BIOSTATISTIK IV

PROGRAM STUDI S-1 KEPERAWATAN

FIKES UNMUH JEMBER

Hj. SRI UTAMI, SKM. MM.

POKOK BAHASAN :

5. Tabel Distribusi Frekuensi :

5.1. Contoh
5.2. Definisi
5.3. Batas Kelas
5.4. Batas nyata
5.5. Lebar Kelas
5.6. Kelas Terbuka
5.7. Tanda kelas
5.8. Jumlah kelas
5.9. Menyusun Distribusi Frekuensi
 6. Ukuran Pemusatan Data :
6.1. Gunanya
6.2. Jenis
6.3. Rumus dan Hitungan
6.4. Contoh Soal
6.5. Kedudukan Mean, Modus dan Median
6.6. Kegunaan Mean, Modus dan Median
7. Persentil, Decil dan Kuartil :
7.1. Percentil
7.2. Decil
7.3. Kuartil
7.4. Kegunaan Persentil
8. Ukuran Sebaran/Variabilitas :

8.1. Pengertian
8.2. Jenis Ukuran Sebaran
a. Range Penuh
b. Range 10 - 90
c. Range Antar Kuartil
d. Range Semi Antar Kuartil
e. Mean Deviasi
f. Standar Deviasi
g. Arti Standar Deviasi
h. Ilustrasi Standar Deviasi
9. Validitas dan Reliabilitas :

9.1. Definisi
9.2. Keterangan tentang Validitas
9.3. Reliabilitas
6. TABEL DISTRIBUSI FREKUENSI
5.1. CONTOH TABEL DISTRIBUSI IQ :
IQ Frekuensi
125 – 129 2
120 – 124 3
115 – 119 7
110 – 114 12
105 – 109 18
100 – 104 21
95 – 99 20
90 – 94 11
85 – 89 5
80 – 84 1
Total 100
5.2. DEFINISI :

Tabel Distribusi Frekuensi adalah :

Suatu penyajian data dalam bentuk tabel

yang berisi data yang telah digolongkan
kedalam kelas-kelas menurut tingkatannya
beserta jumlah individu yang termasuk
dalam masing - masing kelas.
5.3. BATAS KELAS :
- Definisi : Batas kelas adalah angka yg membatasi
kelasnya dari kelas2 diatas & dibawahnya.
- Contoh :
Utk kelas 120 – 124, maka batas kelasnya adalah :
- 120  Batas Bawah
- 124  Batas Atas

5.4. BATAS NYATA :

- Contoh 1 :
Bila IQ dlm gol kelas 120-124  berarti mewakili
semua IQ yg bergerak antara 119,5 sampai dg
124,5  119,5 & 124,5 = Batas Nyata.
Contoh 2 :
Kelas 51 – 53 Batas nyata dari kedua kelas ini adalah :
54 – 56 (53 + 54) : 2 = 53,5
57 – 59 Batas nyata dari kedua kelas ini adalah :
60 – 62 (59 + 60) : 2 = 59,5
Gampangnya : Bts bawah – 0,5
Bts atas + 0,5
Kadang-kadang Batas Nyata digunakan utk menandai
penggolongan kelas2 dlm suatu tabel, ini menyulitkan.
Contoh : 50,5 – 53,5
53,5 – 56,5 Akan menimbulkan banyak
56.5 – 59,5 kesulitan dalam perhitungan.
59,5 – 62,5
5.5. LEBAR KELAS ( i ) :
- Umumnya pencatatan dlm tabel distribusi menggu
nakan penggolongan-2 kelas yg sama lebarnya
Contoh : 51 – 53; 54 – 56; 57 – 59 ; 60 – 62
- Masing-2 kelas punya lebar = 3 yg diperoleh dari
pengurangan bts atas nyata dg bts bawah nyata.
Contoh : utk kelas 51 – 53, maka lebar kelasnya
adalah 53,5 – 50,5 = 3
5.6. KELAS TERBUKA :
< 30 Kelas terbuka sebaiknya dihindari krn
akan menimbulkan kesulitan saat akan
> 70 melakukan analisis.
5.7. TANDA KELAS = TITIK TENGAH :

