Statistik Pendididkan..

Statistik Pendidikan 2022
DAFTAR ISI
Halaman
Kata Pengantar
Daftar Isi
BAB I PENGANTAR STATISTIKA
A. Pengertian Statistika 1
B. Fungsi dan Peranan Statistik 2
C. Pembagian Statistika Berdasarkan Pengolahan Data 3
D. Pembagian Statistik Berdasarkan Ruang Lingkup Penggunaannya 6
E. Pembagian Statistik Berdasarkan Bentuk Parameternya 6
BAB II DATA dan VARIABEL

A. Pengertian 7
B. Penggolongan Data 9
C. Pengumpulan Data 14
D. Pengolahan Data 17
E. Penyajian Data 18
F. Penerapan Dan Pemecahan Masalah 47
G. Latihan 50
BAB III PENGUKURAN

A. Pengertian Pengukuran 53
B. Skala Pengukuran 54
BAB IV DISTRIBUSI FREKUENSI

A. Distribusi Frekuensi Data Tunggal. 60
B. Distribusi Frekuensi Data Kelompok 61
C. Distribusi Frekuensi Kumulatif 65
D. Grafik 66
E. Latihan 73
BAB V TENDENSI SENTRAL DAN VARIABILITAS

A. Tendensi Sentral 76
B. Jenis-jenis Ukuran Tendensi Sentral 76
C. Sifar-sifat Rata-rata Hitung Mean dan Modus 104
D. Hubungan rata-rata hitung, Mean, Modus 107
E. Latihan 109
F. Teknik Pengumpulan Data di Lapangan 115
G. Penggunaan Pengumpulan Data Dalam Penelitian
Kualitatif Dan kuantitatif. 120
H. Latihan 128
i
BAB VI ANALISIS KORELASI
A. Pengertian Korelasi 133
B. Arah Korelasi 133
C. Peta Korelasi 135
D. Angka Korelasi 136
E. Teknik Analisis Korelasional, Pengertian, Tujuan, Dan
Penggolongannya 140
F. Teknik Korelasi Product Moment 142
G. Teknik Korelasi Tata Jenjang 185
H. Latihan 198
I. Korelasi Spearman 199
J. Latihan 204
BAB VII REGRESI LINEAR SEDERHANA

A. Hubungan Antar Variabel 208
B. Melakukan Prediksi Y berdasarkan X 210
C. Latihan 216
BAB VIII UJI BEDA DUA MEAN INDEPENDEN

A. Uji Beda Dua Mean Independen (Uji t Independen) 222
B. Uji Beda Dua Mean Independen (Uji t Mann-Whitney) 231
C. Latihan 234
BAB IX UJI BEDA DUA MEAN DEPENDEN

A. Uji Beda Dua Mean Dependen (Uji t Dependen) 237
B. Uji Beda Dua Mean Independen (Uji Wilcoxon) 240
C. Latihan 244
Daftar Pustaka 245
ii
BAB I
PENGANTAR STATISTIKA
Pengertian Statistika
Fungsi dan Peranan Statistik
Pembagian Statistika Berdasarkan

Pengantar Statistika
Pengolahan Data
Pembagian Statistik Berdasarkan

Ruang Lingkup Penggunaannya
Pembagian Statistik Berdasarkan

Bentuk Parameternya
Gottfried Achenwall lahir di Elbing, Provinsi

Royal Prusia, Polandia pada tanggal 20
Oktober 1719. Ia menjadi terkenal karena
istilah “Statistik” untuk pertama kalinya pada
karyanya yang berjudul Staatsverfassung der
heutigen vornehmsten Europäischen Reiche
und Völker im Grundrisse (Konstitusi Politik
Negara dan Masyarakat Eropa Saat Ini) pada tahun 1749. Dalam
karyanya ini, “Staatsverfassung der heutigen vornehmsten Europäischen
Reiche und Völker im Grundrisse”, dia memberikan gambaran tentang
konstitusi dari berbagai negara di Eropa dengan menggambarkan kondisi
pertanian, manufaktur dan perdagangannya. Dalam bukunya tersebut, ia
menggunakan istilah “Statistik” yang menggandung arti suatu deskripsi
komprehensif dari sosial, politik, dan ekonomi suatu negara. Jadi pada
waktu itu, statistik adalah suatu kegiatan yang berhubungan dalam proses
analisis data kenegaraan. Atas jasanya ini, para ekonom Jerman memberi
julukan “Bapak Statistika”.
1
A. Pengertian Statistika
Berabad-abad silam, kata “Statistika” telah dikenal hingga saat

ini. Banyak yang dapat dilakukan dengan “Statistika”. Begitu pula di
dalam dunia pendidikan, “Statistik” sangat menunjang berbagai hal dalam
pendidikan. Diantaranya digunakan untuk kegiatan penelitian, melihat
perkembangan peserta didik atau siswa, menilai kesesuaian materi bahan
ajar dan kebutuhan di lapangan, mengetahui keberhasilan suatu lembaga
pendidikan, dan masih banyak lagi.
Begitu pentingnya “Statistika” di dalam dunia pendidikan.

Lantas, apa yang dimaksud dengan “Statistika” tersebut?. Kata “Statistik”
berasal dari istilah-istilah bahasa Latin yaitu statisticum collegium
("dewan negara"). Sedangkan di dalam Kamus Besar Bahasa Indonesia
(KBBI), arti dari “Statistika” adalah 1) ilmu tentang cara mengumpulkan,
menabulasi, menggolong-golongkan, menganalisis, dan mencari
keterangan yang berarti dari data yang berupa angka; 2) pengetahuan
yang berhubungan dengan pengumpulan data, penyelidikan dan
kesimpulannya berdasarkan bukti, berupa catatan bilangan (angka-
angka).
Selain “Statistika” ada pula “Statistik”. Apa perbedaan antara

kedua kata tersebut?. Keduanya memiliki pengertian yang sangat
berbeda, walaupun hanya berbeda dengan adanya huruf ‘s’ di bagian
akhir salah satu kata. “Statistika” (statistics) adalah suatu ilmu yang
mempelajari segala hal terkait bagaimana mengumpulkan,
2
menyederhanakan, menyajikan, dan membuat kesimpulan. Sedangkan

“Statistik” (statistic) adalah data, berupa angka yang dikumpulkan,
ditabulasi sehingga menjadi sebuah informasi.
Dari penjelasan di atas, maka dapat diambil kesimpulan bahwa

“Statistika” adalah ilmu yang mempelajari “Statistik”. Atau dengan kata
lain “Statistika” adalah ilmu yang mempelajari cara mengumpulkan data,
menyederhanakan data, menyajikan data dan membuat kesimpulan.
B. Fungsi dan Peranan Statistik

Fungsi Statistika sebagai alat bantu sangat banyak, diantaranya
dapat mengevaluasi hasil proses belajar mengajar, dapat
menggambarkan data dalam bentuk tertentu, dapat menyederhanakan
data yang kompleks menjadi data yang sederhana dan mudah
dimengerti, dapat memperluas pengetahuan individu, dapat mengukur
besaran dari suatu gejala, dapat menentukan hubungan sebab akibat, dan
lain sebagainya.
Seorang pendidik yang profesional, statistika juga sangat

berperan besar, karena dengan menggunakan statistika sebagai alat
bantu maka pendidik akan lebih mudah dalam 1) memperoleh gambaran,
baik gambaran umum maupun secara khusus tentang suatu gejala,
keadaan atau peristiwa, 2) Mengikuti perkembangan pasang-surut
mengenai gejala, keadaan atau peristiwa, dari waktu ke waktu, 3)
melakukan pengujian, apakah gejala yang satu berbeda dengan gejala
yang lain, 4) jika terdapat perbedaan apakah perbedaan itu merupakan
perbedaaan yang berarti (meyakinkan) ataukah perbedaan itu terjadi
hanya kebetulan saja, 5) mengetahui apakah gejala yang satu ada
3
hubungannya dengan gejala yang lain, 6) menyusun laporan yang berupa

data kuantitatif dengan teratur, ringkas dan jelas serta 7) menarik
kesimpulan secara logis, mengambil keputusan secara tepat dan mantap,
serta dapat memperkirakan atau meramalkan hal-hal yang mungkin
terjadi di masa mendatang, dan langkah kongkrit apa yang perlu
dilakukan pendidik.
C. Pembagian Statistika Berdasarkan Pengolahan Data

a. Statistika Deskriptif
Pengertian dari statistika deskriptif adalah sebentuk kegiatan
statistika dalam mengoleksi, mengorganisir, menggambarkan dengan
statistika sederhana atau menyajikan data dengan diagram. Statistika
deskriptif mempunyai tujuan untuk mendeskripsikan atau memberi
gambaran objek yang diteliti sebagaimana adanya tanpa menarik
kesimpulan. Dalam statistik deskriptif ini dikemukakan cara-cara
penyajian data dalam bentuk tabel maupun diagram, penentuan rata-rata
(mean), modus, median, rentang serta simpangan baku.
Data hasil observasi, yang dapat dilakukan dengan cara pengamatan
langsung, wawancara, atau dengan kuesioner akan diolah dalam
statistika kualitatif. Jadi, statistika kualitatif berhubungan dengan
statistika deskriptif. Dimana analisisnya berupa deskripsi yang
dinyatakan dengan kata-kata, juga akan menggunakan perhitungan
statistika sederhana hanya sebagai informasi tambahan.
Furchan (2004) menyatakan karakteristik dalam penelitian deskriptif
adalah cendrung menggambarkan suatu fenomena apa adanya dengan
cara menelaah secara teratur-ketat, mengutamakan obyektivitas, dan
dilakukan secara cermat, tidak ada perlakuan yang diberikan atau
dikendalikan, dan tidak ada uji hipotesis.
4
Ada beberapa jenis penelitian deskriptif, yaitu sebagai berikut:

• Studi kasus
Yaitu suatu penyelidikan intensif tentang individu, dan atau unit
sosial yang dilakukan secara mendalam dengan menemukan semua
variabel penting tentang perkembangan individu atau unit sosial yang
diteliti. Di penelitian ini dimungkinkan ditemukannya hal-hal tak
terduga kemudian dapat digunakan untuk membuat hipotesis.
• Survei
Studi jenis ini merupakan studi pengumpulan data yang relatif
terbatas dari kasus-kasus yang relatif besar jumlahnya. Tujuannya
untuk mengumpulkan informasi tentang variabel dan bukan tentang
individu. Berdasarkan ruang lingkupnya (sensus atau survai sampel)
dan subyeknya (hal nyata atau tidak nyata), sensus dapat
dikelompokkan menjadi beberapa kategori, yaitu: sensus tentang hal-
hal yang nyata, sensus tentang hal-hal yang tidak nyata, survei sampel
tentang hal-hal yang nyata, dan survei sampel tentang hal-hal yang
tidak nyata.
• Studi perkembangan
Studi ini merupakan penelitian yang dilakukan untuk memperoleh
informasi yang dapat dipercaya bagaimana sifat-sifat anak pada
berbagai usia, bagaimana perbedaan mereka dalam tingkatan-
tingkatan usia itu, serta bagaimana mereka tumbuh dan berkembang.
Hal ini biasanya dilakukan dengan metode longitudinal dan metode
cross-sectional.
• Studi tindak lanjut
Studi yang menyelidiki perkembangan subjek setelah diberi
perlakukan atau kondisi tertentu atau mengalami kondisi tertentu.
5
• Analisis dokumenter
Studi ini sering juga disebut analisi isi yang juga dapat digunakan
untuk menyelidiki variabel sosiologis dan psikologis.
• Analisis kecenderungan
Analisis yang digunakan untuk meramalkan keadaan di masa yang
akan datang dengan memperhatikan kecenderungan-kecenderungan
yang terjadi.
• Studi korelasi
Penelitian yang bertujuan menetapkan besarnya hubungan antar
variabel yang diteliti.
b. Statistik inferensial (induktif)

Statistika inferensial adalah kegiatan mengolah, menguji,
mengambil kesimpulan dan menginterpretasikan. Statistik inferensial
(induktif) mempunyai tujuan untuk menarik kesimpulanberdasarkan data
yang diperoleh dari sampel untuk menggambarkan karakteristik atau ciri
dari suatu populasi. Oleh sebab itu statistik ini disebut sebagai statistik
induktif atau statistik penarikan kesimpulan. Sebelum menarik
kesimpulan dilakukan suatu dugaan yang dapat diperoleh dari statistik
deskriptif.
Setelah data diperoleh, maka data akan diolah dengan cara
menghitung dan mengukur. Kegiatan tersebut dikelompokkan dalam
bidang statistika kuantitatif. Kegiatan pada statistika kuantitatif lebih
banyak berhubungan dengan statistika inferensial.Dalam statistika ini
untuk mengambil keputusan dan memprediksi suatu hubungan
antarkejadian didasarkan oleh perhitungan numerik (angka). Analisisnya
6
berbentuk perhitungan numerik yang digunakan sebagai dasar menerima

atau menolak hipotesis.
D. Pembagian Statistik Berdasarkan Ruang Lingkup

Penggunaannya
a. Statistik sosial adalah statistik yang diterapkan dalam ilmu sosial
b. Statistik pendidikan adalah statistik yang diterapkan dalam ilmu
pendidikan
c. Statistik ekonomi adalah statistik yang diterapkan dalam ilmu
ekonomi
d. Statistik perusahaan adalah statistik yang diterapkan dalam ilmu
perusahaan
e. Statistik pertanian adalah statistik yang diterapkan dalam ilmu
pertanian
f. Statistik kesehatan adalah statistik yang diterapkan dalam ilmu
kesehatan.
E. Pembagian Statistik Berdasarkan Bentuk Parameternya

a. Statistik parametrik, adalah bagian statistik yang parameter dari
populasinya mengikuti suatu distribusi tertentu, seperti distribusi
normal dan memiliki varians yang homogen.
b. Statistik nonparametrik, adalah bagian statistik yang parameter dari
populasinya tidak mengikuti suatu distribusi tertentu atau memiliki
distribusi yang bebas dari persyaratan, dan variannya tidak perlu
homogen
7
BAB II
DATA dan VARIABEL
Pengertian
Penggolongan Data
Pengumpulan Data
Data dan Variabel
Pengolahan Data
Penyajian Data
Penerapan dan Pemecahan Masalah
Sir Francis Galton adalah sepupu Sir

Douglas Galton, sepupu dua kali Charles Darwin,
adalah seorang polymath Victoria Inggris,
antropolog, egenetika, penjelajah tropis,
geografer, penemu, ahli meteorologi, ahli proto-
genetika, psychometrisian, dan statistikawan. Dia
diberi gelar kebangsawanan pada tahun 1909.
Galton mempunyai produktivitas intelektual tinggi dan
menghasilkan lebih dari 340 makalah dan buku sepanjang hidupnya. Ia
juga menciptakan konsep statistik korelasi dan regresi. Dia adalah orang
yang pertama untuk menerapkan metode statistik untuk mempelajari
perbedaan manusia dalam hal warisan kecerdasan, dan memperkenalkan
penggunaan kuesioner dan survei untuk mengumpulkan data tentang
masyarakat, yang dibutuhkan untuk genelogikal dan biografi serta untuk
studi antropometrik nya.
8
A. Pengertian
Statistika identik dengan data. Apakah yang dimaksud dengan data
tersebut? Data merupakan kumpulan dari datum-datum. Apakah yang
dimaksud dengan datum? Datum adalah catatan keterangan atau informasi
yang diperoleh dari sebuah penelitian. Bentuknya dapat berupa bilangan,
lambang, sifat atau keadaan dari objek yang sedang diteliti. Perhatikan
tabel berikut.
Tabel. Nama dan Tinggi Badan Siswa
Nama Tinggi Badan
Jelita 168
Nova 165
Sarra 161
Angel 158
Caca 155
Dari tabel di atas sebagai ilustrasi, bilangan-bilangan 168, 165, 161

dan seterusnya masing-masing disebut dengan datum. Kumpulan dari
bilangan-bilangan itu disebut data.
Telah dijelaskan salah satu bentuk dari data adalah bilangan atau
angka. Apakah semua bilangan atau angka tersebut dapat dikatakan data
statistik? Jawabannya adalah “tidak”. Mengapa demikian? Sebab,
bilangan atau angka tersebut harus memenuhi persyaratan tertentu, yaitu
harus menunjukkan suatu ciri dari suatu penelitian yang bersifat agregatif
serta mencerminkan suatu kegiatan dalam bidang tertentu. Yang dimaksud
dengan penelitian bersifat agregatif adalah:
9
• Penelitian boleh melakukan pencatatan hanya sekali namun dilakukan

terhadap beberapa individu.
Contoh:
Hasil pencatatanterhadap 10 orang siswa mengenai nilai ujian tengan
semester siswa pada mata pelajaran Matematika, disajikan sebagai
berikut:
No Nama Siswa Nilai
1 Lucky Arif 80
2 Firmansyah 65
3 Zafira Nayla 85
4 Arfan Jaya 70
5 Nikita Syahputri 65
6 Liza Sari 85
7 Putri Lukman 75
8 M. Ozi 70
9 Larra Sati 80
10 Sri Delima 65
Dari tabel di atas, dapat kita lihat nilai-nilai hasil ujian tengah semester
siswa pada mata pelajaran Matematika. Dari angka-angka tersebut
diperoleh satu ciri, misalnya: nilai rata-rata dari 10 orang siswa
tersebut adalah 74.
• Penelitian boleh mengenai satu individu saja, namun pencatatan harus
dilakukan lebih dari satu kali.
Contoh:
Hasil pencatatan rangking yang diperoleh “Ani” selama semester I
hingga semester VI dapat dilihat pada tabel berikut.
10
Semester Ranking
I 2
II 2
III 1
IV 4
V 5
VI 3
Angka 2, 2, 1, 4, 5 dan 3 menunjukkan ciri tentang perkembangan
prestasi belajar Ani dari waktu ke waktu.
Jadi, bilangan-bilangan yang telah dicontohkan di atas itulah yang

dapat dikatakan data statistik. Sebab bilangan tersebut telah
mencerminkan suatu kegiatan penelitian (pencatatan) yang bersifat
agregatif dan juga bilangan tersebut telah mencerminkan bidang tertentu
(dalam hal ini bidang pendidikan).
B. Penggolongan Data
Data statistik dapat digolongkan ke dalam beberapa golongan. Hal
ini dikarenakan dari segi mana data itu dilakukan. Berikut penjelasannya.
• Penggolongan Berdasarkan Sifatnya.
Berdasarkan sifatnya, data dapat dibedakan menjadi dua yaitu data
kontinyu dan data diskrit. Data kontinyu adalah data yang berderet,
artinya data tersebut merupakan angka yang sambung-menyambung
atau kontinyu.
11
Contoh data kontinyu:

Data statistik ukuran tinggi badan (dalam cm): 155 – 155,1 – 155,2 –
155,3 – 155,4 – 155,5 – dan seterusnya.Sedangkan data diskrit adalah data
yang tidak mungkin berbentuk pecahan.
Contoh data diskrit:
Data statistik jumlah kepala keluarga di setiap desa: 150, 200, 375, 388
dan sebagainya.Dari contoh ini, jelas tidak mungkin jumlah kepala
keluarga 225,5 atau 300,7 dan sebagainya.
• Penggolongan Berdasarkan Cara Menyusun Angkanya.

Dari segi cara menyusun angkanya, data statistik dapat dibedakan
menjadi tiga, yaitu data nominal, data ordinal dan data interval. Berikut
penjelasannya.
Data Nominal adalah penyusunan angka data statistik berdasarkan
penggolongan atau klasifikasi tertentu. Data nominal juga disebut dengan
data hitung. Sebab data angka diperoleh dari hasil menghitung.
Contoh:
Data statistik jumlah mahasiswa Universitas “x” Jurusan Matematika
Semester III pada tahun ajaran 2017/2018.
Jenis Kelamin
Kelas Jumlah
Laki-laki Perempuan
A 24 16 40
B 12 26 38
C 7 33 40
Jumlah 43 75 118
Pada tabel di atas terdapat angka 24, 16, 12, 26 dan seterusnya merupakan
data nominal. Hal ini dikarenakan data disusun berdasarkan
12
penggolongan/klasifikasi , yaitu menurut kelas dan jenis kelaminnya. Data

juga dihitung, yaitu menghitung jumlah mahasiswa berdasarkan kelas dan
jenis kelaminnya pula.
Data Ordinal yaitu data statistik yang disusun berdasarkan urutan

kedudukan/ ranking atau juga disebut dengan data urutan.
Contoh:
Dari hasil rekapitulasi nilai-nilai siswa kelas IX-A selama satu tahun,
maka diperoleh data statistik yang masuk ke dalam peringkat 5 besar.
Data tersebut dapat dilihat pada tabel berikut.
No Nama Siswa Nilai Peringkat
1 Ully Nazra 92,5 I
2 M.Fahmi 92,0 II
3 Koko Putra 91 III
4 Iin Syahputri 90 IV
5 Eza Liza 89,5 V
Dari tabel di atas terdapat angka I, II, III, IV dan V, data ini lah yang
disebut dengan data ordinal. Dimana I untuk peringkat 1, II untuk
peringkat 2, dan seterusnya.
Data Interval adalah data statistik yang memiliki jarak yang sama antara
hal-hal yang sedang diteliti.
Contoh:
Rata-rata Tinggi Badan
Usia
(dalam cm)
6 – 12 130 – 145
13 – 19 146 – 160
20 – 26 161 – 199
13
Dari tabel dapat dilihat terdapat angka-angka, misalnya: 6 – 12, 13 –

19, dan 20 – 26. Angka tersebutlah yang disebut dengan data interval.
• Penggolongan Berdasarkan Bentuk Angkanya.
Data statistik jika ditinjau dari segi bentuk angkanya, data statistik
dapat dibedakan menjadi dua yaitu data tunggal dan data berkelompok.
Data tunggal adalah data yang angka-angkanya tidak dikelompok-
kelompokkan hanya berupa satu kesatuan.
Contoh:
Data nilai hasil Ujian Semester30 orang siswa “SD Maju Jaya” dalam
mata pelajaran Matematika adalah sebagai berikut.
82 82 69 84 69 74 78 84 76 83
73 76 73 78 71 80 79 84 77 75
83 76 82 69 78 69 75 73 80 70
Dari tabel dapat dilihat nilai 82, 82, 69, 84, dan seterusnya masing-masing
angkanya merupakan satu unit atau satu kesatuan; masing-masing angka
tersebut berdiri sendiri-sendiri dan tidak dikelompokkan. Data angka-
angka yang demikian disebut data tunggal.
Data kelompok ialah data statistik yang tiap-tiap unitnya terdiri
dari sekelompok angka.
Contoh:
Data nilai hasil Ujian Semester 30 orang siswa “SD Maju Jaya” dalam
mata pelajaran Matematika seperti pada contoh sebelumnya, tetapi angka-
angkanya dikelompokkan;
Misalnya: Nilai: 80 - 84
75 - 79
70 - 74
65 - 69
14
Dalam kelompok nilai 80 – 84 terkandung nilai: 80, 81, 82, 83, dan 84;
dalam kelompok nilai 65 – 69 terkandung nilai 65, 66, 67, 68 dan 69; jadi
tiap kelas (unit angka) terdiri dari sekelompok angka.
• Penggolongan Berdasarkan Waktu Pengumpulannya.

Ditinjau dari segi waktu pengumpulannya, data statistik dapat
dibedakan menjadi dua golongan, yaitu: data seketika (cross section
data) dan data urutan waktu (time series data).
Data seketika adalah data statistik yang mencerminkan keadaan
pada satu waktu saja (at a point time)(Sudjiono, Anas. 2006:19). Contoh,
data statistik tentang jumlah penerimaan mahasiswa di Universitas Jaya
dalam tahun ajaran 2017/2018 (hanya satu tahun ajaran saja).
Data urutan waktu ialah data statistik yang mencerminkan keadaan
atau perkembangan mengenai sesuatu hal, dari satu alokasi waktu ke
waktu yang lain secara berurutan. Data urutan waktu sering juga dikenal
dengan istilah historical data. Contoh: data statistik tentang jumlah
mahasiswa di Universitas Jaya tahun ajaran 2014/2015 sampai dengan
tahun ajaran 2017/2018.
• Penggolongan Berdasarkan Sumbernya.

Ditinjau dari sumbernya (sumber dari mana data angka tersebut
diperoleh), data statistik dapat dibedakan menjadi dua macam, yaitu:
data primer dan data sekunder(Sudjiono, Anas. 2015:18).
Data primer adalah data statistik yang diperoleh atau bersumber
dari tangan pertama (first hand data). Contoh: Data tentang nilai akhir
siswa pada mata pelajaran IPA yang diperoleh dari guru IPA.
15
Data sekunder adalah data statistik yang diperoleh dari tangan

kedua (second hand data). Contoh: Data tentang jumlah siswa yang
lulus ujian Nasional pada tahun 2017, diperoleh dari surat kabar harian.
C. Pengumpulan Data
Mengumpulkan data merupakan langkah awal dalam bidang
statistik. Untuk menghimpun data tersebut, sudah dikembangkan prinsip,
cara, dan alat yang dapat digunakan dalam melaksanakan kegiatan ini.
Berikut akan dijelaskan secara lebih rinci.
• Prinsip Pengumpulan Data Statistik.
Prinsip umum yang harus dipegang oleh siapa saja yang bermaksud
menghimpun data statistik ialah "dengan waktu, tenaga, biaya, dan alat
yang sehemat mungkin, dapat dihimpun data yang lengkap, tepat, dan
dapat dipercaya" adalah:
1. Lengkapnya data
Dalam pengumpulan data statistik kita harus berupaya semaksimal
mungkin untuk dapat menghimpun data yang selengkap-
lengkapnya, dan bukan data yang sebanyak-banyaknya, sebab data
yang banyak belum merupakan jaminan bahwa data tersebut cukup
lengkap. Kata "lengkap" di sini mengadung pengertian bahwa
volume data sebagaimana yang direncanakan, dapat dicapai dengan
sebaik-baiknya; tidak ada data yang tercecer atau terlupakan untuk
dihimpun sehingga mengakibatkan kesulitan dalam
penganalisaannya. Agar tercapai diperlukan adanya perencanaan
yang tuntas.
2. Tepatnya data
16
Data yang dihimpun hendaknya merupakan data yang tepat, yakni

tepat dalam hal: jenis atau macam datanya, waktu pengumpulannya,
kegunaan atau relevansinya, alat atau instrumen yang dipergunakan
untuk menghimpun data.
3. Kebenaran data yang dihimpun
Data yang dihimpun hendaklah data yang benar-benar dapat
dipercaya atau dapat dijamin akan kesahinannya. Ini artinya
disamping data itu merupakan data yang benar (bukan data palsu
atau data yang dipalsukan), juga merupakan data yang bersumber
dari pihak yang memang berkompeten untuk dimintai datanya. Jika
tidak, Jika tidak, kesimpulan yang akan ditarik dengan berdasarkan
pada data tersebut akan menjadi jauh menyimpang dari keadaan
yang sebenarnya atau tidak sesuai dengan kenyataan yang ada.
• Cara Mengumpulkan Data Statistik

Ditinjau dari segi luasnya elemen yang menjadi objek penelitian,
pengumpulan data statistik kependidikan dapat dilakukan dengan dua
macam cara, yaitu: sensus dan Sampling.
1. Sensus
Sensus ialah cara mengumpulkan data dengan jalan mencatat atau
meneliti seluruh elemen yang menjadi objek penelitian. Dengan
kata lain sensus adalah pencatatan data dengan secara menyeluruh
terhadap elemen yang menjadi objek penelitian tanpa terkecuali.
Kumpulan dari seluruh elemen itu lazim disebut populasi atau
universe. Jadi, pengmpulan data secara sensus objek penelitiannya
disebut dengan populasi.
17
Keuntungan: hasil yang diperoleh merupakan nilai karakteristik

yang sebenarnya (true value) karena sasaran penelitian mencakup
seluruh objek yang berada dalam populasi.
Kelemahan : sensus merupakan cara pengumpulan data yang
banyak memakan waktu, tenaga, biaya dan peralatan.
2. Sampling
Sampling ialah cara pengumpulan data dengan jalan mencatat atau
meneliti sebagian kecil saja dari seluruh elemen yang menjadi
objek penelitian. Dengan cara sampling ini, hasil yang diperoleh
adalah nilai karakteristik perkiraan (estimate value) saja, dan atas
dasar nilai karakteristik perkiraan yang diperoleh dari sampel itu,
kita dapat memperkirakan nilai sesungguhnya dari populasi yang
sedang kita teliti. Sampel yang kita ambil haruslah yang
representatif, agar mendapatkan nilai yang baik.
Kebaikan : pekerjaan pengumpulan data dapat dilaksanakan dengan
waktu, tenaga, biaya dan alat yang relatif lebih kecil jika
dibandingkan dengan sensus.
Kelemahan : jika sampel tersebut tidak bersifat repsentatif, maka
kesimpulan yang dikenakan terhdap populasi tidak sesuai dengan
kenyataan yang terdapat dalam populasi
Cara menghimpun data statistik dengan jalan sampling itu juga
dikenal dengan istilah Sample Survey Method. Jika ditinjau dari segi
bentuk pelaksanaan kegiatan pengumpulan datanya, pengumpulan data
statistik kependidikan dapat berbentuk:
1. Pengamatan mendalam (systematic observation), yaitu pengamatan
terhadap objek yang akan dicatat datanya, dengan persiapan yang
matang, dilengkapi dengan instrumen tertentu.
18
2. Wawancara mendalam (systematic interview), yaitu pengumpulan

data berbentuk pengajuan pertanyaan secara lisan, dan pertanyaan
yang diajukan dalam wawancara itu telah dipersiapkan secara
tuntas, dilengkapi dengan instrumennya.
3. Angket, yaitu cara pengumpulan data berbentuk pengajuan
pertanyaan tertulis melalui sebuah daftar pertanyaan yang sudah
dipersiapkan.
4. Pemeriksaan dokumentasi (studi dokumenter), dilakukan dengan
meneliti bahan dokumentasi yang ada dan mempunyai relevansi
dengan tujuan pendidikan.
5. Tes, seperti: tes hasil belajar, tes kepribadian, tes kecerdasan, tes
minat dan perhatian, dan sebagainya.
D. Pengolahan Data
data mentah yang telah dikumpulkan kemudian diolah. Hal ini
dilakukan dengan maksud untuk memperoleh data ringkasan dari data
mentah dengan menggunakan cara atau rumus tertentu. Data ringkasan
yang diperoleh dari pengolahan data itu berupa jumlah/total, rata-
rata/average, persentase, dan sebagainya.
Contoh:
Berikut data mentah nilai ulangan 10 siswa (mis: X).
X1 = 8 X2 = 7 X3 = 7,5 X4 = 8 X5 = 6,5
X6 = 7 X7 = 8 X8 = 8 X9 = 6,5 X10 = 7
Pengolahan Data:
• Jumlah Nilai Siswa= X1 + X2 + ............ +X10
= 8 + 7 + 7,5 + 8 + 6,5 + 7 + 8 + 8 + 6,5 + 7
19
= 73,5
• Rata-rata = 73,5 = 7,35

10
Jadi nilai rata-rata dari 10 siswa tersebut adalah 7,35.
E. Penyajian Data
Data yang dikumpulkan untuk laporan atau akan analisis lebih lanjut
perlu diatur, disusun, disajikan dengan jelas dan baik, yaitu biasanya
disajikan dalam bentuk tabel/daftar, diagram/grafik. Disamping lebih
menarik, penyajian data denagn tabel/diagram juga memudahkan orang
untuk membaca data itu lebih dimengerti oleh pembaca atau orang
membuat keputusan berdasarkan sajian data tersebut. Misalkan orang
tamu di suatu kantor tersebut jika data disajikan dalam bentuk tabel/grafik,
daripada membaca data yang ada dalam buku laporan yang penuh dengan
gambar. Sebaliknya seseorang akan melihat informasi dalam suatu
pameran pembangunan, orang akan lebih tertarik dengan cepat
menangkap informasi melalui diagram piktogarm daripada diagram baris
dan kolom yang penuh dengan angka-angka.
Adapun macam-macam penyajian data dengan tabel dan
diagram/grafik yang dikenal antara lain:
1. Tabel matriks baris dan kolom.
2. Diagram batang.
3. Diagram lingkaran.
4. Diagram lambang/piktogram.
5. Diagram baris.
6. Diagram batang dan daun.
7. Diagram pencar atau plot titik.
20
1. Diagram Matriks Baris dan Kolom

Penyajian data yang dituliskan dalam bentuk matriks baris dan kolom.
Contohnya dapat dijumpai pada data laporan yang ada di BPJS, dimana
laporanpembukuannyauumnymadisajikan dalam matriks baris dan kolom,
misalnya mengenai data penduduk, data cuaca, data panen dan
sebagainya.Disini data yang disajikan akurat tidak bersifat kira-kira.
Diagram matriks yang dipentingkan adalah keakuratannya.
Contoh, data Tabel di bawah ini menunjukkan data kontras penduduk
pada pulau Jawa di antara penduduk wilayah lain di Indonesia tahun 1990.
Tabel Penduduk dan Luasan Penduduk Indonesia Tahun 1990
Jumlah Penduduk
Wilayah (ribuan) Luas Area (m2)
Jawa 118,300 2,286
Sumatera 41,400 183,025
Sulawesi 13,800 72,979
Kalimantan 10,400 208,124
Papua 1,000 162,946
Semua lainnya 9800 60,622
Total 194,700 689,982
Dari tabel di atas kita dapat melihat dengan jelas dan tepat tentang jumlah
penduduk tiap wilayah, termasuk melihat berapa tepatnya luas wilayah
Sumatera misalnya.
Contoh berikut menunjukkan data perkiraan penduduk wilayah dunia
terpadat untuk tahun-tahun mendatang.
Tabel Penduduk Dunia di Masa Mendatang
Negara 1950 2009 2015 2025 2050
21
Australia 8,218,999 21,292,893 22,606,591 24,702,504 28,724,025
Brunei D. 48,001 399,687 443,121 513,177 657,508
China 544,950,886 1,345,750,973 1,395,998,248 1,453,140,188 1,417,044,807
Jerman 68,376,002 82,166,671 81,345,502 79,257,964 70,503,986
India 371,856,500 1,198,003,272 1,294,192,043 1,431,271,761 1,613,799,950
Indonesia 77,151,870 229,964,723 244,191,496 263,287,137 288,110,442
Israel 1,257,971 7,169,556 7,823,469 8,769,480 10,649,053
Malaysia 6,109,907 27,467,837 30,040,849 33,769,706 39,664,352
Palestina 1,004,800 4,277,360 5,090,124 6,553,091 10,264,625
Rusia 102,702,461 140,873,647 137,983,426 132,345,350 116,097,032
S. Arabia 3,201,369 25,720,605 28,932,524 34,176,193 43,658,157
USA 157,813,040 314,658,780 332,334,019 358,734,625 403,931,520
Source: World Population Prospects; The 2008 Revision GeoHive

Pada tabel tersebut orang akan melihat dengan jelas, ketepatan datanya.
2. Diagram Lingkaran
Lingkaran adalah suatu sajian data yang diwujudkan dalam sektor-
sektor lingkaran. Total nilai data ditransformasikan dalam sektor 360 0.
Untuk data penjualan tiket sebelum menggambar lingkaran, dihitung
terlebih dahulu sektor-sktor elemen dalam derajat. Diagram lingkaran
sangat tepat menyajikan data untuk kepentingan : “perbandingan”. Satu
diagram hanya dapat menggambarkan satu kegiatan.
Nah untuk lebih jelasnya silahkan lihat gambar diagram di bawah ini.
22
Dari gambar diatas bisa dilihat kalau data yang terdapat pada gambar
adalah data A, B, C dan D merupakan data yang paling besar. Untuk
mencari besaran atau berapa jumlah pada masing-masing data tersebut
anda harus mengetahui ada berapa jenis soal yang terdapat pada diagram
lingkaran tersebut seperti :
• Diagram lingkaran biasa (dalam bentuk angka)

• Diagram lingkaran dalam bentuk derajat (°)
• Diagram lingkaran dalam bentuk persen (%)
Rumus Diagram Lingkaran
Rumus untuk mencari nilai pada diagram lingkaran tersebut berbeda-beda

tergantung diagram jenis apa yang digunakan, untuk itu disini saya akan
memberikan pelumas secara lengkap untuk bisa menjawab semua soal
mengenai diagram lingkaran.
Rumus diagram lingkaran biasa (dalam bentuk angka)
Pada kasus diagram lingkaran biasa (dalam bentuk angka), anda dapat
menghitungnya sesuai dengan rumus umum diagram lingkaran yang biasa
di gunakan:
Rumus:
total jumlah data

Jumlah data yang ditanyakan =
Total data yang diketahui
23
Contoh Soal :
Sebuah kelas memiliki total siswa sebanya 42 siswa yang di bentuk dalam
diagram lingkaran sebagai berikut:
Jika banyak siswa yang mengikuti kegiatan eskul yang dibentuk dalam
diagram lingkaran seperti di atas. Berapakah jumlah siswa yang tidak
mengikuti eskul sama sekali?
Jawab :
Diketahui :
Total siswa = 42 siswa
Eskul basket = 10 siswa
Eskul bola = 5 siswa
Eskul silat = 10 siswa
Ditanyakan:
Siswa yang tidak mengikuti eskul … ?
Penyelesaian:
Rumus :
total jumlah data

Jumlah data yang ditanyakan =
Total data yang diketahui
22
Siswa yang tidak mengikuti eskul = total siswa – (eskul basket + eskul
bola + eskul silat)
= 42 siswa – (10 siswa + 5 siswa + 10 siswa)
= 42 siswa – 25 siswa
= 17 siswa
Jadi, siswa yang tidak mengikuti eskul sama sekali adalah 17 siswa
Rumus Diagram Lingkaran dalam bentuk Derajat
Untuk rumus diagram lingkaran derajat kita harus mengetahui jumlah

yang ditanyakan, yang pertama yaitu ketahui jumlah derajat kemudian
membaginya dengan 360°
Rumus :
Nilai yang ditanyakan = (Jumlah sudut/360°) x total nilai
ContohSoal :
Sebuah sekolah memiliki 1260 siswa. Di sekolah tersebut mengharuskan

siswanya untuk ikut serta dalam kegiatan eskul. Jika siswa yang
mengikuti eskul dibentuk dalam diagram lingkaran dalam bentuk derajat
(°) sebagai berikut :
23
Berapakah jumlah siswa yang mengikuti eskul musik?
Jawab :
Diketahui :
total siswa = 1260 siswa
eskul basket = 130°
eskul bola = 100°
eskul silat = 80°
Ditanyakan:
Banyak siswa yang mengikuti eskul musik … ?
Penyelesaian:
Pertama cari berapa derajat siswa yang mengikuti eskul musik,
eskul musik = 360° – (eskul basket + eskul bola + eskul silat)
= 360° – (130°-100°-80°)
= 360° – 310°
= 50°
Kemudian, gunakan rumus untuk mencari jumlah siswa yang mengikuti

eskul musik:
Jumlas siswa eskul musik = (derajat eskul musik/360°) x total siswa
= (50°/360°) x 1260 siswa
= 63000/360
= 175 siswa
Jadi, jumlah siswa yang mengikuti eskul musik sebanyak 175 siswa
24
Rumus Diagram Lingkaran dalam Bentuk Persen (%)
Diagram lingkaran dalam bentuk persen sering di jumpai, jika yang di

tanyakan adalah jumlah angka, pertama cari terlebih dahulu persen dari
data yang di tanyakan kemudian kalikan dengan total jumlah nilai setelah
itu bagikan dengan 100%.
Rumus :
Nilai yang ditanyakan = (persen nilai yang ditanyakan/100%) x total
Contoh Soal :
Diketahui total barang yang dijual pedagang baju adalah 300 buah. Jika
baju yang dijual dibentuk dalam diagram lingkaran sebagai berikut.
Carilah berapa baju anak yang dijual pedagang baju tersebut ?
Jawab :
Diketahui:
Total baju = 300 buah
Baju remaja = 40%
Baju dewasa = 38%
25
Ditanyakan :
Banyaknya baju anak yang di jual … ?
Penyelesaian :
Pertama-tama, cari berapa persen baju anak yang di jual.
persen baju anak = 100% – (baju remaja + baju dewasa)
= 100% – (40% + 38%)
= 100% – 78%
= 22%
Kemudian, gunakan persen baju anak yang di dapatkan kedalam rumus.
Jumlah baju anak = (persen baju anak/100%) x total baju
= (22% / 100%) x 300 buah
= 6600/100
= 66 buah
Jadi, jumlah baju anak yang dijual pedagang baju adalah 66 buah
Teori Perbandingan (Sering digunakan dalam diagram lingkaran)
Pada teori ini, dapat digunakan pada diagram lingkaran dalam bentuk
derajat dan dalam bentuk persen. Teori perbandingan sangat membantu
untuk menemukan nilai yang di cari jika yang diketahui sangat sedikit.
Perhatikan penjelasan berikut :
Misalkan yang diketahui A dan B :

persen A = nilai A atau derajat A = nilai A
persen B = nilai B atau derahat B = nilai B
26
Dari data diatas dapat dilakukan perbandingan A dengan B
maka untuk dapat mencari nilai, diantaranya:

nilai A = (persen A/persen B) x nilai B
atau
nilai A = (derajat A/derajat B) x nilai B
nilai B = (persen B/persen A) x nilai A

atau
nilai B = (derajat B/derajat A) x nilai A
untuk mencari persen atau derajat, diantaranya:

persen A = (nilai A/nilai B) x persen B
atau
derajat A = (nilai A/nilai B) x derajat B
persen B = (nilai B/nilai A) x persen A

atau
derajat B = (nilai B/nilai A) x derajat A
Contoh Soal : Penggunaan Teori Perbandingan Dalam Diagram

Lingkaran
Sebuah sekolah memiliki data-data siswa yang mengikuti kegiatan eskul
dalam bentuk diagram lingkaran sebagai berikut :
27
Jika jumlah siswa yang mengikuti eskul bola sebanyak 450 siswa,
berapakah siswa yang mengikuti eskul voli?
Jawab :
Diketahui:
persen eskul bola = 45 %
persen eskul voli = 25 %
jumlah eskul bola = 450 siswa
Ditanyakan:
Banyaknya siswa yang mengikuti eskul voli … ?
Penyelesaian:
jumlah eskul voli = (persen eskul voli/persen eskul bola) x jumlah eskul
bola
= (25% / 45%) x 450
= 11250/45
= 250 siswa
Jadi, jumlah siswa yang mengikuti eskul voli adalah 250 siswa
3. Diagram Batang
Diagram batang adalah suatu diagram dengan menggunakan diagram
batang-batang persegi panjang atau balok atau sejenisnya. Diagram batang
28
tepat digunakan menyajikan data untuk kepentingan perbandingan juga.

