Dalam penelitian yang bersifat kuantitatif

peranan statistika (hampir) mutlak diperlukan,

terutama pada penelitian yang berbentuk survei
dan eksperimental.

Secara garis besar peran statistika dalam siklus

penelitian meliputi pengumpulan data dan
metode analisis data.

Metode analisis data dalam statistika juga

berbeda tergantung pada sifat data, jumlah
variabel, permasalahan dan tujuan penelitian.
 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

PERAN STATISTIKA
 Metode Pengumpulan Data
 1. METODE OBSERVASI:
 PARTISIPASI
 NON PARTISIPASI
 2. METODE WAWANCARA
 TERSTRUKTUR
 TAK TERSTRUKTUR
 3. METODE LEMBAR PERTANYAAN
 TERTUTUP
 TERBUKA
 KOMBINASI TERBUKA DAN TERTUTUP
 4. METODE UJIAN /TES

6
METODE &INSTRUMEN PENGUMPULAN DATA

JENIS METODE JENIS INSTRUMEN

 OBSERVASI - LEMBAR PENGAMATAN
- PANDUAN PENGAMATAN
- CHECLIST

 WAWANCARA - PEDOMAN WAWANCARA

- CHECLIST

- TERBUKA
 DAFTAR PERTANYAAN
- TERTUTUP - CHECLIST
- SKALA

- SOAL UJIAN
 UJIAN /TES

- CHECLIST
 DOKUMEN - DUMMY TABEL
 Data (Datum)
 CIRI YANG DIPUNYAI INDIVIDU
 SIFAT
- DATA KUALITATIF
- DATA KUANTITATIF
 JENIS :
 DATA PRIMER
 DATA SEKUNDER
 WAKTU :
 DATA CROSSECTIONAL
 DATA TIME SERIES
 SKALA PENGUKURAN:
 DATA RASIO / NISBAH
 DATA INTERVAL / SELANG
 DATA ORDINAL / JENJANG
 DATA NOMINAL / KATEGORIAL
8
 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
 Tingkat Pengukuran
A. Ukuran Nominal,
adalah angka yang berfungsi hanya untuk
membedakan, dan merupakan identitas saja. Agama
Islam =1
Kristen Katolik = 2
Kristen Protestan = 3
Hindu =4
Budha =5

B. Ukuran Ordinal,
adalah angka yang selain berfungsi sebagai nominal
juga menunjukkan urutan. Pendidikan

SD =1
SMP =2
SMA =3
Diploma = 4
Sarjana = 5
C. Ukuran Interval,
adalah angka yang selain berfungsi sebagai nominal
dan ordinal juga menunjukkan jarak yang sama, titik
nol letaknya sembarang (tidak absolut).

miskin 0 - 1.200.000
sedang 1.200.001 – 12.000.000
kaya 12.000.001- 25.000.000
konglomerat lebih 25.000.000.

D. Ukuran Rasio,
adalah angka yang selain berfungsi sebagai nominal,
ordinal dan interval, juga menunjukkan berapa kali,
sebab angka nol absolut. Tinggi badan

pendek 1.50 – 1.55

sedang 1.56 – 1.60
tinggi 1.61 – 1.75
 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.

• 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 INTERVAL

Statistik
Non Parametrik ORDINAL
Jenis RASIO Parametrik
Data
?

Analisis SATU DUA / LEBIH Analisis

Univariat Jumlah Multivariat
Variabel
?
TEKNIK PENYAJIAN DATA
X Y Z • Pencatatan kembali/
penyimpanan harus teliti
Rata-
rata
• Deskripsi data (min, maks,
90
rata- rata)
80
70
60 • Tabel (memberi informasi/
deskripsi lebih detail)
50 East
40 West
30 North
20

Grafik(cepat memberi
10
0
1st Qtr 2nd Qtr 3rd Qtr 4th Qtr •

Recording & gambaran umum seperti

Representing Data kecenderungan,
perbandingan)
 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

Prestasi Kerja
Bidang pekerjaan Sangat Jelek Cukup Baik Sangat Jumlah
jelek baik baik
Administrasi
Personalia
Produksi
Marketing
Keuangan
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
0
Count

administrasi personalia produksi marketing keuangan

0
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
 PENYEDERHANAAN DATA
FREKUENSI : banyaknya data untuk satu kelompok/klasifikasi

