STATISTIK PENDIDIKAN
(Teori dan Aplikasi SPSS)
STATISTIK PENDIDIKAN
(Teori dan Aplikasi SPSS)
KUTIPAN PASAL 72:
Ketentuan Pidana Undang-Undang Republik
Indonesia
Nomor 19 Tahun 2002 tentang HAK CIPTA
STATISTIK PENDIDIKAN
(Teori dan Aplikasi SPSS)
Pekalongan - Indonesia
STATISTIK PENDIDIKAN
(Teori dan Aplikasi SPSS)
Copyright © 2022
Penulis:
Iskandar, S.Ag., M.Pd., M.S.I., M.H., Ph.D.
Dr. Askar Jaya, S.Sos., M.M.
Rini Warti, S.Si., M.Si.
Zaini, S.Hut.
Editor:
Moh. Nasrudin
(SK BNSP: No. Reg. KOM.1446.01749 2019)
Diterbitkan oleh:
PT. Nasya Expanding Management
(Penerbit NEM - Anggota IKAPI)
Jl. Raya Wangandowo, Bojong
Pekalongan, Jawa Tengah 51156
Telp. (0285) 435833, Mobile: 0853-2521-7257
www.penerbitnem.com / penerbitnem@gmail.com
ISBN: 978-623-423-185-4
Kata Pengantar
v
SPSS. Penulis menyadari sepenuhnya bahwa buku ini masih
belum lengkap dan banyak kekurangan. Untuk itu, penulis
membuka lebar atas masukan dan saran untuk perbaikan
lebih lanjut.
vi
Daftar Isi
KATA PENGANTAR __ v
DAFTAR ISI __ vii
BAB 1 PENDAHULUAN __ 1
A. Pengantar __ 1
B. Variabel Penelitian __ 6
C. Hipotesis Penelitian __ 7
D. Metode Analisis Data __ 9
E. Skala Pengukuran __ 12
vii
D. Asumsi Parametrik untuk Model Linear __ 83
E. Transformasi Data dan Outlier __ 102
viii
G. Analisis Regresi Linear Berganda (Manual) __ 174
H. Analisis Regresi Linear Berganda (SPSS) __ 188
I. Regresi Variabel Dummy __ 191
ix
DAFTAR PUSTAKA __ 312
LAMPIRAN
TENTANG PENULIS
x
Bab 1
PENDAHULUAN
A. Pengantar
Statistik merupakan disiplin ilmu yang mempelajari
tentang teknik menyajikan data agar data tersebut lebih
mudah dipahami. Penggunaan statistik meliputi banyak
bidang seperti bisnis, kedokteran, pertanian, pendidikan dan
lain-lain. Meluasnya penggunaan analisis statistik di
berbagai bidang tersebut menyebabkan sangat perlu untuk
memahami ilmu tentang statistik. Sehingga mampu
menghasilkan hasil penilaian atas data menjadi informatif
dan mampu meramalkan ketidakpastian menjadi hal yang
terukur.
Statistik Pendidikan merupakan Ilmu Pengetahuan
yang membahas atau mempelajari dan mengembangkan
prinsip-prinsip, metode dan prosedur yang perlu ditempuh
atau dipergunakan, dalam rangka pengumpulan,
penyusunan, penyajian, penganalisisan data yang berwujud
angka yang terkait dengan persoalan dunia pendidikan
(khususnya proses belajar mengajar), dan penarikan
kesimpulan, pembuatan perkiraan serta ramalan secara
ilmiah, dalam hal ini secara matematik atas dasar kumpulan
bahan keterangan yang berwujud angka (Sudijono, 2006).
Manfaat statistik dalam bidang pendidikan adalah
untuk mendeskripsikan data dalam bentuk tertentu tanpa
adanya statistik data menjadi kabur dan tidak jelas secara
sederhana berupa data yang kompleks menjadi data yang
-1-
2| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
B. Variabel Penelitian
Variabel berasal dari bahasa Inggris yang berasal dari
kata varie = variasi, able = mampu. Jadi variabel merupakan
suatu yang mampu bervariasi/berubah atau lebih dikenal
dengan peubah. Variasi/perubahan tersebut bisa disebabkan
oleh pengaruh sistem satu dengan sistem lain atau
dipengaruhi oleh subsistem dalam sistem itu sendiri. Dalam
lingkungan pendidikan misalnya, jika kita mengamati
variabel hasil belajar, hasil belajar tersebut dapat bervariasi
antar siswa yang disebabkan oleh adanya pengaruh dalam
sistem pembelajaran dan bisa juga dipengaruhi oleh faktor
luar lingkungan sekolah.
Faktor dari dalam yang memengaruhi variabel hasil
belajar seperti metode/model pembelajaran yang
diterapkan, iklim kelas dan lain-lain. Faktor luar lingkungan
sekolah yang memengaruhi hasil belajar bisa saja faktor
tingkat intelijensi, tingkat emosional maupun tingkat
ketaatan siswa terhadap agama yang dianut. Dengan
demikian maka dapat dijelaskan bahwa variabel merupakan
karakteristik populasi yang memiliki nilai yang berubah-
ubah dipengaruhi oleh sistem baik dari dalam maupun dari
luar sistem.
Pendahuluan |7
C. Hipotesis Penelitian
Analisis deskriptif belum dapat diambil kesimpulan
tentang perbedaan respons suatu objek yang diakibatkan
oleh adanya beberapa perlakuan. Karena analisis deskriptif
8| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
2. Analisis bivariat
Adalah analisis statistik dengan melibatkan dua
variabel seperti uji beda independen test dan dependen
test (paired t-test).
3. Uji multivariat
Adalah uji hipotesis dengan melibatkan lebih dari
dua variabel seperti analisis regresi linear berganda, uji
faktor, uji diskriminan, uji jalur, uji multidimensional
scalling (MDS) dan lain-lain.
E. Skala Pengukuran
Sebelum menggunakan metode statistik untuk
mengukur parameter populasi sangat bergantung pada skala
pengukuran yang digunakan. Dalam penggunaan statistik
terdapat data di mana parameter populasi yang diukur
menggunakan skala nonmetrik dan skala metrik. Skala non
metrik terdiri dari skala nominal dan ordinal, dan skala
metrik terdiri dari skala interval, dan rasio.
1. Skala Nonmetrik
Skala nonmetrik menggambarkan perbedaan
kelompok dari karakter populasi. Skala metrik dibagi
menjadi dua yaitu skala nominal dan skala ordinal.
a. Skala Nominal
Skala nominal merupakan skala sederhana di
mana data poin secara unik mengarah pada kategori
atau atau kelas dari suatu objek dan sering juga
disebut skala kategorikal. Dalam aplikasi statistik
skala nominal sering diberi kode dengan angka.
Angka tersebut tidak memiliki arti secara numerik
melainkan sebagai penunjuk kelas dari objek.
Sebagai contoh dari skala nominal adalah
Pendahuluan |13
2. Skala Metrik
Skala metrik menunjukkan hubungan kuantitas
dari atribut yang diukur dari karakter populasi.
Terdapat dua tipe skala metrik yaitu skala interval dan
skala rasio.
a. Skala Interval
Data variabel interval/kontinu adalah data dari
variabel yang memiliki range data yang luas dan
masing-masing data memiliki perbedaan antara satu
data dengan data lainnya yang dapat diukur. Contoh
data interval seperti nilai total skors tentang persepsi
responden terhadap kinerja, total skors dari uji
organoleptik dan lain-lain. Dikatakan tidak memiliki
perbedaan yang jelas karena data tersebut tidak
dapat dibandingkan. Kita umpamakan bahwa
seorang mahasiswa A memiliki nilai IPK 2,0 dan
mahasiswa B memiliki IPK 3,0. Dari data tersebut
kita tidak dapat menyatakan bahwa kepintaran si B
adalah 1,5 kali kepintaran si A.
b. Data Rasio
Data rasio adalah data dalam variabel tersebut
memiliki batasan jelas dan masing-masing data
dapat dibandingkan. Contoh data rasio adalah tinggi
pohon, jarak (km), titik beku-titik didih dan lain
sebagainya. Suatu penciri dari data rasio adalah di
mana skala data dapat dibandingkan dengan jelas.
↜oOo↝
Bab 2
PENGENALAN SOFTWARE STATISTIK SPSS
- 16 -
Pengenalan Software Statistik SPSS |17
2. Klik Cancel pada menu dialog box tersebut jika tidak ada
file yang tersedia dalam File SPSS. Kemudian akan
muncul layar berikut:
3. Klik File > Open > Data, Kemudian muncul file berikut:
7. Klik Data view untuk mengedit data jika ada data yang
perlu diedit.
↜oOo↝
Bab 3
DESKRIPTIF STATISTIK
A. Analisis Deskriptif
Deskriptif statistik merupakan tahap awal dalam
investigasi ilmu pengetahuan yang bertujuan untuk
menyederhanakan sejumlah besar data agar dengan mudah
dipahami (Franzese dan Iuliano, 2018). Deskriptif statistik
merupakan gambaran yang meliputi tingkat pengukuran,
mengukur tendensi sentral (average), dan penyebaran (spread)
dan konsep distribusi normal (Jonker dan Marshall, 2009).
Statistik deskriptif adalah statistik yang berfungsi untuk
mendiskripsikan atau memberikan gambaran terhadap objek
yang diteliti melalui data sampel atau data populasi
sebagaimana adanya (Sugiyono, 2019).
Statistik deskriptif (descriptive statistics), yaitu statistik
yang mempelajari tata cara mengumpulkan, menyusun,
menyajikan, dan menganalisa data penelitian yang berwujud
angka-angka, agar dapat memberikan gambaran yang
teratur secara sistimatis, ringkas dan jelas mengenai suatu
gejala, keadaan dan peristiwa sehingga dapat ditarik makna
interpretatifnya. Statistik deskriptif hanya berhubungan
dengan hal-hal menguraikan atau memberikan keterangan-
keterangan mengenai suatu data, keadaan atau fenomena.
Dengan kata lain, statistik deskriptif hanya berfungsi
mendiskripsikan atau menerangkan keadaan, gejala atau
persoalan (Ananda dan Fadhli, 2018).
- 21 -
22| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
( ) ( ) ( )
Deskriptif Statistik |25
sehingga:
[∑ ]
∑ ∑ ̅
( )
Data
Parameter
Tunggal Kelompok
∑ ∑
Rata-rata ( ̅)
∑
(∑ ) (∑ )
∑ ∑
Varians ( ) ∑
∑
Standar Deviasi ( ) √ √
Koefisien Variasi
( ) ̅ ̅
Standard Error ( )
√ √
Interval rata-rata
̅ ( ) ̅ ( )
95%
26| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
Laki-laki 72 66 93
Perempuan 54 55 77
Laki-laki 60 72 97
Perempuan 55 70 67
Perempuan 42 50 80
Laki-laki 66 52 82
Perempuan 90 62 99
Perempuan 48 70 66
Laki-laki 88 82 100
Perempuan 92 80 88
Jumlah 1334 1318 1698
Deskriptif Statistik
Hasil analisis deskriptif untuk kecerdasan emosi:
Nilai rata-rata:
Nilai varians:
Kecerdasan Emosi ( )
72 5184
54 2916
60 3600
55 3025
42 1764
66 4356
90 8100
48 2304
88 7744
92 8464
72 5184
54 2916
60 3600
55 3025
28| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
42 1764
66 4356
90 8100
48 2304
88 7744
92 8464
Jumlah 94914
Standar deviasi ( ):
√
Interval rata-rata
Nilai ( ) sebesar 1,73 maka interval rata-rata 95%
adalah:
̅ ( ) ̅ atau ( ) .