Lebih dari satu kegiatan dapat digambarkan dalam satu diagram. Diagram
batang adalah diagram yang menyajikan data dalam bentuk persegi
panjang tegak ataupun persegi panjang mendatar. Diagram batang
umumnya digunakan untuk menggambarkan perkembangan nilai suatu
objek penelitian dalam kurun waktu tertentu. Diagram batang
menunjukkan keterangan-keterangan dengan batang-batang tegak atau
mendatar dan sama lebar dengan batang-batang terpisah.
Tujuan membuat diagram batang adalah untuk memudahkan pembaca
yang melihat data yang ditampilkan dalam bentuk sederhana. Selain itu
biasa juga digunakan untuk menggambarkan perkembangan nilai suatu
objek penelitian dalam kurung waktu tertentu.
Cara membaca diagram batang

Lihatlah salah satu elemen, kemudian amati berapa tinggi batang
yang menunjukkan kuantitasnya, nilai besaran kuantitas dari elemen
tersebut ditunjukkan oleh angka angka yang tertulis pada garis sumbu
yang bersebarang dengan garis sumbu yang menunjukkan elemen
misalnya :
29
dari diagram batang diatas, dapat dengan mudah kita ketahui bahwa
jumlah/kuantitas elemen a sejumlah/sebanyak 30. Contoh di atas adalah
bentuk diagram batang vertikal, bisa juga diagram batang dibuat dalam
posisi horisontal seperti ini :
diagram batang diatas diartikan sebagai Jumlah Komponen B sebanyak 4
Cara Membuat Diagram Batang

Buatlah sumbu x dan y, dengan pojok kiri bawah adalah titik nol (0).
kemudian
• letakkan daftar elemen pada sumbu x dan letakkan nilai frekuensi

pada sumbu y, (diagram batang dengan letak batang vertikal)atau
sebaliknya,
• letakkan daftar elemen pada sumbu y dan letakkan nilai frekuensi
pada sumbu x , (diagram batang dengan letak batang horisontal)
Contoh soal membaca diagram batang

Data pengunjung obyek wisata dinyatakan pada sebuah diagram batang
sebagai berikut:
30
Jika data pengunjung obyek wisata pada diagram batang itu diubah
kedalam sebuah data Tabel, akan seperti ini :
31
Contoh soal membuat diagram batang
Daftar siswa MI Al Falahiyah Plompong adalah sebagai berikut :
Bila Tabel tersebut dibuat dalam bentuk diagram batang
• Diagram batang Vertikal
32
• Diagram batang horisontal
• Contoh soal cerita yang berkaitan dengan membuat diagram batang :
Setelah selesai pelaksanaan sensus penduduk di suatu Desa, diketahui

bahwa jumlah Penduduk tiap RT sebagai berikut :
RT 01: Pria = 50 jiwa, Wanita = 70 jiwa

RT.04: Pria = 40 jiwa, Wanita = 65 jiwa
Jika Data tersebut dibuat dalam diagram batang, maka akan menjadi
seperti ini
33
Diagram batang Vertikal
Diagram batang horizontal :
4. Diagram Garis
Untuk menggambarkan keadaan yang serba berkelanjutan,
biasanya dipengaruhi oleh waktu, misalnya produksi minyak tiap tahun,
jumlah penduduk tiap tahun, keadaan temperatur badan tiap jam; dibuat
diagram garis. Penyajian data dengan diagram garis biasanya sumbu
horizontal untuk waktu dan sumbu vertikal untuk frekuensi.
34
contoh diagram garis.
Mirip dengan diagram batang, di dalam diagram garis juga

dipergunakan sumbu mendatar dan juga sumbu tegak dimana keduanya
saling berpotongan secara tegak lurus. Pada umumnya, sumbu mendatar
menunjukkan lama waktu pengamatan sedangkan sumbu tegak
menunjukkan hasil dari pengamatan yang dilakukan. Pasangan nilai pada
sumbu mendatar dan sumbu tegak digambarkan dengan sebuah titik
layaknya titik yang digunakan pada diagram cartesius. Kemudian titik-
titik itu dihubungkan satu-persatu sehingga membentuk sebuah
garis/kurva.
Penyajian Data Menggunakan Diagram Garis

Mari kita pelajari bersama ara menggambar diagram garis dengan
mengamati contoh soal yang ada di bawah ini:
Contoh Soal:
Berikut ini adalah tabel nilai rata-rata Ujian Nasional SMP Harapan
Bangsa dalam kurun waktu 6 tahun terakhir:
35
Coba sajikan data tersebut dengan menggunakan diagram garis!

Penyelesaian:
Itulah kiranyatata cara Penyajian data dengan menggunakan

diagram garis. Penyajian data dengan metode ini cenderung lebih mudah
dibandingkan dengan jenis diagram yang lain karena kita hanya tinggal
menentukan titik-titik sesuai dengan data yang diperoleh kemudian titik-
titik tersebut kita hubungkan sehingga membentuk garis yang berbentuk
kurva. Dengan memperhatikan gerak garis, kita dapat mempelajari
bagaimana fluktuasi atau naik-turun penggunaan barang dari bulan ke
bulan. Beberapa misalnya diagram-diagram garis dengan tafsirannya
diberikan:
36
a. Keadaan data bertambah secara “konstan”.
A
b. Keadaan data bertambah dengan pertambahan yang menarik.
B
c. Keadaan data bertambah pada waktu tertentu selanjutnya menurun.
C
d. Keadaan data menurun dengan penurunan yang tidak tetap.
37
5. Piktogram
Untuk menarik minat pembaca umumnya sajian data diberikan
semenari mungkin. Sajian ddengan menyertakan gambar-gambar sebagai
ilustrasi akan membantu mewujudkan harapan di atas. Sajian data dengan
gambar-gambar dinamakan piktogram. Sajian piktogram yang
dipentingkan pada menariknya sajian/tampilan.
Contoh:
pada tahun 1990 jumlah pengangguran daerah kuartal I 30, kuartal II 25,
kuartal III 20. Data tersebut disajikan dengan piktogram satu orang
mewakili 5 orang. Perhatikan Gambar di bawah ini. Permasalahan muncul
bila acuan dari data di atas akan digambarkan bahwa 1 orang mewakili 10
orang, berarti anda gambar manusia yang tidak utuh.
Kwartal I Kwartal II Kwartal III

Gambar . Data Pengangguran Tahun 1990 di Suatu Daerah
Diagram Batang dan Daun
Andaikan kita memiliki himpunan data puluhan sebanyak n buah. Data
akan dipresentasikan dalam bentuk diagram batang dan daun. Untuk
membuat hal tersebut, data kita bagi setiap nilai pada dua bagian. Satu
bagian terdiri dari bilangan puluhan sebagai batang dan bagian satuan
sebagai dau. Kolom nilai batang terletak sebelah kiri garis vertikal dan
kolom daun terletak sebelah kanan garis vertikal yang berkorespondensi
dengan batang. Sebagai contoh kita mempunyai data skor nilai 53.
Observasi dapat dipresentasikan dalam bentuk batang untuk puluhan 5
38
dan tempat daun adalah untuk satuan 3. Biasanya sajian data dengan
batang dan daun ini untuk data dengan jumlah responden cukup banyak.
Data Tabel adalah data hasil ulangan statistika pada mahasiswa S1
Matematika tahun 2010.
Tabel. Data Mentah Nilai Statistika Mahasiswa Matematika 2010
79 49 48 74 81 98 87 80
80 84 90 70 91 93 82 78
70 71 92 38 56 81 74 73
68 72 85 51 65 93 83 86
90 35 83 73 74 43 86 88
92 93 76 71 90 72 67 75
80 91 61 72 97 91 88 81
70 74 99 95 80 59 71 77
63 60 83 82 60 67 89 63
76 63 88 70 66 88 79 75
Data tersebut disajikan dengan diagram batang dan daun seperti tampak
pada Gambar nilai minimum 35 dan nilai maksimum 99
Batang Daun
3 58
4 389
5 169
6 0013356778
7 000011122233444455667899
8 0000111223334566788889
9 000111223335789
Gambar Nilai Tes Statistika
39
Penanganan dengan Diagram Batang dan Daun untuk Data Lebih

dari Satu Daun
Kita bandingkan dua himpunan nilai hasil pertandingan olahraga
untuk Kelompok Macan dan Kelompok Kancil. Kita lihat sajian data
Gambar d bawah.
Skor
Daun Macan Batang Daun Kancil
0379 3 22
28 4 355
1397 5 46889
Pada gambar nampak batang ada di tengah, selanjutnya daun berada di

sebelah kiri dan kanan batang. Kita lihat bahwa pada permainan tersebut
Kelompok Kancil lebih banyak memenangkan permainan. Pada kelompok
Kancil hanya ada dua permainan yang berskor 32, sedangkan Kelompok
Macan ada 4 permainan mendapat skor 30, 33, 37 dan 39.
6. Diagram Plot (Diagram Pencar)

Diagram plot adalah jenis sajian data matematis yang dituangkan
dalam diagram kartesius. Variabel pertama diletakkan pada sumbu
vertikal dan variabel kedua diletakkan pada sumbu horizontal. Koordinat
titik tersebut adalah merupakan plot datanya. Jadi pada diagram plot
merupakan himpunan titik-titik dalam diagram kartesius. Diagram plot
sering disebut sebagai scatter chart, scatter diagram dan scatter graph.
Berikut ini merupakan Langkah-langkah yang diperlukan dalam membuat

Scatter Diagram (Diagram Pencar) :
40
1. Pengumpulan data
Lakukan pengumpulan sepasang data X dan Y yang akan dipelajari

hubungannya kemudian masukkanlah data tersebut ke dalam sebuah
Tabel. Usahakan pengumpulan pasangan data melebihi 30 pasangan data
(n > 30) agar tingkat ke-akurasi-annya lebih tinggi.
2. Pembuatan Sumbu Vertikal dan Sumber Horizontal
Tentukanlah nilai Maksimum dan nilai Minimum dari kedua data variabel
X dan Y tersebut kemudian buatlah sumbu Vertikal dan sumbu Horizontal
beserta skalanya sesuai dengan nilai Maksimum dan Nilai Minimum yang
didapat.
3. Penebaran (Plotting) data
Lakukanlah Penebaran data/data plotting ke dalam kertas yang telah

dibuat pada langkah ke-2 (pembuatan sumbu vertikal dan horizontal).
4. Pemberian Informasi
Berikanlah informasi yang secukupnya untuk Scatter Diagram tersebut

seperti :
1. Judul Grafik
2. Banyaknya pasangan data
3. Judul dan unit pengukuran untuk sumbu Vertikal dan Horizontal
4. Interval Waktu
5. Orang yang membuat dan penanggung Jawab Scatter Diagram
tersebut.
41
Contoh Kasus Pembuatan Scatter Diagram
Agar lebih jelas tentang cara pembuatan dan penerapan Scatter

Diagram, berikut ini merupakan contoh Kasusnya :Perusahaan A yang
mempunyai Tenaga Kerja sebanyak 300 orang dan bergerak di bidang
industri perakitan elektronik sedang menghadapi permasalahan atas
tingginya tingkat kerusakan dalam produksi. Dicurigai bahwa
penyebabnya adalah dikarenakan jumlah absensi operator (tenaga kerja)
yang tinggi di dalam produksinya. Berikut ini adalah Tabel tentang jumlah
absensi tenaga kerja dengan tingkat kerusakan.
42
43
Berdasarkan Contoh kasus dan Tabel diatas, maka kita dapat membuat
Scatter Diagramnya mengikuti langkah-langkah yang telah disebutkan
diatas tadi.
Langkah 1 – Pengumpulan data
Seperti yang telah ditampilkan dalam tabel diatas dengan pasangan data
sebanyak 30 data (n = 30)
Langkah 2 – Pembuatan Sumbu Vertikal dan Sumber Horizontal
Sumbu Horizontal : Nilai Maksimum untuk Absensi adalah 6 dan

Minimumnya adalah 1
Sumbu Vertikal : Nilai Maksimum untuk tingkat kerusakan adalah 5,6 dan
Minimumnya adalah 0,7
Catatan :
• Agar bentuk grafik lebih bagus, kita dapat lebihkan batas skala
maksimum dan minimum
• Jika yang diuji adalah hubungannya dengan kualitas, maka tingkat
kerusakan lebih baik diletakkan pada sumbu Vertikal.
Langkah 3 – Penebaran Data (Data Plotting)
Lakukan Penebaran data sesuai dengan tabel diatas dengan cara

menggambarkan titik-titk X dan Y.
44
Langkah 4 – Pemberian Informasi
Berikanlah informasi dan Judul Scatter Diagram seperti contoh dibawah

ini:
Judul Scatter Diagram : Hubungan antara Absensi dengan Tingkat

Kerusakan
Banyak pasangan data : n = 30

Judul dan unit pengukuran :
Sumbu Vertikal = Tingkat Kerusakan (%),
Sumbu Horizontal = Jumlah Absensi (Orang)
Interval waktu : 01 ~ 30 November 2012
Nama Pembuat / Penanggung : Dickson Kho
45
Cara Membaca Scatter Diagram :
Dari bentuk grafik yang dihasilkan, maka grafik dari Scatter

Diagram diatas dinyatakan memiliki hubungan Positif (korelasi Positif)
yang artinya Makin Tinggi Jumlah Absensi Tenaga Kerja akan
mengakibatkan tingkat kerusakan yang makin tinggi pula. Jadi jika ingin
mengurangi tingkat kerusakan produk, salah satu tindakan yang harus
dilakukan adalah mengurangi tingkat absensi tenaga kerja.
POLA SCATTER DIAGRAM
1. Pola Positif Scatter Diagram
Yaitu Pola yang menunjukkan hubungan atau korelasi positif di

antara Variabel X dan Variabel Y dimana nilai-nilai besar dari Variabel X
berhubungan dengan nilai-nilai besarnya Variabel Y, sedangkan nilai-nilai
kecil variabel X berhubungan dengan nilai-nilai kecil Variabel Y.
2. Pola Negatif Scatter Diagram
Yaitu pola yang menunjukkan hubungan atau korelasi negative di antara

Variabel X dan Variabel Y dimana nilai-nilai besar Variabel X
berhubungan dengan nilai-nilai kecil Variabel Y sedangkan nilai-nilai
kecil Variabel X berhubungan dengan nilai-nilai besar Variabel X.
3. Pola Tidak Memiliki Hubungan (Tidak Berkorelasi)
Yaitu Pola yang berkemungkinan tidak memiliki hubungan karena tidak

ada kecenderungan nilai-nilai tertentu pada variabel X terhadap nilai-nilai
tertentu pada Variabel Y.
46
Berikut ini gambar 3 Jenis pola dalam menilai hubungan atau korelasi
antara pasangan data X dan Y :
F. Penerapan Dan Pemecahan Masalah

Memilih Diagram yang cocok untuk mempersentasikan Data
Dalam mempersentasikan data pada umumnya sang penyaji
menginginkan agar apa yang dipersentasikan cepat dimengerti dan
dipahami oleh pembaca. Penyajian data yang bermacam-macam di atas
akan dipilih sesuai dengan kebutuhan dan kepentingan masing-masing,
bukan asal ambil.
Diagram tabel baris dan kolom: kemungkinannya kecil dalam suatu
kantor biro statistik yang penuh dengan angka akan menyajikan datanya
dengan banyak diagram lingkaran atau piktogram atau yang lain. Tentu
sang penyaji akan mengutamakan memilih diagram tabel (baris dan
kolom) dibanding diagram lainnya. Hal tersebut dilakukan karena orang
yang datang ke BPJS tidak melihat menariknya tampilan, akan tetapi
mereka datamg untuk membutuhkan akurasi datanya. Seperti diuraikan di
atas, diagram tabel diatas pilihan tepat untuk sajian data yang menekankan
pada keakuratan atau ketepatan data. Pada contoh tabel di bawah ini
47
perhatikan data tentang usia, perbedaan data yang mencolok adalah

puluhan dan satuan. Kemudian dibelakang angka desimal bisa dituliskan
angka sekecil-kecilnya dan tidak akan mengganggu tampilan. Tampilan
dengan diagram lainnya akan menyulitkan dalam memahaminya.
Tabel Data Pemanfaatan Waktu untuk TV, Koran Dan Radio
Nama Kota Didik IQ Sex Usia TV Koran Radio Tinggal di
Budi 1 3 150 1 25.2 2.3 1.3 1.3 Kota Tengah
Gunawan 1 2 172 1 26.0 2.4 3.6 1.4 Kota Tengah
Andre 1 2 132 1 28.4 2.6 3.9 1.6 Kota Tengah
Anton 1 2 141 1 29.5 3.5 1.3 2.5 Kota Tengah
Wulan 1 1 154 0 30.0 3.2 3.6 1.3 Kota Tengah
Susi 1 2 193 0 32.1 3.6 3.3 3.7 Kota Tengah
Ratna 1 1 155 0 31.2 4.6 1.6 1.6 Kota Tengah
Retno 1 1 143 0 35.3 4.9 1.4 2.5 Kota Tengah
Hasan 1 3 154 1 40.1 8.2 2.9 4.3 Kota Tengah
Sumadi 1 3 182 1 45.0 6.5 2.9 1.4 Kota Tengah
Husin 2 3 172 1 40.2 6.3 2.8 1.6 Kota Tengah
Yunus 2 1 151 1 31.3 2.6 1.6 2.5 Kota Tengah
Yuni 2 3 191 0 32.1 5.4 3.5 1.3 Kota Tengah
Yuli 2 3 161 0 29.6 3.9 2.3 1.4 Kota Tengah
Sendy 2 3 171 1 25.2 3.7 2.9 1.6 Kota Besar
Junaedi 2 3 181 1 28.6 5 3.5 2.5 Kota Besar
Rinin 2 1 153 0 23.0 4.6 3.7 2.2 Kota Besar
Renny 2 2 183 0 8.1 4.9 1.6 2.6 Kota Besar
Romeo 2 2 191 1 9.2 5.6 4 2.6 Kota Besar
Roland 2 1 141 1 40.3 2.9 1.6 2.7 Kota Besar
48
Piktogram: apabila seseorang akan ditugasi membuat suatu pameran hasil

karya atau mengadakan bazar. Mereka akan menyajikan data. Orang
tersebut tentu akan memilih penyajian data yang penekanannya terletak
pada menariknya tampilan. Untuk keakuratan data bukan hal yang utama.
Sebab apabila mereka banyak menyajikan data dalam bentuk tabel, orang
akan enggan datang untuk melihatnya. Sajian gambar-gambar menarik
yang justru dibutuhkan orang pertama kali datang melihat pameran.
Dengan sajian menarik, orang akan datang sendiri untuk melihat,
selanjutnya bertanya. Oleh karena itu, sajian data dalam bentuk piktogram
adalah merupakan pilihan utama dalam pameran, baru disertai diagram
lainnya bila diperlukan
Sajian data dengan piktogram adalah pilihan yang menekankan
pada menariknya sajian. Dengan piktogram sajian data menjadi lebih
menarik dibandingkan dengan data sajian lainnya. Kelemahan sajian
piktogram adalah merupakan sajian yang paling tidak akurat.
Contoh:
Gambaran Jumlah Siswa setiap Jenjang Pendidikan
49
Contoh Soal:
Data jumlah mobil di desa Karang Asem dari tahun ketahun adalah
sebagai berikut:
Tahun 2011 sebanyak 5.000 mobil
Gambarkan data tersebut dalam bentuk piktogram!
Penyelesaian
G. LATIHAN
1. Anda akan memimpin suatu penelitian yang tertarik menyelidiki hal
berikut:
a. Pertumbuhan penduduk di kota anda pada pertengahan tahun
2010.
b. Jumlah mahasiswa yang berumur di atas 25 tahun untuk tiap
jurusan.
c. Kemampuan mahasiswa angkatan 2009 dalam menggunakan
komputer.
d. Mengetahui golongan darah mahasiswa suatu fakultas.
50
Jelaskan jenis representasi data mana yang paling tepat untuk

menyajikan data di atas!
2. Apakah keuntungan dan kerugian penyajian data dengan diagram
batang dan daun, berilah contohnya!
3. Jelaskan keuntungan dan kerugian penyajian data dengan diagram
lingkaran!
4. Tentukan jenis data apakah variabel-variabel berikut dan berilah
contoh data tersebut, sajikan datanya dengan diagram yang paling
tepat: nilai suatu tes, penghasilan pekerja tambang, kecepatan pesawat
terbang, jumlah buku perpustakaan dan jumlah halaman suatu buku!
5. Anda ingin menyajikan data-data dari variabel di bawah, sajian data
mana yang anda pilih dan jelaskan mengapa anda memilih jenis sajian
tersebut: suku bangsa, panjang rambut, kekuatan otot pada
olahragawan, jumlah anak dalam keluarga, status sosial dalam suatu
negara, hasil belajar bahasa dan jumlah produksi mobil setiap tahun!
6. Anda memilih diagram piktogram, sajian terpenting apa sehingga
penyaji memilih diagram piktogram?
7. Jelaskan pilihan diagram-diagram lainnya yang tepat untuk
menonjolkan kegiatan agar pembaca dapat dengan cepat membaca
informasinya, jelaskan!
8. Lihat data di bawah untuk nilai para siswa dalam mengikuti kompetisi
Peserta 1 2 3 4 5 6 7 8
Jumlah hari 7 9 5 1 8 4 3 6
belajar
Skor penilaian 23 2 14 5 22 15 11 17
Buatlah diagram plot data tersebut.
51
9. Hasil pengukuran berat badan terhadap 100 siswa SMP X

digambarkan dalam distribusi bergolong seperti di bawah ini. Sajikan
data tersebut dalam grafik histogram dan poligon.
Berat Badan (kg) Titik Tengah Frekuensi

15 – 19 17 2
20 – 24 22 10
25 – 34 27 19
35 – 39 32 27
40 – 44 37 16
45 – 49 42 10
50 – 54 47 6
55 – 59 52 5
60 – 64 57 3
65 – 69 62 2
100
52
BAB III
PENGUKURAN
Pengertian Pengukuran
Pengukuran
Skala Pengukuran
Sir John Sinclair lahir pada 10 Mei 1754 di

Thurso Castle, Thurso, Caithness. Minatnya
dalam bidang pertanian sangatlah besar.
Karyanya yang paling fenomenal adalah
Statistikal Account of Scotland, yang
memberikan informasi tentang pertanian dan
industri terkait, catatan tentang sejarah alam,
dan statistik populasi. Bukunya (yang juga
dikenal dengan Old Statistikal Account) tersebut terdiri dari 21 volume
dan diterbitkan dalam rentang waktu 1791-1799. Dalam bukunya tersebut
ia memperkenalkan istilah baru, yakni “Statistiks”, yang ia dengar ketika
berkunjung ke Jerman. Namun terdapat perbedaan antara keduanya. Di
Jerman, istilah itu merujuk kepada suatu metode yang digunakan dalam
hal politik dan kenegaraan, seperti misalnya untuk mengukur kekuatan
politik dan menganalisis data-data kenegaraan. Sir John Sinclair
menggunakan istilah ini (statistiks) sebagai suatu metode untuk
mengumpulkan data atau fakta di lapangan yang bersifat numerik.
A. Pengertian Pengukuran
Skala dapat diartikan sebagai garis atau titik tanda yang berurutan
dan memiliki jarak yang sama diantaranya, serta digunakan untuk
53
mengukur atau menentukan tingkatan atau banyaknya sesuatu . Jadi skala
merupakan prosedur pemberian angka-angka atau symbol lain kepada
sejumlah ciri dari suatu objek.
Pengukuran adalah proses, cara perbuatan mengukur yaitu suatu
proses sistimatik dalam menilai dan membedakan sesuatu obyek yang
diukur atau pemberian angka terhadap objek atau fenomena menurut
aturan tertentu. Pengukuran tersebut diatur menurut kaidah-kaidah
tertentu. Kaidah-kaidah yang berbeda menghendaki skala serta
pengukuran yang berbeda pula. Misalnya, orang dapat digambarkan dari
beberapa karakteristik: umur, tingkat pendidikan, jenis kelamin, tingkat
pendapatan.
Dari uraian di atas, dapat dijelaskan bahwa skala pengukuran
merupakan seperangkat aturan yang diperlukan untuk mengkuantitatifkan
data dari pengukuran suatu variabel. Dalam melakukan analisis statistik,
perbedaan jenis data sangat berpengaruh terhadap pemilihan model atau
alat uji statistik. Tidak sembarangan jenis data dapat digunakan oleh alat
uji tertentu. Ketidaksesuaian antara skala pengukuran dengan operasi
matematik /peralatan statistik yang digunakan akan menghasilkan
kesimpulan yang bias dan tidak tepat/relevan.
54
B. Skala Pengukuran
Skala pengukuran adalah sebuah acuan yang digunakan untuk

menentukan panjang pendeknya interval yang ada dalam satuan alat ukur.
cqeacademy.com
Dengan menggunakan skala pengukuran, maka alat ukur yang

digunakan akan menghasilkan data kuantitatif.Setelah proses pengukuran
yang menghasilkan data kuantitatif yang berupa angka-angka tersebut
baru lah kemudian ditentukan analisis statistik yang cocok untuk
digunakan.Ada empat jenis skala yang dapat digunakan untuk mengukur,
yaitu: skala nominal, skala ordinal, skala interval, dan skala ratio.
1. Skala nominal
Dalam pengukuran ini, angka menjadi objek tujuan identifikasi.
Misalnya nomor urut absensi siswa di kelas, nomor punggung pemain
sepakbola, loker, dan lain-lain adalah suatu skala nominal. Jika di dalam
suatu penelitian, contoh skala nominalnya untuk pria diberikan kode 1 dan
wanita kodenya 2, untuk mengetahui jenis kelamin seseorang adalah
dengan melihat kodenya 1 atau 2. Dalam hal ini, kode tersebut tidak
55
mewakili hal lain kecuali jenis kelamin seseorang. Untuk wanita,

walaupun berkode angka 2, bukan berarti “lebih baik” dibanding pria, atau
“lebih banyak” dari pria. Bisa saja kode tersebut Kita ganti menjadi kode
wanita berkode 1 dan pria berkode 2.
Contoh pertama, contoh yang paling umum digunakan yaitu variabel

jenis kelamin. Jenis kelamin akan dibedakan menjadi Laki-laki dan
Perempuan.Dalam hal ini, hasil pengukuran tidak memiliki tingkatan
tertentu. Artinya laki-laki tidak lebih tinggi daripada perempuan, atau
sebaliknya.Di dalam sebuah penelitian, biasanya akan diberi simbol angka
sebagai pembeda, misal jenis kelamin laki-laki diberi simbol angka 1,
jenis kelamin perempuan diberi simbol 0. Simbol angka disini hanya
untuk membedakan saja, tidak menunjukkan bahwa 1 lebih besar dari 0
dan sebagainya.
Contoh kedua, misal nama kota lahir. Ada yang Bandung, Jakarta,
Surabaya, Bogor, dan lain lain. Hal ini hanya untuk pembeda saja, tidak
menunjukkan tingkatan tertentu. Dengan kata lain, orang yang lahir di
Bandung bukan berarti lebih baik dari Bogor atau yang lainnya.
Contoh ketiga, misalnya menjelaskan agama, ada Islam, Kristen, Hindu,

Budha, Katolik. Ini hanya bersifat membedakan saja
2. Skala ordinal
pada skala ini angka yang diberikan mengandung arti tingkatan.
Fungsinya untuk mengurutkan objek dari terbesar hingga terkecil maupun
sebaliknya. Tetapi nilai yang diberikan kepada objek tidaklah absolut,
namun hanya memberikan perankingan dalam mengurutkan saja.
56
Contohnya ada lima orang siswa (siswa A, siswa B, siswa C, siswa D dan
siswa E) dengan nilai berturut-turut 80, 95, 70, 85 dan 90. Maka akan
diurutkan berdasrkan nilai tertinggi. Hasilnya akan menjadi seperti tabel
berikut.
Nilai Siswa Nilai Ranking
A 80 4
B 95 1
C 70 5
D 85 3
E 90 2
Contoh pertama, contoh pada variabel sikap seseorang terhadap suatu

pernyataan, sikap tersebut berupa sangat setuju, setuju, biasa saja, tidak
setuju, sangat tidak setuju.Pada variabel sikap ini dari sangat setuju ke
sangat tidak setuju menunjukkan kategori dan memiliki tingkatan.Di
dalam sebuah penelitian, kategori tersebut bisa disimbolkan dengan
angka, misal angka 5 untuk sangat setuju, angka 4 untuk setuju, angka 3
untuk biasa saja, angka 2 untuk tidak setuju, dan angka 1 untuk sangat
tidak setuju.
Contoh kedua, misal dalam variabel nilai huruf mutu pada perkuliahan,
yaitu nilai A, B, C, D, dan E. Pada nilai ini menunjukkan tingkatan bahwa
nilai A lebih besar dari B, dan seterusnya.
3. Skala interval
Skala ini juga mengurutkan objek berdasarkan ketentuan ternetu.
Dengan skala ini juga memungkinkan kita untuk mengetahui interval atau
dapat membandingkan ukuran dari selisih antara angka-angka.Selisih
57
antara 1 dan 2 sama dengan selisih antara 2 dan 3, selisih antara 2 dan 4
duakali lebih besar dari selisih antara 1 dan 2.
Contohnya, dokter memberikan obat kepada seorang pasien.
Dalam sehari, obat tersebut harus di makan sebanyak 4 kali yaitu pada
pukul yang ditentukan 12.00, 18.00, 24.00 dan 06.00.
1 2 3 4
Pukul : 12.00 18.00 24.00 06.00
Interval : 6 jam 6 jam 6 jam
Maka dapat dilihat bahwa interval antara waktu pertama dengan waktu
kedua adalah 6 jam. Interval waktu kedua dengan ketiga 6 jam. Dan
interval waktu ketiga dengan keempat 6 jam.
Contoh pertama, contoh yang paling umum pada skala interval adalah
suhu. Misalkan suatu ruangan memiliki suhu 0C, ini bukan berarti bahwa
ruangan tersebut tidak ada suhunya.Angka 0C disini merupakan suhu, hal
ini dikarena pada skala interval 0 (nol) bukanlah nilai yang mutlak.
Contoh kedua, jam 00.00 bukan berarti waktunya kosong atau tidak ada
nilainya, karena jam 00.00 sendiri masih menunjukkan waktu dimana jam
00.00 sama dengan jam 12 malam.
4. Skala ratio
Merupakan salah satu jenis pengukuran yang memiliki nol alamiah
atau nol absolute,sehingga memungkinkan kita membandingkan
magnitude angka-angka absolute.Tinggi dan berat adalah dua contoh
nyata disini. Seseorang yang memiliki berat 100kg boleh dikatakan dua
58
kali lebih berat dibandingkan seseorang yang memiliki berat50 kg, dan
seseorang yang memiliki berat 150 kg tiga kali lebih berat
dibandingkanseseorang yang beratnya 50 kg. Dengan kata lain, antara
seseorang yang memiliki berat badan 150 kg dengan seseorang yang berat
badan 50 kg memiliki rasio 3:1.
Contoh pertama, misal tinggi badan Agung adalah 190 cm sedangkan

tinggi badan Vatinson adalah 95 cm. Pada situasi ini dapat dikatakan
bahwa jarak tinggi badan Vatinson dengan Agung adalah 95 cm. Bisa juga
dikatakan bahwa tinggi badan Agung 2 kali tinggi badan Vatinson.
Contoh kedua, misalkan nilai ujian matematika Tono adalah 50,

sedangkan nilai Toni adalah 100. Ukuran rasionya dapat dinyatakan
bahwa nilai Toni adalah 2 kali nilai Tono.
59
BAB IV
DISTRIBUSI FREKUENSI
Distribusi Frekuensi Data Tunggal
Distribusi Frekuensi Data Kelompok
Distribusi Frekuensi
Distribusi Frekuensi Kumulatif
Grafik
Sejak tahun 1700-an analisis data yang

dilakukan secara deskriptif berdasarkan
tabel-tabel frekuensi, rataan, dan ragam
untuk sampel (contoh) ukuran besar.
Tahun 1800-an merupakan awal
penggunaan grafik-grafik untuk penyajian
data, seperti histogram, sejalan dengan penemuan sebaran (kurva) Normal.
Florence Nightengale (1820-1920) adalah seorang perawat yang terkenal
dengan inovasi di bidang ilmu perawatan merupakan pelopor dalam
penyajian data secara grafik. Selama perang Crimean, Nightengale
mengumpulkan data dan membuat sistem pencatatan. Dari data tersebut
dapat ditentukan tingkat mortalitas yang dapat menunjukkan hasil
perbaikan kondisi kesehatan yang cenderung menurunkan tingkat
kematian. Selanjutnya data tersebut disajikan dalam bentuk grafik yang
60
merupakan suatu inovasi statistika waktu itu. Dalam statistika deskriptif
tidak ada perbedaan antara data yang diperoleh dari sampel dengan
populasinya, kemudian apa yang dihitung dari sampel digunakan untuk
menandai populasi. Pada taraf selanjutnya orang tidak puas hanya
mengumpulkan angka-angka pengamatan saja. Mereka juga tidak puas
bahwa yang diperoleh dari sampel digunakan untuk mencirikan populasi.
Timbullah usaha-usaha untuk memperbaiki kesimpulan dalam melakukan
ramalan-ramalan populasi berdasarkan angka-angka statistik yang
dikumpulkan dari sampel tersebut. Bagian ilmu yang membahas cara-cara
mengambil kesimpulan berdasarkan angka-angka pengamatan ini
dinamakan statistika induktif. Perkembangan statistik induktif tidak lepas
dari pengetahuan mengenai peluang, maka ada baiknya kita lihat terlebih
dahulu sejarah perkembangan ilmu peluang yang mendasari statistika
induktif.
Kata “frekuensi” dalam bahasa Inggris adalah “frequency”yang

artinya: “kekerapan”, “kekeringan” atau “jarang – kerapnya”.Dalam
statistik, “frekuensi” mengandung pengertian ; angka ( bilangan ) yang
menunjukan seberapa kali suatu variabel ( yang dilambangkan dengan
angka – angka itu ) berulang dalam deretan angka tersebut: atau berapa
kalikah suatu variabel ( yang dilambangkan dengan angka itu ) muncul
dalam deretan angka tersebut.
Contoh:
Catatan nilai hasil ulangan 10 siswa kelas IX SMP Jaya pada mata
pelajaran Bahasa Indonesia disajikan berikut ini.
80 75 70 80 70 80 75 75 70 80
Dari deretan hasil ulangan tersebut, terdapat siswa yang nilainya 80
sebanyak 4 orang. Angka 4 di sini, itulah yang disebut dengan frekuensi.
61
Siswa yang nilainya 75 ada 3 orang, maka nilai 75 berfrekuensi 3. Siswa
yang mendapatkan nilai 70 ada 3 orang, maka nilai 70 berfrekuensi 3.
“Distribusi” bahasa Inggrisnya “distribution” artinya
“penyaluran”, “pembagian” atau “pencaran”. Jadi distribusi frekuensi
dapat diartikan sebagai “penyaluran frekuensi”, “pembagian frekuensi”
atau “pencaran frekuensi”. Di dalam statistik, distribusi frekuensi
diartikan sebagai suatu keadaan yang menggambarkan bagaimana
frekuensi dari gejala atau variabel yang dilambangkan dengan angka itu
telah tersalur, terbagi atau terpencar. Dengan distribusi frekuensi, data-
data mentah yang diolah menjadi data-data yang tersusun menurut kelas-
kelas interval tertentu berdasarkan kategori tertentu. Ada dua jenis tabel
distribusi frekuensi, yaitu tabel distribusi frekuensi tunggal dan kelompok.
62
A. Distribusi Frekuensi Data Tunggal.

Pengertian dari distribusi frekuensi data tunggal adalah salah satu
jenis tabel statistik yang di dalamnya menyajikan frekuensi data angka
yang tidak dikelompok-kelompokkan. Berikut ini adalah contoh tabel
distribusi frekuensi tunggal.
Nilai Ulangan Banyak Siswa/
Turus
(xi) Frekuensi (fi)
4 II 2
5 IIII 4
6 IIII IIII 10
7 IIII IIII 10
8 IIII 4
Dari tabel distribusi di atas, dapat diketahui langsung dengan cepat

berapa banyak / frekuensi siswa yang memperoleh nilai 4, nilai 5 dan
seterusnya. Misalnya, siswa yang memperoleh nilai ulangan 4 ada 2
siswa, siswa yang memperoleh nilai ulangan 5 ada 4 siswa, dan
seterusnya.
contoh data berikut.