KELOMPOK FREKUENSI PEKERJAAN FREKUENSI

Kelompok ke-1 f1 Administrasi 18
Kelompok ke-2 f2 Personalia 8
Kelompok ke-3 f3 Produksi 19
Kelompok ke-i fi Marketing 27
Kelompok ke-k fk Keuangan 13
k 85
n = Σ fi
i=1

k
n = Σ fi = f1 + f2 + f3 +….. + fi + …… + fk
i=1
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
1. 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
 13. Ukuran Tendensi Sentral

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
f1 + f2 + f3 + … + fk i =1

k
Σ fi
Cara menghitung : i =1

Bilangan (Xi) Frekuensi (fi) X i fi

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

Kurva positif apabila rata-rata hitung > modus / median

Kurva negatif apabila rata-rata hitung < modus / median
 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
 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 melalui non parametrik (Wilcoxon,
Mann-White, Tau Kendall)
SARAN UNTUK PENGGUNA STATISTKA
 Ada kebutuhan akan ‘kebenaran’, bukan
sekedar ‘justifikasi kebijakan’. (Ada
kebutuhan akan kesehatan, bukan
sekedar “surat keterangan sehat”)
 Pengambil dan Pengolah Data
Independen
 Peneliti Independen dan kredibel
 Alat ukur dan pencacatan akurat
 Pemilihan metode statistika yang tepat
(lakukan berbagai alternatif dan
dignostik)
 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 ( = 0.05)
• 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 korban yang mengalami kerugian paling besar
memang berbeda dibandingkan dengan korban lainnya.
Ho : k1 = k2
Diperoleh  = 2.865.625 ; std. Dev = 1.789.112,5 ; df = 79 ; t hitung = -22.169
α
Berdasarkan tabel df=79 dan = 0.05 diperoleh t tabel = 1.6644
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
korban yang mengalami kerugian paling besar secara signifikan berbeda
dengan korban 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 setelah bencana antara
korban ringan dengan korban berat
Ho : Pr = Pb
Diperoleh :  = 1547368 ; y = 1537500 ; t hitung = .066

Uji kesamaan varians  Ho : kedua varians sama

Probabilitas > 0.05 maka Ho diterima yakni kedua varians sama

Uji t independent sample

α
Berdasarkan tabel df=53 dan = 0.05 diperoleh t tabel = 1.6741
Kesimpulan : t hitung < t tabel sehingga Ho diterima
tidak ada perbedaan yang signifikan penghasilan setelah bencana antara
korban ringan dengan korban berat
 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 perbaikan terhadap pengembangan model pembelajaran
debat. 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 : t1 = t2
Diperoleh t1 = 51.36 ; t2 = 52.55 ; korelasi 0.873
Korelasi sangat erat dan benar-benar berhubungan dengan nyata

α
Berdasarkan tabel df=21 dan = 0.05 diperoleh t tabel = 1.7207
Kesimpulan : t hitung < t tabel sehingga Ho diterima
Tidak ada perbedaan yang signifikan antara hasil tes pertama dengan
hasil tes kedua, sehingga ia menyimpulkan model masih belum
diimplementasikan dengan baik
 25. 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
 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(N – 1)
2 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 : 2 4 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 perbedaan pendidikan berdasarkan status marital responden
Ho = tidak ada hubungan antara baris dengan kolom atau tidak ada perbedaan pendidikan
berdasarkan status marital
H1 = ada perbedaan pendidikan berdasarkan 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 * status marital Crosstabulation

Count
status marital
belum kawin kawin janda duda Total Chi-Square Tests
pendidikan SD 1 4 5 3 13
terakhir SMP 9 24 1 2 36 Asymp. Sig.
SMA Value df (2-sided)
5 10 1 2 18
Pearson Chi-Square 30.605 9 .000
Sarjana 0 13 0 0 13
Total 15 51 7 7 80
Likelihood Ratio 29.160 9 .001
Linear-by-Linear
3.412 1 .065
Symmetric Measures Association
N of Valid Cases 80
Value Approx. Sig.
Nominal by Nominal Contingency Coefficient .526 .000
N of Valid Cases 80

Hasil : tingkat signifikansi = 5% ; df = 9 ; X2 tabel = 16.919 ; X2 hitung = 30.605 ;

asymp. sig = 0.000 ; contingency coeff. = 0.526
Karena : X2 hitung > X2 tabel maka Ho ditolak
asymp. Sig < 0.05 maka Ho ditolak
Artinya ada perbedaan tingkat pendidikan berdasarkan status maritalnya
dan hal ini diperkuat dengan kuatnya hubungan yang 52.6%
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)

Variabel dependen lebih dari satu tetapi

kelompok sama
Contoh : apakah rata-rata ulangan dan pandangan
siswa terhadap IPS berbeda untuk tiap daerah