b. Continue > OK
Hasil analisis seperti berikut:
Perempuan 55 Rendah
Perempuan 42 Rendah
Laki-laki 66 Rendah
Perempuan 90 Tinggi
Perempuan 48 Rendah
Laki-laki 88 Tinggi
Perempuan 92 Tinggi
Ket: Tinggi = Kecerdasan Emosi > Rata-rata
Rendah = Kecerdasan Emosi < Rata-rata
Kecerdasan Emosi
Jenis Kelamin
Tinggi Rendah
Laki-laki 4 (20%) 5(25%)
Perempuan 4 (20%) 7(35%)
( )
( )( )( )
dengan:
= Jumlah data
= Skewness (kemiringan)
= Momen
= Standar deviasi
dimana:
∑( ̅)
dengan:
= Nilai ke-i
̅ = Nilai rata-rata
36| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
2. Keruncingan (Kurtosis)
Koefisien kurtosis mengukur keruncingan data, bila
nilai ( ) maka kurva lebih mendatar, dan bila kurva
( ) maka kurva lebih meruncing. Kurva meruncing
Deskriptif Statistik |37
( ) ( )
( )( )( )
dimana:
= Koefisien kurtosis
= Jumlah data
= Standar deviasi
dengan:
∑( ̅)
Kecerdasan
Jenis Kelamin ( ̅) ( ̅) ( ̅)
Emosi
Perempuan 54 161,29 -2048,383 26014,4641
Perempuan 60 44,89 -300,763 2015,1121
Perempuan 55 136,89 -1601,613 18738,8721
Laki-laki 42 610,09 -15069,223 372209,808
Laki-laki 66 0,49 -0,343 0,2401
Laki-laki 48 349,69 -6539,203 122283,096
Perempuan 54 161,29 -2048,383 26014,4641
Laki-laki 60 44,89 -300,763 2015,1121
Perempuan 55 136,89 -1601,613 18738,8721
Perempuan 42 610,09 -15069,223 372209,808
Laki-laki 66 0,49 -0,343 0,2401
Perempuan 48 349,69 -6539,203 122283,096
Laki-laki 72 28,09 148,877 789,0481
Perempuan 90 542,89 12649,337 294729,552
Perempuan 88 453,69 9663,597 205834,616
Laki-laki 92 640,09 16194,277 409715,208
Laki-laki 72 28,09 148,877 789,0481
Perempuan 90 542,89 12649,337 294729,552
Laki-laki 88 453,69 9663,597 205834,616
Perempuan 92 640,09 16194,277 409715,208
Jumlah 1334 5936,20 26193,12 2904660,03
Ket: ̅
( )
( )( )( )
( ) ( ) ( )
( )( )( )( )
Deskriptif Statistik |39
E. Distribusi Frekuensi
Set data digunakan untuk mendapatkan informasi
tentang parameter dalam suatu populasi. Set data dalam
jumlah besar Nilai pemusatan titik tengah seperti median,
rata-rata dan modus belum cukup untuk menggambarkan
karakter populasi tersebut. Alternatif yang ditempuh untuk
mendapatkan informasi dari karakteristik populasi agar
lebih detil adalah melalui pengelompokan data dalam
kelompok tertentu yang dikenal dengan distribusi frekuensi.
Pengelompokan data dalam distribusi frekuensi berarti
kita mengelompokan data kedalam kelas tertentu dengan
interval tertentu. Jumlah kelas dan interval kelas ditentukan
dengan dua cara yaitu cara Sturges dan cara konseptual
variabel. Teknik pengelompokan data cara sturges dikenal
juga dengan teknik pengelompokan data berdasarkan
sebaran data. Sedangkan pengelompokan data cara
40| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
41 52 57 27 40 53
34 29 53 54 28 53
36 42 48 41 52 35
55 40 46 43 39 56
57 50 47 54 57 57
30 46 45 34 58 57
55 52 48 44 57 45
55 56 29 49 57 35
50 53 25 54 55 56
51 54 45 54 55 50
Deskriptif Statistik |41
Distribusi frekuensi:
a. Jumlah kelas ( )
( )
( )
Jadi jumlah kelas sebanyak 7.
b. Interval Kelas ( ),
( )
( )
Range ( ) = nilai maksimum – nilai minimum
Range ( ) = 58 – 25 = 33
Maka interval kelas ( ) = 33/7 = 4,7
Frekuensi
Frekuensi Frekuensi
Interval Frekuensi kumulatif
kumulatif (%)
(%)
25.0 - 29.7 5 5 8.33 8.33
29.7 - 34,4 3 8 5.00 13.33
34,4 - 39,1 4 12 6.67 20
39,1 - 43,9 6 18 10.00 30
43,9 - 48,6 9 27 15.00 45
48,6 - 53,3 12 39 20.00 65
53,3 - 58,0 21 60 35.00 100
Jumlah (∑) 60 100 -
Frekuensi
Frekuensi Frekuensi
Interval* Frekuensi kumulatif
kumulatif (%)
(%)
Remaja Akhir (18-25) 1 1 1,67 1,67
Dewasa Awal (26-35) 9 10 15 16,67
Dewasa Akhir (36-44) 9 19 15 31,67
Lansia Awal (45-55) 30 49 50,00 81,67
Lansia Akhir ( ->55) 11 60 18,33 100,00
∑ 60 100
* Kriteria Hurlock
Frek
Frek Frek
Interval* Kriteria Frek Kumulatif
Kumulatif (%)
(%)
22,0 – 39,6 Sangat Rendah - - - -
39,6 – 57,2 Rendah 1 1 6,67 6,67
57,2 – 74,8 Sedang 6 7 40,00 46,67
74,8 – 92,4 Tinggi 6 13 40,00 86,67
92,4 – 110 Sangat Tinggi 2 15 13,33 100
∑ 15 100
F. Grafik
Pada bagian sebelumnya telah dijelaskan tentang
analisis deskriptif. Analisis deskriptif menggambarkan
kondisi data melalui tabulasi yang dilengkapi dengan
analisis nilai tengah, penyebaran dan ketajaman data.
Analisis deskriptif belum dikatakan sempurna bila tidak
disajikan dalam bentuk grafik. Tujuan utama dari analisis
deskriptif adalah untuk mempermudah mempersajikan data
sehingga pembaca lebih mudah untuk memahami data dari
parameter yang diamati dari distribusi sampling. Dengan
demikian maka grafik berperan penting dalam analisis data.
Beberapa manfaat grafik adalah:
1. Grafik bermanfaat untuk mengecek data dimana nilai
dari data tersebut tergolong tidak lazim, ketidak laziman
data disebabkan oleh data terlalu ekstrim dan data
outlier.
2. Grafik dapat digunakan untuk menyajikan hasil dari
deskripsi data seperti dapat digunakan untuk
menyajikan nilai tengah, penyebaran, ketajaman dan lain
sebagainya.
3. Grafik dapat digunakan untuk melihat kekuatan data
yang menggambarkan jumlah sampel, seperti hubungan
antara jumlah plot sampel terhadap keanekaragaman
jenis.
4. Grafik juga dapat digunakan untuk mengecek data
sebelum dianalisa lebih lanjut diantaranya melalui grafik
dapat digunakan untuk mengecek error dalam data
46| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
2. Histogram
Teknik pembuatan histogram pada SPSS hampir
sama dengan teknik pembuatan scatter plot. Yang
membedakan adalah editing elemen properties, seperti
gambar berikut:
3. Box Plot
Boxplot menyajikan gambaran tentang nilai rata-
rata, mean, range dan standar deviasi (SD).
Selengkapnya disajikan pada gambar berikut:
50| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
4. Grafik Panel
Pada beberapa kasus kita ingin menggabungkan
skater atau box plot yang berasal dari dua kelompok data
atau lebih dalam satu tampilan grafik. Tujuannya adalah
untuk lebih menyederhanakan dan lebih mudah untuk
dipahami. Teknik pembuatan grafik panel dalam SPSS
kita akan mengambil contoh dari data HSB yaitu pada
kemampuan matematika dari kelompok ras. Proses
pembuatannya adalah:
Deskriptif Statistik |51
↜oOo↝
Bab 4
UJI HIPOTESIS
- 52 -
Uji Hipotesis |53
( ̅ )
⁄√
54| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
dimana:
̅ : Nilai rata-rata statistik sampel
: Nilai rata-rata populasi yang diperbandingkan dengan
standar deviasi yang tidak diketahui
: Standar deviasi sampel
: Jumlah sampel
( ̅ )
̅
( )√
̅ ̅
̅ ̅
( ) ( )
̅ ̅ √ ( )
̅ ̅
( ) ( )
√ . /
[∑( ̅) ] [∑ ̅ ]
[∑( ̅) ] [∑ ̅ ]
Uji Hipotesis |59
Iya Tidak
Iya Tidak
⁄
⁄
ditolak jika
( ) ( )
√ . /
| ̅ ̅|
√( ⁄ ) ( ⁄ )
( ⁄ ⁄ )
( ⁄ ) ( ⁄ )
( ⁄ ⁄ )
( ⁄ ) ( ⁄ )
| |
√( ⁄ ) ( ⁄ )
( ⁄ ⁄ )
( ⁄ ) ( ⁄ )
( ⁄ ⁄ )
( ⁄ ) ( ⁄ )
64| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
3. Uji Mann-Whitney ( )
Uji ini digunakan untuk melihat perbedaan rata-
rata dua kelompok data saling bebas dengan data
minimal data ordinal. Sebagamana diketahui pada uji t
mensyaratkan data harus berdistribusi normal dan data
pengukuran minimal harus berskala interval. Jadi uji
mann-Whitney ( ) dapat dijadikan alternatif untuk
melakukan uji beda rata-rata dua kelompok sampel jika
dua kelompok sampel tersebut tidak berdistribusi
normal dengan data dari dua kelompok sampel tersebut
diubah dalam bentuk ordinal dengan cara memberikan
rangking dari dua kelompok data tersebut.
Teknik perhitungan uji Mann-Whithey ( ) yaitu
dengan cara menggabungkan data dua kelompok
sampel menjadi satu kelompok data dan kemudian
diberikan rangking untuk data tersebut. Uji Mann-
Whitney untuk sampel kecil dapat dihitung dengan
formula berikut (Black, 2010):
( )
( )
Uji Hipotesis |67
( )
( )
( )
√
∑ ( )
( ) ,( ) -
( )
Langkah-Langkah Penyelesaian
a. Menentukan rangking masing-masing nilai setelah
nilai diurutkan dari yang terkecil ke yang terbesar.
Nilai
No Gender Rangking
Matematika
1 Perempuan 60 1
2 Laki-laki 65 2
Uji Hipotesis |69
3 Perempuan 68 3
4 Perempuan 70 5
5 Laki-laki 70 5 =(4+5+6)/2=5
6 Laki-laki 70 5
7 Laki-laki 71 7
8 Perempuan 73 8
9 Laki-laki 76 9
10 Perempuan 77 10
11 Laki-laki 79 11
12 Perempuan 80 12
13 Perempuan 81 14,5
14 Perempuan 81 14,5
=(13+14+15+16)/2=14,5
15 Perempuan 81 14,5
16 Perempuan 81 14,5
17 Laki-laki 82 17,5
=(17+18)/2=17,5
18 Perempuan 82 17,5
19 Laki-laki 83 19
20 Perempuan 84 21
21 Perempuan 84 21 =(20+21+22)/2=21
22 Laki-laki 84 21
23 Laki-laki 86 23
24 Perempuan 87 25
25 Perempuan 87 25 =(24+25+26)/2=25
26 Perempuan 87 25
27 Perempuan 88 27
28 Laki-laki 90 30,5
29 Perempuan 90 30,5
30 Laki-laki 90 30,5
=(28+29+…+33)/2=30,5
31 Laki-laki 90 30,5
32 Laki-laki 90 30,5
33 Perempuan 90 30,5
34 Laki-laki 91 34
35 Laki-laki 94 35
36 Laki-laki 95 36
37 Laki-laki 96 37
38 Laki-laki 97 38
39 Laki-laki 99 39,5
=(39+40)/2=39,5
40 Laki-laki 99 39,5
70| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
( )
( )( ) ( )
( )
( )( ) ( )
( )
√
Uji Hipotesis |71
f
2 2
3 3
4 1
6 1
{ } ( )
( )
d. >> Continue
Uji Hipotesis |73
̅
⁄√
dengan:
̅ = rata-rata perbedaan dan
= simpangan deviasi
= jumlah sampel
Nilai Nilai
No Post- Perubahan No Pre- Post- Perubahan
Pre-test
test ( ) test test ( )
1 64 84 20 19 60 96 36
2 64 76 12 20 56 92 36
Uji Hipotesis |75
3 44 88 44 21 52 96 44
4 68 76 8 22 68 80 12
5 56 76 20 23 56 80 24
6 68 84 16 24 48 92 44
7 52 96 44 25 72 92 20
8 64 100 36 26 52 76 24
9 68 84 16 27 56 80 24
10 56 84 28 28 68 88 20
11 68 96 28 29 52 84 32
12 56 96 40 30 60 78 18
13 76 100 24 31 56 88 32
14 56 92 36 32 64 80 16
15 40 88 48 33 64 96 32
16 60 96 36 34 52 88 36
17 64 96 32 35 64 100 36
18 60 88 28
Sumber: Fauziyah, R. 2016
2. Uji Wilcoxon
Uji Wilcoxon sama halnya dengan uji t dua
kelompok sampel dimana kedua kelompok tersebut
saling berkaitan. Jika data uji t berpasangan tidak
berdistribusi normal maka uji Wilcoxon dapat dijadikan
alternatif untuk mengetahui perbedaan dua kelompok
data. Asumsi lain yang harus dipenuhi oleh uji Wilcoxon
adalah data merupakan skala ordinal. Jika uji t dua
sampel saling berpasangan, kemudian hasil uji
normalitas tidak berdistribusi normal maka data interval
Uji Hipotesis |77
( )( )
( )( )( )
√
( ) [ ( )( ) ∑ ( )( )]
sehingga:
( )
{ }
* ( )+
Ket :
= Jumlah sampel
= Rata-rata
= Standar deviasi
= Jumlah Ranking Sama
= Ranking positif
= Rangking Negatif
= varian kelompok ranking + atau –
78| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
8 48 57 23 65 85
9 52 50 24 66 79
10 42 51 25 45 83
11 61 76 26 59 78
12 57 68 27 57 81
13 67 67 28 63 70
14 68 89 29 61 67
15 59 88 30 64 79
4 62 67 5 5 4,0
29 61 67 6 6 5,0
1 57 64 7 7 6,5
28 63 70 7 7 6,5
6 50 58 8 8 8,0
8 48 57 9 9 10,0
10 42 51 9 9 10,0
12 57 68 11 11 12,0
2 59 71 12 12 13,0
7 44 57 13 13 14,5
24 66 79 13 13 14,5
19 78 92 14 14 16,0
11 61 76 15 15 18,0
22 74 89 15 15 18,0
30 64 79 15 15 18,0
21 72 90 18 18 20,0 300
26 59 78 19 19 21,0
23 65 85 20 20 22,0
14 68 89 21 21 23,5
17 74 95 21 21 23,5
27 57 81 24 24 25,0
15 59 88 29 29 26,0
25 45 83 38 38 27,0
Nilai ties dari data di atas adalah meliputi rank 2,5; 4; 6,5;
10; 14,5; 18.