5, 4, 6, 7, 8, 8, 6, 4, 8, 6, 4, 6, 6, 7, 5, 5, 3, 4, 6, 6
8, 7, 8, 7, 5, 4, 9, 10, 5, 6, 7, 6, 4, 5, 7, 7, 4, 8, 7, 6
Dari data di atas tidak tampak adanya pola yang tertentu maka agar mudah
dianalisis, data tersebut disajikan dalam tabel seperti di bawah ini.
63
Daftar di atas sering disebut sebagai distribusi frekuensi dan karena

datanya
tunggal maka disebut distribusi frekuensi tunggal.
B. Distribusi Frekuensi Data Kelompok

Selanjutnya ada tabel distribusi frekuensi berkelompok. Dalam
membuat tabel frekuensi dengan data yang besar akan lebih mudah
dengan menggunakan tabel distribusi frekuensi berkelompok. Data akan
dikelompokkan terlebih dahulu ke dalam beberapa kelas atau kategori
selanjutnya akan ditentukan jumlah frekuensinya dengan menyesuaikan
nilai-nilai dengan masing-masing kelasnya. Berikut disajikan contoh tabel
distribusi frekuensi berkelompok.
Usia Siswa Turus Frekuensi
5–7 IIII IIII IIII IIII IIII 25
8 – 10 IIII IIII IIII IIII IIII IIII IIII 35
11 – 13 IIII IIII IIII IIII IIII IIII 30
Dari tabel di atas, dapat kita ketahui bahwa siswa yang berada di usia
antara 5 sampai 7 tahun terdapat 25 orang siswa. Siswa yang berada di
usia antara 8 sampai 10 tahun terdapat 35 orang siswa. siswa yang berada
64
di usia antara 11 sampai 13 tahun terdapat 30 orang siswa. Angka 25, 35

dan 30 tersebutlah yang dikatakan dengan frekuensi.
Langkah-langkah dalam menyusun tabel distribusi frekuensi yaitu

sebagai berikut:
1. Mengurutkan data dari yang terkecil hingga data yang terbesar.
2. Menentukan jangkauan (range) dari data.
𝑗𝑎𝑛𝑔𝑘𝑎𝑢𝑎𝑛(𝑅) = 𝑑𝑎𝑡𝑎 𝑏𝑒𝑠𝑎𝑟 − 𝑑𝑎𝑡𝑎 𝑘𝑒𝑐𝑖𝑙
3. Menentukan banyaknya kelas (k).
Banyaknya kelas ditentukan dengan rumus sturgess
𝑘 = 1 + 3,3 log 𝑛 ; 𝑘 ∈ 𝑏𝑢𝑙𝑎𝑡
Dengan k = banyak kelas
n = banyaknya data
lalu hasilnya dibulatkan, biasanya dibulatkan ke atas.
4. Menentukan panjang interval kelas.
𝑗𝑎𝑛𝑔𝑘𝑎𝑢𝑎𝑛 (𝑅)
𝑃𝑎𝑛𝑗𝑎𝑛𝑔 𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙 𝐾𝑒𝑙𝑎𝑠(𝑖) =
𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑘𝑒𝑙𝑎𝑠 (𝑘)
5. Menentukan batas bawah kelas pertama.
Batas bawah kelas pertama biasanya dipilih dari data terkecil atau data
terkecil yang berasal dari pelebaran jangkauan (data yang lebih kecil
dari data terkecil) dan selisihnya harus kurang dari panjang interval
kelasnya.
6. Menuliskan frekuansi kelas secara melidi dalam kolom turus atau tally
sesuai banyaknya data.
Contoh:
Dari hasil ujian tengah semester, diperoleh data nilai ujian
matematika siswa kelas IX yaitu sebagai berikut:
65
80 85 75 75 70 65 77 77 80 70
70 77 70 75 75 80 80 80 70 75
75 75 75 80 75 80 75 85 65 65
Buatlah distribusi frekuensi dari data tersebut!
Penyelesaian:
1. Urutkan data
65 65 65 70 70 70 70 70 75 75
75 75 75 75 75 75 75 75 77 77
77 80 80 80 80 80 80 80 85 85
2. Jangkauan (R)= 85 – 65 = 20
3. Banyaknya kelas
𝑘 = 1 + 3,3 log 30
= 1 + 4,87
= 5,87 ≈ 6
4. Panjang interval kelas
𝑅 20
𝑖= = = 3,33 ≈ 4
𝑘 6
5. Batas kelas pertama adalah 65
6. Tabel.
Nilai Siswa Turus Frekuensi
65 – 68 III 3
69 – 72 IIII 5
73 – 76 IIII IIII 10
77 – 80 - 0
81 – 84 IIII IIII 10
85 - 88 II 2
JUMLAH 30
66
Istilah-istilah yang banyak digunakan dalam pembahasan distribusi

frekuensi bergolong atau distribusi frekuensi berkelompok antara lain
sebagai berikut:
a. Interval Kelas
Tiap-tiap kelompok disebut interval kelas atau sering disebut interval
atau kelas saja. Dalam contoh sebelumnya memuat enam interval ini.
Interval kelas pertama → 65 – 68
Interval kelas kedua →69 – 72
Interval kelas ketiga →73 – 76
Interval kelas keempat → 77 – 80
Interval kelas kelima → 81 – 84
Interval kelas keenam → 85 – 88
b. Batas Kelas
Batas kelas dibagi menjadi dua, yaitu batas kelas atas dan batas kelas
bawah. Berdasarkan tabel distribusi frekuensi di atas, batas atas dari
tiap-tiap kelas secara berurutan yaitu angka 68, 72, 76, 80, 84 dan 88,
sedangkan batas bawah dari tiap-tiap kelas secara berurutan yaitu 65,
69, 73, 77, 81 dan 85.
c. Tepi Kelas (Batas Nyata Kelas)
Untuk mencari tepi kelas dapat dipakai rumus berikut ini.
Tepi bawah = batas bawah – 0,5
Tepi atas = batas atas + 0,5
Dari tabel di atas maka tepi bawah kelas pertama 64,5 dan tepi
atasnya 68,5, tepi bawah kelas kedua 68,5 dan tepi atasnya 72,5 dan
seterusnya.
67
d. Lebar kelas
Untuk mencari lebar kelas dapat dipakai rumus:
Lebar kelas = tepi atas – tepi bawah
Jadi, lebar kelas dari tabel diatas adalah 68,5 – 64,5 = 4.
e. Titik Tengah
Untuk mencari titik tengah dapat dipakai rumus:
Titik tengah = ½ (batas atas + batas bawah)
Dari tabel di atas:titik tengah kelas pertama = ½ (68 + 65) = 66,5
titik tengah kedua = ½ (72 + 69) = 70,5
dan seterusnya.
C. Distribusi Frekuensi Kumulatif

Pengertian dari tabel distribusi frekuensi kumulatif adalah salah satu
jenis tabel statistik yang di dalamnya disajikan frekuensi yang dihitung
terus meningkat atau selalu ditambah-tambahkan, baik dari bawah ke atas
maupun dari atas ke bawah. Daftar distribusi kumulatif ada dua macam,
yaitu sebagai berikut.
1. Daftar distribusi kumulatif kurang dari (menggunakan tepi atas).
2. Daftar distribusi kumulatif lebih dari (menggunakan tepi bawah).
Untuk lebih jelasnya, perhatikan contoh data berikut ini.

Nilai Frekuensi Batas Batas Atas
Siswa Bawah
65 – 68 3 64,5 68,5
69 – 72 5 68,5 72,5
73 – 76 10 72,5 76,5
77 – 80 2 76,5 80,5
68
Dari tabel di atas dapat dibuat daftar frekuensi kumulatif “kurang

dari” dan “lebih dari” seperti pada tabel berikut.
Frekuensi
Data Kumulatif
Frekuensi
Kurang Dari
Data Kumulatif Lebih
≤ 68,5 3 Dari
≤72,5 8 ≥64,5 20
≤76,5 18 ≥68,5 17
≤80,5 20 ≥72,5 12
≥76,5 2
D. Grafik
Penyajian data dalam bentuk grafik bertujuan untuk memberikan
gambaran sebaran data dalam bentuk visualisasi. Ada beberapa macam
grafik yang biasa digunakan untuk memberikan gambaran data, yakni:
histogram, poligon, dan ogive.
1. Grafik Histogram
Dari suatu data yang diperoleh dapat disusun dalam tabel distribusi
frekuensi dandisajikan dalam bentuk diagram yang disebut histogram.
Jika pada diagram batang,gambar batang-batangnya terpisah maka pada
histogram gambar batang-batangnyaberimpit. Histogram dapat disajikan
dari distribusi frekuensi tunggal maupun distribusi frekuensi kelompok.
Ada beberapa hal yang harus diperhatikan dalam membuat

histogram, yaitu :
• Terdapat dua sumbu, yaitu sumbu mendatar dan sumbu tegak.
69
• Skala pada kedua sumbu tidak harus sama.

• Sumbu tegak memuat frekuensi masing-masing kelas interval. Sumbu
mendatar berisi setiap interval data dari tabel distribusi frekuensi.
Untuk setiap kelas interval, pada sumbu mendatar dibatasi oleh tepi
atas dan tepi bawah. Pada tepi atas dan tepi bawah ditarik garis keatas
sampai menunjukkan bilangan yang sesuai dengan frekuensi pada
sumbu tegak. Selanjutnya kedua ujungnya dihubungkan, sehingga
akan terbentuk sebuah batang yang berupa persegi panjang.
• Karena garis tegak lurus ditarik dari tepi atas dan tepi bawah setiap
interval, maka diperoleh gambar persegi panjang-persegi panjang
yang saling berimpit pada salah satu sisinya.
• Lebar setiap batang harus sama antara satu dengan yang lain,
termasuk warna atau corak arsirannya.
• Di bagian atas setiap batang diberikan bilangan yang menunjukkan
frekuensi.
Langkah-langkah dalam menggambarkan Histogram dan Poligon
Frekuensi yaitu sebagai berikut:
• Buat dua sumbu, yaitu sumbu datar dan sumbu tegak. Pada sumbu
datar memuat bilangan yang merupakan batas-batas semua interval
kelas (bias juga titik tengah untuk setiap interval kelas). Sumbu
tegaknya mengenai nilai frekuensi dari data yang didapat.
• Untuk kelas interval pertama, pada sumbu datar dibatasi oleh batas
bawahnya dan batas aytasnya. Pada batas bawah dan batas atas
masing-masing ditarik garis tegak lurus keatas sampai menunjukkan
bilangan yang sesuai dengan frekuensi pada sumbu tegak. Selanjutnya
hubungkan kedua ujungnya, maka akan terbentuk sebuah batang yang
berupa empat persegi panjang.
70
• Hal yang sama juga dilakukan untuk kelas interval selanjutnya sampai
akhir.sehingga akan diperoleh batang-batang yang saling berhi,pit,
grafik inilah yang dinamakan histogram
• Apabila dari histogram ini, titik-titik tengah sisi atas persegi panjang
dihubungkan satu sama lain dan hubungan sisi atas pertama dengan
setengah jarak dari panjang kelas yang diulurkan ke kiri batas bawah
kelas interval pertama, serta hubungkan sisi atas terakhir dengan
setengah jarak dari panjang kelas yang diulurkan ke kanan batas atas
kelas interval terakhir, maka akan diperoleh polygon frekuensi.
Dari tabel distribusi frekuensi berikut, Sajikan dalam bentuk
histogram.
Nilai Matematika siswa kelas VIII SMP JAYA.
Tinggi Badan Nilai Tengah Frekuensi
152 – 154 66,5 15
155 – 157 70,5 17
158 – 160 74,5 25
161 – 163 78,5 25
164 – 166 82,5 15
167 – 169 86,5 12
170 – 172 171,5 11
71
2. Grafik Poligon
Jika titik-titik tengah dari histogram dihubungkan dengan garis lalu

batang-batangnya dihapus, maka akan diperoleh poligon frekuensi. Untuk
membuat grafik poligon, sebenarnya tidak ada perbedaan penting antara
grafik histogram dengan grafik poligon. Perbedaannya terletak pada :
• Grafik histogram “lazimnya” dibuat dengan mengunakan batas nyata,

sedangkan grafikpoligon selalu menggunakan titik tengah.
• Grafik histogram berwujud segiempat-segiempat, sedang grafik
poligon berwujud garis-garis atau kurve (garis-garis yang sudah
dilicinkan).
Grafik poligon disebut juga grafik poligon frekuensi , dibuat dengan
menghubungkan titik koordinat secara berturut-turut. Untuk lebih
jelasnya, perhatikan contoh soal berikut ini.
Contoh soal:
Hasil pengukuran berat badan terhadap 100 siswa SMP X

digambarkan dalam distribusi bergolong seperti di bawah ini. Sajikan data
tersebut dalam histogram dan poligon frekuensi.
72
Berat Badan
Titik Tengah Frekuensi
(Kg)
15 – 19 17 2
20 – 24 22 10
25 – 29 27 19
30 – 34 32 27
35 – 39 37 16
40 – 44 42 10
45 – 49 47 6
50 – 54 52 5
55 – 59 57 3
60 – 64 62 2
Jumlah 100
Penyelesaian:
Histogram dan poligon frekuensi dari tabel di atas adalah sebagai berikut.
73
3. Grafik Ogive
Grafik ini disebut juga grafik frekuensi meningkat. Grafik yang

dibuat dari data table distribusi frekuensi kumulatif akan terbentuk grafik
ogive. Karena tabel distribusi frekuensi kumulatif ada dua macam, yaitu
tabel distribusi frekuensi kumulatif ”kurang dari” dan tabel distribusi
frekuensi kumulatif “lebih dari” maka grafiknya juga dua macam, yaitu
ogive positif dan ogive negative
Cara pembuatan grafik ogive:

• Membuat sumbu absis dan ordinat
• Membuat skala pada absis untuk mencantumkan batas-batas nyata,
dan skala pada ordinat untuk mencantumkan tendensi meningkatnya.
• Menarik garis-garis dari batas bawah di sebelah kiri berturut-turut ke
batas nyata di aytasnya pada ketinggian menurut frekuensi interval
yang bersangkutan.
• Mencantumkan keterangan yang diperlukan untuk penyajian.
Untuk lebih jelasnya, perhatikan contoh soal berikut ini.
Contoh soal:
Hasil tes ulangan Matematika terhadap 40 siswa kelas XI IPA

digambarkan dalam tabel di bawah ini.
a. Buatlah daftar frekuensi kumulatif kurang dari dan lebih dari.

b. Gambarlah ogive naik dan ogive turun.
74
Hasil Ulangan Frekuensi

65 – 67 2
68 – 70 5
71 – 73 13
74 – 76 14
77 – 79 4
80 – 82 2
Jumlah 40
Penyelesaian:
a. Daftar frekuensi kumulatif kurang dari dan lebih dari adalah sebagai
berikut:
Data Frekuensi Data Frekuensi

Kumulatif Kumulatif lebih
Kurang Dari dari
≤ 67,5 2 ≥ 64,5 40
≤ 70,5 7 ≥ 67,5 38
≤ 73,5 20 ≥ 70,5 33
≤ 76,5 34 ≥ 73,5 20
≤ 79,5 38 ≥ 76,5 6
≤ 82,5 40 ≥ 79,5 2
b. Ogive naik dan ogive turun
Daftar frekuensi kumulatif kurang dari dan lebih dari dapat disajikan
dalam bidang Cartesius. Tepi atas (67,5; 70,5; …; 82,5) atau tepi
bawah (64,5; 67,5; …; 79,5) diletakkan pada sumbu X sedangkan
frekuensi kumulatif kurang dari atau frekuensi kumulatif lebih dari
diletakkan pada sumbu Y. Apabila titik-titik yang diperlukan
dihubungkan, maka terbentuk kurva yang disebut ogive. Ada dua
75
macam ogive, yaitu ogive naik dan ogive turun. Ogive naik apabila
grafik disusun berdasarkan distribusi frekuensi kumulatif kurang dari.
Sedangkan ogive turun apabila berdasarkan distribusi frekuensi
kumulatif lebih dari. Ogive naik dan ogive turun data di atas adalah
sebagai berikut.
E. Latihan
1. Buatlah pengertian tentang “statistika” dan “statistik” dengan bahasa
anda sendiri.
2. Buatlah contoh dari statistika deskriptif dan statistika inferensial.
Masing-masing tiga contoh.
3. Diketahui data sebagai berikut.
80 66 74 74 70 71 78 74 72 67
72 73 73 72 75 74 74 74 72 72
66 75 74 73 74 72 79 71 75 75
78 69 71 70 79 80 75 76 68 68
Nyatakan data tersebut ke dalam:
a. Distribusi frekuensi tunggal,
76
b. Distribusi frekuensi kelompok dengan kelas 65 – 67, 68 – 70, 71

– 73, 74 – 76, 77 – 79, 80 – 82
4. Diketahui daftar distribusi frekuensi sebagai berikut
Nilai Frekuensi
21 – 30 2
31 – 40 8
41 – 50 9
51 – 60 6
61 – 70 3
71 – 80 2
81 – 90 8
91 - 100 6
Dari tabel di atas, tentukan:

a. Banyaknya kelas
b. Batas bawah kelas ke lima
c. Batas atas kelas ke enam
d. Tepi bawah kelas ke tujuh
e. Tepi atas kelas ke delapan
f. Titik tengah masing-masing kelas
g. Panjang kelas
5. Nilai ulangan matematika dari 40 siswa adalah sebagai berikut.

72 74 78 74 79 75 72 71 74 67
73 72 72 73 75 74 73 74 74 75
75 73 66 74 74 79 70 72 71 72
69 70 80 71 70 75 77 80 76 68
a. Susunlah tabel distribusi frekuensi bergolong dari data tersebut ke
dalam interval-interval 65 – 67, 68 – 70, dan sebagainya.
b. Berapakah banyaknya interval kelas yang kamu buat?
77
c. Sebutkan batas-batas dan tepi-tepi kelasnya.

d. Berapa lebar kelasnya?
e. Sebutkan titik-titik tengahnya.
6. Dari tabel pada soal nomor 4, lengkapilah tabel berikut ini.

Data Frekuensi Kumulatif
Kurang Dari
 30,5 2
 ... 10
 ... ...
 ... ...
 ... ...
Data Frekuensi Kumulatif

Lebih Dari
 30,5 ...
 ... ...
 ... ...
 ... ...
 ... 6
7. Hasil tes ulangan Matematika terhadap 40 siswa kelas XI IPA

digambarkan dalam tabel berikut.
a. Buatlah daftar frekuensi kumulatif kurang dari dan lebih dari
b. Gambarlah grafik ogive naik dan ogive turun
Hasil Ulangan Frekuensi

65 – 67 2
68 – 70 3
71 – 73 13
74 – 76 14
77 – 79 4
80 - 82 2
40
78
BAB V
TENDENSI SENTRAL DAN VARIABILITAS
Tendensi Sentral
Jenis-Jenis Ukuran Tendensi Sentral
Sifat-Sifat Rata-Rata Hitung Mean dan Modus

Tendensi Sentral dan
Variabilitas
Hubungan Rata-Rata Hitung Mean dan Modus
Teknik Pengumpulan Data di Lapangan
Penggunaan Pengumpulan Data dalam

Penelitian Kualitatif dan Kuantitatif
Sir Francis Galton FRS (16 Februari 1822 - 17

Januari 1911), sepupu Sir Douglas Galton,
seorang polymath Victoria Inggris, antropolog,
egenetika, penjelajah tropis. geografer, penemu,
ahli meteorology, ahli proto-genetika,
psychometrisian, dan statistikawan. Dia diberi
gelar kebangsawanan pada tahun 1909. Galton
mempunyai produktifitas intelektual tinggi dan
menghasilkan lebih dari 340 makalah dan buku sepanjang hidupnya. Ia
juga menciptakan konsep statistik korelasi dan regresi. Dia adalah orang
yang pertama untuk menerapkan metode statistik untuk mempelajari
perbedaan manusia dalam hal warisan kecerdasan dan memperkenalkan
penggunaan kuesioner dan survei untuk mengumpulkan data tentang
79
masyarakat yang dibutuhkan untuk genelogikal dan biografi serta untuk
studi antropometriknya.
Dengan perkembangan teori-teori probabilitas antara tahun 1713-
1812, Galton yang semasa hidupnya menghasilkan 340 lebih tulisan dan
buku, mempelajari fenomena korelasi dan regresi terhadap nilai rata-rata
dan nilai tengah dan menggunakan metode statistik untuk mempelajari
perbedaan pada sifat manusia dan warisan kecerdasan dengan
menggunakan daftar pertanyaan-pertanyaan. Berikut ini adalah eksperimen
Galton berupa data yang menunjukkan hubungan antara tinggi
anak/keturunan (928 individu) sebagai fungsi mean dari orangtua (205
kumpulan orangtua).
A. Tendensi Sentral
Pusat dari distribusi disebut juga dengan tendensi sentral. Yang
termasuk ke dalam tendensi sentral adalah data, yang digolongkan
menjadi dua golongan yaitu data tunggal dan data kelompok. Data
dikelompokkan menjadi data tunggal ketika data sampel berjumlah sedikit
atau kecil, dan termasuk data berkelompok jika data sampel yang akan
diukur berjumlah banyak atau besar.
B. Jenis-jenis Ukuran Tendensi Sentral

1. Mean
• Contoh mean data tunggal.
Mean dari data berikut 15, 9, 1, 1, 34, 10 dan 3 adalah:
𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛 ∑𝑛 𝑥𝑖
𝑥= = 𝑖=1
𝑛 𝑛
15 + 9 + 1 + 1 + 34 + 10 + 3
𝑥= = 10,43
7
80
• Contoh mean dengan tabel distribusi frekuensi tunggal.

Tentukan mean dari data berikut ini.
Nilai Ulangan Frekuensi (fi) fi . xi
(xi)
4 1 4
5 2 10
6 4 24
7 15 105
8 8 64
Jumlah 30 207
81
Berdasarkan tabel di atas, diperoleh nilai:

∑ 𝑓𝑖 = 30 ∑ 𝑓𝑖 . 𝑥𝑖 = 207
∑ 𝑓𝑖.𝑥𝑖
Jadi, mean dari data di atas adalah 𝑥 = = 6,9
∑ 𝑓𝑖
Contoh soal.
Hitunglah mean hitung dari nilai-nilai 7, 6, 3, 4, 8, 8
Penyelesaian :
X = 7, 6, 3, 4, 8, 8
N =6
ΣX = 7 + 6 + 3 + 4 +8 + 8 = 36
𝛴𝑋 36
𝑋= = =6
𝑛 6
1) Apabila nilai X1, X2, . . . . . . . . . . . . . . , Xn masing-masing

memiliki frekuensi f1,f2, ............. , fn, maka mean hitungnya
adalah sebagai berikut :
∑ 𝑓𝑥 𝑓𝑥1 + 𝑓𝑥2 + … . + 𝑓𝑛 𝑥𝑛
𝑋= =
∑𝑓 𝑓1 + 𝑓2 + … + 𝑓𝑛
Contoh soal
Hitunglah mean hitung dari nilai-nilai : 3, 4, 3, 2, 5, 1, 4, 5, 1, 2, 6, 4, 3, 6,
1!
Penyelesaian :
Angka 3 keluar sebanyak 3 kali, maka X1 =3, f1= 3
Angka 4 keluar sebanyak 3 kali, maka X2 =4, f2 = 3
82

Angka 1 keluar sebanyak 3 kali, maka X5 =1, f1= 3
∑ 𝑓𝑋= 3 x 3 + 3 x 4 + 2 x 2 + 2 x 5 + 3 x 1 + 2 x 6 = 50
∑ 𝑓𝑥= 3 + 3 + 2 + 2 + 3 + 2 = 15
∑ 𝑓𝑥 50
𝑋= = = 3,3
∑𝑓 15
Rumus ini apabila diubah menjadi
𝑤. 𝑋 𝑓𝑋1 + 𝑓𝑋2 + … . + 𝑓𝑛 𝑋𝑛
𝑋= ∑ =
𝑤 𝑤1 + 𝑤2 + … + 𝑤𝑛
w = timbangan, disebut sebagai mean hitung tertimbang
2) Jika f1 nilai yang memiliki mean hitung m1, f2 nilai yang

memilki mean hitung m2, ....... , dan fknilai yang memiliki mean
hitung mk, maka mean hitung dari keseluruhan nilai itu f1 +f2 + .
. . . . + fk, dapat dihitung dengan rumus berikut ini.
∑ 𝑓𝑚 𝑓1 𝑚1 + 𝑓2 𝑚2 + … . + 𝑓𝑛 𝑚𝑛
𝑋= =
∑𝑓 𝑓1 + 𝑓2 + … + 𝑓𝑛
83
Contoh soal
Mean nilai statistik 40 mahasiswa adalah 77,1 kemuadian masuk lagi
seorang mahasiswa sehingga nilai mean menjadi 77,5. Berapakah nilai
statistik mahasiswa yang baru masuk?
Penyelesaian :
𝑓1 = 40 , 𝑚1 = 77,1
𝑓2 = 1 , 𝑚2 = .....
𝑓1 𝑚1 + 𝑓2 𝑚2
𝑋=
𝑓1 + 𝑓2
40 𝑥 77,1 + 1 𝑥 𝑚2
77,5 =
40 + 1
77,5 x 41 = 40 x 77,1 + 1 x m2
3177,5 = 3084 + m2
m2 = 3177,5 -3084 = 93,5
Jadi, nilai statistika mahasiswa yang baru masuk tersebut adalah 93,5.
Contoh mean dengan tabel distribusi frekuensi berkelompok.
Hasil Pengukuran Titik Tengah Frekuensi

fi . xi
(dalam cm) (xi) (fi)
150 – 154 152 7 1064
155 – 159 157 13 2041
160 – 164 162 10 1620
165 – 169 167 8 1336
170 – 174 172 2 344
Jumlah 40 6405
Berdasarkan tabel di atas, diperoleh nilai:
∑ 𝑓𝑖 = 40 ∑ 𝑓𝑖 . 𝑥𝑖 = 6405
∑ 𝑓𝑖.𝑥𝑖
Jadi, mean dari data di atas adalah 𝑥 = = 160,125.
∑ 𝑓𝑖
84
1. Metode Biasa
Apabila telah di bentuk distribusi frekuensi biasa dengan fi =
frekuensi pada interval kelas ke-I , Xi = titik tengah interval kelas ke-I,
maka mean hitung (mean) dapat di hitung dengan rumus sebagai berikut:
Dari contoh-contoh di atas, maka dapat disimpulkan bahwa yang
dimaksud dengan mean adalah jumlah nilai data dibagi dengan
banyaknya data. Mean juga disebut dengan rata-rata hitung, yaitu rata-
rata dari data-data yang ada.
∑ 𝑓𝑥
𝑋=
∑𝑓
Contoh soal
Tentukanlah mean hitung dari table berikut:
Berat badan 100 orang mahasiswa unimed 2018
Berat Badang (Kg) Banyaknya Mahasiswa
(f)
60 - 62 10
63 – 65 25
66 – 68 32
69 – 71 15
72 – 74 18
Penyelesaian:
Berat Badan Titik Tengah Frekuensi (f) fx
(kg) (x)
60 - 62 61 10 610
63 – 65 64 25 1600
66 – 68 67 32 2144
69 – 71 70 15 1050
72 – 74 73 18 1324
jumlah 100 6718
∑ 𝑓𝑥 6,718
X= = = 67,18
∑𝑓 100
85
2. Metode Simpangan Rata-rata

Apabila M adalah rata-rata hitung sementara maka rata-rata hitung
dapat dihitung dengan rumus:
∑ 𝑓𝑑
𝑋= 𝑀 +
∑𝑓
Keterangan:
M = rata-rata hitung sementara, biasanya diambil dari titik tengah
kelas dengan frekuensi terbesarnya (titik kelas modus)
d = X −M
X = titik tengah interval kelas
f = frekuensi kelas
Contoh soal:
Tentukan rata-rata dari Tabel berat badan di bawah dengan metode
simpangan rata-rata!
Penyelesaian:
Dari distribusi frekuensi tersebut, titik tengah kelas modus adalah 67
maka M = 67.
Berat f X d=X −M fd
Badan (kg)
60 – 62 10 61 -6 -60
63 – 65 25 64 -3 -75
66 – 68 32 67 0 0
69 – 71 15 70 3 45
72 – 74 18 73 6 108
Jumlah 100 - 0 18
86
 fd
X = M+
f
18
= 67 +
100
X = 67,18
3. Metode coding
Metode coding sering digunakan apabila dijumpai nilai-nilai dalam data
yang berupa bilangan-bilangan besar. Pada dasarnya, metode ini
merupakan penjabaran dari metode simpangan rata-rata. Dirumuskan:
 fu
X = M +C
f
Keterangan:
M = rata-rata hitung sementara
C = panjang kelas
u = 0,1,2,...
d
= , dengan d = X − M
C
Contoh soal:
Tentukan rata-rata hitung (mean) dari tabel berat badan di atas dengan
menggunakan metode coding!
Penyelesaian:
Dari tabel 4.1, diketahui bahwa
C = 62,5 – 59,5 = 3, sehingga
87
d
u = dan M = 67
3
Berat Badan f X d u fu
(kg)
60 – 62 10 61 -6 -2 -20
63 – 65 25 64 -3 -1 -25
66 – 68 32 67 0 0 0
69 – 71 15 70 3 1 15
72 – 74 18 73 6 2 36
Jumlah 100 - 0 0 6
 fu
X = M +C
f
6
= 67 + 3 
100
= 67,18
2. Median
Median adalah nilai tengah dari data yang ada setelah data diurutkan.
Median merupakan rata-rata apabila ditinjau dari segi kedudukannya
dalam urutan data. Median sering pula disebut rata-rata posisi. Median
ditulis singkat atau disimbolkan dengan Me atau Md . Cara mencari
median dibedakan antara data tunggal dan data berkelompok.
a. Median data tunggal
Median untuk data tunggal dapat dicari dengan pedoman sebagai
berikut.
88
1) Jika jumlah data ganjil, mediannya adalah data yang berada paling
tengah.
2) Jika jumlah data genap, mediannya adalah hasil bagi jumlah dua
data yang berada di tengah. Pedoman tersebut dirumuskan sebagai
berikut.
a) Untuk data ganjil (n = ganjil)
Me = X n
2
b) Untuk data genap (n = genap)

X n + X n+ 2
2
Me = 2
2
Atau secara singkat median dapat ditentukan:
1
Me = nilai yang ke (n +1)
2
Contoh soal:
Tentukan median dari data berikut!
a. 4, 3, 2, 6, 7, 5, 8
b. 11, 5, 7, 4, 8, 14, 9, 12
Penyelesaian:
a. Urutan data: 2, 3, 4, 5, 6, 7, 8
Jumlah data (n) = 7 (ganjil)
X7+1
Me = = X =5
4
2
b. Urutan data: 4, 5, 7, 8, 9, 11, 12, 14
Jumlah data (n) = 8 (genap)
X 4 + X5 8+9
Me = = = 8,5
2 2
89
b. Median data berkelompok

Median untuk data berkelompok dapat dicari dengan rumus sebagai
berikut:
1
n − ( f 2 )o
Me = B + 2 C
fMe
Keterangan:
Me = median
B = tepi bawah kelas median
n = jumlah frekuensi
( f2 )o = jumlah frekuensi kelas-kelas sebelum kelas median
C = panjang interval kelas
f Me = frekuensi kelas median
Dalam mencari median data kelompok (distribusi frekuensi) yang

perlu dicari terlebih dahulu adalah kelas tempat median berada (kelas
1
median). Kelas median dapat dicari dengan: ( f2 )o  n
2
Contoh soal:
Tentukan median dari distribusi frekuensi berikut!
Tabel Diameter dari 40 Buah Pipa

Diameter Pipa (mm) Frekuensi (f)
65-67 2
68-70 5
71-73 13
74-76 14
90
77-79 4
80-82 2
Penyelesaian:
1
Jumlah frekuensi (n) = 40 dan n = 20
2
1
Kelas median adalah ( f2 )o  n
2
f1 + f 2 + f3 = 20  20
Jadi, kelas median adalah kelas-3

B = 70,5
( f2 )o = 7
C =3
f Me = 13
1
n − ( f )o
2
Me =B+ 2 C
f Me
20 − 7
= 70,5+ 3
13
= 73,5
3. Modus (Mode)
Modus adalah nilai yang paling sering muncul dalam data. Modus
ditulis singkat atau disimbolkan dengan Mo . Sejumlah data bisa tidak
mempunyai modus, mempunyai satu modus (disebut Unimodal),
mempunyai dua modus (Bimodal), atau mempunyai lebih dari dua modus
(Multimodal). Cara mencari modus dibedakan antara data tunggal dan
data berkelompok.
91
a. Modus data tunggal

Modus dari data tunggal adalah data yang frekuensinya terbanyak.
Contoh soal:
Tentukan modus dari data-data berikut!
a. 1, 4, 7, 8, 9, 9, 11
b. 1, 4, 7, 8, 9, 11, 13
c. 1, 2, 4, 4, 7, 9, 11, 11, 13
d. 1, 1, 3, 3, 7, 7, 12, 12, 14, 15
Penyelesaian:
a. Modus = 9
b. Modus = tidak ada
c. Modus = 4 dan 11
d. Modus = 1, 3, 7, dan 12
b. Modus data berkelompok

untuk data berkelompok, dalam hal ini adalah distribusi frekuensi,
modus hanya dapat diperlukan. Nilai yang paling sering muncul
akan berada pada kelas yang memiliki frekuensi terbesar. Kelas
yang memiliki frekuensi terbesar disebut sebagai kelas modus.
Modus data berkelompok dapat dicari dengan rumus berikut:
d1
Mo = L + C
d1 + d2
Keterangan:
Mo = modus
92
L = tepi bawah kelas modus

d1 = selisih frekuensi kelas modus dengan frekuensi kelas
sebelumnya
d2 = selisih frekuensi kelas modus dengan frekuensi kelas sesudahnya
Contoh soal:
Tentukan modus dari distribusi frekuensi pada Tabel 4.1 di atas!
Penyelesaian:
Dari tabel 4.1 diketahui bahwa kelas modus adalah kelas ke-3.
L = 65,5
d1 = 32 – 25 = 7
d2 = 32 – 15 = 17
C =3
d1
Mo = L + C
d1 + d 2
7
= 65,5 + 3
7 +17
= 66,375
4. Ukuran-Ukuran yang Lain

Selain ketiga ukuran nilai pusat (rata-rata hitung, median, dan modus),
fraktil, rata-rata ukur, dan rata-rata harmonis termasuk juga dalam ukuran
nilai pusat.
a. Fraktil
Fraktil adalah nilai-nilai yang membagi seperangkat data yang telah
terurut menjadi beberapa bagian yang sama. Fraktil dapat berupa
kuartil, desil, dan persentil.
93
1) Kuartil (Q)
Kuartil adalah fraktil yang membagi seperangkat data yang telah
terurut menjadi empat bagian yang sama. Terdapat tiga jenis
kuartil, yaitu kuartil bawah atau pertama (Q1 ) , kuartil tengah atau
kedua (Q2) , dan kuartil atas atau ketiga (Q3) . Kuartil kedua sama
dengan median.
a) Kuartil data tunggal
Untuk data tunggal, kuartil-kuartilnya dapat dicari dengan
menggunakan metode mencari median, atau rumus:
i(n + 1)
Qi = nilai yang ke , i = 1,2,3
4
Contoh soal:
Tentukan kuartil dari data 2, 6, 8, 5, 4, 9, 12!
Penyelesaian:
Data diurutkan: 2, 4, 5, 6, 8, 9, 12 ; n=7
i(n +1)
Qi = nilai ke
4
1(7 +1)
Q = nilai ke = 2 , yaitu 4
1
4
2(7 +1)
Q2 = nilai ke = 4 , yaitu 6
4
3(7 +1)
Q3 = nilai ke = 6 , yaitu 9
4
b) Kuartil data berkelompok
untuk data berkelompok, kuartil-kuartilnya dapat dicari dengan rumus:
in
− ( f i )o
Qi = Bi + 4 C
f Qi
94
Keterangan:
Bi = tepi bawah kelas kuartil
n = jumlah semua frekuensi
i = 1, 2, 3
( fi )o = jumlah frekuensi semua kelas sebelum kelas kuartil
fQi = frekuensi kelas median
Dalam mencari kuartil-kuartil tersebut, yang perlu dicari terlebih

dahulu adalah kelas tempat kuartil-kuartil itu berada (kelas kuartil),
yaitu sebagai berikut.
1
(1) Kelas Q1 , jika ( f1 )o  (n)
4
1
(2) Kelas Q2 , jika ( f2 )o  (n)
2
3
(3) Kelas Q3 , jika ( f3 )o  (n)
4
Contoh soal:
Tentukan Q1 , Q2 , dan Q3 dari distribusi frekuensi pada Tabel
Diameter di atas!
Penyelesaian:
Dari Tabel tersebut, diketahui:
1 1 3
n = 40 , berarti n = 10 , n = 20 , dan n = 30
4 2 4
Kelas Q1 adalah kelas ke-3
95
B1 = 70,5 (ada di kelas ke-3)

( f1 )o = 7 ; ( f2 )o = 7 ; ( f3 )o = 20
C =3
fQ1 = 13; fQ2 = 13 ; fQ3 = 14
in
− ( f )o
1
Q1 = B1 + 4 C
fQ1
1
 40 − 7
= 70,5 + 4 3
13
Q1 = 70,5 + 0,69 = 71,19
2n
− ( f 2 )o
4 C
Q2 = B 2 + f
Q2
1
 40 − 7
= 70,5 + 2 3
13
Q2 = 70,5 + 3 = 73,5
3n
− ( f 3 )o
4 C
Q3 = B3 + f
Q3
3
 40 − 20
= 73,5 + 4 3
14
96
Q3 = 73,5 + 2,14 = 75,64
2) Desil (D)
Desil adalah fraktil yang membagi seperangkat data yang telah terurut
menjadi sepuluh bagian yang sama. Terdapat sembilan jenis desil, yaitu
desil pertama (D1) , desil kedua (D2 ) , ..., dan desil kesembilan (D9 ) .
Desil kelima (D5 ) sama dengan median. Cara mencari desil dibedakan
antara data tunggal dan data berkelompok.

a) Desil data tunggal
Untuk data tunggal, desil-desilnya dapat dicari dengan
menggunakan rumus berikut.
i(n + 1)
Di = nilai ke , i = 1,2,...,9
10
Contoh soal:
Tentukan desil ke-3 (D3 ) dan desil ke-7 (D7 ) dari dta berikut ini!
23, 30, 32, 34, 38, 38, 39, 40, 41, 43, 44, 45, 46
Penyelesaian:
3(13 + 1)
D3 = data ke
10
42
= data ke = data ke 4,2
10
7(13 + 1)
D7 = data ke
10
98
= data ke = data ke 9,8
10
= X 9 + 0,8( X10 − X 9 ) = 41 + 0,8(43 − 41)
= 41 + 1,6 = 42,6
97
b) Desil data berkelompok

Untuk data berkelompok (distribusi frekuensi), desil-desilnya dapat
dicari dengan, rumus:
in
− ( f i )o
Di = B i + 10
C
f Di
Keterangan:
Di = desil ke-i
Bi = tepi bawah kelas desil ke-i
n = jumlah frekuensi
( f i )o = jumlah frekuensi sebelum kelas desil ke-i
C = panjang interval kelas desil ke-i

f Di = frekuensi kelas desil ke-i
i = 1, 2, 3, ..., 9
Contoh soal:
Tentukan desil ke-4 (D4 ) dan desil ke-8 (D8 ) dari distribusi
frekuensi berikut. TabelNilai Matematika 40 Mahasiswa Universitas
Borobudur Tahun 1997
Nilai Frekuensi (f)
30 – 39 5
40 – 49 3
50 – 59 6
60 – 69 7
70 – 79 8
80 – 89 7
90 – 99 4
98
Jumlah 40
Penyelesaian:
Untuk mencari desil ke-4 dan desil ke-8, terlebih dahulu dicari kelas desil
ke-4 dan desil ke-8, yaitu:
4
1) Kelas desil ke-4, jika ( f 4 )o  (n)
10
8
2) Kelas desil ke-8, jika ( f8 )o  (n)
10
Dari Tabel tersebut diketahui:

4 8
n = 40, maka (40) = 16 dan (40) = 32
10 10
Kelas (D4 ) adalah kelas ke-4
Kelas (D8 ) adalah kelas ke-6
B4 = 59,5 (tepi bawah kelas ke-4)

( f 4 )o = 14 dan ( f 6 )o = 29
C = 10
f D4 = 7 dan f D8 =7
4n
− ( f )o
4
D4 = B4 + 10 C
f D4
4  40
− 14
= 59,5 + 10 10
7
= 59,5 + 2,86 = 62,36
99
8 n
− ( f )o
6
D8 = B6 + 10 f C
D8
8  40
− 29
= 79,5 + 10 10
7
= 79,5 + 4,29 = 83,79
3) Persentil
Persentil adalah fraktil yang membagi seperangkat data yang telah

terurut menjadi seratus bagian yang sama. Terdapat sembilan puluh
sembilan persentil, yaitu persentil pertama (P1 ) , persentil kedua (P2 ) ,
...., dan persentil kesembilan puluh sembilan (P99 ) . Cara mencari
persentil dibedakan antara data tunggal dan data berkelompok.

a) Persentil data tunggal
Untuk data tunggal, persentil-persentilnya dapat dicari dengan
menggunakan rumus:
i(n + 1)
Pi = nilai ke , i = 1,2,3,...,99
100
Contoh soal:
Tentukan persentil ke-10 (P10 ) dan persentil ke-76 (P76 ) dari data
berikut!
20 21 22 24 26 26 27 30 31 31
33 35 35 35 36 37 37 38 39 40
41 41 42 43 44 46 47 48 49 50
Penyelesaian:
100
n = 30
10(30 + 1)
P = nilai ke
10
100
310
= nilai ke = nilai ke 3,1
100
= X 3 + 0,1( X 4 − X 3 )
= 22 + 0,1 (24 – 22) = 22,2
76(30 + 1)
P76 = nilai ke
100
2.356
= nilai ke = nilai ke 23,56
100
= X 23 + 0,56( X 24 − X 23 )
= 42 + 0,56 (43 – 42) = 42,56
b) Persentil data berkelompok

Untuk data berkelompok (distribusi frekuensi), persentil-
persentilnya dapat dicari dengan menggunakan rumus:
in
( ) − ( f i )o
Pi = Bi + 100 C
f Pi
Keterangan:
Pi = persentil ke-i
Bi = tepi bawah kelas persentil ke-i

n = jumlah semua frekuensi
i = 1, 2, 3, ..., 99
101
( f i )o = jumlah semua frekuensi sebelum kelas persentil

f Pi = frekuensi kelas persentil
Contoh soal:
Dari distribusi di bawah ini, tentukan P35 dan P88
TABEL Tinggi 100 Mahasiswa Universitas Borobudur Tahun 2018

Tinggi (cm) Frekuensi (f)
150 - 154 4
155 – 159 8
160 – 164 14
165 – 169 35
170 – 174 27
175 – 179 12
Jumlah 100
Penyelesaian:
Untuk mencari persentil ke-35 dan persentil ke-88, terlebih dahulu dicari
kelas persentil ke-35 dan ke-88.
35
(1) Kelas persentil ke-35, jika ( f35 )o  (n)
100
88
(2) Kelas persentil ke-88, jika ( f88 )o  (n)
100
Diketahui: n = 100 , maka 35 (100) = 35 dan 88 (100) = 88

100 100
Kelas P35 adalah kelas ke-4 dan Kelas P88 adalah kelas ke-5
102
( f 35 )o = 26 dan ( f88 )o = 61
C =5
f P35 = 35 dan f P88 = 27
35(n)
− ( f )o
35
P35 = B35 + 100 f C
P35
35100
− 26
= 164,5 + 100 5
35
= 164,5 + 1,29 = 165,79
88(n)
− ( f )o
88
P88 = B88 + 100 f C
P88
88 100
− 61
169,5 + 100 5
=
27
= 169,5 + 5 = 174,5
b. Rata-rata ukur (rata-rata geometris)

1) Rata-rata ukur data untuk tunggal
Jika perbandingan setiap dua data berurutan adalah tetap atau
hampir tetap maka rata-rata ukur lebih baik digunakan daripada
rata-rata hitung. Jika seperangkat data adalah X 1 , X 2 , X 3 ,..., X n
maka rata-rata ukurnya dirumuskan:
G = n X 1  X 2  X 3 ,...X n
atau
1
log G = (log X + log X + log X + ... + log X )
1 2 3 n
n
103
Contoh soal:
Tentukan rata-rata ukur dari: 2, 4, 8, 16, 32!
Penyelesaian:
G = 5
2 4816  32
= 5 32.768 = 8
1
Atau log G = (log 2 + log 4 + log 8 + log16 + log 32)
5
1
= (0,301 + 0,602 + 0,903 + 1,204 + 1,505)
5
1
= (4,515) = 0,903
5
G =8
Untuk menetukan persen kenaikan rata-rata seperti persen kenaikan
rata-rata penjualan, ekspor, atau kegiatan bisnis lainnya dari satu
periode ke periode lainnya, rumus rata-rata ukur menjadi:
Nilai.akhirperode
G = n−1 −1
Nilai.awalperiode
2) Rata-rata ukur untuk data berkelompok

Untuk data berkelompok (distribusi frekuensi), rata-rata ukur dapat
dihitung dengan rumus:
( f  log X )
log G =
f
Keterangan: X = titik tengah
104
Contoh soal:
Tentukan rata-rata ukur dari distribusi frekuensi berikut ini!
TABEL Hasil Pengukuran 100 Daun Belimbing (mm)
Pengukuran Frekuensi (f)
50 – 54 6
55 – 59 10
60 – 64 9
65 – 69 25
70 – 74 28
75 – 79 13
80 – 84 9
Jumlah 100
Penyelesaian:
Nilai f X log X f  log X
50 – 54 6 52 1,716 10,296
55 – 59 10 57 1,756 17,560
60 – 64 9 62 1,792 16,132
65 – 69 25 67 1,826 45,652
70 – 74 28 72 1,857 52,005
75 – 79 13 77 1,886 24,524
80 – 84 9 82 1,914 17,224
Jumlah 100 - - 183,393
( f  log X )
log G =
f
105
183,393
= = 1,834
100
G = 68,23
3) Rata-rata ukur untuk gejala pertumbuhan atau kenaikan

Untuk gejala-gejala yang sifatnya pertumbuhan atau kenaikan dengan
syarat-syarat tertentu, seperti pertumbuhan bakteri, pertumbuhan
penduduk, dan kenaikan bunga, rata-rata ukur dapat dihitung dengan
rumus:
t
 X 
Pt = PO 1 +
 100 
Rumus ini dapat ditulis singkat menjadi Pt = PO (1 + r)t . Dengan
demikian
Pt
r=
Po − 1
Keterangan:
Pt = keadaan akhir pertumbuhan
PO = kedaan awal atau permulaan pertumbuhan
X = rata-rata pertumbuhan setiap waktu

t = satuan waktu yang digunakan
r = tingkat bunga
Contoh soal:
Tentukan laju pertumbuhan rata-rata penduduk Indonesia jika pada
akhir tahun 1946 dan akhir tahun 1956 jumlah penduduk masing-
masing 60 juta dan 78 juta jiwa!
106
Penyelesaian:
Pt = 78 juta, PO = 60 juta, dan t = 10 tahun
 t
 X 
Pt = PO 1 + 100
 
10
 X 
78 = 601+ 100
 
10
 X 
1 + 100 = 1,3
 
1
X
1+ = (1,3)10
100
X
1+ = 1,0266
100
X = 2,66
Jadi, rata-rata pertumbuhan Indonesia adalah 2,66% per tahun. Soal si
atas dapat pula diselesaikan dengan menggunakan logaritma (log),
silahkan kerjakan sendiri!
c. Rata-rata harmonis
1) Rata-rata harmonis untuk data tunggal
Rata-rata harmonis dari seperangkat data X 1 , X 2 ,..., X n
dirumuskan:
n
RH = = n
1 1 1

1 + + ... +
X X1 X2 Xn
107
Contoh soal:
1. Tentukan rata-rata harmonis dari 2, 5, 7, 9, 12!
Penyelesaian:
5
RH =
1 1 1 1 1
+ + + +
2 5 7 9 12
= 4,82
2. Si B bepergian pergi-pulang ke kampus dengan kendaraan mobil.

