STATISTIKA DESKRIPTIF,

PARAMETRIK & NON

PARAMETRIK

Dr. Yuwono, dr., M.Biomed.

Fakultas Kedokteran Universitas Sriwijaya
E-Mail: yuwono@fk.unsri.ac.id

Disampaikan oleh Arie Kusumaningrum pada kuliah

metodologi riset Unsri.

1
 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
PERAN STATISTIKA
SIFAT DATA

VARIABEL

METODE ANALISIS
2
Pengertian Statistika

 Metode yang berhubungan dengan penyajian

dan penafsiran kejadian yang bersifat
peluang dalam suatu penyelidikan terencana
atau penelitian ilmiah.

 Dalam statistika tercakup dua pekerjaan

penting, yaitu : Penyajian dan penafsiran data
Fungsi Statistik

 Teknik statistik mampu melakukan tiga tugas

penting dalam ilmu pengetahuan, yaitu
menerangkan gejala, meramalkan kejadian dan
mengontrol keadaan.

 Statistik deskriptif merupakan bagian statistik yang

memikul tugas untuk menerangkan suau gejala.

 Statistik inferensia merupakan bagian lain dari

statistik yang membuat ramalan dan mengontrol
kejadian.
 Metode Statistika

 Metode Statistika adalah prosedur-prosedur atau cara-cara

penyajian dan penafsiran data.

Statistika Deskriptif (Descriptive Statistics): Metode

pengumpulan, peringkasan dan penyajian data Descriptive :
bersifat memberi gambaran. Contoh: Tabulasi data, diagram,
grafik perkembangan harga komputer dari tahun-ke tahun

Statistika Inferensia = Statistika Induktif (Inferential Statistics):

Metode analisis, peramalan, pendugaan dan penarikan
kesimpulan Inferential: bersifat melakukan generalisasi
(penarikan kesimpulan). Contoh: Pendugaan parameter,
pengujian hipotesis, peramalan dengan regresi/korelasi.
 Konsep Statistika

STATISTIKA :
Kegiatan untuk :
• mengumpulkan data KEGUNAAN
• 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)

6
 Istilah dalam Statistika
 Subyek/Obyek
Benda hidup atau mati yg diuji unsur-unsur, sifat dan kelakuannya melalui pengamatan,
pengukuran dan penilaian guna mendapat info atau nilai-nilai yg berguna mengenai benda
tsb.
 VARIABEL
Suatu sifat dari obyek atau unsur dari obyek yg dpt diamati atau diukur shg menghasilkan
nilai, ukuran atau kriteria lain yg dpt bervariasi
 VARIATE
Angka/nilai ukuran/kriteria lain yg dicapai suatu variabel pada suatu individu atau unit
statistik
 VARIASI
Adanya perbedaan antar nilai/variate/ukuran dll dari suatu variabel pada populasi atau
sampel 
 VARIABILITAS
Kemungkinan utk bervariasi dari nilai suatu variabel pada suatu populasi atau sampel 
 PARAMETER
Suatu variabel terukur yg digunakan sbg kriteria utk mengevaluasi suatu populasi atau sistem
 NILAI PARAMETRIK
Suatu nilai dari suatu parameter yg diperoleh dari perhitungan atau data sensus, masih harus
di analisis. 
 NILAI STATISTIK
Suatu nilai dari suatu parameter yg diperoleh dari perhitungan atau data sensus. 7
 Jenis-Jenis Data
 Berdasarkan sumber-nya:
 Data primer: data yg didapatkan atau dikumpulkan sendiri, misal dgn
melakukan wawancara, observasi atau penelitian lapangan/laboratorium
 Data sekunder: data yg didapat dari pihak lain, misal dari data providers
seperti : BPS, LIPI, dll
 Berdasarkan jenisnya:
 Data Numerik (kuantitatif): dinyatakan dalam besaran numerik (angka),
Misalnya : Data pendapatan per kapita, pengeluaran, harga, jarak, dll.
 Data Kategorik (Kualitatif): diklasifikasikan berdasarkan kategori/kelas
tertentu Misalnya :
 Kategori Mahasiswa Berprestasi dan Tidak Berprestasi,
 Kategori kota kecil, sedang dan besar,
 Kategori pendukung partai politik A, B, C, dll.

