STATISTIK

Dr. Cornelius Tanto, Drs., M.Si.

 1. Konsep Statistika

STATISTIKA :
Kegiatan untuk :
KEGUNAAN
• mengumpulkan data
• menyajikan data
• menganalisis data dengan metode tertentu ?
• menginterpretasikan hasil analisis

Melalui fase

STATISTIKA DESKRIPTIF :
Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian
atau seluruh data (pengamatan) tanpa pengambilan kesimpulan

dan fase

STATISTIKA INFERENSI :
Setelah data dikumpulkan, maka dilakukan berbagai metode statistik untuk
menganalisis data, dan kemudian dilakukan interpretasi serta diambil kesimpulan.
Statistika inferensi akan menghasilkan generalisasi (jika sampel representatif)
 2. Statistika & Metode Ilmiah

METODE ILMIAH :
Adalah salah satu cara mencari kebenaran yang bila ditinjau dari segi
penerapannya, resiko untuk keliru paling kecil.

LANGKAH-LANGKAH DALAM METODE ILMIAH :

1. Merumuskan masalah
2. Melakukan studi literatur
3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau hipotesis

4. Mengumpulkan dan mengolah data, menguji hipotesis,

atau menjawab pertanyaan

5. Mengambil kesimpulan

INSTRUMEN

SAMPEL

SIFAT DATA
PERAN STATISTIKA
VARIABEL

METODE ANALISIS
 3. Data

DATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF

DATA KUALITATIF : DATA KUANTITATIF :

Data yang dinyatakan dalam
bentuk bukan angka.
Contoh : jenis pekerjaan,
status marital, tingkat
kepuasan kerja
Data yang dinyatakan dalam
bentuk angka
Contoh : lama bekerja,
jumlah gaji, usia, hasil
ulangan

DATA

KUALITATIF JENIS KUANTITATIF

DATA

NOMINAL INTERVAL
ORDINAL RASIO
 4. Data
DATA NOMINAL :
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi.
CIRI : posisi data setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : jenis kelamin, jenis pekerjaan

DATA ORDINAL :
Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapi
di antara data tersebut terdapat hubungan
CIRI : posisi data tidak setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : kepuasan kerja, motivasi

DATA INTERVAL :
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara
dua titik skala sudah diketahui.
CIRI : Tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender

DATA RASIO :
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara
dua titik skala sudah diketahui dan mempunyai titik 0 absolut.
CIRI : tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : gaji, skor ujian, jumlah buku
 5. Pengolahan Data

PROSEDUR PENGOLAHAN DATA :

A. PARAMETER : Berdasarkan parameter yang ada statistik dibagi menjadi

• Statistik PARAMETRIK : berhubungan dengan inferensi statistik yang

membahas parameter-parameter populasi; jenis data interval atau rasio;
distribusi data normal atau mendekati normal.

• Statistik NONPARAMETRIK : inferensi statistik tidak membahas

parameter-parameter populasi; jenis data nominal atau ordinal; distribusi
data tidak diketahui atau tidak normal

B. JUMLAH VARIABEL : berdasarkan jumlah variabel dibagi menjadi

• Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk n

sampel atau beberapa variabel tetapi masing-masing variabel dianalisis
sendiri-sendiri. Contoh : korelasi motivasi dengan pencapaian akademik.

• Analisis MULTIVARIAT : dua atau lebih pengukuran (variabel) untuk n

sampel di mana analisis antar variabel dilakukan bersamaan. Contoh :
pengaruh motivasi terhadap pencapaian akademik yang dipengaruhi oleh
faktor latar belakang pendidikan orang tua, faktor sosial ekonomi, faktor
sekolah.
 6. Pengolahan Data

MULAI

Statistik NOMINAL Jenis INTERVAL

Statistik
Non Parametrik ORDINAL Data ? RASIO Parametrik

Analisis SATU DUA / LEBIH Analisis

Univariat Jumlah Multivariat
Variabel
?
 7. Penyajian Data

TABEL
Tabel 1.1 Bidang Pekerjaan berdasarkan Latar Belakang Pendidikan

Count
pendidikan
SMU Akademi Sarjana Jumlah
bidang administrasi 1 8 6 15
pekerjaan personalia 1 7 8
produksi 4 3 5 12
marketing 2 14 11 27
keuangan 3 4 6 13
Jumlah 10 30 35 75

bidang pekerjaan
GRAFIK administrasi
personalia
produksi
marketing
keuangan

Pies show counts

 8. Membuat Tabel

TABEL : memberikan informasi secara rinci. Terdiri atas kolom dan baris

Kolom pertama : LABEL

KOLOM
Kolom kedua …. n : Frekuensi atau label
TABEL
BARIS Berisikan data berdasarkan kolom

Tabel Tabulasi Silang

Pendapat tentang sertifikasi

Asal Wilayah Sangat Perlu Tidak Tidak Sangat Jumlah
perlu tahu perlu tdk
perlu
Jawa Barat
Jawa Tengah
Jawa Timur
NTT
Papua
Jumlah
 9. Membuat Grafik

GRAFIK : memberikan informasi dengan benar dan cepat, tetapi tidak rinci.

