpretasi dapat di lihat bahwa kekuatan hubungan dengan kategori
rendah.

Kesimpulan :
Ada hubungan antara motivasi dengan prestasi belajar siswa dengan kategori
rendah.
 SINOPSIS 12

STATISTIKA PENDIDIKAN

Nama : Sinta Arum Safira

NIM : 201101020046

Kelas : PBA B2

ANALISIS KOMPARASIONAL

Teknik analisis komparasional adalah salah satu teknik analisis dalam statistik yang
digunakan untuk menguji hipotesis sebagai upaya penarikan kesimpulan dalam penelitian
komparasional. Analisis ini juga dapat digunakan untuk menguji ada atau tidaknya perbedaan
antar variabel yang sedang diteliti, sehingga diperoleh kesimpulan apakah perbedaan ini
cukup berarti (signifikan) atau hanya kebetulan. Dalam pengujian ini, apabila Ho diterima,
berarti nilai perbandingan dua sampel atau lebih tersebut dapat digeneralisasikan untuk
seluruh populasi dimana sampel-sampel diambil dengan taraf kesalahan tertentu.

Terdapat dua model dalam teknik analisis

komparasional. Pertama, analisis komparasional dua

sampel.

Kedua, komparasional lebih dari dua sampel ( k sampel ).

 Beberapa penulis yang lain mengatakan bahwa komparasi antara dua sampel disebut
sebagai analisis komparasi bivariat dan komparasi k sampel disebut sebagaianalisis
komparasi multivariat. Selanjutnya, setiap model komparasional tersebut, sampelnya terbagi
lagi menjadi dua yaitu sampel yang berkorelasi (berpasangan) dan sampel tidak berkorelasi
(sampel tidak berpasangan) atau sampel independen.Sampel berkorelasi (berpasangan) adalah
sampel yang di dalam penelitiannya membandingkan nilai pretest dan posttest atau
membandingkan kelompok eksperimen dankelompok kontrol. Sedangkan sampel tidak
berkorelasi (sampel tidak berpasangan) atau sampel independen adalah sampel yang di dalam
penelitiannya membandingkan sampel yang tidak berkaitan satu sama lain.

Berat
Stat.
(Kg)
Resp. JK Pek Ekonomi Pend. IQ

60
A Laki2 Tani Kaya SMA 50

45
B Prp Dagang Sedang SD 75

63
C Laki2 PNS Miskin S1 60

50
D Prp ABRI Sedang SMA 65

Y
Jenis Data

Kategori Numerik

Koefisien
Uji-t
Kategori Kontingensi
(t-Test)
X (Chi
Kuadrat)

Uji-t Product
Numerik
(t-Test) Moment
 ANALISIS KOMPARASI UNTUK DUA SAMPEL INDEPENDEN

X1  X 2
t
 x2
 x
2
 N N 
 1 2  1 2 
 N1  N 2  2   N1 . N 
  2 

PENGUJIAN HIPOTESA
H0 = Tidak ada Perbedaan antara X1 dengan X2
H1 = Ada Perbedaan antara X1 dengan X2

Kriteria Pengujian :

Jika t hitung >= t tabel , maka H0 ditolak (H1 diterima)

Jika t hitung < t tabel , maka H0 diterima (H1 ditolak)
Untuk menentukan t tabel ditetapkan dulu ;

Taraf signifikansi alpha = 5% atau 1%

Derajat Kebebasan (db) dengan rumus :
db = N1 + N2 – 2

ANALISIS KOMPARASI UNTUK DUA SAMPEL BERPASANGAN

X1  X 2
t
s21  s2  s .s

22r 12 
n  n 
  X  2
 X
2
s

n  1

x X X


2
s2 x
 n 1

s  s2
Keterangan :

X1  Rata  rata sampel 1

X 2  Rata  rata sampel 2

s1  Simpangan baku sampel 1

s2  Simpangan baku sampel 2
2
 Varians sampel 1
s1
2
 Varians sampel 2
s2
r  Korelasi antara sampel 1 sampel 2
dengan n  Jumlah sampel
Pengujian Hipotesa
H0 = Tidak ada Perbedaan antara
X1 dengan X2 H1 = Ada Perbedaan
antara X1 dengan X2
Kriteria Pengujian :
Jika t hitung >= t tabel , maka H0 ditolak (Ha
diterima) Jika t hitung < t tabel ,
maka H0 diterima (Ha ditolak) Untuk
menentukan ditetapkan
dulu ;

Taraf signifikansi alpha =

5% atau 1% Derajat
Kebebasan (db) dengan
rumus : db = N1 + N2 – 2