BAHAN AJAR

STATISTIKA
KELOMPOK 5

PRODI PENDIDIKAN FISIKA – UNIVERSITAS NEGERI MEDAN

 DISUSUN OLEH:

KELOMPOK 5:

DAYANG ALDINA (4232421018)

FADHILLAH RAIHANA (4233121076)

INA ANHAR (4232121003)

KANIA DESMAWATI GULTOM (4233121067)

 KATA PENGANTAR

Puji dan syukur saya panjatkan ke hadirat Tuhan

Yang Maha Esa atas berkat dan rahmatNya sehingga
penulis dapat menyelesaikan buku yang berjudul " Bahan
Ajar Statistika ". Pembuatan buku bahan ajar ini
diselesaikan sesuai dengan jadwal yang telah ditentukan
untuk memenuhi tugas mata kuliah Statistika Dasar.

Pada kesempatan ini penulis mengucapkan terima

kasih yang sebesar - besarnya khususnya kepada Bapak
Dr. Jurubahasa Sinuraya, M.Pd. Selaku dosen pengampu
mata kuliah Statistika Dasar atas arahan dan
bimbingannya dalam mengerjakan tugas ini. Penulis
mengucapkan terima kasih juga kepada semua pihak yang
turut membantu dalam proses penyelesaian tugas ini.

Berbagai sumber referensi dasar dan esensial yang

relevan dari artikel ilmiah, buku statistika, dan berbagai
website yang sengaja dipilih dan digunakan untuk
memperkuat pembahasan dan membangun kerangka
penyajian yang komprehensif dipahami dan dapat
memenuhi harapan pembaca.

ii
 Penulis menyadari bahwa dalam penulisan buku
bahan ajar ini masih banyak kekurangan dan
ketidaksempurnaan, baik dari segi materi maupun teknik
penyajiannya. Oleh sebab itu, penulis mengharapkan
kritik dan saran dari pembaca yang bersifat membangun
agar penulisan bahan ajar ini menjadi lebih baik lagi ke
depannya.

Besar harapan penulis semoga penyajian buku

bahan ajar ini dapat memberikan manfaat dan dapat
menambah wawasan pembaca. Penulis memohon maaf
apabila terdapat kesalahan dan kata-kata yang tidak
berkenan dalam penulisan bahan ajar ini. Akhir kata,
penulis ucapkan terima kasih.

Medan, Desember 2023

Penulis

iii
 DAFTAR ISI

Kata Pengantar .............................................................. ii

Daftar Isi ...................................................................... iv
Bab I-Pendahuluan ........................................................ 1
Bab II-Data Dan Pengukurannya .................................. 6
Bab III-Uji Tendensi Sentral ....................................... 14
Bab IV-Standar Deviasi dan Standar Skor.................. 25
Bab V-Uji Normalitas dan Homogenitas Data ........... 32
Bab VI-Pengujian Hipotesis dengan Uji T ................. 42
Bab VII-Analisis Varians (Anava) 1 Jalur .................. 49
Bab VIII-Analisis Regresi........................................... 56
Bab IX-Analisis Korelasi Berganda............................ 63
Bab X- Statistika Non Parametrik (Uji Chi Kuadrat) . 71
Bab XI-Koreksi Yates ................................................. 83
Daftar Pustaka ............................................................... v

iv
 BAB I

PENDAHULUAN

1.1 Pengertian Statistik dan Statistika

1.1.1 Pengertian Statistik

Ada beberapa pengertian statistik, yaitu:

• Kumpulan fakta dalam berbentuk angka yang

disusun dalam tabel, dan atau diagram (Sudjana,
1992).
• Beberapa rumus utk perhitungan secara numerik dan
beberapa rumus.
• Ukuran sebagai wakil dari kumpulan data mengenali
sesuatu hal (persen, rerata, median, modus dan lain
sebagainya)

Secara umum, statistik dapat diartikan sebagai

kumpulan fakta yang berbentuk angka-angka yang
disusun dalam bentuk daftar atau tabel yang
menggambarkan suatu persoalan.

1
1.1.2 Pengertian Statistika

Pengetahuan yang berhubungan dengan cara-rara

pengumpulan fakta, pengolahan serta analisisnya,
penarikan kesimpulan serta pembuatan keputusan yang
cukup beralasan fakta atas dasar penganalisisisan yang
dilakukan.

Contoh:

Hasil perhitungan:

Mean motivasi belajar mahasiswa diperoleh:

Mean (Rata-rata) = 95 (Statistik)

Simpulan dari angka 95: “motivasi belajar siswa

sangat baik” (deskripsi simpulan berdasarkan data
dinamakan statistika)

1.1.3 Pengelompokan Statistika

1. Statistik deskriptif

Statistik deskriptif adalah statistik yang digunakan

untuk menganalisis data dengan cara mendeskripsikan
atau menggambarkan data yang telah terkumpul

2
sebagaimana adanya tanpa bermaksud membuat
kesimpulan yang berlaku untuk umum. Penyajian data
jenis ini dapat melalui table, grafik, diagram lingkaran,
piktogram, perhitungan modus, median, mean, desil,
persentil, penyebaran data melalui perhitungan rata-rata
dan standard deviasi, perhitungan persentase dll.

2. Statistika Inferensial

Statistika inferensial adalah jenis metode statistika

yang melibatkan proses sampling, dimana kelompok kecil
disebut sampel dan kelompok asalnya (kelompok besar)
disebut populasi. Terdapat kesimpulan di akhir, serta
dapat digeneralisasi pada populasi sasaran.

1.2 Fungsi Statistika

Berikut adalah fungsi statistika:

• Sebagai pijakan untuk pengambilan keputusan.

• Bank Data
• Alat kontrol kualitas (quality control)
• Sebagai metode pengolahan data

3
• Mengubah data menjadi informasi yang dapat
dipahami

1.3 Manfaat Statistika

Adapun manfaat statistika, yaitu:

• Penyedia data yang kredibel

• Menganalisis data dengan tepat
• Menginterpretasikan data dengan tepat
• Menarik kesimpulan yang logis dan faktual
• Memprediksi keadaan di masa mendatang
• Membantu mengambil keputusan

4
RANGKUMAN

1) Pengertian Statistika Pengetahuan yang berhubungan

dengan cara-rara pengumpulan fakta, pengolahan serta
analisisnya, penarikan kesimpulan serta pembuatan
keputusan yang cukup beralasan fakta atas dasar
penganalisisan yang dilakukan.
2) Pengelompokan Statistika yaitu statistik deskriptif, dan
statistika inferensial.

5
 BAB II

DATA DAN PENGUKURANNYA

2.1 Data dan Pengumpulannya

Data adalah keterangan mengenai sesuatu yang

dibuat dalam bentuk angka-angka (bilangan) atau dibuat
dalam bukan angka-angka. Data berbentuk bilangan
dinamakan data kuantitatif, sedangkan data berbentuk
bukan bilangan dinamakan data kualitatif.

Ada beberapa cara untuk mengumpulkan data,

yaitu:

1) Wawancara (interview)
2) Daftar-daftar pertanyaan (questionaries) juga
dinamakan angket
3) Tes hasil belajar, dan
4) Pencatatan dokumen atau buku/brosur/ majalah.

2.2 Pengukuran dan Skala Penilaian

Pengukuran adalah pengamatan/observasi yang

dikuantisasikan atau dikategorikan (Hopkins dan Glass,

6
dalam Ardhana, 1987). Apabila hasil-hasil pengukuran
ini berbeda diantara masing-masing satuan pengukuran
itu maka observasi semacam itu dinamakan variabel.

Variabel dapat didefinisikan sebagai ciri satuan

pengamatan /observasi yang tidak uniform sifatnya,
sedangkan satuan-satuan observasi adalah satuan-satuan
yang merupakan suatu keseluruhan yang utuh. Atas dasar
satuan-satuan inilah observasi dilakukan.

Ada 5 tingkatan atau skala pengukuran, mulai dari

deskripsi yang paling kasar sampai tingkat atau skala yang
paling rumit:

1) Skala nominal (didasarkan atas kategori)

2) Skala ordinal (didasarkan atas urutan atau ranking)
3) Skala interval (didasarkan atas unit-unit
4) Pengukuran yang sama)
5) Skala rasio (didasarkan skala interval dengan nol
mutlak)

7
2.3 Pembulatan Bilangan

Dalam perhitungan matematika, terdapat aturan

bilangan. Biasanya, pembulatan bilangan digunakan
untuk memudahkan suatu bilangan ke bilangan genap,
baik dibulatkan ke atas atau dibulatkan ke bawah.

