Pengajuan Hipotesis

Statistika digolongkan ke dalam dua bagian, yaitu statistika deskriptif dan inferensial.

Statistika Deskriptif

Metode statistika yang hanya berusaha melukiskan atau mengalisa kelompok data yang
berasal dari sampel tanpa membuat atau menarik kesimpulan tentang populasi atau kelompok
yang lebih besar. Pada statistika deskriptif diperoleh ukuran-ukuran berupa statistik, karena itu
juga ada yang menyebut statistik deskriptif dengan ukuran statistik.

Statistika Inferensial

Metode statistika untuk menganalisis data sampel dan dilakukan penarikan kesimpulan
tentang karakteristik atau ciri dari suatu populasi berdasarkan data sampel yang diambil dari
populasi tersebut. Oleh karena itu, statistik inferensial disebut juga statistik induktif atau statistik
penarikan kesimpulan.

Dengan demikian, Statistika deskriptif menyajikan fakta sampel, sedangkan statistika

inferensial mengungkap misteri populasi berdasarkan fakta sampel. Singkatnya, Kesimpulan
yang di ambil adalah

- Statistika deskriptif : untuk sampel itu sendiri

- Statistika inferensial : bisa di generalisasi untuk populasi

Statistika Parametrik dan Non-Parametrik

Dalam melakukan estimasi parameter atau pengujian hipotesis, statistika dibedakan menjadi dua,
yaitu :

Statistika Parametrik

Metode statistika yang pada penerapannya membutuhkan asumsi tentang distribusi atau
sebaran populasinya, seperti asumsi distribusi normal atau asumsi distribusi khusus lainnya.

Non-Parametrik

Metode statistika yang tidak diperlukan asumsi tentang parameter-parameter dan bentuk
distribusi populasinya.
 Dalam statistika inferensial tersedia pilihan prosedur yaitu parametrik dan non
parametrik, Prosedur parametrik mengasumsikan data memiliki sebaran teoritik dan nilai data itu
sendiri yang digunakan dalam analisis. Prosedur nonparametrik tidak mengasumsikan data
memiliki sebaran teoritik tertentu dan biasanya kategorik yang di gunakan dalam analisis
Pemilihan uji parametrik atau non-parametrik tergantung pada banyak faktor, salah satunya
adalah tujuan dan masalah yang di teliti.

Pengujian Hipotesis

HIPOTESIS adalah Suatu pernyataan / anggapan yang mempunyai nilai mungkin benar /
salah atau suatu pernyataan /anggapan yang mengandung nilai ketidakpastian. Menurut Tiro
(2008) hipotesis adalah dugaan/asumsi sementara yang masih harus di uji kebenarannya.

CONTOH

– Besok akan turun hujan è mungkin benar/salah

– Penambahan pupuk meningkatkan produksi è mungkin benar/salah
– Varietas A lebih baik dibandingkan dengan varietas mungkin benar/salah
– Dan lain-lainnya

Kegunaan hipotesis (Tiro, 2008) :

• Mengidentifikasi data yang akan dikumpulkan

• Merancang instrument pengumpul data
• Merencanakan teknik pengambilan sampel
• Memilih metode analisis data yang akan digunakan

Hipotesis dibedakan menjadi dua :

Hipotesis Penelitian, yaitu hipotesis yang didasarkan pada teori tertentu, dan hipotesis ini
bentuknya verbal (dalam kalimat). Dalam pengujian hipotesis, kesimpulan yang di ambil
berpeluang keliru.

• Pengambilan keputusan akan memunculkan dua jenis kesalahan yaitu:

 - Salah jenis I (Error type I) : kesalahan akibat menolak H0 padahal H0 benar
- Salah jenis II (Error type II) : kesalahan akibat menerima H0 padahal H1 benar

• Besarnya peluang kesalahan dapat ini dapat dihitung sebagai berikut:

- P(salah jenis I) = P(tolak H0/H0 benar) = a

- P(salah jenis II) = P(terima H0/H1 benar) = bHipotesis statistik, asumsi/dugaan
dikhususkan mengenai parameter.

Korelasi Pearson

korelasi adalah hubungan, korelasi pearson itu merupakan salah satu ukuran korelasi
yang digunakan untuk mengukur kekuatan dan Arah hubungan linear dari dua variabel. Dua
variabel dikatakan berkorelasi apabila perubahan salah satu variabel disertai dengan perubahan
variabel lainnya baik dalam arah yang sama ataupun arah yang berlawanan, ya kalau korelasi
pearson itu hanya untuk mengukur kekuatan ketika hubungan antara satu variabel dengan
variabel lainnya itu adalah hubungan linear.