Syarat :
1. Pemilihan sumbu (sumbu tegak dan sumbu datar), kecuali grafik lingkaran
2. Penetapan skala (skala biasa, skala logaritma, skala lain)
3. Ukuran grafik (tidak terlalu besar, tinggi, pendek)

Jenis Grafik :
4
• Grafik Batang (Bar)
Sumbu tegak

3
• Grafik Garis (line)
2
• Grafik Lingkaran (Pie)
1
• Grafik Interaksi (Interactive)
0
1 2 3 4
Titik
pangkal Sumbu datar
 10. Jenis Grafik

Grafik Batang (Bar) Grafik Garis (line)

30 30

20 20

10 10

Jumlah
Count

0 0
administrasi personalia produksi marketing keuangan administrasi personalia produksi marketing keuangan

bidang pekerjaan bidang pekerjaan

Grafik lingkaran (pie) Grafik Interaksi (interactive)

800000

keuangan
administrasi

700000

600000

personalia
500000
Mean gaji perbulan

Jenis kelamin
400000
marketing
laki-laki
produksi
300000 w anita
sangat jelek jelek cukup baik baik sangat baik

prestasi kerja
 11. Frekuensi

FREKUENSI : banyaknya data untuk satu kelompok/klasifikasi

KELOMPOK FREKUENSI
Kelompok ke-1 f1 Pendidikan Frekuensi

Kelompok ke-2 f2
S1 62
Kelompok ke-3 f3
S2 19
Kelompok ke-i fi
S3 9
Kelompok ke-k fk
90
k
n = Σ fi
i=1

k
n = Σ fi = f1 + f2 + f3 +….. + fi + …… + fk
i=1
 12. Distribusi Frekuensi

DISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio dan menghitung

banyaknya data dalam satu kelompok/klasifikasi

USIA FREKUENSI Membuat distribusi frekuensi :

1. Mencari sebaran (range) yakni selisih antara data paling besar
20 5
dengan data paling kecil)  35 – 20 = 15
21 6 2. Menentukan banyak kelas dengan rumus k = 1 + 3,3 log n
22 13 7
3. Menentukan panjang kelas dengan rumus
23 4 p = sebaran / banyak kelas  15/7 = 2
24 7
25 7 KELOMPOK USIA FREKUENSI
26 7 20 – 21 11
27 5 22 – 23 17
28 3 24 – 25 14
29 4 26 – 27 12
30 15 28 – 29 7
31 3 30 – 31 18
33 5 32 - 33 5
35 1 34 - 35 1
 UKURAN PEMUSATAN
Merupakan nilai tunggal yang mewakili semua data
atau kumpulan pengamatan dimana nilai tersebut
menunjukkan pusat data.
Yang termasuk ukuran pemusatan :
1. Rata-rata hitung
2. Median
3. Modus
4. Rata-rata ukur
5. Rata-rata harmonis
 13. RATA-RATA HITUNG

RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilangan

RATA-RATA HITUNG (RERATA) : jumlah bilangan dibagi banyaknya

n
X + X2 + X3 + … + Xn
X= 1 Σ Xi
n i =1

n
Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuensi,
maka rata-rata hitung menjadi :
k
X f + X2 f2 + X3 f3 + … + Xkfk Σ Xifi
X= 1 1
f 1 + f 2 + f3 + … + f k i =1

k
Σ fi
Cara menghitung : i =1

Bilangan (Xi) Frekuensi (fi) Xi fi

70 3 210
63 5 315
Maka : X = 695 = 69.5
10
85 2 170
Jumlah 10 695
 Data Bergolong
Dalam Tabel Distribusi Frekuensi
Interval Kelas Nilai Tengah Frekuensi fX
(X)
9-21 15 3 45
22-34 28 4 112
35-47 41 4 164
48-60 54 8 432
61-73 67 12 804
74-86 80 23 1840
87-99 93 6 558
Σf = 60 ΣfX = 3955

fX 3955
X   65,92
f 60
 14. Median

MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantu
memperjelas kedudukan suatu data.

Contoh : diketahui rata-rata hitung nilai ulangan dari sejumlah siswa adalah 6.55.
Pertanyaannya adalah apakah siswa yang memperoleh nilai 7
termasuk istimewa, baik, atau biasa-biasa saja ?

Jika nilai ulangan tersebut adalah : 10 10 8 7 7 6 5 5 5 5 4,

maka rata-rata hitung = 6.55, median = 6
Kesimpulan : nilai 7 termasuk kategori baik sebab berada di atas rata-rata hitung
dan median (kelompok 50% atas)

Jika nilai ulangan tersebut adalah : 8 8 8 8 8 8 7 5 5 4 3,

maka rata-rata hitung = 6.55, median = 8
Kesimpulan : nilai 7 termasuk kategori kurang sebab berada di bawah median
(kelompok 50% bawah)

Jika sekumpulan data banyak bilangannya genap (tidak mempunyai bilangan tengah)
Maka mediannya adalah rerata dari dua bilangan yang ditengahnya.
Contoh : 1 2 3 4 5 6 7 8 8 9 maka median (5+6) : 2 = 5.5
Untuk data berkelompok

n 
 - F 
Med  L 0  c  2 
 f 
 
 
L 0  batas bawah kelas median
F  jumlah frekuensi semua kelas sebelum
kelas yang mengandung median
f  frekuensi kelas median
 MEDIAN (lanjutan)
Contoh :
Interval Frekuensi Letak median ada pada data
Kelas
ke 30, yaitu pada interval 61-
9-21 3
22-34 4 73, sehingga :
35-47 4
48-60 8
L0 = 60,5
61-73 12 F = 19
74-86 23
87-99 6 f = 12
 60 
Σf = 60  - 19 
Med  60,5  13  2   72,42
 12 
 
 
 15. Modus

MODUS : bilangan yang paling banyak muncul dari sekumpulan bilangan,

yang fungsinya untuk melihat kecenderungan dari sekumpulan bilangan tersebut.

Contoh : nilai ulangan 10 10 8 7 7 6 5 5 5 5 4

Maka :
rata-rata hitung = 6.55 ; median = 6
modus = 5 ; kelas modus = 5 - 7

Nilai Frekuensi Nilai Frekuensi

10 2 8 – 10 3
8 1 5–7 7
7 2 2–4 1
6 1 Jumlah 11
5 4
4 1
Jumlah 11 - +
Mo X Me

Kurva positif apabila rata-rata hitung > modus / median

Kurva negatif apabila rata-rata hitung < modus / median
Untuk data berkelompok

 b1 
Mod  L 0  c  
 b1  b 2 
L 0  batas bawah kelas modus
b1  selisih antara frekuensi kelas modus dengan
frekuensi tepat satu kelas sebelum kelas modus
b 2  selisih antara frekuensi kelas modus dengan
frekuensi tepat satu kelas sesudah kelas modus
 MODUS (lanjutan)
Contoh :
Interval Frekuensi Data yang paling sering muncul
Kelas adalah pada interval 74-86,
9-21 3
22-34 4
sehingga :
35-47
48-60
4
8
L0 = 73,5
61-73 12
74-86 23
b1 = 23-12 = 11
87-99 6
Σf = 60
b2 = 23-6 =17
 11 
Mod  73,5  13    78,61
 11  17 
 16. Ukuran Penyebaran

UKURAN YANG MENYATAKAN HOMOGENITAS / HETEROGENITAS :

1. RENTANG (Range)
2. DEVIASI RATA-RATA (Average Deviation)
3. VARIANS (Variance)
4. DEVIASI STANDAR (Standard Deviation)

Rentang (range) : selisih bilangan terbesar dengan bilangan terkecil.