Satu variabel dependen tetapi kelompok berbeda

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

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 = 32 + 42 + 52 … - = 10
5
5 2 3
Jka
4 1 3 RJKa = = 19.73/2 = 9.865
5 2 5 k-1 F = 9.865 / 0.833

Σ 21 7 15 Jki = 11.838
RJKi = = 10/15-3 = 0.833
 4.2 1.4 3
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
 CONTOH :

Apakah ada perbedaan rata-rata penghasilan sesudah bencana jika dilihat dari
sumbangan yang diterima ?
Ho = rata-rata penghasilan tidak berbeda dilihat dari sumbangan yang diterima

Langkah-langkah :
1. Analysis > compare mean > one way anova
2. Dependent list  penghasilan (kuantitatif) ; factor  sumbangan yg diterima (kualitatif)
3. Option > descriptive & homogeneity of variance diberi tanda check
4. Post hoc > bonferroni & tukey diberi tanda check
5. Ok
 Pemaknaan interpretasi :
Descriptives

penghasilan sesudah bencana

95% Confidence
Std. Interval for Mean
N Mean Deviation Std. Error Lw Bound Up Bound Min Max
sedikit 29 1341379 528148.55 98074.72 1140482.3 1542276 600000 2500000
sedang 30 1485000 501918.73 91637.40 1297580.5 1672420 500000 2400000
banyak 21 1752381 528790.17 115391 1511678.6 1993083 1.E+06 2800000
Total 80 1503125 537006.69 60039.17 1383620.0 1622630 500000 2800000

Penghasilan sesudah bencana rata-rata paling besar diterima oleh kelompok

yang mendapat sumbangan banyak
Kemudian lakukan interpretasi terhadap homogenitas varians, sebagai syarat untuk
pengujian asumsi uji anova
Test of Homogeneity of Variances

penghasilan sesudah bencana

Levene
Statistic df1 df2 Sig. Ho : varians populasi identik
.100 2 77 .905 Probabilitas > 0.05 Ho diterima

Karena probabilitas > 0.05 (lihat sig. 0.905) maka keputusan Ho diterima, artinya
varians homogen sehingga pengujian anova dapat dilanjutkan
 ANOVA

penghasilan sesudah bencana

Sum of Squares df Mean Square F Sig.
Between Groups 2073242970032.8 2 1036621485016 3.854 .025
Within Groups 20708475779967 77 268941243895.7
Total 22781718750000 79

Pengambilan keputusan berdasarkan probabilitas :

Karena p (sig.) < 0.05 maka Ho ditolak, artinya penghasilan yang diterima
setelah bencana berbeda berdasarkan sumbangan yang diterima

Pengambilan keputusan berdasarkan nilai F :

Berdasarkan df1 = 2 (klasifikasi jumlah sumbangan yang diterima – 1); dan
df2 = 77 (jumlah N – klasifikasi jumlah sumbangan yang diterima), maka F
tabel adalah (0.05, 2, 77) = 3.13 sehingga F hitung > F tabel maka Ho ditolak
penghasilan berbeda berdasarkan sumbangan yg diterima

Cara melihat F tabel :

1. Sisi horisontal : df pembilang (numerator) ; sisi vertikal : df penyebut (denominator)
2. Skor bagian atas untuk 0.05 dan skor bagian bawah untuk 0.01
 Multiple Comparisons

Dependent Variable: penghasilan sesudah bencana

Mean
Difference 95% Confidence Interval
(I) sumbangan diterima (J) sumbangan diterima (I-J) Std. Error Sig. Lower Bound Upper Bound
Tukey HSD sedikit sedang -143620.69 135050.2 .540 -466371.94 179130.56
banyak -411001.64* 148595.3 .019 -766123.91 -55879.37
sedang sedikit 143620.690 135050.2 .540 -179130.56 466371.94
banyak -267380.95 147551.5 .172 -620008.61 85246.70
banyak sedikit 411001.642* 148595.3 .019 55879.37 766123.91
sedang 267380.952 147551.5 .172 -85246.70 620008.61
Bonferroni sedikit sedang -143620.69 135050.2 .873 -474143.15 186901.77
banyak -411001.64* 148595.3 .021 -774674.55 -47328.73
sedang sedikit 143620.690 135050.2 .873 -186901.77 474143.15
banyak -267380.95 147551.5 .222 -628499.18 93737.27
banyak sedikit 411001.642* 148595.3 .021 47328.73 774674.55
sedang 267380.952 147551.5 .222 -93737.27 628499.18
*. The mean difference is significant at the .05 level.