- Contoh :
- Untuk kelas 51 – 53 titik tengahnya = (51+53) : 2 = 52
- Untuk kelas 54 – 56 titik tengahnya = (54+56) : 2 = 55

 Untuk kepedulian perhitungan-2 statistik, semua

observasi yg termasuk dalam suatu kelas dipandang
menjadi milik/diwakili oleh tanda kelasnya.
 Ilustrasi : Ada tiga org dg berat badan termasuk dlm
kelas 51 – 53 kg. Artinya ketiga org tsb dipandang
berat badannya masing-masing adalah 52 kg.
Shg kalau dicari jumlah berat badan ketiga orang
tersebut = 3 X 52 = 156 Kg.
5.8. JUMLAH KELAS :

Definisi :
- Jumlah kelas adalah banyaknya kelas dlm distribusi
- Jumlah kelas sebaiknya : - Tidak kurang dari 5 dan
- Tidak lebih dari 20
Karena :
 Jumlah kelas yang > 20 memberi gambaran yang
sangat jelas tentang ciri-ciri individu, tapi tidak
menunjukkan dengan tajam karakteristik groupnya
 Sebaliknya jika jumlah kelas < 5, maka gambaran
karakterisik group sangat menonjol, tapi ciri-ciri
individu menjadi kabur sama sekali.
5.9. MENYUSUN DISTRIBUSI FREKUENSI
 R = Range
= Selisih data tertinggi – data terendah
 K = Jumlah kelas (Ingat : jumlah tdk kurang dari 5
dan tdk lebih dari 20)

K = 1 + 3,3 log n  n = Banyaknya Data 

(Rumus Struges)
 I = Lebar Kelas
R R = Range
I =  K = Jumlah Kelas
K
dengan ketentuan”I” harus : - Bilangan Gasal
- Atau Kelipatan 5
Contoh : Lihat slide 22 dan 23
6. UKURAN PEMUSATAN DATA

6.1.Gunanya : Untuk mendiskripsikan suatu grup

dengan cara mencari suatu bilangan
yang dapat mewakili grup tersebut.
Ex : Bilangan Rata2/Bilangan Tendensi Sentral/
Bilangan Pemusatan Data
6.2. Jenis :
Dikenal 3 (tiga) Bilangan Tendensi Sentral :
a. Mean
b. Modus/Mode
c. Median
6.3. Rumus dan Hitungan
a. Mean (X):
• Disebut pula angka rata – rata
• Dalam Statistik disebut Mean Arithmatic.
Untuk Data Tunggal :
 Apabila terdapat n data yang dinyatakan
dengan X1, X2, X3 ……….. Xn
n
∑ Xi
i=1

X =
n
Untuk data yang dikelompokkan :

∑ mi fi
i=1
X =
k

∑ fi
i=1

mi = titik tengah kelas ke i

fi = frekuensi kelas ke i
k = kelas interval ke 1, 2, 3, …… k
b. Modus/Mode (Mo) :
 Adalah suatu nilai atau suatu fenomena yg paling
banyak terjadi atau nilai/kelas yang paling populer.
 Pada data yang dikelompokkan paling mudah
dicari, (periksa frekuensi tertinggi dari kelas mana
pada tabel distribusinya  Modusnya dlm kelas ini)
 Pada data tunggal  dilihat yang paling sering
muncul
 Jadi Modus merupakan alat yang paling cepat untuk
menaksir Tendensi Sentral nilai-nilai dalam
distribusi.
 Kelemahan : - Sangat kasar
- Kurang dapat dipercaya
Untuk data di kelompokkan :

a
Mo = Lmo + X i
a+b
Lmo = Batas bawah kelas modus
a = Beda frek kelas modus dg kelas sebelumnya
b = Beda frek kelas modus dg kelas sesudahnya