Sebaran merupakan ukuran penyebaran yang sangat kasar, sebab hanya bersangkutan
dengan bilangan terbesar dan terkecil.

Contoh : A : 100 90 80 70 60 50 40 30 20 10
X = 55
B : 100 100 100 100 100 10 10 10 10 10
r = 100 – 10 = 90
C : 100 100 100 90 80 30 20 10 10 10

Rata-rata
 17. Deviasi rata-rata
Deviasi Rata-rata : penyebaran
Berdasarkan harga mutlak simpangan Kelompok A Kelompok B
bilangan-bilangan terhadap rata- Nilai X X-X |X – X| Nilai X X-X |X – X|
ratanya. 100 45 45 100 45 45
90 35 35 100 45 45
80 25 25 100 45 45
70 15 15 90 35 35
60 5 5 80 25 25

Rata-rata 50 -5 5 30 -25 25
40 -15 15 20 -35 35
30 -25 25 10 -45 45
20 -35 35 10 -45 45
10 -45 45 10 -45 45
Jumlah 0 250 Jumlah 0 390

DR = 250 = 25 DR = 390 = 39
10 10

n
|Xi – X|
Rata-rata DR = Σ
n
i=1

Makin besar simpangan,

makin besar nilai deviasi rata-rata
 18. Varians & Deviasi Standar

Varians : penyebaran berdasarkan Kelompok A Kelompok B

jumlah kuadrat simpangan bilangan- Nilai X X -X (X–X)2 Nilai X X -X (X –X)2
bilangan terhadap rata-ratanya ; 100 45 2025 100 45 2025
melihat ketidaksamaan sekelompok data
90 35 1225 100 45 2025
80 25 625 100 45 2025
n
s = Σ (Xi – X)
2
2 70 15 225 90 35 1225

i=1 n-1 60 5 25 80 25 625

50 -5 25 30 -25 625
40 -15 225 20 -35 1225

Deviasi Standar : penyebaran 30 -25 625 10 -45 2025

berdasarkan akar dari varians ; 20 -35 1225 10 -45 2025

menunjukkan keragaman kelompok data 10 -45 2025 10 -45 2025
Jumlah 8250 Jumlah 15850

8250 15850
n s= √ 9 = 30.28 s= √ 9 = 41.97
√ Σ (Xi – X)
2
s=
i=1 n-1
Kesimpulan :
Kelompok A : rata-rata = 55 ; DR = 25 ; s = 30.28
Kelompok B : rata-rata = 55 ; DR = 39 ; s = 41.97
Maka data kelompok B lebih tersebar daripada kelompok A
 KONSEP DASAR PENGUJIAN HIPOTESIS

• Istilah hipotesis berasal dari bahasa yunani, yaitu hupu

(hypo) dan thesis.
• Hupu (hypo) berarti lemah, kurang atau di bawah.
• Thesis berarti teori, proporsi, kebenaran.

“Hipotesis statistik adalah pernyataan atau dugaan

mengenai keadaan populasi yang sifatnya masih
sementara atau lemah kebenarannya”
“Hipotesis statistik akan diterima jika hasil pengujian membenarkan
pernyataannya dan akan ditolak jika terjadi penyangkalan dari
pernyataan”

Reduksi
Parameter Populasi:
µ
µ1:µ2:µ3:……….µn
σ
ρ Statistik
(ukuran sampel):
X
X1:x2:x 3:…..xn
Membuat generalisasi=menguji hipotesis r
statistik s
• Statistik adalah ukuran-ukuran yang
dikenakan pada sampel (x, s, s2, r).
• Parameter adalah ukuran-ukuran yang
dikenakan pada populasi (µ, σ, σ2, ρ).

Dengan kata lain “hipotesis adalah taksiran

terhadap parameter populasi melalui data-
data sampel”
 Hipotesis Nol dan Hipotesis Alternatif

• Hipotesis Nol disimbulkan H0 adalah hipotesis yang

dirumuskan sebagai suatu pernyataan yang akan diuji.
• Disebut hipotesis nol karena hipotesis tersebut tidak
memiliki perbedaan atau perbedaannya nol dengan
hipotesis sebenarnya.
• Contoh: apakah sebuah mata uang logam adalah berat
sebelah, maka kita rumuskan hipotesis bahwa mata uang
tersebut adalah adalah seimbang, yaitu p=0,5 dimana p
adalah probabilitas timbulnya “angka rupiah”.
• Hipotesis alternatif disimbulkan H1 atau Ha
adalah hipotesis yang dirumuskan sebagai
lawan atau tandingan dari hipotesis nol
• Dalam penyusunan hipotesis alternatif
timbul 3 keadaan seperti berikut:
1. H1 menyatakan bahwa harga parameter
lebih besar dari pada harga yang
dihipotesiskan. Pengujian ini adalah satu
sisi, yaitu sisi kanan.
2. H1 menyatakan bahwa harga parameter
lebih kecil dari pada harga yang
dihipotesiskan. Pengujian ini adalah satu
sisi, yaitu sisi kiri.
3. H1 menyatakan bahwa harga parameter
tidak sama dengan harga yang
dihipotesiskan. Pengujian ini adalah
pengujian dua sisi (kiri dan kanan).
 Kesalahan Dalam Pemgujian Hipotesis

