Sistematika Materi

1. PENDAHULUAN
2. TABEL & GRAFIK
3. UKURAN GEJALA PUSAT
4. UKURAN DISPERSI & VARIASI
5. REGRESI LINEAR SEDERHANA
6. POPULASI DAN SAMPLING
7. DISTRIBUSI NORMAL
B. Pengertian dan Jenis Statistika
Statistika adalah bagian dari matematika yang secara
khusus membicarakan cara-cara pengumpulan, analisis dan
penafsiran data.

 Jenis Statistika berdasarkan pembahasannya:

- Matematika /statistika teoritis yang lebih berorientasi
pada pemahaman model & teknik-teknik statistika secara
matematis.
- Statistika Terapan: Bagian matematika yg secara khusus
membicarakan cara2 analisis dan panafsiran data
(interpretasi). Yang lebih berorientasi pada pemahaman
intuitif atas konsep & teknik-teknik statistika serta
penggunaannya di berbagai bidang.
A. Statistika dalam Kehidupan Sehari-hari
Kemajuan ilmu pengetahuan dan teknologi
tidak dapat dipisahkan dari statistika

Jaeger (1990) menyimpulkan bahwa statistika

tidak dapat dipisahkan dari kehidupan para
peneliti, pendidik, manajer, analis olahraga,
analis politik, pengusaha & hampir semua orang
yang terdidik.

Keperluan akan statistika berbeda-beda, baik

tingkat kedalamannya maupun jenis tekniknya
 Jenis Statistika berdasarkan Tahapan Tujuan
Analisisnya:

- Statistika Deskriptif
untuk memperoleh gambaran/ ukuran-ukuran
tentang data yang ada di tangan (ukuran sampel,
ukuran populasi)

- Statistika Inferensial (to infer = menyimpulkan)

Kita dapat menggunakan data & ukuran sampel untuk
melakukan inferensi tentang populasi (statistika
inilah yang disebut statistika inferensial):
- Menaksir ukuran
- Menguji hipotesis
 Berdasarkan asumsi mengenai distribusi populasi data yang
dianalisis, statistika Inferensial dibedakan menjadi:

1. Statistika Parametrik
Jenis ini didasarkan pada model distribusi normal

2. Statistika Nonparametrik
Statistik ini tidak didasarkan pada suatu model distribusi
tertentu

 Statistika juga dibedakan berdasarkan jumlah peubah (variabel)

terikat (dependent variabel) yang dianalisis:
 statistika unvariat : 1 variabel terikat
 statistika multivariat : 2 atau lebih variabel terikat
C. Pengukuran & Data Statistik
1. Pentingnya pengukuran dalam penelitian

Teknik statistik bukanlah prosedur yang dapat mengubah

sampah menjadi kertas atau pupuk yang berharga.

Pengukuran merupakan kegiatan untuk menyediakan data yang

akan dijadikan masukan dalam analisis statistika.

Validitas penelitian antara lain amat bergantung pada validitas

data yang diperoleh.

Jika data yang diperoleh tidak valid maka kegiatan analisis &
penafsiran data yang mengikutinya tidak valid.
2. Jenis data & skala pengukuran Kuantitatif
Data dapat digolongkan menjadi data diskrit & data
kontinu.

Data diskrit: Banyaknya anak di suatu keluarga, jumlah

rumah di suatu desa, banyaknya penduduk disuatu daerah,
dan jumlah mobil di kantor tertentu (merupakan bilangan
bulat)

Data kontinu: tingkat kecerdasan, prestasi belajar, berat

badan, dan daya tahan mobil merupakan contoh data
kontinu (termasuk bilangan desimal)
Dilihat dari skala pengukuran yang digunakan, data dibagi menjadi menjadi 4 jenis yang
bersifat hirarkis, yaitu:

1. Data Nominal
Data ini memiliki skala yang bersifat kategorikal /
pengelompokan (jenis kelamin, warna kulit, agama), digunakan untuk
mengenali identitas subyek.