Selain itu korelasi pearson tidak bisa digunakan adanya hubungan linier yang kuat di
antara variabel tidak selalu berarti ada hubungan kausalitas atau sebab akibat. Jadi kalau korelasi
ini hanya mengukur seberapa besar hubungan antara satu variabel yang satu dengan yang lainnya
dia tidak menentukan hubungan kausalitas atau hubungan sebab-akibat. contohnya, Misalkan
seperti ini hubungan antara suhu dengan kelembaban udara dengan sama-sama tahu hubungan
antara suhu dengan kelembaban udara. ketika suhunya ketika kelembaban udaranya itu tinggi,
Maka suhunya rendah dan sebaliknya ketika kelembaban udara itu rendah, maka suhunya akan
tinggi . ini korelasi antara kelembaban udara dengan suhu itu sangat tinggi tapi tidak ada
hubungan sebab akibat, tidak ada yang menyebabkan dan tidak ada yang diakibatkan suhu itu
tidak menyebabkan perubahan pada kelembaban udara atau sebaliknya.

kelembaban udara tidak mengakibatkan perubahan suhu melainkan ada variabel lain yang
mempengaruhi mereka yaitu, misalkan perubahan ketinggian tempat semakin tinggi Maka
mengakibatkan kelembaban udara akan semakin tinggi jadi yang mempengaruhi di sana adalah
gelombang ketinggian tempat, jadi hubungan korelasi itu tidak menentukan apakah hubungan
antara kedua variabel ini memiliki hubungan sebab-akibat jadi hanya sekedar memukul
hubungan linier dari hubungannya punya hubungan antara satu variabel dengan variabel yang
lain.

Sebelum melakukan analisis korelasi antar variabel, sebaiknya kita mengeksplorasi data
tersebut terlebih dahulu secara grafis. Sering kali kita melihat pola hubungan di antara variabel
dengan cara memplotkan pasangan sampel data tersebut pada diagram kartesian yang disebut
dengan sc Kovarian dan Korelasi

Untuk memahami korelasi linier antara dua variabel, terdapat dua elemen yang harus kita
tinjau, mengukur hubungan diantara dua variabel (kovarian) dan proses standarisasi.

Kovarian

Salah satu ukuran kekuatan hubungan linear antara dua variabel acak kontinu adalah
dengan menentukan seberapa banyak kedua variabel tersebut co-vary, yaitu bervariasi bersama-
sama. Jika salah satu variabel meningkat (atau menurun) sebagai akibat peningkatan (atau
penurunan) variabel pasangannya, maka dua variabel tersebut dinamakan covary. Namun jika
satu variabel tidak berubah dengan meningkatnya (atau penurunan) variabel lain, maka variabel
tersebut tidak covary. Statistik untuk mengukur berapa banyak kedua variabel covary dalam
sampel pengamatan adalah kovarian. Atterplot atau diagram pencar. Setiap pasangan data (x, y)
diplotkan sebagai titik tunggal.

Koefisien korelasi mengukur kekuatan dan arah hubungan linier dari dua veriabel. Harus
diingat bahwa nilai koefisien korelasi yang kecil (tidak signifikan) bukan berarti kedua variabel
tersebut tidak saling berhubungan. Mungkin saja dua variabel mempunyai keeratan hubungan
yang kuat namun nilai koefisien korelasinya mendekati nol, misalnya pada kasus hubungan non
linier. Dengan demikian, koefisien korelasi hanya mengukur kekuatan hubungan linier dan tidak
pada hubungan non linier.

Harus diingat pula bahwa adanya hubungan linier yang kuat di antara variabel tidak
selalu berarti ada hubungan kausalitas, sebab-akibat. Kedua pasang variabel, x dan y bisa saja
nilai koefisien korelasinya tinggi sebagai akibat adanya faktor z. Sebagai contoh, suhu (x)
dengan tekanan udara (y) mungkin saja nilai koefisien korelasinya tinggi, namun belum tentu
keduanya menunjukkan adanya hubungan sebab akibat (misal, semakin rendah suhu udara maka
tekanan udara akan semakin rendah). Adanya korelasi suhu dan tekanan udara tersebut bisa saja
semata-mata sebagai akibat dari perubahan ketinggian (z) suatu tempat, semakin tinggi tempat
maka baik suhu ataupun tekanan udara akan semakin menurun. (meskipun secara teoritis
memang terdapat hubungan sebanding antara suhu dan tekanan: PV = nRT). Dengan demikian,
Korelasi hanya menjelaskan kekuatan hubungan tanpa memperhatikan hubungan kausalitas,
mana yang dipengaruhi dan mana yang mempengaruhi. Kedua variabel masing-masing bisa
berperan sebagai Variabel X maupun Variabel Y.

Spearman Rank

Besarnya hubungan antara dua variabel atau derajat hubungan yang mengukur korelasi
berpangkat disebut :

- koefisien korelasi berpangkat,

- korelasi berjenjang,
- korelasi berurutan, atau- korelasi bertingkat

Ditemukan oleh Spearman sehingga disebut juga Korelasi Spearma, Uji Rank Spearman
diperkenalkan oleh Spearman pada tahun 1904. Uji Rank Spearman digunakan untuk menguji
hipotesis korelasi dengan skala pengukuran variabel minimal ordinal. dalam Uji Rank Spearman,
skala data untuk kedua variabel yang akan dikorelasikan dapat berasal dari skala yang berbeda
(skala data ordinal dikorelasikan dengan skala data numerik) atau sama (skala data ordinal
dikorelasikan dengan skala data ordinal). Data yang akan dikorelasikan tidak harus membentuk
distribusi normal.