Bila angka yang ingin dibulatkan melebihi 5,

misalnya 6 atau 7, maka pembulatan dilakukan ke atas.
Namun, jika angka yang ingin dibulatkan kurang dari 5,
maka pembulatan dilakukan ke bawah.

Contoh:

56,7 dibulatkan menjadi 57

48,3 dibulatkan menjadi 48

148,26 dibulatkan menjadi 148,3

Bilamana angka yang harus dibulatkan besarnya

sama dengan setengah satuan, maka ditempuh aturan yang
bersifat arbitrer (sewenang-wenang sehingga tidak dapat
dijelaskan berdasarkan logika atau nalar).

Jika setengah satuan itu berada di belakang

bilangan ganjil, pembulatan dilakukan ke atas, sedangkan
8
kalau berada di belakang bilangan genap pembulatan
dilakukan ke bawah.

Misalnya, 148,35 dibulatkan menjadi 148,4,

sedangkan 148,25 dibulatkan menjadi 148,2, dilakukan ke
bawah, dalam arti angka tengahan itu dibuang.

2.4 Penyajian Data

Penyajian data adalah bentuk pengemasan suatu

data secara visual sedemikian rupa sehingga data lebih
mudah dipahami.

Penyajian data digolongkan atas 2 (dua) jenis, yaitu:

1) tabel atau daftar

2) grafik atau diagram
Penyajian data dengan tabel atau daftar meliputi diagram:

1) Biasa
2) Distribusi frekuensi
3) Distribusi frekuensi relatif
4) Distribusi frekuensi kumulatif
5) Distribusi frekuensi relatif kumulatif

9
 Sedangkan penyajian data dengan grafik atau diagram
meliputi diagram:

1) Batang

2) Garis

10
3) Lambang (simbol)

4) Lingkaran (pastel)

5) Peta (kartogram)

11
 6) Pencar(titik)

Penyajian data dari perpaduan distribusi frekuensi

(sumbu vertikal) dengan penyajian data dengan diagram
(sumbu horizontal) dinamakan penyajian data secara:
1) Poligon
2) Histogram
3) Ogive

12
RANGKUMAN

1. Data adalah keterangan mengenai sesuatu yang

dibuat dalam bentuk angka-angka (bilangan) atau
dibuat dalam bukan angka-angka.

2. Pengukuran adalah pengamatan/observasi yang

dikuantisasikan atau dikategorikan (Hopkins dan
Glass, dalam Ardhana, 1987).

3. Variabel dapat didefinisikan sebagai ciri satuan

pengamatan /observasi yang tidak uniform sifatnya,
sedangkan satuan-satuan observasi adalah satuan-
satuan yang merupakan suatu keseluruhan yang utuh.

4. Penyajian data adalah bentuk pengemasan suatu data

secara visual sedemikian rupa sehingga data lebih
mudah dipahami.

13
 BAB III

UJI TENDENSI SENTRAL

Tendensi sentral adalah suatu bilangan yang

menunjukkan tendensi menjadi pemusatan (sentral) dari
bilangan-bilangan lainnya dalam distribusi. Selain itu,
tendensi sentral juga bisa diartikan sebagai suatu nilai
yang mewakili terhadap kelompok nilai-nilai observasi
yang biasa dikenal dengan mean, median dan modus.

3.1 Mean

Mean adalah nilai rata-rata dari beberapa buah

data. Nilai mean dapat diperoleh dengan membagi jumlah
data dengan banyaknya data. Secara matematis dapat
dituliskan sebagai berikut:

∑𝑋
𝑋̄ =
𝑁

Dengan,

∑ 𝑋 = Penjumlahan semua data

𝑁 = Banyak data

14
Misalnya:

Data nilai ulangan siswa:

8,7,6,8,9,9,8,7,6,9,7,8,8,7,9,8,8,6,8,7

Maka, nilai rata-ratanya adalah:

8+7+6+8+9+9+8+7+6+9+7+8
𝑋̄ = +8 + 7 + 9 + 8 + 8 + 6 + 8 + 7
20

153
𝑋̄ =
20

𝑋̄ = 7,65

Untuk data berkelompok, mean dapat dihitung

dengan rumus sebagai berikut:

∑ 𝑓𝑋
𝑋̄ =
∑𝑓

15
Contoh:

No Kelas Interval f X fX

1. 35 – 44 3 39,5 118,5
2. 45 – 54 3 49,5 148,5
3. 55 – 64 8 59,5 476
4. 65 – 74 23 69,5 1598,5
5. 75 – 84 20 79,5 1590
6. 85 – 94 19 89,5 1700,5
7. 95 – 104 4 99,5 398
Jumlah 80 6030

Dengan,

f = Frekuensi data

X = Nilai tengah dari interval kelas data (didapat dengan

menambahkan batas atas dan batas bawah kelas,
kemudian dibagi dua)

fx = perkalian antara frekuensi dan nilai tengah kelas

data

16
Sehingga didapat hasil penghitungan nya:

∑ 𝑓𝑋
𝑋̄ =
∑𝑓

6030
𝑋̄ =
80

𝑋̄ = 75,375

𝑋̄ = 75,38

3.2 Median

Median adalah nilai tengah dalam kumpulan data

yang telah disusun secara terurut, atau nilai tengah yang
membagi data menjadi dua bagian yang sama setelah
diurutkan.

Median dalam sebuah data tunggal dapat di hitung

dengan cara berikut:

Misal,

Data: 12, 9, 6, 3, 15, 21, 18

Urutkan data: 3, 6, 9, 12, 15, 18, 21

17
 Nah, median nya adalah nilai yang berada di
tengah setelah data diurutkan. Jadi, median dari data
tersebut adalah 12.

Adapun untuk median dari data berkelompok,

dapat dihitung dengan rumus berikut:

 1 N −F 
Me = b + P 2 
 f 
 

Dengan:

Me = Median

b = batas bawah nyata kelas median

P = Panjang interval kelas

F = jumlah frekuensi-frekuensi di bawah frekuensi

median.

f = frekuensi kelas interval median

18
Contoh:

No Kelas Interval f fk

1. 35 – 44 3 3

2. 45 – 54 3 6

3. 55 – 64 8 14

4. 65 – 74 23 37

5. 75 – 84 20 57

6. 85 – 94 19 76

80
7. 95 – 104 4

Jumlah n = 80

Fk adalah frekuensi kumulatif, yaitu dengan

menambahkan frekuensi dari tiap tiap data.

Sehingga didapat hasil perhitungannya sebagai berikut:

½ n = 40

b = 75
19
p = 10

F = 3+3+8+23 = 37

f = 20

Jadi:

 40 − 37 
Me = 74,5 + 10 
 20 

 3 
Me = 74,5 + 10 
 20 

Me = 74,5 + 10(0,15)

Me = 76

3.3 Modus

Modus adalah nilai yang paling sering atau paling

banyak muncul dalam sebuah kumpulan data. Dalam data
tunggal, modus dapat dilihat dari angka yang paling
banyak muncul dalam data tersebut. Adapun dalam data
berkelompok, modus dapat dihitung dengan rumus
berikut:

20
 𝑏1
𝑀𝑜 = 𝑏 + 𝑃 ( )
𝑏1 + 𝑏2

Dengan:

Mo = Modus

b = batas kelas bawah dari kelas modus

P = Panjang kelas interval dari frekuensi terbanyak

b1 = frekuensi dari kelas terbanyak (modus) dikurangi

frekuensi kelas interval sebelumnya.

b2 = frekuensi kelas modus dikurangi frekuensi kelas

interval sesudahnya.

21
Contoh:

No Kelas Interval f

1. 35 – 44 3

2. 45 – 54 3

3. 55 – 64 8

4. 65 – 74 23

5. 75 – 84 20

6. 85 – 94 19

7. 95 – 104 4

Jumlah 80

Kelas modus didapat dengan melihat kelas yang

memiliki frekuensi paling besar.

Sehingga didapat hasil hasil perhitungannya sebagai

berikut:

b = 64,5

22
P = 10

b1 = 23 – 8 = 15

b2 = 23 – 20 = 3

Jadi:

𝑏1
𝑀𝑜 = 𝑏 + 𝑃 ( )
𝑏1 + 𝑏2

15
𝑀𝑜 = 64,5 + 10 ( )
15 + 3

15
𝑀𝑜 = 64,5 + 10 ( )
18

𝑀𝑜 = 64,5 + 10(0,8333)

𝑀𝑜 = 64,5 + 8,333

𝑀𝑜 = 72,83

23
RANGKUMAN

1. Tendensi sentral adalah suatu bilangan yang

menunjukkan tendensi menjadi pemusatan (sentral)
dari bilangan-bilangan lainnya dalam distribusi.

