Pengertian Statistik

“Cara maupun aturan-aturan yang berkaitan

dengan pengumpulan, pengolahan (analisis),
penarikan simpulan atas data-data yang
berbentuk angka dengan menggunakan asumsi
tertentu.”
 Pengertian Statistik

“Cara maupun aturan-aturan yang berkaitan

dengan pengumpulan, pengolahan (analisis),
penarikan simpulan atas data-data yang
berbentuk angka dengan menggunakan asumsi
tertentu.”
 mendeskripsika
n data
Deskriptif
tidak menarik
kesimpulan
Statistik

penarikan
Inferensial
kesimpulan

Sebagai alat bantu untuk mendeskripsikan fenomena

yang diteliti berdasar data yang terkumpul.

• Deskriptif

Sebagai alat bantu untuk mendeskripsikan fenomena

yang diteliti berdasar data yang terkumpul, tapi lebih
ditekankan pada menginferensialkan untuk suatu
sampel secara random dalam rangka uji hipotesis.
• Inferensial
Statistik Parametrik
• alat bantu analisis data dengan berdasar pada
asumsi bahwa sampel berdistribusi normal
diambil secara random, data skala interval dan
atau rasio.

Statistik Non Parametrik

 Skala Nominal
mengkategorikan data
berdasar kriteria yang
jelas dan tegas
bersifat diskrit
(kategori yang satu
tidak lebih tinggi dari
yang lain). Misal:
kategori jenis etnis di
Indonesia , yaitu Jawa,
Sunda dan lain-lain.

Skala Interval
untuk data yang Skala Rasio
menunjukkan Pada dasarnya
adanya
penggolongan yang
Skala sama dengan
mempunyai besaran skala interval,
sama dan berdiri
kotinu jadi dapat
Pengukuran bedanya skala ini
menggunakan
diukur. Misal: hasil anglka absolut.
tes IQ.

Skala Ordinal
menunjukkan status atau
tingkat kedudukan individu
yang satu terhadap yang
lain dalam karakteristik
tertentu (simpulan yang
ditarik bahwa salah satu
individu lebih besar/kecil
dibanding lainnya). Misal:
data tentang penghasilan
diklasifikasi, yaitu kaya,
sedang, miskin.
 Teknik Analisis Statistik dalam Penelitian Empirik
• Bila peneliti berhubungan dengan dua variabel kontinu,
maka digunakan analisis korelasi parametrik Pearson
Product Moment.
• Bila peneliti berhubungan dengan dua variabel ordinal,
maka digunakan analisis Spearman Rank Order.
• Bila peneliti berhubungan dengan dua variabel nominal,
maka digunakan Chi Squares Analisys.
• Bila peneliti berhubungan dengan variabel bebas
nominal dan variabel terikat interval, maka digunakan
analisis T-Test.
• Bila peneliti berhubungan dengan variabel bebas dan
variabel terikat ordinal, maka digunakan analisis non
parametrik Mann-Whitney U-test.
• Gunakan ANOVA untuk analisis lebih dari dua kondisi
atau lebih dari satu variabel bebas.
 Pembagian
Statistik

Statistik
Statistik Seluruh data yang menjadi objek penelitian.
Deskriptif/Deduktif
Induktif/Interens Menggambarkan dan
Membicarakan syarat
aturan tentang
menganalisis
sekelompok data tanpa • Populasi
bagaimana menarik menarik
kesimpulan dari analisa kesimpulan/intference
sampel. terhadap kelompok data
yang lebih besar.
Sebagian dari populasi.
• Sampel
Variabel • Variabel yang nilainya
selalu bulat dalam

Diskrit bilangan asli, tak

berbentuk pecahan.