2. Data Ordinal
Data ini memiliki skala yang menunjukkan perbedaan
tingkatan subjek secara kuantitatif (data yang dinyatakan
dalam bentuk peringkat atau rangking)
Data ini selain memiliki sifat yang dimiliki data nominal juga
menunjukan kedudukan subjek dalam suatu kelompok pada
suatu variabel. Termasuk aplikasi skala likert

3. Data Interval
Selain memiliki kedua ciri diatas, data ini juga memiliki sifat kesamaan
jarak (equality of interval) antara nilai yang satu dengan nilai yang lain

4. Data Rasio
Hasil pengukuran merupakan contoh data rasio panjang (M), berat (kg). Data rasio
dapat disusus dalam data interval dan ordinal.
D. Penelitian Kuantitatif
Menurut Sukaji, 1992: kemajuan pesat negara2 industri maju dan negara2
industri baru ternyata lebih tergantung pada mutu SDM, kegiatan
penelitian serta inovasi teknologi daripada Sumberdaya alam.

1. Memahami makna penelitian

Gay (1982), merumuskan penelitian sebagai suatu proses sistematis untuk
menjawab suatu pertanyaan.

Nasution (1992), menggambarkan sifat-sifat penelitian, yaitu penelitian

adalah suatu upaya pengkajian yang cermat, teratur & tekun mengenai
suatu masalah.

2. Penggolongan penelitian
- Penelitian eksperimental: termasuk eksperimen semu
yang tidak melakukan random assigment. Penelitian
eksperimental dari penelitian lainnya adalah
adanya manipulasi peubah bebas.

- Penelitian Korelasional
Penelitian korelasional sendiri merupakan Penelitian yang
peubah bebasnya tidak dimanipulasi
3. Penggolongan peubah penelitian

Beberapa jenis peubah yang sangat penting dipahami antara lain (4):
a. Peubah bebas, yaitu peubah yang mempengaruhi peubah
lain
b. Peubah terikat, yaitu peubah yang dipengaruhi oleh
peubah lain
c. Peubah Moderator, yaitu peubah yang mempengaruhi secara jelas
(terukur) hubungan antara peubah bebas dengan peubah terikat
(memperkuat / memperlemah hubungan), misal kehadiran anak dalam
hub keluarga
d. Peubah Intervening, yaitu mempengaruhi variabel bebas & terikat
tetapi tidak terukur, antara IQ dan nilai ujian tetapi ada intervening
kondisi anak
e. Peubah Kontrol, yaitu peubah yang pengaruhnya kepada
peubah terikat dikendalikan. Misal mempertahankan temperatur
dalam eksperimental.
 Pengaruh curah hujan terhadap
Jumlah pasien dan pendapatan RS

Var Bebas : Curah Hujan

Var Terikat : 1. Jumlah pasien
2. Pendapatan RS
Pengaruh : Analisis Uji Statistik
Var Kontrol : SOP Pendaftaran
Tarif standart
4. Hubungan Antara Peubah Penelitian
1. Hubungan Kausal (pengaruh)
2. Hubungan Korelasional
3. Hubungan Perbandingan

5. Validitas Penelitian
Validitas penelitian diklasifikasikan menjadi:
1. Validitas Internal, berkaitan dengan keyakinan peneliti
tentang kesahihan hasil penelitian
2. Validitas Eksternal, berkaitan dengan tingkat generalisasi
penelitian yang diperoleh

 Validitas Internal dapat ditingkatkan dengan cara kumulatif

a. Melakukan pengukuran yang valid & reliabel atas seluruh
peubah yang dikaji
b. Mengontrol peubah yang diduga mempengaruhi peubah
terikat
 Penelitian eksperimen di laboratorium biasanya memiliki
validitas yang lebih tinggi dibandingkan dengan penelitian
lapangan

 Salah satu yang mendukung validitas eksternal suatu

penelitian adalah pemilihan subjek secara acak, sehingga
sampel yang diteliti dapat mewakili populasi yang diharapkan.

