Ebook Statistik Pendidikan (Teori Dan Aplikasi SPSS)

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.
STATISTIK PENDIDIKAN
(Teori dan Aplikasi SPSS)
KUTIPAN PASAL 72:
Ketentuan Pidana Undang-Undang Republik
Indonesia
Nomor 19 Tahun 2002 tentang HAK CIPTA
1. Barang siapa dengan sengaja dan tanpa hak melakukan

perbuatan sebagaimana dimaksud dalam Pasal 2 ayat (1)
atau Pasal 49 ayat (1) dan ayat (2) dipidana dengan
pidana penjara masing-masing paling singkat 1 (satu)
bulan dan/atau denda paling sedikit Rp 1.000.000,00
(satu juta rupiah), atau pidana penjara paling lama 7
(tujuh) tahun dan/atau denda paling banyak Rp
5.000.000.000,00 (lima milyar rupiah).
2. Barang siapa dengan sengaja menyiarkan, memamerkan,
mengedarkan, atau menjual kepada umum suatu ciptaan
atau barang hasil pelanggaran Hak Cipta atau Hak Terkait
sebagaimana dimaksud dalam ayat 1, dipidana dengan
pidana penjara paling lama 5 (lima) tahun dan/atau denda
paling banyak Rp 500.000.000,00 (lima ratus juta rupiah).
Zaini, S.Hut.
Pekalongan - Indonesia
Copyright © 2022
Penulis:
Zaini, S.Hut.
Editor:
Moh. Nasrudin
(SK BNSP: No. Reg. KOM.1446.01749 2019)
Setting Lay-out & Cover:

Tim Redaksi
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
Hak Cipta dilindungi oleh Undang-Undang.

Dilarang memperbanyak sebagian
atau seluruh isi buku ini tanpa izin tertulis dari Penerbit
Cetakan ke-1, Maret 2022
ISBN: 978-623-423-185-4
Kata Pengantar
Syukur alhamdulillah ke hadirat Allah Swt. atas ridho

dan perkenan-Nya penulis dapat menghadirkan buku yang
berjudul “STATISTIK PENDIDIKAN (Teori dan Aplikasi
SPSS)” dengan menggunakan analisis secara manual dan
menggunakan aplikasi SPSS. Buku ini diperlukan sebagai
landasan, pedoman atau rujukan bagi para mahasiswa,
peneliti yang ingin mendalami dan menggunakan teknik
analisis data melalui statistik dengan baik dan benar untuk
menghasilkan data penelitian khusunya yang menggunakan
pendekatan penelitian kuantitatif.
Buku referensi ini menjelaskan konsep praktis dan
aplikatif dalam mengerjakan penyelesaian permasalahan
dalam dunia pendidikan melalui pendekatan statistik yang
langsung menyentuh langsung kepada menjawab persoalan-
persoalan yang diajukan dalam pertanyaan penelitian. Kami
berharap buku ini dapat melengkapi buku-buku referensi
Statistik yang sudah ada, sekaligus sebagai bahan bacaan
dan penambahan wawasan bagi mahasiswa, peneliti
maupun pembaca lainnya.
Akhirnya, ucapan terima kasih penulis sampaikan
kepada semua pihak yang turut berkontribusi dalam
penyelesaian buku referensi ini. Semoga buku referensi ini
dapat bermanfaat bagi mahasiswa, peneliti dan para
pembaca yang berminat mempelajari Statistik Pendidikan
dengan menggunakan analisis secara manual dan aplikasi
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.
Jambi, Maret 2022

Penulis
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
BAB 2 PENGENALAN SOFTWARE STATISTIK SPSS __ 16

A. Menu Bar SPSS __ 16
B. Entri Data SPSS __ 17
BAB 3 DESKRIPTIF STATISTIK __ 21

A. Analisis Deskriptif __ 21
B. Pemusatan dan Penyebaran Data __ 23
C. Tabulasi Silang/Cross Tabulasi __ 29
D. Kemiringan dan Keruncingan Data __ 34
E. Distribusi Frekuensi __ 39
F. Grafik __ 45
BAB 4 UJI HIPOTESIS __ 52

A. Uji Hipotesis Satu Kelompok Sampel __ 53
B. Uji Hipotesis Dua Kelompok Sampel __ 56
C. Uji Hipotesis Dua Kelompok Berpasangan __ 73
vii
D. Asumsi Parametrik untuk Model Linear __ 83
E. Transformasi Data dan Outlier __ 102
BAB 5 KORELASI __ 110

A. Kovarians __ 111
B. Koefisien Korelasi Pearson __ 113
C. Koefisien Korelasi Partial __ 118
D. Koefisien Korelasi Spearmen __ 121
E. Analisis Korelasi Kendall-Tau __ 125
F. Uji Asosiasi Data Nominal __ 127
BAB 6 REGRESI LINEAR SEDERHANA __ 131

A. Regresi melalui Titik Pusat __ 132
B. Estimasi Parameter Regresi Linear Sederhana __ 133
C. Analisis Keragaman Regresi Linier Sederhana __ 135
D. Pengujian Hipotesis Partial Regresi Linear Sederhana
__ 137
E. Asumsi Analisis Regresi Linear __ 138
F. Hubungan antara Koefisien Regresi dan Korelasi __ 138
G. Hubungan Kovarians, Koefisien Regresi, dan Korelasi
__ 140
H. Analisis Regresi Linear Sederhana (Manual) __ 141
I. Analisis Regresi Linear Sederhana (SPSS) __ 151
BAB 7 REGRESI LINEAR BERGANDA __ 154

A. Pengertian __ 154
B. Model Persamaan Regresi Linear Berganda __ 154
C. Pendugaan Parameter __ 156
D. Analisis Keragaman Regresi Linear Berganda __ 163
E. Analisis Parsial Koefisien Regresi __ 166
F. Uji Asumsi Klasik __ 167
viii
G. Analisis Regresi Linear Berganda (Manual) __ 174
H. Analisis Regresi Linear Berganda (SPSS) __ 188
I. Regresi Variabel Dummy __ 191
BAB 8 ANALISIS VARIANS __ 201

A. Analisis Varians Satu Arah __ 202
B. Inferensia Pascaanalisis Keragaman __ 208
C. Uji Kruskal Wallis __ 217
D. Uji Jonckheere–Terpstra __ 222
E. Analisis Varians Dua Jalur __ 230
BAB 9 ANALISIS BUTIR SOAL __ 244

A. Uji Validitas __ 245
B. Reliabilitas Skor Tes __ 246
C. Tingkat Kesukaran __ 247
D. Daya Pembeda __ 248
E. Pengecoh (Distractor) __ 251
F. Analisis Butir Soal (Manual) __ 252
BAB 10 ANALISIS INSTRUMEN PENELITIAN __ 262

A. Konversi Data Ordinal Menjadi Data Interval __ 264
B. Analisis Validitas dan Reliabilitas Instrumen __ 268
C. Deskripsi Instrumen Penelitian __ 275
BAB 11 ANALISIS RATER __ 286

A. Analisis Cohen Kappa __ 287
B. Weighted Kappa __ 293
C. Analisis Fleiss Kappa __ 300
D. Analisis Kendall W __ 302
E. Intraclass Correlation Coefficient __ 307
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)
mudah dipahami dengan menyajikan data dalam bentuk

tabel, diagram, rata-rata persentase, dan sebagainya; Statistik
merupakan teknik untuk membuat perbandingan;
memperluas pengalaman individu (dengan cara mempelajari
kesimpulan berdasarkan penilaian lain); mengukur besaran
suatu gejala; menentukan hubungan sebab akibat, dapat
menentukan sebab-sebab pokok suatu gejala yang
selanjutnya digunakan untuk mengadakan prediksi
(Budiyuwono; 1987 dalam Malik dan Chusni; 2018).
Adapun fungsi statistik dalam dunia pendidikan sangat
strategis terutama bagi para pendidik, peserta didik,
pengambil kebijakan, peneliti dan lain-lain dapat menjadi
alat bantu dalam mengolah, menganalisis, dan
menyimpulkan hasil penelitian yang dicapai dalam kegiatan
penilaian bidang pendidikan. Penggunaan statistik sebagai
alat bantu diperoleh gambaran dan perembangan secara
umum dan khusus tentang suatu gejala, keadaan atau
peristiwa di bidang pendidikan. Gejala, keadaan dan
peristiwa yang diperoleh melalui gambaran secara deskriptif
dapat dilakukan pula pengujian apakah gejala satu berbeda
dengan gejala lain atau tidak dan apakah suatu gejala ada
hubungan dengan gejala lain atau tidak. Melalui
pengamatan gejala peristiwa dan kejadian serta dengan
melakukan uji inferensial maka dapat diramalkan
kemungkinan gejala peristiwa yang akan terjadi di masa
mendatang, dan lankah konkret apa yang kemungkinan
perlu dilakukan oleh seorang pendidik untuk menghadapi
peristiwa yang akan terjadi di masa akan datang (Sudijono,
2006).
Menurut Peck, et al. (2008) terdapat tiga alasan penting
mengapa kita harus memahami ilmu statistik di antaranya
Pendahuluan |3
adalah untuk menyampaikan informasi, untuk memahami

berbagai isu dan mampu membuat keputusan berdasarkan
data, dan mampu mengevaluasi keputusan yang
memengaruhi kehidupan kita. Menurut Mundir, (2012)
pengumpulan data dan analisis data yang dilakukan oleh
peneliti terutama dalam menentukan populasi dan sampel
penelitian sangat membutuhkan peran statistik untuk
membantu peneliti dapat melakukan penelitian secara efektif
dan efisien namun hasilnya tetap akurat dan dapat
dipertanggungjawabkan tingkat validitas dan relibelitasnya,
namun juga statistik dapat membantu peneliti dalam
memudahkan memaparkan data dalam bentuk angka-angka
atau grafik sehingga membantu peneliti dalam membaca data
yang telah terkumpul sehingga peneliti dapat mengambil
keputusan yang dapat digunakan sebagai hasil penelitian,
dan membantu peneliti dalam melihat terdapat atau tidak
korelasi antara variabel yang satu dengan variabel yang lain,
juga membantu peneliti dalam melihat terdapat atau tidak
adanya perbedaan antara kelompok yang satu dengan
kelompok yang lain atas objek yang diteliti, selanjtunya juga
membantu peneliti dalam melakukan prediksi untuk waktu
yang akan datang berdasarkan data yang lalu dan data
sekarang, membantu peneliti dalam melakukan interpretasi
atau penarikan kesimpulan atas data yang telah terkumpul
untuk menjawab sebuah persoalan penelitian.
Penelitian merupakan sebuah metode kerangka kerja
yang sistematis yang terdiri dari menelaah dan merumuskan
masalah, merumuskan hipotesis, menentukan teori dan
metode, menentukan populasi dan sampel mengumpulkan
fakta/data, menganalisis fakta/data untuk mendapatkan
kesimpulan tertentu baik dalam bentuk solusi terhadap
masalah yang bersangkutan atau dalam bentuk generalisasi

tertentu untuk mendapatkan formulasi teoritis. Sehingga
ditemukan suatu jawaban atas pertanyaan pertanyaan
melalui prosedur ilmiah, kerja ilmiah menggunakan kerja
statistik lebih dominan pendekatan yang digunakan dalam
penelitian ini adalah dengan menggunakan pendekatan
kuantitatif.
Penelitian kuantitatif lebih identik dengan menjawan
persolan dengan menggunakan cara kerja analisis statistik
yang merupakan penelitian yang memandang tingkah laku
manusia dapat diramal dan objektif dan dapat diukur
menggunakan instrumen penelitian yang valid dan reliabel
sehingga hasil penelitian dapat menjawab masalah persoalan
bersdasarkan rumusan masalah, hipotises, kajian teori,
populasi dan sampel penelitian.
Penentuan masalah penelitian oleh peneliti dapat
dilakukan melalui observasi, kajian teoritis, dan
pengembangan penelitian terdahulu melalui studi relevan.
Hasil observasi maupun hasil sebuah perlakuan di
bidang pendidikan harus dijelaskan secara detail melalui
deskriptif statistik. Tujuannya adalah untuk menemukan
bagaimana deskripsi dari hasil penelitian melalui
pengukuran pemusatan data, pola penyebaran data dan
bentuk ketajaman data yang diperoleh. Analisis deskriptif
juga berguna sebagai panduan untuk melakukan uji
inferensial berdasarkan hipotesis yang dibangun.
Sebagaimana contoh seperti kemampuan siswa dalam
proses pembelajaran juga harus selalu dipantau untuk
menemukan tingkat keberhasilan dari proses belajar
mengajar. Keberhasilan dalam proses pembelajaran terlihat
dari aktivitas siswa selama proses pembelajaran dan
Pendahuluan |5
keberhasilan hasil belajar dari sejumlah tes soal pada siswa.

Pengukuran aktivitas belajar siswa dapat dilihat dengan
mengamati keaktifan siswa mengikuti proses pembelajaran
yang ditandai dengan siswa cermat dan aktif melakukan
proses pembelajaran. Keaktifan siswa dalam mengikuti
pembelajaran sangat bergantung pada iklim kelas, model
pembelajaran yang diterapkan dan media pembelajaran
yang digunakan.
Pengukuran hasil belajar siswa juga bergantung pada
kualitas soal yang diberikan. Kualitas soal tercermin dari
validitas dan reliabilitas soal, tingkat kesukaran soal, dan
daya pembeda soal. Untuk dapat menemukan tingkat
kesukaran soal dan daya pembeda soal maka dapat
dilakukan analisis kesukaran dan daya beda soal baik secara
klasik maupun secara modern.
Hasil belajar yang tercermin dari hasil tes kemudian
dianalisa apakah hasil belajar sudah tercapai atau belum
yang tercermin dari kriteria nilai minimal. Jika hasil evaluasi
pendidikan menunjukkan hasil yang belum maksimal. Maka
perlu dilakukan suatu eksperimen tentang penyebab
kegagalan siswa dalam memahami bahan ajar yang
diberikan. Faktor penyebab bisa saja berasal dari diri siswa,
dari guru maupun dari faktor lingkungan.
Faktor dari guru bisa saja seperti sulitnya siswa
memahami materi yang diajarkan. Kesulitan dalam
pemahaman bisa saja disebabkan model dan teknik
penyampaian bahan ajar. Suatu model dan teknik
pembelajaran harus diciptakan sebaik mungkin agar tercipta
kondisi belajar yang kondusif dan siswa mampu menyerap
pelajaran maksimal. Untuk itu, sebelum mempraktikkan
model dan teknik pembelajaran yang baik maka sebuah
model dan teknik pembelajaran harus dievaluasi terlebih

dahulu. Evaluasi tersebut bisa dilakukan oleh para pakar di
bidang terkait. Sehingga ditemukan kesepakatan/agreement
yang tinggi oleh dua pakar atau lebih dari model yang
digunakan. Kesepakatan dari pakar dapat dilakukan dengan
mengajukan instrumen dan kemudian dianalisis dengan
Cohen Kappa, intraclass korelasi maupun metode lainnya.
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
Variasi dari karakter populasi dalam suatu sistem

dapat dijelaskan dengan melakukan pengukuran dari variasi
yang terdapat pada atribut populasi tersebut seperti
pengukuran hasil belajar. Agar karakteristik populasi
berdasarkan peubah/variabel yang diamati dapat
dideskripsikan maka variasi nilai tersebut disederhanakan
dalam bentuk pemusatan, penyebaran, dan keragaman data
yang lebih dikenal dengan deskriptif statistik.
Berdasarkan hubungan, variabel terdiri dari variabel
bebas dan variabel terikat. Variabel bebas merupakan
variabel yang memengaruhi variasi nilai pada variabel
terikat. Sedangkan variabel terikat merupakan variabel yang
dipengaruhi oleh variasi nilai dari variabel bebas. Pada suatu
penelitian hubungan antar variabel maka posisi variabel
bebas harus benar-benar bebas atau tidak dipengaruhi oleh
variabel lain dari seluruh variabel bebas yang diteliti. Untuk
mengatasi kesalahan yang ditimbulkan antar variabel bebas
maka harus dikaji secara teoritis tentang apakah variabel
bebas dalam studi yang dilakukan bersifat intervening atau
moderating. Variabel moderating merupakan variabel yang
bersifat memperkuat atau memperlemah hubungan antara
variabel bebas dengan variabel terikat. Sedangkan variabel
intervening adalah variabel yang menjadi pendukung
hubungan antara variabel bebas dengan variabel terikat atau
variabel bebas akan memengaruhi variabel terikat melalui
perantara variabel intervening.
C. Hipotesis Penelitian
Analisis deskriptif belum dapat diambil kesimpulan
tentang perbedaan respons suatu objek yang diakibatkan
oleh adanya beberapa perlakuan. Karena analisis deskriptif
hanya menggambarkan kondisi populasi yang diwakili oleh

hasil penarikan sampel yang presentatif. Hal yang paling
penting dalam analisis data statistik adalah mampu
membuat sebuah keputusan tentang distribusi populasi dari
sampel yang diambil. Mengingat uji hipotesis adalah hal
yang paling penting dalam studi beberapa ilmu pengetahuan
maka sangat diperlukan adanya analisis inferensial. Analisis
inferensial ditujukan untuk menjawab hipotesis yang dibuat
sebelumnya.
Uji Hipotesis statistik pada dasarnya memiliki dua
dasar konsep yaitu pertama kita harus membuat hipotesis
null ( ) yang biasanya merupakan hipotesis tidak ada
perbedaan, hubungan atau pengaruh antara dua parameter
populasi. Seperti rata-rata kemampuan membaca kelompok
laki-laki tidak berbeda dengan rata-rata kemampuan
membaca kelompok perempuan. Konstruk dari hipotesis
null dapat dilakukan dengan menghitung deviasi dari
distribusi sampling yang diketahui kemudian
membandingkan dengan nilai tabel distribusi. Penentuan
probabilitas dari uji statistik dapat dilakukan dengan
hipotesis menolak jika nilai probabilitas ( ) yang
diperoleh lebih kecil (Biasanya Sig. ).
Uji hipotesis dapat dilakukan dengan mendeskripsikan
parameter populasi dan tulis Hipotesis Null dan Hipotesis
Alternatif.
Tabel 1.1 Bentuk Uji Hipotesis dan
Hipotesis Null ( ) Hipotesis Alternatif ( )

Lebih besar atau sama dengan ( ) Kurang dari ( )
Kurang dari atau sama dengan ( ) Lebih dari ( )
Sama dengan ( ) Tidak sama dengan ( )
Pendahuluan |9
Setelah hipotesis dibuat, kemudian tentukan kriteria uji

hipotesis. Kriteria dari uji hipotesis parametrik adalah data
harus berdistribusi normal dan homogen. Untuk dapat
melakukan uji hipotesis maka lakukan pengumpulan
sampel. Kumpulkan informasi sampel sesuai dengan kaidah
penarikan sampel. Tentukan nilai uji statistik. Setelah nilai
uji statistik diperoleh maka tentukan nilai probabilitas,
apakah nilai probabilitas lebih kecil atau lebih besar dari .
Ambil keputusan tentang dan catat kesimpulan .
D. Metode Analisis Data

Secara umum Prosedur statistik terbagi dua yaitu
deskriptif statistik dan statistik inferensial. Deskripsi statistik
meliputi aktivitas pengumpulan data, mempresentasikan
data dan mendeskripsikan data. Sedangkan statistik
inferensial adalah teknik menginterpretasikan nilai dari hasil
deskripsi data untuk membuat keputusan dan membuat
kesimpulan atas populasi dan membangun hubungan sebab
akibat yang terjadi berdasarkan hasil analisis inferensial.
Populasi adalah suatu kumpulan set individu dan fakta
untuk dianalisis. Populasi ada dua kelompok yaitu populasi
finite dan undefinit. Populasi finite adalah populasi yang
dapat didaftarkan secara fisik, sedangkan populasi undefinite
adalah populasi di mana anggotanya tidak terbatas. Populasi
yang berjumlah besar atau tidak terbatas akan menyulitkan
bagi kita mempelajari karakter populasi tersebut. Untuk
dapat mempelajari karakter populasi tersebut maka seorang
peneliti harus mengambil sampel yang merupakan unit
anggota dalam suatu populasi. Penarikan sampel harus
mencerminkan sedekat mungkin dengan karakter populasi
atau penarikan sampel harus representatif atau mewakili
populasi sesuai dengan variabel yang diamati. Suatu

pengambilan sampel sudah mewakili populasi akan
ditunjukkan bila dilakukan pengambilan ulang sampel dari
populasi yang sama akan menghasilkan nilai kera-gaman
yang mendekati sama.
Pengukuran populasi dikenal istilah variabel. Variabel
adalah karakter individual dari elemen populasi.
Pengukuran karakteristik sampel disebut dengan statistik
dan karakter dari populasi disebut dengan parameter. Nilai
data dari pengumpulan karakter populasi adalah suatu set
nilai dari variabel yang berasosiasi satu sama lain dalam
elemen populasi. Data adalah nilai yang dikumpulkan dari
pengumpulan data. Sedangkan eksperimen merupakan
suatu aktivitas yang terencana yang menghasilkan suatu set
data dari lapangan. Variabel secara mendasar terbagi dua
yaitu variabel yang dihasilkan dari informasi kualitatif dan
variabel yang dihasilkan dari informasi kuantitatif. Variabel
kualitatif data yang dikumpulkan berupa data nominal dan
ordinal sedangkan variabel kuantitatif data yang
dikumpulkan berupa data interval dan data rasio.
Penaksiran karakter populasi harus mengikuti aturan
berikut:
1. Parameter yang dihasilkan tidak bersifat bias yang
berarti bahwa nilai yang diharapkan dari sampel statistik
akan sama dari parameter. Pengulangan sampel tidak
menyebabkan under estimate dan over estimate.
2. Sampel yang dihasilkan harus konsisten sehingga
peningkatan ukuran sampel akan mendapatkan nilai
yang mendekati parameter populasi.
Pendahuluan |11
Sampling harus efisien, yang berarti bahwa sampel

yang dihasilkan memiliki varians yang paling rendah di
antara semua estimator. Besar kecilnya jumlah sampel yang
diambil sangat memengaruhi varians. Semakin kecil jumlah
sampel maka semakin besar varians dari sampel yang
diambil. Sampel dianggap mewakili populasi bila nilai
varians dari sampel rendah, dan peningkatan jumlah sampel
terhadap varians akan membentuk kurva S yang berarti
peningkatan jumlah sampel akan cenderung membentuk
nilai varians yang konstan.
Menurut Frankel and Wallen (2009) terdapat sedikit
panduan yang memperkirakan jumlah sampel minimum
yang dibutuhkan. Untuk studi deskriptif jumlah sampel
minimum esensial adalah 100, untuk studi korelasional
jumlah sampel minimum 50, untuk studi eksperimental dan
studi komparatif direkomendasikan jumlah sampel
minimum masing-masing kelompok sebanyak 30, meskipun
studi eksperimental dengan jumlah sampel 15 masing
kelompok dapat dipertahankan jika ia terkontrol.
Pengujian data empiris umumnya menggunakan
menggunakan statistik inferensial. Melalui uji inferensial
maka kita dapat menggambarkan populasi dari sampel yang
diambil kemudian kita dapat melakukan hipotesa terhadap
data statistik. Secara umum analisis data statistik terbagi tiga
kelompok yaitu:
1. Analisis univariat
Analisis univariat adalah analisis data statistik
dengan melibatkan satu variabel seperti uji t satu
sampel.
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
pengelompokan manusia berdasarkan jenis kelamin

yaitu laki-laki dan perempuan, yang sering diberi
kode 1 (laki-laki) dan kode 0 (perempuan). Skala 1
dan 0 tersebut tidaklah memiliki arti secara numerik
hanya sebagai simbol. Contoh lain dari skala data
nominal adalah pengelompokan berdasarkan jenis
pekerjaan, ras, status perkawinan dan lain-lain.
Pemberian skala untuk pengelompokan lebih dari
dua biasanya dimulai dari angka 1, 2 dan 3 dan
seterusnya.
b. Skala Ordinal
Skala ordinal merupakan skala yang
menunjukkan pengelompokan anggota sampel
berdasarkan tingkatan yang mengarah pada
penggambaran perbedaan kualitas. Sebagai contoh
dari skala ordinal seperti pengelompokan tingkat
kesejahteraan, Pengelompokan berdasarkan umur
(<13 tahun = anak-anak; 13-19 tahun = remaja; 20-75
dewasa; dan >75 lansia). Pengelompokan tersebut
menunjukkan bahwa kelompok usia anak-anak
memiliki perbedaan kualitas baik di bidang
produktivitas kerja, kualitas pemikiran dan lain-lain
dibandingkan kelompok remaja, maka
pengelompokan tersebut dikenal dengan skala
ordinal. Contoh lain dari skala ordinal adalah seperti
pengelompokan keluarga berdasarkan jumlah
anggota keluarga yang terdiri dari ; keluarga kecil <4
orang, keluarga sedang 5-7 orang dan keluarga besar
>8 orang.
Skala ordinal bisa diperoleh langsung dari data
lapangan, penentuan dengan menggunakan skala
likert dan bisa juga diperoleh dengan cara

menurunkan dari skala interval dan rasio menjadi
data ordinal. Namun ada juga yang mengonversi
data ordinal menjadi data interval. Akan tetapi
dalam buku ini kita tidak membahas tentang
perdebatan boleh tidaknya mengkonversi data
ordinal menjadi interval melainkan juga akan
menyajikan cara konversi data ordinal menjadi
interval.
Proses konversi data interval menjadi data
ordinal, lebih disarankan agar lebih berhati-hati dalam
melakukan konversi tersebut. Konversilah skala
interval menjadi ordinal jika dibutuhkan dan
kelompokkan berdasarkan kriteria tertentu. Penentuan
kriteria bisa diperoleh berdasarkan standar variabel
yang digunakan seperti pengelompokan tingkat
pendidikan dasar berkisar 0-9 tahun, pendidikan
menengah 0-12 tahun dan >12 tahun pendidikan
tinggi. Jika kita keliru dalam melakukan
pengelompokan maka pengelompokan tersebut tidak
memiliki arti secara statistik. Seperti contoh, kita
membagi data umur berdasarkan beberapa kelas
interval pada pengaruh umur terhadap produktivitas
kerja, kelas interval 1 yaitu 20-30; interval 2 yaitu 31-40;
dan seterusnya. Pengelompokan tersebut tidak
memiliki arti secara statistik. Karena kelompok umur
kelas interval tersebut tidak berbeda satu dengan
lainnya. Pada kasus tersebut maka kelompok tingkatan
umur seperti <50 tahun produktif dan >50 tahun non
produktif berdasarkan pengelompokan yang telah
disepakati oleh beberapa ahli.
Pendahuluan |15
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
Perkembangan teknologi di bidang komputer

khususnya di bidang software statistik telah memudahkan
kita untuk menyederhanakan data dan melakukan inferensi
statistik. Buku ini hanya membahas jenis software statistik
yaitu SPSS. SPSS dari SPSS Inc merupakan produk software
yang popular dan sangat baik digunakan untuk menyajikan
data dalam berbagai bentuk.
A. Menu Bar SPSS

Menu bar yang terdapat pada SPSS dapat dilihat pada
gambar berikut:
Menu bar of SPSS user interface:

File : Berisi tentang perintah membuka file (*.sav),
syntax files (*.sps), output files (*.spo), print
operations, dan lainnya
Edit : Memasukkan variabel dan memasukkan baris
View : View konfigurasi lembaran kerja yang meliputi,
nama variabel dan tipe nilai
Data : Memasukkan dan menghapus variabel dan
baris
- 16 -
Pengenalan Software Statistik SPSS |17
Transform : Operasi lebih lanjut tentang data yang meliputi

record data untuk membuat variabel baru
Analyze : Statistical analysis tools
Graphs : Pembuatan grafik
B. Entri Data SPSS

Ketika kita mengklik program SPSS maka akan muncul
layar, dan menu perintah akan keluar tentang data yang
akan dibuka. Jika kita tidak memiliki data file dalam folder
yang akan dibuka maka klik cancel pada layar tersebut.
Entry data dapat dilakukan dengan dua cara yaitu dengan
cara mengcopy dari microsoft excel kemudian dipaste pada
tampilan layar new data file pada SPSS. Cara kedua adalah
dengan mengimport file dari Microsoft excel, STATA, SAS
dan lain lain dari menu file type SPSS.
Cara lain entry data ke dalam SPSS adalah dengan
mengimport data dari Microsoft Excel. Prosedurnya adalah:
1. Klik program SPSS
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:
4. Klik Files of Type dan Ubah SPSS Statistic (*Sav) menjadi

Excel (*xls, *xlsx, *Xlsm) seperti pada gambar di atas.
Setelah itu pilih lokasi folder tempat file yang akan di
Pengenalan Software Statistik SPSS |19
import dalam SPSS, sebagai berikut (sebagai contoh data

dari “Jafar Titik Didih.xlsx”:
5. Setelah file dipilih kemudian klik Open

6. Conteng Tanda “Read Variable names from the first
row of data” dan pilih sheet seperti pada gambar di atas,
Lalu klik OK, dan data anda sudah selesai di import ke

dalam SPSS dan siap dilakukan analisis.
7. Klik Data view untuk mengedit data jika ada data yang
perlu diedit.
8. Lalu simpan data yang telah diimport tersebut dengan

mengklik menu
File > Save
↜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 -
Statistika Deskriptif digunakan untuk mendiskripsikan

atau menganalisa data hasil penelitian tetapi tidak
mengambil kesimpulan yang lebih luas terhadap ciri-ciri
populasi. Ruang lingkup dari statistika deskriptif meliputi
konsep dasar statistika, distribusi frekuensi, pengukuran
nilai pusat, pengukuran penyebaran, kemiringan dan
keruncingan, penyajian data dalam bentuk diagram (Nalim
dan Turmudi, 2012).
Deskriptif statistik merupakan penggambaran atau
penjelasan tentang karakteristik populasi melalui parameter
statistik yang dihitung secara terpisah untuk masing-masing
parameter maupun dihitung secara bersama-sama. Deskripsi
populasi melalui karakteristik populasi secara terpisah
seperti karakteristik minat belajar siswa di masa pandemi
yang dideskripsikan melalui parameter statistik rata-rata,
standar deviasi dan lain-lain. Pada umumnya deskripsi
karakteristik populasi secara tunggal meliputi analisis
pemusatan data (rata-rata, minimum, maksimum, median,
dan modus), penyebaran data (varians dan standar deviasi),
dan ketajaman data (kemiringan/skewness dan keruncingan/
kurtosis) dari parameter populasi atau sampel.
Deskripsi kondisi populasi melalui pengamatan
karakteristik populasi yang dianalisis secara bersamaan
adalah untuk mendapatkan gambaran populasi bila dua atau
lebih karakter populasi digabungkan untuk mendapatkan
suatu informasi ilmiah. Sebagai contoh adalah penentuan
tingkat kelulusan peserta didik, jika prasyarat nilai kelulusan
adalah Matematika, Bahasa Inggris dan Bahasa Indonesia,
maka ketiga nilai tersebut yang diperoleh dari hasil ujian
digabungkan sehingga membentuk variabel turunan baru
yaitu variabel tingkat kelulusan. Penggabungan dua atau
Deskriptif Statistik |23
lebih karakter populasi untuk diambil deskripsinya lebih

mudah dilakukan jika menggunakan perhitungan melalui
aplikasi statistik salah satunya melalui SPSS.
B. Pemusatan dan Penyebaran Data

Pengukuran pemusatan data (tendency central) secara
umum meliputi pengukuran rata-rata (mean), median
(median), dan modus (mode). Nilai rata-rata menggambarkan
informasi tentang nilai tengah dari parameter. Rata-rata
dikatakan memberikan informasi sangat baik bila diiringi
dengan nilai interval kepercayaan dari nilai rata-rata tersebut
(confident interval), di mana interval rata-rata memberikan
rentang nilai kepercayaan rata-rata dari populasi sehingga
informasi yang dihasilkan dari suatu parameter populasi
atau sampel dapat memberikan informasi yang lebih luas.
Semakin kecil jarak rata-rata dengan batas atas dan batas
bawah dari nilai interval rata-rata maka semakin baik
informasi yang diberikan. Formula yang digunakan untuk
menghitung rata-rata dan interval kepercayaan dari rata-rata
dapat dilihat pada Tabel 3.1.
Nilai rata-rata yang dihitung dari suatu parameter
dalam populasi akan memberikan informasi yang sangat baik
juga dipengaruhi oleh jumlah sampel yang diambil. Semakin
besar jumlah sampel yang diambil maka semakin dapat
dipercaya nilai interval rata-rata tersebut, dan bila jumlah
sampel yang diambil sedikit maka semakin besar rentang nilai
interval rata-rata tersebut. Walaupun demikian, dalam
kondisi tertentu jika kondisi populasi mendekati seragam
maka besar kecilnya sampel yang diambil tetap memberikan
informasi dengan kepercayaan yang tinggi. Pengukuran nilai
tengah (tendency central) dapat juga dilihat dari nilai median
yang merupakan nilai dari titik tengah suatu set data.