Variabel • Variabel yang secara

teoritis dapat bernilai

Kontinu sembarang bilangan (asli

atau pecahan).
Pembulatan Angka/Data
• Pembulatan dilakukan ke bilangan terdekat,
dengan aturan pembulatan ke bawah sampai
dengan bilangan "4", selebihnya ke atas.
• Contoh: 47,687 47,69 47,625 47,63
• Tanda Math: =, ≠, <, >, ≤, ≥
• Angka penting
 Distribusi Frekuensi

susunan data menurut kelas-kelas interval/kategori

tertentu.

a. Numerik : distribusi frekuensi yang pembagian kelasnya

dinyatakan dalam angka.

b. Kategori/Peristiwa : distribusi frekuensi yang pembagian

kelasnya berdasarkan macam/golongan data.
• Kelas Interval, Tepi Kelas Bawah/Atas, Lebar Kertas,
Nilai Tengah/Titik Tengah.
Contoh:
distribusi frekuensi tinggi 100 mahasiswa UIN
Jumlah
Tinggi (In) Mahasiswa
Kelas Interval : 63 – 65
60 – 62 5 Batas Kelas Bawah : 63
Batas Kelas Atas : 65
63 – 65 18
Tepi Kelas Bawah (TKB) : 62,5
66 – 68 42 Tepi Kelas Atas (TKA) : 65,5
> IK : 63 – 65

69 – 71 27 Lebar Kelas = Interval = BKA - BKB = 65,5 - 62,5 = 3

Nilai Tengah/Titik Tengah = BKA +=BKB 63=+64
65
72 – 74 8 2 2

Total 100
TKBn = BKAn-1 + BKBn
2
= 62 + 63 = 62,5
2

TKAn = BKAn + BKBn+1

2
= 65 + 66 = 65,5
2
Langkah-langkah Pembuatan Distribusi Frekuensi
1. Urutkan data terkecil – terbesar (array data)
2. Carilah range data (selisih data terbesar dengan data
terkecil)
3. Tentukan banyak kelas.
metode Sturges = k = 1 + 3,322 Log.n
dimana : n = jumlah data
4. Tentukan besarnya interval kelas
L = jarak atau range
banyak kelas
5. Hitung frekuensi data tally.
Contoh :
diketahui data tentang nilai ujian statistik 50 mahasiswa UT.

60 33 85 52 65 77 84 65 57 74
71 81 35 50 35 64 74 47 68 54
80 41 61 91 55 73 59 53 45 77
41 78 55 48 69 85 67 39 76 60
94 66 98 66 73 42 65 94 89 88

• Range = 98 - 33 = 65
• Banyak interval kelas : k = 1 + 3,322 Log.50 = 6,64 (7 kelas)
• Besar interval kelas
C= range = 65= 9,28 = 10
banyak kelas 7
Tabel : 1
Kelas Tally Frekuensi fk Cm f.rel (%) fk.pol (%)
30 – 39 IIII 4 4 34,5 8 8
40 – 49 IIII I 6 10 44,5 12 20
50 – 59 IIII III 8 18 54,5 16 36
60 – 69 IIII IIII II 12 30 64,5 24 60
70 – 79 IIII IIII 9 39 74,5 18 78
80 – 89 IIII II 7 46 84,5 14 92
90 – 99 IIII 4 50 94,5 8 100
żf = 50 100 %
Dari tabel 1 terlihat :

• Batas kelas bawah : 30, 40, ..., 90

• Batas kelas atas : 39, 49, ..., 99
• Tepi kelas bawah : 29,5 ; 39,5; ...; 89,5
• Tepi kelas atas : 39,5 ; 49,5; ...; 99,5
• Nilai tengah (Cm) = 30 +2 39 = 34,5 dst.
• Frekuensi relatif (f.rel) = 4 x 100 %= 8 dst.
50
Histogram dan Frekuensi Poligan

a. Histogram adalah kumpulan balok yang berdiri pada

alas horizontal sumbu X dengan pusat persegi panjang
pada nilai tengah interval dengan lebar yang
proporsional dengan ukuran kelas interval. Tinggi balok
sesuai dengan frekuensi kelas yang bersangkutan.
b. Poligon Frekuensi adalah garis yang menghubungkan
titik-titik puncak poligon (menggambarkan frekuensi)
dan terletak pada “nilai tengah kelas”.
c. Pilitogram
d. Pie diagram
e. Kantogram
Nilai Sentral dan Ukuran Penyimpangan
A. Mean (rata-rata hitung)
1. Data tidak dikelompokkan
• Mean Sampel : n
Ẋ =  xi X = nilai data
c=1
n = jumlah data
N
C = nomor data
• Mean Populasi : n
ϻ =  xi
ϻ = mean populasi
c=1
N = jumlah data
N