2. Mean adalah nilai rata-rata dari beberapa buah data.

3. Median adalah nilai tengah dalam kumpulan data

yang telah disusun secara terurut, atau nilai tengah
yang membagi data menjadi dua bagian yang sama
setelah diurutkan.

4. Modus adalah nilai yang paling sering atau paling

banyak muncul dalam sebuah kumpulan data.

24
 BAB IV

STANDAR DEVIASI DAN STANDAR SKOR

4.1 Standar Deviasi Dan Varians

Standar deviasi atau simpangan baku adalah

persebaran data pada suatu sampel untuk melihat seberapa
jauh atau seberapa dekat nilai data dengan rata-ratanya.

Dengan kata lain, standar deviasi adalah nilai akar

kuadrat dari varians dan menunjukkan standar
penyimpangan data terhadap nilai rata-ratanya. Jika nilai
standar deviasi semakin kecil, artinya semakin mendekati
rata-rata. Namun jika nilai standar deviasi semakin besar,
artinya semakin lebar variasi datanya.

Varians adalah salah satu ukuran dispersi atau

ukuran variasi. Varians dapat menggambarkan bagaimana
berpencar nya suatu data kuantitatif. Varians diberi
simbol σ 2 (baca: sigma kuadrat) untuk populasi dan
untuk s2 sampel.

25
Data tunggal

Standar Deviasi dan Varians untuk data tunggal,

dapat dihitung dengan menggunakan rumus:

∑(𝑋 − 𝑋̄)2
𝑆2 =
𝑁−1

Atau:

𝑁 ∑ 𝑋 2 − (∑ 𝑋)2
𝑆2 =
𝑁(𝑁 − 1)

Contoh:

Data:

76 9 5 7 8 6 8 7 9

Daftar Perhitungan Standar Deviasi dan Varians

No 𝑋 𝑋 − 𝑋̄ (𝑋 − 𝑋̄)2

1 7 -0,2 0,04

2 6 -1,2 1,44

26
 3 9 1,8 3,24

4 5 -2,2 4,48

5 7 -0,2 0,04

6 8 0,8 0,64

7 6 -1,2 1,44

8 8 0,8 0,64

9 7 -0,2 0,04

10 9 1,8 3,24

Jumlah 15,60

Perhitungan menggunakan rumus 1:

Varians:

2
∑(𝑋 − 𝑋̄)2
𝑆 =
𝑁−1

15,60
𝑆2 =
10 − 1

27
 15,60
𝑆2 =
9

𝑆 2 = 1,73

Standar deviasi:

𝑆 = √1,73

𝑆 = 1,32

Data berkelompok

Standar deviasi dan varians pada data

berkelompok dapat dihitung dengan rumus:

2
∑ 𝑓(𝑋 − 𝑋̄)2
𝑆 =
𝑁−1

Atau:

𝑁 ∑ 𝑓𝑋 2 − (∑ 𝑓𝑋)2
𝑆2 =
𝑁(𝑁 − 1)

𝑁 ∑ 𝑓𝐶 2 −(∑ 𝑓𝐶)2
Dan, 𝑆 2 = 𝑃2 ( )
𝑁(𝑁−1)

28
 Contoh:

No Kelas f X 𝑋 − 𝑋̄ (𝑋 − 𝑋̄)2 𝑓(𝑋 − 𝑋̄)2

Interval

1. 35 – 44 3 39,5 -35,88 1287,37 3862,12

2. 45 – 54 3 49,5 -25,88 669,77 2009,32

3. 55 – 64 8 59,5 -15,88 252,17 2017,40

4. 65 – 74 23 69,5 -5,88 34,57 795,21

5. 75 – 84 20 79,5 4,12 16,97 339,49

6. 85 – 94 19 89,5 14,12 199,37 3788,11

7. 95 – 104 4 99,5 24,12 581,77 2327,10

Jumlah 80 15130,75

29
Varians:

∑ 𝑓(𝑋 − 𝑋̄)2
𝑆2 =
𝑁−1

15130,75
𝑆2 =
79

𝑆 2 = 191, 52

Standar deviasi:

𝑆 = √191,52

𝑆 = 13, 83

30
RANGKUMAN

1. Standar deviasi atau simpangan baku adalah

persebaran data pada suatu sampel untuk melihat
seberapa jauh atau seberapa dekat nilai data dengan
rata-ratanya.

2. Varians adalah salah satu ukuran dispersi atau ukuran

variasi.

31
 BAB V

UJI NORMALITAS DAN HOMOGENITAS DATA

5.1 Syarat Statistik Parametrik

1) Sampel Acak

2) Nilai populasinya terdistribusi normal

3) Sampel-sampelnya homogen

4) Menggunakan skala interval atau rasio

5.2 Uji Normalitas

Uji normalitas adalah suatu prosedur yang

digunakan untuk mengetahui apakah data berasal dari
populasi yang terdistribusi normal atau berada dalam
sebaran normal. Distribusi normal adalah distribusi
simetris dengan modus, mean dan median berada di pusat.

Ada beberapa cara menguji uji normalitas, salah

satu diantaranya adalah menggunakan Uji Lilliefors
dangan langkah-langkah sebagai berikut:

1) Menghitung mean (𝑋̅) dan standar deviasi (S)

32
 2) Mengubah data pengamatan X1, X2, … Xi menjadi
angka baku z1,z2, … zi dengan rumus:

𝑋𝑖 − 𝑋̅
zi = 𝑆

3) Menghitung proporsi z1, z2, …zi yang lebih kecil

atau sama dengan zi , dengan rumus proporsi:
𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑧1 , 𝑧2 , ……. 𝑧𝑖 𝑦𝑎𝑛𝑔 𝐴=𝜋𝑟 2 ≤𝑧𝑖 ,
𝑆(𝑧𝑖 ) = 𝐴 = 𝑛

4) Mencari harga mutlak dari selisih F(𝑧𝑖 -S(𝑧𝑖 )

5) Mengambil harga yang paling besar diantara
harga-harga mutlak dari perhitungan F(𝑧𝑖 -S(𝑧𝑖 ),
yang selanjutnya dinyatakan dengan Lo.
Untuk menerima atau menolak hipotesis nol (H0),
dilakukan dengan cara membandingkan L0 ini dengan
nilai kritis L yang terdapat dalam tabel untuk taraf nyata
yang dipilih.

Contoh:

Data pretest statistik:

13,13,17,17,22,22,26,26,30,30,30,35,35,35,39,39,39,39,
39,39,39,43,43,43,43,43,43,43,43,48,48,48,48,48,52,52,
57,61,65.

33
Penyelesaian:

No Xi f zi F(zi) S(zi) |𝑭(𝒛𝒊 − 𝑺(𝒛𝒊 |

1 13 2 -2,43 0,0075 0,0500 0,0426

2 17 2 -2,04 0,0207 0,1000 0,793

3 22 2 -1,64 0,0505 0,1500 0,0995

4 26 2 -1,25 0,1058 0,2000 0,0944

5 30 3 -0,85 0,1977 0,2750 0,0773

6 35 3 -0,46 0,3228 0,3500 0,0272

7 39 8 -0,06 0,4761 -0,5500 0,0793

8 43 8 0,33 0,6293 0,7500 0,1207

9 48 5 0,73 0,7673 0,8750 0,1077

10 52 2 1,12 0,8686 0,9250 0,0564

11 57 1 1,52 0,9357 0,9500 0,0143

12 61 1 1,91 0.9719 0,9750 0,0031

13 65 1 2,31 0,9896 1,0000 0,0104

34
Rata-rata:

∑ 𝑥𝑖
𝑋̄ =
𝑛

508
𝑋̄ = = 12,7
40

Kurva penerimaan dan penolakan hipotesis:

Taraf nyata 5% = 9,49

Taraf nyata 1% = 13,3

5.3 Uji Homogenitas

Uji homogenitas adalah suatu prosedur uji statistik

yang dimaksudkan untuk memperlihatkan bahwa dua atau
lebih kelompok data sampel berasal dari populasi yang
memiliki variansi yang sama. Pada analisis regresi,
persyaratan analisis yang dibutuhkan adalah bahwa galat
regresi untuk setiap pengelompokan berdasarkan variabel
terikatnya memiliki variansi yang sama. Jadi dapat
dikatakan bahwa uji homogenitas bertujuan untuk

35
mencari tahu apakah dari beberapa kelompok data
penelitian memiliki varians yang sama atau tidak.