 Perbedaan validitas internal & validitas eksternal biasanya

lebihmudah dikendalikan pada penelitian lapangan daripada
penelitian laboratoris
Paradigma Penelitian
(pola pikir yang menunjukkan hubungan antara
variabel penelitian)

1. Paradigma sederhana
2. Paradigma sederhana berurutan
3. Paradigma ganda dengan 2 variabel
independen
4. Paradigma ganda dengan 3 variabel
independen
5. Paradigma ganda dengan 2 variabel dependen
6. Paradigma Jalur sederhana
7. Paradigma jalur ganda
 Data statistik dan hasil penelitian sering disajikan dalam
bentuk tabel & grafik. Sebuah grafik atau tabel dapat
mewakili ratusan atau ribuan kata dalam suatu bentuk yang
kompak dan menarik.

A. Daftar Distribusi Frekuensi

Langkah-langkah adalah:
1. Menentukan rentang
2. Menentukan panjang kelas
3. Menentukan banyak kelas
4. Menyusun interval kelas
5. Menghitung frekuensi untuk setiap kelas
1. Rentang:
Suatu perangkat data yang biasanya dilambangkan dengan
huruf R adalah skor terbesar dikurangi skor terkecil.

R= Nilai terbesar – Nilai terkecil

2. Banyak Kelas:
Banyak kelas menunjukkan jumlah interval kelas yang
diperlukan untuk mengelompokan suatu perangkat data
(Rumus Sturges).
bk=1+3,3 log n

3. Panjang Kelas:
Panjang kelas (p) atau interval (I) menunjukkan banyaknya
R
angka (nilai) yang tercakup oleh suatu interval kelas
P 
bk
4. Interval Kelas:
Untuk menyusun interval kelas, perlu ditentukan dahulu
bilangan awal untuk interval kelas pertama (paling bawah)
- merupakan kelipatan dari P

- < skor terkecil

5. Frekuensi:
Frekuensi setiap kelas dapat diperoleh dengan cara mentally
(turus) setiap nilai yang ada pada interval kelas masing-
masing dan kemudian menjumlahkan banyaknya tally (turus)
yang didapat
Contoh

 Berdasar pengumpulan data didapat:

 Jumlah data sebanyak 100
 Range data antara minimal 1 dan maksimal 80
 Tentukan:
 Banyak nya kelas
 Panjang kelas
 Bentuk tabelnya
B. Grafik
Perangkat data statistik dapat ditampilkan secara visual
dalam bentuk grafik

1. Histogram
Merupakan suatu grafik yang menggambarkan sebaran
frekuensi suatu perangkat data dalam bentuk batang

2. Frekuensi Poligon
pada Histogram diasumsikan bahwa skor-skor pada interval
kelas meyebar secara merata.

Contoh dalam Excel 

Analisis Data Secara Grafik
 Secara umum, bidang studi statistik deskriptif adalah menyajikan data
dalam bentuk tabel dan grafik. Bentuk grafik yang sering dipakai dalam
analisis adalah grafik batang, pie, dan histogram.
 Histogram adalah diagram yg paling penting digunakan utk menyajikan
data dari suatu tabel frekuensi, dimana masing-masing frekuensi diwakili
oleh suatu blok. Setiap blok dlm histogram menunjukkan suatu frekuensi
utk suatu interval kelas. Sumbu horizontal menunjukkan pembagian kelas,
sedangkan sumbu vertikal menunjukkan frekuensinya.
100

% 90

80

frekuensi kurang dari 70

60

50

40

30

20

10

0
195.0 294.9 394.9 494.9 594.9 694.9 794.9 894.9 994.9
Penghasilan dalam ribuan rupiah
Belanja Litbang IPTEK

12.96%
11.88% 39.00%

4.59%

31.58%

IPSK Teknik Kedokteran MIPA Pertanian

Contoh hasil analisis model numerik
Analisis yang menyajikan deskripsi data yang ada terpusat
dimana?
 Mean (Rata-rata)
 Median (Nilai Tengah)
 Modus (Nilai paling sering muncul)
 Hubungan Mean, Median dan Modus
 Kuartil, desil & Persentil
A. Rata-rata (Mean)
Merupakan ukuran gejala pusat yang sering digunakan