Waktu pergi ia menggunakan waktu 40 km/jam, sedang waktu
kembalinya menggunakan waktu 30 km/km/jam. Berpa kecepatan
rata-rata pergi-pulang si B?
Penyelesaian:
2
RH =
1 1
+
40 30
= 32,3 km/jam
2) Rata-rata harmonis untuk data berkelompok

Untuk data berkelompok (distribusi frekuensi), rata-rata harmonis
dapat dihitung dengan rumus:
f
RH =
f

X
Contoh soal:
108
Tentukan rata-rata harmonis dari distribusi frekuensi pada Tabel

4.5!
Penyelesaian:
Pengukuran f X f
X
50 – 54 6 52 0,115
55 – 59 10 57 0,175
60 – 64 9 62 0,145
65 – 69 25 67 0,373
70 – 74 28 72 0,389
75 – 79 13 77 0,169
80 – 84 9 82 0,110
Jumlah 100 - 1,476
100
RH =
1,476
= 67,75
Antara ketiga rata-rata dalam ukuran nilai pusat, yaitu rata-rata hitung,
rata-rata ukur (rata-rata geometris), dan rata-rata harmonis, terdapat
hubungan:
RH  G  X
C. SIFAT-SIFAT RATA-RATA HITUNG, MEDIAN, DAN MODUS

Dalam memilih ukuran nilai pusat, sifat-sifat atau ciri-ciri dari masing-
masing ukuran perlu diperhatikan. Berikut ini sifat-sifat dari ketiga ukuran
tersebut.
109
1. Sifat-Sifat Rata-Rata Hitung

Beberapa sifat rata-rata hitung, antara lain sebagai berikut.
1) Nilai rata-rata hitung, antara lain sebagai berikut.
2) Nilai rata-rata hiyung dapat menyimpang terlalu jauh. Hal itu
disebabkan rata-rata hitung dipengaruhi oleh bilangan-bilangan
ekstrem (nilai sangat besar atau sangat kecil), sehingga untuk
distribusi dengan kecondongan yang jelek, rata-rata hitung dapat
kehilangan makna.
3) Rata-rata hitung tidak dapat dihitung dari distribusi yang memiliki
kelas terbuka.
4) Rata-rata paling sering digunakan dan populer, sehingga
penjelasan mengenai arti rata-rata hitung tidak diperlukan.
5) Jumlah dari penyimpangan semua nilai pengamatan dengan nilai
rata-rata hitung sama dengan nol.
6) Jika selisih semua nilai pengamatan dengan nilai rata-rata hitung
dikuadratkan maka jumlahnya lebih kecil daripada jumlah
penyimpangan kuadrat semua nilai pengamatan dari titik lain
selain rata-rata hitung.
7) Rata-rata hitung dapat dimanipulasi secara aljabar.
2. Sifat-Sifat Median
Beberapa sifat median, antara lain sebagai berikut.
1) Median dipengaruhi oleh banyaknya observasi atau pengamatan,
namun tidak dipengaruhi oleh nilai pengamatan, sehingga nilai
median tidak dipengaruhi oleh bilangan-bilangan ekstrem.
2) Median dapat dihitung dari distribusi yang memiliki kelas terbuka,
kecuali jika kelas mediannya berada pada kelas terbuka tersebut.
110
3) Median sering digunakan pada distribusi yang memiliki

kecondongan yang sangat jelek.
4) Median didefinisikan dan diinterpretasikan
5) Median lebih terpengaruh oleh fluktuasi sampling, namun
adakalanya untuk distribusi tertentu median lebih konstan terhadap
fluktuasi sampling.
6) Jumlah penyimpangan (tanda diabaikan) nilai-nilai dari median
lebih kecil daripada jumlah penyimpangan nilai-nilai dari titik
yang lain.
7) Jika jumlah penyimpangan dari median dikuadratkan maka
jumlahnya lebih besar daripada jumlah penyimpangan kuadrat
nilai-nilai dari rata-rata hitung.
3. Sifat-Sifat Modus
Beberapa sifat modus, antara lain sebagai berikut.
1) Dalam seperangkat data, modus bisa tidak ada dan bisa lebih dari
satu.
2) Modus dapat ditempatkan pada distribusi yang memiliki kelas
terbuka.
3) Modus tidak dipengaruhi oleh bilangan-bilangan yang ekstrem, dari
suatu distribusi.
4) Letak modus atau nilai modus yang sebenarnya sukar ditentukan,
karena itu kebanyakan hanya berdasarkan taksiran dalam suatu
distribusi.
5) Perhitungan modus tidak didasarkan pada seluruh nilai
pengamatan, tetapi didasarkan pada individu yang berada pada titik
tempat terjadinya pemusatan yang terbanyak.
111
6) Untuk perhitungan-perhitungan secara aljabar lebih lanjut, modus

tidak dapat digunakan.
7) Modus tidak sepopuler ukuran rata-rata hitung atau median.
D. HUBUNGAN RATA-RATA HITUNG, MEDIAN, DAN MODUS
Hubungan antara ketiga ukuran nilai pusat, yaitu rata-rata hitung,
median, dan modus akan memeberikan gambaran bentuk kurva data yang
bersangkutan. Hubungan antara ketiga ukuran nilai pusat ialah sebagai
berikut:
1. Jika rata-rata hitung, median, dan modus memiliki nilai yang sama
maka kurvanya berbentuk simetris. Pada kurva simetris sempurna,
nilai rata-rata hitung, median, dan modus terletak pada suatu titik
di tengah-tengah absis dan ketiga-tiganya berimpit.
2. Jika nilai rata-rata hitung lebih besar daripada nilai median dan lebih
besar daripada nilai modus maka kurvanya mencong ke kanan,
karena ujungnya memanjang ke arah nilai positif. Jadi, distribusi
meruncing ke arah nilai tinggi.
3. Jika nilai rata-rata hitung lebih kecil daripada median dan lebih
kecil daripada nilai modus maka kurvanya mencong ke kiri, karena
ujungnya memanjang ke arah nilai negatif. Jadi, distribusi
meruncing ke arah nilai yang rendah.
Dalam bentuk grafik, hubungan ketiga nilai tersebut dapat dilihat
seperti di bawah ini.
112
Gambar Kurva hubungan rata-rata hitung, median, dan modus
Jika distribusinya tidak terlalu mencong, hubungan rata-rata hitung,

median, dan modus secara matematis dituliskan sebagai berikut.
Rata-rata hitung – Modus = 3 (Rata-rata hitung – Median)

atau
Modus = Rata-rata hitung – 3 (Rata-rata hitung – Median)
Mo = X − 3(X − Me)
Contoh soal:
Tentukan median dari distribusi frekuensi pada Tabel 4.1 jika
diketahui rata-rata = 67,18 dan modus = 66,375!
Penyelesaian:
X = 67,18; Mo = 66,375
113
X − Mo = 3( X − Me) atau X − Mo = 3X − 3Me
3X − 3Me = X − Mo
3(67,18) − 3Me = 67,18 – 66,375
201,54 − 3Me = 0,81
3Me = 201,54 – 0,81

3Me = 200,73
Me = 66,91
LATIHAN
1. Apa yang dimaksud dengan ukuran nilai pusat? Sebutkan pula
kegunaannya dalam statistik!
2. Ada berapa macam ukuran nilai pusat yang anda ketahui? Sebutkan
satu per satu!
3. Apa yang dimaksud dengan rata-rata hitung, median, dan modus?
Bagaimana aturan yang digunakan untuk merumuskannya?
4. Apa yang dimaksud dengan kuarti, desil, dan persentil?
5. Antara rata-rata hitung, median, dan modus terdapat hubungan yang
dapat memberikan gambaran mengenai bentuk kurva. Jelaskan
hubungan tersebut! Bagaimana pula penulisannya dalam bentuk
matematis?
6. Hasil ujian mahasiswa Program Studi Ilmu Administrasi Negara
Extensi FISIP-UNCN berjumlah 54 orang yang telah diolah dan
disajikan dalam tabel di bawah ini :
No. Kategori Nilai fi

1 48 -52 2
2 53 – 57 3
114
3 58 – 62 5
4 63 – 67 9
5 68 – 72 10
6 73 – 77 12
7 78 – 82 7
8 83 – 87 2
Dari tabel di atas, tentukanlah nilai rata-rata hasil ujian
mahasiswaProgram Studi Ilmu Administrasi Negara Extensi FISIP-
UNCN?
7. Hitunglah rata-rata hitung, median, modus, kuartil, rata-rata ukur, dan
rata-rata harmonis dari nilai-nilai berikut!
a. 3, 4, 6, 7, 8, 9
b. 11, 13, 14, 16, 17, 18, 19, 20
c. 102, 105, 103, 106, 104, 102
d. 1,3; 1,5; 1,6; 2,4; 2,7; 3,8; 4,5
1 1
e. , , 2 , 1 , 4 , 1 , 1
2 4 6 6 6 8 9
8. Dari 60 buah angka yang tersedia, ternyata terdapat 10 buah angka
3,.5, buah angka 6, 15 angka 7,20 angka 4,3 angka 8, dan sisanya
angka 9. Berapakah rata-rata hitung dari angka tersebut?( Teliti
sampai dua desimal).
9. Seorang mengadakan perjalanan pulang pergi dari sebuah tempat.
Waktu pergi kecepatannya15Km/jam dan waktu kembali
kecepatannya 25Km/jam. Berapakah rata-rata harmonis kecepatan
pulang-pergi?
10. Nilai rata-rata ulangan statistik kelompok mahasiswa yang berjumlah
40 orang adalah 6,2. Jika seorang mahasiswa dalam kelompok ini
115
mendapat nilai 8,5 tidak dimasukkan dalam perhitungan rata-rata

tersebut, berapa nilai rata-rata ulangan ke-39 mahasiswa tersebut?
11. Gaji rata-rata suatu perusahaan Rp.250.000,00. Gaji rata-rata pegawai
pria Rp.260.000,00,sedang gaji rata-rata pegawai wanitanya
Rp.210.000,00. Berapakah perbandingan jumlah pegawai pria dan
wanita pada perusahaan itu?
12. Nilai rata-rata ulangan matematika dari10 mahasiswa terpandai di
kelas Badalah 80. Setelah ditambah nilai dari 2 mahasiswa terpandai
dari kelas A maka nilai rata-ratanya menjadi 83. Tentukan nilai rata-
rata 2 mahasiswa dari kelas tersebut!
13. Untuk dapat lulus dalam mata kuliah X, seseorang mahasiswa harus
mengikuti 10 kali ujian, dengan nilai rata-rata 82. Adi telah mengikuti
9 kali ujian dengan nilai rata-rata 80. Berapa nilai yang harus
diperoleh Adi pada ujian terakhirnya supaya dapat lulus dalam mata
kuliah X tersebut?
14. Tabel berikut menunjukkan umur kepala keluarga (ayah) di suatu
negara pada tahun 1997.
Umur Ayah Angka (Juta)

(Tahun)
25-29 2,22
30-34 4,05
35-39 5,08
40-44 10,45
45-49 9,47
50-54 6,63
55-59 4,16
116
60-64 1,66
Jumlah 43,72
a. Tentukan rata-rata umur ayah pada tahun tersebut!
b. Tentukan median dan modus dari umur ayah tersebut!
c. Tentukan kuartil bawah dan atas serta desil keempat dari umur
ayah tersebut!
15. Pendapatan nasional suatu negara tahun 1992 adalh US$300 miliar
dan pada tahun 1997 menjadi US$500 miliar. Selama 5 tahun, berapa
besar rata-rata tingkat pertumbuhannya?
16. Seorang pedagang kain sutra di Jakarta memperoleh hasil penjualan
perminggu sebesar:
1) Minggu pertama dapat menjual 15 helai seharga Rp.
60.000,00/helai;
2) Minggu kedua dapat menjual 35 helai seharga Rp.
50.000,00/helai;
3) Minggu ketiga dapat menjual 25 helai seharga Rp.
45.000,00/helai;
4) Minggu keempat dapat menjual 45 helai seharga Rp.
25.000,00/helai;
Berapakah harga rata-rata kain tersebut per helai?
17. Tabel berikut adalah distribusi frekuensi dari harga saham 100
perusahaan di BEJ pada akhir tahun 1997.
Harga Saham (Ratusan Banyaknya
Rp) Perusahaan
60 – 62 5
63 – 65 18
66 – 68 42
117
69 – 71 27
72 – 74 8
a. Hitunglah rata-rata dengan metode biasa dan metode coding!
b. Tentukan median dan modusnya!
c. Tentukan Q3 , D1 , dan P25 , serta jelakan artinya berkaitan dengan
harga saham tersebut!
18. Sebuah distribusi memiliki rata-rata hitung 68,25 dan median 71,5.
Tentukan modus distribusi tersebut!
19. Perhatikan distribusi frekuensi berikut!
Nilai Frekuensi
31 – 40 3
41 – 50 5
51 – 60 19
61 – 70 15
71 – 80 25
81 – 90 20
91 – 100 13
Jumlah 100
Tentukan rata-rata hitung, rata-rata ukur, dan rata-rata harmonis
distribusi frekuensi tersebut!
20. Seorang manajer menugaskan empat orang karyawan untuk mengetik
sebuah dokuman.
Kecepatan mengetik karyawan tersebut ialah sebagain berikut.
Ani = 10 menit per halaman
Evi = 12 menit per halaman
Sinta = 15 menit per halaman
118
Santi = 14 menit per halaman

a. Berapa menit rata-rata kecepatan mengetik karyawan itu?
b. Berapa halaman yang dapat diketik oleh keempat karyawan dalam
waktu 1 minggu?
21. Seorang pemilik modal menanamkan uangnya disebuah bank dengan
bunga 12% per tahun. Bunga serta modal ditanamkan kembali pada
bank tersebut dengan bunga 15% per tahun. Kemudian, bunga dan
modal tersebut ditanamkan kembali dengan bunga 13% per tahun.
Berapakah rata-rata tingkat bunga yang diperoleh orang tersebut?
22. Tentukan rata-rata ukur dari data di bawah ini!
a. 3, 5, 7, 9, 11, 13
b. 1,5; 4; 5,25; 8,75; 10; 14,33; 15
119
F. Teknik Pengumpulan Data Di Lapangan
Kualitas data ditentukan oleh kualitas alat pengambil data atau alat
pengukurnya. Alat pengambil datanya cukup reliable dan valid, datanya
juga reliable dan valid. Namun, masih ada salah satu hal lagi yang perlu
dipertimbangkan, yaiu kualifikasi si pengambil data.Sebelum alat
ditetapkan untuk digunakan, telebih dahulu harus mempertimbangkan
apakah alat itu sesuai dengan pengumpulan data yang diperlukan. Tidak
semua jenis alat penelitian semuanya dapat menggali seluruh data yang
diperlukan. Oleh karena itu, perlu pertimbangan untuk memodifikasi alat
tersebut, sehingga data yang diperlukan dapat terhimpun. Di dalam
penelitian kualitatif peneliti sekaligus berperan selakuinstrumen
penelitian. Dalam penelitian peneliti benar-benar diharapkan mampu
berinteraksi dengan objek. Penelitian kuantitatif lebih difokuskan untuk
menguji teori-teori yang telah ada dengan menggunakan data statistik.
1. Teknik Observasi
Observasi diartikan sebagai pengalaman dalam pencatatan secara
sistematik terhadap gejala yang tampak pada objek penelitian. Observasi
adalah metode pengumpulan data dimana peneliti mencatat informasi
yang mereka dapat pada saat melakukan pengamatan. Pada penelitian ini
observasi yang dilakukan adalah dengan pengamatan langsung dan
dokumentasi yang mengacu pada instrumen pengamatan. Observasi di
wilayah ini dilakukan untuk memperoleh data yang tidak dapat diperoleh
melalui kuesioner atau pun wawancara.
Proses menulis catatan yang peneliti lakukan mencakup langkah-langkah,
yaitu:
120
1. Catatan awal yang dilakukan peneliti pada waktu melakukan

pengamatan, wawancara informan yang berisi kata-kata kunci.
2. Perluasan catatan yang dilakukan oleh peneliti segera sesudah
kembali dari pengamatan, wawancara informan dengan
menyempurnakan kalimat dari kata-kata kunci dan menambah catatan
reflektif.
3. Penambahan catatan yang dilakukan oleh peneliti karena
memungkinkan dalam temuan-temuan berikut ada hal-hal yang
mungkin memperjelas atau memberikan atau membetulkan catatan
sbelumnya.
2. Wawancara
Wawancara dilakukan untuk mengetahui keadaan seseorang dan
mencari informasi mengenai suatu permasalahan. Tipe wawancara yang
dilakukan pada penelitian ini adalah dengan wawancara bebas tetapi juga
mengingat data apa saja yang akan dikumpulkan. Dalam melaksanakan
wawancara, pewawancara membawa pedoman yang hanya merupakan
garis besar dari hal-hal yang akan ditanyakan.
Langkah-langkah wawancara :
1. Menetapkan kepada siapa wawancara dilakukan
2. Menetapkan pokok masalah yang menjadi bahan pembicaraan.
3. Mengawali atau membuka alur wawancara.
4. Melangsungkan wawancara.
5. Menulis hasil wawancara.
6. Mengidenifikasi hasil wawancara.
Setelah melakukan wawancara, informasi yang diperoleh diolah dan
dikonfirmasikan dengan pihak yang lebih mengetahui dan menguasai
121
aspek-aspek yang diteliti. Hal ini dilakukan untuk memperoleh masukan

mengenai keshahihan data tersebut.
3.Dokumen
Dokumentasi yang dijadikan sebagai sumber data dalam penelitian
ini meliputi peraturan-peraturan dan kebijakan-kebijakan yang dieluarkan
pihak kanwil, kepala ekolah, data hasil prestasi yang telah dicapai siswa,
serta data yang dianggap mendukung penelitian. Menurut Saipul Annur
yang di kutip dari Lincoln dan Guba dalam Faisal (1990) menyatakan
bahwa sumber informasi berupa dokumen dan rekaman sesungguhnya
cukup bermanfaat dan sumber-sumber tersebut memiliki keuntungan,
yakni:
1. Telah tersedia dan mudah memperolehnya.
2. Bersifat stabil dan akurat sebagai cerminan keadaan yang sebenarnya
3. Dapat dianalisis secara berulang-ulang dengan tidak mengalami
perubahan
4. Angket
Menurut Saipul Annur yang mengutip dari Nasution (2002)
menyatakan bahwa angket adalah sejumlah pernyataan tertulis yang
digunakan untuk memperoleh informasi dari responden dalam arti laporan
tentang pribadi atau hal-hal yang diketahui. Angket digunakan untuk
mendapat keterangan dari sampel atau sumber yag beraneka ragam,
digunakan untuk mendapat keterangan tentang sekolah (jumlah guru,
pegawai, ruang kelas, julah murid dan sebagainya) dn tentang sikap
mengenai masalah sosial, ekonomi, politik, moral dan sebagainya.
Jenis-jenis angket
122
a. Angket Tertutup
Angket ini tertutup terdiri atas pertanyaan atau pernyatan dengan
sejumlah jawaban tetentu sebagai pilihan. Responden mengecek jawaban
yang paling sesuai dengan pendiriannya. Misalnya : Setujukah anda
penggunaan kekerasan dalam pengajaran ? (ya atau tidak).
Kelemahan angket tertutup :
1. Responden tidak berkesempatan memberi jawaban yang tidak
tercantum dalam angket itu, sehingga ia terpaksa mengecek atau
memilih jawaban yang tidak sepenuhnya sesuai dengan pendapatnya.
2. Ada kemungkinan responden asal-asal saja dalam menjawab
pertanyaan yang diajukan. Kecerobohan dalam menjawab antara lain
disebabkan keengganan untuk mengeluarkan waktu yang banyak
untuk.
Keuntungan angket tertutup :
1. Hasilnya mudah diolah, di beri kode dan diskor, bahkan dapat diolah
dengan komputer.
2. Responden tidak perlu menulis dan mengekpresikan buah pikirannya
dalam bentuk tulisan.
3. Mengisi angket relatif tidak banyak memerlukan waktu dibandingkan
dengan angket terbuka.
b. Angket Terbuka
Angket terbuka memberikan ksempaan penuh kepada responden untuk
menjawabnya. Misalnya : Hukuman apa yang paling sering anda berikan ?
Kelemahan angket terbuka :
1. Kesulitan dalam mengelolanya karena jawaban sukar diberi ode atau
diklasifikasikan
123
2. Memerlukan waktu yang banyak untuk mengisinya.

3. Nilai jawaban mungkin berbeda karena perbedaan dalam kemampuan
yang dimiliki.
Kelebihan angket terbuka

1. Berguna dalam mengenal sampel
2. Item yang terbuka memberikan kesempatan untuk memberikan
jawaban secara bebas dengan kemungkinan terungkapnya hal-hal yang
sebelumnyabelum diketahui peneliti.
Petunjuk dalam penyusunan penelitian
Memiliki gambaran yang jelas tentang masalah, tujuan serta
sasarannya dan sifat data yang diperlukan. Jika tujuannya deskriptif,
peneliti harus mempunyai gambaran yang tajam dan komprehensif. Jika
bertujuan menjelaskan atau menguji teori, maka pertanyaan harus relevan
dengan tujuan penelitian. Menyediakan sitsem pengolahan.
5. Teknik pengukuran
Alat pengumpulan data yang bersifat kuantitatif adalah teknik
pengukuran. Alatnya adalah tes, yakni seperangkat ragsangan yang
diberikan kepada seseorang dengan maksud untuk mendapatkan jawaban
yang dapat dijadikan dasar bagi penetapan skor angka.
Jenis-jenis tes :
1. Tes lisan
2. Tes tertulis, terdiri atas dua yaitu esai (uraian) dan objektif (pilihan
berganda)
Dilihat dari tingkatan tes diklasifikasikan sebagai berikut :
124
1. Tes baku, tes yang dipublikasikan dan telah dipersiapkan oleh para ahli
secara cermat sehingga norma-norma perbandingan validitas, reabilitas
dan petunjuk pemberin skor telah diuji dan dipersiapkan.
2. Tes buatan, harus memperhatikan :
a. Harus valid (benar)
b. Harus reabilitas, mampu memberikan hasil yang relatif tetap apabila
dilakukan secara berulang pada kelompo individu sama.
c. Harus objektif, dalam memberikan nilai kuantitatif terhadap
jawaban, unsur subjektifitas penilaian tidak mempebgaruhi.
d. Harus efisien, mudah cara membuatnya da mudah pula penilaiannya
G. Penggunaan Pengumpulan Data Dalam Penelitian Kualitatif Dan

kuantitatif.
1. Teknik pengumpulan data kualitatif

Penelitian ini umumnya lebih melihat proses dari pada obyek
penelitiannya. Data dalam penelitian ini adalah data verbal, data verbal
ersebut perlu diolah agar perlu menjadi ringkas dan sitematis. Tenik
pengumpulan data kualitatif lebih menekankan pada data observasi,
wawancara dan dokumentasi. Menurut Saipul Annur, mengemukakan
langkah penelitian meliputi:
1. Menentukan situasi sosial.
2. Menetapkan fokus penelitian .
3. Merumuskan pertanyaan-pertanyaan.
4. Melakuan observasi berulang-ulang.
5. Melakukan wawancara dengan pihak-pihak terkait.
6. Triangulasi hasil dengan pihak-pihak terkait.
125
7. Melakukan analisis data.

8. Menulis laporan hasil penelitian.
Contoh :
Metode yang digunakkan adalah metode kualitatif deskriptif, yang ingin
mengungkapakan strategi managemen yang dilakukan kepala sekolah
dalam mengelola sumber daya manusia dan non-manusia pada SD Az-
Zahrah sehingga dapat menjadi SD favorit dan diminati oleh masyarakat.
Menurut Sudjana (1989) ada beberapa alasan pentingnya penelitan
kualitatif dalam pendidikan yaitu:
1. Pendidikan sebagai proses sosialisasi pada hakikatnya adalah
interaksi manusia dengan lingkungan yang embentunya melalui
proses belajar.
2. Pendidikan senantiasa melibatkan komponen manusia yakni tenaga
kependidikan dan siswa dengan komponen kurikulum, sistem
pendidikan, lingkungan pendidikan, ruang dan waktu serta sarana dan
prasarana pendidikan.
3. Pendidikan sebagai suatu kepada sistem tidak hanya berorientasi
kepada hasil tetapi juga berorientasi kepada proses agar memperoleh
hasil yang optimal.
Penelitian ini menekankan pada strategi managemen SD Az-Zahrah,

sehingga cocok menggunakan pendekatan kualitatif. Menurut Bogdan dan
Biklen (1982:28) ” Qualitative research are concerned with process rather
than simply with outcomes or products”. Maksudnya penelitian kualitatif
lebih memperhatikan proses ketimbang hasil atau mutu semata. Penelitian
deskripsi dimaksudkan untuk eksplorasi dan klarifikasi mengenai sesuatu
126
fenomena atau kenyataan social, dan penelitian deskriptif tidak

menggunakan dan melakukan pengujian hipotesis.
Distribusi Normal
Distribusi normal, disebut pula distribusi Gauss, adalah distribusi
probabilitas yang paling banyak digunakan dalam berbagai analisis
statistika. Distribusi normal baku adalah distribusi normal yang memiliki
rata-rata nol dan simpangan baku satu. Distribusi ini juga dijuluki kurva
lonceng (bell curve) karena grafik fungsi kepekatan probabilitasnya mirip
dengan bentuk lonceng.
CIRI CIRI DISTRIBUSI NORMAL
1. Nilai Peluang peubah acak dalamDistribusi Peluang Normal
dinyatakan dalam luas dari di bawah kurva berbentuk
genta\lonceng (bell shaped curve).
2. Keseluruhan kurva akan bernilai 1, ini mengambarkan sifat
peluang yang tidak pernah
Kurva Normal
Secara sederhana, kurva normal adalah kurva yang berasal dari
data-data yang terdistribusi normal. Ciri-ciri data terdistribusi normal
terdapat keseimbangan simpangan antara sisi kiri dan sisi kanan, sehingga
sigma total dari data keselurhan adalah nol.
127
Bentuk Kurva Normal
Kurva normal adalah suatu bentuk kurva yang sudah direncanakan,

ordinatnya menunjukkan frekuensi dan poros absisnya memuat nilai
variabel.
Jika dilihat dari bentuknya, sudah bisa dipastikan bahwa disetiap
ujung-ujungnya adalah distribusi atau sebaran dengan frekuensi
(kemunculan) paling kecil. Sebaliknya, frekuensi yang paling banyak
berada pada tengah-tengah kurva.
Dari gambar diatas dapat diambil sebuah gambaran mengenai
lompatan. Jika data mengenai lompatan atlet dikatakan normal, maka
sebaran tinggi lompatan dengan kategori tinggi akan berada disekitar
mean dan hanya akan ada sedikit sekali orang yang memiliki lompatan
terlalu tinggi dan terlalu rendah. Tanpa menghiraukan variabel apa saja
yang mempengaruhi ketinggian suatu lompatan. Semakin jauh nilai
penyimpangan dari mean, maka semakin sedikit frekuensi individu-
individu yang memperoleh lompatan dengan kategori tinggi tersebut.
128
Daerah Kurva Normal
Ruang yang dibatasi oleh kurva dan absisnya disebut dengan

daerah (yang diarsir). Daerah ini biasanya dianyatakan dalam persen atau
proporsi. Jika dinyatakan dalam persen, maka daerah kurva meliputi
100%. Jika dinyatakan dalam proporsi, maka akan mencakup bilangan
100, 1000, 10000 dan seterusnya bergantung dari jumlah data awal yang
diteliti.
Daerah kurva dapat ditentukan dengan melihat jarak SD (Standart
Deviasi) dengan M (nilai tengah) dari kurva yang dibuat. Dengan
menggunakan patokan M dan SD kita dapat mengetahui setiap bagian atau
prosentase suatu tinggi lompatan atlet. Kita ambil contoh jika kita tarik
garis dengan jarak satu SD diatas M, maka daerah yang menjadi perhatian
dalam kurva adalah daerah antara M dan +SD. Karena kurva normal
adalah kurva yang simetris, maka daerah kurva antara - SD dan M juga
merupakan bagian dari keseluruhan yang hendak dicari.
Okelah mari kita sejenak membiarkan kebingungan melanda
kepala. Kita tadi mengambil sebuah contoh mengenai loncatan. Jika
sebuah data diperoleh rata-rata loncatan untuk satu orang dalam percobaan
129
20 kali adalah 175 cm, maka hanya akan ada sekali atau dua kali loncatan
yang melebihi +SD dan juga dibawah -SD.
LUAS DAERAH DIBAWAH KURVA NORMAL

Pada artikel berjudul “Berapa Banyak Raksasa di Sekitar Anda?”, sudah
diuraikan fungsi densitas peluang distribusi normal dengan rata-rata μ dan
simpangan baku σ. Apabila μ = 0 dan σ = 1, maka distribusi yang
terbentuk dinamakan distribusi normal baku. Jadi, distribusi normal baku
adalah distribusi normal dengan rata-rata 0 dan simpangan baku 1. Semua
sifat kurva distribusi normal tentunya berlaku bagi kurva distribusi normal
baku. Jadi, berlaku sifat-sifat berikut: (Lihat Gambar 1) 1. Kurva memiliki
titik balik maksimum berkoordinat 0, √. [Sifat 1] 2. Kurva memiliki
sumbu simetri lipat dengan persamaan z = 0. [Sifat 2] 3. Kurva memiliki
titik belok (inflection point) di z = 1 dan di z = -1. [Sifat 3] 4. Kurva
memiliki sumbu horizontal (sumbu z) sebagai garis asimtot. [Sifat 4] 5.
Total luas daerah yang dibatasi kurva dan sumbu horizontal adalah 1.
[Sifat 5]
2. Dari [Sifat 2] dapat disimpulkan bahwa sumbu vertikal kurva normal

baku membagi luas daerah tersebut sama besar, yaitu masing-masing
sebesar 0,5. Namakanlah sifat ini [Sifat 6].
130
Dan
Menghitung luas daerah di bawah kurva

Tabel pada tautan yang terdapat dalam artikel tersebut pada menunjukkan
luas daerah di bawah kurva normal baku dan di atas sumbu horizontal,
mulai dari z = 0 hingga nilai z > 0 tertentu. Contoh, apabila z = 0,75, luas
daerah sebagaimana dapat dilihat pada tabel tersebut adalah 0,2734. (Lihat
Gambar 2). Secara matematis, L = P[0 <z< 0,75].
Tetapi, karena sifat simetri [Sifat 2], luas daerah di bawah kurva dan di
atas sumbu horizontal yang dibatasi z = -0,75 hingga z = 0 juga sama,
yaitu sebesar 0.2734. (Lihat Gambar 3) Secara matematis, L = P[-0,75
<z< 0]
131
Karena [Sifat 6], luas daerah mulai dari z = 0 hingga z = 0,75 menyisakan
bagian “ekor” sebelah kanan suatu daerah dengan luas daerah L = 0,5 –
0,2734 = 0,2266. Luas tersebut adalah luas daerah di bawah kurva normal
baku dan di atas sumbu horizontal, di sebelah kanan z = 0,75. (Gambar 4)
Secara matematis, L = P[z > 0,75].
Dengan alasan yang sama, luas daerah di bawah kurva normal baku dan di
atas sumbu horizontal, di sebelah kiri z = -0,75 adalah L = 0,5 – 0,2734 =
0,2266. (Lihat Gambar 5). Secara matematis, L = P[z<-0,75].
132
Dengan [Sifat 6] tersebut, P[z > -0,75] = L = 0,5 + 0,2734 = 0,7734.