 Catatan :
- Modus / Mode  bisa > 1
- Data bisa tidak punya Modus / Mode
c. MEDIAN : (Md)
- Angka yang membagi data yang telah diurutkan,
menjadi dua bagian yang sama.
- Untuk Data Tunggal :
- Apabila terdapat n data yang dinyatakan X1, X2,
X3 ……….. Xn, maka data tersebut diurutkan.
- Untuk n Ganjil : n+1
Md = Xk  k =
2
- Untuk n Genap :
Xk + X(k+1) n
Md =  k=
2 2
Untuk Data Dikelompokkan :

Lmd = bts bwh kls median

n fmd = frek kls median
F
2 n = Jml data
Md = Lmd + xi F = Jml frek kelas
fmd sblm kls med
i = Lebar Kelas

Contoh soal  di slide berikut …………..

6.4. CONTOH SOAL :

1). DATA TUNGGAL IQ : 86, 89, 108, 113, 122, 113, 94, 97, 114, 93

Lakukan array data dulu :

No. Subyek : 1 2 3 4 5 6 7 8 9 10
IQ : 122 114 113 113 108 97 94 93 89 86

Modus (Mo) = 113

(X1+X2+X3 ….+X10) 1.029
Mean (X) = = = 102.9
10 10
Median (Md) = utk n : genap  k = 10 : 2 = 5  X5

Jadi Md = {X5+X(5+1)} : 2 = (108 + 97) : 2 = 102,5

2). DATA DIKELOMPOKKAN
Pada Tabel berikut panjang 40 helai daun salam dicatat
sampai milimeter terdekat :
138 164 150 132 144 125 149 157
146 158 140 147 136 148 152 144
168 128 138 176 163 119 154 165
146 173 142 147 135 153 140 135
161 145 135 142 150 156 145 128
Perintah :
1. Buat Distribusi Frekuensi
2. Hitung : Mean, Modus & Median
3. Gambarkan : - Poligon Frekuensi & Curva Frekuensi
Catatan : - Hitung : R, I, K terlebih dahulu
- K dan I dibulatkan keatas / interger positive
Jawab :
Catatan : X = 147,55 (lihat slide 24)
Panjang Melidi fi mi fimi fi mi-X fi mi²
(cm) (Tally)

117 – 125 2 121 242 53,1 29.282

126 – 134 3 130 390 52,65 50.700
135 – 143 10 139 1390 85,5 193.210
144 – 152 13 148 1924 5,85 284.752
153 – 161 6 157 942 56,7 147.894
162 – 170 4 166 664 73,8 110.224
171 – 179 2 175 350 54,9 61.250
40 5902 382,5 877.312
Catatan:

R = 176 – 119 = 57
K = 1 + 3,3 log n  log n = log 40 =1,602
= 1 + 5,287 = 6,287  7
R 57
I = = = 8,14  9
K 7
Distribusi Frekuensi : lihat slide sebelumnya
5.902
Mean = 40 = 147,55  X
LANJUTAN CATATAN :
1. Untuk mendapatkan awal distribusi (batas bawah
kelas terendah = “117”) :
Data terendah (119) : Interval (9) = 13,222. Hasilnya
diambil yg bulat (13) x Interval (9) = 117
2. Membuat distribusi : 117  dikurangi 0,5 (utk menda-
patkan batas nyata) = 116,5.
3. Utk mendapat batas atas nyata 116,5 + 9 = 125,5.
4. Kelas berikutnya dimulai dari batas atas nyata
dengan cara menambahkan 125,5 dengan interval
(9) = 134,5 ; ditambah lagi 9 = 143,5 dst sampai
mendapatkan 7 kelas.
5. Batas bawah didapat dengan menambahkan batas
atas awal dengan 1 dst
Lanjutan Median :
Median :  Lmd = 143,5 ; n = 40 ; F = 15
fmd = 13 ; I = 9
Utk cari kelas median = 40/2 = 20 …….
40
2 15
Md = 143,5 + x9
13
20 - 15
= 143,5 + x9
13
45
= 143,5 + = 143.5 + 3.46 = 146.96
13
Modus/Mode :
Modus : Lmo = 143,5; a = 3 ; b = 7 dan i = 9
a
Mo = Lmo + x i
a+b
3
Mo = 143,5 + x 9
3+7
27
Mo = 143,5 +
10
Mo = 143,5 + 2,7 = 146,2