Sedangkan nilai modus menampilkan nilai yang sering
muncul dari pengukuran parameter populasi tersebut. Rata-
rata dan median sama-sama menunjukan nilai tengah.
Perbedaannya adalah nilai rata-rata menggambarkan nilai
tengah dari set data, sedangkan median menggambarkan nilai
dan titik tengah dari set data. Penggunaan rata-rata
digunakan dalam statistika parametrik, sedangkan median
digunakan dalam statistika bayesian.
Analisis deskriptif dari karakter populasi juga lebih
baik menampilkan nilai maksimum dan minimum. Nilai
maksimum dan minimum dari penarikan sampel dapat
digunakan untuk melihat kondisi data yang mencolok
(pencilan/outlier). Data outlier adalah data yang memiliki
kecenderungan nilai yang ekstrim dibandingkan dengan
data lain dari populasi yang sama. Data outlier dari sampel
akan mempengaruhi pola sebaran data dan akan cenderung
membentuk distribusi data tidak normal yang merupakan
prasyarat analisis inferensial parametrik.
Analisis deskriptif dari suatu parameter statistik dalam
suatu populasi belum cukup hanya menampilkan nilai tengah
(rata-rata, median dan modus), melainkan juga harus
menampilkan penyebaran data. Variasi data atau penyebaran
data akan menggambarkan kondisi penyimpangan data dari
nilai rata-rata. Varians juga merupakan hal penting dalam
perhitungan keragaman populasi. Varians itu sendiri
merupakan ukuran yang menyatakan sejauh mana
penyimpangan data sekitar nilai rata-rata sehingga varians
( atau ) dapat didefinisikan sebagai:
( ) ( ) ( )
sehingga:
[∑ ]
∑ ∑ ̅
( )
Standar deviasi ( atau ) merupakan ukuran dari akar

penyimpangan dari varians. Koefisien variasi ( )
merupakan proporsi penyimpangan data dari nilai rata-rata.
Tingkat keyakinan 95% interval rata-rata digunakan

untuk mengukur seberapa besar presisi (kedekatan nilai)
populasi dari nilai rata-rata. Formula yang digunakan untuk
menghitung varians, standar deviasi dan standar error dapat
dilihat pada Tabel 3.1. Beberapa formula umum yang
digunakan untuk mendeskripsikan data melalui parameter
populasi secara deskriptif disajikan pada tabel berikut:
Tabel 3.1 Parameter Umum Populasi dalam Sampel Statistik
Data
Parameter
Tunggal Kelompok
∑ ∑
Rata-rata ( ̅)
∑
(∑ ) (∑ )
∑ ∑
Varians ( ) ∑
∑
Standar Deviasi ( ) √ √
Koefisien Variasi
( ) ̅ ̅
Standard Error ( )
√ √
Interval rata-rata
̅ ( ) ̅ ( )
95%
Aspek lain yang juga dianggap penting dalam

deskripsi variabel adalah pengukuran ketajaman data yang
meliputi keruncingan (kurtosis) dan kemiringan (skewness)
data. Jika sampel berasal dari distribusi normal maka akan
lebih memudahkan untuk menentukan proporsi dari
populasi. Penyimpangan rata-rata dalam standar deviasi
digunakan formula:
Dengan adalah deviasi normal atau skors deviasi normal.

merupakan nilai data ke- , merupakan rata-rata sampel
dan sebagai nilai standar deviasi.
1. Analisis Deskriptif Statistik Data Tunggal (Manual)
Seorang peneliti melakukan penelitian tentang
komitmen pekerjaan. Data hasil penelitian disajikan
pada tabel berikut:
Tabel 3.2 Kecerdasan Emosi, Kepuasan Kerja,

dan Komitmen Pekerjaan
Kecerdasan Kepuasan Komitmen

Jenis Kelamin
Emosi Kerja Pekerjaan
Laki-laki 72 66 93
Perempuan 54 55 77
Perempuan 60 72 97
Perempuan 55 70 67
Laki-laki 42 50 80
Laki-laki 66 52 82
Perempuan 90 62 99
Laki-laki 48 70 66
Perempuan 88 82 100
Laki-laki 92 80 88
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
42 1764
66 4356
90 8100
48 2304
88 7744
92 8464
Jumlah 94914
Standar deviasi ( ):
√
Standar error rata-rata ( ):
Koefisien variasi (CV):
Interval rata-rata
Nilai ( ) sebesar 1,73 maka interval rata-rata 95%
adalah:
̅ ( ) ̅ atau ( ) .
2. Analisis Deskriptif (Menggunakan SPSS)

Analisis Deskriptif melalui SPSS dapat dilakukan
dengan langkah berikut:
a. Analyze > Descriptive Statistic > Descriptive >

Masukkan Variabel yang akan dianalisis > Option >
centang Dispertion dan distribution > OK
b. Continue > OK
Hasil analisis seperti berikut:
C. Tabulasi Silang/Cross Tabulasi

Tabulasi silang artinya adalah kita membuat data dalam
bentuk baris dan kolom terhadap parameter dari variabel
continue. Misalnya kita membuat tabulasi silang kemampuan
membaca dari latar belakang gender dan ras yang berbeda.
Pada tabulasi silang tersebut kita jadikan kolom gender dan
ras kita jadikan baris, kemudian matriks di dalamnya adalah

nilai rata-rata dari kemampuan membaca.
1. Analisis Tabulasi Silang (Manual)
Berikut ini kita sajikan tabulasi silang kecerdasan
emosi berdasarkan jenis kelamin data pada tabel 3.2.
Tabulasi silang Kecerdasan Emosi berdasarkan jenis
kelamin.
Jenis Kelamin Rata Standar Deviasi

Laki-laki 67.33 11.99
Perempuan 66.18 10.32
Berdasarkan pengolahan data pada tabel 3.2

dengan tabulasi silang diperoleh informasi bahwa jenis
kelamin laki-laki memiliki nilai rata-rata kecerdasan
emosi lebih tinggi dibandingkan jenis kelamin
perempuan. Variabel Kecerdasan emosi di atas dapat
juga disederhanakan dalam bentuk kualitatif seperti
pada tabel berikut:
Jenis Kelamin Kecerdasan Emosi Kategori

Laki-laki 72 Tinggi
Perempuan 54 Rendah
Perempuan 60 Rendah
Perempuan 55 Rendah
Laki-laki 42 Rendah
Laki-laki 66 Rendah
Perempuan 90 Tinggi
Laki-laki 48 Rendah
Perempuan 88 Tinggi
Laki-laki 92 Tinggi
Laki-laki 72 Tinggi
Perempuan 54 Rendah
Laki-laki 60 Rendah
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
Distribusi responden tentang kecerdasan emosi

berdasarkan jenis kelamin.
Kecerdasan Emosi
Jenis Kelamin
Tinggi Rendah
Laki-laki 4 (20%) 5(25%)
Perempuan 4 (20%) 7(35%)
Berdasarkan tabel di atas terlihat bahwa kelompok

laki-laki memiliki kecerdasan emosi rendah lebih sedikit
jumlahnya yaitu sebanyak 5 responden (35%).
2. Analisis Tabulasi Silang (SPSS)

Analisis Deskriptif antara variabel diskrit dengan
variabel kontinu dengan SPSS. Maksud dari analisis ini
adalah kita mendeskripsikan data berdasarkan
kelompok. Pada contoh ini kita akan mengelompokkan
kecerdasan emosi pada masing-masing jenis kelamin
pada data di atas dapat dilakukan dengan langkah
berikut:
a. Analyze > Table > Custom Table
b. Pada menu Define pada gambar di atas, pilih

Summary Statistics
c. Klik Apply > OK

Hasil Analisis adalah:
d. Berikut ini disajikan tabulasi silang dua variabel

kategorikal dan tiga variabel kontinu:
e. Analisis deskriptif data di atas juga dapat dilakukan

dengan menempatkan baris sebagai variabel dan
kolom sebagai parameter statistik, seperti berikut:
D. Kemiringan dan Keruncingan Data

Ketajaman data dapat diukur dengan melihat
kemiringan (skewness) dan keruncingan data (kurtosis).
Ketajaman data menggambarkan distribusi frekuensi dari
masing-masing nilai pada rentang nilai tertentu.
1. Kemiringan (Skewness)
Kemiringan data (skewness) menunjukkan arah
kemiringan apakah distribusi frekuensi dari data condong
ke kiri atau kekanan atau simetris. Kurva dianggap
simetris sempurna bila nilai dari koefisien skewness bernilai
nol. Dengan mengetahui ketajaman data terutama tentang
kemiringan data maka dapat digunakan sebagai dasar
untuk melakukan transformasi data jika data tidak

berdistribusi normal, seperti sebaran data dengan
kemiringan kurva condong ke kiri maka transformasi
logaritma layak digunakan. Karena transformasi logaritma
cenderung mengubah kurva sebaran data menuju
kekanan. Sehingga dengan transformasi tersebut maka
kurva cenderung menuju simetris atau cenderung
berdistribusi normal. Namun pemilihan transformasi data
harus hati-hati karena transformasi data juga cenderung
membentuk masalah baru terhadap data diantaranya
menimbulkan outlier baru atau membuat sebaran data
semakin asimetris.
Arah kemiringan data dapat dihitung dengan
menggunakan rumus koefisien kemiringan data:
( )
( )( )( )
dengan:
= Jumlah data
= Skewness (kemiringan)
= Momen
= Standar deviasi
dimana:
∑( ̅)
dengan:
= Nilai ke-i
̅ = Nilai rata-rata
Kemiringan data dapat dijelaskan dengan gambar

berikut:
Gambar 3.1 Kemiringan Kurva
Pada gambar di atas dapat dilihat bentuk arah

kemiringan data. Kurva gambar (a) dan (b) adalah kurva
asimetris dengan kurva (a) miring ke kanan (positive
skewness) dan (b) miring ke kiri (negative skewness).
Perhitungan secara matematis dengan menggunakan
persamaan (2.4 dan 2.5). Bila nilai koefisien kemiringan
besar dari nol ( ) maka kurva cenderung miring ke
kanan, kemudian bila nilai koefisien kurtosis kecil dari
nol ( ) maka kurva cenderung miring ke kiri. Kurva
asimetris adalah kurva dimana bila kurva dibagi menjadi
dua bagian (kiri dan kanan) memiliki luas kurva yang
tidak sama. Kemudian kurva pada gambar (c) adalah
kurva simetris sempurna dengan nilai median sama
dengan nilai rata-rata (median = rata-rata) atau ( ).
2. Keruncingan (Kurtosis)
Koefisien kurtosis mengukur keruncingan data, bila
nilai ( ) maka kurva lebih mendatar, dan bila kurva
( ) maka kurva lebih meruncing. Kurva meruncing
menandakan bahwa data menyebar sekitar rata-rata dan

median dan begitu pula sebaliknya. Koefisien
keruncingan data ( ) dapat diukur dengan formula:
( ) ( )
( )( )( )
dimana:
= Koefisien kurtosis
= Jumlah data
= Standar deviasi
dengan:
∑( ̅)
Gujarati (2004) menyatakan bila nilai kurtosis atau

momen ke-4 ( ) maka kurva meruncing (platikurtik),
bila ( ) disebut leptokurtik dan bila ( ) disebut
mesokurtik (Gambar 3.2).
Gambar 3.2 Kurva Keruncingan

3. Analisis Kemiringan dan Keruncingan Data (Manual)

Berikut disajikan kemiringan dan keruncingan data
variabel kecerdasan emosi data pada Tabel 3.2.
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: ̅
Kemiringan data variabel kecerdasan emosi adalah:
( )
( )( )( )
Keruncingan data variabel kecerdasan emosi adalah:
( ) ( ) ( )
( )( )( )( )
4. Analisis Kemiringan dan Keruncingan Data (SPSS)

Pada program SPSS pencarian koefisien kurtosis
dan skewness dapat dilakukan dengan perintah:
Analyze > Descriptive Statistic > Descriptive > Centang
(Kurtosis dan Skewness) > OK.
Nilai keruncingan dan kemiringan data variabel

kecerdasan emosi pada data tabel 3.2 dengan
menggunakan aplikasi SPSS adalah:
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
konseptual variabel merupakan pengelompokan data

berdasarkan definisi konsep dari variabel itu sendiri.
Teknik mengelompokkan data tunggal menjadi
distribusi frekuensi:
1. Menentukan nilai maksimum (Max) dan minimum
(Min), dan rentang kelas. Rentang kelas merupakan jarak
antara data maksimum dengan data minimum.
2. Menentukan jumlah kelas. Jumlah kelas dapat
ditentukan dengan menggunakan aturan sturges dan
aturan Larson.
a. ( ) (Sturges)
b. ( ) (Larson)
3. Menentukan interval kelas ( ). Interval kelas merupakan
jarak antar kelas yang dapat dihitung dengan membagi
rentang terhadap jumlah kelas.
4. Mengelompokkan data berdasarkan kelas interval.
1. Analisis Distribusi Frekuensi (Manual)

Berikut disajikan data peserta pelatihan kompetensi
guru dan data disajikan pada tabel berikut:
Tabel 3.3 Umur Peserta Pelatihan Kompetensi Guru
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
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
c. Tabel distribusi frekuensi dari data di atas adalah:
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 -
Berdasarkan hasil pengolahan data diperoleh rata-

rata umur peserta pelatihan kompetensi sebesar 47,17
tahun. Mayoritas umur peserta berada pada kisaran 53,3-
58 tahun sebesar 35%. Pengelompokan umur peserta
kompetensi tersebut belum informatif untuk mendapatkan
informasi yang lebih detil atau belum memberikan
informasi ilmiah tentang kondisi populasi umur peserta
pelatihan. Mengingat rentang umur seperti kisaran umur

25,0-29,7 dan seterusnya belum diperoleh informasi yang
detail, hanya menjelaskan pengelompokan angka-angka.
Agar data tersebut lebih informatif maka perlu disajikan
distribusi frekuensi berdasarkan sudut pandang ilmiah.
Berikut kita sajikan distribusi frekuensi umur berdasarkan
pengelompokkan umur yang didasarkan pada tingkat
kematangan psikologis Hurlock.
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
Hasil penelitian menunjukkan kelompok lansia awal

mendominasi peserta pelatihan kompetensi yaitu sebesar
27 orang (45%). Sedangkan kelompok remaja akhir
merupakan jumlah terkecil yaitu sebanyak 1 orang
(1,67%). Berdasarkan distribusi frekuensi berdasarkan
kriteria tertentu sangat informatif dibandingkan distribusi
frekuensi berdasarkan sekadar pengelompokan angka-
angka. Contoh lain dari distribusi frekuensi seperti
distribusi frekuensi skala sikap berikut:
Seorang peneliti ingin mengetahui tentang kinerja
guru di sebuah sekolah. Skala pengukuran yang
digunakan adalah skala likert/skala ordinal yang terdiri
dari sangat tidak setuju (1), kurang setuju (2), cukup
setuju (3), setuju (4) dan sangat setuju (5). Jumlah item
yang digunakan sebanyak 22 item. Hasil rekapitulasi

data sebagai berikut:
No. Resp Jumlah Skor

1 84
2 62
3 72
4 78
5 64
6 89
7 48
8 102
9 106
10 84
11 74
12 80
13 90
14 74
15 60
Data di atas lebih informatif bila dikelompokkan

menjadi 5 kelas yaitu sangat rendah, rendah, sedang,
tinggi, sangat tinggi. Distribusi frekuensi data seperti
berikut:
Distribusi frekuensi:
a. Jumlah kelas ( ) sebanyak 5 kelas
b. Interval Kelas ( )
Nilai minimum = jumlah item x skor terendah
= 22 x 1 = 22
Nilai maksimum = jumlah item x skor tertinggi
= 22 x 5 = 110
Range = 110 – 22 = 88
sehingga interval kelas adalah:
c. Tabel Distribusi Frekuensi
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
Berdasarkan hasil penelitian dan pengolahan data

diperoleh hasil bahwa mayoritas dari peserta memiliki
kinerja sedang dan tinggi yaitu sebanyak 12 responden
(80%). Sedangkan peserta yang memiliki kinerja rendah
sangat sedikit yaitu berjumlah 1 orang (6,67 %). Tidak
ditemukan adanya peserta pelatihan yang berkinerja
sangat rendah.
2. Distribusi Frekuensi (SPSS)

Melalui SPSS untuk mendapatkan distribusi
frekuensi dapat dilakukan dengan langkah:
Analyze > Descriptive Statistic > Frequency > OK.
Hasil yang disajikan distribusi frekuensi pada SPSS

tidak mengelompokkan data dalam kelas interval
melainkan membentuk distribusi frekuensi data tunggal.
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
entry, mendeteksi pola data yang tidak dijelaskan oleh

analisis statistik.
5. Grafik juga dapat digunakan untuk memastikan tentang
asumsi analisis yang akan digunakan seperti melalui
grafik dapat dilihat asumsi normalitas dan homogenitas
data.
Secara umum, bentuk grafik terdiri dari grafik bar, box

plot (plot kotak), dot plot (plot titik), dan grafik lingkaran
(pie chart), dan skater plot (diagram sebar). Pemilihan jenis
grafik yang akan digunakan bergantung dari jenis data.
Untuk jenis data diskrit (nominal, ordinal) dan kombinasi
yang menghubungkan data diskrit dengan kontinu/interval
lebih disarankan menggunakan grafik bar, box plot, dot plot,
dan pie chart (grafik lingkaran). Kemudian untuk data
kontinu/rasio maka disaran-kan menggunakan grafik skater
plot (diagram sebar).
1. Pembuatan Grafik dengan SPSS
Pembuatan grafik pada program SPSS dapat
dilakukan dengan langkah berikut:
a. Graphs > Chart Builder
b. Chart Builder berisi jenis grafik yang tersedia dalam

program SPSS
c. Pilih jenis grafik yang diinginkan lalu drag kedalam

kolom chart preview user example data. Lihat
seperti tampilan berikut:
d. Setelah jenis grafik, variabel sumbu x dan y didrag

seperti gambar lalu pilih OK.
2. Histogram
Teknik pembuatan histogram pada SPSS hampir
sama dengan teknik pembuatan scatter plot. Yang
membedakan adalah editing elemen properties, seperti
gambar berikut:
Centang Display Normal Curve, jika anda ingin

menampilkan kurva normal di atas histogram, kemudian
lanjutkan Set Parameter,
Centang Bins Sizes pada pilihan custom dan pilih

Number interval 8 artinya adalah akan dikelompokkan
data menjadi 8 kelas distribusi frekuensi, selanjutnya klik
continue > apply (menu element Properties), > OK.
Hasil Grafik:
3. Box Plot
Boxplot menyajikan gambaran tentang nilai rata-
rata, mean, range dan standar deviasi (SD).
Selengkapnya disajikan pada gambar berikut:
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:
Grafik di atas memaparkan tentang kemampuan

membaca dari masing etinis dan kelompok jenis
kelamin. Pada grafik tersebut tertera nilai rata-rata, range
dan outlier atau pencilan.
↜oOo↝
Bab 4
UJI HIPOTESIS
Analisis data statistik dengan menggunakan uji

hipotesis merupakan langkah analisis data untuk membuat
sebuah keputusan tentang distribusi populasi dari sampel
yang diambil. Mengingat uji hipotesis adalah hal yang paling
penting dalam studi beberapa ilmu pengetahuan maka
sangat diperlukan adanya analisis inferensial. Analisis
inferensial ditujukan untuk menjawab hipotesis yang dibuat
sebelumnya.
Uji Hipotesis statistik pada dasarnya memiliki dua
dasar konsep yaitu pertama kita harus membuat hipotesis
null ( ) yang biasanya merupakan hipotesis tidak ada
perbedaan, hubungan atau pengaruh antara dua parameter
populasi. Seperti rata-rata kemampuan membaca kelompok
laki-laki tidak berbeda dengan rata-rata kemampuan
membaca kelompok perempuan. Konstruk dari hipotesis
null dapat dilakukan dengan menghitung deviasi dari
distribusi sampling yang diketahui kemudian
membandingkan dengan nilai tabel distribusi. Penentuan
probabilitas dari uji statistik dapat dilakukan dengan
hipotesis menolak jika nilai probabilitas yang diperoleh
lebih kecil (Biasanya Sig. ).
Uji Hipotesis dapat dilakukan dengan mendeskripsikan
parameter populasi dan Tulis Hipotesis Null dan Hipotesis
alternatif.
- 52 -
Uji Hipotesis |53
Tabel 4.1 Bentuk Uji Hipotesis dan
Hipotesis Null ( ) Hipotesis Alternatif ( )

Lebih besar atau sama dengan ( ) Kurang dari ( )
Kurang dari atau sama dengan ( ) Lebih dari ( )
Sama dengan ( ) Tidak sama dengan ( )
Setelah hipotesis dibuat, kemudian tentukan kriteria uji

Hipotesis. Kriteria dari uji hipotesis parametrik adalah data
harus berdistribusi normal dan homogen. Untuk dapat
melakukan uji hipotesis maka lakukan pengumpulan
sampel. Kumpulkan informasi sampel sesuai dengan kaidah
penarikan sampel. Tentukan nilai uji statistik. Setelah nilai
uji statistik diperoleh maka lakukan nilai probabilitas,
apakah nilai Probabilitas lebih kecil atau lebih besar dari .
Ambil keputusan tentang dan Catat kesimpulan .
A. Uji Hipotesis Satu Kelompok Sampel

Hipotesis yang diajukan pada populasi tunggal adalah
apakah rata-rata populasi ( atau ) dari rata-rata sampel. Uji
hipotesis populasi tunggal juga dapat diartikan untuk
menguji apakah rata-rata sampel sama dengan rata-rata
populasi yang diasumsikan. Misalnya kita asumsikan bahwa
rata-rata kemampuan membaca siswa sebesar 50, dan kita
ingin menguji apakah rata-rata tersebut ( atau ). Untuk
menjawab hipotesis tersebut maka seorang peneliti
mengambil sejumlah sampel siswa dengan teknik sampling
yang akan mewakili populasi. Bentuk umum formula statistik
untuk uji t populasi tunggal adalah (Boone and Sabo, 2013):
( ̅ )
⁄√
dimana:
̅ : Nilai rata-rata statistik sampel
: Nilai rata-rata populasi yang diperbandingkan dengan
standar deviasi yang tidak diketahui
: Standar deviasi sampel
: Jumlah sampel
Uji t satu sampel juga dapat diubah dalam bentuk formula

lain yaitu:
( ̅ )
̅
Dimana ̅ adalah standar error rata-rata.
1. Uji t Satu Kelompok Sampel (Manual)

Uji t satu sampel seperti kita ingin meneliti
keabsahan informasi bahwa kemampuan membaca suatu
kota A adalah sebesar 50. Kemudian peneliti melakukan
penelitian dan mengambil sampel. Data kemampuan
membaca contoh kasus uji t satu sampel ini kita akan
menggunakan data HSB. Data kemampuan membaca
pada data HSB diperoleh skor rata-rata membaca sebesar
52,23 dan standar deviasi sebesar 10,253.
Hipotesis yang diajukan adalah: dan
, Dengan demikian maka besarnya nilai
untuk uji t satu kelompok sampel adalah:
( )√
maka diperoleh nilai sebesar 3,076.

Uji Hipotesis |55
2. Uji t Satu Kelompok Sampel (SPSS)

Teknik uji t satu sampel dengan SPSS dapat
dilakukan dengan langkah-langkah:
Analyze > compare means > one-sample t test > test
variable (masukkan variabel yang akan diuji kedalam) >
test value (masukan nilai rata-rata populasi yang
dibandingkan) > ok.
Hasil analisis dengan menggunakan teknik manual

dan SPSS memberikan hasil yang sama dalam analisis uji
t satu sampel yaitu dengan nilai dan
sebesar 0,002.
B. Uji Hipotesis Dua Kelompok Sampel

Uji hipotesis rata-rata dua kelompok sampel seperti
kita ingin membandingkan kemampuan membaca siswa
kelompok laki-laki dan kelompok perempuan, apakah
terdapat perbedaan kemampuan membaca kedua kelompok
tersebut. Uji hipotesis dua kelompok sampel terbagi dua
yaitu uji beda kelompok sampel saling bebas dan uji beda
kelompok sampel saling terikat. Untuk uji kelompok sampel
saling bebas akan terbagi dua lagi yaitu uji t independen
dengan varians antar dua kelompok sama dan uji t
independen dengan varians antar dua kelompok tidak sama.
Teknik pemilihan uji beda dua kelompok sampel dapat
dijelaskan pada Gambar 4.1.
1. Perbandingan Rata-rata Dua Kelompok Sampel Saling
Bebas
Jika diasumsikan dua kelompok sampel yaitu
kelompok A kemampuan membaca kelompok laki-laki
dan kelompok B kemampuan membaca kelompok
perempuan, maka:
( )
( )
Dengan mengasumsikan bahwa varians kedua

kelompok sama atau kita asumsikan model
linear. Untuk membedakan rata-rata dua kelompok
kelompok A dan B berarti kita akan menguji hipotesis
Uji Hipotesis |57
bahwa rumus yang digunakan untuk

menguji perbedaan rata-rata dua kelompok tersebut
adalah (Keough and Quin, 2002):
̅ ̅
̅ ̅
Dengan , ̅ = rata-rata kelompok A, ̅ = rata-

rata kelompok B dan ̅ ̅ = simpangan deviasi dua
kelompok data A dan B.
Simpangan deviasi dua kelompok A dan B ( ̅ ̅ )
dapat dicari dengan persamaan:
( ) ( )
̅ ̅ √ ( )
Dengan = jumlah sampel kelompok A, = jumlah

sampel kelompok B, = nilai varians kelompok A dan
= nilai varians kelompok B. Substitusi persamaan (4.3)
kedalam persamaan (4.2) maka diperoleh persamaan
sederhana uji t berikut:
̅ ̅
( ) ( )
√ . /
Dalam uji t dua sampel saling bebas, maka asumsi

homogenitas varians harus dipenuhi. Sebelum
melakukan uji hipotesis dua sampel A dan B tersebut
maka ujilah bahwa .
Varians sampel A dan B adalah:
[∑( ̅) ] [∑ ̅ ]
[∑( ̅) ] [∑ ̅ ]
Uji Hipotesis |59
Dua Kelompok Sampel
Distribusi Data Normal
Iya Tidak
Dua Kelompok Data Dua Kelompok Data

Independen Independen
Iya Tidak Iya Tidak
Dua Kelompok Paired Sampel T Uji Mann- Uji Wilcoxon

Data Homogen Test Whitney
Iya Tidak
Independen Sampel T- Independent Sampel T-test df

test terkoreksi Welch atau
Satterwaite
Gambar 4.1 Pemilihan Jenis Analisis Data untuk Uji Beda

Mengikuti distribusi dengan derajat bebas (db)

dan , dan ratio ⁄ mengikuti distribusi
( ).
Pengujian uji dua sisi
ditolak jika : ⁄ atau

⁄
⁄
⁄
Pengujian uji satu sisi
ditolak jika
Uji Beda Rata-rata Dua Kelompok Sampel Saling

Bebas (Manual)
Sebagai contoh dari analisis uji t saling independen
seperti kita ingin mengetahui ada tidaknya perbedaan
kemampuan membaca antara kelompok jenis kelamin
laki-laki dan perempuan. Data yang kita gunakan adalah
data HSB (Lampiran 1). Jumlah sampel kelompok laki-
laki ( ) Nilai rata-rata ( ̅ ) sebesar 51,734 dengan
nilai varians dan jumlah sampel
kelompok perempuan rata-rata kemampuan
membaca ( ̅ ) sebesar 52,824 dengan varians
. Maka nilai adalah:
Uji Hipotesis |61
( ) ( )
√ . /
Hasil analisis diperoleh nilai sebesar 0,

dengan nilai probabilitas sebesar 0,4554 maka
diterima dan ditolak, hal ini berarti bahwa tidak
terdapat perbedaan rata-rata kemampuan membaca
antara kelompok laki-laki dan perempuan pada taraf
kepercayaan 95%.
Uji Beda Rata-rata Dua Kelompok Sampel Saling

Bebas (SPSS)
Analisis perbedaan rata-rata dua kelompok sampel
dengan SPSS dapat dilakukan dengan langkah berikut:
a. Analyze > compare means > Independen sample t
test
b. Klik continue > OK

Hasil Analisis
Hasil analisis di atas menunjukkan bahwa uji t dua

kelompok sampel baik dengan cara manual maupun
SPSS memberikan hasil yang sama dengan nilai t hitung
sebesar 0,748 dan probabilitas (sig.) sebesar 0,455.
2. Perbedaan Rata-rata Dua Kelompok Sampel dengan

Varians Tak Sama
Jika diasumsikan varians kelompok A dan B tidak
sama ( ), atau varians dari kelompok A dan B
tidak homogen. Formula yang digunakan untuk uji beda
rata-rata dua kelompok tersebut:
| ̅ ̅|
√( ⁄ ) ( ⁄ )
Nilai derajat bebas yang digunakan pada kasus dua

kelompok sampel tidak homogen maka nilai derajat
bebas ( ) harus dikoreksi terlebih dahulu. Nilai
dapat dikoreksi dengan dua metode yaitu Satterthwaite
dan Welch yaitu (Toutenburg and shalabh, 2009):
( ⁄ ⁄ )
( ⁄ ) ( ⁄ )
( ⁄ ⁄ )
( ⁄ ) ( ⁄ )
Pada Program SPSS koreksi derajat bebas yang digunakan

menggunakan metode koreksi Satterthwaite. Sedangkan
koreksi derajat bebas dengan menggunakan formula
Uji Hipotesis |63
Welch dapat anda temukan pada program statistik

STATA. Koreksi derajat bebas dengan formula Welch
memberikan hasil terbaik dalam koreksi derajat bebas
karena Toutenburg and shalabh, (2009:26) metode koreksi
Welch memberikan hasil yang cukup baik karena telah
meminimumkan ( ) .
Uji Beda Rata-rata Dua Kelompok Sampel dengan

Varians Tak Sama (Manual)
Sebagai contoh dari analisis uji t saling independen
seperti kita ingin mengetahui ada tidaknya perbedaan
kemampuan menulis antara kelompok jenis kelamin
laki-laki dan perempuan. Data yang kita gunakan adalah
data HSB (Lampiran 1). Jumlah sampel kelompok laki-
laki ( ) Nilai rata-rata ( ̅ ) sebesar 54,991 dengan
nilai varians dan jumlah sampel kelompok
perempuan , rata-rata kemampuan membaca ( ̅ )
sebesar 50,121 dengan varians . Maka nilai
adalah:
| |
√( ⁄ ) ( ⁄ )
Koreksi derajat bebas dengan metode Satterthwaite:
( ⁄ ⁄ )
( ⁄ ) ( ⁄ )
Koreksi derajat bebas dengan metode Welch:
( ⁄ ⁄ )
( ⁄ ) ( ⁄ )
Nilai ( ) , sehingga diterima

dan ditolak yang berarti bahwa tidak terdapat
perbedaan rata-rata kemampuan menulis pada
kelompok laki-laki dan perempuan. Dengan metode
Welch diperoleh ( ) . Dengan
demikian maka baik dengan menggunakan koreksi df
metode satterthwaite maupun welch tidak menunjukkan
adanya perbedaan kemampuan menulis kedua
kelompok sampel tersebut.
Uji Beda Rata-rata Dua Kelompok Sampel dengan

Varians Tak Sama (SPSS)
Teknik uji t dua kelompok sampel dimana dua
varians tidak sama dengan menggunakan SPSS
prosedurnya sama dengan teknik analisis uji beda dua
kelompok sampel saling independen, perbedaannya
terletak pada hasil analisis yang digunakan untuk
inferensi. Hasil analisis yang digunakan adalah hasil
analisis pada equal varians not assumed. Langkahnya adalah:
Analyze > compare means > independen sample t test
> test variable (masukkan variabel yang akan diuji
kedalam) > kelompoking variable (masukkan variabel
kelompok dari dua kelompok).
Hasil analisis:
Uji Hipotesis |65
Hasil yang digunakan untuk melihat uji beda dua

kelompok dengan varians tak sama adalah hasil analisis
pada baris kedua “Equal Variansce not assummed”. Pada
tabel di atas terlihat bahwa besarnya nilai sebesar
3,65 dengan nilai df terkoreksi sebesar 170. Koreksi
tersebut diperoleh dengan menggunakan koreksi
Satterthwaite. Umumnya paket statistik menggunakan
koreksi Satterthwaite untuk koreksi df pada uji t dua
kelompok varians tak sama. Koreksi Welch dapat
ditemukan pada paket statistik STATA. Berikut kita
sajikan sebagai gambaran dari uji t dua kelompok
sampel dengan menggunakan koreksi Welch dengan
menggunakan STATA.
Hasil analisis dengan teknik manual dan dengan

menggunakan STATA memberikan hasil analisis baik
maupun koreksi df dengan metode Welch
memberikan hasil yang sama. Berdasarkan prasyarat
bahwa uji t dua kelompok sampel harus berdistribusi
normal dan homogen, jika dua kelompok data tidak
berdistribusi normal maka uji beda dua kelompok dapat
dilakukan dengan uji nonparametrik Mann-Whitney.
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
( )
( )
Dengan dan adalah jumlah sampel kelompok 1 dan

2, dan dan adalah jumlah rangking dari kelompok
1 dan 2. Sampel kecil yang dimaksudkan adalah jumlah
sampel .
Jika jumlah sampel besar, maka uji Mann-Whitney
diasumsikan mengikuti sebaran normal. Uji Mann-
Whitney untuk sampel besar dapat dihitung dengan
formula berikut ( Black, 2010):
( )
√
Persamaan tersebut belum melakukan koreksi terhadap

rangking sama (Ties). Koreksi varian dengan rangking
sama dapat dilakukan dengan persamaan berikut :
∑ ( )
( ) ,( ) -
( )
Uji Mann-Whitney (Manual)

Data Kemampuan matematika kelompok laki-laki
dan perempuan berikut ini tidak berdistribusi normal.
Ujilah apakah terdapat perbedaan rata-rata kemampuan

matematika antara kelompok laki-laki dan perempuan.
Tabel 4.2 Nilai Matematika Kelompok Laki-laki

dan Perempuan
Nilai Jenis Nilai

Jenis Kelamin
Matematika Kelamin Matematika
Perempuan 70 Laki-laki 96
Laki-laki 65 Perempuan 60
Perempuan 73 Perempuan 90
Laki-laki 90 Laki-laki 97
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
=(13+14+15+16)/2=14,5
17 Laki-laki 82 17,5
=(17+18)/2=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+29+…+33)/2=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+40)/2=39,5
b. Kelompokkan rangking berdasarkan kategori
Gender Nilai Rangking Gender Nilai Rangking

Laki-laki 65 2 Perempuan 60 1
Laki-laki 82 17,5 Perempuan 81 14,5
Laki-laki 83 19 Perempuan 81 14,5
Laki-laki 90 30,5 Perempuan 82 17,5
Laki-laki 90 30,5 Perempuan 84 21
Laki-laki 99 39,5
Laki-laki 99 39,5
Jumlah Rangking 500,5 319,5
Berdasarkan pengelompokan di atas, diperoleh nilai

( ) dan nilai ( )
. Jadi nilai yang digunakan untuk menentukan
nilai adalah nilai dan . Sehingga nilai adalah:
( )
( )( ) ( )
( )
( )( ) ( )
( )
√
Uji Hipotesis |71
Nilai sebesar ⁄ ( ) maka dapat

disimpulkan bahwa tidak terdapat perbedaan kemampuan
matematika antara kelompok laki-laki dan perempuan.
f
2 2
3 3
4 1
6 1
Sehingga nilai varian adalah:

( ) ( ) ( ) ( )
( ) ,( ) -
( )
{ } ( )
( )
Nilai terkoreksi adalah:

√
Sehingga nilai Z adalah:
Nilai sebesar ⁄ ( ) maka dapat

disimpulkan bahwa tidak terdapat perbedaan
kemampuan matematika antara kelompok laki-laki dan
perempuan.
Uji Mann-Whitney (SPSS)

Analisis Mann-Whitney dengan SPSS dapat
dilakukan dengan langkah:
a. Klik Analyze >> Nonparametrik Tests >> Legacy
Dialogs >> 2 Independent Samples
b. Setelah muncul kolom berikut, masukan nama
variabel kedalam Test Variable List dan masukan
nama kelompok kedalam Kelompoking Variable,
Kemudian Klik Isi dalam Kelompoking
Variable/Gender(0 1) >> define kelompok
c. Isi Kode Group kedalam perintah berikut
d. >> Continue
Uji Hipotesis |73
Hasil Analisis perbedaan kemampuan matematika

antara kelompok laki-laki dan perempuan dengan uji
Mann-Whitney menggunakan aplikasi SPSS adalah:
C. Uji Hipotesis Dua Kelompok Berpasangan

1. Uji t Sampel Berpasangan
Uji t Berpasangan atau paired t-test digunakan untuk
melihat ada tidak perbedaan pada data sebelum dan
sesudah suatu perlakuan, misalnya perbedaan hasil belajar
sebelum diterapkan suatu model pembelajaran dan hasil
belajar setelah diterapkan suatu model pembelajaran. Jika
adalah data hasil belajar sebelum diterapkan model
pembelajaran dengan , - dan merupakan
hasil belajar setelah diterapkan model pembelajaran
dengan , - , dimana dan merupakan
pasangan data yang dipasangkan. misalkan merupakan
peningkatan hasil belajar maka , ,

, .
Hipotesis null yang diajukan pada uji t
berpasangan adalah , dan hipotesis tersebut
juga dapat ditulis kembali dalam bentuk yaitu
dengan . Uji tersebut identik
dengan uji t satu kelompok sampel, sehingga nilai
berpasangan dapat dihitung dengan formula:
̅
⁄√
dengan:
̅ = rata-rata perbedaan dan
= simpangan deviasi
= jumlah sampel
Uji t Sampel Berpasangan (Manual)

Suatu penelitian digunakan untuk melihat
efektivitas penggunaan modul untuk meningkatkan
hasil belajar mata pelajaran boga dasar kelas X di SMK
Negeri 1 Kalasan Yogyakarta, diperoleh data yang
disajikan pada tabel berikut.
Tabel 4.3 Hasil Belajar sebelum dan setelah Pemberian

Modul
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
Berdasarkan data di atas ujilah, apakah penggunaan

modul efektif untuk meningkatkan hasil belajar?
Nilai rata-rata perubahan hasil belajar boga siswa
( ) setelah penggunaan modul sebesar 28,6286 dengan
standar deviasi sebesar 10,6138. Hal ini berarti bahwa
penggunaan modul meningkatkan hasil belajar boga.
Efektif tidaknya penggunaan modul tersebut terhadap
hasil belajar dapat diuji dengan menggunakan uji t
berpasangan (paired t test), hasil analisis dapat dihitung
berikut ini:
Hasil analisis dengan uji t berpasangan diperoleh

nilai t hitung sebesar 15,9575. Nilai ( )
yang berarti penggunaan modul berpengaruh

nyata ( ( ) ) yang berarti penggunaan modul
meningkatkan hasil belajar boga secara nyata.
Uji t Sampel Berpasangan (SPSS)

Teknik analisis uji t dua kelompok sampel dengan
SPSS dapat dilakukan dengan langkah berikut:
Analyze > Compare means > Paired sample t test
Hasil analisis menggunakan aplikasi SPSS adalah:
Jika data kelompok sampel tidak berdistribusi normal

maka alternatif yang harus ditempuh untuk uji beda dua
kelompok saling terikat adalah dengan menggunakan uji
Wilcoxon.
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
atau rasio dari uji t tersebut diubah terlebih dahulu

kedalam bentuk ordinal. Formula yang digunakan untuk
uji Wilcoxon adalah (Hollander, Wolfe, Chicken : 2014).
( )( )
( )( )( )
√
Jika terdapat ties (rangking sama) maka koreksi varians

menjadi:
( ) [ ( )( ) ∑ ( )( )]
sehingga:
( )
{ }
* ( )+
Ket :
= Jumlah sampel
= Rata-rata
= Standar deviasi
= Jumlah Ranking Sama
= Ranking positif
= Rangking Negatif
= varian kelompok ranking + atau –
Langkah-langkah Uji Wilcoxon

a. Menentukan selisih nilai ( ) antara pengamatan
awal dengan pengamatan akhir.
b. Mencari nilai mutlak dan kemudian mengurutkan
nilai mutlak dari terkecil ke terbesar dan kemudian
menentukan rangking.
c. Jumlahkan nilai rangking kelompok positif ( ) dan
kelompok negatif ( )
d. Menentukan nilai sampel dengan tidak
mengikutsertakan nilai .
e. Menentukan ranking sama serta menghitung jumlah
kategori rangking sama ( ).
f. Menentukan nilai rata-rata ( )dan varian ranking
( ( ))
Uji Wilcoxon (Manual)

Seorang peneliti mengadakan penelitian mengenai
profesionalisme mengajar guru SD di Kota Malang. Data
hasil penelitian berikut:
Tabel 4.4 Perbedaan profesionalisme mengajar guru SD

Kota Malang sebelum dan sesudah pelaksanaan
supervisi pengajaran
Subjek Pre Post Subjek Pre Post