Analisis lanjutan (tukey dan bonferroni) :

1. Kolom Mean difference memperlihatkan perbedaan rata-rata (I-J) dan tanda *
memperlihatkan perbedaan yang signifikan, artinya yang menerima sumbangan
sedikit berbeda signifikan dengan yang menerima sumbangan banyak dalam hal
penghasilannya sesudah bencana
2. Antara sumbangan yang diterima sedang tidak berbeda signifikan dengan
sumbangan yang diterima sedikit atau banyak
 33. Uji Anova
MULTIVARIAT ANOVA dengan menggunakan SPSS

Data yang digunakan untuk variabel dependen adalah data kuantitatif, sedangkan
faktor atau kelompok adalah data kualitatif

Contoh Kasus :

apakah status marital mempunyai pengaruh yang signifikan terhadap penghasilan

Sebelum terjadinya bencana & usia
Variabel dependen adalah penghasilan sebelum terjadinya bencana & usia ;
Faktor (kelompok) adalah status marital

Langkah-langkah :
1. Analysis > general linear model > multivariat
2. Dependent variables  usia & penghasilan sebelum bencana (kuantitatif) ;
fix factor  status marital (kualitatif)
3. Option > descriptive statistic & homogeneity test diberi tanda check
4. Ok
Uji varians dilakukan 2 tahap :

Tahap 1 :
Pengujian terhadap varians tiap-tiap variabel dependen
Ho = varians populasi identik (sama)
alat analisis : Lavene Test ;
keputusan : probabilitas > 0.05 maka Ho diterima

a
Levene's Test of Equality of Error Variances

F df1 df2 Sig.

penghasilan
2.772 3 76 .047
sebelum bencana
usia .450 3 76 .718
Tests the null hypothesis that the error variance of the dependent
variable is equal across groups.
a. Design: Intercept+STATUS

Ho diterima
Varians tiap variabel identik
Tahap 2 :
Pengujian terhadap varians populasi secara keseluruhan
Ho = matriks varians sama (varians populasi sama yakni keseluruhan variabel dependen)
alat analisis : Box’s M ;
keputusan : probabilitas > 0.05 maka Ho diterima
probabilitas < 0.05 maka Ho ditolak
a
Box's Test of Equality of Covariance Matrices
Box's M 9.578
F .956
df1 9
df2 2964.095
Sig. .475
Tests the null hypothesis that the observed covariance
matrices of the dependent variables are equal across groups.
a. Design: Intercept+STATUS

Ho diterima
Varians populasi identik
 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

Multivariate Testsc

Effect Value F Hypothesis df Error df Sig.

Ho ditolak :
Intercept Pillai's Trace .945 644.853a 2.000 75.000 .000
Wilks' Lambda .055 644.853a 2.000 75.000 .000
rata-rata vektor sampel
Hotelling's Trace 17.196 644.853a 2.000 75.000 .000
tidak identik
Roy's Largest Root 17.196 644.853a 2.000 75.000 .000 Kesimpulan :
STATUS Pillai's Trace .895 20.517 6.000 152.000 .000 Status marital
Wilks' Lambda .283 22.004a 6.000 150.000 .000 mempunyai pengaruh
Hotelling's Trace 1.906 23.512 6.000 148.000 .000 terhadap
Roy's Largest Root 1.482 37.552b 3.000 76.000 .000 penghasilan dan usia
a. Exact statistic
b. The statistic is an upper bound on F that yields a lower bound on the significance level.
c. Design: Intercept+STATUS

Artinya :
Perubahan status marital menyebabkan terjadinya perubahan penghasilan
dan penambahan usia
Nominal

Tidak Normal Non

parametrik

Ordinal

Tidak Transfor
Parametrik
Normal masi
Interval

Periksa
Normalitas Mendekati
Rasio Normal
 ANALISAUNIVARIAT
ANALISA UNIVARIAT
 Mean,
Mean,Median,
Median,Mode,
Mode,Sd,Sd, Se,
Se, Range,
Range,
Min-Max, Skewness,
Min-Max, Skewness, Kurtosis
Kurtosis
 Boxplot;
Boxplot;Stem-Leaf
Stem-Leaf
Tujuan:
Tujuan:
1.Deskripsi
1. Deskripsisetiap
setiapvariabel
variabelditeliti
diteliti
2.Diagnosis
2. Diagnosisasumsi
asumsistatistik
statistiklanjut
lanjut
3.Deteksi
3. Deteksi nilai
nilai ekstrim/outlier
ekstrim/outlier