Catatan : Untuk menggambar Poligon/Kurva Frek

mutlak perlu Histogram
6.5. KEDUDUKAN MEAN, MODUS & MEDIAN :

 Kedudukan ke – 3 Tendensi Sentral ini sangat tergan-

tung pada bentuk distribusi
 Dalam praktek penelitian, pd umumnya di jumpai 3
(tiga) kemungkinan bentuk distribusi sebagaimana
ditunjukkan oleh kurvanya :
a. Bentuk Distribusi Normal  Kurva bentuk Genta
b. Bentuk Distribusi Juling Positif  Kurva hampir
menyerupai genta dg ekor disebelah kanan
c. Bentuk Distribusi Juling Negatif  Kurva hampir
menyerupai genta dg ekor disebelah kiri
LANJUTAN KEDUDUKAN MEAN, MODUS
DAN MEDIAN

 Pada Distribusi Normal : M, Mo & Md

bersekutu. Jadi M = Md = Mo (hampir sama)
 Pada Distribusi Juling Positif : Mo terletak
dibawah puncak kurva, diikuti Md & M
dikanannya
 Pada Distribusi Juling Negatif : Mo terletak
dibawah puncak Kurva diikuti Md & M dikirinya.
Distribusi Distribusi Juling Positif
Normal

M Mo
Md Md

Mo M

Distribusi Juling Negatif

M
Md
Mo
 Lihat tentang Distribusi Normal
dalam Biostatistik VI mulai slide
nomor No. 39
6.6. KEGUNAAN MEAN, MODUS & MEDIAN :
 Kegunaannya berlainan
 Mempunyai kelebihan dan kekurangan masing2

a. Kegunaan Mean :
- Paling stabil utk melayani analisa
matematik
- Paling cocok untuk distribusi normal
- Paling tepat untuk alat estimasi
- Untuk Data Skala Interval
- Penting untuk Inferensi
b. Kegunaan Modus :
- Alat Diskripsi yang cepat, tapi kasar
- Cocok untuk mencari kejadian yang populer
- Tidak terpengaruh oleh kasus ekstrem
- Untuk data dengan skala Nominal, Ordinal
atau Interval
c. Kegunaan Median :
- Amat penting untuk distribusi yang tidak normal/
sangat menceng (Highly Skewed)
- Penting untuk Inferensi
- Untuk data dengan skala ordinal/interval
- Tepat untuk menghadapi distribusi terbuka
7. PERSENTIL, DECIL DAN KUARTIL

7.1. PERSENTIL :

 Seluruh Distribusi akan ada 100 persentil, dengan

simbul P1, P2, P3 ……. P100.
 Persentil ini juga merupakan suatu nilai / suatu
bilangan
 Persentil ke n (Pn) adalah suatu nilai / bilangan yang
membatasi n % frekuensi bagian bawah distribusi dari
frekuensi sisanya.
 Misalnya P25 , artinya suatu bilangan/nilai yang
membatasi 25% frekuensi bagian bawah distribusi
dari 75% frekuensi bagian atas ditribusi
Contoh : Mencari P25 dari distribusi dibawah ini
IQ FREKUENSI  Tetapkan P25 atau 25 % N 
25/100 x 100 = 25
125 – 129 2
 Sampai dengan IQ 94,5 telah
120 – 124 3 terisi 17 orang. Untuk mencukupi
25 org, masih diperlukan 8 orang
115 – 119 7
yang harus diambil dari frekuensi
110 – 114 12 kelas 95 – 99 yaitu 20
105 – 109 21  Karena lebar kelas 95 – 99 sama
dengan 5, maka 8 orang yang
100 – 104 18 diperlukan akan menduduki : 8/20
95 – 99 20 x5=2
 Jadi P25 = 94,5 + 2 = 96,5
90 – 94 11
 Artinya bilangan 96,5 ini memba-
85 – 89 5 tasi 25 orang yg. mempunyai IQ
80 – 84 1 79,5 – 96,5 dari 75 orang yang.
mempunyai IQ diatas 96,5.
Jumlah 100
7.2. DECIL :