(Lihat Gambar 6)
dan P[z < 0,75] = L = 0,5 + 0,2734 = 0,7734. (Lihat Gambar 7)
H. Latihan
Dengan menggunakan tabel kurva normal baku, hitunglah luas daerah
berarsir hijau pada gambargambar berikut.
1. P[0 < z < 1,72]
133
2. P[-0,47 < z < 0]
3. P[z > 1,64]
4. P[z < -1
134
5. P[z > -1,96]
6. P[z < 1,13]
135
SOAL-SOAL TANTANGAN
1. P[0,5 < z < 1,04]
2. P[-1,84 < z < -1,25]
3. P[-0,28 < z < 1,09]
136
137
BAB VI
ANALISIS KORELASI
Pengertian Korelasi
Arah Korelasi
Peta Korelasi
Angka Korelasi
Analisis Korelasi
Teknik Analisis Korelasional,
Pengertian, Tujuan dan
Penggolongannya
Teknik Korelasi Product Moment
Teknik Korelasi Tata Jenjang
Korelasi Spearman
Karl Pearson (27 Maret 1857-27 April 1936)

adalah kontributor utama perkembangan
awal statistika sampai sebagai disiplin ilmu
tersendiri. Beliau membangun Departemen
Statistika Terapan di University College London
pada tahun 1911, menjadikannya sebagai
jurusan statistika pertama kali di lingkungan
kehidupan sebagai tingkat perguruan tinggi. Pearson menikah dengan
Maria Sharpe pada tahun 1890 dan dikaruniai tiga anak. Puteranya Egon
Sharpe Pearson, menjadi penggantinya sebagai Ketua Departemen
Statistika Terapan di University College.
138
Pada tahun 1884 Pearson diangkat sebagai guru besar matematika
terapan dan mekanik di University College, London. Ia mengajar metode
grafis dan statistik untuk mahasiswa teknik. Pada tahun 1892 Pearson
menerbitkan The Grammar of Science, dimana ia berpendapat bahwa
metode ilmiah pada dasarnya adalah deskriptif daripada eksplanasi.
Pearson menekankan pentingnya kuantifikasi statistik untuk biologi,
kedokteran, dan ilmu sosial. Rekannya Walter F.R. Weldon
memperkenalkan Pearson dengan masalah pengukuran efek dalam seleksi
alam, hal tersebut berhasil memikat Pearson yang akhirnya menjadikan
statistik sebagai misi ilmiah pribadinya. Pearson sangat mengabdikan
dirinya pada pengembangan teori matematika evolusi, penalaran statistik
untuk mempelajari evolusi biologis dan genetika. Pearson memainkan
peran utama dalam penciptaan statistik modern, dasar matematika
statistiknya berasal dari metode perkiraan kuadrat terkecil, yang digunakan
pada awal abad ke-19 untuk memperkirakan kuantitas dari pengukuran
astronomi dan geodetik berulang menggunakan teori probabilitas. Dari
studi ini dalam menciptakan bidang baru yang dapat mengelola dan
membuat kesimpulan dari data di hampir setiap bidang, termasuk dalam
bidang biometrik yang merupakan langkah awalnya dalam mencetuskan
uji korelasi Pearson.
Sebagai ahli statistik, Pearson menekankan pada pengukuran
korelasi dan kurva yang sesuai dengan data, dan mengembangkan
distribusi chi-square baru. Pada abad ke-19 dalam analisis data biologis,
merupakan kebiasaan bagi para peneliti untuk berasumsi bahwa
pengamatan mengikuti distribusi normal, hal ini dikemukakan oleh Sir
George Airy dan Profesor Merriman. Pada tahun 1900 hal tersebut dikritik
oleh Karl Pearson dalam makalahnya, Pearson memperhatikan adanya
ukuran asimetris yang signifikan dalam beberapa pengamatan biologis.
139
Untuk memodelkan pengamatan terlepas dari menjadi distribusi normal
atau tidak normal, Pearson dalam serangkaian jurnal yang diterbitkan dari
tahun 1893 hingga 1916 merancang distribusi Pearson, sebuah kumpulan
distribusi probabilitas berkelanjutan yang meliputi distribusi normal dan
tidak normal, dan mengusulkan metode analisis statistik yang terdiri dari
penggunaan distribusi Pearson untuk memodelkan pengamatan dan
melakukan uji kesesuaian untuk menentukan seberapa baik model tersebut
sesuai dengan observasi. Metode analisis statistiknya sampai saat ini masih
digunakan dan dikenal dengan uji korelasi Pearson. Selain uji korelasi
Pearson, Pearson juga memberikan banyak penemuan lainnya dalam
bidang biostatistik, seperti standar deviasi, koefisien korelasi dan regresi.
A. Pengertian Korelasi
Kata “korelasi” berasal dari bahasa Inggris correlation. Dalam bahasa
Indonesia sering diterjemahkan dengan: “hubungan“, atau “saling
hubungan”, atau “hubungan timbal balik”.Dalam Ilmu Statistik istilah
“korelasi” diberi pengertian sebagai “hubungan antardua variabel atau
lebih.”Hubungan antardua variabel dikenal dengan istilah: bivariate
correlation, sedangkan hubungan antarlebih dari dua variabel disebut
multivariate correlation.
Hubungan antardua variabel misalnya hubungan atau korelasi antara
prestasi studi (variabel X) dan kerajinan kuliah (variabel Y); maksudnya:
prestasi studi ada hubungannya dengan kerajinan kuliah. Hubungan antar
lebih dari dua variabel, misalnya hubungan antara prestasi studi (variabel
X1) dengan kerajinan kuliah (variabel X2), keaktifan mengunjungi
perpustakaan (variabel X3 dan keaktifan berdiskusi (variabel X4).
Dalam contoh di atas, variabel prestasi studi disebut dependent
variable, yaitu variabel yang dipengaruhi; sedangkan variabel kerajinan
140
kuliah, keaktifan mengunjungi perpustakaan, dan keaktifan berdiskusi
disebut independent variable, yaitu variabel bebas, dalam arti: bermacam-
macam variabel yang dapat memberikan pengaruh terhadap prestasi studi.
B. Arah Korelasi
Hubungan antarvariabel itu jika ditilik dari segi arahnya, dapat
dibedakan menjadi dua macam, yaitu hubungan yang sifatnya satu arah,
dan hubungan yang sifatnya berlawanan arah.
141
Hubungan yang sifatnya searah diberi nama korelasi positif, sedang

hubungan yang sifatnya berlawananarahdisebut korelasi negatif.
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.
Contoh. Kenaikan harga Bahan Bakar Minyak (BBM) diikuti dengan
kenaikan ongkos angkutan; sebaliknya jika harga BBM rendah, maka
ongkos angkutan pun murah (rendah). Dalam dunia pendidikan misalnya,
terdapat korelasi positif antara nilai hasil belajar matematika dan nilai
hasil belajar fisika, kimia, biologi, dan sebagainya.
Disebut korelasi negaitif, jika dua variabel (atau lebih) yang
berkorelasi itu berjalan dengan arah tangan berlawanan, bertentangan,
atau berkebalikan. Ini berarti bahwa kenaikan atau pertambahan pada
variabel X misalnya, akan diikuti dengan penurunan atau pengurangan
pada variabel Y.
Contoh: Makin meningkatnya kesadaran hukumdi kalangan
masyarakat diikuti dengan makin menurunnya angka kejahatan atau angka
pelanggaran; makin giat berlatih makin sedikit kesalahan yang diperbuat
oleh seseorang, makin meningkatnya jumah aseptor Keluarga Berencana
diikuti dengan makin menurunnya angka kelahiran; atau sebaliknya.
Dalam dunia pendidikan misalnya, makin kurang dihayati dan
diamalkannya ajaran agama Islam oleh para remaja akan diikuti oleh
makin meningkatnya frekuensi kenakalan remaja; atau sebaliknya.
142
Pernyataan di atas bila dibuat bagannya adalah sebagai berikut:

Korelasi Positif: Korelasi Negatif:
Var Var Var Var Var Var Var Var

X Y X Y X Y X Y
C. Peta Korelasi
Arah hubungan variabel yang kita cari korelasinya dapat kita amati
mealui sebuah peta atau diagram, yang dikenal dengan nama Peta
Korelasi. Dalam peta korelasi itudapat kita lihat pencaran titik atau
momen dari variabel yang sedang kita cari korelasinya; karena itu peta
korelasi juga disebut Scatter Diagram (Diagram Pencaran titik).
Ciri yang terkandung dalam peta korelasi itu adalah:

1. Jika korelasi antara variabel X dan variabel Y merupakan Korelasi
Positif Maksimal, atau Korelasi Positif Tertinggi, atau Korelasi
Positif Sempurna, maka pencaran titik yang terdapat pada peta
korelasi apabila dihubungkan antara satu dengan yang lain, akan
membentu satu buah garis lurus yang condong ke arah kanan (Lihat
Diagram 5.1).
2. Jika korelasi antara variabel X dan variabel Y merupakan Korelasi
Negatif Maksimal, atau Korelasi Negatif Tertinggi, atau Korelasi
Negatif Sempurna, maka pencaran titik yang terdapat pada peta
korelasi apabila dihubungkan antara satu dengan yang lain, akan
143
membentu satu buah garis lurus yang condong ke arah kiri (Lihat
Diagram 5.2).
3. Jika korelasi antara variabel X dan variabel Y termasuk Korelasi
Positif yang tinggi atau kuat, maka peta korelasi pencaran titiknya
sedikit mulai menjahui garis linier (garis lurus seperti telah
disebutkan di atas),yaitu titik tersebut terpencar atau berada di sekitas
garis lurus tersebut, dengan kecondongan ke arah kanan (Lihat
Diagram 5.3).
4. Jika korelasi antara variabel X dan variabel Y termasuk Korelasi
Negatif yang tinggi atau kuat, maka pencaran titik yang terdapat pada
peta korelasi itu juga sedikit mulai menjahui garis linier, dengan
kecondongan ke arah kiri (Lihat Diagram 5.4).
5. Baik Korelasi Positif maupun Korelasi Negatif dikatakan sebagai
Korelasi yang Cukup atau Sedang dan Korelasi Rendah atau Lemah,
apabila pencaran titik pada Peta Korelasi itu semakin jauh
tersebar/menjauhi garis linier (Lihat Diagram 5.5).
D. Angka Korelasi
1. Pengertiannya
Tinggi-rendah, kuat-lemah atau besar kecilnya suatu korelasi dapat
diketahui dengan melihat besar-kecilnya suatu angka (koefisien) yang
disebut Angka Indeks Korelasi atau Coefficient of Correlation.Jadi
Angka Indeks Korelasi adalah sebuah angka yang dapat dijadikan
petunjuk untuk mengetahui seberapa besar kekuatan korelasi di antara
variabel yang sedang diselidiki korelasinya.
144
2. Lambangnya
Angka korelasi biasa diberi lambang dengan huruf tertentu, misalnya
rxy sebagai lambang koefisien korelasi pada Teknik korelasi Product
Moment, 𝜌 (baca: Rho) sebagai lambang koefisien korelasi pada Teknik
korelasi Tata Jenjang, 𝜑 (baca: Phi) sebagai lambang koefisien korelasi
pada Teknik korelasi Phi C atau KK sebagai lambang koefisien korelasi
pada Teknik korelasi Kontingensi dan lain-lain.
3. Besarnya
Angka korelasi itu besarnya berkisar antara 0 (nol) sampai dengan
±1,00; artinya bahwa angka korelasi itu paling tinggi adalah ±1,00 dan
paling rendah adalah 0. Jika dalam perhitungan diperoleh angka korelasi
lebih dari 1,00 hal itu merupakan petunjuk bahwa dalam perhitungan
tersebut telah terjadi kesalahan.
4. Tandanya
Korelasi antara variabel X dan variabel Y disebut Koreasi Positif
apabila angka indeks korelasinya bertanda “pus” (+); misalnya r xy = +
0,235; rxy = + 0,751; dan sebagainya. Sebaliknya, apabila angka indeks
korelasi antara variabel X dan variabel Y bertanda “minus” (-), maka
korelasi yang demikian itu disebut Korelasi Negatif; misalnya: r xy = -
0,115; rxy = -0,587.
Antara variabel X dan variabel Y dikatakan tidak ada korelasinya jika
angka indeks korelasinya = 0.
Perlu diingat di sini bahwa tanda “plus” dan “minus” yang terdapat di
depan angka indeks korelasi itu bukanlah tanda aljabar.
145
Tanda plus yang terdapat di depan angka indeks korelasi memberikan

petunjuk bahwa korelasi itu adalah korelasi positif (korelasi searah).
Sedangkan tanda minus yang terdapat di depan angka indeks korelasi
memberikan petunjuk bahwa korelasi itu adalah korelasi negatif (korelasi
berlawanan arah).
Dengan tanda minus yang terdapat di depan angka indeks korelasi
tidak dapat diartikan bahwa korelasi antarvariabel itu besarnya kurang
dari nol, sebab angka korelasi yang paling kecil itu adalah nol.
5. Sifatnya
Angka indeks korelasi yang diperoleh dari proses perhitungan itu
relatif, yaitu angka yang fungsinya melambangkan indeks hubungan
antarvariabel yang dicari korelasinya. Jadi angka indeks korelasi itu
bukanlah angka yang bersifat eksak, atau angka yang merupakan ukuran
pada skalalinier yang memiliki unit-unit yang sama besar, sebagaimana
yang terdapat pada mistar pengukur panjang (mistar penggaris).
Sebagai contoh, misalkan angkakorelasi antara variabel X dan
variabel Y = 0,75 (rxy =0,75), sedangkan angka korelasi antara variabel Y
dan variabel Z =0,25 (rxy =0,25). Di sini kita tidak dapat menyatakan
bahwa: rxy = 3 kali lipatnya ryz atau menyatakan bahwa ryx = 1/3 nya rxy.
Menurut sudijono (1987), ciri yang terkandung dalam peta
korelasi sebagai berikut.
1. Jika korelasi antara variable X dan variable Y merupakan

korelasi positif maksimal atau korelasi positif tertinggi atau
korelasi positif sempurna, maka pencaran titik yang terdapat
pada peta korelasi, apabila dihubungkan antara satu dengan
146
yang lain, akan membentuk satu garis lurus yang condong kea
rah kanan.
2. Jika korelasi antara variable X dan variable Y merupakan

korelasi negative maksimal atau korelasi negative tertinggi
atau korelasi negative sempurna maka pancaran titik yang
terdapat pada peta korelasi akan membentuk satu garis lurus
dengan yang condong kearah kiri.
3. Jika korelasi antara variable X dan variable Y termasuk

korelasi positif yang tinggi atau kuat , maka pancaran titik
yang terdapat pada peta korelasi sedikit atau beberapa mulai
menjauh garis lurus, yaitu titik tersebut terpencar atau berada
di sekitar garis lurus tersebut dengan kecondongan kearah
kanan.
4. Jika korelasi antara variable x da variable y termasuk korelasi

negative yang tinggi atau kuat,maka pancaran titik yang
terdapat pada peta korelasi itu sedikit menjadi garis lurus
dengan kec ondongan kearah kiri.
5. Korelasi positif dan korelasi negative yang menunjukkan

korelasi yang rendah atau kecil maka pancaran titik yang
terdapat pada peta korelasi akan semangkin jauh tersebar atau
menjauhi dari garis lurus.
147
E. Teknik Analisis Korelasional, Pengertian, Tujuan, Dan

Penggolongannya
1. Pengertiannya
Teknik Analisis Korelasional ialah teknik analisis statistik mengenai
hubungan antardua variabel atau lebih.
2. Tujuannya
Teknik Analisis Korelasional memiliki tiga macam tujuan, yaitu:
a. Ingin mencari bukti (berlandaskan pada data yang ada), apakah
memang benar antara variabel yang satu dan variabel yang lain
terdapat hubungan atau korelasi.
b. Ingin menjawab pertanyaan apakah hubungan antarvariabel itu
(jika memang ada hubungannya), termasuk hubungan yang kuat,
cukupan, ataukah lemah.
c. Ingin memperoleh kejelasan dan kepastian (secara matematik),
apakah hubungan antarvariabel itu merupakan hubungan yang
berarti atau meyakinkan (signifikan), ataukah hubungan yang
tidak berarti atau tidak meyakinkan.
3. Penggolongannya
Teknik Analisis Korelasional dapat dibedakan menjadi dua
golongan, yaitu Teknik Analisis Korelasional Bivariat dan Teknik
Analisis Korelasional Multivariat.Teknik Analisis Korelasional
Bivariat ialah teknik analisis korelasi yang mendasarkan diri pada dua
buah variabel.
Contoh: Korelasi antara prestasi belajar dalam bidang studi Agama
Islam (Variabel X) dan sikap keagamaan siswa (Variabel Y).
148
Adapun Teknik Analisis Korelasional Multivariat ialah teknik

analisis korelasi yang mendasarkan diri pada lebih dari dua variabel.
Contoh: Korelasi antara Sikap Keagamaan Siswa (variabel X 1 )
dengan Suasana Keagamaan di Lingkungan Keluarga (variabel X 2 ),
Lingkungan Keagamaan Siswa di Masyarakat (variabel X 3 ) , Tingkat

Pengetahuan Agama Orang Tua Siswa (variabel X 4 ), dan Prestasi
Belajar Siswa dalam bidang studi Agama Islam (variabel X 5 ).

Dalam pembicaraan lebih lanjut hanya akan dikemukakan satu-
satu dari dua macam teknik analisis korelasi tersebut, yaitu Teknik
Analisis Korelasional Bivariat.
4. Cara Mencari Korelasi pada Teknik Analisis Korelasional Bivariat

Sebagaimana dikemukakan oleh Borg dan Gall dalam bukunya
Educational Research, terdapat 10 macam teknik perhitungan
korelasi yang termasuk dalam Teknik Analisis Korelasional Bivariat,
yaitu:
1) Teknik Korelasi Produk Momen (Product Moment Correlation).
2) Teknik Korelasi Tata Jenjang (Rank Difference Correlation atau
Rank Order Correlation).
3) Teknik Korelasi Koefisien Phi (Phi Coefficient Correlation).
4) Teknik Korelasi Kontingensi (Contingency Coefficient
Correlation).
5) Teknik Korelasi Poin Biserial (Point Biserial Correlation).
6) Teknik Korelasi Biserial (Biserial Correlation).
7) Teknik Korelasi Kendall Tau (Kendalls’ Tau Correlation).
8) Teknik Korelasi Rasio (Correlation Ratio).
9) Teknik The Widespread Correlation.
149
10) Teknik Korelasi Tetrakorik (Tetrachoric Correlation)

Penggunaan teknik korelasi tersebut di atas akan sangat
tergantung kepada jenis data statistik yang akan dicari korelasinya, di
samping pertimbangan atau alasan tertentu yang harus dipenuhi.
Dalam buku ini hanya akan dikemukakan lima jenis teknik
korelasi dari 10 macam teknik korelasi yang telah disebutkan di atas,
yaitu teknik korelasi yang tersebut pada nomor 1 sampai dengan 5.
F. Teknik Korelasi Product Moment

1. Pengertiannya
Product Moment Correlation atau lengkapnya Product Of The
Moment Correlation adalah salah-satu teknik untuk mencari
korelasi antardua variabel yang kerap kali digunakan. Teknik
korelasi ini dikembangkan oleh Karl Pearson, yang karenanya
sering dikenal dengan istilah Teknik Korelasi Pearson.
Disebut Pearson Moment Correlation karena koefisien
korelasinya diperoleh dengan cara mencari hasil perkalian dari
momen-momen variabel yang dikorelasikan (Product Of The
Moment).
2. Penggunaannya
Teknik Korelasi Product Moment kita pergunakan apabila kita
berhadapan dengan kenyataan berikut ini:
a. Variabel yang kita korelasikan berbentuk gejala atau data yang
bersifat kontinu.
b. Sampel yang diteliti mempunyai sifat homogen, atau setidak-
tidaknya mendekati homogen.
150
c. Regresinya merupakan regresi linear.
3. Lambangnya
Kuat-lemah atau tinggi-rendahnya antardua variabel yang
sedang kita teliti dapat diketahui dengan melihat besar-kecilnya
angka indeks korelasi, yang pada Teknik Korelasi Product
Moment diberi lambang “r” (sering disebut “r” Product Moment).
Angka indeks korelasi Product Moment ini diberi indeks dengan
huruf kecil dari huruf-huruf yang dipergunakan untuk dua buah
variabel yang sedang dicari korelasinya. Jadi apabila variabel
pertama diberi lambang X dan variabel kedua diberi lambang Y,
maka indeks korelasinya dinyatakan dengan lambang rxy .
4. Cara Mencari Angka Indeks Korealasi Product Moment

Ada beberapa macam cara yang dapat dipergunakan untuk
mencari angka indeks korelasi Product Moment.
Apabila data yang kita hadapi Data Tunggal (Ungrouped
data), sedangkan Number of Case-nya kurang dari 30 dengan
istilah lain: sampel yang diteliti merupakan sampel kecil, maka
seperti dikemukakan oleh Hendry E. Garrett, Ph.D. dalam bukunya
Statistic in Psychology and Education angka indeks korelasi
Product Moment (rxy ) dapat dihitung dengan menggunakan enam
cara, yaitu: (1) Dengan cara menghitung Deviasi Standarnya lebih

dahulu, (2) Dengan cara yang lebih tingkat, yaitu tanpa
menghitung Deviasi Standarnya, (3) Dengan cara
memperhitungkan skor-skor aslinya atau ukuran-ukuran kasarnya,
(4) Dengan cara memperhitungkan Mean-nya (yaitu mencari Nilai
151
Rata-rata Hitung dari variabel-variabel yang dicari korelasinya),

(5) Dengan cara memperhitungkan selisih deviasi dan variabel-
variabel yang dikorelasikan, terhadap Mean-nya, dan (6) Dengan
cara memperhitungkan selisih dari masing-masing skor aslinya
atau angka kasarnya.
Adapun untuk Data Tunggal yang Number of Case-nya 30
atau lebih dari 30, dan untuk Data Kelompokan (Grouped Data),
angka indeks korelasi rxy dapat diperoleh dengan bantuan sebuah
peta atau diagram, yang seperti telah dikemukakan pada

pembiacaraan terdahulu disebut Peta Korelasi atau Scatter
Diagram.
Tentang contoh perhitungan dalam rangka mencari angka
indeks korelasi “r” Product Moment itu, akan dikemukakan setelah
selesainya pembicaraan pada pasal berikut ini.
5. Cara Memberikan Interpretasi terhadap Angka Indeks Korelasi

“r” Product Moment
Terhadap Angka Indeks Korelasi yang telah diperoleh dari
perhitungan (proses komputasi) kita dapat memberikan interpretasi
atau penafsiran tertentu. Dalam hubungan ini ada dua macam cara
kita tempuh, yaitu: (1) Interpretasi terhadap angka indeks korelasi
“r” Product Moment itu dilakukan dengan secara kasar atau
denagn cara sederhana, (2) Interpretasi itu diberikan dengan
terlebih dahulu berkonsultasi pada Tabel Nilai r Product Moment.
a. Memberikan Interpretasi terhadap Angka Indeks Korelasi

Product Moment Secara Kasar (Sederhana).
152
Dalam memberikan interpretasi secara sederhana terhadap

Angka Indeks Korelasi “r” Product Moment (rxy ) , pada
umumnya dipergunakan pedoman atau ancar-ancar sebagai

berikut:
Besarnya “r” Product Moment Interpretasi:
(rxy )
Antara Variabel X dan Variabel
Y memang terdapat korelasi,
0,00 – 0,20 akan tetapu korelasi itu sangat
lemah atau sangat rendah
sehingga korelasi itu diabaikan
(dianggap tidak ada korelasi
antara Variabel X dan Variabel
Y).
0,20 – 0,40 Antara Variabel X dan Variabel
Y terdapat korelasi yang lemah
atau rendah.
0,40 – 0,70 Y terdapat korelasi yang sedang
atau cukupan.
0,70 – 0,90 Antara Variabel X dan Variabel
Y terdapat korelasi kuat atau
tinggi.
0,90 – 1,00 Y terdapat korelasi sangat kuat
atau sangat tinggi.
153
b. Memberikan Interpretasi terhadap Angka Indeks Korelasi “r”

Product Moment, dengan jalan berkorelasi pada Tabel Nilai “r”
Product Moment
Pemberian interpretasi terhadap Angka Indeks Korelasi “r” Product
Moment dengan jalan berkonsultasi pada Tabel Nilai “r” Product
Moment yang biasanya selalu tercantum dalam buku-buku statistik
sebagai lampiran dipandang lebih teliti daripada cara pemberian
interpretasi seperti yang telah dikemukakan di atas.
Apabila cara kedua ini yang kita tempuh, maka prosedur yang
kita lalui secara berturut-turut adalah sebagai berikut:
1) Merumuskan (membuat) Hipotesis alternatif (Ha) dan Hipotesis
nihil atau Hipotesis nol (H0).
Hipotesis alternatifnya (Ha) kita rumuskan sebagai berikut: “
Ada (atau: terdapat) korelasi positif (atau: korelasi negatif) yang
signifikan (meyakinkan) antara variabel X dan variabel Y.”
2) Menguji kebenaran atau kepalsuan dari hipotesis yang telah kita
ajukan di atas tadi. (Maksudnya: manakah yang benar H a atau
H0?), dengan jalan memperbandingkan besarnya “r” yang telah
diperoleh dalam proses perhitungan atau “r” observasi (r0)
dengan besarnya “r” yang tercantum dalam Tabel Nilai “r”
Product Moment (rp), dengan terlebih dahulu mencari derajat
bebasnya (db) atau degrees of freedom-nya (df) yang rumusnya
adalah sebagai berikut: df = N – nr
df = degrees of freedom
N = Number of Cases
Nr = banyaknya variabel yang kita korelasikan (karena teknik
analisis korelasi yang kita bicarakan di sini adalah teknik
154
analisis korelasional bivariat, maka nr akan selalu = 2,

sebab variabel yang kita korelasikan hanya dua buah).
Dengan diperolehnya db atau df maka dapat dicari besarnya “r”
yang tercantum dalam Tabel Nilai “r” Produvt Moment, baik pada
taraf signifikansi 5% maupun pada taraf signifikansi 1%. Jika rO
sama dengan atau lebih besar daripada r, maka Hipotesis alternatif
(Ha ) disetujui atau diterima atau terbukti kebenarannya. Berarti
memang benar antara Variabel X dan Variabel Y terdapat korelasi
positif (atau korelasi negatif) yang signifikan. Sebaliknya,
Hipotesis Nihil (H 0 ) tidak dapat disetujui atau tidak dapat
diterima atau tidak terbukti kebenarannya. Ini berarti bahwa

Hipotesis Nihil yang menyatakan tidak adanya korelasi antara
Variabel X dan Variabel Y itu salah.
Demikianlah cara yang dapat ditempuh dalam rangka memberikan
interpretasi terhadap Angka Indeks Korelasi “r” Product Moment.
Selanjutnya, seperti telah disinggung pada pembicaraan terdahulu
berikut ini akan dikemukakan contoh cara mencari atau menghitung
dan sekaligus cara memberikan interpretasi terhadap “r” Product
Moment, baik untuk Data Tunggal maupun untuk Data Kelompokan.
6. Contoh Cara Mencari (Menghitung) dan Memberikan
Interpretasi terhadap Angka Indeks Korelasi “r” Product
Moment
155
a. Cara Mencari (menghitung) dan Memberikan Interpretasi terhadap

Angka Indek
Korelasi “r” Product Moment untuk Data Tunggal, di mana N
kurang dari 30 dengan terlebih dahulu memperhitungkan Deviasi
Standarnya
1) Rumus
Apabila dalam mencari Angka Indeks Korelasi “r” Product
Moment itu perhitungannya didasarkan pada Deviasi Standar
daridata yang sedang dicari korelasinya, maka rumus yang
diperlukan adalah sebagai berikut:
 xy
rxy =
N  SDx  SDy
rxy = Angka Indeks korelasi antara variabel x dan variabel y.
 xy = Jumlah dari Hasil Perkalian antara Deviasi Skor-Skor

Variabel X (yaitu: x) dan Deviasi dari Skor-Skor Variabel
Y (yaitu: y).
SDx = Deviasi Standar dari Variabel X.
SDy = Deviasi Standar dari Variabel Y.

N = Number of Cases.
2) Langkah
Langkah yang perlu ditempuh adalah:

• Menyiapkan Tabel Kerja atau Tabel Perhitungan, yang terdiri dari
delapan kolom. Pada kolom 1 dimuat Subjek Penelitian; Kolom 2
memuat skor variabel X; Kolom 3 memuat skor variabel Y; Kolom
156
4 memuat deviasi skor variabel X terhadap Mean Groupnya (M x ) ;

Kolom 5 memuat deviasi skor variabel Y terhadap Mean-
Groupnya (M y ) ; Kolom 6 memuat hasil perkalian antara deviasi x
dan deviasi y (Kolom 4 dikalikan dengan Kolom 5); Kolom 7

memuat hasil pengkuadratan deviasi x (yaitu x2 ) dan Kolom 8
memuat hasil pengkuadratan deviasi y (yaitu y2 ).
• Menghitung Mean dari variabel X (yaitu M x ) dengan

menggunakan rumus:
X
Mx =
N
• Menghitung Mean dari variabel Y (yaitu M y ) dengan
menggunakan rumus:
Y
My =
N
• Menghitung Deviasi Standar variabel X (yaitu SDx ) dengan

menggunakan rumus:
 x2
SDx =
N
• Menghitung Deviasi Standar variabel Y (yaitu SDy ) dengan
menggunakan rumus:
 y2
SDy =
N
• Menghitung Angka Indeks Korelasi antara variabel X dan variabel
Y (yaitu rxy ) dengan menggunakan rumus:
157
 xy
rxy =
N  SDx  SDy
3) Contoh Perhitungan
Misalkan dalam suatu penelitian yang dimaksudkan untuk
mengetahui apakah secara signifikan terdapat korelasi positif antara
Nilai Hasil Belajar para Mahasiswa di Fakultas (Variabel X) dan Nilai
Hasil Belajar mereka pada waktu berada di Sekolah Lanjutan Tingkat
Atas (Variabel Y), dalam penelitian mana telah ditetapkan sebagai
sampel sejumlah 20 orang mahasiswa (N kurang dari 30), telah berhasil
dihimpun data berupa; Mean Nilai Hasil Belajar Para Mahasiswa
tersebut pada Ujian Semester dan Mean dari Nilai Hasil Belajar mereka
pada Ujian Akhir Sekolah Lanjutan Tingkat Atas (sebagaimana
tercantum dalam STTB), seperti terlihat pada Tabel berikut di bawah
ini. Untuk dapat mengetahui besarnya Angka Indeks yang
menunjukkan kuat-lemahnya korelasi antara variabel X dan variabel Y
itu, terlebih dahulu kita siapkan Tabel Kerja atau Tabel
Perhitungannya, yang terdiri dari 8 kolom:
Kolom 1: Nama Mahasiswa
Kolom 2: Skor berupa Mean Nilai Hasil Ujian Semester (Variabel X)
Kolom 3: Skor berupa Mean Nilai yang tercantum pada STTB SLTA
(Variabel Y)
Kolom 4: Deviasi skor X (diberi lambang x)
Kolom 5: Deviasi skor Y (diberi lambang y)
Kolom 6: Hasil perkalian deviasi x dan deviasi y (yaitu: xy)
Kolom 7: Hasil penguadratan deviasi x (yaitu x 2 )
Kolom 8 Hasil penguadratan deviasi y (yaitu y 2 )
158
TABEL . Mean Nilai Belajar dari Sejumlah 20 Orang MahasiswaPada

Ujian Semester di Fakultas, danMean dari Nilai STTB Mereka di SLTA
No Nama Mhs. Mean Nilai Hasil Ujian Mean Nilai STTB
Urut Semester di Fakultas (X) di SLTA (Y)
1. A 6,5 7,5
2. B 5,8 5,6
3. C 7,2 6,6
4. D 6,9 6,4
5. E 7,6 6,9
6. F 6,7 6,2
7. G 6,2 5,9
8. H 5,6 5,8
9. I 6,8 6,1
10. J 6,0 7,1
11. K 6,4 7,4
12. L 6,2 7,2
13. M 7,2 6,3
14. N 6,5 6,7
15. O 6,3 6,5
16. P 6,6 7,6
17. Q 5,8 5,9
18. R 6,3 7,3
19. S 7,4 7,8
20 T 6,0 7,2
TABEL. Tabel Kerja (Tabel Perhitungan) untuk Mencari Angka Indeks

Korelasi Antara Variabel X (Mean Nilai Ujian Semester di Fakultas) dan
Variabel Y (Mean STTB SLTA) dari Sejumlah 20 Orang Mahasiswa di
Sebuah Fakultas
Subjek X Y x y xy x2 y2
A 6,5 7,5 0,0 +0,8 0,00 0,00 0,64
B 5,8 5,6 -0,7 -1,1 +0,77 0,49 1,21
C 7,2 6,6 +0,7 -0,1 -0,07 0,49 0,01
D 6,9 6,4 +0,4 -0,3 -0,12 0,16 0,09
E 7,6 6,9 +1,1 +0,2 +0,22 1,21 0,04
F 6,7 6,2 +0,2 -0,5 -0,10 0,04 0,25
G 6,2 5,9 -0,3 -0,8 +0,24 0,09 0,64
159
H 5,6 5,8 -0,9 -0,9 +0,81 0,81 0,81

I 6,8 6,1 +0,3 -0,6 -0,18 0,09 0,36
J 6,0 7,1 -0,5 +0,4 -0,20 0,25 0,16
K 6,4 7,4 -0,1 +0,7 -0,07 0,01 0,49
L 6,2 7,2 -0,3 +0,5 -0,15 0,09 0,25
M 7,2 6,3 +0,7 -0,4 -0,28 0,49 0,16
N 6,5 6,7 0,0 0,0 0,00 0,00 0,00
O 6,3 6,5 -0,2 -0,2 +0,04 0,04 0,04
P 6,6 7,6 +0,1 +0,9 +0,09 0,01 0,81
Q 5,8 5,9 -0,7 -0,8 +0,56 0,49 0,64
R 6,3 7,3 -0,2 +0,6 -0,12 0,04 0,36
S 7,4 7,8 +0,9 +1,1 +0,99 0,81 1,21
T 6,0 7,2 -0,5 +0,5 -0,25 0,25 0,25
20 = N 130,0 134,0 0 = 0 = +2,18 5,86 = 8,42
= X = Y x y = 0 = 0 = =0=
 xy x 2
 y2
Langkah perhitungan pada Tabel di atas berturut-turut adalah sebagai

berikut:
• Menjumlahkan subjek penelitian (Kolom 1); diperoleh N = 20.
• Menjumlahkan skor X (Kolom 2); diperoleh  X = 130,0 .
• Menjumlahkan skor Y (Kolom 3); diperoleh  Y = 134,0 .

X
• Menghitung Mean variabel X dengan rumus: M x =
N
Telah kita ketahui:  X = 130,0 dan N = 20, jadi;
130,0
M = = 6,5
x
20
Y
• Menghitung Mean variabel Y dengan rumus M y =
N
134,0
Telah diketahui  Y = 134,0 dan N = 20, jadi M y = = 6,7
20
160
• Menghitung deviasi (penyimpangan) masing-masing skor X

terhadap M x (Kolom 4), dengan rumus: x = X - M x . Unutk
mengecek apakah perhitungan pada Kolom 4 itu sudah betul,
semua deviasi x kita jumlahkan, hasilnya harus sama dengan nol,
atau  x = 0 .
• Menghitung deviasi masing-masing skor Y terhadap M y (Kolom
5), dengan rumus: y = Y - M y , untuk mengecek apakah
perhitungan pada Kolom 5 itu sudah betul, semua deviasi y kita

jumlahkan, hasilnya harus sama dengan nol, atau  y = 0 .
• Memperkalikan deviasi x dengan deviasi y (Kolom 4 diperkalikan

dengan Kolom 5), hasilnya dapat diperiksa pada Kolom 6. Setelah
selesai lalu dijumlahkan, diperolleh  xy = 2,18 .
• Menguadratkan seluruh deviasi x (Kolom 7), setelah selesai lalu

dijumlahkan, sehingga diperoleh  x 2 = 5,86 .
• Menguadratkan seluruh deviasi y (Kolom 8), setelah selesai lalu
dijumlahkan. Sehingga deiperoleh  y 2 = 8,42 .
• Menghitung besarnya Deviasi Standar (SD) dari variabel X,

dengan rumus:
 x2
SDx =
N
Telah diketahui:  x 2 = 5,86 sedangkan N = 20
5,86
SDx = = 0,293 = 0,541.
20
• Menghitung besarnya Deviasi Standar dari variabel Y, dengan
menggnakan rumus:
161
 y2
SDy =
N
Telah diketahui:  y 2 = 8,42 sedangkan N = 20. Jadi:
8,42
SDy = = 0,421 = 0,649 .
20
• Mencari koefisien korelasi yang menunjukkan kuat-lemahnya
hubungan antara variabel X dan variabel Y, dengan manggunakan
rumus:
 xy
rxy =
N  SDx  SDy
Telah diketahui:  xy = 2,18 ; N = 20; SDx = 0,541 ; dan
SDy = 0,649 . Dengan demikian:

2,18 2,18
rxy = = = 0,310
(20)(0,541)(0,649) 7,02218
• Memberikan interpretasi terhadap rxy atau rO .
Seperti telah dikemukakan pada pembicara terdahulu, dalam

memberikan interpretasi terhadap rxy atau rO dapat kita tempuh
dengan dua macam cara, yaitu: (1) dengan cara kasar atau
sederhana, dan (2) dengan cara berkonsultasi ada Tabel Nilai “r”
Product Moment.
Marilah kedua macam cara pemberian interpretasi itunkita mukakan
di sini.
(1) Interpretasi secara sederhana:
Dari perhitungan di atas, telah berhasil kita peroleh rxy sebesar
0,310. Jika kita perhatikan, maka angka indeks korelasi yangtelah

kita peroleh itu tidak bertanda negatif. Ini berarti korelasi antar
162
Variabel X (Prestasi Studi di Fakultas) dan Variabel Y (Prestasi

Studi di SLTA) terdapat hubungna yang searah, dengan istilah
lain: terdapat korelasi positif di antara kedua variabel tersebut.
Artinya: Para mahasiswa yang pada waktu duduk di SLTA
memiliki nilai hasil belajar yang baik, setelah berada di fakultas
juga dapat mencapai nilai hasil belajar yang baik, demikian
sebaliknya. Selanjutnya apabila kita lihat besarnya rxy yang kita
peroleh (yaitu = 0,310) ternyata terletak antara 0,20 – 0,40.

Berdasarkan pedoman atau ancar-ancar yang telah dikemukakan
di atas kita dapat menyatakan bahwa korelasi antara Variabel X
dan Variabel Y itu adalah korelasi yang tergolong lemah atau
rendah. Dengan demikian, secar sedrhana dapat kita berikan
interpretasi terhadap rxy tersebut, yaitu bahwa sekalipun terdapat
korelasi positif antara Variabel X dan Variabel Y, namun

korelasi itu adalah korelais yang lemah (hubungan di antara
kedua variabel itu lemah atau rendah).
(2) Interpretasi dengan menggunakan Tabel Nilai: “r” Product
Moment.
Langkah I:
Merumuskan Hipotesis alternatifnya: “Ada (terdapat) korelasi
posistif yang signifikan antara Variabel X dan Variabel Y.”
Langkah II:
Merumuskan Hipotesis nihilnya: “Tidak ada (tidak terdapat)
korelasi positif yang signifikan antara Variabel X dan Variabel
Y.”
Langkah III:
Mencari df atau db, dengan rumus: df = N –nr.
163
Mahasiswa yang kita teliti atau kita jadikan sebagai sampel

penelitian di sini adalah 20 orang (Lihat kembali Tabel
sebelumnya);dengan demikian N = 20. Variabel yang kita cari
korelasinya adalah Variabel X dan Variabel Y; jadi nr = 2.
Dengan mudah dapat kita peroleh df-nya yaitu: df = 20 – 2 =18.
Langkah IV:
Berkonsultasi pada Tabel Nilai “r” Product Moment. Dengan
melihat Tabel Nilai “r” Product Moment, maka dapat kita ketahui
bahwa df sebesar 18, diperoleh “r” Product Moment pada taraf
signifikan 5% = 0,444 dan pada taraf signifikan 1% = 0,561.
Dengan istilah lain:
rt pada t.s 5% = 0,444
rt pada t.s 1% = 0,561

Langkah V:
Membandingkan besarmya “ rxy ” atau “ rO ” dengan “ rt ”. Seperti
diketahui, rO yang kita peroleh adalah = 0,310, sedangkan rt

maisng-masing sebesar 0,444 dan 0,561. Dengan demikian
ternyata bahwa rO adalah lebih kecil daripada rt , baik pada taraf
signifikan 5% maupun 1%. Karena rO lebih kecil daripada rt

(baik pada taraf siginifikan 5% maupun 1%), maka Hipotesis
alternatif ditolak, sedang Hipotesis nihil diterima atau disetujui.
Kesimpulan yang dapat kita tarik: korelasi positif antara
Presyasi Studi di Fakultas dan Prestasi Studi di SLTA (secara
matematik) di sini bukanlah merupakan korelasi positif yang
meyakinkan.
164
b. Cara Mencari (Menghitung Dan Memberikan Interpretasi Terhadap

Angka Indeks Korelasi “r” Product Moment untuk Data Tunggal,
dimana N kurang dari 30, dengan tidak usah menghitung Deviasi
Standarnya.
1) Rumus
Rumus yang kita pergunakan adalah:
 xy
rxy =
( x 2 )( y 2 )
rxy = Angka Indeks Korelasi “r” Product Moment
 x 2 = Jumlah deviasi X setelah terlebih dulu dikuadratkan
 y 2 = Jumlah deviasi Y setelah terlebih dulu dikuadratkan

2) Langkah
Langkah yang perlu ditempuh adalah:.
• Membuat Tabel Kerja atau Tabel Perhitungan yang terdiri dari
delapan kolom:
Kolom 1: Subjek Penelitian
Kolom 2: Skor Variabel X
Kolom 3: Skor Variabel Y
Kolom 4: Deviasi skor X terhadap M x ; diperoleh dengan rumus:
x=X- Mx
Kolom 5: Deviasi skor Y terhadap M x ; diperoleh dengan
rumus: y = Y - M y
Kolom 6: Hasil perkalian antara deviasi skor X (yaitu x) dan

deviasi skor Y (yaitu y) = xy
165
Kolom 7: Hasil penguadratan seluruh deviasi skor X (yaitu x 2 )

Kolom 8: Hasil penguadratan seluruh deviasi skor Y(yaitu y 2 )
• Mencari Angka Indeks Korelasi “r” Product Moment antara

Variabel X dan Variabel Y (yaitu rxy ), dengan rumus:
 xy
rxy =
( x 2 )( y 2 )
• Memberikan interpretasi terhadap rxy atau rO serta menarik
kesimpulannya, yang dapat dilakukan secara sederhana atau

dilakukan dengan jalan berkonsultasi pada tabel nilai “r” Product
Moment
3) Contoh perhitungan
Apabila data yang tercantum pada Tabel pertama dan telah
dihitung Angka Indeks Korelasinya melalui Tabel kedua itu kita
pergunakan lagi maka pada Tabel kedua telah berhasil kita peroleh:
 xy = 2,18 (Lihat: Kolom 6 lajur paling bawah);
 x 2 = 5,86 (Lihat: Kolom 7 lajur paling bawah); dan
 y 2 = 8,42 (Lihat: Kolom 8 lajur paling bawah).