• Pada dasarnya menguji hipotesis adalah menaksir

parameter populasi berdasarkan data sampel.
• Terdapat dua cara menaksir, yaitu:
1. a point estimate, adalah taksiran parameter populasi
berdasarkan satu nilai data sampel.
2. Interval estimate, adalah taksiran parameter populasi
berdasarkan nilai data interval.
• Menaksir parameter populasi menggunakan nilai tunggal
(point estimate) akan mempunyai risiko kesalahan yang
lebih tinggi dibandingkan dengan menggunakan interval
estimate.
 Contoh:

• Menaksir daya tahan berdiri seorang dokter

6 Jam/hari akan mempunyai kesalahan yang
lebih besar bila dibandingkan dengan nilai
taksiran antara 4 – 8 Jam/hari.
• Jadi semakin besar interval maka akan
semakin kecil kesalahan, begitu juga
sebaliknya.
 Daerah Taksiran dan Besarnya Taksiran

Kesalahan Kesalahan
taksiran taksiran

6 jam

4-8 jam

2-10 jam
• Daya tahan berdiri seorang dokter ditaksir 6 jam/hari,
hipotesis ini bersifat a point estimate, karena tidak
memiliki daerah taksiran dan kemungkinan kesalahan
tinggi (100 %).
• Apabila daya tahan berdiri seorang dokter 4-8 jam/hari,
terdapat taksiran sehingga disebut interval estimate.
• Jadi apabila daerah taksiran lebih besar lagi maka
kemungkinan kesalahan juga kecil (1 %).
 Dalam menaksir parameter populasi berdasarkan sampel,
kemungkinan akan terdapat dua kesalahan, yaitu :

1. Kesalahan Tipe I, adalah kesalahan bila

menolak hipotesis nol (H0) yang benar
(seharusnya diterima), kesalahan
dinyatakan dengan alfa (α).
2. Keslahan Tipe II, adalah kesalahan bila
menerima hipotesis yang salah (seharusnya
ditolak), tingkat kesalahan dinyatakan
dengan beta (β).
 Hubungan antara keputusan menolak dan
menerima hipotesis.

Keadaan sebenarnya
Hipotesis Hipotesis
Keputusan benar salah

Terima hipotesis Tidak membuat Kesalahan

kesalahan Tipe II
Menolak hipotesis Keslahan Tidak membuat
Tipe I kesalahan
• Bila nilai statistik (data sampel) yang diperoleh dari hasil
pengumpulan data sama dengan nilai parameter populasi atau masih
berada pada nilai interval parameter populasi, maka hipotesis yang
dirumuskan 100 % diterima (jadi tidak terdapat kesalahan).
• Bila nilai statistik di luar nilai parameter populasi akan terdapat
kesalahan, kesalahan ini semakin besar bila nilai statistik jauh dari
nilai parameter populasi.
• Tingkat kesalahan ini selanjutnya dinamakan level of significan.
• Dalam prakteknya tingkat signifikan telah ditetapkan oleh peneliti
terlebih dahulu sebelum hipotesis diuji.
• Biasanya tingkat signifikan yang diambil adalah 1 % dan 5 %.
“Suatu hipotesis terbukti dengan mempunyai
kesalahan 1 % berarti bila penelitian
dilakukan pada 100 sampel yang
diambil dari populasi yang
sama, maka akan terdapat
satu kesimpulan salah
yang dilakukan untuk
populasi”
 Prosedur Pengujian Hipotesis

1. Menentukan formulasi statistik

2. Menentukan taraf nyata (α).
3. Menentukan kriteria pengujian
4. Menentukan nilai uji statistik
5. Membuat kesimpulan
 19. Normalitas, Hipotesis, Pengujian

Distribusi Normal : kurva berbentuk bel, simetris, simetris terhadap sumbu yang
melalui nilai rata-rata

Kurtosis = keruncingan

Skewness = kemiringan

+3s  +2s  -s   +s  +2s  +3s

68%
95%
99%

• Lakukan uji normalitas

• Rasio Skewness & Kurtosis berada –2 sampai +2
Rasio = nilai
Standard error
• Jika tidak berdistribusi normal, lakukan uji normalitas non parametrik
(Wilcoxon,
Mann-White, Tau Kendall)
 UJI NORMALITAS DGN UJI LILLIEFORS

Langkah-langkah yang harus ditempuh dalam pengujian adalah:

1. Pengamatan x1, x2,………,xn dijadikan bilangan baku z1, z2, ……., zn dengan
menggunakan rumus z = ,dimana dan s masing-masing merupakan

rata-rata dan simpangan baku sampel.

2. Untuk tiap bilangan baku ini dan menggunakan distribusi normal baku, kemudian
dihitung peluang F(zi) = P(z < z).

3. Hitung proporsi z1, z2,………,zn yang lebih kecil atau sama dengan zi. Jika proporsi ini
dinyatakan oleh S(zi), maka S(zi) =

4. Hitunglah selisih F (zi) – S (zi) kemudian tentukan harga mutlaknya.

5. Selanjutnya ambil harga yang paling besar diantara harga-harga mutlak selisih
tersebut. Sebutan harga tersebesar ini adalah L0.
 Daftar Nilai Kritis untuk Uji Lillifors
Ukuran Sampel
(n) Taraf Nyata (α)
0,01 0,05 0,10 0,15 0,20