ANALISIS BIVARIAT:
1. Diagnosis data
2. Uji Hipotesis 2 var

ANALISIS MULTIVARIAT:
53
1. Pemodelan Kuantitatif
 ANALISIS BIVARIAT
skala
skala NOMINAL
NOMINAL ORDINAL
ORDINAL Intv&Rasio
Intv&Rasio
NOMINAL Chi-Sq.
NOMINAL Chi-Sq.
Phi-Coeff.
Phi-Coeff.
Cramer'sVV
Cramer's
G-KLambda
G-K Lambda
RelativeRisk
Relative Risk
Fisher'sExact
Fisher's Exact
ORDINAL Chi-Sq.
ORDINAL Chi-Sq. Chi-Sq.
Chi-Sq.
G-KLambda
G-K Lambda G-KLambda
G-K Lambda
Kruskal-Wallis
Kruskal-Wallis Kendal'sTau
Kendal's Tau
Mediantest
Median test Spearmanrr
Spearman
SignTest
Sign Test Somer'sdd
Somer's
WicoxonTest
Wicoxon Test
Somer'sdd
Somer's
Kolmogorov
Kolmogorov
Runstest
Runs test
54
INTERVALPaired
INTERVAL Pairedt-test
t-test Pearson-r
Pearson-r
&&RASIO
RASIO ANOVA
ANOVA Regresi
Regresi
 ANALISIS MULTIVARIAT:

skala NOMINAL/ORD INT&RASIO

NOMINAL/ Regresi logistik
ORDINAL
INTERVAL Reg. Multipel Multiple r
& RASIO (Var. Dummy) Reg. Multipel
An. Diskriminan Reg. Non-linier
ANOVA An. Path
MANOVA An. Faktor
ANCOVA Time-series
An. Survival
Reg. Cox
55
LISREL
 STATISTIKA PARAMETRIK STATISTIKA NONPARAMETRIK
1. Uji t 1. - Uji Tanda

- Uji Wilcoxon

- Uji Mann Whitney

2. Anova (Uji F) 2. - Uji Kruskal Wallis

- Uji Friedman

3. Regresi Linier 3. Regresi Logistik:

- Berganda - Berganda

- Sederhana - Sederhana

4. Korelasi Pearson 4. Korelasi Spearman

5. Korelasi Berganda 5. Korelasi Kendall

Korelasi Partial -W

-T

6. Uji x 2

- Koef. Phi

- Koef. Cramer C.
56
MODEL REGRESI

1. Additive Respons Model

Motivasi
Kinerja
Pegawai

Bakat

Yi = 0 + 1X1i + 2X2i + i
MODEL REGRESI

2. Model Regresi dua Tahap

Serv-Qual
Satisfaction Loyality
Image

Y1 = 0 + 1X1i + 2X2i + 0
Y2 = 1 + 5Y1i + 1
MODEL REGRESI

3. Model Regresi Moderasi

INTENSITAS KINERJA
PROMOSI PENJUALAN

DAYA BELI
MASYARAKAT

59
 MODEL REGRESI

4. Model Regresi Rekursif

Kebijakan
E1 Hutang

Kebijakan
Kinerja Dividen
E2 Keuangan

Nilai Prsh
E3

Y1 = 0 + 1X1 + 2X2 + 1
Y2 = 0 + 1Y1 + 1X1 + 2X2 + 2
Y3 = 0 + 1Y1 + 2Y2 + 1X1 + 2X2 + 3
MODEL REGRESI

5. Model Regresi Reciprokal

Kepuasan
E1

kompetensi,
kompensasi

Kinerja E2

Y1 = 0 + 1Y2 + 1X1 + 2X2 + 1

Y2 = 0 + Y1 + 2
MODEL PATH

(1) EARN = 0 + 1 ED + 2 EXP + 1

(2) INCOME = 0 + 1 ED + 2 EXP + 3 EARNS + 2
(3) SAVING = 0 + 1 EARNS + 2 INCOME + 3SIZE + 3
MODEL KOMFIRMATORI

Volume Penjualan = 1 KP + 1
Pertumbuhan Pelanggan = 2 KP + 2
Pertumbuhan Penjualan = 3 KP + 3
Durabilitas Instrumen = 4 KB + 4
Imitabilitas Instrumen = 5 KB + 5
Kemudahan Menyamai = 6 KB + 6
MODEL PERSAMAAN STRUKTURAL
 Thank You
70
71