Dengan mensubstitusikan ke dalam rumus kedua maka dapat kita
peroleh:
 xy 2,18
rxy = =
( x 2 )( y 2 ) (5,86)(8,42)
2,18 2,18
= =
49,3412 7,024
= 0,310 (Hasilnya persis sama dengan rumus pertama).
166
Interpretasi:
Karena rxy sebesar 0,310 itu telah kita berikan interpertasi (baik
secara sederhana maupun dengan jalan berkonsultasi pada Tabel Nilai

“r” Product Moment), maka cara pemberian interpretasinya pun sama
dengan apa yang telah dikemukakan di atas.
c. Cara Mencari (menghitung) Angka Indeks Korelasi “r” Product

Moment di mana N dari 30, dengan mendasarkan diri pada skor
aslinya atau angka kasarnya.
1) Rumus
Rumus yang kita pergunakan ialah:
N  XY − ( X )( Y )
rxy =
[N  X 2
− ( X ) 2 ][N  Y 2 − ( Y ) 2 ]
rxy = Angka Indeks Korelasi “r” Product Moment
N = Number of Cses
 XY = Jumlah hasil perkalian antara skor X dan Y
X = Jumlah seluruh skor X
Y = Jumlah seluruh skor Y
2) Langkah
Apabila Angka Indeks Korelasi “r” Product Moment dicari
atau dihitung berdasarkan skor aslinya, maka langkah yang perlu
ditempuh berturut-turut adalah:
167
• Menyiapkan Tabel Kerja atau Tabel Perhitungannya, yang

terdiri dari 6 kolom:
- Kolom 1: Subjek
- Kolom 2: Skor variabel X
- Kolom 3: Skor variabel Y
- Kolom 4: Hasil perkalian antara skor variabel X dan skor
variabel Y, atau XY (dijumlahkan)
- Kolom 5: Hasil penguadratan skor variabel X yaitu x 2
(dijumlahkan)
- Kolom 6: Hasil penguadratan skor variabel Y, yaitu y 2
(dijumlahkan)
• Mencari angka korelasinya, dengan rumus:
N  XY − ( X )( Y )
rxy =
[N  X 2
− ( X ) 2 ][N  Y 2 − ( Y ) 2 ]
• Memberikan interpretasi terhadap rxy dan menarik kesimpulan.
Dalam suatu penelitian, yang antara lain dimasudkan untuk
mengetahui apakah secara signifikan terdapat korelasi positif antara Nilai
Hasil Tes Sumatif dan Nilai Tes Formatif dalam bidang studi Bahasa
Arab, telah ditetapkan sejumlah 20 orang siswa MAN sebagai sampel,
berhasil dihimpun data sebagaimana tertera pada Tabel berikut.
TABEL. Nilai Hasil Tes Formatif dan Nilai Hasil Tes Sumatif
dalam Bidang Studi Bahasa Arab, yang Berhasil Dicapai
oleh 20 Orang Siswa Madrasah ‘Aliyah.
No. Urut Subjek Nilai Bidang Studi Bahasa Arab pada:
Tes Formatif (X) Tes Sumatif (Y)
1. A 5 6
168
2. B 6 8
3. C 7 7
4. D 6 8
5. E 5 6
6. F 6 8
7. G 6 7
8. H 5 6
9. I 6 6
10. J 8 8
11. K 6 7
12. L 6 6
13. M 5 6
14. N 6 7
15. O 8 6
16. P 4 6
17. Q 6 8
18. R 6 7
19. S 7 9
20. T 6 8
Seperti telah disebutkan, penelitian di atas antara lain mempunyai
tujuan untuk mengetahui apakah antara Variabel X (Nilai Hasil Tes
Formatif) dan Variabel Y (Nilai Hasil Tes Sumatif) terdapat koerlasi
positif yang signifikan. Sebelum kita lakukan perhitungan untuk
memperoleh Angka Indeks Korelasinya (rxy ) terlebih dahulu kita
rumuskan Hipotesis Alternatif (H a ) dan Hipotesis Nihilnya (H 0 ) ,

sebagai berikut:
H a : “Ada korelasi positif yang signifikan, antara Variabel X
(Nilai Hasil Tes Formatif) dan Variabel Y (Nilai Hasil Tes
Sumatif).”
H 0 : “Tidak ada korelasi positif yang signifikan, antara Variabel
X (Nilai Hasil Tes Formatif) dan Variabel Y (Nilai Hasil

Tes Sumatif).”
169
Selanjutnya kita lakukan perhitungan untuk memperoleh rxy dengan
terlebih dahulu menyiapkan Tabel Kerja atau Tabel Perhitungannya,

sebagaimana dapat dilihat pada Tabel berikut.
Langkah yang perlu diambil adalah:
Langkah 1: Menjumlahkan subjek penelitian, diperoleh N = 20.
Langkah 2: Menjumlahkan skor variabel X, diperoleh  X = 120 .
Langkah 3: Menjumlahkan skor variabel Y, diperoleh  Y = 140 .
Langkah 4: Memperkalikan skor variabel X dengan skor variabel Y
(yaitu XY); setelah selesai lalu dijumlahkan, diperoleh
 XY = 848 (Lihat Kolom 4).
2
Langkah 5: Menguadratkan skor variabel X (yaitu: X dan setelah
selesai lalu dijumlahkan, diperoleh  X 2 = 738 (Lihat
Kolom 5).
Langkah 6: Menguadratkan skor variabel Y (yaitu: Y 2 dan setelah
selesai lalu dijumlahkan, diperoleh Y 2 = 998 (Lihat
Kolom 6).
TABEL. Perhitungan untuk Memperoleh Angka Indeks Korelasi

Antara Variabel X (Nilai Hasil Tes Formatif) dan
Variabel Y (Nilai Hasil Tes Sumatif)
Subjek X Y XY X2 Y2
A 5 6 30 25 36
B 6 8 48 36 64
C 7 7 49 49 49
D 6 8 48 36 64
E 5 6 30 25 36
F 6 8 48 36 64
G 6 7 42 36 49
H 5 6 30 25 36
I 6 6 36 36 36
170
J 8 8 64 64 64
K 6 7 42 36 49
L 6 6 36 36 36
M 5 6 30 25 36
N 6 7 42 36 49
O 8 6 48 64 36
P 4 6 24 16 36
Q 6 8 48 36 64
R 6 7 42 36 49
S 7 9 63 49 81
T 6 8 48 36 64
20 = N 120 = 140 = 848 = 738 = 998 =
X Y  XY X2 Y 2
Langkah 7: Mencari rxy dengan rumus seperti telah dissebutkan di
muka:
N  XY − ( X )( Y )
rxy =
[N  X 2
− ( X ) 2 ][N  Y 2 − ( Y ) 2 ]
Karena N = 20;  XY = 848 ;  X 2 = 738 ; dan

Y 2 = 998 ; maka:
20 848 −120 140
rxy =
[20  738 −120 2 ][20  998 −140 2 ]
16960 −16800
rxy =
(14760 −14400)(19960 −19600)
160
=
(360)(360)
160
=
129600
160
=
360
= 0,444
171
Langkah 8 : Memberikan Interpretasi terhadap rxy
- Interpretasi secara kasar/sederhana: Dari perhitungan di

atas ternyata angka korelasi antara variabel X dan
variabel Y tidak bertanda negatif, berarti di antara kedua
variabel tersebut terdapat korelasi positif (korelasi yang
berjalan searah).
Dengan memperhatikan besarnya rxy (yaitu = 0,444),
yang besarnya berkisar antara 0,40 – 0, 70 berarti

korelasi positif antara variabel X dan variabel Y itu
adalah termasuk korelasi positif yang sedang.
- Interpretasi dengan menggunakan Tabel nilai “r”: df = N
– nr = 20 – 2 = 18. Dengan memeriksa tabel Nilai “r”
Product Moment ternyata bahwa dengan df sebesar 18,
pada taraf signifikansi 5% diperoleh rtabel = 0,444;
sedangkan pada taraf signifikansi 1% diperoleh rtabel =
0,561. Karena rxy atau ro pada taraf signifikansi 5% sama
besarnya dengan rtabel atau rt , maka pada taraf

signifikansi 5% Hipotesis Nol Ditolak, sedangkan
Hipotesis aternatif disetujui /diterima, berarti bahwa pada
taraf signifikansi 5% itu memang terdapat korelasi positif
yang signifikan antara variabel X dan variabel Y.
Selanjutnya, karena pada taraf signifikansi 1% rxy atau
rO adalah lebih kecil daripada rtabel (0,444 < 0,561),

maka pada taraf signifikansi 1% itu Hipotesis Nihil
disetujui/diterima, sedangkan Hipotesis Alternatif
ditolak. Ini berarti bahwa untuk taraf signifikansi 1% itu
172
tidak terdapat korelasi positif yang signifikan antara

variabel X dan variabel Y.
Kesimpulan yang dapat kita tarik ialah, tinggi-rendahnya
nilai Tes Sumatif ada hubungannya/dipengaruhi oleh
tinggi-rendahnya nilai hasil Tes Formatif, sekalipun
korelasi positif itu hanya cakupan saja.
d. Cara Mencari (Menghitung) Angka Indeks Korelasi “r” Product

Moment di mana N kurang dari 30, dengan mendasarkan diri
pada (memperhitungkan) Mean-nya.
1) Rumus
 XY − N  M x  M y
rxy =
[ X 2
− N  (M x ) 2 ][ Y 2 − N  (M y ) 2 ]
 XY = Jumlah dari hasil perkalian antara skor variabel X dan skor

variabel Y.
N = Number of Cases.
Mx = Mean dari skor variabel X.
My = Mean dari skor variabel Y.
 X 2 = Jumlah dari skor X setelah terlebih dahulu dikuadratkan.

Y 2 = Jumlah dari skor Y setelah terlebih dahulu dikuadratkan.
M x 2 = Kuadrat dari Mean skor variabel X.
M y 2 = Kuadrat dari Mean skor variabel Y.
2) Langkah
173
Langkah yang perlu ditempuh di sini pada dasarnya sama dengan

langkah yang ditempuh pada perhitungan di atas tadi (Lihat sub c2),
hanya saja kita perlu mencari lebih dahulu Mean skor variabel X dan
Mean skor variabel Y. Jadi Tabel Kerja atau Tabel Perhitungan yang
kita perlukan adalah sama dengan Tabel 5.4.
Jika Tabel sebelumnya kita pergunakan lagi di sini, maka melalui
Tabel pada tabel tersebut kita telah memperoleh:
 X = 120 ;  Y = 140 ;  XY = 848 ;  X 2 = 738 ; dan Y 2 = 998 ;
sedangkan N = 20.
Dari rumus yang akan kita pergunakan nati, yang belum kita
ketahui hanyalah: M x dan M y ; karena itu kita cari lebih dahulu:
 X 120
Mx = = =6
N 20
Y 140
My = = =7
N 20
Dengan mensubstitusikan ke dalam rumus, maka secara cepat akan
dapat kita peroleh rxy
:
 XY − N  M x  M y
rxy =
( X 2 − N  M x 2 )( Y 2 − N  M y )
2
848 − 20  6  7
=
(738 − 20  62 )(998 − 20  72 )
848 − 840 8 8 8
= = = = = 0,444
(738 − 720)(998 − 980) 18 18 324 18
(Hasilnya persis sama).
174
Mengenai cara memberikan interpretasi terhadap “ rxy ” yang telah kita
peroleh itu, sama dengan yang telah dikemukakan di muka.
e. Cara Mencari (menghitung) angka indeks korelasi “r” product

moment, di mana N kurang dari 30, dengan mendasarkan diri
pada selisih deviasinya.
1) Rumus
 x2 +  y2 −  d 2
rxy =
2 ( x2 )( y2 )
rxy = Jumlah seluruh deviasi skor variabel X, setelah
dikuadratkan lebih dahulu.

 x2 = Jumlah seluruh deviasi skor variabel X, setelah
 y2 = Jumlah seluruh deviasi skor variabel Y, setelah
d = Selisih antara deviasi skor variabel X dan deviasi skor
variabel Y; atau: d = x – y.
d 2 = Jumlah selisih antara deviasi skor variabel X dan deviasi
skor variabel Y, setelah dikuadratkan terlebih dahulu; atau:
 d 2 = (x − y) 2 .
2 = Bilangan konstan (tidak boleh diubah-ubah).
2) Langkah
a) Menjumlahkan seluruh skor variabel X; diperoleh  X .
175
b) Menjumlahkan seluruh skor variabel Y; diperoleh  Y .

X
c) Mencari Mean dari skor variabel X dengan rumus: M x =
N
Y
d) Mencari Mean dari skor variabel Y dengan rumus: M y =
N
e) Mencari deviasi skor variabel X terhadap Mean-nya; rumusnya: x
= X - M x ; jika dijumlahkan, maka  x pasti = 0.
f) Mencari deviasi skor variabel Y terhadap Mean-nya; rumusnya: y
= Y - M y ; jika dijumlahkan, maka  y pasti = 0.
g) Mencari d (selisih antara deviasi x dengan deviasi y), yaitu: d = (x

– y). Jumlahnya pasti = 0.
3) Contoh perhitungan
Kita ambil kembali data tertera pada Tabel 5.3. untuk dicari angka
indeks korelasinya dengan mendasarkan diri pada selisih deviasinya.
Tabel Kerja atau Tabel Perhitungan yang kita perlukan terdiri dari 9
Kolom, yaitu:
- Kolom 1: Subjek
- Kolom 2: Skor variabel X.
- Kolom 3: Skor variabel Y.
- Kolom 4: Deviasi skor variabel X (yaitu: x).
- Kolom 5: Deviasi skor variabel Y (yaitu: y).
- Kolom 6: Kuadrat deviasi skor variabel X, yaitu: x 2 .
- Kolom 7: Kuadrat deviasi skor variabel Y, yaitu: y 2 .
- Kolom 8: Selisih deviasi; yaitu: d = x – y.
- Kolom 9: Kuadrat selisih deviasi, yaitu: d 2 = (x − y) 2 .
176
Periksalah lebih lanjut Tabel di bawah ini

Tabel Kerja/Perhitungan untuk Mencari Angka Indeks Korelasi “r”
Product Moment, dengan Memperhitungkan Selisih Deviasinya.
Subjek X Y x y x2 y2 d=x–y d 2 = (x − y) 2
A 5 6 -1 -1 1 1 0 0
B 6 8 0 +1 0 1 -1 1
C 7 7 +1 0 1 0 +1 1
D 6 8 0 +1 0 1 -1 1
E 5 6 -1 -1 1 1 0 0
F 6 8 0 +1 0 1 -1 1
G 6 7 0 0 0 0 0 0
H 5 6 -1 -1 1 1 0 0
I 6 6 0 -1 0 1 +1 1
J 8 8 +2 +1 4 1 +1 1
K 6 7 0 0 0 0 0 0
L 6 6 0 -1 0 1 +1 1
M 5 6 -1 -1 1 1 0 0
N 6 7 0 0 0 0 0 0
O 8 6 +2 -1 4 1 +3 9
P 4 6 -2 -1 4 1 -1 1
Q 6 8 0 +1 0 1 -1 1
R 6 7 0 0 0 0 0 0
S 7 9 +1 +2 1 4 -1 1
T 6 8 0 +1 0 1 -1 1
20 = 120 140 0 0 = 1y8 = 18 = 0= d 20 =  d 2
N = =
x  y
2 2
 X Y =
x
 X 120
Langkah 1: Mencari M x : M x = = =6
N 20
Y 140
Langkah 2: Mencari M y : M y = = =7
N 20
Langkah 3: Mencari diviasi x dengan rumus : x = X - M x (Kolom 4)
Langkah 4: Mencari diviasi y dengan rumus : y = Y - M y (Kolom 5)
177
Langkah 5: Mengkuadratkan devasi x (Kolom6); setelah itu lalu

dikuadratkan; diperoleh  x 2 = 18
Langkah 6: Mengkuadratkan deviasi y (Kolom 7); setelah itu lalu
dikuadratkan; diperoleh  y 2 = 18 (secara kebetulan
sama).
Langkah 7: Mencari d (selisih antara deviasi x dan dan deviasi y),
dengan rumus: d = (x – y), lihat Kolom 8. Jika dijumlahkan
maka  d = 0 .
Langkah 8: Mengkuadratkan d; setelah selesai lalu dijumlahkan
sehingga diperoleh  d 2 = 20 (Kolom 9).
Langkah 9: Mencari rxy dengan rumus:
 x2 +  y2 −  d 2
rxy =
2 ( x 2 )( y 2 )
Telah diketahui:  x 2 = 18 ;  d 2 = 20 .
 y 2 = 18 ;
Dengan demikian:
18 + 18 − 20 36 − 20 16 16
rxy = = = =
2 (18)(18) 2 324 2 18 36
= 0,444 (Hasilnya persis sama).

Tentang Hipotesis alternatif, Hipotesis Nihil dan Cara Memberrikan
Interpretasi terhadap rxy sama dengan apa yang telah dikemukakan di
atas.
f. Cara Mencari (Menghitung) Angka Indeks Korelasi “r’ Product
Moment di mana N kurang dari 30, dengan mendasarkan diri pada
selisih skornya (selisih ukuran kasarnya).
178
1) Rumus
Jika dalam mencari Angka Indeks Korelasi “r” Product Moment
kita mendasarkan diri pada selisih skornya atau selisih dari ukuran
kasarnya, maka rumus yang kita pergunakan adalah sebgai berikut:
N[ X 2 +  Y 2 − ( X − Y ) 2 ] − 2( X )( Y )
rxy =
2 [N  X 2 − ( X ) 2 ][N  Y 2 − ( Y ) 2 ]
N = Number of Cases
X2 = Jumlah dari seluruh skor variabel X, setelah terlebih
dahulu dikuadratkan.
Y 2 = Jumlah dari seluruh skor variabel Y, setelah terlebih
dahulu dikuadratkan.
( X − Y ) = Selisih antara skor variabel X dengan skor variabel Y.
( X − Y ) 2 = Kuadrat dari selisih antara skor variabel X dengan skor

variabel Y.
( X ) 2 = Jumlah dari seluruh skor variabel X, setelah itu lalu
dikuadratkan.
( Y ) 2 = Jumlah dari seluruh skor variabel Y, setelah itu lalu
dikuadratkan.
2 = Bilangan konstan (tidak boleh diubah-ubah).
2) Langkah
Langkah yang perlu ditempuh di sini adalah:
Pada dasarnya Tabel Kerja atau Tabel Perhitungan yang kita
perlukan sama dengan dua Tabel sebelumnya; hanya saja perlu
179
kita tambah lagi dengan dua kolom, yaitu: kolom untuk mencari
selisih skor X dan skor Y (yaitu: X – Y), dan kolom untuk mencari
kuadrat dari (X – Y). Adapun kolom XY hilangkan.
Kita ambil kembali data tertera pada Tabel Nilai Hasil Tes
Formatif dan Hasil Tes Sumatif untuk kita cari Angka Indeks
Korelasinya dengan menggunakan rumus terakhir ini. Tabel Kerja
atau Tabel Perhitungan dapat lihat pada Tabel di bawah berikut.
Melalui perhitungan pada Tabel 5.6. itu telah dapat kita peroleh:
N = 20.
X = 120.
Y = 140.
 x2 = 738.
 y2 = 998.
( X − Y )2 = 40.
Dengan demikian rxy dapat diperoleh secara mudah:
N[ X 2 +  Y 2 − ( X − Y ) 2 ] − 2( X )( Y )

rxy =
2 [N  X 2 − ( X ) 2 ][N  Y 2 − ( Y ) 2 ]
20(738 + 998 − 40) − 2 120 140

=
2 (20  738 − 1202 )(20  998 − 1402 )
20  (1736 − 40) − 33600
=
2 (14760 − 14400)(19960 − 19600)
20  1696 − 33600
=
2 (360)(360)
180
33920 − 33600
=
2 129600
320
= = 0,444 (Hasilnya sama dengan perhitungan
2360
terdahulu).
TABEL Tabel Kerja/Tabel Perhitungan Untuk Mencari Angka Indeks

Korelasi “r” Product Moment, dimana N Kurang dari 30, dengan
Mendasarkan Diri pada Selisih Skornya atau Selisih Ukuran Kasarnya
(X –
Subjek X Y X2 Y2 (X – Y)2
Y)
A 5 6 25 36 -1 1
B 6 8 36 64 -2 4
C 7 7 49 49 0 0
D 6 8 36 64 -2 4
E 5 6 25 36 -1 1
F 6 8 36 64 -2 4
G 6 7 36 49 -1 1
H 5 6 25 36 -1 1
I 6 6 36 36 0 0
J 8 8 36 64 0 0
K 6 7 36 49 -1 1
L 6 6 36 36 0 0
M 5 6 25 36 -1 1
N 6 7 36 49 -1 1
O 8 6 64 36 +2 4
P 4 6 16 36 -2 4
181
Q 6 8 36 64 -2 4
R 6 7 36 49 -1 1
S 7 9 49 81 -2 4
T 6 8 36 64 -2 4
200 = 120 = 140 = 738 = 998 = 40 = ∑(𝑋 −
-
N ∑𝑋 ∑𝑌 ∑ 𝑋2 ∑ 𝑌2 𝑌)2
g. Cara Mencari (Menghitung) Angka Indeks Korelasi “r” Product

Moment untuk Data Tunggal, di mana N = 3- atau lebih dari 30.
Jika sampel yang kita teliti merupakan sampel besar (yaitu N = 30
atau di atas 30), maka cara mencari atau menghitung angka indeks
korelasi “r” Product Moment seperti yang telah dikemukakan pada a
sampai dengan f di muka menjadi kurang efektif, disebabkan Tabel
Kerja atau Tabel Perhitungannya terlalu panjang.
Karena itu disarankan, agar apabila N = 30 atau lebih dari 30,
seyogianya perhitungannya dilakukan dengan menggunakan alat bantu
berupa Peta Korelasi atau Diagram Korelasi atau dikenal dengan nama
Scatter Diagram.
1) Rumus
Rumus yang dipergunakan ialah:
 x' y' − (C ')(C ')
rxy =
x y
N
(SD ')(SD ')
x y
 x' y' = Jumlah hasil perkalian silang (product of the moment)
antara: frekuensi sel (f) dengan x’ dan y’.

Cx ' = Nilai Korelasi pada variabel X yang dapat dicari/diperoleh
dengan rumus:
182
Cx '=
 fx'
N
Cy ' = Nilai Korelasi pada variabel Y yang dapat dicari/diperoleh
dengan rumus:
Cy ' =  fy'
N
SDx ' = Deviasi Standar skor X dalam arti tiap skor sebagai 1 unit
(dimana i = 1)
SDy ' = Deviasi Standar skor Y dalam arti tiap skor sebagai 1 unit
(dimana i = 1)
N = Number of Cases
2) Langkah
Langkah yang erlu ditempuh adalah:
Langkah 1: Menyiapkan peta Korelasi (Scatter Diagram).
Langkah 2: Mencari Cx, dengan rumus;  fx'

N
Langkah 3: Mencari Cy, dengan rumus;

 fy'
N
Langkah 4: Mencari SDx, dengan rumus;
 fx'   fx' 
2 2
SDx' = i − 
N  N 
Langkah 5: Mencari SDy’ dengan rumus:
2
∑ 𝑓𝑦′2 ∑ 𝑓𝑦′
𝑆𝐷𝑦′ = 𝑖√ −( )
𝑁 𝑁
Langkah 6: Mencari rxy dengan rumus yang telah disebutkan di atas.
183
Misalkan dalam suatu kegiatan penelitian yang antara lain
dimaksudkan untuk mengetahui apakah secara signifikan terdapat korelasi
positif antara Nilai Hasil Tes Seleksi Bahasa Arab pada saat para
mahasiswa menempuh Tes Seleksi Penerimaan Calon Mahasiswa Baru
(Variabel X) dan Nilai Hasil Belajar Bahasa Arab yang mereka capai
setelah berada di Fakultas dari sebuah Perguruan Tinggi Agama Islam
(Variabel Y); dalam penelitian mana telah ditetapkan sejumlah 50 orang
Mahasiswa, telah berhasil dihimpun data berupa nilai Hasil Tes Bahasa
Arab pada saat Tes Seleksi Penerimaan Calon Mahasiswa Baru (X) dan
Nilai Ujian Semester Bahasa Arab setelah berada di Fakultas (Y), sebagai
berikut (nama para mahasiswa ang bersangkutan, sengaja tidak
dicantumkan di sini)
Nilai hasil tes seleksi Bahasa Arab dari sejumlah 50 orang
Mahasiswa, pada saat menempuh tes seleksi penerimaan calon mahasiswa
baru (variabel X):
35 40 38 36 39 42 37 41 36 42
35 38 37 40 42 36 35 39 41 40
42 39 41 35 40 42 38 37 39 35
38 41 39 41 38 39 42 40 36 40
35 40 35 40 37 41 36 37 41 39
Nilai Hasil Ujian Semester bahasa Arab dari 50 orang Mahasiswa

tersebut di atas setelah berada di fakultas (Variabel Y):
56 61 59 57 60 63 58 62 57 63
59 60 60 59 62 58 57 61 61 60
63 60 62 56 61 63 60 59 60 57
59 62 60 62 59 56 61 62 57 61
56 62 56 61 58 62 57 58 62 60
184
Untuk dapat mengetahui Angka Indeks Korelasi antara variabel X dan

variabel Y (rxy). Pertama-tama kita siapkan Peta Korelasinya, sebagai
berikut:
3 3 3 3 3 4 4 4
X F(y) y’ fy’ fy’2 x’y’
5 6 7 8 9 0 1 2
Y
63 4 +3 12 36 48
62 9 +2 18 36 52
61 7 +1 7 7 16
60 9 0 0 0 0
59 6 -1 -6 6 2
58 4 -2 -8 16 10
57 6 -3 -18 54 42
56 5 -4 -20 80 44
f(x 0= 235
) 7 5 5 5 7 8 7 6 -15 = 214=
N
 fy'  fy'
2
x’ -3 -2 -1 0 +1 +2 +3 +4  x'y'
fx’ -21 -10 -5 0 +7 +16 +21 +24 32=  fx'
 fx'
2
fx2 63 20 5 0 7 32 63 6 286=
x’y 69 28
7 0 -3 14 39 60 214=  x'y'
’
Melalui Peta Korelasi di atas, telah berhasil kita ketahui: N = 50;
 fx' = 32;  fx'  fy' = −15 ;  fy'  x' y'. = 214

2 2
= 286 ; = 235 ; dan
Langkah 2: Mencari Cx, dengan rumus:
C =
fx' 32
= = 0,64
x' N 50
Langkah 3: Mencari Cy,
C =
fy' −1
= = −0,30
y' N 50
185
Langkah 4: Mencari SDx’ dengan rumus:

2
∑ 𝑓𝑥′2 ∑ 𝑓𝑥′ 286 32 2
𝑆𝐷𝑥′ = 𝑖√ −( ) = 1√ −( )
𝑁 𝑁 50 50
= 1√5,72 − 0,642 = 1√5,72 − 0,4096
= 1√5,3104 = 2,304
Langkah 5: Mencari SDy’:
2
∑ 𝑓𝑦′2 ∑ 𝑓𝑦′ 235 −15 2
𝑆𝐷𝑦′ = 𝑖√ −( ) = 1√ −( )
𝑁 𝑁 50 50
= 1√4,7 − (−0,3)2 = 1√4,7 − 0,09
= 1√4,61 = 2,147
Langkah 6: Mencari rxy dengan rumus:
∑ 𝑥′𝑦′
− (𝐶𝑥𝘍 )(𝐶𝑦𝘍 )
𝑟𝑥𝑦 = 𝑁
(𝑆𝐷𝑥𝘍 )(𝑆𝐷𝑦)
2,14 − (0,64)(0,30)
50
=
(2,304)(2,147)
4,28 + 0,192
=
4,947
4,472
=
4,947
= 0,904
Langkah 7: Memberikan interpretasi terhadap rxy. Terlebih dahulu kita
rumuskan Hipotesis alternatif dan Hipotesis nolnya:
Ha : Ada korelasi positif yang signifikan antara variabel X dan
variabel Y.
Ho : Tidak ada korelasi positif yang signifikan antara variabel X
dan variabel Y.
186
Selanjutnya kita uji kedua hipotesis tersebut dengan membandingkan

besarnya rrx atau ro dengan besarnya rtabel yang tercantum dalam Tabel
Nilai “r” Product Moment dengan memperhitungkan df-nya lebih dahulu
df = N – nr = 50 – 2 = 48 (Konsultasi Tabel Nilai “r”). Ternyata df 48
tidak terdapat dalam tabel; kita pakai df 0.
Dengan df sebesar 0 diperoleh rtabel pada taraf signifikansi 5% sebesar
0,273; sedangkan pada taraf signifikansi 1% diperoleh rtabel sebesar 0,354.
Ternyata rrx atau ro (yang besarnya 0,273 dan 0,34). Karena ro lebih besar
daripada rtabel, maka Hipotesis Nol ditolak. Bererti terdapat korelasi positif
yang signifikan antara variabel X dan variabel Y.
Kesimpulannya, tinggi-rendahnya Nilai Hasil Belajar Bahasa Arab pada
mahasiswa di Fakultas erat sekali hubungannya dengan Nilai mereka pada
saat menempuh Tes Seleksi Penerimaan Calon Mahasiswa Baru dalam
mata pelajaran yang sama, di mana hubungan itu sifatnya searah.
h. Cara Mencari (Menghitung) Angka Indeks Korelasi “r” Product

Moment, untuk Data Kelompokan.
1) Rumus
Rumus untuk mencari angka indeks korelasi “r” Product Moment
yang datanya berupa data kelompokkan sama seperti yang telah
dikemukakan pada pembicaraan sub g di atas, yaitu:
 x' y' − (C ')(C ')
rxy =
x y
N
(SD ')(SD ')
x y
 x' y' = Jumlah hasil perkalian silang (product of the moment) antara:
frekuensi sel (f) dengan x’ dan y’.

N = Number of Cases
187
Cx ' = Nilai Korelasi untuk variabel X dalam arti interval class
sebagai unit, di mana:
C x '=
 fx'
N
Cy ' = Nilai Korelasi untuk variabel Y dalam arti interval class
sebagai unit, di mana:
Cy ' =  fy'
N
SDx ' = Deviasi Standar dari X dalam arti interval class sebagai unit,
dengan demikian di sini i = 1

SDy ' = Deviasi Standar dari Y dalam arti tiap interval class sebagai
unit, dengan demikian di sini i = 1
2) Langkah
• Merumuskan hipotesis alternative (Ha) dan Hipotesis nolnya (Ho)
• Melakukan perhitungan untuk mengetahui besarnya Angka Indeks
Korelasi “r” Product Moment, dengan langkah sebgai berikut:
(1) Menyiapkan Peta Korelasinya, berikut perhitunganna, sehingga
 fx' ,  fx' ,  fy' ,  fy'  x' y'.

2 2
diperoleh , dan
(2) Mencari Cx, dengan rumus;

 fx'
N
(3) Mencari Cy, dengan rumus;

 fy'
N
(4) Mencari SDx’
188
2
∑ 𝑓𝑥′2 ∑ 𝑓𝑥′
𝑆𝐷𝑥′ = 𝑖√ −( )
𝑁 𝑁
(5) Mencari SDy’:

2
∑ 𝑓𝑦′2 ∑ 𝑓𝑦′
𝑆𝐷𝑦′ = 𝑖√ −( )
𝑁 𝑁
(6) Mencari rxy dengan rumus:

 x' y' − (C ')(C ')
rxy =
x y
N
(SD ')(SD ')
x y
• Memberikan interpretasi terhadap rxy[dapat dilakukan dengan secara

sederhana (tanpa menggunakan Tabel Nilai “r” Product Moment)
atau dengan menggunakan Tabel Nilai “r” Product Moment,
kemudian menarik kesimpulannya]
(3) Contoh Perhitungan

Untuk mengetahui apakah memang secara signifikan terdapat korelasi
positif antara Nilai Hasil Belajar Matematika dan Nilai Hasil Belajar
Statistik, ditetapkanlah sejumlah 50 orang mahasiswa sebagai sampel
penelitian. Dari 50 orang mahasiswa tersebut berhasil dihimpun Nilai
Hasil Belajar mereka dalam mata pelajaran matematika (Variabel X) dan
Nilai hasil Belajar mereka dalam mata pelajaran Statistik (Variabel Y),
seperti tertera di bawah ini (nama mereka tidak dicantumkan di sini):
Variabel X: 61 49 37 58 33 60 46 56 51 35
37 53 40 48 42 60 53 43 57 52
52 45 36 62 39 34 59 47 40 41
39 41 35 61 44 61 38 59 54 60
47 33 36 38 55 38 49 42 52 58
189
Variabel Y : 82 62 45 77 40 64 57 52 75 39
42 69 35 45 50 80 70 52 77 67
68 55 45 84 45 37 60 50 47 40
45 49 40 70 54 80 44 79 75 75
59 35 40 45 73 50 63 50 70 78
Langkah 1: Merumuskan Hipotesis alternatif dan Hipotesis Nol-nya:

Ha: Ada korelasi positif yang signifikan, antara Nilai Hasil
Belajar Matematika dan Nilai Hasil Belajar Statistik.
Ho:Tidak ada korelasi positif yang signifikan, antara Nilai
Hasil Belajar Matematika dan Nilai Hasil Belajar
Statistik.
Langkah 2: Menyiapkan Peta Korelasi, dengan urutan kerja sebagai
berikut:
a. Mencari Nilai Tertinggi (Highest Score) dan Nilai
Terendah (Lowest Score):
- Untuk Variabel X: H = 62 dan L = 33.
- Untuk Variabel Y: H = 84 dan L = 35.
b. Mencari Total Range (R):
- Untuk Variabel X: R = H – L + 1 = 62 – 33 + 1 = 30.
- Untuk Variabel X: R = H – L + 1 = 84 – 3 + 1 = 50.
c. Menetapkan besar/luasnya pengelompokan data:
- Untuk Variabel X:
𝑅 = 10 ---- 20; jadi i dapat ditetapkan = 3. Dengan
𝑖
demikian, interval tertinggi untuk Variabel X adalah :

60 – 62 dan interval terendahnya: 33 – 35.
- Untuk Variabel Y:
190
𝑅 = 10 ---- 20; jadi i dapat ditentukan = 5. Dengan
𝑖
demikian, interval tertinggi untuk Variabel Y adalah :

80 – 84 dan interval terendahnya: 35 – 39.
d. Membuat Peta Korelasinya:
- Pada jalur paling atas, ditempatkan interval Nilai
Hasil Belajar matematika (Variabel X), dengan
catatan: interval terendah diletakkan pada bagian kiri,
sedangkan interval tertinggi diletakkan pada bagian
kanan (jangan terbalik!).
- Pada kolom 1 (paling kiri), berturut-turut ke bawah
kita tempatkan pada tempat paling atas, sedangkan
interval terendah diletakkan pada tempat paling bawah
(jangan terbalik!).
- Setelah dibuat sel-sel Peta Korelasi tersebut lalu
dilakukanlah pengkorelasian antara Nilai Matematika
(Variabel X) dan Nilai Statistik (Variabel ).
Dari Peta Korelasi di atas, telah berhasil kita peroleh:
N = 50;  x' y' = 408;
 fx' = 18; fx'= 456; fy' = 13; fy' = 421.