9 0,311 0,271 0,249 0,233 0,223

10 0,294 0,258 0,239 0,224 0,215
11 0,284 0,249 0,230 0,217 0,206
12 0,275 0,242 0,223 0,212 0,199
13 0,268 0,234 0,214 0,202 0,190
14 0,261 0,227 0,207 0,194 0,183
15 0,257 0,220 0,201 0,187 0,177
16 0,250 0,213 0,195 0,182 0,173
17 0,245 0,206 0,189 0,177 0,169
18 0,239 0,200 0,184 0,173 0,166
19 0,235 0,195 0,179 0,169 0,163
20 0,231 0,190 0,174 0,166 0,160
25 0,200 0,173 0,158 0,147 0,142
30 0,187 0,161 0,144 0,136 0,131
N > 30
 Perhitungan Uji Normalitas Data
Xi f zi F(zi) S(zi)
67 1 -2,074 0,019 0,062 0,043
70 1 -1,547 0,061 0,125 0,064
71 3 -1,371 0,085 0,187 0,102
72 1 -1,195 0,116 0,250 0,134
74 2 -0,844 0,199 0,312 0,113
76 3 -0,492 0,311 0,375 0,064
77 1 -0,316 0,375 0,437 0,062
78 2 -0,141 0,444 0,500 0,056
79 1 0,0352 0,514 0,562 0,048
81 6 0,3867 0,650 0,625 0,025
83 2 0,7383 0,769 0,687 0,082
84 2 0,914 0,819 0,750 0,069
95 2 2,8476 0,997 0,812 0,185
87 1 1,4414 0,925 0,875 0,050
88 1 1,6172 0,947 0,937 0,009
89 1 1,7929 0,963 1 0,036
- 30 - - - -

Keterangan: Rata-rata = 78,8 dan standar deviasi = 5,689. Kolom 3 diperoleh dengan menggunakan rumus :
, kolom 4 diperoleh dari daftar distribusi normal untuk setiap nilai Z dan
z=
kolom 5 adalah 1/n.
Dari hasil analisis pada tabel di atas diperoleh L0
terbesar = 0,185, sedangkan Ltabel Lillifors = 0,161 pada
taraf nyata (α) 5 % (n = 30). Ini berarti L0 > Ltabel Lillifors
sehingga H0 di tolak atau data sampel berasal dari
populasi berdistribusi tidak normal.
 Uji Normalitas dengan Kolmogorov-
Smirnov

Perhitungan Uji Normalitas Data

Xi fi kp zi ztabel a1 a2
159 3 0,10000 -1,4990 0,0669 0,06694 0,0331
160 2 0,16667 -1,2617 0,1035 0,00354 0,0631
163 3 0,26667 -0,9057 0,1825 0,01588 0,0841
165 1 0,30000 -0,6684 0,2519 0,01473 0,0481
166 1 0,33333 -0,5498 0,2912 0,00875 0,0421
167 2 0,40000 -0,4311 0,3332 0,00014 0,0668
169 1 0,43333 -0,1938 0,4232 0,02317 0,0101
170 3 0,53333 -0,0751 0,4700 0,03672 0,0633
171 1 0,56667 0,0435 0,5174 0,01598 0,0492
172 1 0,60000 0,1622 0,5644 0,00226 0,0356
174 3 0,70000 0,3995 0,6552 0,05522 0,0448
176 1 0,73333 0,6368 0,7379 0,02881 0,0045
177 1 0,76667 0,7554 0,7750 0,02500 0,0083
178 3 0,86667 0,8741 0,8090 0,04229 0,0576
179 1 0,90000 0,9927 0,8396 0,02709 0,0604
184 1 0,93333 1,5856 0,9436 0,02304 0,0102
186 1 0,96667 1,8233 0,9659 0,03254 0,0007
191 1 1,00000 1,4165 0,9922 0,02550 0,0078
Mean 170,633
SD 8,428
Dengan perhitungan di atas diperoleh Dhitung = 0,08412, sedangkan dari
Dtabel(0,05; 30) = 0,242. Ini berarti Dhitung < Dtabel, sehingga H0 diterima.
Dengan demikian data sampel berasal dari populasi berdistribusi normal.
 Uji Normalitas dengan
Chi-Square

Perhitungan Uji Normalitas dengan Chi-Square

Skor fi Pj 100Pj Pj-100Pj

60-64 5 3 2,59 0,41 0,0649

65-69 15 10 9,31 0,69 0,0511

70,74 25 17 20,52 -3,52 0,6036

75-79 50 33 27,77 5,23 0,9849

80-84 30 20 23,07 -3,07 0,4085

85-89 18 12 11,77 0,23 0m0045

90-94 7 5 3,68 1,32 0,4734

Jumlah 150 100 - - 2,5911

 UJI HOMOGENITAS

Homogenitas Varians dengan Uji Bartlett

Andaikan empat kelompok A1, A2, A3, dan A4

dengan ukuran sampel masing-masing 40 subjek.
Uji homogenitas varians dari empat kelompok,
yaitu kelompok A1, A2, A3, dan A4 dilakukan
dengan menggunakan uji Bartlett.
Hipotesis yang diuji adalah:
H0: σ₁² = σ²₂ = σ²3 = σ²4
H1: Bukan H0
 Perhitungan Uji Homogenitas Varians
Kelompok db s2 Log s2 bb Log s2
Sampel

A1 29 73,482 1,8662 54,119

A2 29 81,614 1,9117 55,441

A3 29 134,869 2,1299 61,767

A4 29 62.120 1,7932 52,004

Jumlah 116 352,085 - 223,331

S2gabungan =
= 29(352,085)/116 = 88,021
B = (Log S2gabungan)∑(ni-1) = (log 88,021)(116) = 225,572

X2hitung = (ln 10)(B - ∑(ni – 1) log s2 = (2,3026)(225,572 – 223,331) = 5,16

X2hitung = 5,16 dan X2tabel(0,05)(3) = 7,81

Hasil perhitungan menunjukkan bahwa

X2hitung = 5,16 < X2tabel(0,05)(3) = 7,81 yang
berate H0 diterima. Dengan demikian
keempat kelompok data mempunyai
varians yang sama atau skor dari keempat
kelompok adalah homogen
 20. Normalitas, Hipotesis, Pengujian

Hipotesis : uji signifikansi (keberartian) terhadap hipotesis yang dibuat ;

berbentuk hipotesis penelitian dan hipotesis statistik (H0) ;
hipotesis bisa terarah, bisa juga tidak terarah ;
akibat dari adanya Ho, maka akan ada Ha (hipotesis alternatif) yakni
hipotesis yang akan diterima seandainya Ho ditolak