Dengan kata lain, homogenitas berarti bahwa

himpunan data yang kita teliti memiliki karakteristik yang
sama. Pengujian homogenitas juga dimaksudkan untuk
memberikan keyakinan bahwa sekumpulan data yang
dimanipulasi dalam serangkaian analisis memang berasal
dari populasi yang tidak jauh berbeda keragaman nya.

Ada tiga cara menguji homogenitas:

1) Membandingkan varians terbesar dengan varians

terkecil.
𝑆 2
F = 𝑆1 2 ; 𝑆1 2 < 𝑆2 2
2

Bila F < Ftabel ➔ Ho diterima, artinya tidak terdapat

perbedaan varians (homogen).

Ftabel = F1/2 α (dk varians terbesar – 1 , dk varians terkecil -

1)

2) Uji Bartlett, digunakan untuk pengujian homogenitas

untuk varians lebih dari 2.

36
 Uji Chi-Kuadrat:

𝜒 2 = (𝑙𝑛 1 0) {𝐵 − ∑(𝑛𝑖 − 1) 𝑙𝑜𝑔 𝑆𝑖2 }

ln 10 = 2,3026

B = (log S2)∑(ni – 1)

S2 = (∑(ni – 1)Si2/∑(ni – 1)

Kriteria pengujian: Terima hipotesis varians

2
populasi homogen, jika 𝜒 2 ≤ 𝜒(1−𝛼)(𝑘−1) dengan taraf
nyata α = 0,01 dan α = 0,05 serta dk = k – 1.

37
 Contoh:

No Ceramah T. Diskusi X12 X22 X32

(X1) Jawab (X3)
(X2)

1. 75 72 63 5625 5184 3969

2. 57 87 66 3249 7569 4356

3. 60 95 75 3600 9025 5625

4. 63 67 84 3969 4489 7056

5. 70 90 78 4900 8100 6084

6. 91 84 69 8281 7056 4769

7. 85 76 87 7225 5776 7569

8. 87 79 81 7569 6241 6561

9. 66 92 90 4356 8464 8100

10. 79 80 72 6241 6400 5184

JLH 733 822 765 55015 68304 59265

38
Penyelesaian:

733 822 765

𝑋̄1 = 10 = 73,3 𝑋̄2 = 10 = 82,2 𝑋̄3 = 10 = 76,5

10(55015 ) − (733) 2 550150 − 537289 12861

S12 = = = = 142,90
10(10 − 1) 10(9) 90

10(68304 ) − (822) 2 683040 − 675684 7356

S 22 = = = = 81,73
10(10 − 1) 10(9) 90

10(59265 ) − (765) 2 592650 − 585225 7425

S32 = = = = 82,5
10(10 − 1) 10(9) 90

log S2 = log 102,38 = 2,01

B = (2,01) (27) = 54,27

X2 = (2,3026) (54,27 – 53,8551)

= (2,3026) (0,4149)

= 0,96

2
𝜒(1−0,05)(3−1) = 5,99

2
𝜒(1−0,01)(3−1) = 9,21

39
Kurva penerimaan dan penolakan hipotesis:

Taraf nyata 5% = 5,99

Taraf nyata 1% = 9,21

40
RANGKUMAN

1. Uji normalitas adalah suatu prosedur yang

digunakan untuk mengetahui apakah data berasal
dari populasi yang terdistribusi normal atau berada
dalam sebaran normal.

2. Distribusi normal adalah distribusi simetris dengan

modus, mean dan median berada di pusat.

3. Ada beberapa cara menguji uji normalitas, salah satu

diantaranya adalah menggunakan Uji Lilliefors.

4. Uji homogenitas adalah suatu prosedur uji statistik

yang dimaksudkan untuk memperlihatkan bahwa
dua atau lebih kelompok data sampel berasal dari
populasi yang memiliki variansi yang sama.

41
 BAB VI

PENGUJIAN HIPOTESIS DENGAN UJI T

6.1 Uji T Satu Sampel

Uji t dilakukan untuk menguji hipotesis penelitian

mengenai pengaruh dari masing-masing variabel bebas
secara parsial terhadap variabel terikat. Uji T (Test
T) adalah salah satu test statistik yang dipergunakan
untuk menguji kebenaran atau kepalsuan hipotesis yang
menyatakan bahwa diantara dua buah mean sampel yang
diambil secara random dari populasi yang sama, tidak
terdapat perbedaan yang signifikan. T-
statistics merupakan suatu nilai yang digunakan guna
melihat tingkat signifikansi pada pengujian hipotesis
dengan cara mencari nilai T-statistics melalui
prosedur bootstrapping. Pada pengujian hipotesis dapat
dikatakan signifikan ketika nilai T-statistics lebih besar
dari 1,96, sedangkan jika nilai T-statistics kurang dari
1,96 maka dianggap tidak signifikan.

42
6.2 Uji Z

Uji-Z adalah suatu bentuk alat statistik yang

digunakan untuk mengetahui apakah rata-rata dari dua
distribusi bervariasi bahkan dengan varian yang diketahui
dan ukuran sampel yang besar.

Perbedaan antara uji-T dan uji-Z adalah bahwa

uji-T digunakan untuk menentukan perbedaan yang
signifikan secara statistik antara dua kelompok sampel
yang bersifat independen, sedangkan uji-Z digunakan
untuk menentukan perbedaan antara rata-rata dua
populasi ketika varians diberikan. Selain itu, Uji-T paling
baik untuk masalah yang memiliki ukuran sampel
terbatas, sedangkan uji-Z bekerja paling baik untuk
masalah dengan ukuran sampel yang besar.

43
Contoh:

Pengusaha lampu pijar A mengatakan bahwa lampunya

bisa tahan pakai sekitar 800 jam. Akhir-akhir ini timbul
dugaan bahwa masa pakai lampu itu telah berubah. Untuk
menentukan hal ini, dilakukan penyelidikan dengan jalan
menguji 50 lampu. Ternyata rata-ratanya 792 jam. Dari
pengalaman, diketahui bahwa simpangan baku massa
hidup lampu 60 jam. Selidikilah dengan taraf nyata 0,05
apakah kualitas lampu itu sudah berubah atau belum.

Jawab:

Dengan asumsi bahwa masa hidup lampu terdistribusi

normal.

H0: µ = 800 (masa pakai lampunya sekitar 800)

Ha: µ ≠ 800 (kualitas lampu telah berubah)

44
 ̅ −𝜇
𝑋
Z= 𝜎
0 = 792−800
60 = −0,94
√𝑛 √50

6.3 Uji t dan Uji Z untuk dua sampel bebas

Uji-t dua sampel bebas merupakan uji statistik

parametrik yang membandingkan dua kelompok
independen untuk menentukan apakah ada bukti bahwa
rata-rata populasi secara statistik signifikan berbeda.

̅̅̅ ̅̅̅2
𝑋1 − 𝑋
𝑡=
2 2
√(∑ 𝑋1 + ∑ 𝑋2 ) ( 1 + 1 )
𝑛1 + 𝑛2 − 2 𝑛1 𝑛2

Dimana x = X-X-bar

Untuk n1 + n2 . 30 digunakan uji z sebagai berikut:

̅̅̅ ̅̅̅2
𝑋1 − 𝑋
𝑧=
𝜎1 2 𝜎2 2
√
𝑛1 + 𝑛2

Contoh:

Kelompok I :16 9 4 23 9 10 5 2

Kelompok II: 20 5 1 16 2 4

45
Statistik berikut dihitung dari di atas:

Kelompok I Kelompok II

n 8 6

Sigma X 88 48

X bar 11 11

Sigma X2 1.372 702

Variasi Gabungan:

(∑ 𝑋1 )2 (∑ 𝑋2 )2
∑ 𝑋1 2 − + ∑ 𝑋2 2 −
𝑛1 𝑛2
𝑠2 =
𝑛1 + 𝑛2 − 2

882
1.372 − 8 + 702 − 482 /6
𝑠2 = = 60,17
8+6−2

Dengan demikian ratio t nya adalah:

̅̅̅ ̅̅̅2
𝑋1 − 𝑋
𝑡=
𝑆2 𝑆2
√
𝑛1 + 𝑛2

46
 11 − 8
𝑡= = 0,72
√60,17 + 60,17
8 6

Besarnya derajat kebebasan dalam kasus ini adalah 8+6-

2=12. Untuk derajat kebebasan sebesar 12 nilai sebesar
2,179 diperlukan untuk mencapai tingkat signifikansi
sebesar 5%. Dalam contoh di atas diperoleh harga thitung =
0,72, tabel = 2,179, sehingga dapat disimpulkan bahwa
perbedaan antara nilai rata-rata kelompok I dan kelompok
II adalah tidak berarti (tidak signifikan), sehingga tidak
ada suatu dasar untuk menolak hipotesa nol. Kita tidak
memiliki alasan yang cukup kuat untuk menarik
kesimpulan dari data ini, bahwa latar belakang Pendidikan
mempengaruhi pengetahuan Bahasa inggris mereka.