Himpunan nilai/variate/datum atau informasi lain yg diperoleh dari

observasi, pengukuran dan penilaian) thd suatu obyek atau lebih
Berdasarkan sifat angka :
 Data kontinu, angka-angkanya mrpk deretan angka yg sambung-
menyambung, misal data BB (kg).
 Data diskrit, yaitu data statistik yg tidak mgk berbentuk pecahan,
misal jml buku perpust (buah)

Berdasarkan bentuk angkanya :

Data tunggal, yaitu data statistik yg angka-angkanya mrpk satu unit
atau satu kesatuan, tdk dikelompokkan
Data kelompok, yaitu data statistic tiap unitnya terdiri dari sekelompok
angka misal; 80 – 84, 75 – 79

Berdasarkan waktu pengumpulannya :

Data seketika, yaitu data statistik yg mencerminkan keadaan pada
suatu waktu saja, misal: pada semester gasal 2009/2010
Data urutan waktu, yaitu data statistik yg mencerminkan keadaan dari
waktu ke waktu secara berurutan, misal jumlah mahasiswa yg lulus dari
tahun 1996 - 2006
9
Skala Pengukuran
 Nominal: Tidak ada urutan, urutan tidak menunjukkan
tingkatan (rangking) Tidak ada titik awal Tidak ada perbedaan,
misalnya: Apa warna favorit anda? Ungu, abu-abu,coklat dsb
 Ordinal: Ada urutan yang menunjukkan tingkatan (rangking),
misalnya : Bagaimana prestasi belajar anda semester lalu?
1. Sangat Baik
2. Baik
3. Sedang-sedang saja
4. Buruk
5. Sangat Buruk

 Skala Nominal dan Ordinal digunakan berkaitan dengan data

kategorik/kualitatif.
 Contoh
Pertanyaan
1. Berbelanja di toko ini lebih sering lebih baik, supaya dapat harga
diskon untuk produk-produk tertentu :
[ ] sangat setuju [ ] setuju [ ] netral
[ ] tidak setuju [ ] sangat tidak setuju
2. Sebutkan gerai ritel modern yang sering anda
kunjungi: ...................
3. Sebutkan alasan kenapa anda memilih gerai
tersebut : .......................

 Pertanyaan di atas mempunyai jawaban dalam bentuk kata atau

kalimat, meskipun pernyataan nomor satu sudah menyediakan
pilihan jawaban. Jawaban untuk ketiga pertanyaan tersebut harus
dikodekan terlebih dahulu. Pengkodean jawaban pada nomor 1
harus mengikuti skala ordinal, sedangkan nomor 2 dan 3 mengikuti
skala nominal.
 Skala Pengukuran

 Interval: Ada urutan, ada perbedaan tetapi tidak ada titik awal (nol
mutlak), misalnya: suhu 0°C bukan berarti tidak mempunyai suhu,
tangga nada, IQ.

 Rasio: Ada urutan, ada perbedaan, ada titik awal, misalnya:

Pendapatan Rp. 135 245,23 per bulan: Pendapatan Rp. 0 berarti tidak
ada.