Sehingga nilai adalah:
No Rank
1 2,5 2
2 4 2
3 6,5 2
4 10 3
5 14,5 2
6 18 3
Uji Hipotesis |81
maka:
( )( )
( ) * ( )( ) , ( )( )( ) ( )( )( )-+
( ) , -
( )
{ }
* + * +
1. Uji Normalitas
Analisis data variabel kontinu seperti analisis
varians covarians, analisis regresi dan analisis inferensial
lainnya dari data kontinu menghendaki data
berdistribusi normal. Hal ini disebabkan karena uji F dan
uji t merupakan fungsi statistik yang merupakan
probabilitas distribusi fungsi normal.
Uji normalitas digunakan untuk melihat apakah
data menyebar sekitar garis normal atau tidak. Uji
normalitas merupakan prasyarat untuk melakukan uji
hipotesis jika data mengikuti distribusi normal. Data
yang cenderung mengikuti distribusi normal adalah data
84| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
( )
( ) ( )
√
| ( )|
| () ( ) |
Uji Hipotesis |87
(√ ⁄√ )
( )
* +
[∑ ( )] ⁄∑ ( ̅)
( )
( ) ( ) ( )
Pre | | | |
42 0.0333 -1.83 0.0337 -0.0004 0.0000 0.0337 0.0337
44 0.0667 -1.64 0.0509 0.0158 0.0158
45 0.1000 -1.54 0.0618 0.0382 0.0382
48 0.1333 -1.25 0.1054 0.0279 0.0279
49 0.1667 -1.16 0.1240 0.0426 0.0426
50 0.2000 -1.06 0.1448 0.0552 0.0552
51 0.2333 -0.96 0.1679 0.0654 0.0654
52 0.2667 -0.87 0.1932 0.0735 0.0735
57 0.3000 -0.39 0.3501 -0.0501 0.2667 0.0834 0.0834
57 0.3333 -0.39 0.3501 -0.0168 0.3000 0.0501 0.0501
57 0.3667 -0.39 0.3501 0.0166 0.0166
59 0.4000 -0.19 0.4237 -0.0237 0.3667 0.0570 0.0570
59 0.4333 -0.19 0.4237 0.0097 0.0097
59 0.4667 -0.19 0.4237 0.0430 0.0430
61 0.5000 0.00 0.5000 0.0000 0.0000
61 0.5333 0.00 0.5000 0.0333 0.0333
62 0.5667 0.10 0.5383 0.0283 0.0283
63 0.6000 0.19 0.5763 0.0237 0.0237
64 0.6333 0.29 0.6136 0.0197 0.0197
65 0.6667 0.39 0.6499 0.0168 0.0168
66 0.7000 0.48 0.6848 0.0152 0.0152
67 0.7333 0.58 0.7182 0.0151 0.0151
68 0.7667 0.67 0.7498 0.0169 0.0169
Uji Hipotesis |91
Nilai rata-rata ( ̅ )
̅
Standar Deviasi ( )
√
Uji Hipotesis |93
( )
Interval
42,20 -1,8327 0,0334
42,0 - 48,2 48,20 -1,2477 0,1061 0,0726 4 2,1795 1,5207
48,2 - 54,3 54,30 -0,6529 0,2569 0,1508 4 4,5248 0,0609
54,3 - 60,5 60,50 -0,0484 0,4807 0,2238 6 6,7136 0,0759
60,5 - 66,7 66,70 0,5561 0,7109 0,2302 7 6,9070 0,0013
66,7 - 72,8 72,80 1,1508 0,8751 0,1642 4 4,9253 0,1738
72,8 – 79,0 79 1,7553 0,9604 0,0853 5 2,5590 2,3285
Maka nilai
( )
sehingga hipotesis null diterima
yang berarti bahwa data kemampuan membaca
berdistribusi normal.
2. Uji Homogenitas
Homogenitas varians digunakan untuk melihat
bahwa varians dari kedua populasi adalah sama.
Homogenitas varians dapat dihitung dengan
membandingkan varians antara kedua populasi yaitu
dengan membagi varians terbesar dengan varians
terkecil dan selanjutnya membandingkan dengan nilai
dengan derajat bebas ( – ). Uji lain yang
bisa digunakan untuk menguji homogenitas varians
adalah Uji Levene, Bartlet dan Uji Cochran.
Uji homogenitas varians menjadi prasyarat utama
dalam analisis inferensial parametrik. Tujuan dari
analisis homogenitas varians adalah untuk mengetahui
bahwa parameter yang diamati berasal dari unit varians
yang sama. Secara tradisional uji kesamaan standar
deviasi yaitu Lomax (2001):
Uji Hipotesis |95
∑ ( ̅ ̅ ) ⁄( )
∑ ∑ ( ̅ ) ⁄∑ ( )
(∑ ̅ ̅ )⁄( )
(∑ ∑ ∑ ̅ ) ∑ ( )
( ) ( ) ∑( ) ( )
.∑ /
( )
96| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
∑( )
Varians F-ratio
Laki- Perempuan
Varians Sig.
laki (1) (0)
Laki-laki vs
108, 90 110,391 1,0912 0,6644 homogen
Perempuan
( )( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
( )
. /
Metode Belajar
No
Ceramah Diskusi Belajar Mandiri
1 70 71 73
2 71 72 74
3 71 73 76
4 90 74 90
5 73 80 76
6 81 75 83
7 74 76 77
8 75 77 78
9 74 70 76
10 70 85 72
11 84 78 85
12 77 88 78
13 86 74 87
14 78 80 80
15 79 81 81
16 80 83 82
17 80 84 83
18 83 86 84
19 85 86
20 87 88
Rata-rata 78,40 78,17 80,45
| ̅|
Metode Belajar
No
Ceramah Diskusi Belajar Mandiri
1 8,40 7,17 7,45
2 7,40 6,17 6,45
3 7,40 5,17 4,45
4 11,60 4,17 9,55
Uji Hipotesis |99
Rata-rata Total ̅
Metode Belajar
Belajar
No Ceramah Diskusi
Mandiri
( ) ( )
( )
1 8,4 70,56 7,17 51,41 7,45 55,50
2 7,4 54,76 6,17 38,07 6,45 41,60
3 7,4 54,76 5,17 26,73 4,45 19,80
4 11,6 134,56 4,17 17,39 9,55 91,20
5 5,4 29,16 1,83 3,35 4,45 19,80
6 2,6 6,76 3,17 10,05 2,55 6,50
7 4,4 19,36 2,17 4,71 3,45 11,90
8 3,4 11,56 1,17 1,37 2,45 6,00
9 4,4 19,36 8,17 66,75 4,45 19,80
10 8,4 70,56 6,83 46,65 8,45 71,40
11 5,6 31,36 0,17 0,03 4,55 20,70
12 1,4 1,96 9,83 96,63 2,45 6,00
100| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
( ( ) ( ) ( ) ( ) )⁄
( ( ( ) ( ) ( ) )) ( )
2. Outlier Data
Data outlier adalah data yang berada diluar
distribusi normal. Menurut Hawkin (1980) dalam
Aggarwal (2017) Outlier adalah sebuah pengamatan
yang menyimpang jauh dari pengamatan lain sebagai
indikasi kecurigaan bahwa data tersebut dihasilkan oleh
mekanisme yang berbeda.
Hipotesis yang diajukan dalam adalah data outlier.
Data outlier dapat ditentukan dengan menggunakan uji:
a. Menemukan nilai dengan perbedaan sangat besar
dari rata-rata
b. Uji Grubbs
Uji Grubbs bertujuan untuk menemukan data
mencolok/outlier dalam set data, hasil data outlier
yang ditemukan dalam bentuk data tunggal. Formula
umum Grubbs test adalah (Thode, C.H, 2002):
Uji Hipotesis |107
( )
( ̅ ( ))
( ( ) ̅)
| | | |
| | | |
∑ () ( )
∑ ( () ) ( )
↜oOo↝
Bab 5
KORELASI
- 110 -
Korelasi |111
A. Kovarians
Kekuatan hubungan linear antara dua variabel kontinu
ditentukan berapa besar saling berkovari. Kovarians merujuk
pada variasi antara variabel dengan variabel dimana jika
variasi nilai meningkat atau menurun dan variasi nilai
meningkat atau menurun maka dapat dikatakan bahwa
kedua variabel saling berkovariasi, begitu pula sebaliknya jika
variabel meningkat atau menurun dan variabel tidak
bervariasi maka dua variabel tidak berkovarians.
Kovarians mengandung arti bahwa antar kedua
variabel dan saling bervariasi satu sama lain. Sehingga
kovarians populasi dapat ditulis dalam bentuk (Keough and
Queen, 2002):
112| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
Variabel X Variabel Y
Terdapat Banyak
Ties/Rangking
Sama
Korelasi
Spearman
Korelasi Kendal
Korelasi Pearson
∑ ( ̅) ( ̅)
( )
atau:
( ) ∑ ( ̅ )( ̅ )
∑ ( ̅) ( ̅)
( )
[∑ ( ̅ )( ̅ )]
Korelasi (r) √
( )
114| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
∑ ( ̅ )( ̅ )
( )
( )( )
( )( )( )
√ √
√ √
√( )( )
√( )( )
√( )( )
( )( )
√( )( )
√
√
√
√
∑
[ ]
( )
Korelasi |123
dimana:
= koefisien korelasi spearman
= selisih ranking
= jumlah data
√
√
Membaca Menulis
Rank ( ) Rank ( ) ( ( ) ( ))
( ) ( )
44 3,5 33 1,0 6,25
55 10,0 39 2,0 64,00
42 2,0 49 6,0 16,00
57 12,5 52 8,5 16,00
57 12,5 57 13,0 0,25
63 16,5 57 13,0 12,25
50 8,0 59 15,5 56,25
34 1,0 46 4,5 12,25
44 3,5 52 8,5 25,00
124| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
[ ]
( )
̂
( ) ( )
√[ ][ ]
dengan:
( )
∑
( )
∑
126| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
Kecemasan
Relijiusitas Total
Ringan Sedang Berat Sangat Berat
Ringan 1 0 0 0 1
Sedang 5 7 0 0 12
Berat 0 9 15 4 28
Sangat Berat 0 2 1 4 7
Total 6 18 16 8 48
Sumber: Vika., dkk, 2017
( ) ( ) ( )
( ) ( ) ( )
Sehingga:
̂
( ) ( )
√[ ][ ]
Korelasi |127
̂
( ) ( )
√[ ][ ]
Nilai yaitu:
√
√
Correlations
Fungsi
Fungsional Depresi
Kendall’s tau_b Fungsi Correlation 1,0000 0,6110**
Fungsional Coefficient
Sig. (2-tailed) 0,0000 0,0000
N 48 48
Depresi Correlation 0,6110** 1,0000
Coefficient
Sig. (2-tailed) 0,0000 .