Korelasi spearman rank merupakan suatu ukuran asosiasi atau hubungan yang digunakan
pada kondisi satu atau kedua variabel yang diukur dalam skala ordinal atau berbentuk tingkat
besarnya asosiasi antara kedua variabel. dijelaskan dengan koefisien korelasi spearman
dinotasikan dengan nilai koefisien korelasi spearman atau RS itu berkisar dari minus 1 sampai 1
langkah perhitungan koefisien. korelasi spearman yang pertama berikan peringkat atau ring dari
1 sampai dengan n pada setiap variabel Jika data memiliki nilai yang sama maka diberikan
peringkat yang sama yaitu rata-rata peringkat kedua menghitung selisih ranking dari kedua
variabel dan kemudian selisih tersebut dikuadratkan langkah yang terakhir menghitung nilai
koefisien korelasi rank spearman dengan rumus.
Koefisien Kontingensi

Digunakan untuk melihat atau hubungan antara jenis kelamin tingkat pendidikan SD
SMP SMA Perguruan Tinggi dan sebagainya, tingkat kesejahteraan dan masih banyak lainnya
dinamakan dengan cc 5 cc itu sama dengan akar dari kain segar dibagi dengan a n, sedangkan
sendiri itu adalah Jumlah dari 3 dikurangi dengan dikuadratkan berikut keterangan dari simbol-
simbol pada rumus koefisien kontingensi yang kita miliki disusun dalam tabel kontingensi yang
kita miliki diklasifikasikan secara silang berdasarkan 2 atribut yang terdapat dalam suatu tabel
berukuran protalium.

prosedur pengujian yang pertama melakukan uji independensi atau kebebasan untuk
melihat hubungan antara dua variabel atau langkah-langkahnya yang pertama Tentukan hipotesis
h0 tidak ada asosiasi antar variabel h-1 ada asosiasi, Kemudian yang kedua Tentukan taraf
signifikansi atau Alfa yang ketiga yaitu merek statistik uji kain, kemudian yang ke 4 Tentukan
daerah penolakan h0 ditolak ketika hitung lebih besar daripada Kalau diterima ketika transfer
hitung lebih kecil daripada jika ditolak, maka Terdapat hubungan antara ke dua variabel besarnya
hubungan tersebut dihitung menggunakan rumus koefisien kontingensi untuk melihat kekuatan
hubungan bandingkan nilai koefisien kontingensi.

Regresi Linier Sederhana

Diperkenalkan pertama kali oleh Sir Francis Galton, yang membandingkan tinggi badan
anak laki-laki dengan tinggi badan ayahnya. Galton menunjukkan bahwa tinggi badan anak laki-
laki dari ayah yang tinggi setelah beberapa generasi cenderung mundur (regressed) mendekati
nilai tengah populasi.

Analisis Regresi

Analisis statistika yang memanfaatkan hubungan antara dua atau lebih variabel kuantitatif
sehingga salah satu peubah dapat diramalkan dari variabel lainnya.

Digunakan untuk:

• Menguji sejauh mana hubungan sebab akibat antara variabel dependen terhadap variabel
independent
 • Meramalkan (memprediksi) nilai variabel dependen, bila nilai variabel independent
diketahui.
• Tidak semua hubungan (relationship) berupa hubungan sebab-akibat (causal relationship)
• Penentuan hubungan sebab akibat memerlukan pendapat/ pengetahuan dari bidang ilmu
terkait.

Variabel

Variabel atau peubah adalah konstruk atau sifat yang melekat pada objek yang akan diamati.
Seperti, jenis kelamin, usia, pekerjaan, dsb.

Variabel pada regresi:

1. Variabel Bebas/Independen adalah variabel yang perubahan nilainya mempengaruhi nilai

pada variable lain. Dinotasikan (X)
2. Variabel Terikat/Dependen adalah variabel yang perubahan nilainya dipengaruhi oleh
variabel lain. Dinotasikan (Y)

Regresi Linier Sederhana

Regresi sederhana didasarkan pada hubungan kausal satu variabel independen dengan satu
variabel dependen. Misal: IQ vs Prestasi, Berat vs Tinggi, Dosis Pupuk vs Produksi, Profit vs
Biaya Iklan

Koefisien Determinasi

Koefisien determinasi (R2 adalah suatu indikator yang digunakan untuk menggambarkan berapa
banyak variasi yang dijelaskan dalam model.

KD = R2 × 100% = 0.95%× 100% = 91%

Variabel X mampu menjelaskan variabel Y sebesar 91%, sedangkan sisanya 9% dijelaskan oleh
variabel lain.