1 57 64 16 70 66
2 59 71 17 74 95
3 49 49 18 79 79
4 62 67 19 78 92
5 51 55 20 77 68
6 50 58 21 72 90
7 44 57 22 74 89
Uji Hipotesis |79
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
Perbedaan atau peningkatan nilai profesionalisme

mengajar guru ( ) dan rank dari data di atas adalah:
Subjek Pre Post | | Rank Subjek Pre Post | | Rank

3 49 49 0 0 0,0 2 59 71 12 12 13,0
13 67 67 0 0 0,0 7 44 57 13 13 14,5
18 79 79 0 0 0,0 24 66 79 13 13 14,5
9 52 50 -2 2 1,0 19 78 92 14 14 16,0
16 70 66 -4 4 2,5 11 61 76 15 15 18,0
5 51 55 4 4 2,5 22 74 89 15 15 18,0
4 62 67 5 5 4,0 30 64 79 15 15 18,0
29 61 67 6 6 5,0 21 72 90 18 18 20,0
1 57 64 7 7 6,5 26 59 78 19 19 21,0
28 63 70 7 7 6,5 23 65 85 20 20 22,0
6 50 58 8 8 8,0 14 68 89 21 21 23,5
20 77 68 -9 9 10,0 17 74 95 21 21 23,5
8 48 57 9 9 10,0 27 57 81 24 24 25,0
10 42 51 9 9 10,0 15 59 88 29 29 26,0
12 57 68 11 11 12,0 25 45 83 38 38 27,0
Nilai dan adalah:
Subjek Pre Post | | Rank

20 77 68 -9 9 10,0
16 70 66 -4 4 2,5 13,5
9 52 50 -2 2 1,0
3 49 49 0 0 0,0
13 67 67 0 0 0,0
18 79 79 0 0 0,0
5 51 55 4 4 2,5 64,5
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
Dari tabel di atas diketahui:
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:
( )( )
( ) * ( )( ) , ( )( )( ) ( )( )( )-+
( ) , -
( )
{ }
* + * +
Nilai probabilitas adalah sebesar 0,00042

jadi dapat disimpulkan bahwa terdapat perbedaan
profesionalisme mengajar guru sebelum dan setelah
supervisi.
Uji Wilcoxon (SPSS)

Dengan menggunakan aplikasi SPSS, uji Wilcoxon
dapat dilakukan dengan cara berikut:
a. Klik Analyze >> Nonparametrik Tests >> Legacy
Dialogs >> 2 Related Samples.
b. Setelah muncul kolom berikut, masukkan nama
kelompok ke dalam Test Pairs dan ceklist Wilcoxon
>> OK
Hasil analisis perbedaan profesionalisme mengajar guru

SD Kota Malang sebelum dan sesudah pelaksanaan
supervisi pengajaran dengan menggunakan aplikasi SPSS:
Wilcoxon Signed Ranks Test Ranks

N Mean Rank Sum of Ranks
Post - Pre Negative Ranks 3a 4.50 13.50
Positive Ranks 24b 15.19 364.50
Ties 3c
Total 30
a. Post < Pre
b. Post > Pre
c. Post = Pre
Test Statisticsa
Post - Pre
Z -4.218214b
Asymp. Sig. (2-tailed) 0.00002462
a. Wilcoxon Signed Ranks Test
b. Based on negative ranks.
Hasil analisis diperoleh nilai wilcoxon ( ) sebesar 4,2182

dengan nilai sig.P sebesar 0,00002462 (sig.p < 0,05)
sehingga ditolak dan diterima yang berarti
terdapat perbedaan profesionalisme mengajar guru
sebelum dan setelah pelatihan.
Uji Hipotesis |83
D. Asumsi Parametrik untuk Model Linear

Asumsi parametrik model linear harus memenuhi
asumsi-asumsi berikut:
1. Normalitas
Asumsi yang digunakan dalam uji parametrik
adalah bahwa data berasal dari distribusi normal. Uji
normalitas data dapat dilakukan dengan cara informal
seperti melihat dot plot (sampel besar), p plot, dan q
plot. Sedang uji normalitas secara formal dapat
dilakukan dengan mengadakan uji normalitas seperti uji
uji liliefors, uji chi-square, uji jarque bera dan lain-lain.
2. Sampel berasal dari varians yang sama (homogen)
Kesamaan varians dari beberapa kelompok sampel
dapat dilakukan dengan uji Levene, bartlet dan lain-lain.
3. Sampel berasal dari populasi random
Sampel yang dipilih untuk mengetahui karakter
populasi harus dipilih secara random sesuai dengan
teknik penarikan sampel.
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
yang berasal dari variabel kontinu. Suatu variabel

random dikatakan berdistribusi normal jika mengikuti
fungsi berikut:
( )
( ) ( )
√
Ciri-ciri distribusi normal adalah data berada

disekitar rata-rata atau kurva lebih bersifat simetris.
Kurva simetris merupakan bentuk kurva dimana luas
sisi kiri dan sisi kanan sama. Berdasarkan fungsi kurva
normal maka distribusi normal bergantung pada nilai
rata-rata dan standar deviasi. Jika nilai rata-rata sama
dengan simpangan deviasi maka probabilitas
normal 68%, jika nilai standar deviasi 2 kali nilai rata-
rata ( ) maka luas kurva terletak sekitar 95% dan
jika nilai standar deviasi 3 kali rata-rata maka luas kurva
terletak pada kisaran 99,7%. Untuk lebih jelas dapat
disajikan pada gambar berikut:
Gambar 4.2 Luas Area di Bawah Kurva Normal
Untuk mendapatkan luas kurva di bawah kurva

normal maka kita harus menstandarkan simpangan baku
Uji Hipotesis |85
dalam bentuk standar normal baku ( ) dengan

menggunakan formula:
Luas kurva normal dari variabel yang telah distandarkan

dapat dilihat pada tabel normal. Uji normalitas data
dapat dilakukan dengan menggunakan uji:
a. PP Plot
Normalitas data dapat dilihat dari grafik PP
plot yaitu kurva yang menggambarkan antara nilai
observasi dengan nilai harapan normal. Metode
untuk melihat normalitas data dengan grafik dikenal
dengan istilah uji normalitas dengan metode
tradisional. Paket software statistik menyediakan
menu untuk menampilkan grafik PP dan QQ plot.
Berdasarkan tabel PP plot dapat dilihat bahwa
data menyebar disekitar garis normal maka diduga
bahwa data menyebar normal. Uji normalitas secara
visual dengan pengamatan grafik agak
membingung-kan karena pada kondisi tertentu sulit
kita mengetahui secara pasti bahwa data tersebut
menyebar normal atau tidak. Untuk mengatasi
keraguan maka disarankan menggunakan uji
normalitas seperti uji normalitas Liliefors (L),
Kolmograv-Smirnov (KS), Shapiro Wilks (W), Jarque
Bera (JB), Anderson Darling, dan lain-lain.
b. Uji Liliefors
Uji normalitas secara umum yaitu menguji
seberapa jauh data dari nilai rata-rata. Kenormalan
data bergantung pada nilai standar deviasi dan rata-

rata. Pada beberapa software komputer nilai uji
Liliefors dan Kolmograv-Smirnov sering disimbolkan
sebagai seperti dalam paket statistik SPSS.
Hipotesis yang diuji pada uji Liliefors adalah :
: contoh acak mempunyai sebaran normal
dengan rataan dan ragam yang tak diketahui
: fungsi sebaran dari nilai-nilai tidak normal.
Teknik Perhitungan nilai adalah:

Langkah-langkah uji normalitas dengan metode
liliefors:
1) Mengurutkan data dari terkecil ke terbesar
2) Menentukan proporsi kumulatif dari skor nilai
dengan rumus:
Di mana = nilai frekuensi kumulatif sebelum

sampel ke- ; dan = adalah sampel total
3) Menentukan nilai masing-masing data
4) Tentukan luas dibawah kurva normal dari
( ) dengan menggunakan tabel distribusi
5) Menentukan nilai selisih antara
6) Menentukan nilai absolut dan absolut
dengan menggunakan persamaan berikut
(Thode C.H, 2002):
| ( )|
| () ( ) |
Uji Hipotesis |87
7) Menentukan nilai maksimum absolut dari ,

dan
8) Menentukan nilai maksimum atau
| |
9) Bandingkan nilai D dengan tabel lilliefors 5%.
10) Jika nilai ( )
maka terima yang berarti data berdistribusi
normal. Pada uji Liliefors dengan jumlah sampel
>30, nilai kritis yang digunakan adalah
(Thod.C.H, 2002):
(√ ⁄√ )
c. Uji Jarque Bera

Uji normalitas Jarque–Bera (JB) asymtotik atau
sampel besar. Uji JB berdasarkan koefisien kurtosis
dan skewnes residual. Uji JB tidak tersedia pada
beberapa paket software statistik seperti SPSS,
STATISTICA dan STATA, melainkan tersedia dalam
paket software statistik Eviews. Rumus umum uji
Normalitas JB adalah:
( )
* +
Nilai dibandingkan dengan nilai tabel chi-square

dengan . jika nilai ( ) maka
data tidak distribusi normal. Pada Uji pertama kali
kita harus menghitung varians ( ) dan nilai
keruncingan (kurtosis) atau ( ) .
d. Uji Shafiro Wilks Test

Uji Shapiro atau Shapiro Wilks test (Swilks)
berdasarkan pada jarak antara posisi simetris nilai
data. Jika diasumsikan bahwa ukuran sampel dan
nilai berturut-turut dengan nilai
diurutkan berdasarkan peningkatan nilai maka
jarak posisi nilai data secara
simetris disekitar nilai tengah, diukur dengan
( ) untuk dengan (
) jika ganjil dan jika genap. Statistik uji
Swilks diberikan sebagai berikut:
[∑ ( )] ⁄∑ ( ̅)
Koefisien dalam formula tersebut dan nilai kritis

distribusi sampling , untuk beberapa level
kepercayaan, dapat diperoleh dari tabel look-up
(lihat e.g Conover, 1980). Shapiro-wilks test
dianggap sebagai uji yang lebih baik dibandingkan
dengan uji lain sebelumnya, khususnya jika ukuran
sampel kecil. Uji Shapiro tersedia dalam SPSS,
Statistica, dan STATA, dan R sebagai pelengkap
histogram dan plot normalitas.
Analisis normalitas yang diuraikan sebelumnya
diberikan dengan teknik yang berbeda dan hasil
analisis memberikan nilai probabilitas yang berbeda
antara teknik satu dengan teknik lainnya. Uji
Kolmograv-Smirnov lebih cenderung menerima
dibandingkan dengan uji Liliefors dan Shapiro
Wilks.
Uji Hipotesis |89
e. Uji Normalitas Chi-Square

Uji normalitas dengan mengikuti distribusi chi-
square dapat dilakukan dengan mengelompokkan
data menjadi k kelas. Frekuensi data yang masuk
dalam kelas interval ke-i disebut frekuensi observasi
( ). Selanjutnya menghitung nilai standar normal
baku dari kelompok data batas atas dan bawah
interval kelas (Z). Nilai standar normal baku
dihitung luas kurva pada masing-masing interval
kelas untuk mendapatkan nilai frekuensi harapan
( ). Nilai = . Setelah nilai dan diperoleh
dimasukkan dalam persamaan chi-square berikut.
( )
Nilai yang diperoleh dibandingkan dengan nilai

5% dengan . Kriteria pengambilan
keputusan adalah:
1) Jika nilai < ( ) maka terima Ho yang
berarti data berdistribusi normal.
2) Jika nilai > ( ) maka terima Ha yang
berarti data tidak berdistribusi normal.
Uji Normalitas Liliefors (Manual)

Uji normalitas Kolmogrov-Smirnov dan Liliefors
sebagai contoh kita gunakan variabel membaca pada file
HSB (Lampiran 1).
( ) ( ) ( )
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
70 0.8000 0.87 0.8068 -0.0068 0.7667 0.0402 0.0402

72 0.8333 1.06 0.8552 -0.0218 0.8000 0.0552 0.0552
74 0.8667 1.25 0.8946 -0.0279 0.8333 0.0613 0.0613
74 0.9000 1.25 0.8946 0.0054 0.0054
77 0.9333 1.54 0.9382 -0.0049 0.9000 0.0382 0.0382
78 0.9667 1.64 0.9491 0.0176 0.0176
79 1.0000 1.73 0.9584 0.0416 0.0416
Ket: Rata-rata = 61, Standar Deviasi = 10,389
Nilai atau | | dari data tersebut

adalah | |. Nilai yang diambil untuk
dibandingkan dengan nilai Tabel lilliefors adalah nilai D
terbesar yaitu 0,0843. Nilai tersebut dibandingkan
dengan nilai kritis (D*) diperoleh nilai sebesar 0,469.
Hal ini berarti nilai , maka diterima
yang berarti bahwa data pre test siswa berdistribusi
normal.
Uji Normalitas Chi-square (Manual)

Berikut disajikan uji normalitas dengan pendekatan
chi-square pada data kemampuan membaca (Lampiran
1). Jumlah sampel data terdiri dari 30 sehingga jumlah
kelas dengan aturan sturges adalah 1+3,3Log (30) = 6.
Distribusi frekuensi data tersebut adalah:
Interval Titik Tengah ( )

42,0 - 48,2 44,20 1953,64 4 176,8 7814,56
48,2 - 54,3 51,25 2626,56 4 205 10506,25
54,3 - 60,5 57,40 3294,76 6 344,4 19768,56
60,5 - 66,7 63,60 4044,96 7 445,2 28314,72
66,7 - 72,8 69,75 4865,06 4 279 19460,25
72,8 - 79 75,90 5760,81 5 379,5 28804,05
Jumlah 30 1829,9 114668,39
Nilai rata-rata ( ̅ )
̅
Standar Deviasi ( )
√
Uji Hipotesis |93
Langkah selanjutnya menghitung luas di bawah

kurva normal untuk masing-masing kelompok ( ), yaitu:
( )
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
Nilai tersebut dibandingkan dengan nilai tabel

derajat bebas diperoleh hasil sebesar
11,07. Hal ini berarti nilai
( )
sehingga hipotesis null diterima
yang berarti bahwa data kemampuan membaca
berdistribusi normal.
Uji Normalitas Liliefors (SPSS)

Sebagaimana telah dibahas sebelumnya bahwa
pada paket SPSS hanya tersedia uji normalitas
Kolmogorov-Smirnov/Liliefors test, langkah uji adalah:
Analyze > Nonparametrik test > Legacy Dialog > One
sample KS > Run
Hasil analisis normalitas data kemampuan awal siswa
(Pre) pada data di atas adalah:
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
Dengan derajat bebas dan . Uji homogenitas

varians juga dapat dilakukan dengan uji Levene. Jika
adalah data observasi dari untuk kelompok ke- ,
kemudian | ̅ | dengan ̅ adalah rata-rata
kelompok ke- Levene test statistik adalah:
∑ ( ̅ ̅ ) ⁄( )
∑ ∑ ( ̅ ) ⁄∑ ( )
Dimana adalah jumlah observasi dalam kelompok

dan adalah jumlah kelompok. merupakan uji
levene dengan menukar dengan nilai median dalam
kelompok , dan dengan menukar dengan rata-
rata trimmed 10% untuk kelompok . Persamaan di atas
identik dengan persamaan untuk mendapatkan nilai F-
Hitung pada analisis varian satu jalan. Sehingga uji
Levene dapat dikatakan sebagai uji untuk menentukan
keragaman absolut penyimpangan data dari rata-rata
pada masing-masing kelompok. Sehingga persamaan
tersebut menjadi:
(∑ ̅ ̅ )⁄( )
(∑ ∑ ∑ ̅ ) ∑ ( )
Analisis homogenitas juga dapat dilakukan dengan

uji Bartlett’s M, persamaan yang digunakan adalah:
( ) ( ) ∑( ) ( )
.∑ /
( )
∑( )
Analisis inferensial parametrik mensyaratkan data

berasal dari varians yang homogen jika varians dari dua
parameter populasi tidak homogen maka data yang
diambil tidak bersifat random sehingga peluang
terjadinya keragaman yang lebih tinggi atau lebih
rendah pada satu parameter populasi akan lebih besar
terjadi. Dengan kata lain bahwa homogenitas varians
bertujuan untuk mengetahui bahwa terjadinya
perbedaan kecenderungan dalam parameter populasi
memiliki kesempatan sama. Formula lain yang
digunakan untuk menghitung homogenitas varians yaitu
melalui pendekatan robust statistik. Hipotesis yang
diajukan dalam uji homogenitas adalah:
a. , varians homogen
b. , varians heterogen
Uji Homogenitas (Manual)

Sebagai contoh kita akan menguji homogenitas data
pada variabel kemampuan membaca pada kelompok
laki-laki (1) dan perempuan (0).
Varians F-ratio
Laki- Perempuan
Varians Sig.
laki (1) (0)
Laki-laki vs
108, 90 110,391 1,0912 0,6644 homogen
Perempuan
Hasil analisis homogenitas dengan metode rasio varians

diperoleh nilai sebesar 1,0912. Nilai ( )
Uji Hipotesis |97
sebesar 1,400. Jadi diterima dan ditolak yang

berarti bahwa data kelompok laki-laki (1) dan kelompok
perempuan (0) homogen.
Uji homogenitas dengan lebih dari dua kelompok
dapat dilakukan dengan uji Bartlet’s dan Levene test.
Berikut kita sajikan hasil uji normalitas untuk variabel
kemampuan membaca pada masing-masing ras pada
data HSB. Varians dari masing-masing kelompok adalah:
a. Kelompok ras 1 = 104,8406, = 24
b. Kelompok ras 2 = 58,6909, = 11
c. Kelompok ras 3 = 50,6947, = 20
d. Kelompok ras 4 = 105,6123, = 145
Nilai varians total adalah:
( )( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
( )
. /
Dengan menggunakan uji Bartlett’s untuk menguji

homogenitas varians kemampuan membaca dari empat
kelompok etnis maka diperoleh nilai Bartlett’s test
sebesar 4,833 dengan nilai tabel 5% adalah
sebesar 7,8147. Dengan demikian maka terima yang
berarti bahwa kemampuan membaca dari empat
kelompok ras bersifat Homogen.
Pada aplikasi SPSS uji yang tersedia untuk uji

homogenitas adalah uji levene. Berikut disajikan contoh
uji levene.
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
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
5 5,40 1,83 4,45

6 2,60 3,17 2,55
7 4,40 2,17 3,45
8 3,40 1,17 2,45
9 4,40 8,17 4,45
10 8,40 6,83 8,45
11 5,60 0,17 4,55
12 1,40 9,83 2,45
13 7,60 4,17 6,55
14 0,40 1,83 0,45
15 0,60 2,83 0,55
16 1,60 4,83 1,55
17 1,60 5,83 2,55
18 4,60 7,83 3,55
19 6,60 5,55
20 8,60 7,55
Rata-rata 5,10 4,63 4,45
Rata-rata Total ̅
Jumlah Kuadrat Kelompok (Metode Pembelajaran)
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
13 7,6 57,76 4,17 17,39 6,55 42,90

14 0,4 0,16 1,83 3,35 0,45 0,20
15 0,6 0,36 2,83 8,01 0,55 0,30
16 1,6 2,56 4,83 23,33 1,55 2,40
17 1,6 2,56 5,83 33,99 2,55 6,50
18 4,6 21,16 7,83 61,31 3,55 12,60
19 6,6 43,56 5,55 30,80
20 8,6 73,96 7,55 57,00
Jumlah 706,80 510,50 522,95
∑ ∑
( ( ) ( ) ( ) ( ) )⁄
( ( ( ) ( ) ( ) )) ( )
Nilai dibandingkan dengan dengan (

). Nilai ( ) sehingga nilai
. Hal ini berarti data hasil
belajar siswa dengan menggunakan tiga metoda belajar
tersebut bersifat homogen.
Uji Homogenitas (SPSS)

Teknik uji normalitas dengan SPSS dapat dilakukan
dengan perintah berikut:
Analyze > General Linear Model > Univariate > Option >
centang homogenity test
Uji Hipotesis |101
Hasil analisis homogenitas:
Hasil analisis homogenitas baik dengan SPSS dan

manual menunjukkan hasil yang sama, walaupun ada
sedikit perbedaan dua digit pada uji Bartlett’s.
Perbedaan nilai tersebut terjadi kemungkinan karena
adanya pembulatan angka di belakang koma pada nilai
masing-masing varians.
3. Uji Linearitas dan Independensi

Pada kasus analisis regresi linear sederhana dan
berganda dan analisis korelasi pearson membutuhkan uji
persyaratan bahwa data yang digunakan antara variabel
bebas dan terikat harus bersifat linear dan saling
independen. sehingga linearitas data menjadi prasyarat

yang harus dipenuhi. Jika hubungan antara data variabel
independen dan dependen tidak bersifat linear maka
akan bersifat bias karena analisis regresi linear
mengikuti sebaran data distribusi normal. Cara yang
paling sederhana untuk melihat linearitas data adalah
melalui grafik scatter plot.
Independensi mengukur bahwa kedua variabel
bersifat saling bebas satu sama lain. Artinya adalah
bahwa keberadaan variabel bebas tidak dipengaruhi oleh
keberadaan variabel lain dalam model. Uji independensi
ini lebih mirip dengan uji multikolinearitas dalam
analisis regresi linear berganda.
E. Transformasi Data dan Outlier

Asumsi yang harus dipenuhi dalam analisis parametrik
adalah data menyebar mengikuti distribusi normal dan
kelompok data homogen. Bila ditemukan data tidak
berdistribusi normal dan tidak homogen maka dapat
dilakukan transformasi data. Namun sebelum melakukan
pemilihan jenis transformasi yang digunakan maka terlebih
dahulu harus dilihat bentuk sebaran data.
Beberapa alasan penting transformasi data : (1)
Transformasi data dapat menjadi solusi untuk asumsi
distribusi data, dapat berhubungan dengan linearitas dan
homogenitas data, (2) Membuat data dan model mengikuti
garis lurus, (3) Mereduksi beberapa hubungan rata-rata dan
median untuk meningkatkan homogenitas varians, dan bisa
meningkatkan hasil normalitas, (4) Untuk mereduksi
pengaruh outlier data, (5) Untuk meningkatkan linearitas
analisis regresi, dan (6) Untuk membuat dampak yang
Uji Hipotesis |103
multiplikatif pada skala kasar pada skala transformasi atau

untuk mereduksi pengaruh transformasi.
1. Transformasi Data
Uji t sangat sensitif terhadap homogenitas data
dibandingkan asumsi distribusi normal. Dua kelompok
sampel uji t akan mencapai tingkat signifikan bila asumsi
normalitas tidak dipentingkan asalkan memiliki jumlah
sampel besar (n1,n2 >20) dan varians data homogen.
Hasil ini berdasarkan teori sentral limit (Touterburg and
shalabh, 2009). Dengan demikian maka transformasi
data menjadi keharusan dalam analisis inferensial dari
variabel kontinu dimana sebaran data tidak normal dan
tidak homogen.
Ada lima tujuan utama transformasi data terutama
pada model linear yaitu (Quin dan Keough, 2002) : (1)
Untuk membuat distribusi data lebih dekat menuju
distribusi normal, (2) Untuk mengurangi hubungan rata-
rata dengan varians (untuk meningkatkan homogenitas
varians), (3) Mengurangi pengaruh outlier data, (4)
Meningkatkan linearitas dalam analisis regresi, dan (5)
Membuat efek multiplikatif pada skala mentah aditif
atau mengurangi ukuran interaksi.
Jenis transformasi yang digunakan untuk mencegah
ketidakhomogenan varians adalah:
a. Transformasi logaritma ( ), ( )
b. Transformasi logaritma ( ), ( ),
khususnya jika dan yi memiliki nilai nol atau jika
, (Woolson, 1987 dalam Touterburg
dan Shalabh, 2009).
Jenis transformasi lain yang dapat digunakan

untuk meningkatkan normalitas dan homogenitas
varians adalah (Quin dan Keough, 2002):
a. Transformasi Akar Kuadrat
Transformasi akar kuadrat seperti transformasi
√ , √ dan √ . Transformasi jenis √ lebih sesuai
digunakan dalam menormalkan data kelimpahan
spesies. Transformasi data akar kuadrat juga bisa
menyebabkan distribusi data meruncing ke kanan
(right skew). Untuk data yang condong kekanan
maka lebih baik digunakan transformasi data dalam
bentuk akar kuadrat (√ ) khususnya untuk data
hitung (distribusi Poisson) dan varians berhubungan
dengan rata-rata. Transformasi √ , dan √ akan
meningkatkan kemiringan data. Namun
transformasi data √ lebih efektif digunakan dalam
perhitungan kelimpahan spesies dimana kondisi
data banyak data nol dan sedikit data yang bernilai
besar.
b. Transformasi Data Power
Bentuk umum transformasi power adalah:
Dengan adalah data ke- dan adalah konstanta.

Jika hasil transformasi data tidak menunjukkan hasil
normal maka dapat juga dilakukan dengan
memeriksa data outlier. Data outlier yang ditemukan
dalam data dibuang. Namun pada analisis varians
pada rancangan percobaan tidak dapat dilakukan
Uji Hipotesis |105
pembuangan data outlier begitu saja, karena akan

membuat data menjadi tidak orthogonal. Salah satu
solusi yang dapat dilakukan terhadap data outlier
adalah dengan melakukan pembuangan data dan
menggantikan dengan data baru (teknik analisis
dengan data hilang). Namun pembuangan beberapa
data dalam rancangan percobaan akan menyulitkan
dalam analisis varians. Untuk data yang tidak
lengkap maka analisis data yang digunakan adalah
analisis data tidak lengkap dan tidak seimbang yang
sudah tentu lebih sulit melakukan analisis
keragaman. Jika hasil normalitas dan homogenitas
tidak ditemukan dengan teknik transformasi maka
solusi analisis nonparametrik tidak dapat
dihindarkan.
Selanjutnya, menurut Keene (1985) dalam Quin
and Keough (2002), transformasi logaritma dengan
bilangan dasar 10 tidak relevan digunakan
walaupun sangat familiar untuk banyak pembaca.
Akan tetapi lebih menyarankan penggunaan
transformasi logaritma dalam bentuk ( ),
dengan bilangan konstan. Nilai yang dipilih
harus seminimal mungkin.
Tabachnick and Fidell (2001) dalam Larson-Hall
(2009) memberikan rekomendasi jenis transformasi
yang digunakan berdasarkan jenis ketajaman data.
Tabel 4.5 Jenis Transformasi Berdasarkan Ketajaman

Data
Rekomendasi Transformasi jika

Ketajaman Data
Transformasi Terdapat Data Nol
Moderate positive
( )
skewness
Substantial positive
( ) ( )
skewness
Severe positive skewness ( )
Moderate negative
( )
skewness
Substantial negative
( )
skewness
Severe negative skewness ( ( ))
* nilai konstan terkecil sehingga data terkecil bernilai sama
dengan 1
** nilai konstan sehingga nilai terkecil ( ) tidak sama
dengan 0
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
( )
( ̅ ( ))
( ( ) ̅)
Nilai yang diperoleh dibandingkan dengan nilai

tabel Grubb’s test.
c. Uji Rosner’s
Uji rosner merupakan modifikasi dari uji
Grubss. Formula yang digunakan untuk
menentukan nilai apakah suatu nilai dari set data
outlier atau tidak dapat menggunakan persamaan
berikut (Thode, C.H, 2012):
| | | |
| | | |
Dengan merupakan nilai rata-rata trimmed dan

merupakan standar deviasi, nilai dan dapat
dicari dengan persamaan berikut:
∑ () ( )
∑ ( () ) ( )
Nilai dan dibandingkan dengan nilai tabel

dengan kriteria pengambilan putusan.
Uji Outlier (Manual)

Berikut disajikan uji outlier dengan menggunakan
data pada kemampuan membaca siswa dengan
menggunakan uji Rosner’s.
Besarnya nilai atau rata trimmed pada data
kemampuan membaca adalah dan nilai
standar deviasi .
Sehingga nilai dan R2 adalah:
| |
| |
Besarnya nilai uji rosner dengan , dan

adalah dan . Dengan
demikian maka nilai 93 dan 42 pada data kemampuan
awal siswa bukan outlier ( dan
).
Uji Outlier (SPSS)

Uji outlier pada aplikasi SPSS dapat dilakukan dengan
cara Analyze > Descriptive > Explore
Statistics > Outlier (ceklist) > Continue > OK

Uji Hipotesis |109
Data kemampuan membaca siswa pada data maksimum

(79) diganti 100 maka hasil uji outlier pada data
kemampuan membaca siswa tersebut adalah:
Hasil analisis dengan SPSS menunjukkan bahwa data >=

93 adalah outlier. Jadi data tersebut dibuang agar data
berdistribusi normal.
↜oOo↝
Bab 5
KORELASI
Koefisien korelasi merupakan koefisien yang

mengukur hubungan antara dua variabel atau lebih.
Koefisien korelasi yang paling sering digunakan adalah
koefisien korelasi pearson . Koefisien korelasi pearson
sering juga disebut koefisien korelasi linear product moment.
Skala data pengukuran yang digunakan untuk uji korelasi
pearson r adalah data interval dan data rasio. Nilai koefisien
korelasi berkisar antara sampai . Jika nilai korelasi
bernilai maka dikatakan bahwa hubungan antara dua
variabel atau lebih berhubungan negatif sempurna dan bila
nilai koefisien korelasi pearson maka dapat dikatakan
bahwa hubungan antara dua variabel atau lebih
berhubungan positif sempurna. Namun dalam kondisi real
sangat tidak mungkin adanya hubungan antara dua variabel
atau lebih berhubungan positif atau negative sempurna.
Prasyarat korelasi pearson adalah data interval atau
rasio yang berdistribusi normal. Jika data interval atau rasio
yang dianalisis tidak memenuhi prasyarat distribusi normal
maka sebagai alternatif untuk mengetahui hubungan dua
variabel adalah dengan menggunakan Korelasi Spearmen
( ). Tetapi bila kesamaan rangking banyak pada uji korelasi
spearman maka uji korelasi Kendall lebih tepat digunakan.
Pada kasus data nominal maka untuk mengetahui hubungan
dua variabel dapat digunakan uji koefisien contingency.
- 110 -
Korelasi |111
Skater plot dapat digunakan untuk melihat bentuk

hubungan antara variabel dan pada data interval/rasio.
Ilustrasi skater plot yang mendiskripsikan bentuk hubungan
dapat dilihat pada gambar 5.1. Pada gambar (a) merupakan
bentuk skater plot korelasi positif, (b) bentuk korelasi
negative, (c) dan (d) tidak ada hubungan korelasi, dan (e)
korelasi non linear.
Gambar 5.1 Ilustrasi Skater Plot
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):
Variabel X Variabel Y
Variabel X Variabel X Variabel X Variabel Y Variabel Y Variabel Y

Skala Interval Skala Interval Skala Interval Skala Interval Skala Interval Skala Interval
Rasio Ordinal Nominal Nominal Ordinal Rasio
Distribusi Chi-Square Distribusi

Normal Normal
Terdapat Banyak
Ties/Rangking
Sama
Korelasi
Spearman
Korelasi Kendal
Korelasi Pearson
Gambar 5.2 Koefisien Korelasi

Korelasi |113
∑ ( ̅) ( ̅)
( )
atau:
( ) ∑ ( ̅ )( ̅ )
Rumus di atas identik dengan rumus varians, namun

varians menunjukkan variasi dalam dirinya sendiri.
B. Koefisien Korelasi Pearson

Asosiasi data dari variabel kontinu dapat diukur
dengan menggunakan koefisien korelasi product moment.
Dalam studi korelasi tidak perlu adanya hubungan sebab
akibat melainkan hanyalah untuk mengestimasi hubungan
data. Hubungan data rasio dari dua peubah dapat
dinyatakan dengan koeffisien korelasi Pearson (Pearson
Product-moment correlation coefficient). Koefisien korelasi
menunjukan rasio kovarians terhadap varians total yang
dirumuskan sebagai:
∑ ( ̅) ( ̅)
( )
Parameter analisis korelasi parametrik dengan standar

error korelasi.
Parameter Estimasi Standar error

Kovarians ∑ (̅)(̅) -----
[∑ ( ̅ )( ̅ )]
Korelasi (r) √
( )
Nilai koefisien korelasi berkisar – . Jika

maka korelasi yang terbentuk sempurna atau jumlah
kuadrat penyimpangan sama dengan nol, Jika maka
dapat dikatakan bahwa kedua peubah tidak berkorelasi atau
hubungan kedua peubah saling bebas.
1. Uji Hipotesis Koefisien Korelasi
Uji Hipotesis null dalam korelasi pearson adalah
nilai koefisien korelasi sama dengan nol dan tidak ada
hubungan linear antar dua variabel dalam populasi. Jika
distribusi sampling berasal dari distribusi normal maka
kita dapat dengan mudah melakukan uji hipotesis
dengan uji t statistik:
dengan , = koefisien korelasi, dan =

standar error korelasi. Maka formula (5.3) dapat diubah
kedalam bentuk:
dengan adalah nilai koefisien korelasi pearson, dan

adalah jumlah data. Nilai yang diperoleh
dibandingkan dengan nilai 5% dengan derajat
bebas ( ), terima jika nilai berada didalam
wilayah penerimaan atau tolak jika nilai
berada diluar wilayah penerimaan , atau terima
jika ( ( )) atau tolak jika
( ( )) .
Korelasi |115
2. Analisis Koefisien Korelasi Pearson (Manual)

Seorang peneliti ingin mengetahui hubungan
antara penguasaan matematika terhadap pengusaan
natural sains (IPA). Dalam hal ini kita menggunakan
data HSB (Lampiran 1). Kemampuan matematika ( )
dan kemampuan IPA ( ), jumlah sampel .
Dari data pada file HSB diperoleh nilai rata-rata,
standar deviasi dan jumlah perkalian matriks dan
sebagai berikut:
; ; ̅ ; ̅ dan
∑
Perhitungan koefisien korelasi:
∑ ( ̅ )( ̅ )
( )
( )( )
( )( )( )
Uji signifikansi nilai koefisien korelasi dapat

dilakukan dengan membandingkan dan
mengonversi nilai kedalam . Jika menggunakan
maka diperoleh nilai ( )
Nilai , sehingga
terima dan tolak . Jika menggunakan pendekatan ,
maka nilai di atas dikonversi menjadi
dengan rumus:
√ √
√ √
Nilai tersebut dibandingkan dengan nilai

( ) . Besar nilai ( ) . Jadi
nilai .
3. Asumsi Analisis Korelasi Pearson

Di samping asumsi sampel dari observasi populasi
random dan independen, koefisien korelasi pearson
mengasumsikan distribusi probabilitas dan bivariat
normal. Jika kedua variabel memiliki distribusi non normal
maka kedua variabel tersebut tidak membentuk hubungan
linear. Koefisien korelasi Pearson bukan hanya mengukur
hubungan linear kedua variabel melainkan mengukur
kekuatan linear kedua variabel. Pengukuran hubungan
non linear dari dua variabel dapat dilakukan dengan
melihat skater plot dan untuk mengukur distribusi bukan
normal atau tidak simetris dapat dilakukan dengan box
plot. Teknologi modern seperti software R maupun dengan
menggunakan microsoft excel dapat dengan mudah
memplot data dalam skater plot.
Jika dua variabel tidak menunjukkan distribusi
normal dan tidak menunjukkan hubungan linear dua
variabel maka dapat ditempuh dua cara yaitu (1)
Melakukan transformasi data jika distribusi skew
(distribusi lebih condong ke kiri atau kanan), (2)
Melakukan pengukuran korelasi robust yang tidak
mengasumsikan kedua variabel normal dan kedua
variabel tidak menunjukkan hubungan linear seperti
Rank Spearman dan Kendall.
Korelasi |117
4. Analisis Korelasi Pearson (SPSS)

Uji korelasi Pearson r dengan program SPSS dapat
dilakukan dengan cara:
Analyze > Correlate > Bivariate > var1, var2 >
Correlation coefficient (centang Pearson) OK. Hasil
analisis korelasi pearson dengan program SPSS
diperoleh hasil:
Sebagaimana telah disebutkan sebelumnya bahwa

koefisien korelasi merupakan hubungan linear antara
dua variabel. Jika nilai koefisien korelasi ( )
dikuadratkan maka akan diperoleh nilai koefisien
determinasi ( ). Nilai koefisien determinasi
menunjukkan proporsi variasi nilai antara dua variabel
(seperti kekuatan hubungan antara dua variabel). Pada
contoh kasus studi kemampuan matematika dan natural
sains di atas maka dapat dijelaskan bahwa kemampuan
IPA dapat dijelaskan oleh variabel kemampuan
matematika sebesar 39,81%. Pada bagian sebelumnya
telah dijelaskan bahwa analisis korelasi pearson
menghendaki data interval dan data rasio. Untuk data

ordinal dan nominal, asosiasi dua variabel dapat
dihitung dengan menggunakan uji korelasi rank
spearman dan untuk data nominal dengan
menggunakan uji koefisien kontingensi.
C. Koefisien Korelasi Partial

Korelasi yang telah kita bahas sebelumnya merupakan
korelasi Pearson dengan order nol (zero order correlation).
Pada bagian ini kita akan membahas korelasi partial order 1
dan order ke- k. Menurut Gujarati (2004):
√( )( )
√( )( )
√( )( )
1. Analisis Koefisien Korelasi Parsial (Manual)