N 48 48
**. Correlation is significant at the 0.01 level (2-tailed)
( ̂ )
∑∑
̂
dengan:
= chi-square
= frekuensi baris dan kolom
̂ = frekuensi harapan
Frekuensi Observasi ( )
( )( )
̂
( )( )
̂
( )
maka dapat disimpulkan bahwa
terdapat hubungan antara sosial ekonomi status dengan
pemilihan sekolah.
↜oOo↝
Bab 6
REGRESI LINEAR SEDERHANA
- 131 -
132| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
Dimana:
̂ = Nilai prediksi
= Konstanta,
= Koefisien regresi
= Standar error
̂
̂
∑ ∑
∑
∑
Regresi Linear Sederhana |133
∑ ̂
∑ ∑
[ ]
∑ (∑ )
[ ] [ ]
∑ ∑
[ ]
∑ ∑
∑
[ ]
∑
[ ]
∑
[ ]
∑ ∑ ∑
( )
∑ ∑
∑ ∑
[ ][ ]
∑ ∑
∑ ∑ ∑ ∑
∑ ∑ (∑ )
∑
∑ ̅ ̅
∑ ̅
̅ ̅
∑ ̂ ̅ ∑̂ ̅
∑ ̅ ∑ ̅
∑( ̂)
Kuadrat Tengah
Keragaman Jumlah Kuadrat
(KT)
Regresi ∑ ̂ ̅
∑̂ ̅
Residual
Total
∑ ̅
Koefisien Determinasi ( )
Koefisien determinasi adalah proporsi keragaman
model yang diterangkan oleh peubah atau proporsi
Jumlah kuadrat regresi terhadap jumlah kuadrat total atau
proporsi keragaman yang terdapat dalam variabel . Dengan
demikian dapat diturunkan rumus perhitungan koefisien
determinasi seperti berikut:
∑ ̂ ̅
∑ ̅
∑ ̂
∑
Regresi Linear Sederhana |137
∑
( )
∑ [∑ ]
∑
√ ( )
∑ [∑ ]
√
∑ ∑
138| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
Slope ( ) √
∑ ∑
∑ ̅ ̅
∑ ̅ ̅
∑ ̅
∑ ̅
( ⁄ )
( ⁄ )
( ⁄ )
∑ ̅ ̅
Uji Linearitas
Uji linearitas bertujuan untuk menguji apakah model
yang terbentuk merupakan model linear atau tidak. Jika
model yang terbentuk antara X dan Y tidak bersifat linear
maka analisis regresi linear tidak dapat digunakan,
melainkan menggunakan model persamaan nonlinear.
Untuk mengetahui apakah model X dan Y yang terbentuk
merupakan model linear atau tidak dapat diuji dengan
pendekatan Uji F dengan cara membandingkan nilai kuadrat
tengah tuna cocok (KTTC) dengan kuadrat tengah sisa atau
galat dalam grup (KTGG) dan rumus yang digunakan untuk
mencari komponen tersebut disajikan pada tabel berikut:
Regresi Linear Sederhana |141
∑ ̅ ̅
⁄
⁄
( )
[ ]
Regresi Linear Sederhana |143
Analisis Keragaman
√ * +
∑ ∑
√ [ ]
√ [ ]
Koefisien Regresi
Parameter Sig.p
Standar Error
Intersep 16,7579 3,1162 5,3776 *
Slope ( ) 0,6666 0,0583 11,4375 **
Penyelesaian:
Berdasarkan tabel di atas maka komponen yang perlu
dipersiapkan dalam uji linearitas adalah jumlah kuadrat
grup, jumlah kuadrat linearitas, jumlah kuadrat deviasi
linearitas, jumlah kuadrat error grup dan jumlah kuadrat
total. Untuk mendapatkan jumlah kuadrat tersebut telah
tersedia pada analisis keragaman regresi sebelumnya kecuali
Regresi Linear Sederhana |147
̅ ̅ ̅ ̅
1 42,00 1764 5 52,00 13520
1 66,00 4356 7 56,71 22516
1 42,00 1764 13 56,00 40768
2 41,50 3445 6 60,50 21962
6 45,83 12604 2 56,00 6272
10 44,70 19981 5 57,20 16359
7 41,43 12014 7 59,00 24367
7 40,71 11604 4 58,00 13456
7 46,14 14904 5 59,60 17761
4 32,75 4290 5 62,40 19469
8 47,13 17766 3 58,67 10325
8 45,25 16381 4 54,00 11664
3 47,33 6721 2 55,50 6161
5 52,80 13939 1 66,00 4356
10 48,30 23329 2 59,50 7081
7 47,57 15841 1 63,00 3969
8 55,63 24753 4 64,75 16770
6 44,50 11882 3 60,33 10920
7 55,00 21175 1 69,00 4761
10 52,90 27984 2 69,00 9522
Jumlah 548475
Jumlah
Keragaman Kuadrat Tengah Sig
Kuadrat
Antar Grup 39 10790,17 276,67 5,0781 ***
Linearitas 1 7760,56 7,760,56 142,4392 ***
Deviasi 38 3029,44 79,72 1,4632 ns
Linearitas
Error Grup 160 8717,33 54,48
Total 199 19507,5
55
Kemampuan Lietraso Ilmiah
y = 0,4243x + 21,929
50
R² = 0,9063
45
40
35
30
25
20
39 44 49 54 59 64 69
Kemampuan Membaca
↜oOo↝
Bab 7
REGRESI LINEAR BERGANDA
A. Pengertian
Pada bab terdahulu telah dibahas tentang regresi linear
sederhana yaitu regresi yang menghubungkan satu variabel
bebas terhadap satu variabel terikat . Keberadaan satu
variabel bebas dalam memengaruhi satu variabel terikat
belum cukup membantu dalam memecahkan masalah
penelitian di bidang pendidikan. Pada umumnya sebuah
sistem dari variabel dipengaruhi oleh lebih dari satu
variabel yang memengaruhi.
- 154 -
Regresi Linear Berganda |155
Sampel
1
2
| | | || | | |
( ) ( ) ( ) ( )
Dimana:
: vektor kolom dari observasi variabel dependen
( )
: matriks dari observasi dari variabel
independen sampai
156| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
C. Pendugaan Parameter
Nilai parameter populasi dapat diduga dengan
menggunakan sampel sebanyak ( ) yang diambil
dari populasi normal berganda- (secara bersamaan).
Penduga bagi model di atas adalah:
| | | || |
̂ (7.1)
̂ (7.2)
∑ ∑ ∑ ̂
∑ ∑ ̂
| | | ∑ ∑ | || ||
∑ ∑ ∑ ∑ ̂
( ) ( ) ( ) ( )̂ (7.3)
( ) ( ) ̂ (7.4)
( ) ( ) ̂ (7.5)
( )
Transpos ( )
160| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
b. Invers Matriks
Hasil kali matriks ( )
2. Prosedur Doo-Little
Analisis regresi linear berganda secara manual juga
dapat dilakukan dengan menggunakan prosedur doo
little. Menurut Nugroho, (2008:138) Prosedur Doo-little
merupakan prosedur yang sangat berguna dalam
analisis regresi linier berganda.
Regresi Linear Berganda |161
(Nugroho, 2008)
No
Baris
1 n ∑ ∑ ∑ ∑ 1 0 0 0
2 ∑ ∑ ∑ ∑ 0 1 0 0
3 ∑ ∑ ∑ 0 0 1 0
4 ∑ ∑ 0 0 0 1
̂ ̂ ̂ ̂ (1)
̂ ̂ ̂ (2)
̂ ̂ (3)
(.)
̂ (p)
̂ ̂
̂ ̂
̂ ̂ ̂ ̂
Regresi Linear Berganda |163
̂ ̂ ̂ ̂ ̂
[∑ ]
∑
[∑ ]
∑
( )( )
[∑ ]
∑
164| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
∑ ̅
̅
̅ ( )
̅
Residu
Total ̅
( ) ( )( )
∑ ̅
∑ ( )
166| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
Keragaman JK
Regresi ∑ ( )
( ) 1 JK( )
( ) 1 JK( )
( ) 1 JK( )
Galat
Total
̂⁄ (7.9)
dimana:
̂ = Nilai koefisien regresi ke-
= Nilai simpangan baku koefisien regresi ke-
Regresi Linear Berganda |167
1. Prosedur Matriks
Secara matriks, simpangan baku masing-masing
koefisien regresi dapat dicari dengan formula:
( )
2. Prosedur Doo-little
Untuk melakukan uji parameter regresi secara
parsial, yaitu lawan , untuk
digunakan statistik uji-t pada persamaan (7.9).
Simpangan baku dari metode Doo-little dapat dirumuskan:
∑ ( )( )
2. Uji Multikolinearitas
Multikolinearitas adalah terjadinya korelasi
sempurna antar variabel bebas dalam regresi. Jika terjadi
multikolinearitas yang sempurna dalam model regresi
maka koefisien regresi tidak dapat diramalkan dan
standar error tidak dapat ditentukan (infinite). Mengapa
demikian karena terjadi ketidakbebasan variabel bebas
dalam memengaruhi variabel terikat atau dengan arti
lain adalah terjadi keterikatan antar variabel bebas itu
sendiri. Jika multikolinearitas terjadi sedikit sempurna
maka koefisien regresi masih dapat ditentukan namun
memiliki nilai standar error besar yang berarti bahwa
nilai koefisien tidak dapat diestimasi dengan tingkat
ketelitian dan keakuratan tinggi.
Multikolinearitas yang tinggi dalam model regresi
linear berganda akan berdampak pada:
a. Model regresi bersifat BLUE, estimator dari OLS
memiliki varians dan kovarians yang besar, sehingga
estimate dari ketepatan model menjadi sulit.
Regresi Linear Berganda |169
( )
⁄( )
3. Uji Autokorelasi
Autokorelasi yang dimaksudkan adalah terjadinya
korelasi residual antar waktu. Hal ini akan menyebabkan
persamaan regresi bersifat bias. Ada beberapa cara
mendeteksi autokorelasi dalam regresi yaitu melalui uji
Durbin Watson, Uji Breusch-Godfrey test, Box-Pierce dan
lain-lain. Tetapi uji autokorelasi yang tersedia di aplikasi
SPSS hanya uji Durbin Watson. Perhitungan nilai Durbin
Watson dari analisis regresi linear dapat digunakan rumus:
∑ ( )
∑
Pengambilan keputusan:
Nilai durbin watson (DW) yang diperoleh dibandingkan
dengan nilai du pada tabel Durbin Watson. Bila nilai
Durbin Watson yang diperoleh terletak antara –(
) maka tidak terjadi autokorelasi dalam residual
regresi. Jika terdapat autokorelasi maka strategi yang
dapat dilakukan adalah dengan mentransformasi
variabel dan penggunaan regresi dengan metode GLS.
4. Uji Heteroskedastisitas
Heteroskedastisitas adalah sifat residual yang
mempunyai varians yang tidak homogen, atau ( )
. Cara informal mendeteksi heteroskedastisitas
adalah melalui grafik yaitu grafik yang menghubungkan
nilai ̅ sebagai sumbu dan nilai sebagai sumbu .
Indikasi yang menentukan adanya heteroskedastisitas
adalah bila scater plot antara dan membentuk pola
tertentu. Bila antara sumbu dan dari nilai residu dan
prediksi tidak menunjukkan adanya pola tertentu maka
dapat dipastikan bahwa residual regresi tidak
mengandung heteroskedastisitas atau residu regresi
bersifat homoskedastisitas. Untuk lebih jelas tentang
deteksi heteroskedastisitas melalui grafik dapat dilihat
pada gambar berikut:
172| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
( ) ( ) ( )
( ) ( ) ( ) ( )
Regresi Linear Berganda |173
̂ √
̂
√
̂ √
̂ √
c. Uji White
Uji White dapat dilakukan dengan
meregresikan nilai residual kuadrat dengan variabel
independen, variabel independen kuadrat.
d. Uji Korelasi Spearmen
Langkah-langkah uji heteroskedastisitas dengan
uji Spearmen adalah:
1) Lakukan uji regresi atas dan tentukan nilai
mutlak residual
2) Hitung nilai korelasi absolute residual dengan
nilai
174| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
∑
[ ]
( )
√
√
∑̂ ̂
(̂)
(∑ ̂ )
Penyelesaian:
Prosedur Matriks
Matriks antara kemampuan membaca dan menulis
terhadap kemampuan IPS dapat disajikan berikut ini.