 Skala Interval dan Rasio digunakan berkaitan dengan data

numerik/kuantitatif.
 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
13
 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

14
 PROSEDUR PENGGUNAAN TABEL & GRAFIK

Data
Data
Data Kualitatif
Kualitatif Data Kuantitatif

Metode Metode Metode Metode

Tabel Grafik Tabel Grafik

 Distr. Frekuensi  Grafik  Distr. Frekuensi  Plot Titik

 Distr. Frek. Batang  Distr. Frek. Relatif  Histogram
Relatif  Grafik  Distr. Frek. Kum.  Ogive
 % Distr. Frek. Lingkaran  Distr. Frek. Relatif Kum.  Diagram
 Tabulasi silang  Diagram Batang-Daun Scatter
 Tabulasi silang

15
 30
30

20
20

10
10

Jumlah
Count

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

bidang pekerjaan
bidang pekerjaan

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 16
 Frekuensi

FREKUENSI : banyaknya data untuk satu kelompok/klasifikasi

KELOMPOK FREKUENSI
Kelompok ke-1 f1
Kelompok ke-2 f2 Pendidikan Frekuensi
Kelompok ke-3 f3
Kelompok ke-i fi S1 62
Kelompok ke-k fk S2 19
k S3 9
n = Σ fi 90
i=1

k
n = Σ fi = f1 + f2 + f3 +….. + fi + …… + fk
i=1
17
 Distribusi Frekuensi

DISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio dan

menghitung banyaknya data dalam satu kelompok/klasifikasi

USIA FREKUENSI Membuat distribusi frekuensi :

20 5 1. Mencari sebaran (range) yakni selisih antara data
21 6
paling besar dengan data paling kecil)  35 – 20 =
15
22 13 2. Menentukan banyak kelas dengan rumus k = 1 +
23 4 3,3 log n  7
24 7 3. Menentukan panjang kelas dengan rumus p =
sebaran / banyak kelas  15/7 = 2
25 7
26 7 KELOMPOK USIA FREKUENSI
27 5 20 – 21 11
28 3 22 – 23 17
29 4 24 – 25 14
30 15 26 – 27 12
31 3 28 – 29 7
33 5 30 – 31 18
35 1 32 - 33 5
34 - 35 1
18
 Ukuran Tendensi Sentral

RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilangan

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

X1 + X2 + X3 + … + Xn n
X= Σ Xi
n i =1

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 i =1
f1 + f2 + f3 + … + fk

k
Σ fi
i =1
Cara menghitung :

Bilangan (Xi) Frekuensi (fi) Xi fi

70 3 210
Maka : X= 695 = 69.5
63 5 315 10
85 2 170
Jumlah 10 695
1
9
 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

20
 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 : s = 6 ; k = 3 ; p =2
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

2
1
 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
B : 100 100 100 100 100 10 10 10 10 10 X = 55
C : 100 100 100 90 80 30 20 10 10 10 r = 100 – 10 = 90

Rata-rata

22
Deviasi Rata-rata : penyebaran Deviasi rata-rata
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
2
3
 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 ;
melihat ketidaksamaan sekelompok data 100 45 2025 100 45 2025
90 35 1225 100 45 2025
80 25 625 100 45 2025
n
s2 = Σ (Xi – X)
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

2
4
KUARTIL, DESIL, PERSENTIL
Kuartil
Kelompok data yang sudah diurutkan
(membesar atau mengecil) dibagi empat bagian
yang sama besar.
Ada 3 jenis yaitu kuartil pertama (Q1) atau
kuartil bawah, kuartil kedua (Q2) atau kuartil
tengah, dan kuartil ketiga (Q3) atau kuartil atas.
Desil
Kelompok data yang sudah diurutkan
(membesar atau mengecil) dibagi sepuluh
bagian yang sama besar.

25
 Pengolahan Data

MULAI

Statistik NOMINAL Jenis INTERVAL Statistik

Non Parametrik ORDINAL Data ? RASIO Parametrik

Analisis SATU DUA / LEBIH Analisis

Univariat Jumlah Multivariat
Variabel
?