HIPOTESIS TERARAH TIDAK TERARAH

Hipotesis Siswa yang belajar bahasa lebih Ada perbedaan keseriusan siswa
Penelitian serius daripada siswa yang antara yang belajar bahasa dengan
belajar IPS yang belajar IPS
Hipotesis Nol Siswa yang belajar bahasa tidak Tidak terdapat perbedaan
(Yang diuji) menunjukkan kelebihan keseriusan belajar siswa antara
keseriusan daripada yang belajar bahasa dan IPS
IPS
Ho : b < i Ho : b = i
Ha : b > i Ha : b ≠ I
 21. Normalitas, Hipotesis, Pengujian

Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak

bila Ho tidak terarah, maka pengujian signifikansi dua pihak

Pengujian signifikansi satu arah (hipotesis terarah):

Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripada
yang belajar IPS  Ho : b < i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan berada di sebelah kanan

5% 2.5% 2.5%

Daerah penerimaan hipotesis Daerah Daerah Daerah penerimaan hipotesis Daerah

penolakan penolakan penolakan
hipotesis hipotesis hipotesis

Pengujian signifikansi dua arah (hipotesis tidak terarah):

Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS
 Ho : b = i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan bisa berada di sebelah kiri atau kanan
 22. Uji t

Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atau
apakah rata-rata dua populasi sama/berbeda secara signifikan.

1. Uji t satu sampel

Menguji apakah satu sampel sama/berbeda dengan ( - )
rata-rata populasinya t =
• hitung rata-rata dan std. dev (s) s / √n
• df = n – 1
α
• tingkat signifikansi ( = 0.025 atau 0.05)
• pengujian apakah menggunakan 1 ekor atau 2 ekor
• diperoleh t hitung ; lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolak

Contoh :
Peneliti ingin mengetahui apakah guru yang bekerja selama 8 tahun memang berbeda
dibandingkan dengan guru lainnya.
Ho : p1 = p2
Diperoleh rata2 = 17.26 ; std. Dev = 7.6 ; df = 89 ; t hitung = 11.55
α
Berdasarkan tabel df=89 dan = 0.05 diperoleh t tabel = 1.987
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
guru yang bekerja selama 8 tahun secara signifikan berbeda dengan
guru lainnya
 23. Uji t
2. Uji t dua sampel bebas
Menguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda

(X – Y) (Σx2 + Σy2) (1/nx + 1/ny)

t=
Sx-y
Di mana Sx-y =
√ (nx + ny – 2)

Contoh :
Peneliti ingin mengetahi apakah ada perbedaan penghasilan (sebelum sertifikasi) antara
guru yang lulusan S1 dengan yang lulusan S3
Ho : Pb = Pk
Diperoleh : rata2 x = 1951613 ; y = 2722222 ; t hitung = - 7.369
α
Berdasarkan tabel df=69 dan = 0.025 diperoleh t tabel = 1.994
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Rata-rata penghasilan guru yang S1 berbeda secara signifikan dengan
penghasilan guru yang S3
 24. Uji t

3. Uji t dua sampel berpasangan

Menguji apakah rata-rata dua sampel yang berpasangan sama/berbeda

D
t= s Di mana D = rata-rata selisih skor pasangan
D

ΣD2 – (ΣD)2
√
sD = Σ d2 Σd =
2

N(N-1) N

Contoh :
Seorang guru ingin mengetahui efektivitas model pembelajaran diskusi. Setelah selesai
pembelajaran pertama, ia memberikan tes dan setelah selesai pembelajaran kedua
kembali ia memberikan tes. Kedua hasil tes tersebut dibandingkan dengan harapan
adanya perbedaan rata-rata tes pertama dengan kedua.
Ho : Nd = Nc
Diperoleh rata2d = 66.28 ; rata2c = 73.84 ; t hitung = -8.904
α
Berdasarkan tabel df=163 dan = 0.05 diperoleh t tabel = 1.960
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Terdapat perbedaan yang signifikan antara hasil tes pertama dengan
hasil tes kedua, sehingga ia menyimpulkan model diskusi efektif
meningkatkan hasil belajar siswanya
 25. Uji Keterkaitan

Korelasi : hubungan keterkaitan antara dua atau lebih variabel.

Angka koefisien korelasi ( r ) bergerak -1 ≤ r ≤ +1

POSITIF NEGATIF
makin besar nilai variabel 1 makin besar nilai variabel 1
menyebabkan makin besar menyebabkan makin kecil
pula nilai variabel 2 nilai variabel 2
Contoh : makin banyak waktu contoh : makin banyak waktu
belajar, makin tinggi skor bermain, makin kecil skor
Ulangan  korelasi positif Ulangan  korelasi negatif
antara waktu belajar antara waktu bermain
dengan nilai ulangan dengan nilai ulangan

NOL
tidak ada atau tidak menentunya hubungan dua variabel
contoh : pandai matematika dan jago olah raga ; pandai
matematika dan tidak bisa olah raga ; tidak pandai
matematika dan tidak bisa olah raga
 korelasi nol antara matematika dengan olah raga
 26. Uji Keterkaitan

1. KORELASI PEARSON :
apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana
arah hubungan dan berapa besar hubungan tersebut.
Digunakan jika data variabel kontinyu dan kuantitatif

NΣXY – (ΣX) (ΣY) Di mana : ΣXY = jumlah perkalian X dan Y

r= ΣX2 = jumlah kuadrat X
√ NΣX2 – (ΣX)2 x √ NΣY2 – (ΣY)2 ΣY2 = jumlah kuadrat Y
N = banyak pasangan nilai

Contoh :
10 orang siswa yang memiliki waktu belajar berbeda dites dengan tes IPS
Siswa : A B C D E F G H I J
Waktu (X) : 2 2 1 3 4 3 4 1 1 2
Tes (Y) : 6 6 4 8 8 7 9 5 4 6
Apakah ada korelasi antara waktu belajar dengan hasil tes ?