( ) ̂
( )
̂
| | | | |̂ |
̂
Invers Matriks ( )
Invers matriks adalah perkalian antara nilai determinan
suatu matriks dengan matriks adjoin dari matriks.
Sedangkan adjoin matriks ( ) adalah nilai dari transpos
kofaktor dari matriks , sedangkan kofaktor adalah matriks
dengan nilai-nilai yang terdapat dalamnya adalah nilai
minor dari matriks ( ). Minor adalah nilai determinan dari
matriks minor. Dengan demikian maka tahap-tahap dalam
invers matriks adalah:
1. Penentuan nilai determinan
Determinan adalah jumlah total hasil perkalian
diagonal matriks kanan – jumlah total perkalian diagonal
matriks kiri. Determinan matriks ( ) adalah:
( ) | | |
176| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
( )
( ) ( )
( ) ( )
2. Penentuan minor
Secara sederhana pengertian minor adalah
misalkan penentuan minor matriks baris ke-1 kolom ke-
1, maksudnya adalah elemen matriks yang tidak
termasuk baris ke-1 dan kolom ke-1. Jika matriks ukuran
3x3 maka matriks minor yang terbentuk adalah matriks
. Contoh matriks minor dari matriks ( ) adalah:
( ) | |
4. Adjoin
Adjoin (adj) adalah matriks transpos dari kofaktor.
Maka matriks kofaktor dari ( ) adalah:
5. Invers matriks
Invers matriks dirumuskan:
( ) [ ]
( )
( ) [ ]
( ) [ ]
( ) ( ) ( ̂)
̂
| || | |̂ |
̂
̂ ( ) ( )( ) ( )( )
̂ ( ) ( )( ) ( )( )
̂ ( ) ( )( ) ( )( )
̂
|̂ | | |
̂
Analisis Keragaman
Analisis keragaman pengaruh antara kemampuan
membaca ( ) dan menulis ( ) terhadap kemampuan sosial
sains ( ) adalah sebagai berikut:
[ ]
[ ]
[ ]
̅ ( )
[ ]( )
[ ]
[ ]
maka:
( )
√
( )
√
( )
√
Nilai dapat diperoleh:
Koefisien Regresi
Parameter Sig
Standar Error
Intersep 8,5575 3,3773 2,534 *
Membaca ( ) 0,4235 0,0656 6,268 **
Menulis ( ) 0,0731 0,0744 5,627 **
Prosedur Doo-Little
Hasil penaksiran koefisien regresi dengan menggunakan
prosedur Doo-little pada hubungan kemampuan membaca
( ) dan kemampuan menulis ( ) terhadap kemampuan
natural sains ( ) adalah sebagai berikut.
No I
Baris
1 200 10446 10555 10481 1 0 0
2 566514 562829 561036 0 1 0
3 574919 565382 0 0 1
4 200 10446 10555 10481 1 0 0
5 1 52,23 52,775 52,405 0,005 0 0
6 20919,42 11541,35 13613,37 -52,23 1 0
7 1 0,5517 0,6508 -0,0025 4,78E-05 0
8 11511,4537 4736,6598 -23,9594 -0,5517 1,0000
9 1 0,4115 -0,0021 0,0000 0,0001
Keterangan:
Baris ke 4 = [1, ]
Baris ke 5 = [4, ]/[4, b0]
Baris ke 6 = [2, ]-[ 4,b1][5, ]
Baris ke 7 = [6, ]/[6, b1]
Baris ke 8 = [2, ]-[ 4,b2][5, ]-[ 6, b2][7, ]
Baris ke 9 = [8, ]/[7, b2]
( )
Regresi Linear Berganda |183
( ) ( )
Analisis Keragaman
Analisis keragaman sebagai berikut:
( ) ( )( )
( ) ( )( )
Atau:
Analisis Parsial
̅ √∑ ( )( )
√( )( ) ( )( ) ( ) ( )
√( )( ) ( )( )
√( )( )
Regresi Linear Berganda |185
Nilai parsial : ̂⁄
Analisis parsial
Koefisien Regresi
Parameter Sig
Standar Error
Intersep 8,5575 3,3773 2,534 *
Membaca ( ) 0,4235 0,0676 6,268 **
Menulis ( ) 0,0731 0,0731 5,627 **
No Pre ( )⁄ ( )⁄ ( )⁄
1 -24,2559 0,0050 -3,1070 0,0009 0,0041 0,0041 0,0000 0,0009 0,0009
2 -22,5732 0,0100 -2,8915 0,0019 0,0081 0,0081
3 -20,3991 0,0150 -2,6130 0,0045 0,0105 0,0105
No ( )
1 2,8927 8,3674
2 -0,6488 2,8927 12,5419 0,4209
3 -9,7807 -0,6488 83,3918 95,6625
4 2,6420 -9,7807 154,3237 6,9801
5 11,1301 2,6420 72,0473 123,8782
6 12,4013 11,1301 1,6160 153,7917
7 6,9785 12,4013 29,4063 48,6997
∑ ( )
∑
3. Uji Multikolinearitas
Nilai korelasi antara dan adalah sebesar
0,5968. Nilai tersebut lebih kecil dari 0,8 sehingga dapat
diduga bahwa tidak terjadi multikolinearitas antar
variabel independen.
4. Uji Heteroskedastisitas
Pada kotak (7.1) akan dilakukan uji
heteroskedastisitas dengan menggunakan uji glejser.
Continue > OK
190| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
2. Uji Autokorelasi
3. Uji Heteroskedascisitas
4. Uji Multikolinearitas
Metode Belajar
No
Ceramah Diskusi Belajar Mandiri
1 70 70 72
2 70 71 73
3 71 72 74
4 71 73 76
5 73 74 76
6 74 75 77
7 75 76 78
8 74 77 76
194| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
9 77 78 78
10 78 74 80
11 79 80 81
12 80 81 82
13 81 80 83
14 80 83 83
15 83 84 84
16 84 85 85
17 85 86 86
18 86 88 87
19 87 - 88
20 90 - 90
Rata-rata 78,40 78,17 80,45
Hasil Belajar ( ) ̂
1 0 70 78,40
1 0 70 78,40
1 0 71 78,40
1 0 71 78,40
1 0 73 78,40
1 0 74 78,40
1 0 75 78,40
1 0 74 78,40
1 0 77 78,40
1 0 78 78,40
1 0 79 78,40
1 0 80 78,40
1 0 81 78,40
Regresi Linear Berganda |195
1 0 80 78,40
1 0 83 78,40
1 0 84 78,40
1 0 85 78,40
1 0 86 78,40
1 0 87 78,40
1 0 90 78,40
0 1 70 78,17
0 1 71 78,17
0 1 72 78,17
0 1 73 78,17
0 1 74 78,17
0 1 75 78,17
0 1 76 78,17
0 1 77 78,17
0 1 78 78,17
0 1 74 78,17
0 1 80 78,17
0 1 81 78,17
0 1 80 78,17
0 1 83 78,17
0 1 84 78,17
0 1 85 78,17
0 1 86 78,17
0 1 88 78,17
0 0 72 80,45
0 0 73 80,45
0 0 74 80,45
0 0 76 80,45
0 0 76 80,45
0 0 77 80,45
0 0 78 80,45
0 0 76 80,45
0 0 78 80,45
0 0 80 80,45
0 0 81 80,45
0 0 82 80,45
0 0 83 80,45
0 0 83 80,45
0 0 84 80,45
196| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
0 0 85 80,45
0 0 86 80,45
0 0 87 80,45
0 0 88 80,45
0 0 90 80,45
[ ] [ ]
( ) [ ] [ ]
JK Total
( ̅) ̅ ( )
JK Regresi
Estimasi nilai hasil belajar taksiran ( ̂ ) diperoleh dengan
menggunakan persamaan
– – . Pada tabel di atas terlihat bahwa
nilai taksiran merupakan nilai rata-rata dari masing-masing
kelompok. dapat dihitung dengan persamaan:
(̂ ̅) ∑̂ ̅
∑∑ ̂ ̅
∑ ̅ ̅
198| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
JK Residual
–
Analisis Varians
Keragaman Ket
Regresi 2 61,68103 30,8405 0,9747 ns
Residu 55 1740,25 31,6409
Total 57 1802
↜oOo↝
Bab 8
ANALISIS VARIANS
- 201 -
202| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
̅ ̅ ̅
̂ ̅ ̅ ̅
sehingga:
̂ ̅
dan
∑
Analisis Varians |203
Kelompok
Sampel
1 2
1
2
Jumlah ∑ ∑ ∑
Rata-rata ̅ ̅ ̅
∑ ̅ ̅
∑ ̅ ̅
atau
∑ ̅ ̅ ∑ ̅
∑ ̅ ̅
∑ ∑ ∑ ̅
∑ ∑ ( ̅)
∑ ∑ ̅
∑ ∑
Residual ∑ ∑ ∑ ̅
Total ∑ ∑ ̅
Metode Belajar
No
Ceramah Diskusi Belajar Mandiri
1 70 70 72
2 70 71 73
3 71 72 74
4 71 73 76
5 73 74 76
6 74 75 77
7 75 76 78
8 74 77 76
9 77 78 78
10 78 74 80
11 79 80 81
12 80 81 82
13 81 80 83
14 80 83 83
15 83 84 84
16 84 85 85
17 85 86 86
18 86 88 87
19 87 - 88
20 90 - 90
Rata-rata 78,40 78,17 80,45
Penyelesaian:
Jumlah Kuadrat Kelompok (metode pembelajaran)
∑ ̅ ̅
Analisis Varians |207
Metode Belajar
Belajar
No Ceramah Diskusi
Mandiri
( ) ( )
( )
1 70 4900 70 4900 72 5184
2 70 4900 71 5041 73 5329
3 71 5041 72 5184 74 5476
4 71 5041 73 5329 76 5776
5 73 5329 74 5476 76 5776
6 74 5476 75 5625 77 5929
7 75 5625 76 5776 78 6084
8 74 5476 77 5929 76 5776
9 77 5929 78 6084 78 6084
10 78 6084 74 5476 80 6400
11 79 6241 80 6400 81 6561
12 80 6400 81 6561 82 6724
13 81 6561 80 6400 83 6889
14 80 6400 83 6889 83 6889
15 83 6889 84 7056 84 7056
16 84 7056 85 7225 85 7225
17 85 7225 86 7396 86 7396
18 86 7396 88 7744 87 7569
19 87 7569 88 7744
20 90 8100 90 8100
Jumlah 123638 110491 129967
∑ ∑
⁄ √ [ ]
dengan:
BNT = Beda nyata terkecil
= Tingkat kepercayaan
= Kuadrat tengah galat
= Jumlah data kelompok ke-
= Jumlah data kelompok ke-
3. Uji Tukey’s
Uji Tukey’s meliputi seting interval keyakinan
untuk semua rata-rata pasangan perlakuan secara
simultan. Bentuk umum uji Tukey’s adalah:
(̅ ̅) √ ( )
(̅ ̅) √ ( )
4. Uji Bonferroni
Uji Modified Bonferroni dapat dilakukan dengan
menggunakan formula berikut:
̅ ̅
5. Planed Comparison
Perbandingan terencana adalah perbandingan rata-
rata dengan direncanakan sebelumnya. Perbandingan
rata-rata terencana terdiri dari dua bagian yaitu
polinomial kontras dan polinomial orthogonal.
a. Polinomial Kontras
Polinomial kontras merupakan uji
perbandingan rataan dengan membandingkan
gugus perlakuan dengan gugus kelompok lain. Jika
diasumsikan faktor kaffein dengan masing-masing
dosis adalah 0 g, 100 g dan 200 g terhadap tapping
speed. Melalui uji kontras maka dapat dibandingkan
apakah terdapat perbedaan tapping speed antara dosis
kaffein 0 g (tanpa kaffein) dengan tapping speed pada
dosis 200 g dan 300 g atau apakah terdapat
perbedaan tapping speed antara kelompok
pengkonsumsi kaffein dengan kelompok yang tidak
mengkonsumsi kaffein. Jumlah kuadrat kontras
dapat dihitung dengan formula:
Analisis Varians |211
dengan
̂ ∑ ̅
b. Ortogonal Polinomial
Cara perhitungan uji ortogonal polinomial
hampir sama dengan analisis kontras, yang
membedakan adalah nilai koefisien masing-masing
perbandingan yang digunakan. Polynomial
orthogonal lebih banyak digunakan untuk mencari
kecenderungan dari variabel respons.