47
RANGKUMAN

1. Uji T (Test T) adalah salah satu test statistik yang

dipergunakan untuk menguji kebenaran atau
kepalsuan hipotesis yang menyatakan bahwa
diantara dua buah mean sampel yang diambil
secara random dari populasi yang sama, tidak
terdapat perbedaan yang signifikan.

2. Uji-Z adalah suatu bentuk alat statistik yang

digunakan untuk mengetahui apakah rata-rata dari
dua distribusi bervariasi bahkan dengan varian yang
diketahui dan ukuran sampel yang besar.

3. Uji-t dua sampel bebas merupakan uji statistik

parametrik yang membandingkan dua kelompok
independen untuk menentukan apakah ada bukti
bahwa rata-rata populasi secara statistik signifikan
berbeda.

48
 BAB VII

ANALISIS VARIANS (ANAVA) 1 JALUR

Analisis Varians 1 Jalur ini digunakan untuk menganalisis

perbedaan antara beberapa variabel bebas dengan satu
variable terikat, dan masing-masing variabel tidak
mempunyai jenjang.

Dengan syarat:

1) Data dipilih secara acak

2) Masing-masing data terdistribusi normal

3) Data yang dianalisis homogen

Contoh:

Dari dua penguatan tentang penerapan 3 model

pembelajaran berbeda (A, B, dan C), sehingga data yang
dihasilkan (hasil belajar) ditunjukkan seperti dalam tabel
berikut.

Penerapan model pembelajaran

A B C
2 8 3

49
 0 4 8
4 5 1
7 9 4

Apakah ketiga hasil belajar (A,B, dan C) berbeda.

Asumsi: persyaratan statistic telah terpenuhi.

Penyelesaian:

1) Pengajuan rumusan hipotesis:

Ho: tidak ada perbedaan yang signifikan hasil belajar

antara kelompok A, B, dan C.

Ha: ada perbedaan yang signifikan hasil belajar antara

kelompok A, B, dan C.

2) Rumusan hipotesis statistic misalnya:

Ho : µA = µB = µC

Ha : µA ≠ µB ≠ µC

Membuat Tabel Penolong

X1 X12 X2 X22 X3 X32

50
2 4 8 64 3 9

0 0 4 16 8 64

4 16 5 25 1 1

7 49 9 81 4 16

n1 = 4 n2= 4 n3 = 4 N = 12

∑X1= 13 ∑X2 = 26 ∑X4 = 16 ∑X = 55

∑X12 = 69 ∑X22= 186 ∑X32= 90 ∑X2= 345

4. Menghitung jumlah kuadrat rerata

∑ 𝑋2 345
JKR = ∑𝑛
= = 252,08
12

5. Hitung Jumlah kuadrat antar kelompok dengan rumus:

∑(𝑋1 )2 ∑(𝑋2 )2 ∑(𝑋3 )2 ∑(𝑋𝑛 )2

JKA = + + + ………+ - JKR
𝑛1 𝑛2 𝑛3 𝑛𝑛

132 262 162

= + + − 252,08 = 23,17
4 4 4

6. Hitung jumlah kuadrat dalam kelompok dengan rumus:

JKD = ∑X2 – JKR – JKA= 345- 252,08 – 23,17 = 69,75

51
7. Hitung derajat kebebasan antar kelompok dengan
rumus:

dkA = k – 1 = 3- 1 = 2

8. Hitung derajat kebebasan dalam kelompok dengan

rumus:

dkD = N – k = 12 – 3 = 9

9. Hitung rata-rata jumlah kuadrat antar kelompok dengan

rumus:

𝐽𝐾𝐴 23,17
RKA = = = 11,58
𝑑𝑘𝐴 2

10. Hitung rata-rata jumlah kuadrat dalam kelompok

dengan rumus:

𝐽𝐾𝐷 69,75
RKD = = = 7,75
𝑑𝑘𝐷 9

11. Cari Fhitung dengan rumus:

𝑅𝐾 11,58
Fhitung = 𝑅𝐾𝐴 = = 1,49
𝐷 7,75

12. Tentukan signifikansi (ά) = 0.05

13. Cari Fhitung = dengan rumus:

52
 Fhitung= F(1- ά)(dkA,dkB) = F(0,95)(2,9) = 4,26 (dapat
dilihat pada tabel F)

14. Masukkan semua nilai yang telah didapat ke dalam

tabel anava:

Jumlah Jumlah dk Rata-rata F

variasi Kuadrat (JK) kuadrat (RK)
Antar 23,17 2 11,58
kelompok 1,49
Dalam 69,75 9 7,75
Kelompok
Jumlah 345 12

15. Bandingkan harga F dari hasil perhitungan dan harga

tabel:

Fhitung = 1,49 < Ftabel = 4,26 ➔ Ho diterima

16. Kesimpulan:

“tidak ada perbedaan yang signifikan hasil belajar

antara kelompok A, B, dan C”.

53
17. Jika seandainya ada perbedaan yang signifikan antara
ketiga kelompok, maka untuk menentukan letak
perbedaan antara ketiga kelompok dilakukan uji lanjutan
yaitu uji Scheffa, atau uji t, atau uji Tukey, yaitu antara
kelompok A dan B, antara kelompok A dan C, dan antara
kelompok B dan C. Metode Scheffe digunakan untuk
melakukan pelacakan terhadap perbedaan rerata antar
baris dari faktor A, perbedaan rerata antar kolom dari
faktor B, perbedaan rerata antar sel pada baris yang sama
dan perbedaan rerata antar sel pada kolom yang sama
yang hipotesis nol ditolak.

Rumus Uji Scheffa:

(𝑋̅1 −𝑋̅2 )2
F= 1 1
𝑅𝐾𝐷 { + }(𝑘−1)
𝑛1 𝑛2

54
RANGKUMAN

1. Anava atau Analysis of varians (anova) adalah

tergolong analisis komparatif lebih dari dua variable
atau lebih dari dua rata-rata.

2. Tujuannya ialah untuk membandingkan lebih dari

dua rata- rata. Gunanya untuk menguji kemampuan
generalisasi artinya data sampel dianggap mewakili
populasi.

3. Ciri khasnya adalah adanya satu atau lebih variabel

bebas sebagai faktor penyebab dan satu atau lebih
variabel response sebagai akibat atau efek dari
adanya faktor.

55
 BAB VIII

ANALISIS REGRESI

8.1 Pengertian Analisis Regresi

Analisis regresi adalah metode statistik yang

digunakan untuk mempelajari hubungan antara satu atau
lebih variabel independen (variabel penjelas) dengan satu
variabel dependen (variabel yang ingin diprediksi).
Tujuan dari analisis regresi adalah untuk memahami dan
mengukur sejauh mana variabel independen
mempengaruhi variabel dependen.

Dalam analisis regresi, variable independen dapat

berupa variabel numerik atau kategorikal, sedangkan
variabel dependen harus berupa variabel numerik. Metode
regresi mencoba untuk menemukan hubungan fungsional
antara variabel independen dan dependen, yang dapat
digunakan untuk memprediksi nilai variabel dependen
berdasarkan nilai variabel independen.

56
8.2 Jenis-jenis Analisis Regresi

Ada beberapa jenis analisis regresi yang umum

digunakan, termasuk regresi linier sederhana, regresi
linier berganda, regresi logistik, regresi nonparametrik,
dan sebagainya. Regresi linier sederhana adalah metode
yang paling umum digunakan, di mana hubungan antara
variabel independen dan variabel dependen dijelaskan
oleh persamaan garis lurus.