X= X
n

Rumus lain yang dapat ditulis adalah:

n
X= fiXi
i-1
n

Menentukan Rata-rata dari sejumlah sampel

k
X= fiXi
i-1
k
ni
i-1
 Contoh kelas data dan Mean

Distribusi Frekwensi Penghasilan Tenaga Kontruksi

Penghasilan Banyaknya Tenaga Titik Tengah fi Xi

(dalam ribuan rupiah) (fi) (Xi)
195.0 -294.9 7 245 1715,0
295.0 - 394.9 9 345 3105,0
394.0 - 494.9 16 445 7120,0
495.0 - 594.9 21 545 11445,0
595.0 - 694.9 14 645 9030,0
695.0 - 794.9 9 745 6705,0
795.0 - 894.9 4 845 3380,0
895.0 - 994.9 3 945 2835,0
995.0 - 1095 1 1045 1045,0
Jumlah tenaga = 84 46380,0
Mean = 552,1

n
X= fiXi
i-1
n
B. Median
merupakan titik/ nilai yang membagi seperangkat data menjadi dua
bagian sama banyak

P(n/2-fk11)
Me= X11+
fi

dimana:
Me : Median
X11 : batas nyata bawah kelas median
p : panjang kelas
n : banyak data
fk11: frekuensi kumulatif interval kelas di bawah kelas median
fi : frekuensi kelas median
 Mencari Median data Kelas

P(n/2-fk11)
Me= X11+
fi

Penghasilan Banyaknya Tenaga Banyaknya Tenaga

(dalam ribuan rupiah) (%)
195.0 -294.9 7 8,3
295.0 - 394.9 9 10,7
394.0 - 494.9 16 19,0
495.0 - 594.9 21 25,0 X11= 495,0 ; P= 100 ; n= 84
595.0 - 694.9 14 16,7
695.0 - 794.9 9 10,7 Fk11= 32 ; fi= 21
795.0 - 894.9 4 4,8
895.0 - 994.9 3 3,6
995.0 - 1095 1 1,2
Jumlah tenaga = 84 100,0
C. Modus
Merupakan nilai yang paling sering muncul dalam suatu pengukuran
- kasus sederhana
- kasus interval klas

 b1 
Mo  b  p 
 b1  b2 

dimana:
b : batas bawah interval kelas dengan frekuensi terbanyak
p : panjang kelas
b1 : frekuensi terbanyak - frekuensi kelas sebelumnya
b2: frekuensi terbanyak - frekuensi kelas sesudahnya
Contoh Modus data Kelas
Penghasilan Banyaknya Tenaga Titik Tengah fi Xi
(dalam ribuan rupiah) (fi) (Xi)
195.0 -294.9 7 245 1715,0
295.0 - 394.9 9 345 3105,0
394.0 - 494.9 16 445 7120,0
495.0 - 594.9 21 545 11445,0
595.0 - 694.9 14 645 9030,0
695.0 - 794.9 9 745 6705,0
795.0 - 894.9 4 845 3380,0
895.0 - 994.9 3 945 2835,0
995.0 - 1095 1 1045 1045,0

 b1  b= 495,0 ; p= 100
Mo  b  p  b1= 21- 16
 b1  b2  b2= 21 - 14
D. Hubungan antara Modus, median & Rata-rata
gambar dibawah menunjukkan perbandingan letak modus,
median & rata-rata dalam tiga macam bentuk distribusi
a. Data yang distribusinya simetris
Mo= Me= X

b. data yang distribusinya juling ke negatif

X < Me < Mo

c. data yang distribusinya juling ke positif

Mo< Me < X

X X Me Mo Mo Me X
Mo
Me

a = simetris b = juling - c=juling +

 Dalam kegiatan penelitian, rata-rata lebih sering digunakan
kepada ukuran lainnya karena peneliti tidak hanya hendak
menggambarkn keaadaan sampel, tapi juga ingin melakukan
referensi tentang keadaan populasinya