Adalah persentil ke puluhan

Jadi : D1 = P10
D2 = P20
D5 = P50 = Md
D7 = P70  Dn = Pn (10)

7.3. KUARTIL :
Adalah persentil yang ke dua puluh limaan
Jadi : K1 = P25
K2 = P50 = D5 = Md
K3 = P75
7.4. KEGUNAAN PERSENTIL :

a. Untuk membagi distribusi menjadi beberapa

golongan kelas yang sama banyak frekuensinya.
Misal : Jika distribusi penghasilan akan dibagi men-
jadi 5 golongan yang sama banyak frekuen-
sinya yakni masing2 golongan berisi 20%
dr N, maka bilangan penghasilan yg diper-
lukan adalah bilangan penghasilan P20,
P40, P60, & P80 sbg batas dari 5 golongan
yang dimaksudkan.
LANJUTAN KEGUNAAN PERSENTIL :

b. Untuk memisahkan sebagian distribusi dari

sebagian sisanya.
Misalnya : Jika 10% yg paling baik IQ nya harus
diberikan pendidikan istimewa, maka
perlu diketahui berapa P90 untuk
menentukan batas IQ dari mereka yg
termasuk 10% yg tercerdas itu.
c. Untuk menyusun norma – norma penilaian.
d. Untuk menormalisasikan distribusi.
8. UKURAN SEBARAN / VARIABILITAS

8.1. PENGERTIAN UKURAN SEBARAN :

- Salah satu landasan pokok stat adlh variasi,
sebab kejadian yg dihadapi oleh peneliti selalu
menunjukkan variasi, besar atau kecil.
- Oleh karena itu, karakteristik suatu gejala /
/subyek/kejadian tidak cukup hanya dilihat
tendensi sentralnya saja, tapi keadaan variasi
juga harus diselidiki.
Ukuran sebaran ini untuk mengetahui keadaan
penyebaran nilai-nilai tendensi sentralnya.
8.2. JENIS UKURAN SEBARAN :

a. RANGE PENUH :

 Adalah : Jarak nilai tertingi dg nilai terendah

Misalnya : IQ tertingi = 120 Range IQ dlm
IQ terendah = 85 Group : 35

 Bila ada 2 Group :

Group I Range = 35 - Group I > variasinya
Group II Range = 10 - Group II > Homogen
LANJUTAN RANGE PENUH :

Kelemahan Range Penuh :

1). Sangat tergantung pada dua nilai/bahkan sangat

tergantung pada satu nilai yang ekstrem, shg bukan
merupakan suatu alat pengukuran ilmiah yg reliabel,
juga merupakan alat ukur variasi yg tdk stabil
2). Tidak dapat menunjukkan bentuk distribusinya
3). Tidak dapat memenuhi difinisi variasi sebab dilepas-
kan dari tendensi sentralnya.
Tetapi Range penuh ini merupakan alat untuk menaksir
variasi secara cepat, tapi tidak teliti.
b. RANGE 10-90 :

 Nilai yang Ekstrem  Tidak Stabil

 Range sangat tergantung nilai Ekstrem
 Untuk menghindari nilai yang tidak stabil, dapat
diambil Range yg lebih sempit yakni Range antara
P10 dg P90 jadi distribusi dipotong masing2 10% pd
tiap ujung.
Misal : P10 = 91,32 Range 10 – 90 =
P90 = 115,93 Re 10-90 = P90 – P10
= 115,93–91,32
= 24,61
c. RANGE ANTAR KUARTIL :
 Memotong distribusi 25% pada tiap ujungnya
 Range Antar Kuartil ini = Range 25-75
Re 25-75 = P75 – P25 = K3 – K1
 Agak lebih stabil dari Range10-90
 Tapi sifat range masih ada

d. RANGE SEMI ANTAR KUARTIL (RSAK) :