Pada contoh ini kita akan membahas korelasi
variabel membaca ( ) dan menulis ( ) terhadap
kemampuan matematika ( ). Data penelitian tersedia
dalam HSB (Lampiran 1). Matriks korelasi zero order
dari tiga variabel di atas adalah:
membaca menulis matematika

membaca 1,0000 0,5968 0,6623
menulis 0,5968 1,0000 0,6174
matematika 0,6623 0,6174 1,0000
Korelasi |119
Dari nilai korelasi order nol di atas, kemudian kita akan

menghitung koefisien korelasi parsial antara membaca
( ) dan menulis ( ) terhadap kemampuan matematika
( ) yaitu:
( )( )
√( )( )
Jadi besarnya nilai koefisien korelasi terhadap

adalah sebesar 0,3187. Uji keberartian koefisien korelasi
parsial order satu di atas dapat dilakukan dengan
pendekatan uji t dengan (Gujarati, 2004) formula:
√
√
Dengan adalah derajat korelasi parsial. Besarnya nilai

derajat bebas yang digunakan adalah – – . Nilai
order koefisien korelasi pada contoh tersebut adalah pada
order 1 sehingga nilai . Besarnya nilai yaitu:
√
√
Nilai di atas akan dibandingkan dengan

( ) . Sehingga dapat dijelaskan bahwa
secara bersama-sama antara kemampuan menulis ( )
dan membaca ( ) berhubungan dengan kemampuan
matematika ( ).
2. Analisis Koefisien Korelasi Parsial (SPSS)

Teknik analisis korelasi parsial orde 1 dengan SPSS
dapat dilakukan dengan langkah:
Analyze > Correlation > Partial
Isikan kolom variabel dan pada kolom variabel,

dan variabel di kolom controlling for seperti tabel di
atas, kemudian tekan OK. Hasil analisisnya adalah:
Teknik analisis korelasi parsial untuk order 2 dan

order maka dapat dilakukan hampir sama dengan
teknik korelasi parsial order 1, yang membedakan adalah
Korelasi |121
variabel entry untuk controling for yang ditambah

variabelnya. Analisis korelasi parsial order 2 yaitu
kemampuan membaca dan menulis terhadap matematika
dan IPA dapat dilakukan dengan cara berikut:
Hasil analisisnya adalah:
Berdasarkan hasil analisis manual dan SPSS terlihat

bahwa kedua metode analisis untuk mendapatkan nilai
koefisien korelasi parsial menghasilkan hasil yang sama.
D. Koefisien Korelasi Spearmen

Jika dua variabel tidak menunjukkan hubungan linear
dan tidak berdistribusi normal, dan transformasi data tidak
membantu membentuk linearitas dan distribusi normal dan

kita tertarik untuk menentukan hubungan kedua variabel
maka koefisien korelasi spearman dapat dilakukan. Karena
koefisien korelasi spearman tidak mengasumsikan distribusi
normal dan linearitas kedua variabel. Namun sebelum
menggunakan koefisien korelasi spearman maka data harus
dirangking terlebih dahulu. Jadi proses perengkingan data
tersebut termasuk kegiatan mengubah data interval atau
rasio menjadi data ordinal.
Koefisien korelasi dapat digunakan pada data ordinal.
Data ordinal adalah data yang berbentuk tingkatan atau
hirarki dan masing-masing data satu dengan data lain tidak
memiliki batasan yang jelas. Sebagai contoh dari data ordinal
adalah pengelompokkan manusia berdasarkan tinggi badan,
yaitu nilai 1 untuk tinggi, nilai 2 untuk sedang, dan nilai 3
untuk rendah. Contoh lain dari data ordinal adalah seperti
pengukuran organoleptik dari warna daging, nilai 1 untuk
warna yang sangat merah, 2 untuk warna merah, 3 untuk
warna cukup merah dan nilai 4 untuk warna kurang merah.
Data yang berasal dari variabel ordinal di atas dapat
dihitung asosiasi dengan menggunakan koefisien korelasi
rank spearmen. Dalam studi korelasi tidak perlu adanya
hubungan sebab akibat melainkan hanyalah untuk
mengestimasi hubungan data. Hubungan data ordinal dari
dua peubah dapat dinyatakan dengan koeffisien korelasi r
spearmen yang dirumuskan sebagai (Kuby, 2012):
∑
[ ]
( )
Korelasi |123
dimana:
= koefisien korelasi spearman
= selisih ranking
= jumlah data
Uji signifikansi korelasi rank-spearman dapat

dilakukan dengan pendekatan uji t berikut:
√
√
1. Analisis Korelasi Rank Spearman (Manual)

Jika data kemampuan membaca dan menulis
diasumsikan tidak normal maka ujilah apakah ada
hubungan kemampuan membaca dengan kemampuan
menulis. Dalam hal ini kita akan mengambil 20 data
kemampuan membaca dan menulis untuk melihat
hubungan kedua variabel. Data disajikan pada tabel
berikut:
Tabel 5.1 Kemampuan Membaca dan Menulis
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
47 6,5 52 8,5 4,00

47 6,5 52 8,5 4,00
57 12,5 55 11,0 2,25
45 5,0 57 13,0 64,00
73 20,0 60 17,0 9,00
54 9,0 63 18,0 81,00
57 12,5 65 19,5 49,00
68 18,5 65 19,5 1,00
63 16,5 44 3,0 182,25
60 15,0 46 4,5 110,25
68 18,5 59 15,5 9,00
Jumlah 724
Ujilah apakah ada hubungan antara kedua kelompok

data tersebut?
[ ]
( )
Diperoleh nilai koefisien korelasi rank spearman adalah

sebesar 0,455. Untuk menguji signifikansi nilai korelasi
tersebut dapat dilakukan dengan pendekatan uji t yaitu:
√
√
Jadi nilai sebesar 2,172 dengan nilai

( ) . Dengan demikian bahwa terdapat
hubungan antara kemampuan membaca dengan
kemampuan menulis siswa.
2. Uji Korelasi Spearman (SPSS)

Uji korelasi Spearmen dengan program SPSS
Korelasi |125
Analyze > Correlate > Bivariate > var1,var2 >

Correlation coefficient (centang spearmen) OK
Untuk lebih jelas cara analisis koefisien korelasi
spearman silakan lihat pada teknik analisis korelasi
pearson pada bahasan sebelumnya.
Hasil Analisis:
E. Analisis Korelasi Kendall-Tau

Koefisien Korelasi Kendall digunakan untuk
menghitung hubungan dua variabel dengan skala data
ordinal dengan kondisi data banyak terdapat kesamaan
ranking (ties). Koefisien korelasi Kendall dapat dihitung
dengan rumus (Agresti, 2010):
̂
( ) ( )
√[ ][ ]
dengan:
( )
∑
( )
∑
1. Analisis Korelasi Kendal (Manual)

Satu tim riset melakukan penelitian tentang
hubungan status fungsional (relijiusitas) dengan tingkat
depresi pada pasien stroke di ruang Flamboyan RSUD
Jombang. Hasil penelitian disajikan pada tabel berikut.
Tabel 5.2 Status Relijiusitas dan Kecemasan
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
Nilai koefisien korelasi Kendal dapat dihitung sebagai

berikut:
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
Sehingga:
̂
( ) ( )
√[ ][ ]
Korelasi |127
̂
( ) ( )
√[ ][ ]
Nilai yaitu:
√
√
2. Analisis Korelasi Kendall (SPSS)

Uji korelasi Kendall Tau ( ̂ ) dengan program SPSS
Analyze > Correlate > Bivariate > var1, var2 >
Correlation coefficient (centang spearmen) OK. Hasil
analisis korelasi Kendall Tau untuk kasus di atas adalah:
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)
F. Uji Asosiasi Data Nominal

Asosiasi antara variabel nominal dengan nominal dapat
diukur dengan menggunakan chi-square. Sebagai contoh di
bidang pendidikan, bagaimana asosiasi antara status sosial
ekonomi terhadap pilihan sekolah. Formula untuk
perhitungan nilai chi square adalah (Agresti, 2002):
( ̂ )
∑∑
̂
dengan:
= chi-square
= frekuensi baris dan kolom
̂ = frekuensi harapan
dimana frekuensi harapan dicari dengan cara:

̂ ̂ ̂
̂ ⁄
̂ ⁄
sehingga frekuensi harapan dapat diubah menjadi:
Dengan = jumlah baris ke- , dan jumlah kolom ke- .
1. Analisis Chi Square (Manual)

Sebagai contoh dari penggunaan uji chi_square
adalah seperti kita ingin mengetahui status sosial
ekonomi terhadap pilihan sekolah. Status sosial ekonomi
disini kita andaikan pada status pendapatan. Status
pendapatan dibagi tiga kategori yaitu tingkat
pendapatan rendah, sedang dan tinggi. Sedangkan type
sekolah dibagi dua kategori yaitu sekolah swasta dan
sekolah milik pemerintah. Data yang kita gunakan untuk
analisis chi-square ini, kita akan menggunakan data HSB
(Lampiran 1).
Korelasi |129
Frekuensi Observasi ( )
Status Sosial Ekonomi Pilihan Sekolah ( )

Jumlah
() Swasta Negeri
Rendah 45 2 47
Sedang 76 19 95
Tinggi 47 11 58
Jumlah 168 32 200
Nilai untuk kasus di atas adalah:

( )( )
̂
( )( )
̂
( )( )
̂
Nilai Frekuensi Harapan ( ̂ ) untuk tabel di atas

dirangkum pada tabel berikut:
Status Sosial Pilihan Sekolah

Jumlah
Ekonomi Swasta Negeri
Rendah 39,48 7,52 47
Sedang 79,80 15,20 95
Tinggi 48,72 9,28 58
Jumlah 168 32 200
Nilai chi-kuadrat ( ) dilihat pada tabel berikut:
Status Sosial Pilihan Sekolah

Jumlah
Ekonomi Swasta Negeri
Rendah 0,772 4,052 4,824
Sedang 0,181 0,950 1,131
Tinggi 0,061 0,319 0,380
Jumlah 1,013 5,321 6,334
Ket :
Nilai chi square ( ) di atas dibandingkan dengan

nilai chi square tabel 5% dengan derajat bebas ( )
( ) . Jadi besar nilai dan nilai
( )
. Hasil analisis diperoleh nilai
( )
maka dapat disimpulkan bahwa
terdapat hubungan antara sosial ekonomi status dengan
pemilihan sekolah.
2. Analisis Chi Square (SPSS)

Analisis chi-square dengan SPSS dapat dilakukan
dengan cara:
Analyze > Descriptive > Crosstab > (centang Chi-
Square) > OK
↜oOo↝
Bab 6
REGRESI LINEAR SEDERHANA
Regresi merupakan suatu teknik statistika untuk

menentukan persamaan garis atau kurva dengan
meminimumkan penyimpangan atau deviasi antara data
pengamatan dan nilai-nilai dugaan. Regresi digunakan
untuk menduga nilai-nilai satu variabel respon dari nilai
variabel (peubah) yang sudah diketahui atau diasumsikan
ada hubungan dengannya. Sebagai contoh seorang ahli
pendidikan ingin mengetahui pengaruh kemampuan
matematika terhadap kemampuan natural sains.
Persamaan regresi sederhana terdapat dua perubah
(variabel) yaitu variabel bebas ( ) dan variabel terikat ( ).
Jika lebih dari dua peubah disebut regresi berganda. Topik
mengenai regresi berganda akan dibahas pada bab terpisah.
Regresi linear sederhana terdiri satu variabel bebas dan satu
varibel terikat. Suatu variabel dikatakan sebagai variabel
bebas yaitu variabel dengan nilai-nilai peubah dapat
berubah ubah sesuai dengan kondisi populasi kadang-
kadang nilai peubah dapat dikontrol oleh manusia.
Bentuk umum dari persamaan regresi linear sederhana
adalah:
- 131 -
Dimana:
̂ = Nilai prediksi
= Konstanta,
= Koefisien regresi
= Standar error
Nilai konstanta adalah nilai penyeimbang dari

persamaan garis yang mampu memberikan prediksi
dengan nilai penyimpangan dalam suatu prediksi lebih kecil.
A. Regresi melalui Titik Pusat

Pada beberapa kasus, nilai intersep sulit untuk
diinterpretasikan. Bila kita tidak menghendaki keberadaan
intersep dalam persamaan regresi maka kita dapat
menggunakan model regresi melalui titik pusat dengan
. Nilai koefisien beta dapat dicari dengan
meminimalkan penyimpangan sama seperti langkah
menyelesaikan persamaan regresi dengan menggunakan
intersep.
̂
̂
Nilai koefisien beta dapat dicari:

∑ ∑
∑ ∑
∑
∑
Regresi Linear Sederhana |133
∑ ̂
B. Estimasi Parameter Regresi Linear Sederhana

Penaksiran persamaan regresi linear sederhana secara
matriks dapat dirumuskan dengan:
Pada persamaan regresi linear sederhana maka komponen

matriks tersebut adalah:
∑ ∑
[ ]
Determinan dari matriks tersebut adalah:
∑ (∑ )
Pada matriks berlaku aturan:
[ ] [ ]
Maka invers matriks di atas akan menjadi:

∑ ∑
[ ]
∑ ∑
∑
[ ]
Komponen matriks adalah:
∑
[ ]
∑
[ ]
Koefisien regresi linear sederhana adalah:
∑ ∑ ∑
( )
∑ ∑
∑ ∑
[ ][ ]
sehingga nilai koefisien adalah:
∑ ∑
∑ ∑ ∑ ∑
∑ ∑ (∑ )
∑
∑ ̅ ̅
∑ ̅
Nilai konstanta dan nilai koefisien regresi ( ) dapat

dihitung menggunakan persamaan:
̅ ̅
C. Analisis Keragaman Regresi Linier Sederhana

Setelah selesai menemukan persamaan garis
kemampuan matematika ( ) terhadap kemampuan natural
sains ( ), maka ujilah apakah memengaruhi .
Jumlah Kuadrat Regresi
∑ ̂ ̅ ∑̂ ̅
Jumlah Kuadrat Total
∑ ̅ ∑ ̅
Jumlah Kuadrat Residual

Jumlah kuadrat residual diperoleh dengan mengurangi
jumlah kuadrat total dengan jumlah kuadrat regresi.
∑( ̂)
Parameter yang digunakan untuk analisis keragaman regresi

linear sederhana disajikan pada tabel berikut:
Formula Perhitungan Analisis Keragaman Regresi Linear

sederhana
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:
∑ ̂ ̅
∑ ̅
Nilai koefisien determinasi berkisar dari 0 dan 1.

Semakin mendekati 1 artinya model yang dipakai semakin
bagus, karena kesalahan yang tak dapat dikendalikan
semakin kecil. Berdasarkan hasil analisis keragaman dan
analisis koefisien determinasi maka faktor ̅ bisa
dianggap faktor koreksi dalam analisis keragaman.
Persamaan di atas dapat diubah dalam bentuk:
∑ ̂
∑
D. Pengujian Hipotesis Partial Regresi Linear Sederhana

Uji hipotesis yang diajukan dalam regresi linear
sederhana adalah lawan digunakan
statistik uji t yaitu:
Dengan adalah nilai koefisien ke- , adalah

koefisien regresi ke- , dan adalah simpangan baku
koefisien regresi ke- . Simpangan baku koefisien regresi ke-
adalah dengan kuadrat tengah residual
sehingga:
∑
( )
∑ [∑ ]
Simpangan baku Intersep ( ):
∑
√ ( )
∑ [∑ ]
Simpangan baku koefisien regresi
√
∑ ∑
Parameter Pengujian Koefisien Regresi
Standardized Unstandardized Koefisien Standar

Parameter
koefisien Error
∑
Intersep √ ( )
∑ ∑
Slope ( ) √
∑ ∑
E. Asumsi Analisis Regresi Linear

Asumsi dalam regresi linear terfokus pada bentuk error
atau residual bukan pada predictor. Residual dari model
regresi OLS penting untuk mengecek asumsi analisis regresi.
Residual mengindikasikan seberapa jauh penyimpangan
masing-masing observasi dari garis regresi dalam variabel .
Observasi dengan residual semakin besar maka semakin jauh
observasi dari garis regresi. Asumsi yang harus dipenuhi
dalam analisis regresi linear sederhana adalah normalitas
residual, homogenitas varians dan autokorelasi. Sedangkan
pada regresi linear berganda asumsi yang juga harus dipenuhi
adalah asumsi multikolinearitas. Uji normalitas residual,
autokorelasi, multikolinearitas dan heteroscedastisitas dikenal
dengan nama uji asumsi klasik. Pembahasan tentang uji asumsi
klasik akan dibahas pada pembahasan regresi linear berganda.
F. Hubungan antara Koefisien Regresi dan Korelasi

Pembahasan model regresi linear bila dan adalah
variabel acak menunjukkan adanya hubungan antara
koefisien regresi dengan koefisien korelasi. Akan dibahas
kembali bentuk formula koefisien regresi dan korelasi. Jika
nilai koefisien korelasi dirumuskan dengan:
∑ ̅ ̅
Formula koefisien regresi dirumuskan dalam bentuk:
∑ ̅ ̅
∑ ̅
Maka rumus dapat diubah menjadi:
∑ ̅
( ⁄ )
Dengan menyederhanakan persamaan di atas sehingga

bentuk hubungan koefisien regresi dengan koefisien korelasi
dapat ditulis:
( ⁄ )
Pada pembahasan sebelumnya juga ditulis bentuk hubungan

antara koefisien regresi dengan koefisien standardized
regresi. Dengan mensubstitusi persamaan maka dapat ditulis
bentuk hubungan antara koefisien regresi standarisasi
dengan koefisien korelasi.
( ⁄ )
Sehingga persamaan korelasi dan regresi dapat ditulis

atau nilai koefisien korelasi sama dengan nilai
koefisien regresi terstandarisasi.
G. Hubungan Kovarians, Koefisien Regresi, dan Korelasi

Kovarians menunjukkan bagaimana penyimpangan
terhadap nilai penyimpangan . Rumus kovarians adalah:
∑ ̅ ̅
Sehingga bentuk hubungan antara korelasi dengan

kovarians adalah:
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:

Antar Grup ∑ ̅ ̅
Linearitas 1
Deviasi Linearitas
Error Grup
Total
Jumlah Kuadrat Tuna Cocok (JKTC)
∑ ̅ ̅
Besarnya nilai penyimpangan dari garis linear

(deviation from linearity) dapat dihitung dengan formula:
⁄
⁄
Kriteria pengambilan keputusan adalah:

1. Jika nilai maka persamaan garis bersifat
linear
2. Jika nilai maka persamaan garis bersifat
nonlinear
H. Analisis Regresi Linear Sederhana (Manual)

Seorang peneliti di bidang pendidikan ingin
mengetahui pengaruh penguasaan matematika terhadap
kemampuan natural sains, tujuan utama dari penelitian
tersebut adalah untuk menemukan persamaan yang dapat
digunakan untuk menaksir kemampuan matematika ter-

hadap penguasaan natural sains. Data yang digunakan pada
analisis contoh regresi linear sederhana ini kita
menggunakan data HSB (Lampiran 1):
Tabel Bantu Analisis Parameter Regresi Linear Sederhana
Variabel Jumlah Jumlah Kuadrat Rata-rata

Matematika ( ) 10529 571765 52,645
IPA ( ) 10370 557192 51,850
( )( ) 557571
Nilai koefisien regresi linear adalah:
Nilai konstanta regresi linear adalah:
Dari nilai dan maka dibuat persamaan regresi linear

sederhana atas adalah:
̂
Nilai koefisien beta atau slope terstandarisasi dapat dicari

dengan rumus:
( )
Nilai koefisien beta sebesar:
[ ]
Jadi besarnya nilai koefisien regresi terstandarisasi adalah

0,6307. Persamaan garis tersebut dapat dibentuk dalam
bentuk grafik atas berikut ini:
Gambar 6.1 Diagram Kemampuan Matematika ( ) dan IPA ( )
Regresi linier sederhana terdapat dua nilai dugaan

parameter yaitu yang sering disebut dengan intersep, dan
disebut dengan slope atau garis kemiringan. Nilai intersep
terkadang sulit untuk diinterpretasikan, dan tidak
mempunyai arti langsung. Dalam kasus tertentu, intersep
dapat diinterpretasikan atau memiliki arti. Slope atau garis
kemiringan atau lebih sering disebut dengan koefisien regresi,
lebih mempunyai arti dibandingkan dengan intersep.
Nilai ̂ dapat diperoleh dengan menggunakan
persamaan ̂ , substitusikan nilai tersebut untuk
mendapatkan komponen ̂ . Dengan persamaan ̂
maka diperoleh nilai ̂ .
Dengan menggunakan persamaan (6.1) maka besarnya nilai
adalah:
Teknik yang paling mudah mendapatkan Jumlah kuadrat

regresi adalah dengan cara matriks dengan persamaan:
Dengan menggunakan cara matriks maka nilai

adalah:
[ ][ ]
Dengan menggunakan persamaan (6.2) maka:
Dengan persamaan (6.3) maka:
Nilai Jumlah Kuadrat masing-masing komponen di atas

dimasukkan dalam tabel analisis varians regresi berikut:
Analisis Keragaman
Keragaman Jumlah Kuadrat Kuadrat Tengah Sig

Regresi 1 7760,558 7760,558 130,80 ***
Residual 198 11746,94 59,328
Total 199 19507,5
Besar nilai koefisien determinasi hubungan antara

kemampuan matematika ( ) terhadap kemampuan IPA ( )
adalah:
Untuk menguji pengaruh kemampuan IPA ( )

terhadap natural sains ( ) dapat dilakukan pengujian
koefisien regresi. Nilai standar error koefisien regresi dan
, adalah:
√ * +
∑ ∑
√ [ ]
√ [ ]
Nilai regresi diperoleh dengan rumus:
Nilai koefisien regresi:
Dari semua nilai tabel dipenuhi maka masukkan nilai-nilai

tersebut ke dalam analisis koefisien regresi.
Analisis Parsial Kemampuan Matematika ( )

terhadap Natural Sains ( )
Koefisien Regresi
Parameter Sig.p
Standar Error
Intersep 16,7579 3,1162 5,3776 *
Slope ( ) 0,6666 0,0583 11,4375 **
Interpretasi Hasil Analisis Data

Analisis koefisien determinasi (R2) diperoleh nilai 0,3978
yang berarti bahwa 39,78% variasi dari kemampuan IPA
ditentukan oleh variasi kemampuan matematika. Berdasarkan
hasil analisis koefisien regresi kemampuan matematika
terhadap kemampuan IPA diperoleh nilai sebesar
11,4375 dengan untuk 5% (df, 198) sebesar 1,972. Hal ini
berarti nilai . Hal
ini berarti kemampuan matematika (X) berpengaruh nyata
terhadap penguasaan IPA.
Uji Linearitas Regresi

Hasil analisis regresi linear tentang pengaruh
kemampuan matematika terhadap kemampuan IPA
diperoleh persamaan ̂ . Ujilah apakah
hubungan dua variabel tersebut bersifat linear atau tidak.
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
jumlah kuadrat grup. Berikut disajikan perhitungan jumlah

kuadrat grup.
Jumlah Kuadrat Grup
̅ ̅ ̅ ̅
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 kuadrat linearitas merupakan jumlah kuadrat regresi:

Jumlah kuadrat deviasi linearitas merupakan selisih antara

JK antar grup dan JK linearitas, sehingga nilai jumlah
kuadrat deviasi linearitas adalah:
Jumlah kuadrat error grup merupakan selisih antara jumlah

kuadrat total terhadap jumlah kuadrat antar grup, sehingga
nilai jumlah kuadrat error grup adalah:
Setelah semua komponen jumlah kuadrat diperoleh maka

masukkan nilai tersebut kedalam tabel analisis keragaman
berikut:
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
Sebenarnya dalam analisis regresi linear asumsi yang

harus dipenuhi adalah asumsi klasik seperti
multikolinearitas, autokolinearitas, heteroskedastisitas dan
normalitas. Hal ini berarti residu hasil analisis regresi harus
lulus uji autokolinearitas, heterskedastisitas dan normalitas.
Jadi bukan data yang diuji normal melainkan residu yang
diuji normal. Sedangkan asumsi linearitas tidak banyak
dibahas oleh beberapa buku ekonometrika. Maksudnya
adalah asumsi linearitas jarang dipakai.
Asumsi linearitas untuk data yang diperoleh dari

populasi random sebetulnya tidak layak digunakan dalam
analisis regresi. Karena pengujian linearitas sangat
bergantung pada variasi kelompok data variabel bebas dan
variabel terikat. Jika variabel bebas dengan data sangat
variasi maka uji linearitas tidak dapat dilakukan. Kemudian
jika kelompok data sama pada variabel X dan nilai variabel
Y juga sama maka uji linearitas juga tidak dapat digunakan.
Hal ini disebabkan dengan kondisi data demikian maka
jumlah kuadrat kelompok bernilai nol. Jika jumlah kuadrat
kelompok bernilai nol maka jumlah kuadrat penyimpangan
linearitas akan bernilai negatif. Secara ilmiah mustahil ada
nilai jumlah kuadrat yang bernilai negatif.
Uji linearitas ini tepat digunakan untuk uji regresi
dengan penelitian terencana seperti untuk mengetahui
pengaruh dosis atau data bertingkat terencana apakah
membentuk model linear atau tidak. Cara terbaik
menentukan apakah suatu hubungan variabel X dan Y
membentuk hubungan linear atau tidak adalah melalui
pengamatan scater plot antara dua variabel tersebut. Jika
pola yang terbentuk membentuk pola garis lurus maka
hubungan kedua variabel tersebut bersifat linear. Berikut
disajikan hasil analisis antara variabel X dan Y dengan
model linear tetapi dalam analisis linearitas seperti di atas
tidak dapat dilakukan.
Kemampuan Kemampuan Kemampuan Kemampuan

Membaca Literasi Membaca Literasi
38 40 55 45
51 43 47 40
64 50 56 46
38 40 59 47
52 44 60 48
41 38 50 43
54 45 61 48
47 40 57 46
53 44 58 47
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
Pengaruh kemampuan membaca terhadap kemampuan

literasi pada data tersebut tidak dapat dilakukan uji
linearitas dengan menggunakan model empiris. Hal ini
disebabkan data pada kelompok variabel yaitu angka 38
memberikan respons yang sama terhadap variabel yaitu
menghasilkan nilai 40. Sehingga pada kelompok tersebut
tidak terdapat penyimpangan. Kelompok yang tidak
memiliki penyimpangan maka jumlah kuadrat group akan
bernilai nol yang menyebabkan jumlah kuadrat
penyimpangan linearitas bernilai negatif. Padahal model
yang terbentuk antara variabel dan pada data tersebut
membentuk hubungan linear sebagaimana yang terlihat
pada skater plot. Dengan demikian maka untuk data yang

berasal dari sampel acak lebih baik menggunakan scater plot
untuk melihat uji linearitas dibandingkan uji empiris.
I. Analisis Regresi Linear Sederhana (SPSS)

Prosedur analisis data regresi sederhana dengan
menggunakan program SPSS adalah:
Analyze > Regression > Linear
Statistics > centang Durbin watson, descriptives dan lain-lain
Hasil analisis adalah:

Analisis koefisien determinasi diperoleh nilai

0,3978 yang berarti bahwa 39,78% variasi dari kemampuan
IPA ditentukan oleh variasi kemampuan matematika.
Persamaan matematis pengaruh kemampuan matematika
terhadap kemampuan IPA diperoleh persamaan
. Koefisien kemampaun matematika bernilai
positif yang berarti semakin tinggi kemampuan matematika
semakin tinggi nilai kemampuan IPA. Analisis koefisien
regresi kemampuan matematika terhadap kemampuan IPA
diperoleh nilai sebesar 11,4375 dengan nilai
sehingga Ha diterima yang berarti
kemampuan matematika berpengaruh nyata terhadap
penguasaan IPA.
Uji Linearitas (SPSS)

Uji linearitas dengan SPSS dapat dilakukan dengan cara
berikut:
Analyze > Compare Mean > Test For Linearity (Ceklist) >
Continue > OK
Hasil analisis linearitas pengaruh kemampuan matematika

terhadap kemampuan IPA dengan mengggunakan SPSS.
Hasil analisis linearitas diperoleh hasil Penyimpangan

dari linearitas dengan nilai sebesar 1,453 dengan nilai
sig.p 0,055 yang berarti tidak terdapat
penyimpangan dari linearitas atau model yang terbentuk
antara variabel (kemampuan matematika) terhadap
variabel (Kemampuan IPA) membentuk model linear.
↜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.
B. Model Persamaan Regresi Linear Berganda

Model regresi linier berganda variabel dapat
dituliskan dalam bentuk
dimana adalah nilai pengamatan atau respon ke-
, merupakan intersep, merupakan parameter regresi
( ) dan galat ke- . Variabel-variabel yang diamati
dalam regresi linier berganda adalah sebanyak variabel
( ) sebagai variabel-variabel bebas (independent
variables) dan sebagai variabel tak bebas (dependent variable)
atau respon sebanyak sampel. Layout pengamatan secara
umum regresi linier berganda dapat ditulis sebagai berikut:
- 154 -
Regresi Linear Berganda |155
Layout Pengamatan Regresi Linear Berganda
Sampel
1
2
Layout tabel di atas dapat ditulis dalam bentuk persamaan

linear berganda sebagai berikut:
Persamaan regresi linear variabel dengan sampel

tersebut dapat disusun dalam bentuk matriks baris kolom
sebagai berikut:
| | | || | | |
( ) ( ) ( ) ( )
Dimana:
: vektor kolom dari observasi variabel dependen
( )
: matriks dari observasi dari variabel
independen sampai
: vektor kolom dari parameter yang tidak diketahui

: vektor kolom dari gangguan/error ke-
Asumsi-asumsi yang diperlukan dalam model regresi

linear berganda adalah (Nugroho, 2008:136) Error
(kesalahan) menyebar menurut sebaran normal ganda-
(multivariate normal- ). Asumsi sebaran normal diperlukan
agar pengujian dengan statistik uji-F dan uji-t, serta prosedur
selang kepercayaan absah. Error-error tidak saling
berkorelasi. Ini berarti nilai error untuk satu kasus tidak
tergantung kasus lainnya.
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:
Agar dapat melakukan pendugaan terhadap nilai-nilai

pengamatan, terlebih dahulu harus diduga setiap nilai di
antaranya koefisien regresi, dan nilai residu.
Perhitungan koefisien regresi dalam regresi linear
berganda lebih sulit dibandingkan regresi linear sederhana.
Pada regresi linear berganda melibatkan lebih banyak
variabel. Masing-masing variabel memberikan respon
terhadap variabel dan bisa juga terjadi respon antar
sesama variabel (terjadi multikolinearitas).
Multikolinearitas dalam persamaan regresi linear berganda
adalah terjadi korelasi antar variabel . Sehingga istilah
variabel sebagai variabel bebas akan terganggu

keberadaannya karena adanya keterikatan terhadap sesama
variabel . Keterikatan antar variabel tidak bisa dihindari,
namun pada kondisi tertentu respon yang diberikan antar
sesama variabel diabaikan pada nilai korelasi yang kecil.
1. Pendugaan Parameter Regresi Linear Berganda
Pendugaan nilai ̂ dalam regresi linear berganda
dapat dijelaskan seperti berikut. Hubungan linier dan
dalam bentuk matriks:
| | | || |
dimana nilai-nilai dalam vektor dan matriks sudah

diketahui. Sehingga dalam bentuk matriks, persamaan di
atas secara ringkas dapat dituliskan menjadi:
̂ (7.1)
Jika persamaan (7.1) dikalikan dengan matriks transpos

pada kedua sisi maka persamaan tersebut menjadi:
̂ (7.2)
Matriks tersebut menunjukkan jumlah hasil kali

dengan atau ( ) dan sehingga matriks tersebut
menjadi matriks berikut:
Matriks Bantu Analisis Regresi
∑ ∑ ∑ ̂
∑ ∑ ̂
| | | ∑ ∑ | || ||
∑ ∑ ∑ ∑ ̂
Pada persamaan (7.2) yang dijabarkan dalam

bentuk matriks masih menunjukkan bahwa nilai
belum dapat diprediksikan. Maka persamaan (7.2)
dikalikan dengan matriks kebalikan dengan ( )
sehingga persamaan (7.2) di atas menjadi:
( ) ( ) ( ) ( )̂ (7.3)
Sifat matriks ( )( ) (matriks identitas

yaitu matriks ( ) dengan nilai pada diagonal adalah
. Maka persamaan (7.3) dapat ditulis menjadi:
( ) ( ) ̂ (7.4)
Karena perkalian skalar matriks adalah perkalian

nilai skalar dengan nilai yang terdapat dalam matriks ̂
maka persamaan (7.4) diubah menjadi:
( ) ( ) ̂ (7.5)
Pada persamaan (7.5) terlihat bahwa nilai koefisien

̂ sudah dapat diprediksikan namun membutuhkan
perhitungan rumit terutama dalam hal invers matriks.
Persamaan (7.5) disebut juga matriks varians kovarians.
Terlihat jelas bahwa dengan semakin besar nilai , yaitu
dengan semakin banyaknya variabel bebas yang
digunakan didalam model, maka semakin rumit cara

mendapatkan nilai ̂ secara manual karena ordo matriks
juga semakin besar. Melalui program komputer
seperti Microsoft Excel menyediakan rumus perhitungan
matriks. Berdasarkan rumus di atas maka komponen
yang paling penting untuk menghitung koefisien regresi
adalah perkalian dan invers matriks. Prosedur perkalian
dan invers matriks dalam program Microsoft Excel:
a. Perkalian Matriks
Tentukan jenis ordo matriks yang akan
dikalikan. Misalkan matriks (angka 5
menunjukkan jumlah baris dan angka 3
menunjukkan jumlah kolom) dikalikan dengan
matriks ordo maka matriks yang dihasilkan
adalah matriks ordo . Lakukan pemblokan
dalam ordo sebagai tempat menampung hasil
perkalian matriks seperti gambar berikut:
( )
Transpos ( )
Hasil kali matriks ( )
Keterangan : Blok lokasi hasil kali matriks, tulis

perintah = MMULT(Blok matriks , Blok Matriks ),
kemudian tekan Ctrl + Shift + Enter (tekan
bersamaan). Hasil matriks akan muncul seperti
gambar di atas.
b. Invers Matriks
Hasil kali matriks ( )
Invers matriks ( ) yang disimbolkan dengan

( )
Ket : Invers matriks ( ) di atas diperoleh dengan

prosedur : Bloks matriks lokasi hasil, tulis =
Minverse(Blok Matriks ), kemudian Tekan Ctrl +
Shift + Enter (secara bersamaan).
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.
(Nugroho, 2008)
Langkah-langkah menemukan parameter regresi

dengan prosedur Doo-little (Nugroho, 2008):
a. Isi Baris 5 dengan nilai yang terdapat pada baris 1.
b. Isi kolom 6 dengan membagi baris 5 dengan jumlah
sampel .
c. Isi kolom 7 dengan mengurangi baris 2 dengan baris
6 x baris 7.
d. Isi kolom 8 dengan membagi kolom 7 dengan nilai
kolom b1 baris ke-7.
e. Isi kolom 9 dengan mengurangi nilai kolom 3
dengan nilai baris 5 kali baris 6 – baris 7 kali baris 8.
f. Isi baris ke-10 dengan membagi nilai pada baris ke-9
dengan nilai baris 9 kolom b3.
g. Isi kolom ke-11 dengan mengurangi nilai baris 4
dengan nilai baris 5 kali baris 6 – baris 7 kali baris 8
dan baris 9 kali baris 10.
h. Isi baris ke-12 dengan membagi nilai baris 10 dengan
nilai baris 10 kolom bk. Nilai yang terdapat pada
kolom ke-12 merupakan nilai koefisien bk.
Dalam penaksiran koefisien regresi dengan metode

Doo-little maka hal yang perlu dilakukan pertama kali
adalah menyusun matriks , dan matriks identitas
( ). Komponen yang terdapat dalam matriks , dan
adalah:
No
Baris
1 n ∑ ∑ ∑ ∑ 1 0 0 0
2 ∑ ∑ ∑ ∑ 0 1 0 0
3 ∑ ∑ ∑ 0 0 1 0
4 ∑ ∑ 0 0 0 1
Langkah untuk mendapatkan nilai-nilai penduga

̂ ̂ ̂ ̂ dengan menggunakan prosedur Doo-little
dengan peubah persamaan sebagai berikut:
̂ ̂ ̂ ̂ (1)
̂ ̂ ̂ (2)
̂ ̂ (3)
(.)
̂ (p)
Karena harga untuk maka dengan

menggunakan substitusi balik akan diperoleh:
̂
̂ ̂
̂ ̂
̂ ̂ ̂ ̂
̂ ̂ ̂ ̂ ̂
sehingga secara umum prosedur tersebut dapat

dituliskan sebagai berikut:
̂ dan ∑ ̂
D. Analisis Keragaman Regresi Linear Berganda