F. Kuartil, desil & Persentil

sejalan dengan konsep median kita juga memiliki ukuran
statistik yang dikenal dengan sebutan kuartil, desil &
persentil
Tiga nilai kuartil (K1, K2 dan K3), sembilan nilai desil (D1-D9)
dan 99 nilai persentil (Pi-P99)
K2 = D5 = P50 = Median, K1 = P25 dan D6 = P60
Parameter Sampel & Populasi

Jenis Ukuran Sampel Populasi

Rata-rata 
X m
Simpangan s s
Baku
Variansi s2 s2
Koefisien r r
korelasi
Koefisien b b
regresi
 Statistika sering disebut studi tentang variasi karena membahas
dan menyediakan cara-cara untuk menyelidiki variasi gejala alam
sosial serta membuat kesimpulan tentang hal-hal yang melatar
belakangi terjadinya variasi (Ferguson & Takane, 1989)
 Para ahli statistika telah mengusulkan sejumlah ukuran yang
dapat membantu memahami variasi suatu perangkat data.
Rentang dapat diartikan sebagai selisih antara skor terbesar dan
skor terkecil pada suatu perangkat data

A. Rentang (R)
Merupakan ukuran yang paling sederhana dan kasar tentang
variasi suatu perangkat data. Rentang dapat diartikan juga
sebagai selisih antara skor terbesar dan skor terkecil pada suatu
perangkat data
 Rentang jarang digunakan utuk menggambarkan variasi perangkat data, karena
beberapa alasan berikut yang saling berkaitan (Shavelson, 1988: Ferguson &
Takane, 1989):
1. Rentang merupakan ukuran yang tidak stabil
2. Rentang tidak mencerminkan pola variasi suatu distribusi
data
3. Rentang bergantung pada besarnya sampel (n)

B. Rentang Antar Kuartil

RAK = K3-K1
= P75-P25
dimana:
RAK: Rentang Antar Kuartil
K1 : Nilai kuartil ke-1
K2 : Nilai kuartil ke-2
P75 : Nilai persentil ke-75
P25 : Nilai persentil ke-25
C. Rata-rata Simpangan
merupakan jumlah harga mutlak skor simpangan dibagi dengan
banyaknya data (n)
n
x =  [Xi-X]
n=1

D. Variasi (s2) dan Simpangan Buku (s)

Merupakan dua buah ukuran yang paling sering digunakan tentang
variasi suatu perangkat data

Variasi adalah kuadrat dari simpangan baku, & sebaliknya, simpangan

baku adalah akar.
 Contoh, mengambil sampel yang terdiri dari 40 subjek dari suatu
populasi. Secara teoritis, populasi itu terdiri dari N subjek (N=
jumlah anggota populasi) yang memiliki parameter tertentu.
Seperti rata-rata () dan variasi (2). Sampel dilambangkan
dengan huruf n (disini n= 40). Secara teknis, variasi sampel
tersebut kemudian dapat ditentukan dengan rumus:

n
S =  (Xi -)2
2
i=1
n
dimana:
S2 : variasi sampel
Xi : skor (nilai) ke-I pada suatu perangkat data
 : rata-rata populasi
n : jumlah populasi (banyaknya data)

Merupakan cara menentukan sampel yang tidak bias terhadap

variasi populasinya.
 Cara menentukan sampel yang tidak bias terhadap variasi
populasinya.
Variasi sampel dapat ditulis kembali menjadi rumus:
n
S =  (Xi -X)2
2
i-1
n-1

Untuk jumlah data populasi dibagi n

Untuk jumlah data sampel dibagi n-1
 Simpangan baku adalah akar dua dari variasi seperti
terlihat pada rumus diatas. Simpangan baku yang sering
dilambangkan dengan huruf s untuk simpangan baku sampel
dan  untuk simpangan baku populasi
makin bervariasi suatu perangkat data makin besarlah
simpangan bakunya, dan sebaliknya