Analisis regresi melibatkan beberapa langkah,

termasuk pengumpulan data, pemilihan model regresi
yang sesuai, estimasi parameter regresi, pengujian
hipotesis, dan evaluasi kualitas model. Hasil analisis
regresi dapat digunakan untuk memahami hubungan
antara variabel, membuat prediksi, dan mengambil
keputusan berdasarkan informasi yang diberikan oleh
model regresi.

8.3 Syarat Analisis Regresi

Ada beberapa syarat yang perlu dipenuhi untuk

menggunakan analisis regresi dengan benar dan

57
menghasilkan hasil yang valid. Berikut adalah beberapa
syarat penting yang perlu diperhatikan:

1. Hubungan linier: Analisis regresi diasumsikan bahwa

hubungan antara variabel independen dan variabel
dependen adalah linier. Jika hubungan tersebut tidak
linier, maka analisis regresi mungkin tidak cocok atau
hasilnya tidak akurat.
2. Independensi: Data yang digunakan dalam analisis
regresi harus independen satu sama Iain. Artinya,
nilai-nilai observasi tidak boleh saling tergantung
atau berkorelasi. Jika ada ketergantungan atau
korelasi antara data, maka hasil analisis regresi dapat
menjadi bias atau tidak valid.
3. Homoskedastisitas: Homoskedastisitas mengacu
pada asumsi bahwa varians dari kesalahan (residuals)
adalah konstan di semua tingkat variabel independen.
Jika terjadi heteroskedastisitas, yaitu variasi
kesalahan tidak konstan, maka hasil analisis regresi
dapat menjadi tidak akurat.
4. Normalitas: Asumsi normalitas mengatakan bahwa
kesalahan (residuals) dalam model regresi harus

58
 terdistribusi secara normal. Jika kesalahan tidak
terdistribusi secara normal, maka hasil analisis
regresi mungkin tidak valid.
5. Tidak ada multikolinieritas: Multikolinieritas terjadi
ketika ada korelasi tinggi antara variabel independen.
Hal ini dapat menyebabkan masalah dalam
mengestimasi parameter regresi dengan akurat. 0Ieh
karena itu, penting untuk memeriksa dan mengatasi
multikolinieritas sebelum melakukan analisis regresi.
6. Jumlah sampel yang cukup: Untuk mendapatkan
hasil yang valid, jumlah sampel yang digunakan
dalam analisis regresi harus mencukupi. Jumlah
sampel yang diperlukan tergantung pada
kompleksitas model dan jumlah variabel yang
digunakan.
7. Tidak ada outliers: Outliers adalah nilai- nilai ekstrim
yang jauh berbeda dari pola umum data. Outliers
dapat mempengaruhi hasil analisis regresi dan
menyebabkan bias. Oleh karena itu, penting untuk
mendeteksi dan mengatasi outliers sebelum
melakukan analisis regresi.

59
 Memenuhi syarat-syarat ini penting untuk
memastikan validitas dan keandalan hasil analisis regresi.
Jika syarat-syarat ini tidak terpenuhi, maka perlu
dilakukan Iangkah- langkah tambahan seperti
transformasi data, penghapusan outliers, atau
menggunakan metode regresi yang lebih sesuai.

8.4 Makna Persamaan Analisis Regresi

Misalnya kita ingin mengetahui hubungan

fungsional (pengaruh atau meramalkan pengaruh) antara
minat belajar (variabel X) dengan hasil belajar (variable
Y).

Persamaan antara variabel X dan Y

dituliskan :

Dimana :

Y = a + bx

Y (baca ye topi): variabel terikat (kriterium) X : variabel

bebas (prediktor)

a : bilangan konstan

60
b : koefesien arah regresi linear

Bentuk persamaan regresi tersebut sering dibaca

sebagai regresi X atas Y, artinya regresi X sebagai
variabel prediktornya dengan Y sebagai variabel
kriteriumnya. Sebaliknya ada pula persamaan regresi
yang dibaca sebagai regresi Y atas X.

Koefesien arah regresi linier dinyatakan dengan

huruf b yang juga menyatakan perubahan rata-rata
variabel Y untuk setiap variabel X sebesar satu bagian.

Maksudnya lalah bila harga Y positif, maka

variabel Y akan mengalami kenaikan atau pertambahan.
Sebaliknya bila negatif, maka variabel akan mengalami
penuruan.

61
RANGKUMAN

1. Analisis regresi adalah metode statistik yang

digunakan untuk mempelajari hubungan antara satu
atau lebih variabel independen (variabel penjelas)
dengan satu variabel dependen (variabel yang ingin
diprediksi).

2. Tujuan dari analisis regresi adalah untuk memahami

dan mengukur sejauh mana variabel independen
mempengaruhi variabel dependen.

3. Jenis-jenis Analisis Regresi adalah regresi linier

sederhana, regresi linier berganda, regresi logistik,
regresi non parametrik, dan sebagainya.

4. Beberapa syarat penting yang perlu diperhatikan

dalam analisis regresi yaitu Hubungan linier,
Independensi, Homoskedastisitas, Normalitas, Tidak
ada multikolinieritas, Jumlah sampel yang cukup,
Tidak ada outliers.

62
 BAB IX

ANALISIS KORELASI BERGANDA

9.1 Pendahuluan

Jika pada bab dahulu diuraikan tentang korelasi

tunggal atau sederhana yang berkenan hubungan antara
dua variabel; maa dalam bab ini akan dibahas korelasi
ganda (multipel atau jamak), yang berkenan dengan
hubungan antara tiga variabel atau lebih, dimana
sekurang-kurangnya dua variabel bebas secara bersama-
sama dihubungan dengan variabel terikatnya. Adapun
bentuk hubungannya dapat digambarkan sebagai berikut:

Keterangan:

X1,X2,X3 . . . . , Xn = Variabel bebas (variabel

yang mempengaruhi)

Y = Variabel terikat
(variabel yang dipengaruhi)

Sebagai dasar untuk menghitung korelasi berganda, maka

korelasi tunggal haruslah benar sudah dikuasai cara
mencari nilai r-nya. Jika dalam korelasi biasa koefisien

63
korelasi dinyatakan dengan r, maka dalam korelasi
berganda koefisien korelasi nya dinyatakan dengan R.
kelayakan nilai R dan makna nilai R sama seperti yang
diuraikan pada korelasi tunggal di muka.

Seperti telah dinyatakan di muka bahwa korelasi berganda

ialah hubungan antar dua variabel bebas atau lebih yang

secara bersama-sama dihubungkan dengan variabel

terikatnya (Y). Hubungan dua variabel atau lebih secara
bersama-sama bukan berarti bahwa koefisien korelasi
berganda nya (R) sama dengan ryx + ryx2, tetapi harus
dihitung dengan rumus tersendiri pula. Untuk jelasnya
digambarkan pengertian uraian ini sebagai berikut:

9.2 Guna Korelasi Berganda

Korelasi berganda digunakan untuk mencari hubungan

antara dua variabel bebas atau lebih yang secara bersama-
sama dihubungkan dengan variabel terikatnya (Y),

64
 sehingga akhirnya dapat diketahui besarnya sumbangan
seluruh variabel bebas yang menjadi objek penelitian
terhadap variabel terikatnya.

Seperti halnya dengan korelasi tunggal, maka sebelum

korelasi berganda dihitung perlu dibuktikan atau dipenuhi
asumsi yang berlaku yaitu seperti halnya pada korelasi
tunggal. Dalam penelitian, korelasi ganda biasanya
dilakukan setelah korelasi tunggal dianalisis terlebih
dahulu sehingga ditemukan nilai-nilai r. Karena korelasi
berganda merupakan kelanjutan dari analisis korelasi
tunggal, maka semua asumsi yang diperlukan pada
analisis korelasi ganda tidak perlu lagi disebutkan atau
diulang-ulang lagi

9.3 Langkah-Langkah Dalam Menghitung Koefisien

Ganda (R)

1. Jika harga-harga r belum diketahui, maka hitunglah harga

r. Biasanya sudah ada karena kelanjutan korelasi tunggal

2. Hitunglah RyX1X2 dengan rumus:

65
 𝑟 2 𝑦𝑥1 + 𝑟 2 𝑦𝑥2 − 2𝑟𝑦𝑥1 𝑟𝑦𝑥2 𝑟𝑥1𝑥2
𝑅𝑦𝑥1𝑥2 = √
1 − 𝑟 2 𝑥1𝑥2

Dimana

= Koefisien korelasi beranda antara

variabel X1 dan X2 secara bersama – sama dengan

variabel Y

= Koefisien korelasi X1 dengan Y

ryx2 = Koefisien korelasi X2 dengan Y

= Koefisien korelasi X1 dengan X2

3. Tetapkan taraf signifikansi nya (α), sebaliknya disamakan

dengan α terdahulu

4. Tentukan kriteria pengujian signifikansi R yaitu :

Ha : Signifikan

Ho : Tidak Signifikan

Ha : Ry.x1.x2 ≠ 0

66
 H0 : Ry.x1.x2 = 0

5. Tetapkan harga αsignifikan = 0,05 , atau 0,01. Dalam

pendidikan harga αsignifikan = 0,05

Jika Rhitung < R tabel, atau αhitung > αsignifikan maka H0

diterima, artinya korelasi X1 dan X2 dengan Y tidak
signifikan , sebaliknya jika Rhitung > R tabel . atau αhitung <
αsignifikan , maka Ho ditolak, artinya korelasi X1 dan X2
dengan Y signifikan.