 Diperoleh dari membagi 2 Range Antar Kuartil
 Range ini lebih baik dari pd Range penuh maupun
Range 10-90.
 Biasanya digunakan bersama Median
 Md  Menyelidiki Tendensi Sentral
 RSAK  Menyelidiki Variasinya
e. MEAN DEVIASI (MD) :

 Secara Arithmatik MD adalah :

Mean dari harga mutlak semua deviasi nilai-nilai
individual.
 Deviasi adalah :
Penyimpangan suatu nilai dr Mean groupnya.
 Untuk mencari MD, maka dicari dulu X lalu tentukan
besar penyimpangan tiap2 nilai dari X
Misal : IQ A = 110 Deviasi IQ A = 110 - 100
X = 100 = + 10
IQ B = 85 Deviasi IQ B = 85 - 100
X = 100 = - 15
Contoh Soal untuk Data Tunggal :
n
∑ fi Xi - X
i=1
MD =
n

 Contoh : 108, 110, 108, 92, 99, 108, 92

717
xi fi xifi xi - x fi xi – x X =
7
110 1 110 7,57 7,57 = 102,43
108 3 324 5,57 16,71 48,57
99 1 99 3,43 3,43 MD = 7
92 2 184 10,43 20,86
= 8,6
7 717 48,57
Data Yang Dikelompokkan :

n
∑ fi mi - x
MD = i = 1  Lihat contoh soal di slide 23
∑ fi 382,5
MD = = 9,5625
40

 Dibandingkan dgn. ukuran variasi sebelumnya, maka

MD dapat dikatakan lebih maju, krn tdk meniadakan
data sedikitpun. Meskipun nilai yg ekstrem tetap
dipakai, tetapi MD memiliki sifat yg stabil ( Nilai
Ekstrem akan mengubah x tapi dlm keseluruhan MD
tdk banyak berbeda, meskipun ada nilai Eksremnya)
f. STANDARD DEVIASI/SIMPANGAN BAKU (s) :

 Kelemahan MD adalah pada cara perhitungan yg

meniadakan tanda (+) & (-) shg MD tidak dapat
dikenai perhitungan matematis yang tetap
mempertahankan harga2 (+) & (-) .
 s dapat mempertahankan segi baik MD, tapi juga
dapat mengatasi kelemahannya, dg mengkuadrat-
kan deviasinya, kmd dijumlahkan & diakar dg
demikian akan didapat bilangan s yg bertanda
(+) & (-)
(+) = Deviasi diatas X
(- ) = Deviasi dibawah X
Data Tunggal :
n
∑ fi (Xi – X)²
i=1 Denominator :
S= √ - Untuk Sampel = n - 1
n-1
- Untuk Populasi = N

xi fi xi.fi (xi-x) (xi-x)² fi (xi-x)²

110 1 110 + 7,5714 57,3261 57,3261
108 3 324 + 5,5714 31,0405 93,1215
99 1 99 - 3,4286 11,7553 11,7553
92 2 184 - 10,4286 106,7557 217,5114
7 717 379,7143
 717
X= = 102, 4286
7

379,7143
s =√ 6
= √ 63,2857 = 7,9552

 Catatan : (untuk checking)

Cari : fi ( xi-x ), dg catatan (+)&(-) tetap diperhitungkan
lalu jumlahkan.
Bila jumlah = 0  betul
Bila jumlah = 0  salah
Data yang dikelompokkan :

n
∑ fi.mi² - n. x²
i=1  lihat slide 23
s= n
√ ( ∑ fi ) - 1
i=1

877.312 – 40 (147.55)²
s=√
40 - 1
877.312 – 870.840,1
s=√
39

s = √ 6.471,9 = √165,9462  165,9462  Varians = s²

39
rumus s dg akar dihlgkan
 g. ARTI STANDARD DEVIASI (SD /”s”) :