Pendugaan parameter regresi hanya menampilkan
informasi nilai taksiran dan tingkat error terhadap
keragaman total. Informasi yang dihasilkan tersebut belum
menjelaskan besarnya keragaman dalam populasi. Analisis
keragaman dalam persamaan regresi yaitu menganalisis
bagaimana keragaman nilai jika dipengaruhi oleh
sebanyak variabel bebas. Penentuan keragaman dilakukan
dengan membandingkan jumlah kuadrat regresi terhadap
jumlah kuadrat total.
1. Metode Matriks
Dengan menggunakan metode matriks maka
analisis keragaman dapat dihitung dengan persamaan:
a. Jumlah Kuadrat Total
Jumlah kuadrat total menunjukkan
penyimpangan nilai terhadap rata-rata total yang
dirumuskan sebagai berikut:
( ̅)
[∑ ]
∑
[∑ ]
∑
( )( )
[∑ ]
∑
∑ ̅
̅
Jadi jumlah kuadrat total adalah:

̅ (7.6)
b. Jumlah Kuadrat Residual

Jumlah kuadrat residual merupakan selisih
antara nilai ̂ terhadap nilai aktual dan dapat ditulis:
̂ ̂ dimana ̂ maka Jumlah kuadrat
residual dapat ditulis menjadi:
̂ ̂ ( )( )
̂ ̂
̂ ̂
Jadi jumlah kuadrat residual adalah:

̂ ̂ (7.7)
c. Jumlah Kuadrat Regresi

Jumlah kuadrat regresi menggambarkan
besarnya nilai penyimpangan kuadrat antara nilai
harapan taksiran ( ̂ ) terhadap rata-rata total.
̅ ( )
̅
Jadi jumlah kuadrat regresi adalah:

̅ (7.8)
Secara umum formula analisis keragaman regresi linear

berganda dapat disajikan pada tabel dengan metode
matriks disajikan pada tabel berikut.
Analisis Keragaman Regresi Linear Berganda Metode

Matriks
Derajat bebas Kuadrat

( ) Tengah
̅
Regresi ̅
Residu
Total ̅
2. Analisis Keragaman dengan Prosedur Doo-little

Pada dasarnya, analisis keragaman prosedur
matriks hampir sama dengan prosedur doo-little.
Namun yang berbeda adalah dalam hal teknik mencari
jumlah kuadrat regresi. Pada prosedur Doo-little, teknik
mencari jumlah kuadrat regresi lebih sederhana. Jumlah
kuadrat sekuensial dapat dihitung dengan formula
(Nugroho, 2008):
( ) ( )( )
Jumlah kuadrat total dapat dihitung dengan formula:
∑ ̅
Jumlah kuadrat error dapat dihitung dengan:
∑ ( )
Tabel Analisis Keragaman Metode Doo-little
Keragaman JK
Regresi ∑ ( )
( ) 1 JK( )
( ) 1 JK( )
( ) 1 JK( )
Galat
Total
Melalui persamaan di atas terlihat bahwa prosedur Doo-

little lebih sederhana untuk melakukan analisis keragaman
dibandingkan prosedur matriks.
E. Analisis Parsial Koefisien Regresi

Hasil analisis keragaman menunjukan bahwa secara
keseluruhan terdapat pengaruh variabel bebas terhadap
variabel . Dengan demikian maka diduga minimal terdapat
satu variabel yang berpe-ngaruh terhadap . Untuk
menentukan variabel ke- yang berpengaruh terhadap
variabel maka dilakukan analisis parsial.
Penduga tak bias bagi adalah
⁄( ). Untuk melakukan uji parameter regresi
secara parsial, yaitu lawan , untuk
digunakan statistik uji-t yaitu:
̂⁄ (7.9)
dimana:
̂ = Nilai koefisien regresi ke-
= Nilai simpangan baku koefisien regresi ke-
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:
∑ ( )( )
F. Uji Asumsi Klasik

Pada bagian terdahulu telah dijelaskan bahwa
persamaan regresi yang terbentuk harus bebas dari bias atau
residual regresi harus bersifat normal (normal residual),
varians residu bernilai nol (bebas dari heteroskedastisitas),
tidak terjadi korelasi residual (bebas dari autokorelasi), dan
variabel bebas harus benar-benar bebas dari pengaruh
variabel bebas lainya (bebas dari multikolinearitas).
1. Normalitas Residual
Uji normalitas residual secara informal dapat
dilakukan dengan menggunakan grafik, sedangkan
secara formal dapat dilakukan dengan uji Kolmograv-
Smirnov (KS-Tes), Jarque-Bera (JB), Anderson Darling,
Skewness-Kurtosis, Liliefors dan lainnya. Dalam bahasan
ini akan digunakan uji normalitas dengan menggunakan
grafik dan uji empiris. Beberapa program komputer
menyediakan perangkat berbeda untuk uji normalitas.
Program SPSS menampilkan uji normalitas dengan uji

Kolmograv-Smirnov Tes, Program STATISTICA
menampilkan uji Kolmograv-Smirnov dan Liliefors,
Eviews menampilkan uji Jarque Bera dan program
STATA menampilkan uji Jarque Bera dan Anderson
Darling. Sedangkan R programming menawarkan
banyak pilihan untuk uji normalitas residual. Residual
dikatakan berdistribusi normal bila data residual berada
pada garis normal pada diagram skater plot yang
menghubungkan antara nilai residu dengan nilai yang
diharapkan.
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.
b. Selang interval kepercayaan menjadi lebih besar dan

mengarah pada penerimaan hipotesis .
c. Nilai satu atau lebih koefisien regresi
mengarah pada tidak signifikan.
d. Meskipun nilai koefisien regresi tidak signifikan
namun secara keseluruhan nilai menjadi sangat
tinggi.
e. Estimator dari persamaan regresi dan nilai standar
error menjadi lebih sensitif terhadap sedikit
perubahan data.
Ada beberapa cara mendeteksi keberadaan

multikolinearitas dalam regresi yaitu:
a. Nilai koefisien determinasi tinggi namun sedikit
variabel yang signifikan. Hal ini menandakan telah
terjadi multikolinearitas.
b. Terjadi korelasi yang tinggi antar variabel bebas. Jika
nilai koefisien korelasi antar variabel bebas besar
dari 0,8 menandakan telah terjadi multikolinearitas
yang serius.
c. Lihat nilai eigenvalue dan condition index.
d. Dengan Tolerance dan Varians Inflation Faktor (VIF).
Tolerance dapat dihitung dengan formula:
( )
dimana = koefisien korelasi berganda variabel

terhadap seluruh variabel Independen ( ).
Sedangkan VIF adalah satu per Tolerance, dapat
dihitung dengan formula:
⁄( )
Suatu indikasi bahwa terjadi multikolinearitas dalam

regresi adalah bila nilai .
Multikolinearitas dapat diatasi dengan beberapa

cara:
a. Menambah sampel pengamatan.
b. Menghilangkan variabel yang menjadi penyebab
multikolinearitas. Pada kondisi tertentu keberadaan
variabel yang menjadi penyebab multikolinear tidak
dapat dihilangkan.
c. Transformasi variabel.
d. Teknik lain yang juga dapat mengatasi masalah
multikolinearitas adalah dengan menggunakan
analisis ridge regresi.
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:
∑ ( )
∑
dengan = Residual regresi ke

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:
Pada gambar (a) hubungan antara dan tidak

membentuk pola tertentu atau bebas dari
heteroskedastisitas. Sedangkan gambar (b) membentuk
suatu pola; dan (c) membentuk pola linear; (d) membentuk
pola kuadratik; dan (e) membentuk pola eksponensial.
Metode Formal:
a. Uji Park
Park memformulasikan bahwa adalah
merupakan fungsi dari . Park memformulasikan
hubungan dengan dalam bentuk:
Ruas kiri dan kanan persamaan di logaritma natural

( ) maka akan menjadi:
( ) ( ) ( )
Nilai merupakan varians populasi, dan biasanya

tidak diketahui, maka dalam uji Park digunakan
dengan proxy maka persamaan di atas akan
menjadi:
( ) ( ) ( ) ( )
Jika nilai signifikan maka terindikasi terdapat

heteroskedastisitas dalam residual regresi.
b. Uji Glejser
Uji Glejser hampir sama dengan uji Park.
Setelah memasukan nilai dari regresi OLS, nilai
regresi atas variabel berhubungan tertutup
dengan . Uji Glejser adalah meregresikan nilai
absolut residual dengan nilai variabel independen.
Pada eksperimennya Glejser menggunakan bentuk
fungsi berikut:
̂ √
̂
√
̂ √
̂ √
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
∑
[ ]
( )
3) Hitung nilai signifikansi variabel dengan rumus:
√
√
Jika nilai tidak signifikan maka dapat

dijelaskan bahwa tidak terjadi heteroskedastisitas
atas . Namun nilai signifikansi juga dapat
dilakukan dengan melihat langsung signifikansi
pada tabel korelasi ( ).
Beberapa cara untuk mengatasi heteroskedastisitas

adalah:
a. Jika model regresi yang digunakan dengan
simpangan deviasi diketahui maka dapat dilakukan
dengan meng-gunakan regresi WLS dan jika
simpangan deviasi tidak diketahui maka gunakan
regresi model Generalized Least Square (GLS).
b. White’s robust standard error procedure.
∑̂ ̂
(̂)
(∑ ̂ )
G. Analisis Regresi Linear Berganda (Manual)

Seorang peneliti melakukan penelitian tentang
pengaruh kemampuan membaca dan menulis terhadap
kemampuan IPA, data dapat dilihat pada lampiran 1. Ujilah
apakah terdapat pengaruh kemampuan membaca dan
menulis terhadap kemampuan IPS.
Penyelesaian:
Prosedur Matriks
Matriks antara kemampuan membaca dan menulis
terhadap kemampuan IPS dapat disajikan berikut ini.
( ) ̂
( )
̂
| | | | |̂ |
̂
Penaksiran persamaan regresi

Persamaan regresi dapat dicari dengan ( ) ( )
̂ (persamaan 7.5 ).
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:
( ) | | |
( )
( ) ( )
( ) ( )
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:
3. Penentuan nilai kofaktor untuk masing-masing sel matriks

Kofaktor matriks adalah nilai negatif akar dari
determinan matriks minor. Kofaktor matriks dirumuskan:
( ) | |
Nilai kofaktor matriks untuk baris pertama kolom

pertama adalah:
( ) ( )( )– ( )( )
Kofaktor dari matriks ( ) adalah:
4. Adjoin
Adjoin (adj) adalah matriks transpos dari kofaktor.
Maka matriks kofaktor dari ( ) adalah:
5. Invers matriks
Invers matriks dirumuskan:
( ) [ ]
( )
Invers dari matriks ( ) adalah:
( ) [ ]
( ) [ ]
Invers Matriks dapat dengan mudah dihitung di

microsoft excell seperti berikut:
Setelah komponen pada persamaan (7.5) dipenuhi

maka nilai koefisien beta dapat diperoleh. Nilai koefisien
beta yang menggambarkan hubungan antara membaca
dan menulis terhadap kemampuan sosial sains adalah:
( ) ( ) ( ̂)
̂
| || | |̂ |
̂
̂ ( ) ( )( ) ( )( )
̂ ( ) ( )( ) ( )( )
̂ ( ) ( )( ) ( )( )
Sehingga nilai koefisien regresi adalah:
̂
|̂ | | |
̂
Besar nilai koefisien regresi antara kemampuan

membaca ( ), kemampuan menulis ( ) terhadap
kemampuan sosial sains ( ) berturut-turut adalah
̂ ; ̂ dan ̂ . Nilai
koefisien tersebut dapat disusun dalam bentuk model

linear yaitu:
̂
Analisis Keragaman
Analisis keragaman pengaruh antara kemampuan
membaca ( ) dan menulis ( ) terhadap kemampuan sosial
sains ( ) adalah sebagai berikut:
[ ]
[ ]
[ ]
̅ ( )
Jumlah kuadrat regresi:
Jumlah kuadrat total:
Jumlah kuadrat residual:
Analisis Keragaman Hubungan ( ) dan ( ) terhadap
Keragaman Jumlah Kuadrat Kuadrat Tengah Sig.p

Regresi 10808 2 5,404 87,777 **
Residu 12128,25 197 61,565
Total 22936,2 199
Hasil analisis keragaman menunjukkan bahwa secara

bersama-sama terdapat pengaruh yang nyata antara
kemampuan membaca ( ) dan menulis ( ) terhadap
kemampuan IPS ( ). Untuk mengetahui pengaruh variabel
secara terpisah maka harus dilakukan analisis partial.
Nilai simpangan baku koefisien regresi dan adalah:
[ ]( )
[ ]
[ ]
maka:
( )
√
( )
√
( )
√
Nilai dapat diperoleh:
Koefisien Regresi Simpangan baku koefisien

⁄
( ) regresi ( )
= 8,5575 = 3,3773 t0 = 2,534
= 0,4235 = 0,0656 t1 = 6,268
= 0,0731 = 0,0744 t2 = 5,627
Hasil uji partial dapat disusun dalam bentuk tabel analisis

parsial berikut:
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 **
Bila terdapat bukti yang nyata bahwa parameter

tersebut melalui uji parsial dapat dikatakan tidak berbeda
dengan nol, maka nilai dugaan parameter dalam analisis
regresi linier berganda dapat diinterpretasikan seperti
berikut : setiap perubahan satu satuan maka nilai respon
akan berubah sebesar untuk kondisi variabel bebas
lainnya tetap. Seperti halnya dalam regresi linier sederhana,
kadang bila susah diinterpretasikan. Dalam analisis
keragaman, yang diuji adalah pengaruh variabel bebas
secara sekuensial bila digunakan didalam model. Sudah
barang tentu, urutan variabel mana yang digunakan terlebih
dahulu dan mana yang belakangan akan menentukan
analisis secara sekuensial ini. Dalam analisis ini, akan diuji
untuk Artinya disini, misalnya untuk ,
akan diuji pengaruh variabel bebas ke-2 setelah peubah ke-1
berada di dalam model. Untuk , akan diuji pengaruh
variabel bebas ke-3 setelah variabel ke-1 dan ke-2 berada di
dalam model. Dan seterusnya, mengikuti pola yang sama.
Pengujian variabel bebas terakhir yang masuk ke dalam
model secara sekuensial sama dengan pengujian variabel itu
secara parsial. Bila dilihat nilai dari analisis
keragaman sekuensial, maka nilai ini akan sama dengan
kuadrat dari nilai pada analisis parsial.
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.
Tabel 7.1 Matriks , dan untuk penaksiran koefisien

regresi dengan metode Doo-little pada studi hubungan antara
membaca dan menulis terhadap natural sains.
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]
Dari tabel di atas dapat diperoleh tiga persamaan koefisien

regresi yaitu:
( )
( ) ( )
Hasil penyelesaian persamaan di atas dengan cara

mengsubstitusi diperoleh nilai koefisien ( ) yaitu:
Dengan diperoleh nilai masing-masing koefisien regresi

( ) di atas maka dapat dibuat bentuk persamaan regresi
antara kemampuan membaca ( ) dan menulis ( ) terhadap
kemampuan ilmu natural sains ( ) yaitu:
̂ ( ) ( )
Analisis Keragaman
Analisis keragaman sebagai berikut:
( ) ( )( )
( ) ( )( )
Jumlah kuadrat regresi adalah:
Jumlah kuadrat total adalah 22936,2 dan jumlah kuadrat

error adalah . Analisis
keragaman dapat dirangkum berikut ini.
Analisis Keragaman pengaruh kemampuan membaca ( )

dan kemampuan menulis ( ) terhadap kemampuan natural
sains ( )
Keragaman Jumlah Kuadrat Kuadrat Tengah

Regresi 10808 2 5404,000 87,7775
membaca 8858,94 1 8858,940 143,8964
menulis 1949,01 1 1949,010 31,6579
Residu 12128,25 197 61,565
Total 22936,2 199
Atau:
Keragaman Jumlah Kuadrat Kuadrat Tengah

Regresi 10808 2 5404,000 87,7775
Residu 12128,25 197 61,565
Total 22936,2 199
Analisis Parsial
̅ √∑ ( )( )
√( )( ) ( )( ) ( ) ( )
√( )( ) ( )( )
√( )( )
Nilai parsial : ̂⁄
Koefisien Regresi Simpangan baku

⁄
( ) koefisien Regresi ( )
= 8,5575 = 3,3773 = 2,534
= 0,4235 = 0,0676 = 6,268
= 0,0731 = 0,0731 = 5,627
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 **
Hasil analisis menunjukkan bahwa variabel dan

berpengaruh nyata terhadap . Setelah menemukan
koefisien regresi dan uji Koefisien regresi maka hasil tersebut
belum bisa dijadikan sebagai pedoman untuk melihat
pengaruh dan . Salah satu hal yang harus dipenuhi
sebelum hasil analisis tersebut dapat diinterpretasikan
adalah bahwa persamaan regresi yang dihasilkan tidak
bersifat bias. Setelah persamaan regresi terbentuk dan uji
parsial atas koefisien regresi, maka hal yang menjadi
perhatian selanjutnya adalah residu yang dihasilkan dari
persamaan regresi yaitu selisih hasil observasi dengan hasil
prediksi.
Uji Asumsi Klasik

1. Uji Normalitas Residual
Berdasarkan uji normalitas residual dengan menggunakan uji lilliefors diperoleh hasil
seperti berikut:
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
105 1,4095 0,5250 0,1806 0,5716 -0,0466 0,5200 0,0516 0,0516

106 1,5435 0,5300 0,1977 0,5784 -0,0484 0,5250 0,0534 0,0534
107 1,8927 0,5350 0,2424 0,5958 -0,0608 0,5300 0,0658 0,0658
108 1,9069 0,5400 0,2443 0,5965 -0,0565 0,5350 0,0615 0,0615
199 13,9736 0,9950 1,7899 0,9633 0,0317 0,0317

200 17,3277 1,0000 2,2196 0,9868 0,0132 0,0132
Nilai atau dari residual adalah

. Nilai yang diambil untuk
dibandingkan dengan nilai tabel liliefors adalah nilai
terbesar yaitu 0,0658. Nilai tersebut dibandingkan
dengan nilai kritis ( ) diperoleh nilai sebesar 0,09338
( (√ ⁄√ ) ). Hal
ini berarti nilai , maka diterima yang
berarti bahwa residual data berdistribusi normal.
2. Uji Autokorelasi
Uji Autokorelasi Durbin Watson adalah:
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
199 3,6254 2,4189 1,4557 13,1435

200 -0,9990 3,6254 21,3845 0,9979
23697,5759 12128,2472
∑ ( )
∑
Nilai dengan jumlah variabel ( ) sebesar 3 atau

( ) sebesar 1,616; –( – ) – .
dengan demikian maka nilai terletak antara
– ( – ) atau ( – ) atau 1,616 <1,9359
<2,38. Sehingga dapat dipastikan bahwa tidak terdapat
autokorelasi dari nilai residual regresi.
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.
Variabel Koefisien Signifikansi

Konstanta 9,621
Membaca -0,046 -1,175 ns
Menulis -0,017 -0,401 ns
Hasil analisis di atas menunjukkan bahwa variabel

membaca dan menulis tidak berpengaruh nyata
terhadap absolut residual. Hal ini berarti bahwa tidak
terdapat gejala heteroskedastisitas dalam persamaan
regresi antara variabel membaca dan menulis terhadap
kemampuan ilmu sosial.
H. Analisis Regresi Linear Berganda (SPSS)

Banyak software komputer yang menyediakan menu
untuk analisis regresi seperti statistica V, SPSS, Shazam,
STATA, Eviews, R, Matlab dan lain sebagainya. Namun
pada bagian ini, akan diuraikan prosedur analisis regresi
melalui SPSS. Alasan pemilihan SPSS karena program
berbayar tersebut lebih populer dibandingkan paket statistik
lainnya. Langkah-langkah analisis data dengan program
SPSS adalah:
Analysis > Regression > Linear > Masukkan variabel Y ke

dalam dependen variabel, dan variabel X kedalam
independen variabel > statistic > kemudian conteng item
berikut:
Kemudian kliks Continue > Save (ceklist Unstandardized

seperti gambar)
Continue > OK
Hasil analisis regresi dengan SPSS
Uji Asumsi Klasik

1. Uji Normalitas Residual
2. Uji Autokorelasi
3. Uji Heteroskedascisitas
I. Regresi Variabel Dummy

Pada pembahasan terdahulu telah diulas tentang tipe
data, yaitu data nominal, interval, rasio dan ordinal.
Pembahasan regresi pada bab sebelumnya adalah khusus
mengenai data rasio dan interval. Dalam kenyataannya tidak
semua analisis regresi menggunakan data rasio melainkan
juga ada regresi yang menggunakan data nominal baik
untuk variabel independen maupun dependen. Jika variabel

independen menggunakan data nominal disebut dengan
regresi variabel dummy atau analisis varians (Anova).
Keberadaan variabel dummy dalam variabel bebas bisa
bersama-sama dengan variabel dari data kontinu. Jika
variabel dummy bersama-sama dengan variabel dari data
kontinu maka sering diistilahkan dengan analisis kovarians
(Ancova).
Penerapan ancova pada bidang pendidikan seperti
penelitian tentang model pembelajaran terhadap penguasaan
ilmu natural sains. Penguasaan ilmu alam seperti fisika atau
kimia melalui model pembelajaran tertentu kadang-kadang
penguasaan ilmu tersebut juga dipengaruhi oleh variabel
kuantitatif seperti kemampuan matematika. Jika variabel
kuantitatif seperti kemampuan matematika dapat
dikelompokkan dalam kategori tertentu maka dapat
berperan sebagai variabel kualitatif namun terkadang susah
untuk mengelompokkan sehingga variabel penguasaan
matematika dijadikan variabel kovariat.
Penerapan variabel dummy dalam bidang ilmu
pendidikan sangat luas seperti pengaruh metode
pembelajaran terhadap hasil belajar IPA. Seperti contoh
pengaruh metode pembelajaran terhadap prestasi belajar,
metode pembelajaran terdiri dari ceramah, diskusi dan
belajar mandiri. Pemberian skor nilai dari variabel dummy
pada umumnya diberi skor 0 dan 1 atau boleh juga dimulai
dari angka 1, misalnya metode pembelajaran ceramah diberi
skor 1 dan skor 0 selain dari metode pembelajaran ceramah.
Jika jumlah kelompok dari variabel dummy lebih dari dua
seperti dalam penelitian pengaruh metode pembelajaran
terhadap prestasi belajar IPA, Pemberian skor pada jam
belajar tersebut adalah , dan

(selain metode ceramah). Jika jumlah kelompok sebanyak 3
maka jumlah variabel dummy turunan yang terbentuk
sebesar dua (jumlah kelompok dikurangi satu).
Variabel dummy juga bisa sebagai variabel dependen
yang dikenal dengan istilah regresi logistik seperti penelitian
tentang peluang siswa menjawab benar suatu soal. Model
regresi logistik di bidang pendidikan tentang analisis item
soal dapat dilihat pada analisis butir soal secara modern
yang dikenal dengan istilah Items Respons Teory (IRT).
Penerapan IRT tersebut adalah cara modern dalam analisis
butir soal meliputi analisis tingkat kesulitan dan daya beda
soal. Tetapi jika variabel dependen dengan variabel dummy
dengan data dependen berupa penjumlahan maka regresi
yang digunakan adalah regresi poison.
Analisis Regresi dengan Variabel Dummy (Manual)
Seorang peneliti ingin mengetahui perbedaan hasil
belajar IPA dengan menggunakan tiga metode pembelajaran
yaitu metode ceramah, diskusi dan belajar mandiri. Data
disajikan pada tabel 7.2 Berikut.
Tabel 7.2 Prestasi Belajar IPA dengan Metode Pembelajaran

yang Berbeda
Metode Belajar
No
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
Pemberian skor variabel dummy untuk kasus di atas

adalah:
, jika metode belajar ceramah, dan jika selain
metode ceramah.
, jika metode belajar diskusi, dan jika selain
metode diskusi.
Data tersebut disusun dalam bentuk variabel dummy

akan menjadi:
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
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
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
Hipotesis yang diajukan dalam penelitian adalah:

: Tidak terdapat perbedaan prestasi belajar IPA pada
metode belajar yang berbeda.
: Terdapat perbedaan hasil belajar IPA pada metode
yang berbeda.
Analisis persamaan regresi dari data di atas adalah:
[ ] [ ]
( ) [ ] [ ]
Persamaan regresi yang terbentuk adalah:

– –
Hasil analisis regresi tersebut diperoleh nilai intersep sebesar

80,45 yang menunjukkan nilai rata-rata dari belajar mandiri.
Koefisien (Ceramah) sebesar -2,05 yang berarti bahwa
rata-rata hasil belajar IPA kelompok ceramah sebesar
– . Koefisien sebesar -2,28 menunjukkan
bahwa rata-rata hasil belajar IPA kelompok diskusi
– .
Persamaan regresi yang terbentuk hanya menampilkan
nilai koefisien yang menunjukkan nilai rata-rata kelompok
belajar mandiri, dan nilai rata-rata kelompok pembanding,

namun belum menunjukkan bahwa kelompok tersebut
berpengaruh nyata terhadap variabel dependen. Untuk
menguji pengaruh variabel independen (metode
pembelajaran) terhadap hasil belajar IPA maka dilakukan
analisis keragaman.
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:
(̂ ̅) ∑̂ ̅
Persamaan untuk mencari juga dapat ditulis dalam

bentuk:
∑∑ ̂ ̅
∑ ̅ ̅
dengan adalah banyak data kelompok ke- . Jika jumlah

data masing-masing kelompok sama maka rumus tersebut
bisa diubah menjadi:
∑ ̅ ̅
( ) ( ) ( ) ( )
JK Residual
–
Analisis Varians
Keragaman Ket
Regresi 2 61,68103 30,8405 0,9747 ns
Residu 55 1740,25 31,6409
Total 57 1802
Aturan penggunaan variabel dummy

Meskipun variabel dummy dengan mudah
digabungkan dalam model regresi, kita harus berhati-hati
dalam penggunaan variabel dummy. Pertimbangkan aspek
berikut:
1. Pada Tabel 7.2 untuk membedakan tiga metode
pembelajaran terhadap hasil belajar IPA, kami
menggunakan hanya dua variabel dummy yaitu dan
. Mengapa kita tidak menggunakan semua dummy
untuk membandingkan ketiga kelompok tersebut?
Seandainya kita menggunakan ketiga dummy tersebut
dan penulisan model pada Tabel 7.2 menjadi:
Dimana diambil nilai 1 untuk metode ceramah dan 0

untuk selain metode ceramah. Sehingga terdapat 3 dummy
untuk ketiga metode pembelajaran tersebut. Dengan
menggunakan data Tabel 7.2 jika akan dilakukan analisis
regresi pada program komputer, maka komputer akan
menolak untuk menjalankan regresi tersebut. Ketika
terdapat dummy untuk masing-masing kategori atau
kelompok dan juga intersep, akan terdapat data dengan
kolinearitas sempurna yaitu hubungan linear yang
sempurna. Aturannya adalah jika variabel kualitatif
memiliki kategori, perkenalkan hanya ( ) variabel
dummy. Jika tidak ingin mengikuti aturan ini maka akan
masuk dalam perangkap variabel dummy yaitu kondisi
multikolinearitas yang sempurna.
2. Kategori yang tidak diberikan dummy dikenal sebagai
dasar, kontrol, pembanding, pilihan, atau kategori hilang.
3. Nilai intersep mewakili nilai rata-rata kelompok kontrol.
Pada contoh Tabel 7.2 kontrol kategori adalah metode
belajar mandiri. Sehingga intersep pada Tabel 7.2
mewakili rata-rata hasil belajar kelompok metode belajar
mandiri.
4. Koefisien variabel dummy pada Tabel 7.2 dikenal
sebagai koefisien intersep turunan sebab menjelaskan
berapa besar nilai intersep yang menerima nilai 1
dibandingkan dari koefisien intersep kategori kontrol.
Untuk contoh pada Tabel 7.2 dengan nilai koefisien
kelompok metode ceramah lebih rendah sebesar 2,05
dibandingkan rata-rata kelompok metode mandiri.
5. Jika variabel kualitatif memiliki lebih dari satu kategori,
pemilihan kontrol, atau pembanding bergantung pada
sang peneliti.
6. Sebelumnya kami memperingatkan tentang perangkap

variabel dummy. Terdapat cara untuk mengatur trap
dengan memperkenalkan banyak kategori variabel
dummy sebagai jumlah kategori, penyajian kita tidak
memperkenalkan intersep dalam model. Sehingga kita
mengeluarkan bentuk intersep dari Tabel 7.2 dan
modelnya menjadi
. Kita tidak akan
masuk dalam perangkap variabel dummy, tapi kita
harus menjalankan regresi tanpa intersep dalam paket
regresi. Interpretasi dari hasil analisis regresi kualitatif
ini adalah = rata-rata hasil belajar metode ceramah,
= rata-rata hasil belajar metode diskusi, dan = rata-
rata hasil belajar kelompok mandiri.
7. Metode terbaik untuk memperkenalkan variabel dummy
adalah : (1) perkenalkan dummy untuk masing kategori
dan hilangkan intersep. (2) masukkan intersep dan
perkenalkan dummy hanya ( ), dimana adalah
jumlah kategori variabel dummy.
↜oOo↝
Bab 8
ANALISIS VARIANS
Analisis varians merupakan teknik statistik untuk

membagi dan menganalisa variasi dalam variabel respons
kontinu. Kita sebelumnya telah mempelajari analisis varians
(ANOVA) untuk membagi variasi variabel respon yang
mampu menjelaskan variasi dan yang tidak mampu
dijelaskan oleh model dalam analisis regresi. Dalam teknik
statistik analisis varians umumnya digunakan untuk
membagi variasi yang mampu dijelaskan dan tidak mampu
dijelaskan oleh satu atau lebih variabel prediktor kategorikal
(disebut faktor). Kategori masing-masing faktor merupakan
kelompok atau perlakuan dan tujuannya diarahkan untuk
membandingkan rata-rata variabel respon antar kelompok.
Gambar 8.1 Bagan Analisis Varians Satu Jalan/Faktor
- 201 -
Tujuan utama analisis ANOVA adalah:

1. Menguji kontribusi relatif perbedaan sumber variasi
(faktor atau kombinasi faktor) terhadap jumlah total
keragaman dalam variabel respon.
2. Menguji hipotesis null bahwa kelompok populasi atau
perlakuan memiliki rata-rata yang sama.
A. Analisis Varians Satu Arah

Analisis varians satu arah merupakan analisis varians
yang sangat sederhana dan terbatas yang hanya berisi
kelompok sampel dalam unit sampel penelitian. Bentuk
umum analisis varians satu arah adalah
dengan adalah nilai perlakuan ke- ulangan ke- , dengan
adalah nilai rata-rata populasi, adalah rata-rata
pengaruh perlakuan ke- , dan adalah galat perlakuan.
̅ ̅ ̅
̂ ̅ ̅ ̅
sehingga:
̂ ̅
dan
Pengaruh kelompok/perlakuan dapat dilihat dari nilai

. Jika tidak terdapat pengaruh perlakuan maka nilai:
∑
Analisis Varians |203
atau efek perlakuan dapat disusun dalam bentuk hipotesis

berikut:
Penyajian data layout akan mempermudah dalam

melakukan analisis data, bentuk data layout analisis varians
satu arah adalah sebagai berikut:
Tabel 8.1 Data Layout Analisis Varians Satu Arah
Kelompok
Sampel
1 2
1
2
Jumlah ∑ ∑ ∑
Rata-rata ̅ ̅ ̅
Model linear analisis varians satu arah dapat dijelaskan

dalam bentuk formula . Dari persamaan
tersebut terlihat bahwa keragaman nilai terdapat satu
peubah yaitu kelompok/kelompok. Dalam kelompok
terdapat galat dan keragaman total. Dengan demikian maka
analisis keragaman satu arah terdiri dari perhitungan jumlah
kuadrat kelompok, galat dan total.
1. Jumlah Kuadrat Kelompok
Jumlah kuadrat kelompok adalah penyimpangan
kuadrat dari nilai rata-rata kelompok terhadap nilai rata-
rata total yang ditulis dengan persamaan:
∑ ̅ ̅
atau dapat ditulis dalam bentuk lain yaitu:
∑ ̅ ̅
atau
∑ ̅ ̅ ∑ ̅
Jika jumlah sampel masing-masing kelompok tidak sama

maka dapat dihitung dengan:
∑ ̅ ̅
2. Jumlah Kuadrat Galat

Jumlah kuadrat galat adalah penyimpangan
kuadrat dari nilai terhadap nilai rata-rata total yang
ditulis dengan persamaan:
∑ ∑ ∑ ̅
atau jumlah kuadrat galat juga dapat dihitung dengan

formula:
3. Jumlah Kuadrat Total

Jumlah kuadrat total adalah penyimpangan
kuadrat dari nilai terhadap nilai rata-rata total yang
ditulis dengan persamaan:
∑ ∑ ( ̅)
atau dapat ditulis dalam bentuk lain:
∑ ∑ ̅
̅ disebut juga faktor koreksi, sehingga persamaan

di atas bisa diubah dalam bentuk:
∑ ∑
jika jumlah ulangan tak sama maka faktor koreksi menjadi:
4. ANOVA Satu Arah

Keragaman
Kelompok ∑ ̅ ̅
Residual ∑ ∑ ∑ ̅
Total ∑ ∑ ̅
Analisis ANOVA Satu Arah (Manual)

Berikut ini adalah data prestasi belajar IPA dengan
menggunakan tiga metode pembelajaran yang berbeda.
Tabel 8.2 Metode Pembelajaran dan Hasil Belajar IPA
Metode Belajar
No
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
Ujilah apakah terdapat perbedaan hasil belajar dari tiga

metode pembelajaran yang digunakan!
Penyelesaian:
Jumlah Kuadrat Kelompok (metode pembelajaran)
∑ ̅ ̅
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
∑ ∑
Jumlah kuadrat galat
Jumlah kuadrat total
Hasil perhitungan di atas dapat diringkas dalam tabel

analisis keragaman.
ANOVA Metode Pembelajaran

Keragaman Ket
Metode 2 61,6810 30,8405 0,9747 ns
Pembelajaran
Residual 55 1740,25 31,6409
Total 57 1802
Ket : ns = berbeda tidak nyata pada taraf 5 %.
Hasil analisis keragaman menunjukkan bahwa nilai

berarti bahwa tidak terdapat
perbedaan hasil belajar IPA dari tiga metode pembelajaran
yang digunakan.
B. Inferensia Pascaanalisis Keragaman

Bila uji ANOVA gagal mendeteksi perbedaan-
perbedaan nyata antar perlakuan, ini berarti percobaan tidak
memiliki bukti yang cukup untuk menyatakan adanya
perbedaan antar perlakuan. Sehingga dapat disimpulkan
bahwa populasi perlakuan mempunyai nilai rataan yang
sama; dengan lain perkataan: semua perlakuan yang
digunakan mempunyai pengaruh yang sama.
Bila uji ANOVA menunjukkan perbedaan nyata antar
perlakuan, selanjutnya ingin diketahui perlakuan mana yang
menunjukkan perbedaan dengan perlakuan lainnya. Oleh
karenanya, perlu dilakukan uji setelah ANOVA atau sering
disebut dengan uji lanjut setelah ANOVA.
1. Uji Least Significant Difference (LSD)
Uji Least Significant Different (LSD) atau Beda
Nyata Terkecil (BNT) merupakan uji perbandingan
rataan dengan satu nilai galat tunggal. Formula yang
digunakan dalam uji BNT adalah:
⁄ √ [ ]
dengan:
BNT = Beda nyata terkecil
= Tingkat kepercayaan
= Kuadrat tengah galat
= Jumlah data kelompok ke-
= Jumlah data kelompok ke-
2. Uji Duncan-New-Multiple-Range (DMRT)

Uji DMRT merupakan uji perbandingan rata-rata
dengan galat rataan ganda. Formula yang digunakan
untuk uji lanjut DMRT adalah:
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:
(̅ ̅) √ ( )
dimana disebut studentized range dan dapat

dilihat dalam tabel Tukey’s pada banyak buku teks. Bila
ukuran sampel sama ( ) atau jumlah ulangan pada
masing kelompok/perlakuan sama maka formula di atas
dapat disederhanakan menjadi:
(̅ ̅) √ ( )
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:
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.
1. Analisis Uji Anova Satu Jalur (Manual)

Seorang mahasiswa ingin meneliti pengaruh lama
jam belajar terhadap hasil belajar matematika. Data
disajikan pada tabel berikut:
Tabel 8.3 Hasil Belajar Matematika

Berdasarkan Jam Belajar
Lamanya Belajar (jam)

2 3 4 5
79,30 85,50 84,00 83,30
78,00 87,20 86,80 84,00
79,30 87,50 83,10 82,80
75,00 87,00 87,80 82,50
80,30 84,00 83,30 85,50
81,80 86,80 83,00 85,20
80,00 83,10 82,80 84,50
82,50 87,80 81,50 83,00
70,30 84,00 73,30 75,50
71,80 76,80 73,00 75,20
80,00 83,10 82,80 84,50
72,50 77,80 81,50 83,00
Perhitungan manual untuk uji BNT dan DMRT

dijelaskan sebagai berikut:
a. Uji BNT
√ [ ]
√ [ ]
No Jam Belajar Hasil Belajar BNT