Contoh soal :

Diketahui data sebagai berikut :

X1 : 3, 3, 4, 2, 3, 3, 3, 3, 4, 4, 3, 2, 3, 2, 3, 3, 4, 3, 4, 3

X2 : 3, 3, 4, 3, 3, 3, 4, 3, 4, 4, 3, 3, 4, 3, 3, 4, 4, 3, 3, 3

Y : 32,32, 37, 25, 31, 32, 35, 32, 32, 33, 26, 28, 33, 30,
28, 33, 36, 33, 32, 29

Bagaimana hubungan variabe X1 dan X2 dengan variable

Y?

Jawab :

Langkah – langkah

67
1. Dengan menggunakan calculator Casio fx – 500 didapat
nilai-nilai :

= +0,618

= +0,705

= +0,154

2. Hitung Rhitung¬ dengan menggunakan rumus sebagai

berikut : untuk dua variabel bebas (X1 dan X2) dan satu
variable terikat Y.

= 0,870 > Rtabel = 0,444

➔ menolak H0 , menerima Ha , simpulan: ‘korelasi X1 dan

X2 dengan Y signifikan; derajat korelasi adalah tinggi

68
(dapat dilihat pada daftar tebal interpretasi harga r pada
pertemuan 11)

Koefisien determinasi (sumbangan X1 dan X2 terhadap Y)

= (0,87)2 x 100% = 75,69%

69
RANGKUMAN

1. Korelasi berganda merupakan salah satu metode yang

digunakan untuk melihat hubungan dari tiga variabel
atau bahkan lebih, dimana 2 variabel merupakan
variabel independen dan satu lagi merupakan variabel
dependen.

2. Dalam analisis korelasi berganda bertujuan untuk

mengetahui bagaimana derajat hubungan antara
beberapa variabel independent (Variabel X1, X2,
……., Xk) dengan variabel dependent (Variabel Y)
secara bersama-sama.

3. Analisis korelasi berganda digunakan untuk

mengetahui kuatnya hubungan antara dua variabel
independen terhadap variabel dependen secara
simultan (bersama-sama).

70
 BAB X

STATISTIK NON PARAMETRIK

(UJI CHI KUADRAT)

10.1 Pengertian Uji Chi Kuadrat (Square)

Uji chi-kuadrat adalah uji hipotesis statistik yang

digunakan dalam analisis tabel kontingensi ketika ukuran
sampelnya besar. Dalam istilah yang lebih sederhana, tes
ini terutama digunakan untuk menguji apakah dua
variabel kategori independen dalam mempengaruhi
statistik uji. Misalkan kita sebagai peneliti hendak
melakukan uji terhadap perilaku mahasiswa. Karakter
yang akan diuji adalah perilaku mahasiswa yang
dikategorikan menjadi dua kategori. Kategori tersebut
adalah mahasiswa yang mendukung program kampus dan
acuh terhadap program kampus. Kondisi tersebut
memungkinkan kita untuk melakukan uji hipotesis
mengenai perbedaan perilaku mahasiswa tersebut dilihat
dari frekuensinya.

71
 Uji Chi Square sangat cocok digunakan untuk
menganalisis data seperti kasus diatas. Secara umum, uji
Chi square dapat digunakan untuk menguji;

1. Uji Ⅹ² untuk ada tidaknya hubungan antara dua

variabel (Independency test).

2. Uji Ⅹ² untuk homogenitas antar- sub kelompok

(Homogeneity test).

3. Uji Ⅹ² untuk Bentuk Distribusi (Goodness of Fit)

10.2 Ciri-Ciri Model Uji Chi Square

1. Distribusi Chi Square apabila digambarkan

membentuk julur positif.
2. Uji Chi Square selalu menghasilkan nilai yang
positif.
3. Distribusi Chi Square terdiri dari beberapa
kelompok atau keluarga, yakni distribusi Chi
Square dengan nilai DK 1, 2, 3 dan seterusnya

72
Syarat yang perlu dipahami sebelum melakukan uji Chi
square adalah sampel yang digunakan harus berukuran
besar dan memenuhi ketentuan berikut:

1. Tidak ada cell dengan nilai frekuensi amatan atau

observasi bernilai 0 (Nol).
2. Apabila bentuk tabel kontingensi nya adalah 2 X 2,
maka tidak boleh ada 1 cell pun dari frekuensi harapan
yang bernilai kurang dari 5.
3. Apabila bentuk tabel lebih dari 2 x 2, misalkan 2 x 3,
maka jumlah cell frekuensi harapan yang bernilai
kurang dari 5 tidak boleh lebih dari 20% dari
keseluruhan cell.
4. Apabila jumlah sampel yang digunakan terlalu kecil,
hal ini akan mengakibatkan frekuensi harapan yang
tercipta pun menjadi kecil. Padahal dalam uji Pearson
Chi Square disyaratkan bahwa frekuensi harapan yang
tercipta harus minimal 5 atau lebih.
Dalam melakukan uji chi square, terdapat beberapa
syarat sampel lainnya yang wajib dipenuhi yaitu:

1. Penentuan Sampel untuk observasi harus dipilih secara

acak

73
2. Semua pengamatan dilakukan dengan independen

3. Setiap sel hanya berisi 1 (satu) frekuensi harapan.

4. Besar sampel sebaiknya > 40 (Cochran, 1954)

Adapun tujuan uji Chi Kuadrat:

1. Uji keselarasan fungsi (goodness-of- fit test)

Uji keselarasan fungsi bertujuan: untuk

mengetahui apakah distribusi dari hasil-hasil yang
teramati pada suatu percobaan terhadap sampel
mendukung suatu distribusi yang telah dihipotesiskan
pada populasi. - Untuk menguji apakah frekuensi yang di
observasi memang konsisten dengan frekuensi teoretis
nya? Apabila konsisten atau tidak terdapat perbedaan
yang nyata, maka hipotesa diterima (terima Ho).
Sebaliknya apabila tidak terdapat konsistensi, maka
hipotesa ditolak (terima Ha).

2. Uji Tabel Kontingensi

Tujuan uji Tabel Kontingensi (uji independensi) bertujuan

untuk mengetahui apakah variabel satu memiliki
hubungan dengan variabel lainnya.

74
10.3 Prosedur Uji Chi Kuadrat

1. pernyataan H0 dan Ha a. Uji keselarasan fungsi H0 :

populasi yang sedang dikaji memenuhi / selaras dengan
suatu pola distribusi probabilitas yang ditentukan. Ha :
populasi yang tidak memenuhi distribusi yang ditentukan
tersebut. b. Uji Tabel Kontingensi H0 : dua variabel yang
sedang dikaji saling independen (tidak terikat). Ha : dua
variabel tersebut tidak saling independen atau kedua
variabel tersebut saling terikat satu sama lainnya /
dependen

2. Penentuan taraf nyata (level of significant) = α

Biasanya digunakan α = 0,01 atau α = 0,05

3. Penentuan daerah penerimaan H0 dan Ha. dalam

pengujian ini yang digunakan adalah distribusi
probabilitas chi kuadrat yang disajikan dalam bentuk
tabel, yang dapat ditentukan dengan mengetahui: Pada uji
keselarasan fungsi: df = k 1 dimana k = jumlah

outcome/observasi - Pada tabel Kontingensi: df = (n -1)

(k-1) Dimana n = jumlah baris dalam tabel k = jumlah
kolom dalam tabel

75
4. Batas batas darah penolakan/batas kritis uji misalnya
dari tabel untuk α = 0,01; df = 3-1 =; diperoleh chi kuadrat
= 9,1

5. Aturan keputusan: Tolak Ho dan terima Ha jika RU

(rasio uji) chi kuadrat > 9,1. Jika tiidak dmikian trima H0

6. Perhitungan rasio uji

7. Pengambilan keputusan

8. Membandingkan frekuensi yang terjadi (observasi)

dengan frekuensi harapan (akseptasi) Pembuktian dengan
uji chi square menggunakan formula: Parson Chi Squar: χ
= ( O E E ) dengan df = (b-1)(k-1) fo= nilai observasi
(pengamatan) f = nilai ekspektasi (harapan) b = jumlah
baris k = jumlah kolom .