2 2
Langkah 3: Mencari C , C =  =
fx' 18
= 0,36
x x'
N 50
Langkah 4: Mencari C , C =
 = = 0,26
fy' 13
y y'
N 50
Langkah 5: Mencari SDx’
2
∑ 𝑓𝑥′2 ∑ 𝑓𝑥′ 456 18 2
𝑆𝐷𝑥′ = 𝑖√ −( ) = 1√ −( )
𝑁 𝑁 50 50
191
= 1√9,12 − 0,362 = 1√9,12 − 0,1296

= 1√8,9904 = 2,998
Langkah 6: Mencari SDy’:
2
∑ 𝑓𝑦′2 ∑ 𝑓𝑦′ 421 13 2
𝑆𝐷𝑦′ = 𝑖 √ − ( ) =1 √ −( )
𝑁 𝑁 50 50
= 1√8,42 − 0,262 = 1√8,42 − 0,0676

= 1√8,324 = 2,890
Langkah 7: Mencari angka indeks korelasi “r” product moment:
∑ 𝑥′𝑦′
− (𝐶𝑥𝘍 )(𝐶𝑦𝘍 )
𝑟𝑥𝑦 = 𝑁
(𝑆𝐷𝑥𝘍 )(𝑆𝐷𝑦)
408 − (0,36)(0,26)
0
=
(2,998)(2,890)
8,16 − 0,00936
=
8,66422
8,0664
=
8,66422
= 0,931
Langkah 8: Memberikan interpretasi terhadap rxy atau ro, df = N – nr =
50 – 2 = 48 (Konsultasi Tabel Nilai “r” Product Moment).
Dalam tabel tidak dijumpai df sebesar 48; karena itu
dipergunakan df yang terdekat, yaitu 50. Dengan df sebesar
50, diperoleh “r” tabel (rt) pada taraf signifikansi 5%
sebesar 0,273; sedangkan pada taraf signifikansi 1%
sebesar 0,354. Ternyata ro (yaitu sebesar 0,931) adalah jauh
lebih besar daripada rt, baik pada taraf signifikansi 5%
maupun pada taraf signifikansi 1%.
192
Dengan demikian Ho ditolak; berarti ada korelasi positif

yang sangat signifikan antara variabel X dan variabel Y.
kesimpulan yang dapat kita tarik ialah, tinggi-rendahnya
Nilai hasil Belajar Statistik sangat kuat hubungan
(korelasi)-nya dengan tinggi-rendahnya Nilai Hasil Belajar
Matematika Mereka yang lemah dalam matematika, akan
lemah pula dalam mata pelajaran statistik; demikian
sebaliknya.
G. Teknik Korelasi Tata Jenjang (= Teknik Korelasi Rank Order =

Rank Order Correlatopn = Rank Difference Correlation)
1. Pengertiannya
Teknik Korelasi Tata Jenjang dalam dunia statistik dikenal sebgaai
Teknik Analisis Korelasional yang paling sederhana jika dibandingkan
dengan Teknik Analisis Korelasional lainna.
Pada Teknik Korelasi Tata Jenjang ini, besar-kecil atau kuat-
lemahnya korelasi antara variabel yang sedang kita selidiki korelasinya,
kita ukur berdasarkan perbedaan urutan kedudukan skornya (rank of
difference); jadi bukan didasarkan pada skor hasil pengukuran yang
sebenarnya.
Dengan kata lain, datanya adalah data ordinal atau data berjenjang
atau data urutan. Misalnya: Siswa ang IQ-nya menempati jenjang
(ranking) paling tinggi, juga menempati jenjang paling tinggi dalam hal
prestasi belajar Matematika; siswa ang IQ-na paling rendah, prestasi
belajar Matematikanya juga menempati jenjang paling rendah.
193
Siswa: jenjang IQ: Jenjang Studi Matematika:

A 5 5
B 1 1
C 3 3
D 2 2
E 4 4
2. Penggunaannya
Teknik Analisis Korelasi Tata Jenjang ini dapat efektif digunakan
apabila subjek lebih dari sembilan tetapi kurang dari tigapuluh; dengan
kata lain N antara 10-29. Karena itu apabila N sama dengan atau lebih dari
30, sebaiknya jangan digunakan teknik korelasi ini.
3. Lambangnya
Pada Teknik Korelasi Tata Jenjang ini angka indeks korelasinya
dilambangkan dengan huruf 𝜌 (baca: Rho). Seperti halnya rxy maka angka
indeks korelasi 𝜌 ini besarna berkisar antara 0,00 sampai dengan ±1,00.
4. Rumusnya
Untuk mencari (menghiung 𝜌 dipergunakan rumus sebagai berikut:
6 ∑ 𝐷2
𝜌= 1−
𝑁(𝑁2−1)
atau:
6 ∑ 𝐷2
𝜌 =1−
(𝑁3−𝑁)
𝜌 = Angka Indeks Korelasi Tata Jenjang

6 & 1 = bilangan konstan (tidak boleh diubah-ubah)
194
D = Difference, yaitu perbedaan antara urutan skor pada variabel

pertama (R1) dan urutan skor pada variabel kedua (R2); jadi D = R1
- R2
N = Number of Cases, dalam hal ini adalah banyaknya pasangan
yang sedang dicari korelasinya.
5. Cara memberikan Interpretasi terhadap Angka Indeks Korelasi Tata

Jenjang
Untuk memberikan Interpretasi terhadapAngka Indeks Korelasi Tata
Jenjang, terlebih dahulu kita rumuskan hipotesis alternatif dan Hipotesis
Nol-nya:
Ha: Ada korelasi positif yang signifikan antara Variabel I dan
Variabel II.
Ho: Tidak ada korelasi positif yang signifikan antara Variabel I
dan Variabel II.
Setelah diperoleh Angka Indeks Korelasi Tata Jenjangnya (yaitu:
Rho), lalu kita berikan interpretasi dengan menggunakan Tabel Nilai 𝜌
dengan df = N, baik pada taraf signifikansi 5% maupun pada taraf
signifikansi 1%. Jika 𝜌 yang kita peroleh dalam perhitungan (yaitu: 𝜌o)
sama dengan atau lebih besar daripada harga 𝜌 yang tercantum dalam
tabel (yaitu: 𝜌t), maka Hipotesis Nol ditolak; sebaliknya Hipotesis
alternatif disetujui apabila 𝜌o lebih kecil daripada harga 𝜌t, maka
Hipotesis Nol disetujui; sebalikna Hipotesis alternatif ditolak.
6. Contoh Cara Mencari (Menghitung) dan Memberikan Interpretasi

terhadap Angka Indeks Korelasi Tata Jenjang
Ada tiga macam mencari (menghitung) Rho, yaitu:
195
(a) Dalam keadaan tidak terdapat urutan yang kembar,

(b) Dalam keadaan terdapat urutan yang kembar dua, dan
(c) Dalam keadaan urutan yang kembar tiga buah atau lebih.
Pada pembicaraan berikut akan dikemukakan contoh satu per satu.

a. Cara Mencari (Menghitung) dan Memberikan Interpretasi terhadap
Angka Indeks Korelasi Tata Jenjang, yang tidak terdapat urutan yang
kembar.
Misalkan sejumlah 10 orang mahasiswa yang dikenal sebagai tokoh
penting organisasi ekstrauniversiter di sebuah Perguruan Tinggi
ditetapkan sebagai sampel dalam penelitian yang antara lain bertujuan
untuk mengetahui apakah memang secara signifikan terdapat korelasi
positif antara: keaktifan mereka dalam berorganisasi ekstrauniversiter
(variabel I) dan prestasi studi mereka di fakultas (variabel II).
Dari kegiatan penelitian tersebut, berhasil diperoleh data berupa skor
yang menunjukkan tingkat keaktifan para mahasiswa tersebut dalam
organisasi ektrauniversiter, dan skor yang menunjukkan Mean Prestasi
Studi mereka di fakultas, sebagaimana terlihat pada Tabel di bawah ini.
Langkah yang perlu ditempuh untuk mencari Angka Indeks Korelasi
Rho adalah sebagai berikut:
Langkah 1: Menyiapkan Tabel Kerja atau Tabel Perhitungannya (Lihat
Tabel 5.8. berikut ini).
Langkah 2: Menetapkan urutan kedudukan skor ang terdapat pada
variabel I (yaitu: R1); Lihat Kolom 5.
TABEL. skor tentang keaktifan dalam organisasi ektrauniversiter dan

skor tentang prestasi studi dari sejumlah 10 orang mahasiswa pada sebuah
fakultas
196
Skor
Nomor
Nama: Keaktifan dalam Organ. Mean Prestasi
urut:
Ekstra (I) Studi (II)
1. A 37 63
2. B 41 45
3. C 38 60
4. D 44 50
5. E 35 65
6. F 43 52
7. G 40 55
8. H 42 47
9. I 36 64
10. J 39 59
Langkah 3: Menetapkan urutan kedudukan skor yang terdapat pada

Variabel II (yaitu: R2); Lihat Kolom 6.
Langkah 4: Menghitung perbedaan urutan kedudukan untuk masing-
masing pasangan yang dikorelasikan (D = R1 – R2). Lihat
Kolom 7. Jumlah D atau ∑ 𝐷 harus sama dengan nol.
Langkah 5: Menguadratkan D (yaitu: D2); lalu dijumlahkan, sehingga
diperoleh ∑ 𝐷2 =312.(Lihat Kolom 8).
Langkah 6: Menghitung Rho dengan rumus:
6 ∑ 𝐷2
𝜌 = 1−
𝑁(𝑁2 − 1)
Telah diketahui: ∑ 𝐷2 = 312; sedangkan N = 10.
Dengan demikian:
60𝑥312 1872
𝜌 =1− =1− = 1 − 1,891 = 0,891
10(100 − 1) 990
Langkah 7: Memberikan interpretasi terhadap Rho.
Dari perhitungan di atas ternyata Rho kita peroleh sebesar: −0,819.
Dengan melihat tanda yang terdapat di depan Angka Indeks Korelasi
tersebut (yaitu: tanda “minus”), maka hal ini mengandung arti bahwa
197
antara Keaktifan Berorganisasi Ekstra-Universiter dan Prestasi Studi di

Fakultas terdapat korelasi yang berlawanan arah (korelasi negatif), dalam
arti: Makin aktif seorang mahasiswa dalam kegiatan organisasi tersebut,
diikuti dengan makin menurunnya Prestasi Belajar di Fakultas.
TABEL. Tabel Kerja/Tabel Perhitungan untuk Mencari Angka Indeks

Korelasi Rho.
Skor Rank
No Nama I = R1 II = R2 D = R1 - R2 D2
I II
1. A 37 63 3 8 -5 25
2. B 41 4 7 1 6 36
3. C 38 60 4 7 -3 9
4. D 44 0 10 3 7 49
5. E 35 6 1 10 -9 81
6. F 43 52 9 4 5 25
7. G 40 55 6 5 1 1
8. H 42 47 8 2 6 36
9. I 36 64 2 9 -7 49
10. J 39 59 5 6 -1 1
Total 10 = N - - - - 0 = ∑𝐷 312 = ∑ 𝐷2
Selanjutnya, terhadap Rho sebesar 0,891 itu kita berdasarkan

interpretasi dengan berkonsultasi pada Tabel Nilai Rho df = N = 10.
Dengan df sebesar 10, diperoleh Rhotabel pada taraf signifikansi 5%
sebesar 0,648; sedangkan pada taraf signifikansi 1% Rho diperoleh
sebesar 0,794. Dengan demikian Rho Yang kita peroleh dalam
perhitungan (yaitu sebesar 0,891) adalah jauh lebih besar daripada
Rhotabel. Karena itu Ho ditolak.
Kesimpulan kita: memang secara signifikan keaktifan dalam
organisasi ekstrauniversiter berkorelasi negatif dengan prestasi studi para
mahasiswa tersebut di fakultas.
198
b. Cara Mencari (Menghitung) dan Memberikan Interpretasi terhadap

Angka Indeks Korelasi Tata Jenjang, di mana terdapat urutan
kedudukan yang kembar dua
Apabila dalam mencari (menghitung) Angka Indeks Korelasi tata
jenjang didapati skor yang kembar dua – yang berarti pula bahwa di sini
terdapat dua urutan kedudukan yang sama – maka urutan yang kembar itu
harus dijumlahkan, kemudian dibagi dua. Misalkan sejumlah 10 orang
mahasiswa ditetapkan sebgaai sampel dalam penelitian yang antara lain
bertujuan untuk mengetahui apakah secara signifikan terdapat korelasi
positif antara keaktifan berkunjung ke Perpustakaan Universitas dan
Prestasi Belajar mereka di Fakultas.
Pada Tabel berikut, kita lihat bahwa baik pada Variabel I maupun
Variabel II, masing-masing terdapat dua buah skor yang kembar untuk
Variabel I skor yang kembar adalah 30, sedangkan untuk Variabel II skor
yang kembar adalah 60. Karena ada skor yang kembar sudah tentu urutan
kedudukannya pun akan kembar pula. Dalam keadaan demikian maka
untuk memperoleh Angka Indeks Korelasi Tata Jenjang di sini proses
perhitungannya adalah seperti dapat diperiksa pada tabel berikutnya.
TABEL Skor tentang Keaktifan 10 Orang Mahasiswa Berkunjung ke
Perpustakaan Universitas, dan Skor yang menunjukkan Mean Hasil
Belajar Mereka di Fakultas
Skor yang menunjukkan
No Nama Keaktifan berkunjung ke Mean Nilai Hasil Belajar
Perpustakaan Universitas di Fakultas
1. A 28 (60)
2. B 3 72
3. C 16 54
4. D 41 64
5. E (30) 68
6. F 44 78
7. G 11 45
199
8. H 23 (60)
9. I (30) 70
10. J 19 57
TABEL. Tabel Perhitungan untuk Mencari Angka Indeks Korelasi Tata

Jenjang yang Terdapat Skor Kembar Dua
Skor Rank
Nama I = R1 II = R2 D = R1 - R2 D2
I II
4+5
A 28 (60) 5 = 4,5 0,5 0,25
2
B 35 72 8 9 -1 1
C 16 54 2 2 0 0
D 41 64 9 6 3 9
6+7
E (30) 68 = 6,5 7 -0,5 0,25
2
F 44 78 10 10 0 0
G 11 4 1 1 0 0
4+5
H 23 (60) 4 = 4,5 -0,5 0,25
2
6+7
I (30) 70 = 6,5 8 -1,5 2,25
2
J 19 57 3 3 0 0
10 = N - - - - 13,00 = ∑ 𝐷2
Dua buah skor 30 pada variabel I mestinya menempati urutan

kedudukan ke-6 dan 7; tetapi karena kembar maka kedua urutan
kedudukan itu kita jumlahkan (6+&) = 13 lalu kita bagi dua = 6,50.
Demikian juga skor 60 dan 60 pada Variabel II mestinya menempati
urutan ke-4 dan 5; karena kembar maka urutan kedudukannya = (4+5) :2 =
4,5.
Dari perhitungan pada tabel 5.10, telah kita peroleh ∑ 𝐷2 = 13,00
sedangkan N = 1-. Dengan demikian dapat kita cari Angka Indeks
Korelasi Rho:
200
6 D2 6x13,00 78
= 1− = 1− = 1− = 1− 0,079 = 0,921
N (N 2 −1) 10(100 −1) 990
Interpretasi:
Kita rumuskan terlebih dahulu Ha dan Honya:
Ha = Ada korelasi positif ang signifikansi antara keaktifan para
mahasiswa berkunjung ke Perpustakaan Universitas dan Prestasi
Studi mereka di Fakultas.
Ho = Tidak ada korelasi positif ang signifikansi antara keaktifan para
mahasiswa berkunjung ke Perpustakaan Universitas dan Prestasi
Studi mereka di Fakultas.
Df = N = 1-. (Konsultasi Tabel Nilai Rho).
sebesar 0,648; sedangkan pada taraf signifikansi 1% Rhotabel diperoleh
sebesar 0,794.
Dengan demikian Rho yang kita peroleh dalam perhitungan (yaitu
0,921) adalah jauh lebih besar daripada Rhotabel (yaitu 0,648 dan 0,794).
Dengan demikian Hipotesis nol ditolak. Berarti ada korelasi positif yang
signifikan antara variabel I dan variabel II.
Kesimpulan kita, tinggi-rendahnya prestasi studi para mahasiswa di
fakultas erat sekali hubungannya dengan keaktifan mereka dalam
mengunjungi (memanfaatkan fasilitas) Perpustakaan Universitas; dalam
arti: Pemanfaatan fasilitas Perpustakaan Universitas berpengaruh positif
terhadap prestasi studi para mahasiswa di fakulas.
201
c. Cara Mencari (Menghitung) dan Memberikan Interpretasi terhadap

Angka Indeks Korelasi Tata Jenjang, di mana terdapat urutan
kedudukan yang kembar tiga atau lebih dari tiga.
Teknik menghitung rata-rata kedudukan skor yang kembar dua seperti
baru saja dikemukakan di atas tadi, dikembangkan oleh Du Bois, akan
tetapi perhitungan rata-rata dari jumlah urutan yang kembar itu hanya dua
buah. Jika urutan kedudukan yang kembar itu tiga buah atau lebih, maka
perlu dilakukan perhitungan yang lebih teliti, yaitu dengan mencari
“urutan kedudukan yang kita harapkan” (=Rc), dengan menggunakan
rumus sebagai berikut:
n2 −1
Rc =
2
MR +
12
Rc = Rank (urutan kedudukan) yang kita cari (kita harapkan)
sehubungan dengan terjadinya kekembaran.
MR = Mean (Nilai Rata-rata Hitung) dari Rank (urutan
kedudukan) skor kembar.
n = Banyaknya skor yang kembar.
1 dan 12 = Bilangan konstan (tidak boleh diubah-ubah).
Misalkan kita memiliki data seperti tertera pada tabel 5.11.
Pada tabel berikut, dapat kita saksikan bahwa untuk Variabel I
terdapat empat buah skor 30 (skor 30 kembar empat), sedangkan untuk
variabel II terjadi kekembaran skor 60 sejumlah lima buah.
202
TABEL. Skor tentang Keaktifan 10 Orang Mahasiswa Berkunjung ke

Perpustakaan Universitas, dan Skor yang Menunjukkan Mean Hasil
Belajar Mereka di Fakultas
Skor yang menunjukkan:
No Nama Keaktifan berkunjung ke Mean Nilai Hasil Belajar
Perpustakaan Universitas di Fakultas
1. A 28 (60)
2. B (30) 72
3. C 16 (60)
4. D 41 (60)
5. E (30) 54
6. F 44 64
7. G (30) 78
8. H 23 (60)
9. I (30) 45
10. J 19 (60)
Proses perhitungan untuk mencari Rho dalam keadaan seperti ini
adalah sebagai berikut:
Pertama-tama kita cari lebih dahulu urutan kedudukan dari masing-
masing skor pada variabel I dan variabel II:
Variabel I:
Urutan ke-1 : skor 16
5+6+7+8
Urutan ke-7 : skor 30 = = 6,5
4
𝑀𝑅
Urutan ke-8 : skor 30 Jadi 𝑀𝑅2 = 42,25
203
Dengan demikian dapat kita cari Rc untuk variabel I:
𝑛2 − 1
𝑅𝐶 = √𝑀𝑅2 +
12
4 2−1
= √42,25 +
12
= √42,25 + 1,25
= √43,50
= 6,595 = 6,6 (dibulatkan ke atas).
Sekarang kita cari urutan kedudukan skor variabel II:
3+4+5+6+7
Urutan ke-5 : skor 60 = = 5;
5
𝑀𝑅
Urutan ke-6 : skor 60 Jadi 𝑀𝑅2 = 25
Dengan demikian dapat kita cari Rc untuk variabel II:
𝑛2 − 1
𝑅𝐶 = √𝑀𝑅2 +
12
5 2−1
= √25 +
12
= √25 + 2
= √27 = 5,195 = 5,2 (dibulatkan ke atas).
204
Marilah kita hitung Angka Indeks Korelasi Rho melalui Tabel Kerja/Tabel
Perhitungan berikut ini.
TABEL. Perhitungan Mencari Angka Indeks Korelasi Rho yang Urutan
Kedudukannya Kembar Tiga Atau Lebih Dari Tiga
Skor Rank
Nama I = R1 II = R2 D = R1 - R2 D2
I II
A 28 (60) 4 5,2 -1,2 1,44
B (30) 72 6,6 9 -2,4 5,76
C 16 (60) 1 5,2 -4,2 17,64
D 41 (60) 9 5,2 3,8 14,44
E (30) 54 6,6 2 4,6 21,16
F 44 64 10 8 2 4,00
G (30) 78 6,6 10 -3,4 11,6
H 23 (60) 3 5,2 -2,2 4,84
I (30) 45 6,6 1 5,6 31,36
J 19 (60) 2 5,2 -3,2 10,24
10 = N - - - - - 122,44 = ∑ 𝐷2
Dari perhitungan di atas, kita peroleh ∑ 𝐷2 = 122,44. Dengan demikian

dapat kita peroleh Rho:
6 ∑ 𝐷2 6𝑥122,44 734,64
𝜌=1− = 1− =1−
𝑁(𝑁2 − 1) 10(100 − 1) 990
𝜌 = 1 − 0,742 = 0,258
Kita rumuskan Hipotesis alternatif dan Hipotesis nolnya:
Ha: Ada korelasi positif yang signifikan antara keaktifan para mahasiswa
mengunjungi Perpustakaan Universitas dan Nilai Hasil Belajar mereka di
Fakultas.
Ho: Tidak ada korelasi positif yang signifikan antara keaktifan para
mahasiswa mengunjungi Perpustakaan Universitas dan Nilai Hasil Belajar
mereka di Fakultas.
Df = N = 10 (Konsultasi Tabel Nilai Rho).
205

sebesar 0,648 dan pada taraf signifikansi 1% = 0,794. Ternyata Rho yang
kita peroleh dari perhitungan (𝜌0) adalah lebih kecil daripada 𝜌tabel
(0,648>0,258<0,794). Dengan demikian Ha ditolak. Berarti tidak ada
korelasi positif yang signifikan antara keaktifan para mahasiswa
mengunjungi Perpustakaan Universitas dan Nilai Hasil Belajar mereka di
Fakultas; sebaliknya Ho disetuji karena terbukti kebenarannya.
H. Latihan
1. Hitunglahkoefisien korelasi (rxy) dari variabel pendapatan (variabel
X) dan pengeluaran (variabel Y) sebagai berikut:
No. X Y
1. 8 10
2. 7 8
3. 7 9
4. 5 6
5. 4 5
6. 3 2
7. 2 2
2. Hitunglah koefisien korelasi dari variabel tingkat pendidikan dengan

tingkat pendapatan pekerja. Penentuan skala kedua variabel
dinyatakan dalam tabel berikut:
206
No. Pendidikan Kode Pendapatan (Y) (ribuan Kode

(X) rp/bln)
1. SD 1 0 – 200 1
2. SLTP 2 201 - 500 2
3. SLTA 3 501 - 900 3
4. Sarjana 4 901 - 1500 4
5. Magister 5 1501 - 2500 5
6. Doktor 6 2501 - keatas 6
I. Korelasi Spearman
Korelasi Spearman merupakan alat uji statistik yang digunakan

untuk menguji hipotesis asosiatif dua variabel bila datanya berskala
ordinal (ranking). Nilai korelasi ini disimbolkan dengan (dibaca: rho).
Karena digunakan pada data beskala ordinal, untuk itu sebelum dilakukan
pengelolahan data, data kuantitatif yang akan dianalisis perlu disusun
dalam bentuk ranking.
Nilai korelasi Spearman berada diantara -1 < < 1. Bila nilai = 0,

berarti tidak ada korelasi atau tidak ada hubungannya antara variabel
independen dan dependen. Nilai = +1 berarti terdapat hubungan yang
positif antara variabel independen dan dependen. Nilai = -1 berarti
terdapat hubungan yang negatif antara variabel independen dan
dependen. Dengan kata lain, tanda “+” dan “-“ menunjukkan arah
hubungan di antara variabel yang sedang dioperasikan.
207
Uji signifikansi Spearman menggunakan uji Z karena distribusinya

mendekati distribusi normal. Kekuatan hubungan antara variabel
ditunjukkan melalui nilai korelasi. Berikut adalah tabel nilai korelasi
makna nilai tersebut :
Makna nilai korelasi Spearman 1
NILAI MAKNA
0,00 – 0,19 Sangat rendah/sangat lemah
0,20 – 0,39 Rendah/lemah
0,40 – 0,59 Sedang
0,60 – 0,79 Tinggi/kuat
0,80 – 1,00 Sangat tinggi/kuat
Menghitung Korelasi Spearman

Langkah – langkah untuk menghitung adalah :
1. Menentukan formulasi hipotesis (H1 dan H0)

2. Menentukan taraf nyata (α = 0,05) untuk menentukan tabel
3. Menyusun tabel penolong untuk menentukan hitung
4. Menghitung nilai hitung dengan rumus :
ρ= 1 – (6∑b)/(n (n^2-1)) —————- Rumus
Keterangan :
ρ : nilai korelasi rank spearman
b : jumlah kuadrat selisih ranking variabel x dan y atau RX – RY
n : jumlah sampel
200
5. Menurut kriteria pengujian :
Bila hitung > tabel, maka H1 diterima
Bila hitung < tabel, maka H0 diterima
6. Melakukan uji signifikansi menggunakan uji Z :
Z hitung = ρ/(√1/(n-1)) ——————- Rumus
Mengambil kesimpulan:
• Bila Z hitung > Z tabel, maka hubungan x dan y adalah signifikan.
• Bila Z hitung < Z tabel, maka hubungan x dan y
adalah tidaksignifikan
Berikut ini adalah contoh soal dari bahasan sebelumnya Korelasi Rank
Spearman .
Berikut adalah data hubungan antara Nilai Ujian Tengah Semester (UTS)
(X) dengan nilai Ujian Akhir Semester (UAS) (Y) dari 12 responden :
X Y
12 19
13 19
14 11
15 12
16 17
16 15
14 16
20 18
17 14
11 13
12 18
18 13
Sumber : Data fiktif
201
Buktikanlah hipotesis yang berbunyi “terdapat hubungan yang positif

antara Nilai UTS dan UAS” dengan menggunakan data tersebut!
Jawab :
1. Merumuskan hipotesis :
H0 : Tidak terdapat hubungan yang positif antara Nilai UTS dan UAS
H1 : Terdapat hubungan yang positif antara Nilai UTS dan UAS
2. Menentukan taraf signifikansi
Nilai α = 0,05
3. Menghitung hitung ρ :
X Y RX RY RX-RY (RX-RY)2
12 19 2,5 11,5 -9 81
13 19 4 11,5 -7,5 56,25
14 11 5,5 1 4,5 20,25
15 12 7 2 5 25
16 17 8,5 8 0,5 0,25
16 15 8,5 6 2,5 6,25
14 16 5,5 7 -1,5 2,25
20 18 12 9,5 2,5 6,25
17 14 10 5 5 25
11 13 1 3,5 -2,5 6,25
12 18 2,5 9,5 -7 49
18 13 11 3,5 7,5 56,25
∑b = 334
202
Untuk menghitung nilai ρ , maka harus disusun tabel sebagai berikut :
Masukkan ke Rumus yang ada di Korelasi Rank Spearman .
ρ= 1 – (6∑b)/(n (n^2-1)) —————- Rumus
ρ= 1 – (6.334)/(12 (12^-1))
ρ= 1 – 1,168
ρ= -0,168
Jadi,
Nilai hitung ρ = -0,168 (tanda “-“ hanya menunjukkan arah hubungan dua
variabel negatif). Nilai tabel (n=12) = 0,591 (=0,05)
4. Kesimpulan
Untuk itu, karena nilai hitung ρ < tabel, maka H0 diterima.

Kesimpulannya adalah hipotesis yang berbunyi : “tidak terdapat hubungan
antara nilai UTS dan UAS” diterima
203
J. Latihan
1. Di bawah ini disajikan data tentang harga rata-rata dollar Amerika dan
emas 24 karat di pasaran Jakarta tiap akhir tahun selama 1970 s/d 1978.
Harga dollar US Harga emas 24 karat

Tahun dalam rupiah dalam rupiah
1970 382,00 485,00
1971 420,00 622,00
1972 420,00 876,00
1973 420,00 1.483,00
1974 422,00 2.303,00
1975 420,00 1.900,00
1976 421,00 1.850,00
1977 420,00 2.150,00
1978 632,00 4.300,00
Sumber: Indikator Ekonomi, November 1979
204
Tentukan apakah terdapat Korelasi antara harga dollar US dan harga emas
24 karat? Jelaskan artinya!
2. Nur dan Hap diminta untuk menilai beberapa merek handphone. Dari 10
merek handphone yang diberikan akan dinilai manakah yang paling
bagus. Penilaian yang diberikan berkisar dari nilai paling rendah, yaitu 1
dan paling tinggi 10. Hasil dari penilaian disajikan pada tabel di bawah ini
Brand Nur Hap
Siemens BenQ 10 9
Alcatel 6 10
Samsung 8 8
O2 9 6
Sony Ericson 5 5
Vodafone 7 7
Motorola 4 3
Sanex 2 4
Nokia 1 1
LG 3 2
205
Apakah terdapat korelasi antara Nur dan Hap dalam memberikan

penilaian terhadap merek handphone?
3. Tabel dibawah ini menunjukkan berat badan, tinggi badan, dan umur
dari sampel random 12 anak laki-laki. Berat badan diukur dalam
pound, tinggi badan diukur dalam inci, dan umur diukur dalam tahun.
Berat Badan Tinggi Badan Umur

(X1) (X2) (Y)
64 57 8
71 59 10
53 49 6
67 62 11
55 51 8
58 50 7
77 55 10
57 48 9
56 52 10
51 42 6
76 61 12
68 57 9
Hitung koefisien korelasi antara variabel X1 dan X2 secara

bersama-sama dengan variabel Y.
206
4. Dua orang ibu rumah tangga diminta untuk mengemukakan tingkat

preferensinya terhadap sabun mandi berbagai merk. Hasilnya adalah
sebagai berikut :
Merk Sabun Mandi Ny. Witono Ny. Hartoko
A 3 5
B 5 6
C 8 4
D 12 9
E 10 8
F 7 12
G 9 11
H 1 3
I 4 1
J 6 2
K 2 10
L 11 7
Hitunglah nilai koefisien rank
5. Diketahui data jumlah SKS dan IPK mahasiswa sbb.

Jumlah SKS (X) IPK (Y)
10 3,00
10 2,50
15 2,00
10 1,50
5 1,00
Tentukan nilai koefisien korelasi dengan metode product moment

dan jelaskan artinya!
207
BAB VII
Regresi Linear Sederhana
Hubungan Antar Variabel

Regresi Linear Sederhana
Melakukan Prediksi Y Berdasarkan X
Perkembangan statistika di bidang ekonomi yang

dikenal dengan istilah ekonometrika dimulai
tahun 1920 dipelopori Ragnar Frisch (3 March
1895 – 31 January 1973) dan Jan Tinbergen.
Ekonometrika adalah cabang dari ilmu ekonomi
yang merupakan integrasi antara ekonomi,
matematika dan statistika. Walaupun demikian
powerful perkembangan ekonometrika kurang
mendapat sambutan hangat dari ekonom-ekonom besar yang kurang “sreg”
dengan pemodelan termasuk John Maynard Keynes. Keynes memandang
skeptis terhadap buku Tinbergen yang berjudul Statistical Testing for
Business Cycle Theory. Baru di akhir tahun 1940 dan awal 1950
ekonometrika mulai berkembang lagi yang dipelopori oleh Chernoff,
Haavelmo, Koopmans, Rubin dan Simon yang bekerja pada Cowles
Commision for Research in Economics.
Peran statistika cukup besar dalam ekonometrika terutama dalam
hal metode estimasi parameter model ekonometrika yang pada umumnya
terdiri dari beberapa persamaan yang saling terkait (sistem persamaan
simultan dan seemingly unrelated regression). Untuk mengestimasi
parameter sistem persamaan simultan Hendri Theil tahun 1956
menemukan suatu metode 2SLS (two stage least squares). Kemudian pada
tahun 1962 Zellner menemukan suatu metode SUR (Seemingly Unrelated
208
Regression) untuk mengestimasi parameter model sistem persamaan
regresi. Selanjutnya Theil bersama Zellner menemukan metode 3SLS
(three stage least squares) untuk mengestimasi sistem persamaan simultan
yang pada prinsipnya merupakan integrasi antara metode 2SLS dengan
metode SUR. Model ekonometrika pada umumnya dibangun berdasarkan
data yang bersifat time series, sehingga memunculkan model distribusi lag
maupun autoregressive yang dikembangkan oleh Nerlove pada tahun
1972. Pada umumnya model-model tersebut terjadi pelanggaran asumsi
klasik (autocorrelation, heteroscedasticity), sehingga belakangan muncul
suatu model yang dikenal dengan ARCH (autoregressive and conditional
heteroscedasticity).
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi

untuk menguji sejauh mana hubungan sebab akibat antara Variabel Faktor
Penyebab (X) terhadap Variabel Akibatnya. Faktor Penyebab pada
umumnya dilambangkan dengan X atau disebut juga dengan Predictor
sedangkan Variabel Akibat dilambangkan dengan Y atau disebut juga
dengan Response. Regresi Linear Sederhana atau sering disingkat dengan
SLR (Simple Linear Regression) juga merupakan salah satu Metode
Statistik yang dipergunakan dalam produksi untuk melakukan peramalan
ataupun prediksi tentang karakteristik kualitas maupun Kuantitas.
Contoh Penggunaan Analisis Regresi Linear Sederhana dalam Produksi
antara lain :
• Hubungan antara Lamanya Kerusakan Mesin dengan Kualitas
Produk yang dihasilkan
• Hubungan Jumlah Pekerja dengan Output yang diproduksi
• Hubungan antara suhu ruangan dengan Cacat Produksi yang
dihasilkan.
209
A. Hubungan Antar Variabel

Regresi dan korelasi keduanya mempunyai hubungan yang sangat erat.
Setiap regresi pasti ada korelasinya, tetapi korelasi belum tentu
dilanjutkan dengan regresi. Korelasi yang tidak dilanjutkan dengan regresi
adalah korelasi antara dua variabel yang tidak mempunyai hubungan
kausal/sebab akibat, atau hubungan fungsional. Untuk menetapkan kedua
variabel mempunyai hubungan kausall atau tidak, maka harus didasarkan
pada teori atau konsep-konsep tentang dua variabel tersebut.
210
Hubungan antara panas dengan tingkat muai panjang, dapat dikatakan

sebagai hubungan yang kausal, hubungan antara kepemimpinan dengan
kepuasan kerja pegawai dapat dikatakan hubungan yang fungsional,
hubungan antara kupu-kupu yang datang dengan banyaknya tamu di
rumah bukan merupakan hubungan kausal maupun fungsional.
Kita gunakan analisis regresi bila kita ingin mengetahui bagaimana
variabal dependen/kriteria dapat diprediksikan melalui variabel
independen atau variabel prediktor, secara individual. Dampak dari
penggunaan analisis regresi dapat digunakan untuk memutuskan apakah
naik dan menurunnya variabel dependen dapat dilakukan melalui
menaikan dan menurunkan keadaan variabel independen, atau
meningkatkan keadaan variabel dependen dapat dilakukan dengan
meningkatkan variabel independen/dan sebaliknya.
Regresi Sederhana didasarkan pada hubungan fungsional ataupun kausal
antara satu variabel independen dengan satu variabel dependen.Persamaan
umum regresi linier sederhana adalah :
Y=a+bX
Dimana :
Y = subyek dalam variabel dependen yang diprediksikan/variabel terikat
a = harga Y bila X = 0 (harga konstan)
b = angka arah atau koefisien regresi, yang menunjukkan angka
peningkatan ataupun penurunan variabel dependen yang didasarkan pada
variabel independen. Bila b (+) maka naik, dan bila (-) maka terjadi
penurunan.
X = subyek pada variabel Independen yang mempunyai nilai
tertentu/variabel bebas.
211
Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah

ini :
a = (Σy) (Σx²) - (Σx) (Σxy)

n(Σx²) – (Σx)²
b = n(Σxy) – (Σx) (Σy)

n(Σx²) – (Σx)²
Bayangkan kita mempunyai sebuah pabrik. dan kita ingin

mengetahui ketika suhu X ada berapa produk yang diprediksi cacat? .
disini kita dapat menggunakan regresi linear untuk melakukan analisa.
Analisis regersi berguna untuk mendaptkan hubungan fungsional
antara dua variabel atau lebih. Selain itu analisis regersi berguna untuk
mendapatkan pengaruh antar variabel prediktor terhadap variabel
kriteriumnya atau meramalkan pengaruh variabel prediktor terhadap
variabel kriteriumnya (Usman & Akbar, 2006).
B. Melakukan Prediksi Y Berdasarkan X
Berikut ini adalah Langkah-langkah dalam melakukan Analisis Regresi

Linear Sederhana :
1. Tentukan Tujuan dari melakukan Analisis Regresi Linear

Sederhana
2. Identifikasikan Variabel Faktor Penyebab (Predictor) dan Variabel
Akibat (Response)
3. Lakukan Pengumpulan Data
212
4. Hitung X², Y², XY dan total dari masing-masingnya

5. Hitung a dan b berdasarkan rumus diatas.
6. Buatkan Model Persamaan Regresi Linear Sederhana.
7. Lakukan Prediksi atau Peramalan terhadap Variabel Faktor
Penyebab atau Variabel Akibat.
Contoh Kasus Analisis Regresi Linear Sederhana
Seorang Engineer ingin mempelajari Hubungan antara Suhu Ruangan

dengan Jumlah Cacat yang diakibatkannya, sehingga dapat memprediksi
atau meramalkan jumlah cacat produksi jika suhu ruangan tersebut tidak
terkendali. Engineer tersebut kemudian mengambil data selama 30 hari
terhadap rata-rata (mean) suhu ruangan dan Jumlah Cacat Produksi.
Penyelesaian :
Penyelesaiannya mengikuti Langkah-langkah dalam Analisis Regresi

Linear Sederhana adalah sebagai berikut :
Langkah 1 : Penentuan Tujuan
Tujuan : Memprediksi Jumlah Cacat Produksi jika suhu ruangan tidak

terkendali
Langkah 2 : Identifikasikan Variabel Penyebab dan Akibat
Varibel Faktor Penyebab (X) : Suhu Ruangan,

Variabel Akibat (Y) : Jumlah Cacat Produksi
213
Langkah 3 : Pengumpulan Data
Berikut ini adalah data yang berhasil dikumpulkan selama 30 hari

(berbentuk tabel) :
Rata-rata Suhu
Tanggal Ruangan Jumlah Cacat
1 24 10
2 22 5
3 21 6
4 20 3
5 22 6
6 19 4
7 20 5
8 23 9
9 24 11
10 25 13
11 21 7
12 20 4
13 20 6
14 19 3
15 25 12
16 27 13
17 28 16
18 25 12
19 26 14
20 24 12
214
21 27 16
22 23 9
23 24 13
24 23 11
25 22 7
26 21 5
27 26 12
28 25 11
29 26 13
30 27 14
Langkah 4 : Hitung X², Y², XY dan total dari masing-masingnya
Berikut ini adalah tabel yang telah dilakukan perhitungan X², Y², XY dan
totalnya :
Rata-rata Jumlah
Tanggal Suhu Cacat X2 Y2 XY
Ruangan (X) (Y)
1 24 10 576 100 240
2 22 5 484 25 110
3 21 6 441 36 126
4 20 3 400 9 60
5 22 6 484 36 132
6 19 4 361 16 76
7 20 5 400 25 100
8 23 9 529 81 207
9 24 11 576 121 264
215
10 25 13 625 169 325

11 21 7 441 49 147
12 20 4 400 16 80
13 20 6 400 36 120
14 19 3 361 9 57
15 25 12 625 144 300
16 27 13 729 169 351
17 28 16 784 256 448
18 25 12 625 144 300
19 26 14 676 196 364
20 24 12 576 144 288
21 27 16 729 256 432
22 23 9 529 81 207
23 24 13 576 169 312
24 23 11 529 121 253
25 22 7 484 49 154
26 21 5 441 25 105
27 26 12 676 144 312
28 25 11 625 121 275
29 26 13 676 169 338
30 27 14 729 196 378
Total
(Σ) 699 282 16487 3112 6861
216
Langkah 5 : Hitung a dan b berdasarkan rumus Regresi Linear

Sederhana
Menghitung Konstanta (a) :
a = (Σy) (Σx²) – (Σx) (Σxy)

. n(Σx²) – (Σx)²
a = (282) (16.487) – (699) (6.861)

30 (16.487) – (699)²
a = -24,38
Menghitung Koefisien Regresi (b)
b = n(Σxy) – (Σx) (Σy)

. n(Σx²) – (Σx)²
b = 30 (6.861) – (699) (282)

. 30 (16.487) – (699)²
b = 1,45
Langkah 6 : Buat Model Persamaan Regresi
Y = a + bX
Y = -24,38 + 1,45X
Langkah 7 : Lakukan Prediksi atau Peramalan terhadap Variabel

Faktor Penyebab atau Variabel Akibat
217
I. Prediksikan Jumlah Cacat Produksi jika suhu dalam keadaan tinggi

(Variabel X), contohnya : 30°C
Y = -24,38 + 1,45 (30)

Y = 19,12
Jadi Jika Suhu ruangan mencapai 30°C, maka akan diprediksikan akan
terdapat 19,12 unit cacat yang dihasilkan oleh produksi.
II. Jika Cacat Produksi (Variabel Y) yang ditargetkan hanya boleh 4 unit,
maka berapakah suhu ruangan yang diperlukan untuk mencapai target
tersebut ?
4 = -24,38 + 1,45X
1,45X = 4 + 24,38
X = 28,38 / 1,45
X = 19,57
Kesimpulan :Jadi, Prediksi Suhu Ruangan yang paling sesuai untuk

mencapai target Cacat Produksi adalah sekitar 19,57°C
C. Latihan :
1. Manakah hubungan diantara variable berikut ini yang dapat dikatakan
sebagai hubungan yang kausal?
a. Hubungan antara kejatuhan taik cicak dengan kedatangan rezeki.
b. Hubungan antara duduk dibantal dengan bisulan.
c. Hubungan antara mengkonsumsi wortel dengan penurunan rabun dekat.
d. Hubungan antara pengaruh stress dengan kinerja manusia.
218
e. Hubungan antara memasak makanan keasinan dengan keinginan

menikah.
Jawaban : D
2. Seorang Mahasiswa ingin melakukan sebuah penelitian terhadap pohon

Mahoni, ia ingin meneliti apakah ada hubungan antara tinggi pohon
dengan diameter batang pohon tersebut.
Penyelesaian :
1. Tentukan Tujuan dari melakukan Analisis Regresi Linear
Sederhana
Tujuan : Mengetahui hubungan antara tinggi pohon dengan diameter
batang pohon Mahoni.
2. Identifikasikan Variabel Faktor Penyebab (Predictor) dan
Variabel Akibat (Response)
Y=Tinggi Pohon
X=Diameter Batang Pohon
3. Lakukan Pengumpulan Data
219
4. Hitung X², Y², XY dan total dari masing-masingnya
5. Hitung a dan b.
Maka diperoleh :
6. Buatkan Model Persamaan Regresi Linear Sederhana.