 Dalam hampir semua analisis Statistik terhadap

hasil penyelidikan, “s” merupakan salah satu
Standard Pengukuran Variasi yang paling penting.
 Jika yang dipakai untuk mendeskripsikan Tendensi
Sentral adalah MEAN( x ), STANDAR DEVIASI (s)
selalu digunakan untuk mendeskripsikan variasi.
 “s” membagi Range menjadi beberapa bagian
yang sama lebar.
h. Ilustrasi SD yg diterapkan pd Distribusi Normal :

 Untuk Distribusi Normal /

Distribusi Normal :
Distribusi mendekati Normal,
maka :
1. Banyaknya individu mendpt.
+ 34 % Nilai M s/p + 1 SD masing2
+ 34,13%  34%
+ 48 % 2. Banyaknya individu mendpt.
Nilai M s/p + 2 SD masing2
+ 50 %
+ 47,72%  48%
3. Banaknya individu mendpt.
- 3 SD - 1SD M + 1 SD + 3 SD
- 2 SD + 2 SD Nilai M s/p + 3 SD masing2
+ 49,87%  50%
 Sehingga bila dihitung sebelah menyebelah Mean,
hasilnya sbb :
- Dari – 1 SD sp + 1 SD = 68%
- Dari – 2 SD sp + 2 SD = 96%
- Dari – 3 SD sp + 3 SD = 100%
 Dalam penyelidikan gejala alam maupun pada manusia,
ditemukan banyak yang mengikuti distrb normal. Beberapa
gejala yg telah diketahui hampir selalu mengikuti Distribusi
Normal adalah :
- Bid. Biologi : Pengukuran Antropometrik
- Bid. Edukasi : Semua kemajuan belajar
- Bid. Psychologi : IQ, Sosiabilitas, Aktivitas,
Personality Traits dll
 Untuk menguji apakah suatu gejala mengikuti kurva normal
/tidak, dengan menggunakan teknik pengujian normalitas.
9. VALIDITAS DAN RELIABILITAS :
9.1. DEFINISI VALIDITAS :

- Validitas adalah : Mengukur dengan alat ukur

yang sesuai
- Suatu variabel dapat dikatakan valid kalau diukur
dengan alat ukur yang sesuai.

Validitas Tergantung dari :

a. Content Validity
b. Empirical Validity
c. Construct Validity
9.2. KETERANGAN TTG JENIS VALIDITAS :

a. Content Validity :
Ada 2 macam, yaitu : - Face Validity
- Sampling Validity
a.1. Face Validity
- Validitas yang berdasarkan Subyektif peneliti
- Artinya : sejauh mana instrumen mengukur
sesuatu, yg jelas diukurnya berdasar-
kan telaah subyektif peneliti.
- Tapi walaupun berdasarkan subyektif peneliti,
peneliti dpt konsultasi dengan para ahli. Bila
para ahli setuju, maka variabel yang diukur
tsb mempunyai Face Validity.
 - Kelemahan Face Validity
1). Tidak ada aturan yg pasti untuk mengevaluasi
instrumen
2). Tergantung subyektitivitas peneliti

a.2. Sampling Validity :

- Adalah : Validitas yg berdasarkan kemampuan
instrumen utk mensampling secara
adequate/cukup/memadai semua
karakteristik populasi yg di pelajari.
- Artinya : Isi instrumen cukup mencerminkan
karakteristik populasi yg diukurnya
b. Empirical Validity :
- Berkenan dengan hubungan Instrumen dengan hasil.
pengukuran
- Instrumen mempunyai empirical validity bila ada
hubungan yang kuat yang diperoleh dari pengukuran
instrumen tsb dengan Variabel lain.

c. Construct Validity :
- Menghubungkan instrumen dengan kerangka
teoritis secara umum agar dapat dipakai untuk
menentukan apakah instrumen tsb terkait dengan
konsep & asumsi teoritis yang dipakai pengukuran.
9.3. RELIABILITAS :

 Adalah : Suatu metode untuk mengevaluasi suatu

instrumen
 Menyatakan sejauh mana suatu instrumen mengan -
dung error variable
Error Variable adalah : Kesalahan yg timbul dari 2 x
pengukuran (dengan alat yg sama tapi hasilnya
berbeda)
TERIMA KASIH