26
 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.
27
 Populasi : keseluruhan pengamatan. Sampel = Contoh =
sample: himpunan bagian populasi. Ukuran Populasi = N =
banyak anggota populasi. Ukuran Sampel = n = banyak
anggota sampel. Parameter: nilai yang menyatakan ciri
populasi. Statistik (Statistic): nilai yang menyatakan ciri
sampel
Ciri Parameter Statistik

Rata-rata μ = myu x
Standar σ = sigma s
Deviasi,Simpangan Baku
Ragam, Variance σ² s²

proporsi π p atau p

Bias suatu sampel: perbedaan ciri sampel dengan ciri populasi tempat
sampel diambil. Sampel yang baik adalah sampel dengan bias minimal. Cara
mendapatkan sampel dengan bias minimal adalah dengan mengambil
secara randon (acak).
 Pengolahan Data

 Pengolahan Data dengan statistika mensyaratkan

bentuk data numerik, untuk itu data kategorik
terlebih dahulu harus diubah ke bentuk numerik
dengan memberi bobot pada setiap kategori.

 Salah satu alasan diperlukannya statistik adalah

generalisasi akan parameter suatu populasi yang
dapat diambil dengan hanya meneliti sebagian kecil
anggota populasi (sampel). Generalisasi ini bukan
tanpa kesalahan, tetapi secara statistik, kesalahan
generalisasi dan hal lain yang berhubungan dengan
sampel, pengambilan data, rumus (perhitungan) dan
lain-lain selalu dapat diprediksi.
Statistika Parametrik:
• Membutuhkan pengukuran kuantitatif dengan data interval atau

rasio
• Mempertimbangkan jenis sebaran/distribusi data, yaitu apakah data

menyebar normal atau tidak.

• Contoh metode statistika parametrik: uji-z (1 atau 2 sampel), uji-t

(1 atau 2 sampel), korelasi pearson, Perancangan Percobaan (1 or 2-

way ANOVA parametrik), dll.

Statistika Nonparametrik
 Membutuhkan data dengan data ordinal dan nominal

 Merupakan statistika bebas sebaran (tdk mensyaratkan bentuk

sebaran parameter populasi, baik normal atau tidak).

 Contoh metode Statistika non-parametrik: Binomial test, Chi-square

test, Median test, Friedman Test, dll.

30
Statistik Parametrik dan Non Parametrik
 Statistik Parametrik : digunakan untuk menguji parameter
populasi melalui statistik , atau menguji ukuran populasi melalui
data sampel.
 Pengertian parameter populasi adalah data yang diperoleh
dengan mencatat semua elemen yang menjadi obyek penelitian
dan merupakan nilai yang sebenarnya (true value). Sedangkan
pengertian statistik disini adalah data yang diperoleh dari sampel
dan merupakan nilai perkiraan (estimated value).
 Parameter populasi antara lain meliputi : rara-rata (µ), simpangan
baku (σ), varians (σ²). Sedangkan statistiknya adalah : rata-rata (x
bar), simpangan baku (s) dan varians (s²).
 Uji Hipotesis Statistik : ialah pengujian parameter melalui statistik
(data sampel). Oleh karena itu penelitian yang berhipotesis
statistik adalah penelitian yang menggunakan data sampel.
 Statistik Non Parametrik : tidak menguji parameter populasi,
tetapi menguji distribusi.
31
Statistik Parametrik dan Non Parametrik
 Penggunaan statistik Parametrik dan Non Parametrik tergantung
pada asumsi dan jenis data yang akan dianalisis.
 Statistik Parametrik memerlukan terpenuhi banyak asumsi, antara
lain asumsi yang utama adalah data yang dianalisis harus
berdistribusi normal, selanjutnya dalam penggunaan salah satu test
mengharuskan data homogin, dalam regresi harus terpenuhi asumsi
linieritas.
 Statistik Non Parametrik tidak menuntut terpenuhi banyak asumsi,
misalnya data yang dianalisis tidak harus berdistribusi normal. Oleh
karena itu statistik non parametrik sering disebut sebagai distribusi
bebas (free distribution)
 Statistik Parametrik banyak digunakan untuk menganalisis data
interval dan rasio. Sedangkan Statistik Non Parametrik banyak
digunakan untuk untuk menganalisis data nominal dan ordinal.