1 3 84,22 a
2 5 82,42 a
3 4 81,91 ab
4 2 78,90 b
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
Hasil analisis DMRT
Perlakuan Rata-rata Notasi

3 84,22 a
5 82,42 ab
4 81,91 ab
2 78,90 b
c. Uji Kontras
∑ ̅
Nilai yang diperoleh dimasukkan dalam tabel

anova yaitu:
Sumber
P
Keragaman
Pengaruh 140,2251 1 140,2251 8,3591 0,0059
Galat 738,102 44 16,7751
Hasil analisis diperoleh nilai dengan

probabilitas (peluang) sebesar 0,0059 yang berarti
bahwa terdapat perbedaan rataan hasil belajar antara
siswa yang mendapat jam tambahan belajar 2 jam
terhadap tambahan jam belajar 3, 4 dan 5 jam.
2. Uji Polinomial Orthogonal

Cara perhitungan Uji orthogonal polynomial
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. Kami akan menghadirkan contoh
analisis polinomial orthogonal berdasarkan hasil
penelitian data pada Tabel 8.3.
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
Koefisien kontras untuk uji di atas adalah:
No Lama Belajar N Linear Kuadratik Kubik

1 2 12 -3 1 -1
2 3 12 -1 -1 3
3 4 12 1 -1 -3
4 5 12 3 1 1
Teknik perhitungan jumlah kuadrat polynomial

orthogonal sama dengan teknik perhitungan jumlah
kuadrat polynomial kontras. Dengan cara yang sama
diperoleh hasil jumlah kuadrat untuk faktor lama belajar
dengan kecenderungan Linear , Kuadratik
, dan Kubik . Nilai dan
probabilitas menunjukkan bahwa kecenderungan lama
belajar dengan kecenderungan kuadratik memiliki nilai
terbesar dibandingkan dengan linear dan kubik.
Sehingga lama belajar berpengaruh nyata dengan
kecenderungan kuadratik terhadap hasil belajar. Karena
hasil analisis menunjukkan kecenderungan kuadratik
antara lama belajar terhadap hasil belajar, maka perlu
dicari titik optimal antara lama belajar terhadap hasil
belajar. Untuk mendapatkan nilai optimal maka perlu
dicari persamaan yang berbentuk kuadratik antara lama
belajar terhadap hasil belajar. Kurva dan persamaan
yang terbentuk adalah:
90
85
80
Hasil Belajar
y = -1,2021x2 + 9,2388x + 65,753

75 R² = 0,1205
70
65
60
2 2,5 3 3,5 4 4,5 5
Lama Belajar (Jam)
Nilai turunan dari persamaan pada gambar di atas

adalah . Titik optimum akan
diperoleh jika , maka nilai jam atau 3
jam 51 menit.
3. Analisis Varians Satu Jalur (SPSS)

Langkah-langkah analisis varians rancangan acak
lengkap dengan SPSS adalah:
a. Analyze > General Linear Model > Univariate
b. Setelah muncul layar di atas maka masukan variabel

dependen, faktor perlakuan di kolom fixed faktor.
Kemudian klik Model lalu akan muncul layar berikut:
c. Lakukan perintah > Costum > Build term(s) diganti

dengan main effect > Continue.
d. Pilih jenis uji lanjut dengan mengklik Contrast (jika
uji Contras atau Polynomial), dan jika menggunakan
uji beda DMRT, BNT dan lain-lain maka pilih Post

Hoc > OK.
Hasil Analisis varian Jam belajar terhadap hasil

belajar dengan menggunakan SPSS adalah:
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
C. Uji Kruskal Wallis

Uji kruskal-Wallis digunakan untuk menguji kesamaan
antara lebih dari dua kelompok sampel saling independen
ketika asumsi parametrik uji F ANOVA satu jalur ditolak
yang disebabkan tidak terpenuhinya asumsi normalitas dan
jika skala yang digunakan dari variabel pengamatan adalah
skala ordinal. Kruskal wallis juga digunakan untuk

menganalisis data cacahan pada tabel kontingensi ketika
variabel respon adalah variabel skala kategorikal dan
ordinal. Secara tradisional data tersebut biasanya dianalisis
dengan menggunakan chi-square. Karena Ian S.Peers (1996)
Kruskal-Wallis lebih baik digunakan dibanding-kan uji
Chi square. Uji Kruskall-Wallis dapat dihitung dengan
Formula (Chernick, M.R and Friis, R.H, 2003):
* ∑ +
Nilai terkoreksi dapat dihitung dengan formula berikut:
[∑ ]
dimana:
= Jumlah kelompok
= Jumlah sampel dalam kelompok
= Jumlah total sampel
̅ = Rata-rata rangking dalam kelompok
Nilai Kruskal-wallis ( ) yang diperoleh akan mengikuti

distribusi dengan .
Data layout Kruskal-Wallis

Observasi Sampel 1 Sampel 2 Sampel
1
2
Source: adapted from Conover, 1999, page 288

Untuk menentukan uji beda pada uji Kruskall-Wallis

dapat dilakukan menggunakan Pairwise Comparison dengan
formula berikut:
| | √ ( )
dengan:
*∑ ∑ +
1. Analisis Kruskall Wallis (Manual)

Ingin diketahui apakah ada perbedaan kecerdasan
emosional dari tiga kelompok tingkat pendidikan yaitu
Sarjana (S1), Magister (S2), dan Doktor (S3), data
Tabel 8.4 Kecerdasan Emosional Berdasarkan Tingkat

Pendidikan
No Responden Sarjana (S1) Magister (S2) Doktor (S3)

1 65 90 70
2 72 76 80
3 70 79 90
4 65 80 86
5 75 74 72
6 80 80 94
7 85 75 99
8 74 79 70
9 86 76 85
10 90 71 95
11 60 65 70
12 62 65 75
Jika data di atas diasumsikan tidak berdistribusi

normal, ambillah keputusan apakah terdapat perbedaan
kecerdasan emosional pada berbagai kelompok tingkat
pendidikan.
Penyelesaian:
Langkah pertama yang harus dilakukan dalam analisis
Kruskal Wallis adalah mengelompokkan data tersebut ke
dalam rangking tertentu berdasarkan data. Perengkingan
dari data tersebut disajikan pada tabel berikut:
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
Berdasarkan rangking data di atas maka dapat dihitung

nilai Kruskal-Wallis (H) yaitu:
* ( )+
[ ]
Nilai terkoreksi adalah:

* +
Jadi nilai Kruskal-Wallis terkoreksi ( ) adalah sebesar

3,507. Nilai yang diperoleh dibandingkan dengan
tabel chi-square dengan – . Nilai tabel 5%
adalah sebesar 5,9915. Hal ini berarti
. Sehingga Hipotesis
alternatif diterima yang berarti bahwa tidak terdapat
perbedaan kecerdasan emosi dari tiga kelompok jenjang
pendidikan yang diamati.
Jika diasumsikan data pada teladan 4.3 tidak

berdistribusi normal, maka ujilah apakah terdapat
perbedaan jam belajar terhadap hasil belajar matematika
(Tabel 8.3).
Penyelesaian:
Nilai data di atas adalah:
* +
| | √ ( )
Karena nilai sama pada masing-masing

kelompok maka nilai pembanding keempat kelompok di
atas adalah sama yaitu 9,95. Hasil Uji beda dapat dilihat
pada tabel berikut:
No Jam Belajar Hasil Belajar BNT

1 3 33,96 a
2 5 26,96 a
3 4 24,17 a
4 2 12,92 b
2. Analisis Kruskall Wallis (SPSS)

Analisis Kruskal-Wallis menggunakan SPSS dapat
dilakukan dengan teknik:
Analyze > Nonparametrik Test > Legacy Dialog > k
Independent Samples
Hasil analisis perbedaan kecerdasan emosional
pada Tabel 8.4 di atas adalah:
Ranks
Pendidikan N Mean Rank
KE S1 12 14,83
S2 12 17,88
S3 12 22,79
Total 36
Test Statistics a,b

KE
Kruskal-Wallis H 3,507
Df 2
Asymp. Sig. 0,173
a. Kruskal Wallis Test
b. Kelompoking Variable:
Pendidikan
D. Uji Jonckheere–Terpstra
Pada bahasan sebelumnya dibahas tentang analisis
keragaman dengan variabel berupa variabel nominal dan
variabel kontinu dengan sebaran data variabel tidak
berdistribusi normal. Analisis keragaman pada kasus tersebut

digunakan dengan pendekatan analisis Kruskall Wallis.
Berbeda halnya bila variabel skala ordinal dan berskala
interval dengan distribusi variabel tidak berdistribusi
normal. Pendekatan yang dapat digunakan untuk analisis
keragaman adalah satunya dengan menggunakan uji
Jonckheere–Terpstra ( Uji Jonckheere–Terpstra dapat
dirumuskan (Hollander. M, Wolfe dan Chicken, 2014):
∑∑
Dengan nilai varians adalah:
Nilai Jonckheere–Terpstra terkoreksi (J*) dapat dihitung

dengan persamaan:
√ √
∑
Pada kasus terdapat banyak Ties (Nilai rangking sama) maka

koreksi nilai Jonckheere–Terpstra dapat dilakukan dengan
formula berikut:
{ }
dengan
, * ∑ ∑ +
[∑ ] *∑ +
[∑ ] *∑ +-
Uji lanjut untuk membandingkan rangking masing-

masing kelompok pada uji Jonckheere–Terpstra (J*) dapat
dilakukan dengan menggunakan uji Hayter-Stone. Uji Hayter-
Stone dapat dilakukan dengan cara mencari nilai wilcolxon
terstandarisasi ( ) dengan persamaan:
[ ]
{ }
Dengan nilai jumlah rangking wilcolxon, nilai

tengah rangking Wilcolxon dan nilai varians
Wilcolxon.
( )
Dengan jumlah sampel kelompok ke- dan jumlah

sampel kelompok ke- . Nilai varians Wilcolxon ( )
dengan terdapat ties dapat dicari dengan:
∑
[ ]
Nilai varians wilcolxon ( ) tanpa ties dapat dicari

dengan:
( ) { }
1. Analisis Uji Jonckheere–Terpstra (Manual)

Suatu penelitian pada durasi jam belajar terhadap
prestasi belajar, data disajikan pada tabel berikut:
Tabel 8.5 Durasi Jam Belajar terhadap Prestasi Belajar
Singkat Sedang Lama

79,3 83,3 85,5
83,8 84,0 87,2
82,0 82,8 87,5
82,5 82,5 87,0
80,3 85,5 84,0
81,8 85,2 86,8
80,0 84,5 83,1
82,5 83,0 87,8
70,3 79,0 84,0
71,8 75,2 76,8
80,0 84,5 83,1
72,5 80,0 88,0
Berdasarkan data di atas diperoleh nilai skor berikut:

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:
Pada data terlihat bahwa terdapat rangking yang sama

(ties) sehingga perlu dilakukan koreksi varians. Nilai
varians ( ) dari data adalah:
{ [
]
( ( ))}
{ [ ]
}
Dengan demikian diperoleh nilai varians terkoreksi dari

uji Jonckheere–Terpstra sebesar 1188,24. Sehingga nilai
Jonckheere–Terpstra ties terkoreksi adalah:
{ }
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:
* +
[ ]
[ ]
{ }
b. Perbandingan kelompok singkat (A) dan lama (C)

Nilai rangking Wicoxon dari kedua kelompok
A dan B adalah = 18, 21, 22, 20, 17, 19, 14, 23, 17,
4, 14, 24 dengan jumlah 211. Sehingga nilai
adalah:
[ ]
[ ]
{ }
c. Perbandingan kelompok sedang (B) dan lama (C)

Nilai rangking Wicoxon dari kedua kelompok B
dan C adalah = 18, 21, 22, 20, 12,19, 8.5, 23, 12, 2,
8.5, 24 dengan jumlah 198,5. Sehingga nilai
adalah:
* +
[ ]
[ ]
{ }
Berdasarkan hasil uji beda Hayter-Stone

masing-masing perlakuan di atas dapat dirangkum
dalam tabel berikut:
Kelompok Singkat (A) Sedang (B) Lama (C)

Singkat (A)
Sedang (B)
Lama (C) 0
Berdasarkan tabel di atas dapat disederhanakan

menjadi tabel berikut:
Kelompok Umur Rata-rata Rangking Notasi

Singkat (A) 9,92 c
Sedang (B) 18,71 b
Lama (C) 26,88 a
2. Analisis Uji Jonckheere–Terpstra (SPSS)

Analisis Jonckheere–Terpstra menggunakan aplikasi
SPSS dilakukan dengan langkah:
Analyze > Nonparametrik Test > Legacy Dialogs > K
Independent Samples > Jonckheere–Terpstra (Ceklist
Jonckheere–Terpstra)
Hasil analisis data di atas dengan SPSS 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
Berdasarkan hasil analisis tentang pengaruh durasi

belajar terhadap hasil belajar dengan menggunakan uji
Jonckheere–Terpstra baik secara manual dan
menggunakan SPSS diperoleh hasil yang sama yaitu

sebesar 4,139 dengan probabilitas sebesar 0,00004.
Hasil penelitian ini berarti bahwa terdapat perbedaan
hasil belajar pada kelompok durasi jam belajar berbeda.
Akan tetapi aplikasi SPSS tidak menyediakan uji lanjut
untuk analisis Jonckheere–Terpstra .
E. Analisis Varians Dua Jalur

Analisis varians dua jalur adalah analisis varians dengan
melibatkan lebih dari satu faktor. Contoh penelitian yang
menggunakan analisis varians dua jalur adalah kemampuan
awal siswa dan jam belajar terhadap hasil belajar.
Model umum analisis varians dua jalur adalah:
̅ ̅ ̅ (̅ ̅) ( ̅ ̅ ̅ ̅)
̂ ̅ ̅ ̅ (̅ ̅) ( ̅ ̅ ̅ ̅)
̂ ̅
Sehingga nilai prediksi dalam analisis varians dua jalur

sama dengan nilai rata-rata interaksi. Residu dari analisis
varians dua jalur dapat dihitung:
Jumlah kuadrat galat adalah:
∑ ∑ ̅
1. Layout Data Analisis Varians Dua Jalur

Untuk mempermudah dalam analisis varians dua
jalur maka keberadaan data layout menjadi hal penting.
Tabel 8.6 Data Layout Analisis Varians Dua Jalur
Faktor Faktor Kelompok Rata-rata

A B 1 2 Interaksi
̅
̅
̅
̅
̅
̅
Rata-rata Total ̅ ̅
Tabel di atas hanya menampilkan rata-rata interaksi

dan rata-rata total, sehingga untuk mempermudah
analisis varians Faktor A dan B maka akan ditambahkan
tabel bantu Analisis Varians Dua Jalur seperti berikut:
Tabel 8.7 Data Layout Analisis Varians Dua Jalur

Faktor A Dan B
Faktor B Rata-rata
Faktor Faktor A
Faktor A
̅ ̅ ̅ ̅
̅ ̅ ̅ ̅
̅ ̅ ̅ ̅
Rata-rata Faktor B ̅ ̅ ̅
2. Analisis Keragaman
Model linear analisis varians dua jalur adalah:
Dari persamaan tersebut terlihat bahwa keragaman

nilai terdapat dua peubah yaitu faktor dan . Dalam
analisis varians dua jalur terdapat interaksi ( ) galat ( )
dan keragaman total. Dengan demikian maka analisis
keragaman analisis varians dua jalur terdiri dari
perhitungan jumlah kuadrat Faktor A, Faktor B,
interaksi, galat dan total.
a. Jumlah kuadrat faktor A
Jumlah kuadrat Faktor A adalah penyimpangan
kuadrat dari nilai rata-rata kelompok A terhadap nilai
rata-rata total yang ditulis dengan persamaan:
∑ ̅ ̅
atau jumlah kuadrat perlakuan dapat ditulis dalam

bentuk lain:
∑ ∑ ∑
(∑ ̅ )
∑ ∑ ∑
∑̅
(∑ ∑ ∑ )
∑̅
∑ ̅ ̅
atau,
∑̅ ̅
karena ̅ disebut faktor koreksi, maka

persamaan di atas dapat diubah menjadi:
∑̅
b. Jumlah kuadrat faktor B

Jumlah kuadrat Faktor B adalah penyimpangan
kuadrat dari nilai rata-rata faktor B terhadap nilai
rata-rata total yang ditulis dengan persamaan:
∑ ̅ ̅
∑ ̅
c. Jumlah kuadrat interaksi AB

Jumlah kuadrat interaksi AB adalah
penyimpangan kuadrat dari nilai rata-rata Interaksi
terhadap nilai rata-rata total yang ditulis dengan
persamaan:
∑ ∑ ̅ ̅ ̅ ̅
∑ ∑ ̅ ∑ ̅ ∑ ̅
d. Jumlah kuadrat total

kuadrat dari nilai terhadap nilai rata-rata total
yang ditulis dengan persamaan:
∑∑∑ ̅
∑∑∑ ̅
∑∑∑
e. Jumlah kuadrat galat

Jumlah kuadrat galat adalah penyimpangan
kuadrat dari nilai terhadap nilai rata-rata total
yang ditulis dengan persamaan:
∑∑∑ ̅

∑∑∑ ∑∑
3. Uji Anova Dua Jalur (Manual)

Seorang guru ingin melakukan pengujian terhadap
perolehan hasil belajar siswa yang disebabkan oleh
penggunaan waktu belajar siswa. Dalam pengujian ini
sebagai variabel terikat ( ) adalah hasil belajar. Sebagai
variabel bebas pertama ( ) adalah lama waktu belajar
(dalam jam) yang dikelompokkan menjadi empat yaitu 2
jam, 3 jam, 4 jam, dan 5 jam. Sebagai variabel bebas kedua
( ) yaitu kemampuan awal siswa yang dikelompokkan
menjadi tinggi, sedang, dan rendah. Jumlah responden
untuk masing‐masing kelompok sebanyak 4 orang dan
tingkat kesalahan yang dipilih yaitu 5%. Setelah
dilaksanakan tes kepada seluruh responden maka
diperoleh data berikut (Sudarmanto, R, 2011):
Tabel 8.8 Skor hasil tes belajar siswa berdasarkan lama

belajar dan tingkat kemampuan awal siswa
Kemampuan Lamanya Belajar (Jam)

Awal 2 3 4 5
79,30 85,50 84,00 83,30
83,80 87,20 86,80 84,00
Tinggi
82,00 87,50 83,10 82,80
82,50 87,00 87,80 82,50
80,30 84,00 83,30 85,50
81,80 86,80 83,00 85,20
Sedang
80,00 83,10 82,80 84,50
82,50 87,80 81,50 83,00
70,30 84,00 73,30 75,50
71,80 76,80 73,00 75,20
Rendah
80,00 83,10 82,80 84,50
72,50 77,80 81,50 83,00
Faktor koreksi dari data pada Tabel 8.8 adalah sebesar:
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
Jumlah kuadrat faktor A (kemampuan awal)
Kemampuan Awal Rata-rata ̅ ̅

Tinggi 84,32 7109,65
Sedang 83,44 6962,86
Rendah 77,82 6055,76
Jumlah ∑ ̅
Jumlah Kuadrat Faktor B

Jumlah kuadrat Faktor B adalah penyimpangan
kuadrat dari nilai rata-rata perlakuan terhadap nilai rata-
rata total yang ditulis dengan persamaan:
Jumlah kuadrat faktor B (varietas) adalah:
Jam Belajar Rata-rata ( ̅ ) ( ̅)

2 78,90 6225,21
3 84,22 7092,45
4 81,91 6708,98
5 82,42 6792,51
∑ ̅ = 26819,14
Jumlah Kuadrat Interaksi AB

Jumlah kuadrat Interaksi AB adalah penyimpangan
kuadrat dari nilai rata-rata Interaksi terhadap nilai rata-
rata total. Jumlah kuadrat Interaksi (AB) atau
kemampuan awal jam belajar adalah:
Rata-rata interaksi antara A dan B:
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
Kuadrat Rata-rata interaksi antara A dan B:
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
∑ ̅
∑ ̅ ∑ ̅ ∑ ̅
Jumlah Kuadrat Total

kuadrat dari nilai terhadap nilai rata-rata total. Jumlah
kuadrat total adalah:
Jumlah Kuadrat Galat

kuadrat dari nilai terhadap nilai rata-rata total.
Hasil analisis keragaman antara faktor kemampuan awal

dan jam belajar terhadap hasil belajar adalah:
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
; ;
Hasil analisis varians diperoleh nilai

kemampuan awal 22,91 dengan sebesar
3,27 atau . Hal ini
menunjukkan bahwa terdapat perbedaan rerata
kemampuan awal siswa. Nilai jam belajar sebesar
6,73 dengan nilai sebesar 2,87 atau
. Hal ini menunjukan bahwa
terdapat perbedaan rata-rata hasil belajar pada jam belajar
siswa yang berbeda. Kemudian nilai F hitung interaksi

sebesar 0,69 dengan nilai sebesar 2,37
atau . Hal ini berarti bahwa
tidak terdapat perbedaan hasil belajar pada berbagai
kombinasi kemampuan awal dengan lama jam belajar.
Pada analisis varians di atas secara teoritis kita
membangun teori bahwa terdapat interaksi antara
kemampuan awal dan lama jam belajar mempengaruhi
hasil belajar. Jika contoh di atas, kita misalkan secara
teoritis tidak ada interaksi maka susunan anova menjadi:
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
Pada hasil analisis varians dua arah tanpa interaksi

di atas terlihat bahwa tanpa interaksi merupakan
penjumlahan dari model interaksi dan
yaitu . Kondisi tertentu dimana
dalam model fixed effect karena berbagai hal, data
pengamatan bisa saja tidak berimbang atau sampel
masing faktor atau masing kombinasi tidak sama, maka
sebagai alternatif untuk mendapatkan adalah
dengan mengurangi model anova dua arah tanpa
interaksi dengan model anova full model (Anova dua
arah dengan interaksi). Seperti contoh di atas, dengan
full model diperoleh dengan model anova tanpa
interaksi sebesar 339,97 dan full model sebesar
304,17 maka full model terkoreksi adalah

sebesar .
Uji Beda Rata-rata

Pada uji Anova menunjukkan bahwa faktor
kemampuan awal, dan jam belajar berpengaruh nyata
terhadap hasil belajar maka perlu dilakukan uji beda
rata-rata. Hipotesis yang diajukan adalah:
a. Minimal terdapat satu rerata kemampuan awal yang
berbeda dibandingkan lainnya.
b. Minimal terdapat salah satu rerata jam belajar yang
menunjukkan hasil belajar yang berbeda.
⁄ √
Uji LSD Faktor kemampuan awal
Varietas Rata-rata Notasi

Tinggi 84,3188 a
Sedang 83,4438 a
Rendah 77,8188 b
Rata-rata 177,32
Analisis Varian Lebih dari Dua Faktor

Jika dalam desain penelitian melibatkan lebih dari
dua faktor maka susunan analisis varians adalah:
Uji Keragaman Lebih dari Dua Faktor:
Sumber Jumlah
Kuadrat Tengah
Keragaman Kuadrat
Faktor A ⁄ ⁄
Faktor B ⁄ ⁄
Faktor C ⁄ ⁄
⁄ ⁄
⁄ ⁄
⁄ ⁄
ABC ⁄ ⁄
Galat ⁄
Total –
4. Analisis Varians RAL Dua Arah (SPSS)

Analisis RAL faktorial dengan SPSS dapat
dilakukan dengan cara berikut:
Analyze > General Linear Model > Univariate
Insert Dependent Variabel dan Fixed Faktor > Model >

Custom > buat model seperti gambar kemudian kliks
Continue > OK. Diperoleh hasil seperti berikut:
Uji Beda Rata-rata

Uji beda rata-rata pada analisis varians dapat
dilakukan dengan proses berikut:
Univariate > pilih Post_Hoc > masukkan variabel
Post_Hoc Test For > pilih jenis uji (equal variansce
assumed) > continue > OK
Hasil Uji Beda

↜oOo↝
Bab 9
ANALISIS BUTIR SOAL
Analisis butir soal bertujuan memperoleh soal yang

bermutu. Soal bermutu adalah soal yang dapat memberikan
informasi setepat-tepatnya tentang kemampuan siswa.
Kegiatan dalam analisis butir soal meliputi menelaah setiap
soal agar diperoleh soal yang bermutu sebelum digunakan,
meningkatkan kualitas butir soal melalui kegiatan revisi soal,
dan membuang soal yang tidak efektif (Kusaeri, 2014).
Pada bahasan ini, analisis butir soal yang dilakukan
adalah analisis butir soal dengan pendekatan klasik.
Pendekatan tersebut merupakan teknik analisis butir soal
dengan melihat tingkat kesukaran dan daya beda soal
berdasarkan populasi yang dipilih. Kelemahan dari teknik
analisis butir soal secara klasik ini adalah hasil analisis butir
soal seperti daya beda dan tingkat kesukaran susah untuk
dikatakan telah mewakili populasi secara umum. Seperti
contoh bila soal-soal matematika diberikan pada sekolah A,
kemudian tingkat kesulitan dan daya beda yang diperoleh
dari hasil analisis tersebut belum tentu mewakili tingkat
kesukaran dan daya beda pada sekolah B. Salah satu cara
yang dapat ditempuh untuk melihat tingkat kesukaran dan
daya beda berlaku secara universal maka dapat dilakukan
analisis butir soal secara modern dengan pendekatan items
respon theory (IRT). Menggenai teknik analisis butir soal
dengan pendekatan IRT tidak dibahas dalam buku ini.
- 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
= rerata skor dari subjek yang menjawab betul bagi item

yang dicari validitasnya
= rerata skor total
= standard deviasi dari skor total
= proporsi siswa yang menjawab benar
= proporsi siswa yang menjawab salah
Hasil perhitungan validitas butir soal dapat

diinterpretasikan dengan dua cara antara lain sebagai
berikut:
1. Dengan melihat harga dan diinterpretasikan misalnya
korelasi tinggi, cukup, dan sebagainya.
2. Dengan berkonsultasi ke tabel harga kritis product
moment sehingga dapat diketahui signifikan tidaknya
korelasi tersebut. Jika harga lebih kecil dari harga kritis
dalam tabel, maka korelasi tersebut tidak signifikan.
Begitu juga arti sebaliknya.
B. Reliabilitas Skor Tes

Reliabilitas adalah tingkat atau derajat konsistensi dari
suatu instrumen tes. Suatu tes dapat dikatakan reliabel
apabila selalu memberikan hasil yang sama ketika diteskan
pada kelompok yang sama di waktu yang berbeda. Alpha
Cronbach merupakan koefisien konsistensi internal yang
paling sering digunakan untuk analisis reliabilitas. Alpha
Cronbach merupakan perluasan , dapat digunakan
untuk item-item dengan respons dikotomi atau lebih. Jika
alpha Cronbach digunakan untuk item-item dikotomi, maka
hasilnya identik dengan . Rumus Alpha Cronbach
(Streiner dan Norman, 2000) :
∑
( )
dimana:
= koefisien Alpha
= jumlah butir soal
= varians butir soal
= varians skor total
Patokan untuk menginterpretasi reliabilitas terhadap

nilai Alpha, adalah sebagai berikut (Sukiman, 2012: 235):
Tabel 9.1 Kriteria Interpretasi Reliabilitas
Besarnya nilai Kriteria Interpretasi

0,80 – 1,00 Sangat tinggi
0,60 – 0,79 Tinggi
0,40 – 0,59 Sedang
0,20 – 0,39 Rendah
0,00 – 0,19 Sangat Rendah
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.
Analisis indeks kesukaran soal terdapat dua cara yang

dapat dilakukan yaitu secara klasik dan secara modern. Secara
klasik Kriteria soal yang baik memiliki indeks kesukaran
sedang sebesar 0,31-0,70. Rumus indeks kesukaran butir soal,
yaitu (Nitko, 1996 dalam Kusaeri, 2014):
dimana:
= indeks kesukaran soal
= banyaknya siswa yang menjawab soal benar
= jumlah seluruh peserta tes
Kriteria yang digunakan untuk mengukur kesukaran

soal adalah (Kusaeri, 2014):
Tabel 9.2 Kriteria Interpretasi Tingkat Kesukaran
Indeks Kesukaran Kriteria

0,0 – 0,3 Sukar
0,3 – 0,7 Sedang
0,7 – 1,0 Mudah
Rumus indeks kesukaran soal di atas merupakan indeks

kesukaran klasik, sedangkan indeks modern dapat dilakukan
dengan menggunakan pendekatan regresi logistik.
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)
untuk meningkatkan mutu setiap soal melalui data empiris,

(2) mengetahui seberapa jauh masing-masing soal dapat
mendeteksi atau membedakan kemampuan siswa yaitu
siswa yang pandai atau kurang (Kusaeri, 2014).
Angka yang menunjukkan hasil perhitungan daya
pembeda disebut indeks diskriminasi atau disingkat D.
Indeks diskriminasi berkisar antara 0,00-1,00. Pada indeks
diskriminasi juga mengenal tanda negatif (-). Tanda negatif
ini digunakan jika suatu soal secara terbalik menunjukkan
kualitas testee. Terbalik di sini berarti peserta didik pandai
disebut bodoh dan peserta didik bodoh disebut pandai.
Sebelum menghitung daya pembeda butir soal, peserta
didik perlu dibagi menjadi dua kelompok yaitu kelompok
atas dan kelompok bawah. Dalam membagi peserta didik ke
dalam dua kelompok tersebut perlu dibedakan antara
kelompok kecil dan kelompok besar.
1. Kelompok kecil
Dalam kelompok kecil, seluruh jumlah peserta tes
(testee) dibagi menjadi dua sama besar yaitu 50%
kelompok atas dan 50% kelompok bawah (Suharsimi
Arikunto, 2013:227). Seluruh peserta tes terlebih dahulu
dideretkan mulai dari skor teratas sampai terbawah.
Setelah itu, peserta tes dibagi ke dalam kelompok atas
dan kelompok bawah.
2. Kelompok besar
Kelompok besar biasanya hanya diambil kedua
kutubnya saja karena mengingat biaya dan waktu untuk
menganalisis. Jumlah kelompok atas yang diambil yaitu
sebanyak 27% dari skor teratas dan jumlah kelompok
bawah yang diambil yaitu sebanyak 27% dari skor
terbawah.
Agar butir soal dapat membedakan kemampuan siswa

yang pintar dan kurang pintar setelah diadakannya tes maka
soal tersebut perlu dianalisis indeks daya bedanya. Rumus
yang digunakan untuk menghitung indeks daya beda
sebagai berikut (Kusaeri, 2014):
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
Kriteria yang digunakan untuk interpretasi daya

pembeda soal, adalah (Kusaeri, 2014):
Tabel 9.3 Kriteria Interpretasi Daya Pembeda
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)
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
Dalam menginterpretasikan hasil perhitungan setiap

pengecoh pada suatu butir soal dapat menggunakan kriteria
sebagai berikut.
Sangat baik = 76% - 125%
Baik = 51% - 75% atau 126% - 150%
Kurang Baik = 26% - 50% atau 151% - 175%
Jelek = 0% - 25% atau 176% - 200%
Sangat Jelek = lebih dari 200% (Arifin, 2011)
Jika semua peserta didik menjawab benar pada butir

soal tertentu maka berarti soal tersebut jelek. Itu
berarti pengecoh tidak berfungsi. Pengecoh dianggap
berfungsi dengan baik jika jawaban pengecoh tersebut
dipilih dari jumlah peserta didik.
F. Analisis Butir Soal (Manual)

Berikut ini disajikan data hasil test matematika siswa
dengan hasil penilaian seperti berikut:
Tabel 9.4 Data Hasil Tes Matematika
Peserta Soal (S) Skor

(P) S1 S2 S3 S4 S5 S6 S7 S8 S9 S10
P1 1 1 1 1 1 1 1 1 1 1 10 100
P2 1 0 0 0 1 1 1 0 0 1 5 25
P3 1 1 1 0 0 1 1 1 1 1 8 64
P4 1 0 0 1 1 1 1 1 1 0 7 49
P5 1 1 1 1 1 0 0 0 1 1 7 49
P6 0 0 1 1 1 1 1 1 1 0 7 49
P7 0 0 1 1 1 1 0 0 1 1 6 36
P8 1 1 1 0 0 1 1 1 1 1 8 64
P9 1 1 1 0 0 0 1 1 1 1 7 49
P10 1 0 1 0 1 1 1 1 1 0 7 49
P11 1 1 0 0 1 1 1 1 1 1 8 64
P12 1 0 1 1 1 1 1 1 0 0 7 49
P13 1 0 0 0 0 1 0 0 0 0 2 4
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
Uji Validitas Soal

Dari soal di atas diperoleh nilai:
Rata-rata total seluruh siswa.
∑
∑
∑
Rata-rata skors 1 pada soal 1 (S1) adalah:
Simpangan skor total :

∑
√∑ √ √
√ √
Proporsi yang menjawab 1 pada soal 1 adalah:

Proporsi yang menjawab 0 pada soal 1 adalah:
Jadi korelasi poin Biserial soal 1 adalah:
√ √
Korelasi biserial soal 2
Dengan cara yang sama seperti mencari koefisien

korelasi poin biserial soal 1, dan 2 maka diperoleh hasil
koefisien korelasi poin biserial soal 3-10, dan hasil poin
biserial soal 1-10 disajikan pada tabel berikut:
Tabel 9.5 Nilai Koefisien Poin Biserial Soal 1-10
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
Untuk mendapatkan informasi apakah nilai poin

biserial tabel di atas akan mengarah pada valid atau tidak,
maka kita akan merujuk pada pendekatan nilai . Nilai
poin biserial di atas akan di konversi menjadi nilai
dengan hasil berikut:
√
√
√
√
poin biserial soal 1:

√ √
√ √
poin biserial soal 2:

√
√
Dengan cara yang sama seperti mencari soal 1 dan

2 maka diperoleh hasil soal 3-10, dan hasil
soal 1 – 10 disajikan pada tabel berikut:
Tabel 9.6 Nilai soal 1-10
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
Informasi validitas akan diperoleh dengan membandingkan

nilai di atas dengan nilai
pada kepercayaan 95% dengan nilai derajat bebas
. Besarnya nilai
sebesar 1,7341. Hasil uji validitas soal 1-10
dirangkum dalam tabel berikut:
Tabel 9.7 Validitas Soal
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 :
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 .
Dengan cara yang sama seperti mencari varians soal 1, dan 2

maka diperoleh varians soal 3-10, dan varians soal 1-10
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
Besarnya nilai koefisien Cronbach-Alpha adalah:

∑
( ) ( )
Makin tinggi alpha Cronbach, makin baik (konsisten)

alat ukur. Tetapi ada beberapa keadaan di mana Alpha
Cronbach tinggi tidak menunjukkan alat ukur yang baik.
Pertama, nilai alpha Cronbach tergantung dari besarnya
korelasi antar item dan jumlah item di dalam alat ukur. Jika
jumlah item pertanyaan alat ukur banyak, alpha Cronbach
akan meningkat, meskipun tidak berarti alat ukur tersebut

baik. Kedua, jika dua buah alat ukur dengan konstruk yang
berbeda digabungkan membentuk sebuah alat ukur, maka
alpha Cronbach dapat menunjukkan nilai tinggi. Jika hal ini
terjadi, maka nilai alpha Cronbach yang tinggi bisa
menyesatkan. Ketiga, jika alpha Cronbach terlalu tinggi, maka
ada kemungkinan telah terjadi redundansi, yaitu sejumlah
item menanyakan aspek yang sama dari sebuah variabel
dengan cara sedikit berbeda, sehingga mempersempit
cakupan alat ukur dan menurunkan validitas isi. Cutoff
minimal alpha Cronbach untuk sebuah alat ukur adalah 0.60.
Sejumlah penulis menggunakan cutoff 0.70 untuk
mengklasifikasi konsistensi internal yang memadai, dan 0,80
kategori baik (Streiner dan Norman, 2000; Garson, 2008).
1. Reliabilitas belah genap-belah ganjil
Ada beberapa metode konsistensi internal untuk
mengestimasi reliabilitas, namun hanya memerlukan
instrumen tunggal. Prosedur belah dua ini melibatkan
penilaian dua bagian tes secara terpisah untuk setiap
orang dan kemudian menghitung koefisien korelasi
untuk dua set nilai. Koefisien menunjukkan tingkat
kedua bagian dari test memberikan hasil yang sama dan
menggambarkan konsistensi internal tes. Koefisien
reliabilitas dihitung dengan menggunakan apa yang
dikenal sebagai rumus Spearman-Brown. Versi
sederhana dari formula ini adalah sebagai berikut
(Fraenkel and Wallen, 2009:156):
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.
Contoh perhitungan Uji Reliabilitas Kuder-Richardson
Berdasarkan data hasil tes diperoleh nilai ,

, dan . Besarnya nilai koefisien
reliabilitas adalah:
[ ]
Analisis Tingkat Kesukaran

Sebagai contoh analisis tingkat kesukaran, kita akan
menggunakan data pada hasil test sebelumnya.
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
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
Analisis Daya Beda