Siswa X X2 Y Y2 XY
A
B
ΣX ΣX2 ΣY ΣY2 ΣXY
 27. Uji Keterkaitan

2. KORELASI SPEARMAN (rho) dan Kendall (tau) :

Digunakan jika data variabel ordinal (berjenjang atau peringkat). Disebut juga korelasi
non parametrik

6Σd2 Di mana : N = banyak pasangan

rp = 1 -
N(N2 – 1) d = selisih peringkat

Contoh :
10 orang siswa yang memiliki perilaku (sangat baik, baik, cukup, kurang) dibandingkan
dengan tingkat kerajinannya (sangat rajin, rajin, biasa, malas)
Siswa : A B C D E F G H I J
Perilaku : 2 4 1 3 4 2 3 1 3 2
Kerajinan : 3 2 1 4 4 3 2 1 2 3
Apakah ada korelasi antara perilaku siswa dengan kerajinannya ?

Siswa A B C D
Perilaku
Kerajinan
d
d2 Σd2
 28. Uji Chi-Square (X2)

Chi-Square (tes independensi) : menguji apakah ada hubungan antara baris dengan
kolom pada sebuah tabel kontingensi. Data yang digunakan adalah data kualitatif.

(O – E)2
X2 = Σ E
Di mana
O = skor yang diobservasi
E = skor yang diharapkan (expected)

Contoh :
Terdapat 20 siswa perempuan dan 10 siswa laki-laki yang fasih berbahasa Inggris, serta
10 siswa perempuan dan 30 siswa laki-laki yang tidak fasih berbahasa Inggris.
Apakah ada hubungan antara jenis kelamin dengan kefasihan berbahasa Inggris ?
Ho = tidak ada hubungan antara baris dengan kolom
H1 = ada hubungan antara baris dengan kolom
P L Σ O E (O-E) (O-E)2 (O-E)2/E
a b a 20 (a+b)(a+c)/N
Fasih
c d b 10 (a+b)(b+d)/N
Tidak fasih c 10 (c+d)(a+c)/N

Σ d 30 (c+d)(b+d)/N

df = (kolom – 1)(baris – 1)
Jika X2 hitung < X2 tabel, maka Ho diterima
Jika X2 hitung > X2 tabel, maka Ho ditolak
 29. Uji Chi-Square (X2)
Chi-Square dengan menggunakan SPSS
KASUS : apakah ada hubungan pendidikan dengan status marital responden
Ho = tidak ada hubungan antara baris dengan kolom atau tidak ada hubungan pendidikan
dengan status marital
H1 = ada hubungan pendidikan dengan status marital
Dasar pengambilan keputusan :
1. X2 hitung < X2 tabel  Ho diterima ; X2 hitung > X2 tabel  Ho ditolak
2. probabilitas > 0.05  Ho diterima ; probabilitas < 0.05  Ho ditolak
pendidikan terakhir Asymp. Sig.
Value df (2-sided)
S1 S2 S3 Total
Pearson Chi-Square 9,431 6 ,151
status belum kawin 21 3 1 25
Likelihood Ratio 9,541 6 ,145
perkawinan kawin 32 9 6 47
Linear-by-Linear
janda 5 3 2 10 3,070 1 ,080
Association
duda 4 4 0 8 N of Valid Cases 90
Total 62 19 9 90

Value Approx. Sig.

Nominal by Nominal Contingency Coefficient ,308 ,151
N of Valid Cases 90

Hasil : tingkat signifikansi = 5% ; df = 6 ; X 2 tabel = 9.431 ; X2 hitung = 12.592 ;

asymp. sig = 0.000 ; contingency coeff. = 0.526
Karena : X2 hitung < X2 tabel maka Ho diterima
asymp. Sig > 0.05 maka Ho diterima
Artinya tidak ada perbedaan tingkat pendidikan berdasarkan status maritalnya
dan hal ini diperlihatkan dengan kuatnya hubungan yang hanya 30.8%
 Membuat tabel X2
• Pada file baru, buat variabel dengan nama
df
• Isi variabel tersebut dengan angka berurutan
• Buka menu transform > compute
– Pada target variabel ketik chi_5 (untuk 95%)
– Numeric expr gunakan fungsi IDF.CHISQ
(0.95,df)
– Tekan OK
 30. Uji Anova

Anova : menguji rata-rata satu kelompok / lebih melalui satu variabel dependen / lebih
berbeda secara signifikan atau tidak.

ONE WAY ANOVA

Satu variabel dependen (kuantitatif) dan satu kelompok (kualitatif)
Contoh : apakah pandangan siswa tentang IPS (kuantitatif) berbeda berdasarkan
jenjang pendidikannya (kualitatif : SD, SLTP, SMU)

Satu variabel dependen tetapi kelompok berbeda

UNIVARIAT ANOVA Contoh : apakah rata-rata ulangan berbeda berdasar
kan klasifikasi sekolah dan kelompok penelitian

Variabel dependen lebih dari satu tetapi

kelompok sama
Contoh : apakah rata-rata ulangan dan pandangan
siswa terhadap IPS berbeda untuk tiap daerah
MULTIVARIAT ANOVA
Variabel dependen lebih dari satu dan kelompok
berbeda
Contoh : apakah rata-rata ulangan dan pandangan
siswa terhadap IPS berbeda berdasarkan klasifikasi
Sekolah dan kelompok penelitian
 31. Uji Anova
ONE WAY ANOVA

k
JKa = Σ J j - J Di mana :
2
RJKa 2

F= j=1 nj N J = jumlah seluruh data

RJKi
N = banyak data
k nj k J2j
Jki = Σ Σ X k = banyak kelompok
2
- Σ
j=1 i=1
ij
j=1 nj nj = banyak anggota kelompok j
Jj = jumlah data dalam kelompok j
Contoh :
Apakah terdapat perbedaan pandangan terhadap IPS siswa SD, SLTP, SMU ?
Ho : μ1 = μ2 = μ3 (tidak terdapat perbedaan sikap)