32
 t-test ; Korelasi Product Moment
 Dalam Statistik Parametrik diperlukan syarat bahwa data yang akan dianalisis
harus berdistribusi normal. Untuk itu perlu dilakukan pengujian normalitas data.
 T-test : 1) untuk menguji hipotesis deskriptif satu sampel bila datanya berbentuk
interval dan ratio , maka digunakan t-test satu sampel.
2) untuk menguji hipotesis komparatif dua sampel berpasangan bila
datanya berbentuk interval dan ratio, digunakan t-test sampel berpasangan.
t = x - µ0
s/√n
di mana : t = nilai t yang dihitung , x = rata-rata , µ0 =nilai yang dihipotesiskan
s = simpangan baku sampel , n = jumlah anggota sampel.

33
t-test, Korelasi Product Moment
 Korelasi : menunjukkan adanya hubungan antara dua variabel atau lebih serta
menunjukkan besarnya (kuat/lemahnya) hubungan antara dua variabel
tersebut.
 Koefisien Korelasi ( r ) merupakan kriteria untuk mengukur hubungan antar
variabel secara kuantitatif yang nilainya terletak antara – 1 dan 1
r = 1 , hubungan variabel X dan Y adalah sangat kuat dan positif
r = - 1 , hubungan variabel X dan Y adalah sangat lemah dan negatif
r = 0 , hubungan variabel X dan Y lemah sekali atau tidak ada hubungan.
Berikut ini adalah rumus Karl Pearson (Product Moment) :
r = n . Σ XY - ΣX . ΣY .
√n.ΣX² - (ΣX)². √n.ΣY² - (ΣY)²
 Koefisien Determinasi (Kd) : menunjukkan berapa persen fluktuasi atau variasi
variabel Y yang disebabkan oleh variabel X , dengan rumus :

Kd = r²

34
 POLA HUBUNGAN PADA DIAGRAM SCATTER

y y y

x x
x

Hubungan Positif
Hubungan Negatif Tidak ada hubungan
Jika X naik, maka
Jika X naik, maka antara X dan Y
Y juga naik dan
Y akan turun dan
jika X turun, maka
jika X turun, maka
Y juga turun
Y akan naik

35
 Analisis Regresi Linear Sederhana

 Analisis Regresi : suatu proses melakukan estimasi untuk memperoleh suatu

hubungan fungsional antara variabel X dengan variabel Y.
 Analisis Regresi Linear Sederhana : adalah analisis regresi antara satu variabel X dan
satu variabel Y.
 Persamaan Regresi Linear Sederhana : Y’ = a + bX ,
di mana : Y’ = Nilai Y prediksi , a = Intercept atau nilai Y pada saat X = 0
b = Slope / kemiringan , X = Independent Variable (variabel bebas).
Untuk menghitung nilai a dan b digunakan rumus :

b = n(ΣXY) – (ΣX) (ΣY)

n (ΣX²) – (ΣX)²

a = ΣY - b. ΣX
n n

36
 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

nilai
Rasio =
Standard error

•Jika tidak berdistribusi normal, lakukan uji normalitas non parametrik

(Wilcoxon,Mann-White, Tau Kendall) 3
7
 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

3
8
 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
39
atau kanan
 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.
( - )
t =
1. Uji t satu sampel s / √n
Menguji apakah satu sampel sama/berbeda dengan rata-rata populasinya

hitung rata-rata dan std. dev (s)

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 40
 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 +

t= Di mana Sx-y 1/ny)
Sx- (nx + ny – 2)
=
y

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

41
 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 Σ d2 =
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
α
Diperoleh rata2d = 66.28 ; rata2c = 73.84 ; t hitung = -8.904
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

4
2
 Uji Keterkaitan

Korelasi : hubungan keterkaitan antara dua atau lebih variabel.