Kecenderungan dari variabel respon yaitu bersifat
linear, kuadratik, kubik dan lain-lain bergantung
pada jumlah unit perbandingan yang digunakan.
Jumlah perbandingan adalah sebanyak jumlah
perlakuan dikurangi satu.
√ [ ]
√ [ ]
Analisis Varians |213
b. Uji DMRT
Nilai rata-rata masing perlakuan
Perlakuan 3 5 4 2
Rata-rata 84,22 82,42 81,91 78,90
Nilai DMRT
T / Pembanding 2 3 4
Nilai Tabel DMRT (q*0,05;t = 1) 2,85 3,00 3,10
DMRT 0,05 3,39 3,57 3,69
c. Uji Kontras
∑ ̅
Sumber
P
Keragaman
Pengaruh 140,2251 1 140,2251 8,3591 0,0059
Galat 738,102 44 16,7751
Variasi P
Jam Belajar 3 175,5323 58,5 3,49 0,0234
Linear 1 40,7550 40,7550 2,4295 0,1262
Kuadratik 1 69,3602 69,3602 4,1347 0,0481
Kubik 1 65,4170 65,4170 3,8997 0,0546
Galat 44 738,1025 16,7751
Total 47 913,6348
90
85
80
Hasil Belajar
70
65
60
2 2,5 3 3,5 4 4,5 5
Lama Belajar (Jam)
216| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
ANOVA
Hasil Belajar
Sum of Squares df Mean Square F Sig,
Between Kelompoks 286,266 3 95,422 6,117 0,001
Within Kelompoks 686,369 44 15,599
Total 972,635 47
Multiple Comparisons
Dependent Variable: Hasil Belajar
LSD
(I) Lama (J) Lama Mean 95% Confidence Interval
Std. Error Sig.
Belajar Belajar Difference (I-J) Lower Bound Upper Bound
3 -6,6500* 1,6124 0,000 -9,900 -3,400
2 4 -4,3417* 1,6124 0,010 -7,591 -1,092
5 -4,8500* 1,6124 0,004 -8,100 -1,600
2 6,6500* 1,6124 0,000 3,400 9,900
3 4 2,3083 1,6124 0,159 -0,941 5,558
5 1,8000 1,6124 0,270 -1,450 5,050
2 4,3417* 1,6124 0,010 1,092 7,591
4 3 -2,3083 1,6124 0,159 -5,558 0,941
5 -0,5083 1,6124 0,754 -3,758 2,741
2 4,8500* 1,6124 0,004 1,600 8,100
5 3 -1,8000 1,6124 0,270 -5,050 1,450
4 0,5083 1,6124 0,754 -2,741 3,758
* The mean difference is significant at the 0,05 level
* ∑ +
[∑ ]
dimana:
= Jumlah kelompok
= Jumlah sampel dalam kelompok
= Jumlah total sampel
̅ = Rata-rata rangking dalam kelompok
| | √ ( )
dengan:
*∑ ∑ +
No S1 S1 S1
Responden KE Rank_KE KE Rank_KE KE Rank_KE
1 60 1,0 65 4,5 70 8,5
2 62 2,0 65 4,5 70 8,5
3 65 4,5 71 11,0 70 8,5
4 65 4,5 74 14,5 72 12,5
5 70 8,5 75 17,0 75 17,0
6 72 12,5 76 19,5 80 24,5
7 74 14,5 76 19,5 85 27,5
8 75 17,0 79 21,5 86 29,5
9 80 24,5 79 21,5 90 32,0
10 85 27,5 80 24,5 94 34,0
11 86 29,5 80 24,5 95 35,0
12 90 32,0 90 32,0 99 36,0
Jumlah 178,0 214,5 273,5
ni 12 12 12
* ( )+
[ ]
* +
* +
| | √ ( )
Ranks
Pendidikan N Mean Rank
KE S1 12 14,83
S2 12 17,88
S3 12 22,79
Total 36
D. Uji Jonckheere–Terpstra
Pada bahasan sebelumnya dibahas tentang analisis
keragaman dengan variabel berupa variabel nominal dan
variabel kontinu dengan sebaran data variabel tidak
Analisis Varians |223
∑∑
√ √
∑
{ }
dengan
, * ∑ ∑ +
[∑ ] *∑ +
[∑ ] *∑ +-
[ ]
{ }
( )
∑
[ ]
( ) { }
Skor
1 21,0 9,0
2 14,0 8,0
3 20,0 11,0
4 19,5 11,0
5 20,0 6,5
6 20,0 7,0
7 20,5 7,0
8 19,5 11,0
9 24,0 11,0
10 24,0 12,0
11 20,5 7,0
12 24,0 11,0
Jumlah 247,00 111,50
Nilai Jonckheere–Terpstra .
Nilai rata-rata adalah:
( ( ))}
{ [ ]
}
Analisis Varians |227
{ }
Uji Lanjut
Nilai Hayter-Stone pada masing-masing perbandingan
kelompok adalah:
a. Perbandingan kelompok waktu belajar singkat (A)
dan sedang (B)
Nilai rangking Wicoxon dari kedua kelompok
tersebut adalah = 18, 20, 16, 14, 24, 23, 21.5, 17, 5,
4, 21.5, 8 dengan jumlah 192. Pada kelompok A tidak
terdapat ties, sehingga nilai adalah:
* +
[ ]
[ ]
{ }
[ ]
[ ]
{ }
[ ]
[ ]
{ }
Ranks
Kelompok N Mean Rank
Hasil Belajar Singkat 12 9,92
Sedang 12 18,71
Lama 12 26,88
Total 36
Jonckheere-Terpstra Test a
Hasil Belajar
Number of Levels in Kelompok 3
N 36
Observed J-T Statistic 358,500
Mean J-T Statistic 216,000
Std. Deviation of J-T Statistic 34,431
Std. J-T Statistic 4,139
Asymp. Sig. (2-tailed) 0,000
a. Kelompoking Variable: Kelompok
̅ ̅ ̅ (̅ ̅) ( ̅ ̅ ̅ ̅)
̂ ̅ ̅ ̅ (̅ ̅) ( ̅ ̅ ̅ ̅)
̂ ̅
∑ ∑ ̅
Analisis Varians |231
̅
̅
̅
̅
Rata-rata Total ̅ ̅
Faktor B Rata-rata
Faktor Faktor A
Faktor A
̅ ̅ ̅ ̅
̅ ̅ ̅ ̅
̅ ̅ ̅ ̅
Rata-rata Faktor B ̅ ̅ ̅
232| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
2. Analisis Keragaman
Model linear analisis varians dua jalur adalah:
∑ ̅ ̅
∑ ∑ ∑
∑̅
(∑ ∑ ∑ )
∑̅
∑ ̅ ̅
Analisis Varians |233
atau,
∑̅ ̅
∑̅
∑ ̅ ̅
∑ ̅
∑ ∑ ̅ ̅ ̅ ̅
234| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
∑ ∑ ̅ ∑ ̅ ∑ ̅
∑∑∑ ̅
∑∑∑ ̅
∑∑∑
∑∑∑ ̅
∑∑∑ ∑∑
Lama Sampel
Kemampuan Rata-rata
Belajar
Awal 1 2 3 4 interaksi
(jam)
2 79,30 83,80 82,00 82,50 81,90
3 85,50 87,20 87,50 87,00 86,80
Tinggi
4 84,00 86,80 83,10 87,80 85,43
5 83,30 84,00 82,80 82,50 83,15
2 80,30 81,80 80,00 82,50 81,15
3 84,00 86,80 83,10 87,80 85,43
Sedang
4 83,30 83,00 82,80 81,50 82,65
5 85,50 85,20 84,50 83,00 84,55
2 70,30 71,80 80,00 72,50 73,65
3 84,00 76,80 83,10 77,80 80,43
Rendah
4 73,30 73,00 82,80 81,50 77,65
5 75,50 75,20 84,50 83,00 79,55
Rata-rata 80,69 81,28 83,02 82,45
Rata-rata Total ( ) 81,86
Jam Belajar
Kemampuan Awal
2 3 4 5
Tinggi 81,90 86,80 85,43 83,15
Sedang 81,15 85,43 82,65 84,55
Rendah 73,65 80,43 77,65 79,55
Jam Belajar
Varietas
2 3 4 5
Tinggi 6707,61 7534,24 7297,43 6913,92
Sedang 6585,32 7297,43 6831,02 7148,70
Rendah 5424,32 6468,18 6029,52 6328,20
∑ ̅
∑ ̅ ∑ ̅ ∑ ̅
238| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
Jumlah Means
Sumber Keragaman db F Sig
Kuadrat square
Kemampuan Awal 2 398,17 199,09 22,91
Jam Belajar 3 175,53 58,51 6,73
Interaksi 6 35,80 5,97 0,69
Galat 35 304,17 8,69
Total 47 913,63
; ;
Jumlah Kuadrat
Sumber Keragaman db F Sig
Kuadrat Tengah
Kemampuan awal 2 398,17 199,085 24,5950
Jam belajar 3 175,53 58,51 7,2283
Galat 42 339,97 8,095
Total 47 913,63
⁄ √
Sumber Jumlah
Kuadrat Tengah
Keragaman Kuadrat
Faktor A ⁄ ⁄
Faktor B ⁄ ⁄
Faktor C ⁄ ⁄
⁄ ⁄
⁄ ⁄
⁄ ⁄
ABC ⁄ ⁄
Galat ⁄
Total –
↜oOo↝
Bab 9
ANALISIS BUTIR SOAL
- 244 -
Analisis Butir Soal |245
A. Uji Validitas
Untuk mendapatkan soal yang berkualitas tentu soal
tersebut memenuhi kriteria valid. Menurut (Blerkom, 2016)
terdapat tiga cara mendeteksi validitas soal yaitu validitas
isi, validitas kriteria dan validitas konstruk. Validitas uji
sangat bergantung pada indikator yang dimiliki oleh
masing-masing butir item yang membangun tes tersebut.
Validitas item adalah ketepatan mengukur dari sebutir item
dalam mengukur apa yang seharusnya diukur lewat butir
item tersebut (Sudijono, 2012).
Penilaian test dalam bentuk pilihan ganda teknik
penilaian dalam bentuk benar salah dengan jawaban salah
diberi skor nol dan jawaban benar diberi skor 1. Skala
penilaian tersebut merupakan skala nominal dengan
kategori binari. Teknik analisis validitas skala binari dapat
dilakukan dengan menggunakan koefisien korelasi biserial
dan koefisien korelasi poin biserial. Korelasi point biserial
menurut Soh (2016) adalah korelasi X dengan Y dimana
variabel X hanya memiliki dua peluang jawaban score yaitu
1 untuk jawaban benar dan 0 untuk jawaban salah.
Berdasarkan uraian di atas maka uji validitas butir soal
dapat dihitung dengan menggunakan teknik korelasi point
biserial ( ). Menurut Furqon, (2004) Persamaan korelasi
point biserial dirumuskan berikut ini:
dimana:
= korelasi point berserial
246| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
∑
( )
dimana:
= koefisien Alpha
= jumlah butir soal
= varians butir soal
= varians skor total
C. Tingkat Kesukaran
Indeks kesukaran soal adalah peluang untuk menjawab
benar butir soal pada tingkat kemampuan tertentu. Soal
dikatakan baik apabila soal tersebut tidak mudah dan tidak
juga sukar. Indeks kesukaran soal dinyatakan dalam bentuk
proporsi yang besarnya berkisar 0 sampai 1. Semakin besar
nilai indeks kesukaran soal semakin mudah soal tersebut.
Nilai tingkat kesukaran soal 0 berarti tidak ada siswa yang
bisa menjawab benar soal tersebut dan bila indeks kesukaran
bernilai 1 berarti semua siswa mampu menjawab benar soal
tersebut.
248| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
dimana:
= indeks kesukaran soal
= banyaknya siswa yang menjawab soal benar
= jumlah seluruh peserta tes
D. Daya Pembeda
Perhitungan daya pembeda adalah pengukuran sejauh
mana suatu butir soal mampu membedakan peserta didik
yang sudah menguasai materi dengan peserta didik yang
belum/kurang menguasai materi berdasarkan kriteria
tertentu. Manfaat analisis tingkat kesukaran soal adalah (1)
Analisis Butir Soal |249
dimana:
= daya pembeda yang dicari
= jumlah peserta tes
= banyaknya peserta kelompok atas
= banyaknya peserta kelompok bawah
= banyaknya peserta kelompok atas yang menjawab
benar
= banyaknya peserta kelompok bawah yang menjawab
benar
= proporsi peserta kelompok atas yang menjawab benar
= proporsi kelompok bawah yang menjawab benar
Kategori Kriteria
0,00 – 0,20 Tidak baik
0,21 – 0,40 Cukup
0,41 – 0,70 Baik
0,71 – 1,00 Baik sekali
Negatif Semuanya tidak baik (soal dibuang)
Analisis Butir Soal |251
E. Pengecoh (Distractor)
Pada soal bentuk objektif, terdapat satu pilihan
jawaban yang benar dan pilihan jawaban yang lain
merupakan pilihan jawaban yang salah. Jawaban jawaban
yang salah itulah yang disebut dengan istilah distractor
(pengecoh) (Sudijono, 2012). Tujuan dari pemasangan
pengecoh adalah agar testee yang mengikuti tes hasil belajar
banyak yang tertarik untuk memilih jawaban tersebut karena
menganggap jawaban tersebut adalah benar (Sudijono,
2012). Butir soal yang baik adalah butir soal yang
pengecohnya akan dijawab secara merata oleh peserta didik
yang menjawab salah. Pengecoh dianggap baik jika peserta
didik yang memilih pengecoh tersebut sama atau mendekati
jumlah ideal. Apabila seluruh alternatif jawaban pada suatu
butir soal tidak dipilih sama sekali oleh testee maka hal
tersebut disebut oniet dan dikenal dengan lambang O.
Efektivitas pengecoh dapat dihitung dengan rumus sebagai
berikut.
= indeks pengecoh
= jumlah peserta didik yang memilih pengecoh
= jumlah peserta didik yang ikut tes
= jumlah peserta didik yang menjawab benar pada
setiap soal
= jumlah alternatif jawaban (opsi)
= bilangan tetap
252| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
P14 1 0 1 0 1 1 1 1 0 0 6 36
P15 0 1 0 1 1 1 0 1 0 1 6 36
P16 1 0 1 1 1 1 1 1 1 0 8 64
P17 1 1 0 0 0 1 1 1 1 1 7 49
P18 1 0 0 0 1 1 1 0 0 0 4 16
P19 1 1 1 0 0 0 1 1 1 1 7 49
P20 1 0 0 0 1 1 1 0 0 1 5 25
Jumlah 17 9 12 8 14 17 16 14 13 12 132 926
0,85 0,45 0,60 0,40 0,70 0,85 0,80 0,70 0,65 0,60
0,15 0,55 0,40 0,60 0,30 0,15 0,20 0,30 0,35 0,40
∑
∑
√ √
√ √
P S1 S2 S3 S4 S5 S6 S7 S8 S9 S10
0,0659 0,5089 0,5288 0,3125 0,0385 -0,0989 0,3975 0,6810 0,6913 0,2885
√
√
Analisis Butir Soal |255
√
√
S1 S2 S3 S4 S5 S6 S7 S8 S9 S10
0,2805 2,5084 2,6437 1,3957 0,1637 -0,4218 1,8376 3,9456 4,0594 1,2782
P S1 S2 S3 S4 S5 S6 S7 S8 S9 S10
0,0656 0,5089 0,5289 0,3125 0,0386 -0,0989 0,3975 0,6810 0,6913 0,2885
0,2805 2,5084 2,6437 1,3957 0,1637 -0,4219 1,8377 3,9456 4,0594 1,2782
Ket Invalid Valid Valid Invalid Invalid Invalid Valid Valid Valid Invalid
Ket :
256| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
Uji Reliabilitas
Pada bahasan ini kita akan menguji reliabilitas pada
kasus data hasil tes di atas. Berikut kita akan melakukan uji
reliabitas Cronbach Alpha pada data hasil tes. Dari data hasil
tes di atas diperoleh nilai , Standar deviasi skort total
, sehingga nilai varians total .
Komponen yang belum diperoleh untuk mendapatkan nilai
koefisien Cronbach-alpha adalah nilai varians masing-
masing soal .
S1 S2 S3 S4 S5 S6 S7 S8 S9 S10
0,134 0,260 0,253 0,253 0,221 0,134 0,168 0,221 0,239 0,253
2. Reliabilitas Kuder-Richardson
Mungkin metode yang paling sering digunakan
untuk mengukur konsistensi internal adalah pendekatan
Kuder-Richardson, terutama formula dan .
Formula kedua membutuhkan hanya tiga lembar
informasi atau tiga jumlah item tes, rata-rata dan deviasi
standar. Formula adalah (Fraenkel and Wallen,
2009):
[ ]
dimana:
= jumlah items test,
= rata-rata skors test, and
= simpangan deviasi skors test.
[ ]
P S1 S2 S3 S4 S5
Jumlah 17 9 12 8 14
Kesukaran 0,85 0,45 0,6 0,4 0,7
Ket Mudah Sedang Sedang Sedang Sedang
Analisis Butir Soal |259
P S6 S7 S8 S9 S10
Jumlah 17 16 14 13 12
Kesukaran 0,85 0,8 0,7 0,65 0,6
Ket Mudah Mudah Sedang Sedang Sedang
Kelompok Atas:
P S1 S2 S3 S4 S5 S6 S7 S8 S9 S10
P1 1 1 1 1 1 1 1 1 1 1
P3 1 1 1 0 0 1 1 1 1 1
P8 1 1 1 0 0 1 1 1 1 1
P11 1 1 0 0 1 1 1 1 1 1
P16 1 0 1 1 1 1 1 1 1 0
P4 1 0 0 1 1 1 1 1 1 0
P5 1 1 1 1 1 0 0 0 1 1
P6 0 0 1 1 1 1 1 1 1 0
P9 1 1 1 0 0 0 1 1 1 1
P10 1 0 1 0 1 1 1 1 1 0
Jumlah 9 6 8 5 7 8 9 9 10 6
0,90 0,60 0,80 0,50 0,70 0,80 0,90 0,90 1,00 0,60
Kelompok Bawah:
P S1 S2 S3 S4 S5 S6 S7 S8 S9 S10
P12 1 0 1 1 1 1 1 1 0 0
P17 1 1 0 0 0 1 1 1 1 1
P19 1 1 1 0 0 0 1 1 1 1
P7 0 0 1 1 1 1 0 0 1 1
260| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
P14 1 0 1 0 1 1 1 1 0 0
P15 0 1 0 1 1 1 0 1 0 1
P2 1 0 0 0 1 1 1 0 0 1
P20 1 0 0 0 1 1 1 0 0 1
P18 1 0 0 0 1 1 1 0 0 0
P13 1 0 0 0 0 1 0 0 0 0
Jumlah 8 3 4 3 7 9 7 5 3 6
0,80 0,30 0,40 0,30 0,70 0,90 0,70 0,50 0,30 0,60
Daya Beda:
P S1 S2 S3 S4 S5
Daya Beda 0,10 0,30 0,40 0,20 0,00
Keterangan Tidak Baik Cukup Cukup Tidak Baik Tidak Baik
P S6 S7 S8 S9 S10
Daya Beda -0,10 0,20 0,40 0,70 0,00
Keterangan Buang Tidak Baik Cukup Baik Tidak Baik
↜oOo↝
Bab 10
ANALISIS INSTRUMEN PENELITIAN
- 262 -
Analisis Instrumen Penelitian |263
( ) ( )
√
( ) ( )
( ) ( )
Analisis Instrumen Penelitian |265
TI1 TI2 TI3 TI4 TI5 PK1 PK2 PK3 PK4 PK5
5 4 5 5 5 4 4 4 5 4
3 4 5 3 4 4 3 4 4 4
3 4 5 4 4 4 4 5 5 4
4 4 5 5 5 4 5 5 4 5
4 3 5 4 5 4 5 5 5 5
4 4 5 5 5 5 5 5 5 4
3 4 3 3 4 4 5 4 5 5
3 3 4 3 5 4 4 4 3 4
4 3 5 3 4 4 4 5 4 4
3 4 3 3 4 5 5 4 4 5
3 3 3 3 4 4 5 4 4 4
3 2 3 3 3 4 4 4 3 3
3 2 3 3 3 4 4 3 3 4
2 3 3 3 5 4 4 3 4 4
4 4 4 3 3 4 4 5 4 4
4 3 2 3 4 4 4 3 4 3
266| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
4 4 3 2 4 4 4 4 4 4
4 4 4 3 4 3 3 4 4 4
4 3 2 4 4 4 4 4 4 4
3 3 4 3 4 5 5 5 4 4
Sumber: Maryono, 2010
TI1 TI2 TI3 TI4 TI5 PK1 PK2 PK3 PK4 PK5
2 1 2 2 1 0 0 0 0 0 0
3 9 8 7 13 3 1 2 3 3 2
4 9 10 4 3 11 16 11 10 12 14
5 1 0 7 3 6 3 7 7 5 4
2. Frekuensi Kumulatif
TI1 TI2 TI3 TI4 TI5 PK1 PK2 PK3 PK4 PK5
2 1 2 2 1 0 0 0 0 0 0
3 10 10 9 14 3 1 2 3 3 2
4 19 20 13 17 14 17 13 13 15 16
5 20 20 20 20 20 20 20 20 20 20
3. Proporsi Kumulatif
TI1 TI2 TI3 TI4 TI5 PK1 PK2 PK3 PK4 PK5
2 0,05 0,10 0,10 0,05 0,00 0,00 0,00 0,00 0,00 0,00
3 0,50 0,50 0,45 0,70 0,15 0,05 0,10 0,15 0,15 0,10
4 0,95 1,00 0,65 0,85 0,70 0,85 0,65 0,65 0,75 0,80
5 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
4. Z_Value
5. Kerapatan
TI1 TI2 TI3 TI4 TI5 PK1 PK2 PK3 PK4 PK5
2 0,1031 0,1755 0,1755 0,1031 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,3989 0,3989 0,3957 0,3476 0,2331 0,1031 0,1755 0,2331 0,2331 0,1755
4 0,1031 0,0000 0,3703 0,2331 0,3476 0,2331 0,3703 0,3703 0,3177 0,2799
5 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
7. Nilai Tertimbang ( )
TI1 TI2 TI3 TI4 TI5 PK1 PK2 PK3 PK4 PK5
3,0623 2,7546 2,7546 3,0623 2,5541 3,0623 2,7546 2,5541 2,5541 2,7546
268| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
TI1 TI2 TI3 TI4 TI5 PK1 PK2 PK3 PK4 PK5
2 1,0000 1,0000 1,0000 1,0000 - - - - - -
3 2,4051 2,1961 2,1253 2,6861 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
4 3,7195 3,5523 2,8816 3,8257 2,3459 2,8998 2,4003 2,2797 2,4131 2,6054
5 5,1246 - 3,8127 4,6164 3,7128 4,6164 3,8127 3,6121 3,8249 4,1542
TI1 TI2 TI3 TI4 TI5 PK1 PK2 PK3 PK4 PK5
1 5,1246 3,5524 3,8127 4,6164 3,7128 2,8998 2,4003 2,2797 3,8249 2,6054
2 2,4051 3,5524 3,8127 2,6861 2,3459 2,8998 1,0000 2,2797 2,4131 2,6054
3 2,4051 3,5524 3,8127 3,8257 2,3459 2,8998 2,4003 3,6121 3,8249 2,6054
4 3,7195 3,5524 3,8127 4,6164 3,7128 2,8998 3,8127 3,6121 2,4131 4,1542
5 3,7195 2,1961 3,8127 3,8257 3,7128 2,8998 3,8127 3,6121 3,8249 4,1542
6 3,7195 3,5524 3,8127 4,6164 3,7128 4,6164 3,8127 3,6121 3,8249 2,6054
7 2,4051 3,5524 2,1253 2,6861 2,3459 2,8998 3,8127 2,2797 3,8249 4,1542
8 2,4051 2,1961 2,8816 2,6861 3,7128 2,8998 2,4003 2,2797 1,0000 2,6054