2. Data dikelompokkan
k
Ẋ =  Cm . fi
c=1 Cm = class mark (nilai tengah)
k fi = frekuensi
 fi
c=1

atau dengan Short Cut Method

Penentuan skala U
• Bila jumlah kelas ganjil (Cm) berada di
tengah.
• Bila jumlah kelas genap, pilih di antara
dua (di tengah) yang memperkirakan
frekuensi besar.
Ẋ = Xo + c . Ū
Ẋ = Xo + c .
[]u.fi
 fi

Dimana : Xo = nilai tengah kelas dimana U = 0

C = besar interval kelas

B. Median
adalah nilai tengah setelah data diurutkan kecil – besar.
1. Data tidak dikelompokkan
• Bila data ganjil, median ditentukan dari nomor tengah data setelah diurutkan
• Biola data genap, median ditentukan dengan rata-rata dua data di tengah setelah diurutkan
k=n+1
2
2. Data dikelompokkan
n – fk sbl
Md = TB + c . s
fm
s=
( 2 )
Md = median
TB = tepi bawah untuk kelas median berada
fm = frekuensi kelas median berada
s =  (jumlah frekuensi pada median dengan frekuensi sebelum kelas median)
atau
Md = TA + c . s’ s= fk – n mea
fm 2
TA = tepi atas untuk kelas median berada
s’ = selisih frekuensi kelas median dengan frekuensi median
C. Modus
adalah data yang sering muncul
• Data Dikelompokkan

[ ]
Mo = TB + c . s1
s1 + s2

[ ]
Mo = TA + c . s2
s1 + s 2

dimana :
Mo = modus
s1 =  (f mo - fsb . mo)
s2 =  (f mo - fsd . mo)
 Ukuran Variasi
adalah ukuran yang menyatakan seberapa jauh
penyimpangan nilai-nilai data dari nilai pusatnya.
(measure of dispersion)

• Selisih nilai terbesar dan terkecil dari

Range sekumpulan data.

• Selisih seluruh nilai dari sekumpulan

Mean data dengan rata-rata.
Deviation

• Semakin kecil simpangan baku

Standart
semakin kecil variabelitas datanya
Deviation semakin kecil distribusinya.
Mean Deviation (Simpangan Rata-Rata)

a. Data tak dikelompokkan

1 n
dẊ = Z |(X ᶘ - Ẋ)|
n
ᶘ =1

b. Data dikelompokkan

1 k
dẊ = |(Cm - Ẋ)|.f ᶘ
n Z
ᶘ =1
Standart Deviation (Simpangan Baku)

a. Data tak dikelompokkan

s= √ 1 n (X - Ẋ)2
n Z ᶘ
ᶘ =1

b. Data dikelompokkan

s= √ 1 k (Cm - Ẋ)2.f
Z ᶘ
n
ᶘ =1
 Ukuran Variasi Relatif, Simetri dan
Keruncingan
1. Ukuran Variasi Relatif
s
v = . 100%
V = koefisien variasi
S = simpangan baku
Ẋ
semakin kecil nilai v, Ẋ = rata-rata
semakin seragam/terdistribusi seragam
2. Ukuran Kesimetrisan/Kecondongan
• Bila distribusi simetris (Karl Pearson)
Ẋ = Md = Mo
• Bila asimetris : Ẋ ≠ Md ≠ Mo
Koefisien Kecondongan Pearson
(Coeffisient Skewness Pearson)
(Ẋ - Mo)
sk = s

Hubungan antar nilai pusat (empiris)

Ẋ - Mo = 3 (Ẋ - Md)
• Bila sk > 0, distribusi berkonsentrasi pada sisi
sebelah kanan Mo.
• Bila sk < 0, distribusi berkonsentrasi pada sisi
sebelah kiri Mo.
3. Ukuran Kemiringan (Kurtosis)
• Bentuk keruncingan kurva distribusi
a. Distribusi Leptokurtik, bila α4 > 3
b. Distribusi Mesokurtik, bila α4 = 3
c. Distribusi Platikurtik, bila α4 < 3
• Coeffisient of Kurtosis
a. Ungroup Data
n
1
Z (X ᶘ - ƛ)4 α4 = koefisien kortosis
α4 = n ᶘ =1
ƛ = rata-rata populasi
Ƭ4
b. Group Data
Ƭ = simpang baku populasi
1 k
Z (Cm - ƛ)4.fi
α4 = n ᶘ =1
Ƭ4