2
S S
 Besaran variasi dan simpangan baku sangat bergantung pada
skala data. Data yang dicatat dalam skala satuan cenderung
memiliki simpangan baku yang lebih kecil daripada data yang
dicatat dalam skala puluhan
 Perlu dicari suatu ukuran variasi yang tidak terlalu
tergantung kepada skala data. Masalah ini memunculkan
pemikiran untuk menggunakan rasio simpangan baku terhadap
rata-ratanya yang kemudian dikenal istilah koefisien variasi
(KV) yang dapat diperoleh dengan menggunakan rumus
KV= s
X
 Variasi antara suatu perangkat data dapat dibandingkan
dengan variasi perangkat data lain dengan cara
membandingkan kaefisien variasinya tanpa harus khawatir
terhadap skala datanya karena koefesien variasi telah
memperhitungkan perbedaan skala data.
Contoh Sederhana

 Data: 2, 2, 3, 3, 4, 4, 5, 5, 6, 6
 Tentukan:
 Rata2 (mean)
2
 Variasi (s )
 Simpangan Baku (s)
 Koefisien variasi (KV)
E. Skor Baku (z)
merupakan skor mentah dikurangi rata-ratanya
skor baku (yang dikembangkan dengan z dan
dikenal dengan sebutan z-score) dapat diperoleh
dengan rumus
_
xi  x
z
S

Statistika inferensial banyak menggunakan

distribusi normal baku (standart normal
distribution) sebagai model distribusi data yang
hendak dianalisis. Distribusi normal baku itu tidak
lain adalah distribusi seperangkat skor baku (z)
sehingga dikenal dengan istilah distribusi z (z-
distribution)
 Tugas 1
 Buat/ Kumpulkan kira-kira 40 data sesuai bidang tugas.
 Tentukan Rentang data, Jumlah Kelas dan Panjang kelas
 Tentukan jumlah masing-masing kelas
 Tentukan ukuran tendensi sentral:
 Mean, Median dan Modus
 Tentukan jenis distribusi datanya
Tugas 2

Dari data tugas 1, tentukan:

a. Variansi (s2)
b. Simpangan baku (s)
c. Koefisien Variasi (KV)
 Istilah ini digunakan untuk analisis regresi yang melibatkan sebuah
peubah bebas (X) dan sebuah peubah terikat (Y) . Pemahaman atas
regresi linier sederhana ini merupakan dasar untuk memahami regresi
linier jamak (multiple linier regretion) dan model regresi lainnya.

 Model Regresi sederhana mengatakan pada kita bahwa setiap nilai pada
peubah Y merupakan jumlah dari tiga komponen, yaitu Intercept,
koefesien regresi kali nilai pada peubah X, dan galat prediksi ( R )

yˆ    1 X 1
b = Intercept
b1 = koefisien regresi
Menemukan Harga 0 dan 1

 0  Y  1 X
n xy   x  y 
ˆ1 
n x 2  ( x) 2 

1
Kolom tabel yang diperlukan untuk menemukan koefesien
dengan menggunakan rumus
No X Y X2 XY

1 8 10 64 80
2 7 8 49 56
3 7 9 49 63
4 5 6 25 30
5 4 5 16 20
6 3 2 9 6
7 2 2 4 4
No x y x2 xy y2
1 8 10 64 80 100
2 7 8 49 56 64
3 7 9 49 63 81
4 5 6 25 30 36
5 4 5 16 20 25
6 3 2 9 6 4
7 2 2 4 4 4
S 36 42 216 259 314
rata2 5.142857 6

11
10
f(x) = 1.39351851851852 x − 1.16666666666667
9 R² = 0.966472520908005
8
7
6 Series1
Linear (Series1)
5 Linear (Series1)
4
3
2
1
0
1 2 3 4 5 6 7 8 9
 Koefisien Korelasi ( r )

 1,00  r  1,00  xy
r  n 1
x 2
y 2

n 1 n 1

Interval (r) Tingkat hubungan

0,00 – 0,199 Sangat rendah
0,20 – 0,399 Rendah
0,40 – 0,599 Sedang
0,60 – 0,799 Kuat
0,80 – 1,00 Sangat kuat
6. Populasi dan Sampling

Populasi adalah obyek/subyek yang mempunyai kuantitas

dan karakteristik tertentu yang ditetapkan oleh peneliti
untuk dipelajari, dan kemudian ditarik kesimpulannya.
Sampel adalah sebagian dari jumlah dan karakteristik yang
dimiliki oleh populasi tersebut.