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

POSITIF
makin besar nilai variabel 1
menyebabkan makin besar
pula nilai variabel 2
Contoh : makin banyak waktu
belajar, makin tinggi skor
Ulangan  korelasi positif
antara waktu belajar
dengan nilai ulangan
NEGATIF
makin besar nilai variabel 1
menyebabkan makin kecil
nilai variabel 2
contoh : makin banyak waktu
bermain, makin kecil skor
Ulangan  korelasi negatif
antara waktu bermain
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
43
 Uji Keterkaitan

. KORELASI PEARSON :
pakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana
rah 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

4
4
 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
45
 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.

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

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
Fasih a 20 (a+b)(a+c)/N

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
4
6
 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%

47
 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

48
 Uji Anova

ONE WAY ANOVA

RJKa k J2 J2 Di mana :
JKa = Σ j
-
F= nj N J = jumlah seluruh data
RJKi j=1 N = banyak data
k nj k J2 k = banyak kelompok
j
Jki = Σ Σ X2ij - Σ nj = banyak anggota kelompok j
n
j=1i=1 j=1 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)

212 + 72 + 152 432

X1 X2 X3 Jka = - = 19.73
5 15
3 1 2
212 + 72 + 152
4 1 2 Jki = 3 +4 +5
2 2 2
… - = 10
5
5 2 3
Jka
4 1 3 RJKa = = 19.73/2 = 9.865
k-1 F = 9.865 / 0.833
5 2 5
Σ Jki = 11.838
21 7 15
RJKi = = 10/15-3 = 0.833
x 4.2 1.4 3
N-k
4
9
TERIMA KASIH

SELAMAT MENELITI

50
Notes: Inferensial

 Hipotesis nol, adalah hipotesis yang akan diuji

 Hipoteisis alternatif atau hipotesis kerja/penelitian/deklaratif
 Hipotesis 1 ekor kanan, kiri atau dua ekor
 Signifikan alfa adalah kekeliruan tipe 1, misalnya alfa= 0,001
artinya ada 1 kesalahan dlm 1000 kali observasi/eksperimen
 Derajat kebebasan, tingkat kebebasan utk bervariasi shg tidak
terjadi salah tafsir
 Normalitas sebaran data menentukan uji apa yang mau dipakai,
misal siswa dikumpulakan random akan ada yang bodoh, sedang,
cerdas (distribusi normal).
 Jika tidak terdistribusi normal bisa dengan non parametrik
 Tes normalitas dgn kai kuadrat
 Uji Z adl uji hipotesis data presentase
 Uji t satu kelompok misal beda laki-laki dan perempuan dalam
menyelesaikan soal psikotes
51
korelasi
 Spearman/rank order: Bdsr kedudukan skor bukan
pengukuran sebenarnya eg IQ dan MTK
 Pearson: Variabel brp gejala kontinu eg bhs arab
skor iain, Sampel homogen atau dekati homogen
 Korelasi phi: Dikotomi misal pria -wanita
 Korelasi poin biserial: Menilai variabel kontinu dg
diskrit eg nilai ujian dengan validitas mcq (bnr slh)
 Regresi linear

52
komparatif
 t test: Parametrik-bdgkn mean
 X kuadrat: Beda frekuensi

 Multivariat

 Anava- misal korelasi 4 teknik membaca dgn skor kecepatan

membaca, efektivitas PR dg LKS dan Buku Paket

- Korelasi- regresi multiple
- Komparasi-anova-ankova, gab analisis regresi dan anava.
Variabel y bertambah setelah terpengaruh suatu perlakuan yang
berhubungan linear dgn variabel lainnya, misal efektivitas
media iklan radio, sk, tv utk fast food . Msg –msg pada 5
restoran dari 15 rest dipilih random dlm wkt bersamaan. Jika y
adl profit dan x-kovariat adl byknya karyawan, bgmn
efektivitas setiap jenis media berdasarkan rerata keuntungan yg
didapat menurut jumlah karyawan yang dimiliki.

53