9 3,7195 2,1961 3,8127 2,6861 2,3459 2,8998 2,4003 3,6121 2,4131 2,6054
10 2,4051 3,5524 2,1253 2,6861 2,3459 4,6164 3,8127 2,2797 2,4131 4,1542
11 2,4051 2,1961 2,1253 2,6861 2,3459 2,8998 3,8127 2,2797 2,4131 2,6054
12 2,4051 1,0000 2,1253 2,6861 1,0000 2,8998 2,4003 2,2797 1,0000 1,0000
13 2,4051 1,0000 2,1253 2,6861 1,0000 2,8998 2,4003 1,0000 1,0000 2,6054
14 1,0000 2,1961 2,1253 2,6861 3,7128 2,8998 2,4003 1,0000 2,4131 2,6054
15 3,7195 3,5524 2,8816 2,6861 1,0000 2,8998 2,4003 3,6121 2,4131 2,6054
16 3,7195 2,1961 1,0000 2,6861 2,3459 2,8998 2,4003 1,0000 2,4131 1,0000
17 3,7195 3,5524 2,1253 1,0000 2,3459 2,8998 2,4003 2,2797 2,4131 2,6054
18 3,7195 3,5523 2,8816 2,6861 2,3459 1,0000 1,0000 2,2797 2,4131 2,6054
19 3,7195 2,1961 1,0000 3,8257 2,3459 2,8998 2,4003 2,2797 2,4131 2,6054
20 2,4051 2,1961 2,8816 2,6861 2,3459 4,6164 3,8127 3,6121 2,4131 2,6054
∑ ( ̅ )( ̅ )
( )
Dengan:
= item ke- dan
= items total
270| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
( )
Interval Kategori
1,00 – 1,80 Sangat Tidak Menguasai
1,81 – 2,60 Tidak Menguasai
2,61 – 3,40 Cukup Menguasai
3,41 – 4,20 Menguasai
4,21 – 5,00 Sangat Menguasai
Interval Kategori
1,00 – 1,80 Sangat Tidak Produktif
1,81 – 2,60 Tidak Produktif
2,61 – 3,40 Cukup Produktif
3,41 – 4,20 Produktif
4,21 – 5,00 Sangat Produktif
Analisis Instrumen Penelitian |277
Sangat
4 4,6 Sangat Menguasai 4,6
Produktif
Sangat
5 4,2 Menguasai 4,8
Produktif
Sangat
6 4,6 Sangat Menguasai 4,8
Produktif
Sangat
7 3,4 Cukup Menguasai 4,6
Produktif
8 3,6 Menguasai 3,8 Produktif
9 3,8 Menguasai 4,2 Produktif
Sangat
10 3,4 Cukup Menguasai 4,6
Produktif
11 3,2 Cukup Menguasai 4,2 Produktif
12 2,8 Cukup Menguasai 3,6 Produktif
13 2,8 Cukup Menguasai 3,6 Produktif
14 3,2 Cukup Menguasai 3,8 Produktif
15 3,6 Menguasai 4,2 Produktif
16 3,2 Cukup Menguasai 3,6 Produktif
17 3,4 Cukup Menguasai 4 Produktif
18 3,8 Menguasai 3,6 Produktif
19 3,4 Cukup Menguasai 4 Produktif
Sangat
20 3,4 Cukup Menguasai 4,6
Produktif
b. Penentuan range
Range pada data di atas adalah ( )
c. Penentuan interval kelas
Jumlah kelas berdasarkan instrumen penelitian
adalah 5
Interval Kategori
100 – 180 Sangat Tidak Menguasai
181 – 260 Tidak Menguasai
261 – 340 Cukup Menguasai
341 – 420 Menguasai
421 – 500 Sangat Menguasai
Interval Kategori
100 – 180 Sangat Tidak Produktif
181 – 260 Tidak Produktif
261 – 340 Cukup Produktif
341 – 420 Produktif
421 – 500 Sangat Produktif
Interval Kategori
20 – 36 Sangat Tidak Menguasai
37 – 52 Tidak Menguasai
53 – 68 Cukup Menguasai
69 – 84 Menguasai
85 – 100 Sangat Menguasai
Analisis Instrumen Penelitian |281
Interval Kategori
20 – 36 Sangat Tidak Produktif
37 – 52 Tidak Produktif
53 – 68 Cukup Produktif
69 – 84 Produktif
85 – 100 Sangat Produktif
Interval Kategori
5–9 Sangat Tidak Menguasai
10 – 13 Tidak Menguasai
14 – 17 Cukup Menguasai
18 – 21 Menguasai
22 – 25 Sangat Menguasai
Interval Kategori
5–9 Sangat Tidak Produktif
10 – 13 Tidak Produktif
14 – 17 Cukup Produktif
18 – 21 Produktif
22 – 25 Sangat Produktif
Analisis Instrumen Penelitian |283
↜oOo↝
Bab 11
ANALISIS RATER
- 286 -
Analisis Rater |287
Peneliti/Rater 2
Kategori Total
Kategori 1 Kategori 2
Kategori 1
Peneliti/Rater 1 Kategori 2
Total
288| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
dengan
⁄ ⁄
dengan
Standar Error
Nilai standar error koefisien Cohen Kappa dapat
dihitung dengan persamaan berikut:
̂ ̂ √̂ ̂
∑ [ ] ∑ ∑
̂ ̂
dengan:
= proporsi baris dan kolom ke- kolom ke- dengan
atau nilai matriks diagonal positif
= proporsi baris ke-
= proporsi kolom ke-
= proporsi baris dan kolom ke- dengan
= jumlah proporsi harapan
= jumlah proporsi kesamaan
Peneliti/Rater 2
Kategori
Kategori 1 Kategori 2
Kategori 1
Peneliti/Rater Kategori 2
1
̂ ̂ ̂
290| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
Rater 2
Penilaian
Baik Kurang
Baik 9 1
Rater 1
Kurang 2 3
Proporsi
Baik Kurang
Baik 0,600 0,067 0,667 0,733
Kurang 0,133 0,200 0,333 0,267
0,733 0,267 N =15
0,667 0,333
∑ ∑
∑ ∑
maka:
̂ ̂
̂ ̂
̂ ̂
̂ ̂ ̂
B. Weighted Kappa
Weighted kappa merupakan teknik analisis
kesepahaman bila skala pengukuran ordinal. Proses analisis
nilai weighted Kappa dapat dilakukan dengan cara mencari
nilai weighted terlebih dahulu. Fleiss, Cohen, and Everitt
(1969) dalam (Lin, Hedayat, Wu. 2012) mengajukan cara untuk
menghitung weighted kappa menggunakan persamaan:
∑∑
dan
∑∑
ketika i = j
bila
| |
294| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
Nilai Skor
Indikator Pernyataan Validator Skor Total
1 2
1 4 4 8
2 4 4 8
Tujuan dan 3 4 5 9
Pendekatan 4 4 4 8
5 4 3 7
6 4 5 9
Desain dan 1 4 5 9
Pengorganisasian 2 4 5 9
Analisis Rater |295
3 4 4 8
4 4 4 8
5 4 4 8
6 4 4 8
7 4 4 8
8 4 3 7
9 4 3 7
1 5 5 10
2 4 4 8
Isi Kebahasaan
3 5 5 10
4 4 5 9
1 4 5 9
2 4 4 8
3 5 4 9
Keterampilan
4 4 5 9
5 4 4 8
6 5 4 9
1 4 4 8
2 5 5 10
Metodelogi
3 5 5 10
4 4 5 9
Sumber: Septyani Dwi Suryani, 2016
Skor Validator 2
Skor Validator 1 1 2 3 4 5
1 0 0 0 0 0
2 0 0 0 0 0
3 0 0 0 0 0
4 0 0 3 12 8
5 0 0 0 2 4
Validator 2
Validator 1 Jumlah
1 2 3 4 5
1 0,000 0,000 0,000 0,000 0,000 0,000
2 0,000 0,000 0,000 0,000 0,000 0,000
3 0,000 0,000 0,000 0,000 0,000 0,000
4 0,000 0,000 0,103 0,414 0,276 0,793
5 0,000 0,000 0,000 0,069 0,138 0,207
Jumlah 0,000 0,000 0,103 0,483 0,414
| | | |
| | | |
| | | |
Analisis Rater |297
| |
Weighted Kappa:
1 2 3 4 5
1 1,00 0,75 0,50 0,25 0,00
2 0,75 1,00 0,75 0,50 0,25
3 0,50 0,75 1,00 0,75 0,50
4 0,25 0,50 0,75 1,00 0,75
5 0,00 0,25 0,50 0,75 1,00
Validator 2
Validator 1 Jumlah
1 2 3 4 5
1 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,0000 0,0000 0,0776 0,4138 0,2069 0,6983
5 0,0000 0,0000 0,0000 0,0517 0,1379 0,1897
∑ ∑ 0,8879
Validator 2
Validator 1 1 2 3 4 5
1 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,0000 0,0000 0,0776 0,4138 0,2069
5 0,0000 0,0000 0,0000 0,0517 0,1379
Validator 2 Jumlah
Validator 1 1 2 3 4 5
1 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,0000 0,0000 0,0615 0,3829 0,2461 0,6905
5 0,0000 0,0000 0,0107 0,0749 0,0856 0,1712
∑ ∑ 0,8618
∑ ∑
̅ ∑ (∑ ∑ )
̅ ∑
̅ ̅
̅
∑ ∑
∑
∑ (∑ ) ∑
∑
Analisis Rater |301
Kategori
Siswa Tidak Jumlah Kuadrat
Takut Cemas Gemetaran
Semuanya
1 4 2 20
2 1 2 3 14
3 1 4 1 18
4 2 1 1 2 10
302| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
5 1 5 26
6 1 5 26
7 2 3 1 14
8 3 3 18
9 2 4 20
10 3 3 18
11 4 2 20
12 1 4 1 18
13 3 3 18
14 4 2 20
15 2 2 1 1 10
Jumlah 21 20 33 16
0,2333 0,2222 0,3667 0,1778
∑ ∑ 270
̅ ( )
̅
D. Analisis Kendall W
Koefisien kendal W digunakan untuk mengukur inter
rater agreement dimana skala data pengukuran data ordinal
dan jumlah rater lebih dari dua.
Analisis Rater |303
dengan:
∑
∑
∑
∑
dengan:
∑
Uji signifikansi
Hipotesis yang diajukan dalam uji kendall’s W
adalah peringkat yang diberikan rater tidak berhubungan
satu sama lain. Untuk menguji hipotesis tersebut dapat
dilakukan dengan mengkonversi nilai kedalam distribusi
dan membandingkan dengan nilai tabel dengan nilai
derajat bebas . Formula yang digunakan untuk
mengkonversi nilai ke dalam nilai distribusi adalah:
304| STATISTIKA PENDIDIKAN (Teori dan Aplikasi SPSS)
maka adalah:
Rater1 2 5 2 0 0 0 0 0 0 0
Rater2 2 3 4 0 0 0 0 0 0 0
Rater3 0 2 0 5 0 0 0 0 0 0
Rater4 3 0 0 5 0 0 0 0 2 0
( )
Klasifikasi ICCs
Berdasarkan desain penilaian, Shrout and Fleiss (1979)
dalam Doi and Williams (2013:34) mendefinisikan tiga tipe
ICCs (tipe 1–3):
1. : masing-masing target (misalnya penelitian
kertas) dinilai oleh penilai berbeda. Absolut
rater (one-way random effects).
2. : sama tapi penilai/rater dapat dipertukarkan
pada masing-masing target. Perjanjian
mutlak, karena perbedaan sistematis yang
relevan (two way random efek).
Analisis Rater |309
Penimbang Ahli
Jenis Evaluasi Jumlah
A B C D
1 1 2 0 1 4
2 1 3 3 2 9
3 3 8 1 4 16
4 6 4 3 3 16
5 6 5 5 6 22
6 7 5 6 2 20
7 8 7 7 9 31
8 9 9 9 8 35
↜oOo↝
DAFTAR PUSTAKA
- 312 -
Daftar Pustaka |313
https://nces.ed.gov/surveys/hsb/.
Kusaeri. 2014. Acuan dan teknik Penilaian Proses & Hasil Belajar
Kurikulum 2013. Yogyakarta: Ar-Ruzz Media.
↜oOo↝
Lampiran 1 Data yang Digunakan dalam Contoh
Tabel t 5