Apabila populasi besar, dan peneliti tidak mungkin

mempelajari semua yang ada pada populasi (misalnya
karena keterbatasan dana, tenaga dan waktu), maka peneliti
dapat menggunakan sampel yang diambil dari populasi itu.
Hal demikian biasa disebut dengan metode sampling.
Kriteria sampel yang representatif tergantung pada dua aspek
yang saling berkaitan, yaitu:

a) Akurasi sampel
Sampel yang akurat adalah sejauh mana statistik sampel dapat
mengestimasi parameter populasi dengan tepat. Akurasi
berkaitan dengan tingkat keyakinan (confidence level). Semakin
akurat suatu sampel, akan semakin tinggi tingkat keyakinan bahwa
statistik sampel mengestimasi parameter dengan tepat.

b) Presisi sampel
Sampel yang presisi adalah sejauh mana penelitian berdasarkan
sampel dapat merefleksikan realitas populasinya dengan teliti.
Presisi menunjukkan tingkat ketepatan hasil penelitian
berdasarkan sampel yang menggambarkan karakteristik
populasinya.
Skema dan Teknik Teknik Sampling
Sampling

Probability sampling Non-probability sampling

1. Simple random sampling 1. Samping sistematis

2. Proportionate stratified 2. Sampling kuota
random sampling 3. Sampling aksidental
3. Disproportionate stratified 4. Purposive sampling
random sampling 5. Sampling jenuh
4. Area (cluster) sampling 6. Snowball sampling

Gambar 1. Skema Macam-macam Teknik Sampling

Jumlah sampel sering dinyatakan dengan ukuran sampel. Apabila

ukuran sampel makin mendekati populasi, maka peluang
kesalahan generalisasi semakin kecil, dan sebaliknya.
Nomogram Harry King

Terdapat berbagai cara yang

dapat digunakan untuk
menghitung besarnya sampel yang
diperlukan dalam penelitian.
Salah satu cara yang paling mudah
adalah dengan menggunakan
Nomogram Harry King. Cara
menentukan ukuran sampel
dengan menggunakan Nomogram
ini didasarkan pada asumsi bahwa
populasi berdistribusi normal.
Sehingga apabila sampel tidak
berdistribuasi normal. Sehinggga
apabila sampel tidak berdistribusi
normal -misalnya populasi
homogen- maka Nomogram
tersebut tidak bisa dipakai.
Berikut ini ditampilkan Nomogram
Harry King.
Untuk menentukan ukuran sampel dari populasi dapat dipakai rumus Slovin
(1960) debagai berikut:
N
n
1  Ne 2
o n = ukuran sampel
o N = ukuran populasi
o e = nilai kritis (batas ketelitian) yang diinginkan

UKURAN SAMPEL UNTUK BATAS-BATAS KESALAHAN YANG

DITETAPKAN
Batas-batas kesalahan
Populasi
1% 2% 3% 4% 5% 10%
500 * * 345 278 222 83
1.500 * * 638 441 316 94
2.500 * 1.250 769 500 345 96
3.000 * 1.364 811 517 353 97
4.000 * 1.538 870 541 364 98
5.000 * 1.667 909 556 370 98
6.000 * 1.765 938 566 375 98
7.000 * 1.842 959 574 378 99
8.000 * 1.905 976 580 381 99
9.000 * 1.957 989 584 383 99
10.000 5.000 2.000 1.000 588 385 99
Penentuan Sampel dengan
Tabel Krecjie
 Tabel sampel berdasar Populasi dengan error yang
diijinkan 5%.
7. Distribusi Normal