Sebagai contoh analisis tingkat kesukaran, kita akan
menggunakan data pada hasil test sebelumnya.
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
Dengan cara yang sama maka diperoleh nilai dan

seterusnya yang dirangkum seperti tabel di atas.
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
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
Dengan cara yang sama maka diperoleh nilai dan

seterusnya seperti yang dirangkum pada tabel di atas.
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
Nilai Daya Beda untuk soal 1 adalah

. Dengan cara yang sama maka diperoleh nilai daya beda
untuk soal ke 2 dan seterusnya seperti dirangkum pada tabel
di atas. Sebagaimana hasil analisis tingkat kesukaran,
analisis daya beda pada contoh di atas merupakan analisis
daya beda secara klasik. Uji daya beda secara modern dapat
dilakukan dengan pendekatan analisis regresi logistik. Teori
analisis kesukaran dan daya beda secara modern dapat
dipelajari pada items respons teory (IRT).
Rangkuman Hasil Analisis

Sebuah hasil analisis yang baik tentu diharapkan
mudah dibaca dan dipahami oleh orang lain. Agar hasil
analisis tersebut lebih sederhana untuk dipahami maka hasil
analisis berupa data hasil test di atas dirangkum dalam
bentuk tabel berikut:
Tabel 9.8 Hasil Analisis Butir Soal data Hasil Tes
Jumlah Poin Biserial Kesukaran Daya Beda

Soal
Betul Ket Indeks Ket Indeks Ket
S1 17 0,0660 0,2805 Invalid 0,85 Mudah 0,100 Tidak Baik
S2 9 0,5089 2,5084 Valid 0,45 Sedang 0,300 Cukup
S4 8 0,3125 1,3957 Invalid 0,40 Sedang 0,200 Tidak Baik
S6 17 -0,0989 -0,4219 Invalid 0,85 Mudah -0,100 Buang
S7 16 0,3975 1,8377 Valid 0,80 Mudah 0,200 Tidak Baik
S9 13 0,6913 4,0594 Valid 0,65 Sedang 0,700 Baik
**** Uji Reliabilitas : nilai Cronbach-alpha ( ) sebesar 0,2879.
Namun, sayangnya analisis butir soal ini belum bisa

dihitung menggunakan SPSS.
↜oOo↝
Bab 10
ANALISIS INSTRUMEN PENELITIAN
Pada proses analisis instrumen data ordinal, sebagian

orang menuntut data ordinal diubah dulu menjadi data
interval, dan sebagian lagi tidak mempermasalahkan data
ordinal dalam bentuk skala sikap atau skala likert langsung
dianalisis. Selama menekuni dunia statistik, penulis belum
menemukan adanya perdebatan para ahli bahwa data
ordinal harus diubah menjadi interval. Penulis sendiri
kurang setuju pengubahan data ordinal menjadi data
interval, karena data interval yang diperoleh merupakan
data yang hampir persis dengan data asli yang dibuktikan
dengan korelasi data asli dengan data hasil konversi
memiliki korelasi yang sangat tinggi yaitu sekitar 0,99.
Menurut Creswell (2012) dalam konteks penelitian
pendidikan, skala Likert dapat dikategorikan menjadi
variabel ordinal dan interval. Namun dalam konteks skala
“highly important” to “of no importance”, tidak dapat
dikatakan skala interval karena tidak terjamin memiliki
kesamaam interval seperti dalam skala Likert, sehingga skala
tersebut merupakan skala ordinal.
Beberapa ahli statistik lainnya (Sekaran & Bougie, 2013,
2016) dalam Budiastuti dan Bandur (2018) secara konsisten
menjelaskan bahwa skala Likert dapat dihitung skor total
seluruh butir sehingga skala Likert juga dapat disebut
dengan summated scale. Menurut Manning & Don Munro,
(2006); Sekaran & Bougie, (2016) dalam dalam Budiastuti dan
- 262 -
Analisis Instrumen Penelitian |263
Bandur (2018) menjelaskan bahwa ketika skala Likert

dijadikan skala sumatif, secara otomatis menjadi skala
interval. Dalam hal ini, Manning dan Munro (2016) dalam
Budiastuti dan Bandur (2018) mengatakan keduanya
mengingatkan kita bahwa ketika kita membentuk suatu
variabel komposit dengan menjumlahkan semua butir
pernyataan dalam satu konstrak tertentu, kita perlu pastikan
bahwa semua item (butir-butir pernyataan/pertanyaan)
tersebut mengukur satu konstruk yang sama. Tentu untuk
menguatkan keyakinan kita, semua prosedur analisis
komponen utama (Principal Component Analysis) dan uji
Alpha Cronbach mutlat dilakukan.
Untuk keperluan akademisi yang merupakan kebijakan
dari beberapa perguruan tinggi bahwa data ordinal harus
diubah ke interval, maka penulis tertarik untuk membahas
bagaimana teknik data ordinal diubah menjadi data interval.
Pada buku ini akan dibahas teknik manual analisis data
berupa konversi data ordinal menjadi interval, analisis
validitas dan analisis reliabilitas instrumen dengan teknik
analisis manual dan menggunakan SPSS.
A. Konversi Data Ordinal Menjadi Data Interval

Pembahasan mengenai konversi data ordinal menjadi
data interval ini dilandasi oleh adanya tuntutan mahasiswa
dalam menyelesaikan data akhir penelitian, yang diharuskan
untuk mengubah data ordinal yang didapatkan dari hasil
penelitian untuk diubah terlebih dahulu menjadi data
interval untuk dilakukan analisis inferensial. Langkah-
langkah konversi data ordinal menjadi data interval adalah:
1. Mencari frekuensi dan frekuensi kumulatif data
2. Mencari proporsi dan proporsi kumulatif dari nilai
frekuensi pada langkah 1
3. Mengkonversi nilai proporsi kumulatif pada langkah 2
kedalam nilai normal baku
4. Mencari nilai fungsi dari pada langkah 3, dengan
menggunakan persamaan:
( ) ( )
√
5. Mencari nilai scale value (SV), dengan persamaan:
( ) ( )
6. Menghitung hasil penskalaan ( )

Perhitungan hasil penskalaan adalah dengan cara
scala value terendah ditambah dengan maka hasilnya
harus 1, atau dalam bentuk persamaan:
( ) ( )
7. Menghitung nilai konversi ordinal ke interval ( )

Nilai dapat dihitung dengan menambahkan scale
value (SV) dengan nilai atau:
8. Mengubah nilai tabulasi skala ordinal menjadi interval

pada tabulasi data
Konversi Data Ordinal Menjadi Data Interval (Manual)

Seorang mahasiswa dalam menyelesaikan tugas akhir
melakukan penelitian tentang penguasaan teknologi
informasi (TI) terhadap produktivitas kerja (PK). Data hasil
penelitian diperoleh dalam bentuk skala ordinal. Data
tersebut kemudian diubah menjadi data interval.
Tabel 10.1 Data Penguasaan Teknologi Informasi

dan Produktivitas Kerja Pegawai
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
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
Untuk mengubah data ordinal hasil penelitian tersebut

menjadi data interval maka terlebih dahulu dihitung
frekuensi dan frekuensi kumulatif, hasilnya seperti berikut:
1. Frekuensi Jawaban Responden
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
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
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
TI1 TI2 TI3 TI4 TI5 PK1

2 -1,6449 -1,2816 -1,2816 -1,6449 -Inf -Inf
3 0,0000 0,0000 -0,1257 0,5244 -1,0364 -1,6449
4 1,6449 Inf 0,3853 1,0364 0,5244 1,0364

5 Inf Inf Inf Inf Inf Inf
PK2 PK3 PK4 PK5

2 -Inf -Inf -Inf -Inf
3 -1,2816 -1,0364 -1,0364 -1,2816
4 0,3853 0,3853 0,6745 0,8416
5 Inf Inf Inf Inf
5. Kerapatan
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
6. Kerapatan Tertimbang (SV)
TI1 TI2 TI3 TI4 TI5 PK1 PK2

2 -2,0623 -1,7546 -1,7546 -2,0623 - - -
3 -0,6572 -0,5585 -0,6293 -0,3761 -1,5541 -2,0623 -1,7546
4 0,6572 0,7977 0,1270 0,7634 -0,2082 -0,1625 -0,3543
5 2,0623 - 1,0581 1,5541 1,1587 1,5541 1,0581
PK3 PK4 PK5

2 - - -
3 -1,5541 -1,5541 -1,7546
4 -0,2744 -0,1410 -0,1492
5 1,0581 1,2709 1,3995
Ket : - = tiada data
7. Nilai Tertimbang ( )
3,0623 2,7546 2,7546 3,0623 2,5541 3,0623 2,7546 2,5541 2,5541 2,7546
8. Nilai konversi dari ordinal ke interval untuk masing-

masing items
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
Data Penguasaan Teknologi Informasi terhadap Produktivitas

Kerja Skala Interval
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
Seperti halnya pada analisis butir soal, konversi data ordinal

menjadi data interval belum bisa dilakukan dengan
menggunakan bantuan SPSS.
B. Analisis Validitas dan Reliabilitas Instrumen

Kualitas instrumen yang digunakan dalam penelitian
sangat penting bagi peneliti untuk menggambarkan kondisi
dan menarik kesimpulan atas kondisi populasi berdasarkan
informasi diperoleh. Kualitas sebuah instrumen tersebut

tergantung pada validitas instrumen yang digunakan.
Misalnya untuk mencari tahu motivasi siswa dalam belajar
terhadap hasil belajar maka perlu instrumen untuk merekam
data agar informasi yang diperoleh mampu menarik
kesimpulan yang benar tentang kondisi siswa.
Informasi yang dikumpulkan dari suatu instrumen akan
memiliki nilai penting bila informasi tersebut diperoleh dari
sebuah instrumen dimana items item yang mewakili
pertanyaan telah mewakili variabel penelitian dan telah
tercakup semua indikator berdasarkan variabel yang
digunakan atau dikenal juga dengan validitas isi. Dalam
konteks ini pengukuran yang valid adalah pengukuran dari
alat ukur yang dibuat) dengan metodologi yang benar dan
implementasi pengukuran yang benar pula. Jika implementasi
pengukuran benar, tetapi alat ukur tidak benar, maka hasil
pengukuran juga tidak benar, menghasilkan kesalahan
pengukuran yang disebut measurement bias (measurement
error). Demikian juga jika metodologi alat ukur benar, tetapi
pelaksanaan pengukuran tidak benar (misalnya, asal-asalan),
maka hasil pengukuran juga tidak benar.
Setelah data dikonversi menjadi data interval, maka
proses uji validitas dengan menggunakan uji pearson
produk moment adalah:
∑ ( ̅ )( ̅ )
( )
Dengan:
= item ke- dan
= items total
Data dalam bentuk skala likert, analisis reliabilitas yang

umum digunakan adalah uji reliabilitas Alpha cronbach.
Menurut Krippendorff, (2004) validitas dan reliabilitas
membentuk hubungan dua proposisi yaitu ketidak
reliabilitas (unreliability) membatasi peluang validitas dan
reliabilitas tidak menjamin validitas. Menurut Secolsky dan
Denison (2012) Uji validitas instrumen dapat dilakukan
dengan pendekatan uji reliabilitas dengan membuang item
alfa deleted di atas nilai cronbach alfa.
Menurut Hartono, (2015) Validitas instrumen merupakan
suatu ukuran yang menunjukkan tingkat kesahihan suatu
instrumen. Suatu instrumen dikatakan valid apabila mampu
digunakan sebagai alat ukur yang mampu mengukur dengan
tepat sesuai dengan kondisi responden yang sesungguhnya.
Validitas instrumen yang akan digunakan hendaknya
memenuhi validitas logis dan validitas empiris. Validitas logis
adalah validitas yang diperoleh dengan usaha yang hati-hati
melalui tatacara yang benar menurut logika akan dicapai suatu
tingkat validitas yang dikehendaki. Sedangkan validitas
empiris adalah tingkat validitas instrumen yang diperoleh
melalui hasil ujicoba, setelah diuji coba lalu diuji validitasnya
dengan teknik uji validitas.
1. Analisis Validitas dan Reliabilitas (Manual)
Hasil uji validitas untuk variabel penguasaan sistem
informasi (TI) dan produktivitas kerja (PK) adalah:
Uji Validitas TI Uji Validitas PK

Notasi Notasi
TI1 0,6256 3,4019 **=valid PK1 0,6171 3,3271 **=valid
TI2 0,6454 3,5847 **=valid PK2 0,8080 5,8179 **=valid
TI3 0,7422 4,6979 **=valid PK3 0,6972 4,1258 **=valid
TI4 0,7449 4,7376 **=valid PK4 0,6705 3,8338 **=valid
TI5 0,6909 4,0545 **=valid PK5 0,7061 4,2307 **=valid
Uji Korelasi pearson antara TI1 terhadap Item Total

∑ ; ̅ ; ̅ ;
,
( )( )
( )( )( )
Nilai dengan adalah:

√ √
√ √
Nilai ( ) dengan demikian maka

( ) maka Ha
diterima yang berarti korelasi antara TI1 dengan TI
berhubungan nyata, sehingga Items TI1 bersifat valid.
a. Uji reliabilitas variabel TI

Varians masing-masing item adalah:
TI1 TI2 TI3 TI4 TI5

0,8569 0,7903 0,8858 0,7940 0,8304
Varians total maka nilai alpha adalah:

( )
b. Uji reliabilitas variabel PK

Varians masing-masing item adalah:
PK1 PK2 PK3 PK4 PK5

0,6274 0,8092 0,8334 0,8189 0,7528
Varians total maka nilai alpha adalah:
( )
Berdasarkan hasil analisis reliabilitas diperoleh

hasil koefisien reliabilitas alpha untuk variabel Teknologi
Informasi (TI) sebesar 0,7245 dan variabel Produktivitas
Kerja (PK) sebesar 0,741. Hasil analisis validitas
diperoleh hasil bahwa semua items bersifat valid dan
reliabilitas lebih besar dari 0,6 sehingga variabel
teknologi informasi (TI) dan produktivitas kerja (PK)
dapat dilanjutkan untuk analisis lebih lanjut.
2. Analisis Validitas dan Reliabilitas (SPSS)

Data yang digunakan untuk analisis validitas dan
reliabilitas dalam contoh ini adalah data hasil konversi
dari ordinal ke interval sebelumnya. Data tersebut di
import ke dalam microsoft excel dengan script :
require(foreign) write.csv(P.4, file= “Data_Conversi.csv”.
melalui script tersebut data hasil konversi ordinal ke
interval dengan nama P.4 telah di eksport ke dalam
microsoft excel dengan nama file Data_Conversi.
Kemudian akan dianalisis validitas dan reliabilitas
variabel dalam data tersebut dengan SPSS. Mengenai
teknik analisis koefisien korelasi dengan SPSS dapat
dirujuk pada materi sebelumnya.
Hasil analisis korelasi antara items TI dan PK diperoleh

hasil koefisien korelasi pearson yang sama hasilnya dengan
menggunakan R programming, seperti contoh pada item TI1
dengan TI diperoleh nilai koefisien korelasi yang sama-sama
sebesar 0,626 (karena diambil 3 desimal pada SPSS). Untuk
item selanjutnya juga sama, anda dapat lihat hasil analisis
korelasi pada baris terakhir (TI). Hal ini membuktikan
bahwa script yang terdapat dalam R programming sudah
valid atau sudah dapat diakui kekuatan dan keabsahannya
dalam analisis koefisien korelasi tersebut. Setelah koefisien
korelasi diperoleh, dan hasil signifikansi semua items valid
(yang dinyatakan dengan simbol bintang), maka tahap
selanjutnya kita akan melakukan analisis reliabilitas dengan
SPSS.
Langkah analisis reliabilitas dengan SPSS adalah:

1. Analyze > Scale > Reliability Analysis
2. Kemudian setelah reliability analysis di klik maka

muncul layar berikut. Masukkan items yang dianalisis,
kemudian klik statistik maka muncul kolom sebelah
kanan, centang scale dan scale if item deleted.
3. Setelah menu dicentang kemudian klik continue, maka

hasil analisis sudah selesai dilaksanakan, hasilnya seperti
berikut:
Hasil analisis koefisien reliabilitas dengan alpha

cronbach diperoleh nilai sebesar 0,725 dan pada kolom akhir
output SPSS pada uji reliabilitas terdapat cronbach’s Alpha if
Item Deleted, kolom tersebut mengindikasikan bahwa jika
items TI1 dihapus dari data maka besarnya koefisien
cronbach alpha menjadi 0,714. Melalui kolom tersebut juga
dapat dianalisis validitas items. Items yang dianggap valid
yaitu items cronbach’s Alpha if Item Deleted memiliki nilai
kecil dari 0,725. Jika terdapat nilai lebih besar dari 0,725
maka items tersebut tidak valid. Berdasarkan hasil analisis
baik melalui pendekatan koefisien korelasi pearson maupun
melalui Cronbach’s Alpha If Item Deleted menunjukkan
bahwa semua items soal dalam variabel Teknologi Informasi
(TI) semuanya bersifat valid dan reliabel (Standar reliabel
Alpha > 0,60).
C. Deskripsi Instrumen Penelitian

Deskripsi instrumen penelitian dapat dilakukan
dengan dua pendekatan yaitu pendekatan rata-rata dan
pendekatan total skors. Kedua pendekatan tersebut
memberikan hasil yang sama. Berikut kita sajikan deskripsi
instrumen penelitian tentang pengaruh penguasaan sistem
informasi terhadap produktivitas kerja.
Teknik penentuan kategori pada suatu instrumen

penelitian dapat dilakukan berdasarkan angka skor rata-rata
dan skor total.
1. Penentuan Berdasarkan Skor Rata-rata
a. Penentuan nilai minimum dan maksimum. Nilai
minimum pada tabel di atas adalah 1 dan
maksimum adalah 5.
b. Penentuan Range. Range pada data di atas adalah 4
(5-1).
c. Penentuan interval kelas. Jumlah kelas berdasarkan
instrumen penelitian adalah 5. Interval kelas =
range/ Jumlah kelas atau 4/5 = 0,8
d. Berdasarkan nilai interval tersebut maka
pengelompokan penguasaan sistem informasi adalah:
Kategori Penguasaan Sistem Informasi
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
Kategori Produktivitas Kerja
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
e. Nilai rata-rata item satu (TI1) pada instrumen

penguasaan sistem informasi sebesar 3,50. Nilai
tersebut terletak antara 3,41 – 4,20. Sehingga kategori
pada TI1 adalah menguasai. Dengan cara yang sama
diperoleh kategori semua item kuisioner yang
dirangkum dalam tabel berikut:
Penguasaan Teknologi Informasi dan Produktivitas
Kerja Pegawai
Parameter Rata-rata Kategori

TI1 3.50 Menguasai
TI2 3.40 Cukup Menguasai
TI3 3.80 Menguasai
TI4 3.40 Cukup Menguasai
TI5 4.15 Menguasai
Sistem Informasi 3.65 Menguasai
PK1 4.10 Produktif
PK2 4.25 Sangat Produktif
PK3 4.20 Produktif
PK4 4.10 Produktif
PK5 4.10 Produktif
Produktivitas
4.15 Produktif
Kerja
f. Deskripsi di atas merupakan deskripsi secara umum

berdasarkan keseluruhan sampel. Berikut disajikan
deskripsi berdasarkan sampel secara individual.
Sistem Informasi Produktivitas Kerja

Responden Rataan Rataan
Kategori Kategori
Skor Skor
1 4,8 Sangat Menguasai 4,2 Produktif
2 3,8 Menguasai 3,8 Produktif
Sangat
3 4 Menguasai 4,4
Produktif
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
Sangat
Produktif
11 3,2 Cukup Menguasai 4,2 Produktif
17 3,4 Cukup Menguasai 4 Produktif
19 3,4 Cukup Menguasai 4 Produktif
Sangat
Produktif
2. Berdasarkan Skor Total

a. Penentuan nilai minimum dan maksimum
Pada data di atas nilai minimum adalah 1 dan

maksimum adalah 5 dengan jumlah item
penguasaan sistem informasi dan produktivitas kerja
masing-masing 5 maka nilai minimum untuk
penguasaan sistem informasi adalah ( )
dan nilai maksimum adalah ( ).
b. Penentuan range
Range pada data di atas adalah ( )
c. Penentuan interval kelas
Jumlah kelas berdasarkan instrumen penelitian
adalah 5
Berdasarkan nilai interval tersebut maka

pengelompokan penguasaan sistem informasi adalah:
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
Berdasarkan tabel di atas, nilai total skor

penguasaan sistem informasi sebesar 365, angka tersebut
terletak antara sehingga penguasaan sistem
informasi tergolong menguasai. Kemudian nilai skor
total variabel produktivitas kerja sebesar 415, angka
tersebut terletak antara sehingga

produktivitas kerja tergolong produktif. Berikut kita
sajikan penguasaan sistem informasi dan produktivitas
kerja berdasarkan indikator pernyataan.

penguasaan sistem informasi adalah ( ) dan
nilai maksimum adalah ( ).
b. Penentuan range
adalah 5
Interval Kategori
20 – 36 Sangat Tidak Menguasai
69 – 84 Menguasai
Interval Kategori
20 – 36 Sangat Tidak Produktif
69 – 84 Produktif
Penguasaan Teknologi Informasi dan Produktivitas Kerja

Pegawai
Parameter Jumlah Kategori

TI1 70 Menguasai
TI2 68 Cukup Menguasai
TI3 76 Menguasai
TI4 68 Cukup Menguasai
TI5 83 Menguasai
Sistem Informasi 365 Menguasai
PK1 82 Produktif
PK2 85 Sangat Produktif
PK3 84 Produktif
PK4 82 Produktif
PK5 82 Produktif
Produktivitas Kerja 415 Produktif
Deskripsi di atas merupakan deskripsi secara

umum berdasarkan keseluruhan sampel. Berikut kita
sajikan deskripsi berdasarkan sampel secara individual.

penguasaan sistem informasi adalah ( ) dan
nilai maksimum adalah ( ).
b. Penentuan range
adalah 5
Interval Kategori
5–9 Sangat Tidak Menguasai
18 – 21 Menguasai
Interval Kategori
5–9 Sangat Tidak Produktif
18 – 21 Produktif
Sistem Informasi Produktivitas Kerja

Responden
Total Kategori Total Kategori
1 24 Sangat Menguasai 21 Produktif
2 19 Menguasai 19 Produktif
3 20 Menguasai 22 Sangat Produktif
4 23 Sangat Menguasai 23 Sangat Produktif
5 21 Menguasai 24 Sangat Produktif
6 23 Sangat Menguasai 24 Sangat Produktif
7 17 Cukup Menguasai 23 Sangat Produktif
11 16 Cukup Menguasai 21 Produktif
Berdasarkan tabel di atas dapat disederhanakan

menjadi:
Distribusi Responden berdasarkan Penguasaan Sistem
Informasi
Kategori Jumlah Persen

Sangat Tidak Menguasai 0 0,00
Tidak Menguasai 0 0,00
Cukup Menguasai 10 50,00
Menguasai 7 35,00
Sangat Menguasai 3 15,00
Distribusi Responden berdasarkan Produktivitas Kerja
Kategori Jumlah Persen

Sangat Tidak Produktif 0 0,00
Tidak Produktif 0 0,00
Cukup Cukup Produktif 0 0,00
Produktif 7 35,00
Sangat Produktif 13 65,00
Interpretasi Hasil secara Deskriptif

Berdasarkan hasil penelitian diperoleh hasil bahwa
karyawan menguasai sistem informasi diantaranya mereka
menguasai teknologi mutakhir, mampu menghasilkan data
yang lengkap dari suatu pekerjaan kantor dan mampu
mengolah data dengan akurasi yang tinggi. Hasil dari
pekerjaan mereka dengan penguasaan sistem informasi
tersebut juga menghasilkan data yang diolah cukup dapat
diandalkan dan cukup dapat mengolah data secara faktual.
Distribusi responden berdasarkan penguasaan sistem
informasi menunjukkan bahwa mayoritas responden
tergolong cukup menguasai sistem informasi. Sedangkan
responden yang sangat menguasai sistem informasi
merupakan jumlah terkecil yaitu berjumlah 3 responden
(15%). Pada penelitian ini tidak terdapat responden yang
tidak menguasai sistem informasi.
Produktivitas kerja karyawan tergolong produktif.
Mereka mampu menyelesaikan pekerjaan dengan hasil yang
baik, mampu membuat metode tersendiri untuk
melaksanakan tugas agar dapat diselesaikan dengan baik,
mampu mempertanggungjawabkan pekerjaan yang telah
diselesaikan dan mampu menyelesaikan suatu pekerjaan
yang diberikan secara efektif. Pengamatan pada efisiensi
pekerjaan menunjukkan bahwa mereka sangat mampu

menyelesaikan pekerjaan dengan sangat efisien. Distribusi
responden berdasarkan produktivitas kerja menunjukkan
bahwa mayoritas responden tergolong sangat produktif
yaitu berjumlah 13 responden (65%). Pada penelitian ini
tidak terdapat responden yang tidak produktif maupun
kurang produktif.
↜oOo↝
Bab 11
ANALISIS RATER
Reliabilitas antar-pemeringkat (Inter-rater reliability)

merupakan pengukuran homogenitas (homogeneity)/
Kesepahaman para ahli pemeringkat dengan jumlah dua
atau lebih pemeringkat (pewawancara atau penanya)
sehingga diperoleh tingkat kesepakatan pemeringkat
terhadap suatu instrumen. Skala pengukuran yang
digunakan oleh pemeringkat bisa menggunakan skala
nominal, ordinal, interval dan rasio. Jumlah pemeringkat
dua orang dengan skala pengukuran nominal dapat
menggunakan uji Cohen Kappa untuk mengetahui tingkat
kesepahaman kedua rater tersebut. Namun bila dua
pemeringkat mengguna-kan skala pengukuran ordinal maka
tingkat kesepahaman antar kedua rater tersebut dapat
menggunakan uji Kappa tertimbang atau Weighted Kappa.
Analisis agreement untuk rater lebih dari dua dan skala
data yang digunakan skala nominal, Analisis kesepahaman
rater dapat dilakukan dengan menggunakan uji Fleiss’
kappa. Sedangkan jika skala yang digunakan skala ordinal
dan jumlah pemeringkat lebih dari dua maka dapat
menggunakan uji Kendall’ W. Pemilihan jenis uji
kesepahaman rater berdasarkan jenis skala data dan jumlah
rater lebih jelas dapat dilihat pada gambar berikut.
- 286 -
Analisis Rater |287
Gambar 11.1 Pemilihan Uji Kesepahaman Berdasarkan Rater

dan Skala Data
A. Analisis Cohen Kappa

Cohen Kappa merupakan statistik yang digunakan
untuk mengukur kesetujuan baik inter maupun antar rater
dengan skala pengukuran nominal. Pengukuran tersebut
seperti pengukuran layak dan tidaknya model pembelajaran
yang digunakan dalam mata pelajaran tertentu. Uji Cohen
Kappa dapat dilakukan dengan menggunakan tabel
kontingensi berpasangan yang terdiri dari dua kategori
misalkan sebuah jawaban ya dan tidak, sakit dan tidak sakit,
layak dan tidak layak dan sebagainya.
Misalkan dua orang peneliti melakukan evaluasi model
pembelajaran dengan item dan kategori maka tabel
kontingensi adalah:
Peneliti/Rater 2
Kategori Total
Kategori 1 Kategori 2
Kategori 1
Peneliti/Rater 1 Kategori 2
Total
Berdasarkan tabel di atas maka peluang kesamaan antar dua

peneliti ( adalah:
dengan
⁄ ⁄
Peluang harapan kesamaan persetujuan dua peneliti ( )

adalah:
dengan
Agresti, A (2002: 434) persamaan yang digunakan

untuk menghitung indeks Kappa adalah:
Menurut beberapa ahli pengelompokan nilai kappa

adalah Landis and Koch (1977) dalam Brestoff and Broeck
(2013:567):
Nilai Kekuatan kesepakatan

0,00 – 0,20 Sangat buruk
0,21 – 0,40 Buruk
0,41 – 0,60 Cukup
0,61 – 0,80 Baik
0,81 – 1,00 Sangat sempurna
Analisis Rater |289
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
Interval kepercayaan 95% koefisien Cohen kappa dapat

dirumuskan:
̂ ̂ ̂
1. Analisis Cohen Kappa Tabulasi 2 x 2 (Manual)

Suatu penelitian yang bertujuan untuk
mengembangkan instrumen penilaian yang sahih dan
andal untuk mengukur hasil belajar seni lukis anak
dengan menggunakan 10 indikator dan dinilai oleh 2
orang ahli seni lukis. Hasil penelitian seperti tabel berikut:
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
Standar error dari koefisien cohen kappa ( ̂ ̂

tersebut adalah:
Nilai ̂ ̂ data di atas adalah:
∑ [ ]
[ ]
[ ]
Analisis Rater |291
∑ ∑
∑ ∑
maka:
̂ ̂
̂ ̂
̂ ̂
̂ ̂ ̂
Jadi Interval kepercayaan 95% dari indeks cohen kappa

di atas adalah
2. Analisis Cohen Kappa dengan (SPSS)

Teknik analisis cohen kappa pada program SPSS
hampir sama dengan teknik analisis chi-square. Langkah
analisis Cohen Kappa pada SPSS adalah:
Analyze > Descriptive Statistic > Crostabulation >
Statistic > (Centang Kappa) > OK
Hasil analisis Cohen Kappa pada contoh tabulasi di

atas:
Hasil analisis di atas menunjukkan adanya

kesamaan hasil antara analisis Cohen Kappa secara
manual dan dengan menggunakan paket SPSS, yaitu
dengan nilai Kappa sebesar 0,157. Hasil analisis dengan
menggunakan manual dan SPSS di atas merupakan nilai
Kappa yang diperoleh belum terkoreksi atau unweighted
Kappa. Paket SPSS tidak menyediakan perhitungan nilai
Kappa terkoreksi atau weighted Kappa, sehingga
aplikasi SPSS hanya dapat digunakan untuk analisis
Cohen Kappa dengan skala nominal dengan dua
kategori.
Analisis Rater |293
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
∑∑
Cohen menghendaki weighted ini memuaskan memiliki

kondisi berikut:
ketika i = j
bila
Cicchetti and Allison (1971) dalam (Lin, Hedayat, Wu. 2012)

mengajukan weighted dengan persamaan:
| |
Cohen and Fleiss (1973) dalam (Agresti. 2002) mengajukan

persamaan weighted kappa dengan formula:
Analisis Weighted Kappa (Manual)

Suryani S.D., (2016) menyelesaikan tugas akhir
melakukan studi tentang Pengembangan Buku Suplemen
Muatan Pelajaran Bahasa Indonesia Untuk Siswa Kelas II
Semester 2 Sekolah Dasar Negeri Boto. Tujuan dari
penelitian tersebut adalah untuk menghasilkan bahan ajar
berupa buku suplemen muatan pelajaran Bahasa Indonesia
untuk siswa kelas II semester 2 yang terkait dengan
keterampilan membaca dan menulis. Kelayakan buku
suplemen tersebut dinilai dengan menggunakan 6 indikator
yaitu tujuan dan pendekatan, desain dan pengorganisasian,
isi kebahasaan, keterampilan, dan metodelogi. Data Hasil
validasi ahli bahasa indonesia yang dinilai oleh dua orang
ahli mengenai buku suplemen tersebut disajikan pada tabel
berikut.
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
Tabulasi silang validator 1 dan 2 disajikan pada tabel berikut:
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
Data di atas kemudian disusun dalam bentuk proporsi:

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
Nilai persetujuan rater dari tabel di atas adalah:
Nilai persetujuan rater yang diharapkan adalah:
Dengan demikian maka nilai Kappa adalah:
Nilai weighted kappa pada contoh di atas dapat dihitung

dengan menggunakan nilai weighted Kappa dengan formula
Cicchetti and Allison (1971) diperoleh hasil pada tabel berikut:
| | | |
| | | |
| | | |
Analisis Rater |297
| |
Dengan cara yang sama maka nilai diperoleh nilai weighted

seperti dalam tabel berikut:
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
Nilai weighted kappa di atas adalah nilai weighted kappa

dengan asumsi linear. Probalititas persetujuan rater (P0)
tertimbang (weighted) pada contoh di atas dengan
menggunakan persamaan 10.3 diperoleh hasil pada tabel
berikut:
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
Nilai probabilitas weighted adalah:

Nilai probabilitas harapan weighted ( ) dengan

menggunakan diperoleh hasil:
Nilai dari disajikan pada tabel berikut:
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
Nilai probabilitas harapan adalah:
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
Jadi nilai probabilitas harapan adalah sebesar 0,8618.
Nilai Weighted Kappa diperoleh hasil:

Analisis Rater |299
Berdasarkan hasil analisis rater antara validitor 1 dan

validator 2 diperoleh nilai Cohen Kappa tidak tertimbang
sebesar 0,157 dan tertimbang 0,189. Nilai Cohen Kappa yang
digunakan untuk mengukur layak dan tidak bahan ajar
suplemen bahasa indonesia adalah nilai Cohen Kappa
tertimbang (weighted Kappa) karena skala data yang
digunakan ordinal. Berdasarkan nilai weighted Kappa maka
bahan ajar suplemen bahasa dinilai tergolong buruk karena
nilai weighted Kappa . Sedangkan weighted Kappa
yang dianggap baik adalah berkisar antara
sehingga bahan ajar bahasa Indonesia di atas perlu direvisi.
Hasil analisis cohen kappa pada contoh tabulasi
di atas dengan menggunakan SPSS diperoleh hasil berikut:
Hasil analisis dengan aplikasi SPSS diperoleh nilai

koefisien Kappa sebesar 0,157. Nilai Kappa tersebut
merupakan nilai Kappa tidak tertimbang. Hal ini berarti
untuk tabulasi silang 2 x r atau penilaian persetujuan rater
untuk dua ahli dengan skala pengukuran ordinal pada
aplikasi SPSS tidak melakukan analisis koreksi kappa
(Weighted Kappa). Sehingga untuk analisis persetujuan
dengan skala penilaian ordinal maka tidak
direkomendasikan menggunakan aplikasi SPSS. Namun
pada skala nominal SPSS masih dapat digunakan untuk
analisis persetujuan rater tetapi dengan syarat jumlah penilai

harus dua. Perhitungan Weighted Kappa dengan skala
pengukura ordinal dapat dilakukan dengan menggunakan
aplikasi R Programming atau STATA.
C. Analisis Fleiss Kappa

Analisis kesepahaman/agreement untuk rater lebih
dari dua dan skala data nominal dengan kategori dua atau
lebih dapat dilakukan dengan menggunakan uji Fleiss’
Kappa. Persamaan yang digunakan untuk menghitung
Fleiss’ Kappa adalah:
∑ ∑
̅ ∑ (∑ ∑ )
̅ ∑
̅ ̅
̅
Nilai standar error dari Fleiss Kappa dapat dihitung dengan

formula berikut:
∑ ∑
∑
∑ (∑ ) ∑
∑
Analisis Rater |301
Analisis Fleiss Kappa (Manual)

Enam psikolog (penimbang/guru bimbingan dan
konseling) menilai 15 siswa yakni apakah mereka termasuk
ke dalam kategori takut, cemas, gemetar atau tidak
semuanya. Peringkat oleh penimbang disajikan pada Tabel
berikut:
Siswa Rater1 Rater2 Rater3 Rater4 Rater5 Rater6

1 Takut Cemas Takut Takut Cemas Takut
2 Cemas Takut Cemas Gemetaran Gemetaran Gemetaran
Tidak
3 Cemas Gemetaran Gemetaran Gemetaran Gemetaran
Semuanya
Tidak Tidak
4 Takut Takut Cemas Gemetaran
Semuanya Semuanya
5 Gemetaran Gemetaran Takut Gemetaran Gemetaran Gemetaran
Tidak Tidak Tidak Tidak Tidak
6 Gemetaran
Semuanya Semuanya Semuanya Semuanya Semuanya
Tidak
7 Takut Cemas Takut Cemas Cemas
Semuanya
8 Cemas Cemas Gemetaran Gemetaran Cemas Gemetaran
9 Cemas Cemas Gemetaran Gemetaran Gemetaran Gemetaran
Tidak Tidak Tidak
10 Gemetaran Gemetaran Gemetaran
Semuanya Semuanya Semuanya
11 Takut Takut Takut Gemetaran Gemetaran Takut
12 Cemas Cemas Cemas Cemas Takut Gemetaran
Tidak Tidak Tidak
13 Gemetaran Gemetaran Gemetaran
Semuanya Semuanya Semuanya
14 Takut Gemetaran Takut Takut Takut Gemetaran
Tidak
15 Takut Takut Cemas Cemas Gemetaran
Semuanya
Sebaran data pemeringkatan kondisi psikologis siswa:
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
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
̅ ( )
̅
Jadi nilai Fleiss Kappa ( ) sebesar 0,1782
Nilai standar error:
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:
∑
∑
∑
∑
Jika terdapat ties maka persamaan di atas akan menjadi:
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:
1. Analisis Kendall’s W (Manual)

Berikut disajikan data hasil penilaian para
ahli/rater terhadap instrumen model pembelajaran.
Tabel 11.1 Skor Model Pembelajaran
Items rater1 rater2 rater3 rater4