X1 X2 X3 212 + 72 + 152 432

Jka = - = 19.73
3 1 2 5 15
4 1 2 212 + 72 + 152
Jki = 3 2 + 4 2 + 52 … - = 10
5 2 3
5
Jka
4 1 3 RJKa = = 19.73/2 = 9.865
5 2 5 k-1 F = 9.865 / 0.833
= 11.838
Σ 21 7 15 Jki
x 4.2 1.4 3
RJKi = = 10/15-3 = 0.833
N-k
 32. Uji Anova

Sumber Jumlah Derajat Rata-rata F

adanya Kuadrat Kebebasan Jumlah Kuadrat
perbedaan (JK) (df) (RJK)
Antar kelompok 19.73 k–1=2 9.865 11.838
Inter kelompok 10 N – k = 12 0.833

α = 0.05 ; df = 2 dan 12 ; F tabel = 3.88 ; F hitung = 11.838

F hitung > F tabel , maka Ho ditolak
Terdapat perbedaan pandangan siswa SD, SLTP, SMU terhadap IPS

Cara membaca tabel F :

1. Arah horisontal adalah numerator, df nya antar kelompok
2. Arah vertikal adalah denominator, df nya inter kelompok
3. Skor dalam tiap sel  bagian atas adalah untuk 95% dan bagian bawah untuk 99%

Contoh : kasus di atas,

df antar kelompok 2 ; df inter kelompok 12 ; distribusi F 95%
Maka membaca tabelnya adalah horisontal lihat kolom df 2, vertikal lihat baris 12
Lalu lihat angka pada sel pertemuan 2 dan 12 bagian atas yakni 3.88
Maka F tabel adalah 3.88
 One way anova 32. Uji Anova
Apakah ada perbedaan rata-rata penghasilan sesudah sertifikasi jika dilihat dari
asal wilayah ?
Ho = rata-rata penghasilan tidak berbeda dilihat dari asal wilayah
Descriptives
penghasilan sesudah lulus sertifikasi

95% Confidence Interval for

Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
jabar 3094736,8
19 269719,369 61877,867 2964736,27 3224737,42 2400000 3700000
4
jateng 3057142,8
14 194992,251 52113,871 2944557,68 3169728,03 2600000 3400000
6
jatim 3194444,4
18 285888,136 67384,480 3052275,62 3336613,27 2800000 3800000
4
NTT 3152631,5
19 368734,203 84593,428 2974907,38 3330355,78 2100000 3700000
8
Papua 3325000,0
20 297135,447 66441,506 3185936,33 3464063,67 2700000 3800000
0
Total 3172222,2
90 301691,031 31801,027 3109034,26 3235410,19 2100000 3800000
2

ANOVA
Test of Homogeneity of Variances penghasilan sesudah lulus sertifikasi
penghasilan sesudah lulus sertifikasi
Sum of
Squares df Mean Square F Sig.
Between Groups 782483291 19562082289
4 2,272 ,068
Levene 562,238 0,560
Statistic df1 df2 Sig. Within Groups 731807226 86094967811,
85
3993,310 687
1,263 4 85 ,291
Total 810055555
89
5555,550

Ho : varians populasi identik

F hitung < F tabel maka Ho diterima
Probabilitas > 0.05 Ho diterima
penghasilan tidak berbeda
Berdasarkan asal wilayah
 33. Uji Anova
MULTIVARIAT ANOVA dengan menggunakan SPSS
Kasus : apakah status marital mempunyai pengaruh yang signifikan terhadap
dana dikeluarkan & usia
Variabel dependen adalah dana yang dikeluarkan & usia ;
Faktor (kelompok) adalah status marital

Uji varians dilakukan 2 tahap :

1. Varians tiap-tiap variabel dependen ; Ho = varians populasi identik (sama)
alat analisis : Lavene Test ; keputusan : probabilitas > 0.05 maka Ho diterima
2. Varians populasi secara keseluruhan ; Ho = matriks varians sama
alat analisis : Box’s M ; keputusan : probabilitas > 0.05 maka Ho diterima
Uji Multivariat ; Ho = rata-rata vektor sampel identik (sama)
alat analisis : Pillai Trace, Wilk Lambda, Hotelling Trace, Roy’s
keputusan : probabilitas > 0.05 maka Ho diterima
Levene's Test of Equality of Error
Variances(a) Box's Test of Equality of Covariance Matrices(a)

F df1 df2 Sig. Box's M 16,104

umur responden 8,811 3 86 ,000 F 1,654
dana yang dikeluarkan df1 9
,319 3 86 ,812
untuk sertifikasi df2 4738,050
Sig. ,094
Ho diterima
Varians tiap variabel identik Ho diterima
Varians populasi identik
 34. Uji Anova
Multivariate Tests©

Effect Value F Hypothesis df Error df Sig.

Intercept Pillai's Trace ,972 1491,496(a) 2,000 85,000 ,000
Wilks' Lambda ,028 1491,496(a) 2,000 85,000 ,000
Hotelling's Trace 35,094 1491,496(a) 2,000 85,000 ,000
Roy's Largest
35,094 1491,496(a) 2,000 85,000 ,000
Root
marital Pillai's Trace ,506 9,707 6,000 172,000 ,000
Wilks' Lambda ,505 11,523(a) 6,000 170,000 ,000
Hotelling's Trace ,956 13,390 6,000 168,000 ,000
Roy's Largest
,932 26,731(b) 3,000 86,000 ,000
Root

F hitung > F tabel maka Ho tolak  rata2 vektor sampel tidak identik
Prob < 0.05  Ho ditolak
Kesimpulan : status perkawinan mempunyai pengaruh terhadap dana yang
dikeluarkan dan usia
Artinya :
Ada kemungkinan responden yang sudah kawin atau pernah kawin mengeluarkan
dana yang berbeda dibandingkan dengan yang belum kawin dan
kemungkinan usia responden berpengaruh terhadap status perkawinan, artinya makin
tua usia responden kemungkinan sudah menikah makin besar

Perbedaan dapat dilihat jika dilakukan pengujian lanjutan dengan post hoc