 Distribusi normal dapat dipandang sebagai model atau dasar teori statistika
moderen
 Distribusi normal adalah suatu model yang didefinisikan dengan rumus:

2
1  x 
  
1
y e 2  
 2
 Dimana
y = ordinat grafik
x = skor yang diperoleh
m = rata2 populasi
s = simpangan baku populasi = 3,1416
e = 2,7183
 Distribusi normal berbentuk lonceng (bell-shape) sehingga sering
disebut bell shape distribution. Model ini memiliki empat
karakteristik:
 Unimodal: satu modus
 Simetrik : distribusi sebelum dan sesudah median sama
 Modus = Median = Mean
 Asimtotik : kurva distribusi tidak akan menyentuh absisnya
Daerah dibawah kurva normal

 Luas daerah 0 ke z dapat diperoleh dengan:

1 2
z 1  x
 e 2 dx
0 2

 Luas daerah dibawah normal dari 0 ke z ditabelkan

Pada pengukuran 200 subyek yang diambil secara
acak dari populasi N=1000 menghasilkan:
 Mean sampel = 40
 Simpangan baku = 10

1. Berapa persen subyek yang memperoleh skor

antara 40 dan 55?
2. Berapa persen subyek yang memperoleh skor
di atas 55?
3. Berapa persen subyek yang memperoleh skor
di bawah 35?
4. Berapa skor yang dicapai oleh mereka yang
tergolong 10% terbesar?
 1. X=40  z=(40-40)/10=0,00
 X=55  z=(55-40)/10=1,5
 Lihat tabel distribusi normal:
 Antara 0,00 – 1,5  0,4332 =43,32%
 43,32% x N = 433 orang
 2. 0,5000 – 0,4332 = 0,0668
 6,68% x N = 67 orang
 3. X=35  z=(35-40)/10 = -0,5 ke 0
 Tabel didapat 0,1915
 Dibawah 35  0,5000 – 0,1915 = 0,3085 x N
 4. 10%  ujung kanan
Setengah kurva 0,5000 – 0,1000 = 0,4000  z-1,28
Z = (X-Xm)/s
Didapat X = 53
Pada pengukuran IQ terhadap sampel 100 siswa dari populasi 500 siswa
menghasilkan:
 Mean sampel = 120
 Simpangan baku = 10
1. Berapa siswa yang IQ antara 120 dan 130?
2. Berapa jumlah siswa yg IQ diatas 130?
3. Berapa IQ mereka yg merupakan 5% siswa tertinggi?
 Tugas Matematika Terapan
 1. Kumpulkan data sebanyak 50 buah kemudian tentukan:
 a. Rentang data
 b. Banyak kelas dan panjang kelas
 c. Daftar distribusi frekwensi
 d. Grafik histogram
 e. Grafik poligon
 f. Grafik distribusi dalam %

 2. Tentukan Mean, Median dan Modus data kelas di atas. Berdasar hasilnya
bagaimana tipe distribusinya
 3.Berdasar data sebelumnya tentukan
ukuran dispersinya dengan:
 Variasi (s2)
 Simpangan Baku (s)
 Koefisien variasi (kv)
 4.Tentukan 8 data untuk x dan y yang
memiliki kecenderungan yang sama:
 Buat tabel dengan kolom x, y, x2, xy, y2
 Tentukan nilai intercept (b0) dan koefisien
regresinya (b1)
 Tentukan koefisien korelasinya (r)
 Bagaimana pendapat tentang hasil yang didapat
Referensi

 Furqon, ph.D. , 2001, Statistika terapan

untuk penelitian, ISBN 979-8433-13-0, CV
Alfabeta, Bandung, 230p
 Sugiono, 2002, Statistik Untuk Penelitian,
ISBN 979-8433-10-6, Alfabeta, Bandung,
306p.
 Sugiono, Dr. & Eri ibowo S.Pd., Statistika
penelitian dan Aplikasi dengan SPSS 10.0
for Window, ISBN 979-8433-50-3, CV
Alfabeta, Bandung, 238p