1 3 3 2 2
2 3 3 3 3
3 3 4 5 4
4 4 4 4 4
5 3 2 3 3
6 5 4 2 2
7 2 2 1 2
8 3 4 3 3
9 5 5 3 3
10 2 3 3 3
Berdasarkan data tersebut ujilah, apakah terdapat

kesamaan penilaian para ahli/rater pada model
pembelajaran tersebut.
Penyelesaian:
Data tersebut di atas dilakukan perengkingan seperti
berikut:
Items rater1 rater2 rater3 rater4

1 1,5 1,5 1 2 6,0
2 5 4 2,5 2 13,5
3 9,5 7,5 2,5 2 21,5
4 5 1,5 6 6 18,5
5 1,5 4 6 6 17,5
6 5 4 6 6 21,0
7 5 7,5 6 6 24,5
8 9,5 10 6 6 31,5
9 8 7,5 9 9,5 34,0
10 5 7,5 10 9,5 32,0
Analisis Rater |305
maka adalah:
Pada data di atas terdapat nilai rangking yang sama

(ties) maka nilai koefisien Kendall’s terkoreksi 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
Nilai koreksi adalah :
Rater1 0,5 10 0,5 0 0 0 0 0 0 0

Rater2 0,5 2 5 0 0 0 0 0 0 0
Rater3 0 0,5 0 10 0 0 0 0 0 0
Rater4 2 0 0 10 0 0 0 0 0,5 0
Nilai data di atas adalah

. Dengan nilai df tabel sebesar 9 maka diperoleh nilai
pada tingkat kepercayaan 5% sebesar 16,9189, sehingga
ditolak dan diterima yang berarti bahwa tidak
terdapat perbedaan rangking pada masing-masing rater.
2. Analisis Kendall’s W (SPSS)

Analisis Kendall’s pada data model
pembelajaran di atas dengan SPSS dapat dilakukan
dengan membentuk susunan data seperti berikut:
Analisis Kendall’s W dengan SPSS dapat dilakukan

dengan cara:
Analyze > Nonparametrik test > Legacy Dialogs > K
Related Samples
Centang Kendall’s W (seperti gambar) > OK
Hasil analisis data model pembelajaran di atas adalah:

Analisis Rater |307
E. Intraclass Correlation Coefficient

Intraclass correlation digunakan untuk menghitung
nilai reliabilitas untuk data kontinu atau skala rasio. Harris
(1913) dalam (Lin, Hedayat, Wu, 2012) mengembangkan
suatu formula sederhana untuk fungsi intraclass korelasi (a)
varians rata-rata masing-masing pengukuran dan (b) varians
total pengukuran. Fisher (1925) dalam (Lin, Hedayat, Wu.
2012:11) mengamati bahwa pengukuran varians dapat dibagi
menjadi dua komponen. Komponen pertama adalah varians
antar sampel setelah membuang residual varians, menurut
Fisher yang disebut A. Komponen kedua adalah residual
varians atau dalam sampel varians, yang disebut Fisher B.
Intraclass korelasi dapat dinyatakan sebagai (Holmes and
French, 2019):
Rater sebagai Random Efek

Konsistensi ICC untuk score rata-rata
Konsistensi ICC untuk score individual
Persetujuan/Agreement ICC untuk score rata-rata

Persetujuan/Agreement ICC untuk score individual
Rater sebagai Fixed Efek

Fisher (1925) dalam (Lin, Hedayat, Wu. 2012) mencatat
bahwa ICC dapat dihitung dengan menggunakan kuadrat
tengah dari analisis varians (Anova). Secara tradisional ICC
dalam bentuk aslinya didefi-nisikan sebagai varians antara
subjek dibagi dengan total varians dalam model,
mengabaikan pengaruh rater . ICC tradisional ini dapat
ditafsirkan dalam konsistensi rating atau keandalan
daripada rater agreement (Lin, Hedayat, Wu. 2012). Nilai
harapan dari pengamatan individu dalam model, Terlepas
dari data continyu, ordinal atau biner, adalah:
( )
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
3. : sama tetapi penilai/rater tidak dapat

dipertukarkan masing-masing target.
Konsistensi karena perbedaan sistematis antara
penilai tidak relevan (two way mixed effect).
Nilai kekuatan dari koefisien dapat dikelompokkan

dengan kriteria yaitu:
Intraclass correlation Strength of agreement

Poor
Fair
Moderate
Good
Excellent
Doi and Williams, (2013:24)
1. Analisis Intraclass Korelasi (Manual)

Contoh: Empat ahli/penimbang (validator) menilai
8 jenis evaluasi pendidikan berkaitan dengan kualitas
evaluasi dengan cara memasangkan skor dari 0 hingga 9
dengan peringkat seperti disajikan pada tabel berikut.
Masing-masing penimbang menguji tiap jenis evaluasi
sekali. Kita dapat menentukan apakah jenis-jenis
evaluasi pendidikan tersebut dapat ditimbang reliabel
oleh penimbang-penimbang berbeda.
Tabel 11.2 Sebaran Peringkat oleh Penimbang

terhadap Jenis Evaluasi
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
Hasil analisis varians data di atas adalah:
Sumber Variasi df SS MS F Nilai-p

Ahli 3 7,3438 2.44792 1,0731 0,3818
Jenis 7 188,22 26.88839 11,787 0,000005
Error 21 47,9063 2.28125
Total 31 243,4688
Berdasarkan analisis varians di atas, maka nilai intraclass

correlation adalah:
Analisis Rater |311
Hasil analisis Koefisien ICC untuk pengukuran tunggal

atau masing-masing penilai adalah 0,727688 dan secara
rata-rata sebesar 0,914450. Berdasarkan hasil penilaian
maka penilaian evaluasi tersebut tergolong baik karena
nilai besar dari 0,75.
2. Analisis Intraclass Korelasi (SPSS)

Dengan menggunakan aplikasi SPSS nilai intraclass
correlation (ICC) dapat dihitung dengan langkah:
Analize > Scale > Reliability Analysis > Statistic > ceklist
Intraclass correlation coefficient > Continue > Ok
Untuk lebih jelas lihat gambar berikut:
Hasil analisis koefisien ICC dari data di atas adalah:
↜oOo↝
DAFTAR PUSTAKA
Aggarwal C. Charu. 2017. Outlier Analysis. Switzerland:

Springer.
Agresti, A. 2002. Categorical Data Analysis. Hoboken, New

Jersey: John Wiley & Sons, Inc.
Ananda Rusydi, Fadhli Muhammad. 2018. Statistik

Pendidikan Teori dan Praktik dalam Pendidikan. Medan:
CV. Widya Puspita.
Arifin, Zainal. 2011. Evaluasi Pembelajaran. Bandung: Remaja

Rosdakarya.
Lomax G Richard. 2001. An Introduction to Statistical Concept

for Education and Behavioral Sciences. Alabama: Lawrence
Erlbaum Associate.
Black Ken. 2010. Business Statistics For Contemporary Decision

Making. USA: John Wiley & Sons, Inc.
Blerkom Van L. Malcom. 2016. Measurement and Statistics for

Teachers. New York: Routledge.
Boone and Sabo. 2013. Statistical Research Methods. New York

Heidelberg Dordrecht London: Springer.
Budiastuti Dyah dan Bandur Agustinus. 2018. Validitas dan

Reliabilitas Penelitian dengan Analisis dengan NVIVO,
SPSS dan AMOS. Jakarta: Mitra Wacana Media.
- 312 -
Daftar Pustaka |313
Creswell. J. 2012. Educational Research: Planning, Conducting,

and Evaluating Quantitative and Qualitative Research. New
York: Pearson Education Ltd.
Fauziyah, R. 2016. Efektivitas Penggunaan Modul untuk

Meningkatkan Hasil Belajar Mata Pelajaran Boga Dasar
Kelas X di SMK Negeri 1 Kalasan Yogyakarta. Skripsi.
Universitas Negeri Yogyakarta.
Fraenkel and Wallen. 2009. How to Design and Evaluate

Research in Education. New York: McGraw-Hill
Companies, Inc.
Franzese Monica and Iuliano Antonella. 2018. Descriptive

Statistics. Elsevier.
Furqon. 2004. Statistika Terapan untuk Penelitian. Bandung:

Alfabeta.
Gujarati Damodar. 2004. Econometric. The McGraw−Hill

Companies.
Hartono. 2015. Analisis Item Instrumen. Pekanbaru: Zanafa

Publisihing.
Hollander, Wolfe, Chicken. 2014. Nonparametric Statistical

Methods. Hoboken, New Jersey: John Wiley & Sons, Inc.
Holmes and French. 2019. Educational and Psychological

Measurement. New York and London: Taylor & Francis.
Hooda, P.R. 2017. Statistics in Education. New Delhi:

Publishing House Pvt. Ltd.
https://nces.ed.gov/surveys/hsb/.
Iskandar. 2009. Metodologi Penelitian Pendidikan dan Sosial

Kuantitatif dan Kualitatif. Jakarta: Gauang Persada Press.
Iskandar,. Sastradika, D. Jumadi, Pujianto, Defrianti, D.

Development of creative thinking skills through STEM-
based instruction in senior high school student. Journal
of Pshysics: Conference, 2020, 1567(4), 042043.
Iskandar, Nehru, Cicyn Riantoni. 2021. Metode Penelitian

Campuran: Konsep, Prosedur dan Contoh Penerapan. NEM.
Iskandar. 2021. Psikologi Pendidikan menghadapi Pembelajaran

Abad 21. Bekasi: Lenterata lintas Media.
Iskandar, Jumadi, Dedi Sastradika, Denny Defrianti.

Development of TPACK and EQ-based 21st century
lerarning through the teacher certifification programme
in Indonesia. South African Journal of Education, Volume
41, Suplement 2, Desember 2021.
Krippendorff Klaus, 2004. Content Analysis An Introduction to Its

Methodology. United Kingdom: Sage Publications, Inc.
Kuby. 2012. Elementary Statistics. USA: Richard Stratton.
Kusaeri. 2014. Acuan dan teknik Penilaian Proses & Hasil Belajar
Kurikulum 2013. Yogyakarta: Ar-Ruzz Media.
Larson-Hall Jenifer. 2009. A Guide to Doing Statistics in Second

Language Research Using SPSS. UK: Taylor & Francis.
Lin, Hedayat, Wu. 2012. Statistical Tools for Measuring

Agreement. USA: Springer.
Malik Adam dan Chusni Minan, M. 2018. Pengantar Statistika

Pendidikan. Yogyakarta: Deepublish.
M. Adrizal, Iskandar, M. Ilham. 2021. The Effect of Android-

Based Learning Media on Student Cognitive Levels in Sprots
Physiology. Published by AtlantisPress.
Daftar Pustaka |315
Marshall Gill dan Jonker Leon. 2009. An introduction to

descriptive statistics: A review and practical guide.
Journal Radiography. Elsevier.
Maryono. 2008. Pengaruh Kemampuan Penguasaan Sistem
Informasi terhadap Produktivitas Kerja Pegawai pada
Kantor Kesatuan Bangsa, Politik dan Perlindungan
Masyarakat Kabupaten Lebong. Skripsi. Fakultas
Ekonomi Universitas Muhammadiyah Bengkulu.
Mundir. 2012. Statistik Pendidikan Pengantar Analisis Data
untuk Penulisan Skripsi dan Tesis. STAIN Jember Press.
Nalim Yusuf dan Turmudi Salafudin. 2012. Statistik
Deskriptif. Pekalongan: STAIN Pekalongan Press.
Nugroho. 2008. Dasar-dasar Rancangan Percobaan. Bengkulu:
UNIB Press.
Peck Roxy, Olsen Chris dan Devore Jay. 2008. Introduction to
Statistics and Data Analysis. United States of America:
Thomson Brooks/Cole.
Peers.IS. 2006. Statistical Analysis for Education and Psychology
Researchers. London: Falmer Press.
Pramudyani Risti Vera Avanti. 2018. Penelitian Pendidikan.
Yogyakarta: Suryacahya.
Quin P. Gerry and Keough J.Michael. 2002. Experimental
Design and Data Analysis for Biologists. Cambridge
University Press.
Secolsky Charles and Denison Brian D. 2012. Handbook on

Measurement, Assessment, and Evaluation in Higher
Education. New York: Routledge.
Septyani Dwi Suryani. 2016. Pengembangan Buku Suplemen
Muatan Pelajaran Bahasa Indonesia untuk Siswa Kelas
II Semester 2 Sekolah Dasar Negeri Broto. Skripsi.

Universitas Sanata Dharma Yogyakarta.
Soh Kaycheng, 2016. Understanding Test and Exam Results

Statistically. Singapura: Springer.
Sudarmanto R. Gunawan. 2011. Analisis Varians Desain

Faktorial dan Penelitian Eksperimen dalam Pendidikan.
http://staff.unila.ac.id/radengunawan/category/mk2
/statistik-aplikasi-penelitian/.
Sudijono, Anas. 2012. Pengantar Statistik Pendidikan. Jakarta:

Rajawali Press.
Sugiyono. 2019. Statistika untuk Penelitian. Bandung: Alfabeta.
Thode, C.H. 2002. Testing for Normality. New York, USA:

Marcel Dekker Inc.
Toutenburg and Shalabh. 2009. Statistical Analysis of Designed

Experiments. New York Dordrecht Heidelberg London:
Springer.
↜oOo↝
Lampiran 1 Data yang Digunakan dalam Contoh
Data set 1. data HSB
Status sosial Tipe Natural

Gender Ras Program Membaca Menulis Matematika Sosial sains
ekonomi sekolah sains
0 4 1 1 1 57 52 41 47 57
1 4 2 1 3 68 59 53 63 61
0 4 3 1 1 44 33 54 58 31
0 4 3 1 3 63 44 47 53 56
0 4 2 1 2 47 52 57 53 61
0 4 2 1 2 44 52 51 63 61
0 3 2 1 1 50 59 42 53 61
0 1 2 1 2 34 46 45 39 36
0 4 2 1 1 63 57 54 58 51
0 3 2 1 2 57 55 52 50 51
0 4 2 1 3 60 46 51 53 61
0 4 2 1 2 57 65 51 63 61
0 4 3 1 2 73 60 71 61 71
0 4 3 1 2 54 63 57 55 46
0 3 1 1 2 45 57 50 31 56
0 4 1 1 1 42 49 43 50 56
0 4 3 1 2 47 52 51 50 56
0 4 2 2 1 57 57 60 58 56
0 4 3 1 2 68 65 62 55 61
0 4 2 1 1 55 39 57 53 46
0 4 2 1 1 63 49 35 66 41
0 4 2 1 3 63 63 75 72 66
0 3 2 1 2 50 40 45 55 56
0 1 3 1 2 60 52 57 61 61
0 1 2 1 3 37 44 45 39 46
0 3 2 1 3 34 37 46 39 31
0 4 3 1 2 65 65 66 61 66
0 4 2 2 3 47 57 57 58 46
0 4 3 2 2 44 38 49 39 46
0 2 1 1 1 52 44 49 55 41
0 4 2 1 1 42 31 57 47 51
0 4 3 1 2 76 52 64 64 61
0 4 3 2 2 65 67 63 66 71
0 4 2 1 3 42 41 57 72 31
0 4 3 2 2 52 59 50 61 61
0 4 3 1 1 60 65 58 61 66
0 4 2 2 2 68 54 75 66 66
0 4 3 1 2 65 62 68 66 66
0 1 1 1 3 47 31 44 36 36
0 4 2 1 3 39 31 40 39 51
0 4 2 2 2 47 47 41 42 51
0 4 2 2 2 55 59 62 58 51
0 4 2 1 2 52 54 57 55 51
0 3 1 1 1 42 41 43 50 41
0 4 3 1 1 65 65 48 63 66
0 4 1 1 1 55 59 63 69 46
0 3 3 1 3 50 40 39 49 47
0 4 2 1 2 65 59 70 63 51
0 4 2 2 2 47 59 63 53 46
0 1 2 1 2 57 54 59 47 51
0 2 2 1 2 53 61 61 57 56
0 4 3 1 2 39 33 38 47 41
0 1 2 1 1 44 44 61 50 46
0 4 2 2 2 63 59 49 55 71
0 4 2 1 2 73 62 73 69 66
0 1 3 1 3 39 39 44 26 42
0 4 1 1 3 37 37 42 33 32
0 1 2 1 3 42 39 39 56 46
0 4 2 2 2 63 57 55 58 41
0 1 2 1 3 48 49 52 44 51
0 4 2 2 2 50 46 45 58 61
0 4 3 1 2 47 62 61 69 66
0 4 1 1 1 44 44 39 34 46
0 4 2 1 1 34 33 41 36 36
0 4 3 2 2 50 42 50 36 61
0 4 2 1 3 44 41 40 50 26
0 4 2 1 2 60 54 60 55 66
0 4 1 1 3 47 39 47 42 26
0 4 1 1 2 63 43 59 65 44
0 1 2 1 3 50 33 49 44 36
0 4 2 1 1 44 44 46 39 51
0 4 3 1 2 60 54 58 58 61
0 4 2 1 2 73 67 71 63 66
0 4 2 1 1 68 59 58 74 66
0 4 2 1 3 55 45 46 58 51
0 1 1 1 2 47 40 43 45 31
0 4 3 1 2 55 61 54 49 61
0 4 3 1 1 68 59 56 63 66
0 4 2 1 3 31 36 46 39 46
0 1 3 1 2 47 41 54 42 56
0 4 3 1 2 63 59 57 55 56
0 4 1 1 3 36 49 54 61 36
0 4 2 2 2 68 59 71 66 56
0 1 1 1 2 63 65 48 63 56
0 4 2 1 3 55 41 40 44 41
0 4 3 1 2 55 62 64 63 66
0 4 3 1 2 52 41 51 53 56
0 4 3 1 3 34 49 39 42 56
0 4 2 1 3 50 31 40 34 31
0 4 3 1 2 55 49 61 61 56
0 2 2 1 2 52 62 66 47 46
0 4 1 1 1 63 49 49 66 46
1 4 3 1 2 68 62 65 69 61
1 1 1 1 2 39 44 52 44 48
1 4 1 1 1 44 44 46 47 51
1 4 1 1 1 50 62 61 63 51
1 4 2 1 2 71 65 72 66 56
1 4 3 1 2 63 65 71 69 71
1 1 1 1 3 34 44 40 39 41
1 4 3 2 2 63 63 69 61 61
1 4 3 1 2 68 60 64 69 66
1 4 3 1 1 47 59 56 66 61
1 3 1 1 2 47 46 49 33 41
1 4 3 1 2 63 52 54 50 51
1 4 2 1 2 52 59 53 61 51
1 4 2 1 2 55 54 66 42 56
1 4 3 1 2 60 62 67 50 56
1 4 1 1 3 35 35 40 51 33
1 3 1 2 1 47 54 46 50 56
1 4 3 2 2 71 65 69 58 71
1 4 2 1 3 57 52 40 61 56
1 1 1 1 2 44 50 41 39 51
1 4 3 1 2 65 59 57 46 66
1 4 1 1 2 68 65 58 59 56
1 1 3 2 2 73 61 57 55 66
1 4 2 1 3 36 44 37 42 41
1 4 3 1 1 43 54 55 55 46
1 4 3 1 2 73 67 62 58 66
1 4 1 1 2 52 57 64 58 56
1 3 1 1 3 41 47 40 39 51
1 1 1 2 1 60 54 50 50 51
1 4 2 1 1 50 52 46 50 56
1 4 2 1 2 50 52 53 39 56
1 4 2 1 3 47 46 52 48 46
1 3 1 1 3 47 62 45 34 46
1 4 3 1 2 55 57 56 58 61
1 4 2 1 2 50 41 45 44 56
1 2 2 1 1 39 53 54 50 41
1 4 3 1 3 50 49 56 47 46
1 3 1 1 3 34 35 41 29 26
1 4 2 1 2 57 59 54 50 56
1 2 1 1 2 57 65 72 54 56
1 4 2 1 3 68 62 56 50 51
1 4 2 1 3 42 54 47 47 46
1 4 1 1 2 61 59 49 44 66
1 4 3 1 2 76 63 60 67 66
1 4 2 2 2 47 59 54 58 46
1 3 2 1 3 46 52 55 44 56
1 1 2 1 3 39 41 33 42 41
1 3 2 2 2 52 49 49 44 61
1 1 1 1 1 28 46 43 44 51
1 4 3 1 2 42 54 50 50 52
1 4 2 1 3 47 42 52 39 51
1 1 2 1 2 47 57 48 44 41
1 4 2 1 2 52 59 58 53 66
1 4 3 2 2 47 52 43 48 61
1 4 2 1 3 50 62 41 55 31
1 4 2 2 2 44 52 43 44 51
1 1 1 1 2 47 41 46 40 41
1 3 1 1 2 45 55 44 34 41
1 3 1 1 2 47 37 43 42 46
1 4 3 1 2 65 54 61 58 56
1 4 2 1 3 43 57 40 50 51
1 1 2 1 1 47 54 49 53 61
1 4 2 1 1 57 62 56 58 66
1 4 2 1 2 68 59 61 55 71
1 4 2 1 3 52 55 50 54 61
1 4 2 1 3 42 57 51 47 61
1 4 2 1 1 42 39 42 42 41
1 3 3 1 2 66 67 67 61 66
1 4 1 1 2 47 62 53 53 61
1 4 2 1 2 57 50 50 51 58
1 4 3 2 2 47 61 51 63 31
1 4 1 1 2 57 62 72 61 61
1 4 2 1 2 52 59 48 55 61
1 4 1 1 3 44 44 40 40 31
1 4 2 1 2 50 59 53 61 61
1 4 1 1 1 39 54 39 47 36
1 4 2 2 2 57 62 63 55 41
1 4 1 1 3 57 60 51 53 37
1 4 1 1 1 42 57 45 50 43
1 1 2 1 3 47 46 39 47 61
1 3 3 1 1 42 36 42 31 39
1 2 3 1 2 60 59 62 61 51
1 3 1 1 1 44 49 44 35 51
1 4 1 1 2 63 60 65 54 66
1 4 2 1 2 65 67 63 55 71
1 4 2 1 2 39 54 54 53 41
1 4 3 1 3 50 52 45 58 36
1 4 1 1 1 52 65 60 56 51
1 4 2 1 2 60 62 49 50 51
1 4 2 2 2 44 49 48 39 51
1 4 3 1 1 52 67 57 63 61
1 4 2 1 2 55 65 55 50 61
1 2 3 1 3 50 67 66 66 56
1 2 1 1 2 65 65 64 58 71
1 4 2 1 1 52 54 55 53 51
1 2 2 1 1 47 44 42 42 36
1 4 3 2 2 63 62 56 55 61
1 3 1 1 2 50 46 53 53 66
1 4 1 1 3 42 54 41 42 41
1 4 3 2 1 36 57 42 50 41
1 4 2 2 3 50 52 53 55 56
1 2 3 1 2 41 59 42 34 51
1 4 2 2 2 47 65 60 50 56
1 2 2 2 1 55 59 52 42 56
1 4 2 1 3 42 46 38 36 46
1 4 2 2 1 57 41 57 55 52
1 4 2 1 1 55 62 58 58 61
1 4 3 1 2 63 65 65 53 61
Sumber: https://nces.ed.gov/surveys/hsb/
Lampiran 2 Kuesioner
PENGUASAAN TEKNOLOGI INFORMASI

TERHADAP PENINGKATAN KINERJA
Berilah tanda (√) pada salah satu alternatif jawaban mengenai

pertanyaan yang ada.
1. Penguasaan Teknologi (X)

No Pertanyaan SM M N TM STM
Apakah bapak/ibu
menguasai teknologi
1 informasi di tempat bekerja
dengan teknologi yang
mutakhir?
Apakah bapak/ibu
menguasai teknologi
sehingga data yang diolah
dapat diandalkan?
Apakah bapak/ibu
menguasai teknologi
sehingga data yang
dihasilkan lengkap?
Apakah bapak/ibu
menguasai teknologi
sehingga dapat mengolah
data secara faktual?
Apakah bapak/ibu
menguasai teknologi
dengan mengolah data
dengan akurasi yang tinggi?
Keterangan:
SM = Sangat Mengerti
M = Mengerti
N = Netral
TM = Tidak Mengerti
STM = Sangat Tidak Mengerti
2. Peningkatan Kinerja (Y)

No Pertanyaan SM M N TM STM
Apakah bapak/ibu
mampu menyelesai kan
1
pekerjaan dengan hasil
yang baik?
Apakah bapak/ibu
2
pekerjaan dengan
efisien?
Apakah bapak/ibu
mampu membuat
metode tersendiri untuk
3
melaksanakan tugas
agar dapat diselesaikan
dengan baik?
Apakah bapak/ibu
mampu mempertang-
4 gungjawabkan
pekerjaan yang telah
diselesaikan?
Apakah bapak/ibu
5
suatu pekerjaan yang
diberikan secara efektif?
Keterangan:
SM = Sangat Mampu
M = Mampu
N = Netral
TM = Tidak Mampu
STM = Sangat Tidak Mampu
Lampiran 3 Daftar Tabel
Tabel t 5
Sumber: Jhonson and Kuby, 2012

Luas Area di Bawah Kurva Normal

Nilai Distribusi Normal

Tabel chi-Square

Tabel F 5%

Tabel F 5% (Lanjutan)

Tabel F 1%

Tabel F 1% Lanjutan

Tabel Korelasi Pearson

Tabel Korelasi Spearman

Tentang Penulis
Iskandar, S.Ag., M.Pd., M.S.I., M.H.,

Ph.D., lahir di Kerinci, Ujung Pasir 24 Desember
1975, saat ini bekerja sebagai Dosen UIN Sulthan
Thaha Saifuddin Jambi dengan jabatan sebagai
Dekan Fakultas Sains dan Teknologi UIN Sulthan
Thaha Saifuddin Jambi 2019-2023.
Karier pendidikannya dimulai dari SDN
105/III Ujung Pasir (1980 s/d 1987); SMPN
Tanjung Tanah (1987 s/d 1990); MAN Sebukar (1990 s/d 1993); S1
Pendidikan Bahasa Arab Fakultas Tarbiyah IAIN STS Jambi (1994
s/d 1998); S2 Administrasi Pendidikan Pascasarjana Universitas
Negeri Padang (2003 s/d 2005); S2 Sistem Informasi Dinamika
Bangsa Jambi (2016 s/d 2018); S2 Ilmu Hukum Pascasarjana
Universitas Batanghari (2019 s/d 2022); S3 Psikologi Pendidikan
Universitas Kebangsaan Malaysia (2005 s/d 2009).
Iskandar mengawali kariernya akademisi setelah menyelesaikan
Program Doktor di Universitas Kebangasaan Malaysia di awal 2009
menjadi tenaga honorer sebagai Staf Ahli Rektor IAIN STS Jambi,
Staf Ahli Komisi IV DPRD Provinsi Jambi 2009 s/d 2010; Dosen
Yayasan Universita Batanghari 2009 s/d 2010, Dosen STIT dan
STKIP Al Azhar Dinniyah Jambi 2010 s/d 2012, Dosen IAIN/UIN
STS Jambi 2009 s/d Sekarang.
Kemampuan manajerial suami dari Denny Defrianti, S.Sos.,
M.Pd. dan ayah dari Shanum Azzahra Faizah, nyata terlihat dari
jabatan yang pernah diemban di IAIN/UIN STS Jambi dimulai
sebagai Staf Ahli Rektor IAIN STS Jambi (2009 s/d 2011); Sekretaris
Lembaga Pengembangan IAIN STS Jambi (2011 s/d 2012); Ketua
Lembaga Penjaminan Mutu (LPM) IAIN/UIN STS Jambi (2012 s/d
2018); Kepala Satuan Pengawasan Internal (SPI) UIN STS Jambi
(2018 s/d 2019); dan Dekan Fakultas Sains dan Teknologi UIN STS
Jambi (2019 s/d 2023).
Putra ke-3 H, Nazahari Syarif (Ayah Almarhum) dan Hj. Juarah
(Ibu), serta Dr. Askar Jaya, S.Sos., M.M. (Kakak); Syafri Juana, S.Pd.,
M.Pd., (Kakak); Maswati, S.Pd. (Adik); Dr. Ronal Regen, S.E., M.Si.
(Adik), telah melahirkan banyak karya ilmiah, di antaranya:
Metodologi Penelitian Pendidikan dan Sosial (Kuantitatif dan
Kualitatif) (Buku 2009); Psikologi Pendidikan Sebuah Orientasi Baru
(Buku 2009); Penelitian Tindakan Kelas (Buku 2010); Orientasi Baru
Supervisi Pendidikan (Buku 2010); Desain Pembelajaran berbasis TIK
(Buku 2011); Metodologi Penelitian Kualitatif (Buku 2011); Metode
Penelitian Campuran (Mixed Method Research), (Buku Referensi,
2021); Psikologi Pendidikan “Menghadapi Pembelajaran Abad 21”
(Buku Referensi, 2021); Kecerdasan Ruhiologi dalam Dimensi
Perilaku Keberagamaan (Buku Monograf, 2021); Statistik Pendidikan:
Teori dan Aplikasi SPSS (Buku Referensi, 2022).
Iskandar juga banyak melakukan penelitian dan hasil
penelitiannya dipublikasikan di jurnal nasional maupun Internasional
yang terindeks Shinta maupun Scopus.
Semua Karya Ilmiah dapat dilihat di:
ID Scopus:
https://www.scopus.com/authid/detail.uri?authorId=57210653651
ID Google Schoolar:
https://scholar.google.co.id/citations?hl=id&user=SBFsepwAAAAJ
ID Orcid : https://orcid.org/0000-0002-9912-8527
Dr. Askar Jaya, S.Sos., M.M., lahir di

Kerinci, 12 Juni 1971. Sarjana Sekolah Tinggi
Ilmu Administrasi Lembaga Administrasi Negara
Bandung, 2000. Magister Manajemen Universitas
Negeri Padang, 2003. Doktor Ilmu Perencanaan
Pembangunan Wilayah dan Perdesaan Institut
Pertanian Bogor (IPB), 2009.
Mengajar mata kuliah antara lain; Metode
Penelitian Sosial, Statistika Dasar, Manajemen
Strategik, Perencanaan Pembangunan, AMDAL, MSDM, serta
membimbing, menguji (S1, S2) di berbagai perguruan tinggi negeri
dan swasta.
Bekerja sebagai Aparatur Sipil Negara (ASN) antara lain; Kepala
Bidang Badan Perencanaan Pembangunan Daerah, Kepala Unit Kerja
Pengadaan Barang/Jasa (UKPBJ), Asisten Administrasi Umum
Sekretariat Daerah Kerinci, dan sekarang sebagai Kepala Dinas
Lingkungan Hidup Pemerintah Kabupaten Kerinci. Selain itu, ia aktif
menulis dan sering menjadi pembicara pada seminar-seminar dan
lokakarya nasional.
Karya yang telah diterbitkan antara lain: Konsep Pembangunan
Berkelanjutan, Integrasi Harga Komoditas Kayu Manis Rakyat
terhadap Pasar Internasional, Keterkaitan dan Multiplier Effect Sektor
Perekonomian Wilayah, Kebocoran Wilayah dalam sistem Agribisnis
Komoditas Kayu Manis serta Dampak Pengembangan Komoditas
Kayu Manis terhadap Perekonomian Wilayah Kabupaten Kerinci
Provinsi Jambi.
Rini Warti, S.Si., M.Si., lahir di Jambi, 6

September 1979, S1 Sarjana Sains Matematika
Universitas Sriwijaya Palembang, tahun 2003; S2
Magister Sains SPs IPB Prodi Statistik Terapan –
Bogor tahun 2010, dan saat ini sedang proses
penyelesaian Program Doktor bidang Statistika
dan Sains Data di Institut Pertanian Bogor.
Bekerja sebagai Dosen Prodi Tadris
Matematika Fakultas Tarbiyah dan Keguruan UIN Sulthan Thaha
Saifuddin Jambi
Pengalaman Publikasi Ilmiah:
1. Rini Warti, Ali Murtadlo, Riska Amalia, Vinny Yuliani Sundara,
Kaspul Anwar
Student’s Preferences for Lecturers with Conjoint Analysis
DOI: 10.5220/0008524204910495 in Proceedings of the
International Conference on Mathematics and Islam (ICMIs
2018), pages 491-495.
2. Rini Warti, Anang Kurnia, Kusman Sadik
Evaluation of Proportional Odds and Continuation Ratio
Models for Smoker in Indonesia DOI: 10.4108/eai.2-8-
2019.2290483 ICSA 2019: Proceedings of the 1st International
Conference on Statistics and Analytics, page 21-27.
3. Vinny Yuliani Sundara, Rini Warti, Ainun Mardia
Simulasi Metode Resampling dan Pendugaan Data Hilang
Terbaik Jurnal Riset dan Aplikasi Matematika (JRAM), Vol. 3
No. 2 (2019), hal 101-10.
Zaini, S.Hut., dilahirkan di Kerinci dan
menamatkan pendidikan sarjana Kehutanan di
Universitas Bengkulu. Kecintaan penulis dengan
Ilmu Statistika sangat tinggi. Sejak semester 4
penulis telah mulai berprofesi sebagai data analis
baik data analis bidang pendidikan, ekonomi,
pertanian, kesehatan dan lain-lain. Pada tahun 2009, penulis pernah
bekerja sebagai peneliti di Perusahaan Sinar Mas Group.

Ebook Statistik Pendidikan (Teori Dan Aplikasi SPSS)

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

Ebook Statistik Pendidikan (Teori Dan Aplikasi SPSS)

Diunggah oleh

Hak Cipta:

Format Tersedia

Iskandar, S.Ag., M.Pd., M.S.I., M.H., Ph.D.

Dr. Askar Jaya, S.Sos., M.M.

1. Barang siapa dengan sengaja dan tanpa hak melakukan

Setting Lay-out & Cover:

Hak Cipta dilindungi oleh Undang-Undang.

Cetakan ke-1, Maret 2022

Syukur alhamdulillah ke hadirat Allah Swt. atas ridho

Jambi, Maret 2022

Iskandar, S.Ag., M.Pd., M.S.I., M.H., Ph.D.

BAB 2 PENGENALAN SOFTWARE STATISTIK SPSS __ 16

BAB 3 DESKRIPTIF STATISTIK __ 21

BAB 4 UJI HIPOTESIS __ 52

BAB 5 KORELASI __ 110

BAB 6 REGRESI LINEAR SEDERHANA __ 131

BAB 7 REGRESI LINEAR BERGANDA __ 154

BAB 8 ANALISIS VARIANS __ 201

BAB 9 ANALISIS BUTIR SOAL __ 244

BAB 10 ANALISIS INSTRUMEN PENELITIAN __ 262

BAB 11 ANALISIS RATER __ 286

mudah dipahami dengan menyajikan data dalam bentuk

adalah untuk menyampaikan informasi, untuk memahami

masalah yang bersangkutan atau dalam bentuk generalisasi

keberhasilan hasil belajar dari sejumlah tes soal pada siswa.

model dan teknik pembelajaran harus dievaluasi terlebih

Variasi dari karakter populasi dalam suatu sistem

hanya menggambarkan kondisi populasi yang diwakili oleh

Tabel 1.1 Bentuk Uji Hipotesis dan

Hipotesis Null ( ) Hipotesis Alternatif ( )

Setelah hipotesis dibuat, kemudian tentukan kriteria uji

D. Metode Analisis Data

populasi sesuai dengan variabel yang diamati. Suatu

Sampling harus efisien, yang berarti bahwa sampel

pengelompokan manusia berdasarkan jenis kelamin

likert dan bisa juga diperoleh dengan cara

Perkembangan teknologi di bidang komputer

A. Menu Bar SPSS

Menu bar of SPSS user interface:

Transform : Operasi lebih lanjut tentang data yang meliputi

B. Entri Data SPSS

4. Klik Files of Type dan Ubah SPSS Statistic (*Sav) menjadi

import dalam SPSS, sebagai berikut (sebagai contoh data

5. Setelah file dipilih kemudian klik Open

Lalu klik OK, dan data anda sudah selesai di import ke

8. Lalu simpan data yang telah diimport tersebut dengan

Statistika Deskriptif digunakan untuk mendiskripsikan

lebih karakter populasi untuk diambil deskripsinya lebih

B. Pemusatan dan Penyebaran Data

yang merupakan nilai dari titik tengah suatu set data.

Standar deviasi ( atau ) merupakan ukuran dari akar

Tingkat keyakinan 95% interval rata-rata digunakan

Tabel 3.1 Parameter Umum Populasi dalam Sampel Statistik

Aspek lain yang juga dianggap penting dalam

Dengan adalah deviasi normal atau skors deviasi normal.

Tabel 3.2 Kecerdasan Emosi, Kepuasan Kerja,

Kecerdasan Kepuasan Komitmen

Standar error rata-rata ( ):

Koefisien variasi (CV):

2. Analisis Deskriptif (Menggunakan SPSS)

a. Analyze > Descriptive Statistic > Descriptive >

C. Tabulasi Silang/Cross Tabulasi

ras kita jadikan baris, kemudian matriks di dalamnya adalah

Jenis Kelamin Rata Standar Deviasi

Berdasarkan pengolahan data pada tabel 3.2