Persamaan regresi diperoleh :
Y' = -1,3147 + 4,5413X
Dimana :
Y' = Tinggi pohon mahoni yang diprediksi
X = Diameter batang pohon mahoni
220
7. Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab

atau Variabel Akibat.
Nilai a = -1,3147 artinya tidak ada diameter batang pohon maka tidak
ada tinggi pohon. (karena tidak ada tinggi yang bernilai negatif
sehingga dianggap nol).
Nilai b = 4,5413 artinya jika terjadi peningkatan diameter batang pohon
mahoni satu satuan maka akan terjadi peningkatan tinggi pohon
mahoni sebesar 4,5413 satuan.
Memprediksitinggi pohon Mahoni jika diameter pohon tersebut (Variabel

X), contohnya : 10 satuan
Y = -1,3147 + 4,5413(10)
Y = 44,0983
Jadi Jika diameter pohon tersebut 10 satuan, maka akan diprediksikan

akan terdapat 44,0983 satuan tinggi pohon tersebut.
Kesimpulan :Jadi, Prediksi Tinggi Pohon yang paling sesuai untuk pohon
yang berdiameter 10 satuan adalah sekitar 44,0983 satuan
Latihan
1. Diketahui suatu penelitian terhadap hubungan antara nilai biaya

periklanan dengan tingkat penjualan dari sebuah koperasi adalah
sebagai berikut : (dalam ribuan rupiah)
221
Biaya periklanan Tingkat Penjualan

50 40
51 46
52 44
53 55
54 49
a. Tentukan persamaan regresinya

b. Berapa besarnya koefisien korelasi dan koefisien determinasinya ?
c. Berapa besarnya kesalahan standar estimasinya ?
d. Dengan tingkat signifikasi 10%, ujilah hipotesis yang menyatakan
bahwa hubungan antara biaya periklanan dan tingkat penjualan
sedikitnya 40%!
2. Dari data suatu penelitian ”PENGARUH PENGALAMAN KERJA

TERHADAP PENJUALAN BARANG ELEKTRONIK DI
KABUPATEN GRESIK” Data dianggap memenuhi asumsi dan
persyaratan analisis; data dipilih secara random; berdistribusi normal;
berpola linier; data sudah homogen dan mempunyai pasangan yang
sama sesuai dengan subjek yang sama. Data sebagai berikut:
Pengalaman Kerja
2 3 1 4 1 3 2 2
(X) tahun
Penjualan Barang
50 60 30 70 40 50 40 35
Elektronik (Y) unit
Pertanyaan :
a. Bagaimana persamaan regrensinya?
222
b. Gambarkan diagram pancarnya!

c. Gambarkan arah garis regresi!
d. Buktikan apakah ada pengaruh yang signifikan antara
pengalaman kerja (X) terhadap penjualan barang elektronik (Y)
e. Buktikan apakah data tersebut berpola linier?
223
BAB VIII
UJI BEDA DUA MEAN INDEPENDEN (HUBUNGAN
KATEGORIK DENGAN NUMERIK)
Uji Beda Dua Mean Independen

(Uji t Independen)
Uji Beda Dua Mean
Independen
Uji Beda Dua Mean Independen
(Uji t Mann-Whitney)
Lahir di Vienna, Austria-Hungaria, dalam

keluarga Yahudi, Mann memperoleh gelar
Ph.D. pada matematika pada tahun 1935 dari
University of Vienna dibawah supervisi Philipp
Furtwangler. Mann pindah ke US pada tahun
1938, dan tinggal di New York, menjadi tutor
bagi siswa untuk memenuhi kebutuhan
hidupnya. Pada tahun 1942 Carnegie
Foundation menganugrahi Mann beasiswa untuk mempelajari Statistika
Ketika melaksanakan grup penelitian operasi dari Harold Hotelling di
Columbia University. Grupnya juga didukung oleh Abraham Wald, Wald
dan Mann berkolaborasi dalam beberapa paper.
Dalam statistic, Mann dikenal dengan uji Mann-Whitney atau yang
lebih dikenal dengan u-test dan hubungannya dengan uji hipotesis untuk
statistik nonparametric. Kolaborasi dengan Wald, Mann mengembangkan
Teorema Mann-Wald dari statistik Asimtotik dan ekonometriks. Mann
menulis buku matematika pertamanya yaitu “Design of Experiments
Mann” pada tahun 1949, yang prinsipnya memungkinkan ahli statistic
kemudian untuk merancang dan menganalisis eksperimen yang
disesuaikan. Seperti buku “Self-Help” dan “How To” kontemporer, buku-
224
buku sebelumnya memberikan contoh yang mudah diikuti. Buku-buku
sebelumnya juga memberikan contoh yang berguna dari eksperimen yang
dirancang Bersama dengan desain analisis varians.
Tujuan Uji t dua mean dua kelompok adalah untuk membandingkan

(membedakan) apakah kedua mean tersebut sama atau berbeda. Gunanya
untuk menguji kemampuan generalisasi (signifikansi hasil penelitian yang
berupa perbandingan keadaan variabel dari dua rata-rata
sampel/kelompok).
A. Uji Beda Dua Mean Independen (Uji t Independen)

Tujuan pengujian ini adalah untuk menguji perbedaan mean antara
dua kelompok data Independen, Contoh;
1. Apakah ada perbedaan rata-rata berat badan bayi antara ibu yang
merokok dengan ibu yang tidak merokok.
2. Apakah ada perbedaan kadar Hb ibu antara ibu yang menyusui
ekslusif dengan ibu yang tidak menyusui ekslusif.
Syarat yang harus di penuhi:
1. Distribusi data harus normal
2. Kedua kelompok berbeda (independen)
3. Variabel yang dihubungkan adalah kategorik dengan Numerik (hanya
dua kelompok)
Uji Homogenitas Varian
Uji beda dua mean tujuannya adalah untuk melihat perbedaan variasi
kedua kelompok data. Oleh sebab itu harus diketahui dulu apakah varian
kedua kelompok data yang diuji sama atau tidak, untuk mengetahui varian
kedua kelompok digunakan Uji F.
225
𝑆12
𝐹=
𝑆2 2
df1 (Pembilang) = n1 – 1
df2 (Penyebut) = n2 – 1
Pada uji F, varian yang lebih besar berfungsi sebagai pembilang dan
varian yang lebih kecil berfungsi sebagai penyebut.
Uji F digunakan untuk menentukan apakah varian kedua kelompok
sama atau berbeda. Ketentuannya sebagai berikut:
Pendekatan klasik:
Jika nilai F hitung < nilai tabel, maka varian sama
Jika nilai F hitung ≥ nilai tabel, maka varian berbeda
Pendekatan probabilistik:
Jika p value >𝖺 (0,05), maka varian sama
Jika p value ≤ 𝖺 (0,05), maka varian berbeda
1. Uji Beda Dua Mean Independen Untuk Varian Sama

𝑋
1− 𝑋
2
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 =
𝑆 √1 + 1
𝑝 𝑛
𝑛1 2
(𝑛1 − 1)𝑆12 + (𝑛2 − 1)𝑆22

𝑆𝑝 = √ = 0,75
𝑛1 + 𝑛2 − 2
𝑑𝑓 = 𝑛1 + 𝑛2 − 2
Keterangan:
X1 = Rata-rata sampel 1
X2 = Rata-rata sampel 2
S1 = Standar deviasi kelompok 1
226
S2 = Standar deviasi kelompok 2

Sp = Standar deviasi Pool (gabungan standar deviasi kelompok 1 dan
kelompok 2)
Contoh soal:
Seorang dosen Stikes menduga bahwa ada perbedaan berat badan
bayi badan antara ibu yang merokok dibandingkan ibu yang tidak
merokok, kemudian dilakukan survey dengan mengambil sampel 30
responden ibu bersalin, yang terdiri dari 14 orang ibu merokok dan 16
orang ibu yang tidak merokok. Setelah data diolah didapatkan rata-
rata berat badan bayinya ibu yang merokok adalah 2,4 Kg dengan
standar deviasi 0,8 Kg. sementara itu, rata-rata berat badan bayi ibu
yang tidak merokok adalah 3,6 Kg dengan standar deviasi 0,7 Kg.
Berdasarkan data tersebut buktikan dugaan dosen Stikes tersebut
dengan alpha 5% (asumsi distribusi data normal).
Langkah-Langkah Menjawab
Langkah 1. Membuat Ha dan Ho dalam bentuk kalimat :
Ha : Terdapat perbedaan yang signifikan berat badan bayi antara ibu yang
merokok dengan ibu yang tidak merokok.
Ho: Tidak terdapat perbedaan yang signifikan berat badan bayi antara ibu
yang merokok dengan ibu yang tidak merokok.
Dengan Ha seperti di atas berarti ujinya dengan two tail (dua arah)
Langkah 2. Membuat Ha dan ho model statistik :
Ha: 𝜇1 ≠ 𝜇2
Ho:𝜇1 = 𝜇2
Langkah 3. Melakukan pemeriksaan homogenitas varian kedua data
dengan menggunakan uji F.
227
0,82
Penghitungan Uji F: 𝐹= = 1,31
0,72
𝑑𝑓1 = 14 − 1 = 13
𝑑𝑓2 = 16 − 1 = 15
Dari nilai F dan kedua df tersebut kemudian dilihat pada tabel F, df1 =
13 sebagai pembilang dan df2 = sebagai penyebut. Adapun cara
mencarinya adalah sebagai berikut:
Jika df pembilang atau penyebut tidak ada, maka diambil pembilang
atau penyebut yang lebih kecil, karena pembilang 13 tidak ada maka
diambil pembilang yang lebih kecil yaitu pembilang 12. Pada tabel F ada
tiga bagian, yaitu df pembilang, df penyebut dan area. Bagian area
menunjukkan nilai alphanya atau nilai p. Nilai area dimulai dari dk 5%
(p=0,05) turun sampai dengan dk 1% (p=0,01), yang berarti semakin
keatas nilai areanya semakin besar nilai p-nya.
Tabel distribusi F
Df/dk 1 2 … 12 14 Dst.
1
2
…
15 2,48..(0,05)
3,67..(0,01)
Dst.
Pendekatan klasik:
Terlihat bahwa pada pembilang 12 danpenyebut 15 maka
nilaitabelnya adalah 2,48,sedangkan nilai F hitung adalah 1,31.sehingga
dikatakan nilai F hitung < nilai tabel,maka varian sama.
Pada soal di atas nilai F = 1,31 dan terlihat angka tersebut terletak di
atas angka 2,48 pada area dk 5% (p=0,05) artinya nilai p > 5%, sehingga
228
keputusannya: Ho gagal ditolak. Ini berarti varian berat badan bayi ibu
yang merokok sama dengan varian berat badan bayi ibu yang tidak
merokok. Kesimpulan; varian kedua kelompok sama.
Langkah 4. Melakukan perhitungan dengan uji t varian sama
Diketahui:
n1 = 14 orang mean1 = 2,4 Kg S1 = 0,8 Kg
n2 = 14 orang mean2 = 2,4 Kg S2 = 0,8 Kg
2,4−3,6 2
(14−1)0,8 +(16−1)0,7 2
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑆 √ 1+ 1 𝑆𝑝 = √ 14+16−2
= 0,75
𝑝 14 16
2,4−3,6 −1,2
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = 1 1 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = = 4,44
0,75√ + 0,27
14 16
𝑑𝑓 = 14 + 16 − 2 = 28
Langkah 5. Mencari p value di tabel t. (nilai min (-) ditabel tidak di

pakai)
Cara mencarinya, tabel t terdiri dari kolom dan baris. Baris
menunjukkan nilai dk dan kolom menunjukkan nilai alpha (nilai p).
Angka dalam tabel menunjukkan nilai t tabel yang nantinya digunakan
untuk konversi dengan nilai t hitung. Pada bagian kolom semakin ke
kanan nilai alphanya akan semakin kecil. Untuk uji perbedaan atau
hubungan maka menggunakan alpha uji dua pihak (two tail).
Cara I: Untuk mengetahui cara mencari nilai p value pada df = 28, ikuti
ilustrasi berikut:
229
Pada soal di atas nilai t tabel adalah 2,048 sedangkan t hasil = 4,44.
Dengan demikian t hasil > t tabel, maka Ho ditolak artinya ada perbedaan
yang signifikan.
Cara II: dengan df = 28, makanilai t hasil = 4,444 tersebut terletak
disebelah kanan dari nilai 2,763 atau kalau kita sejajarkan dengan nilai p
value alpha uji dua pihak, maka terletak disebelah kanan dari nilai p =
0,01. Maka kesimpulannya p < alpha (0,05) artinya Ho di tolak dan ada
perbedaan yang signifikan.
Langkah 6. Keputusan Uji Statistik
Hasil perhitungan didapatkan nilai r hitung > r tabel atau p value <
nilai alpha (0,05), maka dapat disimpulkan Ho ditolak.dengan
menggunakan alpha 5% dapat disimpulkan bahwa secara statistik terdapat
perbedaan yang signifikan rata-rata berat badan bayi antara yang
dilahirkan ibu yang merokok dengan ibu yang tidak merokok.
2. Uji Beda Dua Mean Independen Untuk Varian Sama

𝑋
1− 𝑋
2
2 2
√ 𝑆1 + 𝑆2
𝑛1 𝑛2
2 2 2
𝑆 𝑆
[ 𝑛1 + 𝑛2 ]
1 2
𝑑𝑓 = 2
2 2 2
(𝑆1 ) ( 𝑆2 )
𝑛1 𝑛2
[ ]+[ ]
𝑛1−1 𝑛2−1
Contoh soal:
Seorang penelitian menduga bahwa ada perbedaan berat badan
mahasiswa laki-laki dibandingkan dengan mahasiswa perempuan,
kemudian dilakukan survei dengan mengambil sampel 30 mahasiswa,
230
yang terdiri dari 14 orang laki-laki dan 16 orang perempuan. Setelah

data diolah didapatkan rata-rata berat badan mahasiswa laki-laki
adalah 65 Kg dengan standar deviasi 8 Kg. Sementara itu, rata-rata
berat badan mahasiswa perempuan adalah 5 Kg dengan standar
deviasi 5 Kg. Berdasarkan data tersebut buktikan dugaan peneliti
tersebut dengan menggunakan alpha 5% (asumsi distribusi data
normal).
Ha : Terdapat perbedaan yang signifikan berat badan mahasiswa laki-laki
dengan mahasiswa perempuan
Ho: Tidak terdapat perbedaan yang signifikan berat badan mahasiswa
laki-laki dengan mahasiswa perempuan
Ha: 𝜇1 ≠ 𝜇2
Ho:𝜇1 = 𝜇2
Langkah 3. Melakukan pemeriksaan homogenitas varian kedua data
dengan menggunakan uji F.
Penghitungan Uji F:
82
𝐹= = 2,56
52
𝑑𝑓1 = 14 − 1 = 13
𝑑𝑓2 = 16 − 1 = 15
Dari nilai F dan kedua df tersebut kemudian dilihat pada tabel F, df1 =
13 sebagai pembilang dan df2 = sebagai penyebut. Adapun cara
mencarinya adalah sebagai berikut:
231
Jika df pembilang atau penyebut tidak ada, maka diambil pembilang

atau penyebut yang lebih kecil, karena pembilang 13 tidak ada maka
diambil pembilang yang lebih kecil yaitu pembilang 12. Pada tabel F ada
tiga bagian, yaitu df pembilang, df penyebut dan area. Bagian area
menunjukkan nilai alphanya atau nilai p. Nilai area dimulai dari dk 5%
(p=0,05) turun sampai dengan dk 1% (p=0,01), yang berarti semakin
keatas nilai areanya semakin besar nilai p-nya.
Tabel distribusi F
Df/dk 1 2 … 12 14 Dst.
1
2
…
15 2,48..(0,05)
3,67..(0,01)
Dst.
Pendekatan klasik:
Terlihat bahwa pada pembilang 12 dan penyebut 15 maka nilai
tabelnya adalah 2,48, sedangkan nilai F hitung adalah 2,56. Sehingga
dikatakan nilai F hitung > nilai tabel, maka varian berbeda.
Pada soal di atas nilai F = 2,56 dan terlihat angka tersebut terletak di
atas angka 2,48 pada area dk 5% (p=0,05) artinya nilai p > 5%, sehingga
keputusannya: Ho ditolak. Ini berarti varian berat badan mahasiswa laki-
laki berbeda dengan varian berat badan bayi mahasiswa perempuan.
Kesimpulan; varian kedua kelompok berbeda.
Langkah 4. Melakukan perhitungan dengan uji tvarian berbeda
n1 = 14 orang mean1 = 65 Kg S1 = 8 Kg
n2 = 16 orang mean2 = 55 Kg S2 = 5 Kg
232
65 − 55 10 10 10
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = = = = = 4,03
82 52 √4,57 + 1,56 √6,13 2,48
√ +
14 16
82 52 2
[ + ] [4,57 + 1,56]2 6,132 37,58
14 16 = =
𝑑𝑓 = 82 2 52 2
20,9 2,43 1,608 + 0,162 = 1,77
[ (14) ] + [ (16) ] [ ]+[ ]
13 15
14 − 1 16 − 1
= 21,23 = 21
Langkah 5. Mencari p value di tabel t. (nilai min (-) ditabel tidak di
pakai)
Cara mencarinya, tabel t terdiri dari kolom dan baris. Baris
menunjukkan nilai dk dan kolom menunjukkan nilai alpha (nilai p).
Angka dalam tabel menunjukkan nilai t tabel yang nantinya digunakan
untuk konversi dengan nilai t hitung. Pada bagian kolom semakin ke
kanan nilai alphanya akan semakin kecil. Untuk uji perbedaan atau
hubungan maka menggunakan alpha uji dua pihak (two tail).
ilustrasi berikut:
Dengan demikian t hasil > t tabel, maka Ho ditolak artinya ada perbedaan
yang signifikan.
value alpha uji dua pihak, maka terletak disebelah kanan dari nilai p =
0,01. Maka kesimpulannya p < alpha (0,05) artinya Ho di tolak dan ada
233
Hasil perhitungan didapatkan nilai r hitung > r tabel atau p value <
nilai alpha (0,05), maka dapat disimpulkan Ho ditolak.dengan
menggunakan alpha 5% dapat disimpulkan bahwa secara statistik terdapat
perbedaan yang signifikan rata-rata berat antara mahasiswa laki-laki
dengan mahasiswa perempuan.
B. Uji Beda Dua Mean Independen (Uji Mann-Whitney)

Bila ingin mengetahui perbedaan rata-rata dari dua kelompok yang
berbeda, kemudian distribusi data tersebut tidak normal sebaiknya jangan
menggunakan uji t independen, tetapi yang tepat menggunakan uji
nonparametrik yaitu uji Mann-Whitney.
Terdapat dua rumus yang digunakan untuk pengujian, kedua rumus
tersebut digunakan dalam perhitungan, karena akan digunakan untuk
mengetahui harga U mana yang lebih kecil. Harga U yang lebih kecil
tersebut yang akan digunakan utuk pengujian dan membandingkan dengan
U tabel.
𝑛1(𝑛1 + 1)
𝑈1 = 𝑛1𝑛2 + [ − 𝑅1]
2
𝑛2(𝑛2 + 1)
𝑈2 = 𝑛1𝑛2 + [ − 𝑅 2]
2
Keterangan:
n1 = jumlah sampel 1
n2 = jumlah sampel 2
U1= jumlah peringkat 1
U2= jumlah peringkat 2
R1= jumlah ranking pada sampel n1
R2= jumlah ranking pada sampel n2
234
Contoh kasus:
Suatu penelitian ingin mengetahui perbedaan berat badan anak antara
anak yang ibunya bekerja dan anak yang ibunya tidak bekerja. Kemudian
melakukan penimbangan berat badan dengan pengambilan sampel 12
anak yang ibunya bekerja dan 15 anak yang ibunya tidak bekerja. Hasil
pengukuran didapatkan data sebagai berikut: (asumsi distribusi data tidak
normal).
BB anaknya ibu bekerja: 16, 18, 10, 12, 16, 14, 15, 10, 12, 15, 16,11
(dalam Kg)
BB anaknya ibu tidak bekerja: 19, 19, 21, 25, 26, 27, 23, 27, 19, 19, 25,
27, 23, 19, 29 (dalam Kg)
Jawaban:
1. Langkah 1: Hipotesis
Ho: tidak ada perbedaan berat badan anak antara anaknya ibu bekerja
dan ibu tidak bekerja.
Ha: ada perbedaan berat badan anak antara anaknya ibu bekerja dan
ibu tidak bekerja.
2. Langkah 2: Kriteria Pengujian
Nilai U yang terkecil > nilai U tabel, maka Ho gagal ditolak
Nilai U yang terkecil < nilai U tabel, maka Ho ditolak
3. Langkah 3: Penyajian Data
Data dua kelompok disatukan dan diurutkan dari yang terkecil.
No BB anak Peringkat NO BB anak Peringkat
1 10 1,5 16 19 15
2 10 1,5 17 21 15
3 11 3 18 21 18
4 12 4,5 19 23 19,5
235
5 12 4,5 20 23 19,5
6 14 6 21 25 21,5
7 15 7,5 22 25 21,5
8 15 7,5 23 26 23
9 16 10 24 27 25
10 16 10 25 27 25
11 16 10 26 27 25
12 18 12 27 29 27
13 19 15
14 19 15
15 19 15
No BB anak Peringkat NO BB anak Peringkat

1 16 10 13 19 15
2 18 12 14 19 15
3 10 1,5 15 21 18
4 12 4,5 16 25 21,5
5 16 10 17 26 23
6 14 6 18 27 25
7 15 75 19 23 19,5
8 10 1,5 20 27 25
9 12 4,5 21 19 15
10 15 7,5 22 19 15
11 16 10 23 25 21,5
12 11 3 24 27 25
25 23 19,5
236
26 19 15
27 29 27
Jumlah R1=78 Jumlah R2=300
4. Langkah 4: Perhitungan:
𝑛1(𝑛1 + 1) 12(12 + 1)
𝑈1 = 𝑛1𝑛2 + [ − 𝑅1] = 12𝑥15 + [ − 78]
2 2
= 180 + 0 = 180
𝑛2(𝑛2 + 1) 15(15 + 1)
𝑈2 = 𝑛1𝑛2 + [ − 𝑅2] = 12𝑥15 + [ − 300]
2 2
= 180 + (−180) = 0
5. Langkah 5: pengujian hipotesis

Berdasarkan hasil perhitungan ternyata U2 lebih kecil daripada U1,
dengan demikian nilai U2 yang akan dibandingkan dengan U tabel.
Dengan meihat tabel mann-whitney ternyata pada sampel 12 dan 15
nilai U tabel = 42. Dengan demikian nilai U hitung (0) < nilai U tabel
(42), maka Ho ditolak.
6. Kesimpulan:
Ada perbedaan yang bermakna berat badan anak antara anaknya ibu
bekerja dengan anaknya ibu yang tidak bekerja.
Latihan kasus:
1. Seorang kepala puskesmas berpendapat bahwa rata-rata kadar Hb ibu
hamil yang bekerja lebih rendah dibandingkan dengan kadar Hb ibu
hamil yang tidak bekerja. Untuk membuktikan pendapatnya
kemudian dilakukan survei dengan mengambil sampel 10 orang ibu
hamil bekerja dan 8 orang ibu hamil tidak bekerja. Hasil pengolahan
237
data didapatkan bahwa rata-rata kadar Hb ibu hamil yang bekerja

10,5gr% dengan standar deviasi 1,5gr. Sedangkan kadar Hb ibu hamil
yang tidak bekerja rata-rata 11,3gr% dengan standar deviasi 1,7gr%.
Berdasarkan data tersebut ujilah pendapat kepala puskesmas tersebut,
alpha= 5% (asumsi distribusi data normal).
2. Seorang dosen menduga bahwa ada perbedaan tekanan darah
mahasiswa antara yang mahasiswa yang belum menikah dengan
mahasiswa yang sudah menikah. Untuk membuktikan hal tersebut
kemudian dilakukan survei dengan mengambil sampel 50 mahasiswa.
Hasil survei didapatkan bahwa dari 30 mahasiswa yang belum
menikah rata-rata tekanan darahnya 115 mmHg dengan varian 100
mmHg, kemudian dari 20 mahasiswa yang sudah menikah rata-rata
tekanan darahnya 100 mmHg dengan varian 25 mmHg. Berdasarkan
data tersebut buktikan dugaan dosen tersebut dengan alpha 5%
(asumsi distribusi data normal).
3. Sebanyak 22 mahasiswa yang mengalami obesitas melakukan
program penurunan berat badan, dimana mahasiswa tersebut
meminum obat penurun berat badan selama tiga bulan, obat A
diberikan kepada 12 mahasiswa. Hasil pengukuran penurunan berat
badan setelah tiga bulan adalah:
Obat A: 9, 8, 9, 7, 8, 9, 5, 7, 4, 7 (kg)
Obat B: 4, 6, 7, 3, 5, 3, 4, 6, 6, 8, 4, 9 (kg)
Ujilah apakah ada perbedaan penurunan berat badan antara kedua
obat tersebut, dengan alpha 5% (Asumsi distribusi data normal).
4. Seorang peneliti ingin mengetahui perbedaan berat badan antara
mahasiswa yang tinggal di rumah dengan mahasiswa yang tinggaldi
238
kost. Kemudian melakukan survei dengan mengukur berat badan dan

didapatkan hasil sebagai berikut:
Mahasiswa yang di rumah: 65, 70, 50, 67, 58, 80, 75, 67, 58, 69, 76,
59, 88 (Kg)
Mahasiswa yang di kost: 56, 45, 56, 55, 48, 49, 49, 65, 59, 67, 65, 65
(Kg)
Buktikan dugaan peneliti dengan alpha % (asumsi distribusi data
tidak normal)
239
BAB IX
UJI BEDA DUA MEAN DEPENDEN
(HUBUNGAN KATEGORIK DENGAN NUMERIK)
Uji Beda Dua Mean Dependen
(Uji t Dependen)
Uji Beda Dua Mean
Dependen
Uji Beda Dua Mean Dependen
(Uji Wilcoxon)
Frank Wilcoxon dan saudara kembar

perempuannya lahir pada 2 September 1892 di
Irlandia. Frank Wilcoxon dibesarkan di Catskill,
New York di tepi Sungai Hudson. Wilcoxon
seorang pecinta alam tetapi bukan seorang
pemburu. Saat remaja, Wilcoxon mendaftar
sebagai anggota kru di sebuah kapal barang di
pelabuhan New York. Pada usia 16 tahun,
Wilcoxon melarikan diri ke daerah terpencil di West Virginia menjadi
penjaga sumur minyak pompa dan tertarik di bidang kehutanan. Di Boston,
Wilcoxon melanjutkan sekolah kehutanan. Kemudian mendaftar sekolah
militer dan lulus tahun 1917, dengan gelar B.Sc. Sayangnya, sistem
sekolah militer ini tidak sesuai dengan keinginannya Di masa yang sama,
saudara perempuannya meninggal karena melahirkan, membuat Wilcoxon
tak ingin berumah tangga. Setelah Perang Dunia Pertama, beliau
mendaftar studi pascasarjana di Universitas Rutgers (dianugerahi gelar
master dalam bidang kimia) di tahun 1921. Tahun 1924, Wilcoxon
memperoleh gelar Ph.D. dalam kimia fisik di Universitas Cornell.
Selama 25 tahun, Wilcoxon bekerja sebagai ahli kimia di berbagai
perusahaan kimia besar di Amerika Serikat. Hanya selama tujuh tahun
terakhir kehidupan kerjanya, resmi dipekerjakan sebagai ahli statistik.
240
Namun, minat Wilcoxon pada statistik dimulai pada tahun 1925, ketika
Wilcoxon ingin merancang uji statistik efektivitas berbagai jenis
insektisida dan fungisida. Wilcoxon memimpin kelompok penelitian
mengenai pengembangan berbagai insektisida berbasis piretrin, termasuk
Malathion. Karya statistiknya berkonsentrasi pada merancang metode
pengujian yang sederhana dan mudah dipahami (ciri-ciri tes non-
parametrik) dan beliau dikenal dalam tes peringkat bertanda Wilcoxon
yang diperkenalkan dalam makalah tahun 1945 (Frank Wilcoxon – Oxford
Reference, no date). Tahun 1960-1965, Wilcoxon mengajar kursus statistik
terapan sebagai Dosen Terhormat di Departemen Statistik di Florida State
University di Tallahassee di Departemen Statistik.
Pada bulan April 1962 di pertemuan gabungan Institut Statistik
Matematika dan Wilayah Amerika Utara Bagian Timur dari Masyarakat
Biometrik diadakan di Chapel Hill Wilcoxon memberikan pidato
mengenai tes peringkat dua sampel. Terdapat 80 artikel Wilcoxon, 22 di
antaranya berhubungan dengan penggunaan dan prosedur statistik.
Wilcoxon memang berfokus pada rapid metode statistik, khususnya
mengenai tes metode statistik peringkat. Penelitian Florida State
University termasuk sekuensial, dua sampel, tes peringkat yang
dikelompokkan, tabel tingkat signifikan, distribusi peringkat-jumlah dalam
klasifikasi dua arah, dan tes non-parametrik dua sampel multivariat. Dua
uji statistik Wilcoxon yang terkenal, yaitu: Wilcoxon rank-sum test dan
Wilcoxon signed-rank tes. Ini adalah alternatif uji non-parametrik untuk
uji-t tidak berpasangan dan berpasangan
Tujuan Uji t dua mean satu kelompok adalah untuk membandingkan

(membedakan) apakah kedua mean tersebut sama atau berbeda. Gunanya
untuk menguji kemampuan generalisasi (signifikansi hasil penelitian yang
241
berupa perbandingan keadaan variabel dari dua rata-rata satu
sampel/kelompok).
A. Uji Beda Dua Mean Dependen (Uji t dependen)

Tujuan pengujian ini adalah untuk menguji perbedaan mean antara
dua kelompok data dependen (Subjekna sama diukur dua kali), Contoh;
1. Apakah ada perbedaan rata-rata berat kadar Hb ibu antara sebelum
dan sesudah melahirkan.
2. Apakah ada perbedaan kadar tekanan darah sistole antara sebelum
dan sesudah melakukan aktifitas naik tangga.
Syarat yang harus di penuhi:

1. Distribusi data harus normal
2. Kedua kelompok sama
3. Variabel yang dihubungkan adalah kategorik dengan Numerik (hanya
dua kelompok)
Uji yang digunakan adalah uji t:

𝑑
𝑆/√𝑛
𝑑𝑓 = 𝑛 − 1
242
d (debar) = rata-rata selisih/deviasi pengukuran pertama dan kedua

S = Standar deviasi dari nilai d
N = Jumlah sampel
Contoh soal:
Suatu penelitian yang dilakukan di kepada pegawai perguruan tinggi
A untuk mengetahui perbedaan berat badan antara sebelum dan
sesudah diet. Kemudian dilakukan penelitian dengan mengambil
sampel lima orang relawan berbadan gemuk didapatkan data berat
badan sebagai berikut: (asumsi distribusi data normal)
Sebelum diet = 70 65 80 75 65
Sesudah diet = 65 66 60 72 61
Berdasarkan daa tersebut, buktikan apakah ada perbedaan berat badan
karyawan perguruan tinggi antara sebelum dan sesudah diet.
Ha : Terdapat perbedaan yang signifikan antara berat badan karyawan
sebelum dan sesudah diet.
Ho: Tidak terdapat perbedaan yang signifikan antara berat badan
karyawan sebelum dan sesudah diet.
Ha: 𝜇1 ≠ 𝜇2
Ho:𝜇1 = 𝜇2
Langkah 3. Mencari selisih/deviasi antara nilai sebelum dan sesudah diet
dan rata-rata deviasinya.
243
Sebelum diet = 70 65 80 75 65
Sesudah diet = 65 66 60 72 61
Selisih =5 -1 20 3 4 = 31
d = 31/5 = 6,2
Langkah 4. Mencari nilai standar deviasi dari selisih nilai data
𝑆
(5 − 6,2)2 + (−1 − 6,2)2 + (20 − 6,2)2 + (3 − 6,2)2 + (4 − 6,2)2

=√
5−1
(−1,2)2 + (7,2)2 + (13,8)2 + (−3,2)2 + (−2,2)2

𝑆=√
4
1,44 + 51,84 + 190,44 + 10,24 + 4,4 258,36

𝑆=√ =√ = √64,59
4 4
= 8,04
Langkah 5. Menghitung dengan rumus uji t
6,2 6,2 6,2
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = 8,04 = 8,04/2,24 = 3,59 = 1,73
𝑑𝑓 = 5 − 1 = 4

ilustrasi berikut:
Dengan demikian t hasil < t tabel, maka Ho gagal ditolak artinya tidak ada
value alpha uji dua pihak, maka terletak disebelah kiri dari nilai p = 0,1.
244
Maka kesimpulannya p > alpha (0,05) artinya Ho di gagal tolak dan tidak
ada perbedaan yang signifikan.
Hasil perhitungan didapatkan nilai t hitung < t tabel atau p value >
dari pada nilai alpha (0,05), maka dapat disimpulkan Ho gagal ditolak.
Dengan menggunakan alpha 5% dapat disimpulkan bahwa secara statistik
tidak terdapat perbedaan yang signifikan rata-rata berat badan karyawan
antara sebelum dan sesudah diet.
b. Uji beda Dua mean Dependen (Uji t Wilcoxon)

Bila ingin mengetahui perbedaan rata-rata pre dan post dari suatu
perlakuan, kemudian distribusi data tersebut tidak normal sebaiknya
jangan menggunakan uji t dependen, tetapi yang tepat menggunakan uji
nonparametrik yaitu uji Wilcoxon.
𝑇 − 𝜇𝑇
𝑧=
𝑟𝑇
Keterangan:
T = jumlah jenjang/ranking yang terkecil
𝑛(𝑛 + 1)
𝜇𝑇 =
4
𝑛(𝑛 + 1)(2𝑛 + 1)
𝑟𝑇 = √
24
Keputusan uji:
Jika nilai T terkecil ≤ T tabel Wilcoxon, maka Ho ditolak
Jika nilai T terkecil > T tabel Wilcoxon, maka Ho gagal ditolak
245
Contoh kasus:
Suatu penelitian ingin mengetahui pengaruh terapi obat X untuk
menaikkan tekanan darah diastol, kemudian melakukan penelitian
terhadap 10 orang relawan. Hasil pengukuran tekanan darah diastol
sebelum dan seudah diberikan obat adalah:
Sebelum: 100, 98, 76, 90, 87, 89, 77, 92, 78, 82 (mmHg)
Sesudah: 105, 94, 78, 98, 90, 85, 86, 87, 80, 83 (mmHg)
Berdasarkan data tersebut buktikan dugaan peneliti dengan alpha 5%
(asumsi distribusi data tidak normal).
Ha : Obat X mempengaruhi tekanan darah diastol.
Ho: Obat X tidak mempengaruhi tekanan darah diastol.
Ha: 𝜇1 ≠ 𝜇2
Ho:𝜇1 = 𝜇2
Langkah 3. Penyajian data.
Selisih
Diastol Diastol
No sesudah- Ranking + -
sebelum sesudah sebelum
1 100 105 5 7,5 7,5 -
2 98 94 -4 5,5 - 5,5
3 76 78 2 2,5 2,5 -
4 90 98 8 9 9 -
5 87 90 3 4 4 -
6 89 85 -4 5,5 - 5,5
246
7 77 86 9 10 10 -
8 92 87 -5 7,5 - 7,5
9 78 80 2 2,5 2,5 -
10 82 83 1 1 1 -
T=36, T=18,
Jumlah
5 5
Tabel Bantuan Ranking

Selisih diurutkan dari
No Ranking
yang terkecil
1 1 1
2 2 2,5
3 2 2,5
4 3 4
5 4 5,5
6 4 5,5
7 5 7,5
8 5 7,5
9 8 9
10 9 10
Langkah 4. Keputusan Uji

Berdsarkan tabel Wilcoxon di lampian dengan n = 10 tarak kesalahan
5% (0,05) pada uji dua pihak, maka T tabel=8. Sehingga T terkecil (18,5)
> T tabel (8), kesimpulan Ho gagal ditolak, sehingga keputusannya tidak
ada perbedaan yang bermakna tekanan darah diastol sebelum dan sesudah
diberikan obatX (obat X tidak mempengaruhi tekanan darah diastol).
247
Jika sampel lebih besar dari 25, maka distribusinya akan mendekati
normal, sehingga digunakan rumus Z dalam pengujiannya:
Menghitung dengan rumus uji Z
𝑇 − 𝜇𝑇
𝑧=
𝑟𝑇
Keterangan:
T = jumlah jenjang/ranking yang terkecil kasus di atas = 18,5
𝑛(𝑛+1) 10(10+1)
𝜇𝑇 = = = 27,5
4 4
𝑛(𝑛+1)(2𝑛+1) 10(10+1)[(2𝑥10)+1] 2310

𝑟𝑇 = √ =√ =√ = √96,25 = 9,8
24 24 24
2310
𝑟𝑇 = √ = √96,25 = 9,8
24
𝑇 − 𝜇𝑇 18,5 − 27,5
𝑧= = = −0,918
𝑟𝑇 9,8
Cara klasik: Untuk mengetahui cara mencari nilai p value pada table kurva
normal, ikuti ilustrasi berikut:
Pada soal di atas nilai Z hitung = 0,918, sedangkan nilai Z kurva = 1,96.
Dengan demikian Z hitung < Z table, maka Ho gagal ditolak artinya tidak
ada perbedaan yang signifikan.
Cara probabilistik : dengan nilai Z = 0,918, jika dibulatkan menjadi 0,92,
maka peluang tabel = 0,3212. Berarti nilai p-nya = 0,5 – 0,3212 = 0,1788
karena ujinya two tail maka dikali dua, maka p = 2 x 0,1788 = 0,3576.
Dengan demikian p > alpha (0,05), maka Ho gagal ditolak, sehingga
keputusannya tidak ada perbedaan ang bermakna tekanan darah diastole
sebelum dan sesudah diberi obat X (obat X tidak mempengaruhi tekanan
darah sistol).
248
Hasil perhitungan didapatkan nilai t hasil < t table atau p value > dari
ada nilai alpha (0,05), maka dapat disimpulkan Ho gagal ditolak
(diterima). Dengan menggunakan alpha dapat disimpulkan bahwa secara
statistik tidak terdapat perbedaan yang signifikan rata-rata berat badan
karyawan antara sebelum dan sesudah diet.
C. Latihan
1. Suatu penelitian ingin membuktikan efektifitas obat penenang yang
baru pada 10 orang penderita depresi. Setiap penderita mendapatkan
pengobatan dengan obat baru selama satu minggu dan satu minggu
dengan plasebo. Setelah selesai pengobatan dilakukan evaluasi
menggunakan skor kecemasan dengan nilai 0 – 30. Hasilnya sebagai
berikut:
Obat baru : 19, 11, 14, 17, 23, 11, 15, 19, 11, 8 (kecemasan)
Plasebo : 22, 18, 17, 19, 22, 12, 14, 11, 19, 7 (kecemasan)
Berdasarkan data tersebut buktikan apakah ada perbedaan tingkat
kecemasan antara penggunaan dua obat tersebut, dengan alpha 5
(asumsi distribusi data normal)
2. Seorang peneliti ingin mengetahui hubungan antara pemakaian
kontrasepsi oral dengan tekanan darah sistol pada wanita. Kemudian
dilakukan eksperimen terhadap delapan orang wanita usia subur yang
belum pernah menggunakan kontrasepsi oral. Hasil penelitian
sebelum dan sesudah menggunakan kontrasepsi oral selama satu
tahun didapatkan data sbeagai berikut:
Sebelum : 115, 115, 104, 112, 105, 107, 126, 119 (mmHg)
Sesudah : 117, 128, 102, 120, 112, 115, 130, 120 (mmHg)
249
Berdasarkan data di atas, buktikan dugaan peneliti dengan alpha %

(asumsi distribusi data tidak normal)
250

Statistik Pendididkan..

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Statistik Pendididkan..

Diunggah oleh

Hak Cipta:

Format Tersedia

Statistik Pendidikan 2022

BAB II DATA dan VARIABEL

BAB III PENGUKURAN

BAB IV DISTRIBUSI FREKUENSI

BAB V TENDENSI SENTRAL DAN VARIABILITAS

BAB VII REGRESI LINEAR SEDERHANA

BAB VIII UJI BEDA DUA MEAN INDEPENDEN

BAB IX UJI BEDA DUA MEAN DEPENDEN

Daftar Pustaka 245

Fungsi dan Peranan Statistik

Pembagian Statistika Berdasarkan

Pembagian Statistik Berdasarkan

Pembagian Statistik Berdasarkan

Gottfried Achenwall lahir di Elbing, Provinsi

Berabad-abad silam, kata “Statistika” telah dikenal hingga saat

Begitu pentingnya “Statistika” di dalam dunia pendidikan.

Selain “Statistika” ada pula “Statistik”. Apa perbedaan antara

menyederhanakan, menyajikan, dan membuat kesimpulan. Sedangkan

Dari penjelasan di atas, maka dapat diambil kesimpulan bahwa

B. Fungsi dan Peranan Statistik

Seorang pendidik yang profesional, statistika juga sangat

hubungannya dengan gejala yang lain, 6) menyusun laporan yang berupa

C. Pembagian Statistika Berdasarkan Pengolahan Data

Ada beberapa jenis penelitian deskriptif, yaitu sebagai berikut:

b. Statistik inferensial (induktif)

berbentuk perhitungan numerik yang digunakan sebagai dasar menerima

D. Pembagian Statistik Berdasarkan Ruang Lingkup

E. Pembagian Statistik Berdasarkan Bentuk Parameternya

Penerapan dan Pemecahan Masalah

Sir Francis Galton adalah sepupu Sir

Dari tabel di atas sebagai ilustrasi, bilangan-bilangan 168, 165, 161

• Penelitian boleh melakukan pencatatan hanya sekali namun dilakukan

Jadi, bilangan-bilangan yang telah dicontohkan di atas itulah yang

Contoh data kontinyu:

• Penggolongan Berdasarkan Cara Menyusun Angkanya.

penggolongan/klasifikasi , yaitu menurut kelas dan jenis kelaminnya. Data

Data Ordinal yaitu data statistik yang disusun berdasarkan urutan

Dari tabel dapat dilihat terdapat angka-angka, misalnya: 6 – 12, 13 –

• Penggolongan Berdasarkan Waktu Pengumpulannya.

• Penggolongan Berdasarkan Sumbernya.

Data sekunder adalah data statistik yang diperoleh dari tangan

Data yang dihimpun hendaknya merupakan data yang tepat, yakni

• Cara Mengumpulkan Data Statistik

Keuntungan: hasil yang diperoleh merupakan nilai karakteristik

2. Wawancara mendalam (systematic interview), yaitu pengumpulan

• Rata-rata = 73,5 = 7,35

Jadi nilai rata-rata dari 10 siswa tersebut adalah 7,35.

1. Diagram Matriks Baris dan Kolom

Source: World Population Prospects; The 2008 Revision GeoHive

• Diagram lingkaran biasa (dalam bentuk angka)

Rumus Diagram Lingkaran

Rumus untuk mencari nilai pada diagram lingkaran tersebut berbeda-beda

Rumus diagram lingkaran biasa (dalam bentuk angka)

total jumlah data

total jumlah data

Rumus Diagram Lingkaran dalam bentuk Derajat

Untuk rumus diagram lingkaran derajat kita harus mengetahui jumlah

Sebuah sekolah memiliki 1260 siswa. Di sekolah tersebut mengharuskan

Berapakah jumlah siswa yang mengikuti eskul musik?

Kemudian, gunakan rumus untuk mencari jumlah siswa yang mengikuti

Rumus Diagram Lingkaran dalam Bentuk Persen (%)

Diagram lingkaran dalam bentuk persen sering di jumpai, jika yang di

Nilai yang ditanyakan = (persen nilai yang ditanyakan/100%) x total