Rumus mencari uji chi kuadrat

χ2c=∑(F0−Fe)2/Fe

Keterangan;

χ2 = Nilai Chi Square

c = degree of freedom (df/dk)

76
Oi = f = Frekuensi hasil yang diamati (observed value)

Ei = fe = Frekuensi yang diharapkan (expected value)

Frekuensi yang diharapkan merupakan nilai

frekuensi yang diinginkan apabila hipotesis awal bernilai
benar. Model Chi Kuadrat merupakan salah satu dari jenis
kurva yang bergantung kepada derajat kebebasan. Berikut
cara menentukan daerah penolakan chi square dan angka
derajat kebebasannya (derajat kebebasan: dk atau degree
of freedom: df sama saja).

Prinsip Dasar Uji Chi Kuadrat

1) Membandingkan frekuensi yang terjadi (observasi)

dengan frekuensi harapan (ekspektasi)

2) Pembuktian dengan uji chi kuadrat menggunakan

persamaan Chi kuadrat Pearson:

(𝑂 − 𝐸)2
𝑥2 = ∑
𝐸

Dengan df = (b-I) (k-I)

O = nilai observasi (pengamatan)

77
 E = nilai ekspektasi (harapan)

b = jumlah baris

k = jumlah kolom

Contoh Pertanyaan:

Apakah kebiasaan merokok berhubungan dengan

timbulnya penyakit paru paru?

Langkah-langkah penyelesaian:

1. Merumuskan hipotesis nol (Ho) dan hipotesis alternatif

(Ha)

Ho: tidak ada hubungan merokok dengan

terkena penyakit paru-paru.

78
Ha: ada hubungan merokok dengan terkena penyakit
paru-paru.

2. Menghitung Nilai/Frekuensi Ekspektasi Masing-

Masing Sel:

𝑚𝑎𝑟𝑔𝑖𝑛𝑎𝑙 𝑏𝑎𝑟𝑖𝑠 × 𝑚𝑎𝑟𝑔𝑖𝑛𝑎𝑙 𝑘𝑜𝑙𝑜𝑚

𝐸=
𝑁

(130 × 115)
= 79,10
189

(59 × 115)
= 35,90
189

(130 × 74)
= 50,90
189

(59 × 74)
= 23,10
189

79
3. Masukkan hasil perhitungan ke dalam tabel

4. Mengisi tabel perhitungan

80
5. Menentukan harga x2tabel (misal untuk a = 0,05)

6. Mengambil kesimpulan

jika X2hitung > X2tabel ➔ Ho ditolak, Ha diterima

Dari data di atas diperoleh:

X2hitung = 4,92 > X2tabel = 3,841

➔ Ho ditolak, Ha diterima

Kesimpulan:

Ada hubungan merokok dengan terkena penyakit paru-

paru

81
RANGKUMAN

1. Uji chi-kuadrat adalah uji hipotesis statistik yang

digunakan dalam analisis tabel kontinjensi ketika
ukuran sampelnya besar.

2. Chi Kuadrat satu sampel adalah teknik statistik yang

digunakan untuk menguji hipotesis bila dalam
populasi terdiri atas dua atau lebih klas dimana data
berbentuk nominal dan sampelnya besar.

3. Kegunaan uji Chi Kuadrat : Uji Ⅹ² untuk ada

tidaknya hubungan antara dua variabel
(Independency test), uji Ⅹ² untuk homogenitas antar-
sub kelompok (Homogenity test), uji Ⅹ² untuk
Bentuk Distribusi (Goodness of Fit).

82
 BAB XI

KOREKSI YATES

Ketika rumus-rumus untuk distribusi kontinu

diaplikasikan pada data diskret, maka koreksi koreksi
tertentu untuk kontinuitas dapat dilakukan. Sebuah
koreksi sejenis juga tersedia ketika distribusi chi-
kuadrat digunakan. Koreksi ini ditemukan oleh
seorang sarjana bernama Yates dan terkenal dengan
sebutan Koreksi Yates (Yates Correction). Tetapi
penggunaannya sangat terbatas, hanya dapat
digunakan untuk tabel kontingensi yang terdiri dari dua
baris dan dua kolom (2x2).

Syarat Penggunaan:

1) Tidak boleh ada cell dengan frekuensi kenyataan

sebesar 0.

2) Tidak boleh ada cell dengan frekuensi harapan sebesar

kurang dari 5.

Tabel Kontingensi 2 × 2

83
 A B

C D

Rumus Koreksi Yates

𝑁 (𝐴𝐷−𝐵𝐶)^2
X2 =
(𝐴+𝐵)(𝐶+𝐷)(𝐴+𝑐)(𝐵+𝐷)

Keterangan:

A, B, C, dan D adalah sel hasil persilangan dari dua

variabel:

Contoh:

Suatu penelitian ingin mengetahui, “apakah ada

perbedaan cita-cita kelak setelah tamat S-1 diantara
mahasiswa dan mahasiswi fakultas A semester-VII?”

Hipotesis:

1. Ho = tidak ada perbedaan antara mahasiswa dan

mahasiswi dalam hal cita-cita mereka kelak setelah
tamat S-1.

84
2. Ha = proporsi mahasiswa lebih banyak yang bercita-
cita sebagai PNS setelah mereka tamat S-1 ketimbang
mahasiswa.

Tabel Kerja

Cita-cita Mahasiswa Mahasiswi Jumlah

PNS 10 11 21

Bukan 46 13 59
PNS

Jumlah 56 24 80

Contoh tabel koreksi Yate’s

Perhitungan:

80 ((10)(13)(11)(46))^2
X2 =
(21)(59)(56)(24)

80 (376)^2
=
1.665.216

= 6,79

Besarnya degree of freedom (df):

85
 df = (k-1) (b-1)

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

• Dari perhitungan di atas, didapatkan nilai:

• Chi-square hitung = 6,79

df = 1

Chi-Square Tabel pada Df 1 dan Signifikansi 0,05 =

3,841

Kesimpulan Statistik:

Chi-Square Hitung > Chi-Square tabel, Ho ditolak,

menerima Ha: artinya proporsi mahasiswi lebih

banyak yang bercita-cita sebagai PNS setelah mereka
tamat S1 ketimbang mahasiswa.

Apabila sampai terjadi di dalam penelitian-

penelitian yang mempergunakan table Kontingensi
lebih dari dua baris, dua kolom dan mendapatkan
frekuensi minimal maka koreksi yates tidak dapat
dipergunakan. Tetapi meskipun demikian kita masih
mempunyai jalan keluar untuk menyelesaikan dengan

86
cara membuang atau mempunyai nilai minimal.
Namun, konsekuensinya jumlah baris, kolom dari tabel
kontingensi menjadi berkurang.

87
RANGKUMAN

1. Rumus Koreksi Yates merupakan salah satu dari

beberapa rumus uji chi-squre.

2. Beberapa jenis rumus chi-square, antara lain adalah:

Pearson Chi-Square, Continuity Correction/Yates
Correlation/Koreksi Yates, Fisher Exact Test,
Likelihood Ratio.

3. Syarat Penggunaan: Tidak boleh ada cell dengan

frekuensi kenyataan sebesar 0, tidak boleh ada cell
dengan frekuensi harapan sebesar kurang dari 5.

88
 DAFTAR PUSTAKA

Nuryadi., dkk. (2017). Dasar-Dasar Statistik

Penelitian. Yogyakarta: SIBUKU MEDIA.

Musriha. (2014). Statistik Induktif Dan Metode

Kuantitatif Untuk Ekonomi Dan Bisnis. Surabaya: CV.
Jakad Media Publishing.

Spiegel, M. (2004). Statistik. Jakarta: Penerbit

Erlangga.

Wahyuning, S. (2021). Dasar-Dasar Statistik.

Semarang: Yayasan Prima Agus Teknik.