You are on page 1of 5

Simpangan Baku

Singkatnya, ia mengukur bagaimana nilai-nilai data tersebar. dan dapat diartikan sebagai,
rata-rata jarak penyimpangan titik-titik data diukur dari nilai rata-rata data tersebut. Simpangan baku
didefinisikan sebagai akar kuadrat varians. Simpangan baku merupakan bilangan tak-negatif, dan
memiliki satuan yang sama dengan data. Misalnya jika suatu data diukur dalam satuanmeter, maka
simpangan baku juga diukur dalam meter pula.dan dapat juga diartikan ukuran simpangan yang paling
banyak dipakai dalam statisika.

Rumus Simpangan baku ( S )



Simpangan baku adalah akar dari tengah kuadrat simpangan dari nilai tengah atau akar
simpangan rata-rata kuadrat. Simpangan baku adalah ukuran simpangan yang paling banyak
digunakan dalam statistika karena standar deviasi melibatkan semua nilai data serta merupakan
bentuk linear dan selalu positif, sementara ukuran ukuran dispersi data merupakan jarak yang
bentukknya linear dan positif. Untuk sampel, simpangan baku diberi simbol s, sedangkan untuk
populasi diberi simbol (sigma).
Rumus simpangan baku merupakan rumus yang digunakan untuk mengukur sebuah data yang
membutuhkan titik tengah dalam suatu penelitian. Simpangan baku biasa didefinisikan sebagai
standar dalam pengukuran yang biasa dipakai untuk mengukur suatu data yang tersebar. Dapat pula
dijabarkan sebagai rata-rata dalam jarak penyimpangan dalam titik data. Atau dalam kata lain,
simpangan baku adalah suatu penghitungan akar kuadrat varians, yang jumlahnya tidak ada bilangan
negative, dan ukurannya menggunakan satuan yang serupa dengan data yang dihitung. Sebagai
contohnya jika menghitung data yang menggunakan satuan meter, simpangan baku yang diukur juga
dalam satuan meter. Hal ini menunjukkan bahwa, satuan baku hanya satu satuan yang terdapat dari
suatu penghitungan, dan bernilai nol hingga sekian dan bukan bilangan negative.
Rumus simpangan baku yang pertama menemukannya adalah Karl Pearson, dari sebuah buku
yang diciptakan ketika tahun 1894. Ada dua macam yang ada pada simpangan baku yaitu populasi
dan sampel. Pada simpangan baku populasi menggunakan symbol sigma dengan rumus \sigma =
\sqrt{\frac{1}{N} \sum_{i=1}^N (x_i - \overline{x})^2}, dan untuk rumus yang digunakan dalam
simpangan baku sampel menggunakan symbol s dan rumusnya adalah s = \sqrt{\frac{1}{N-1}
\sum_{i=1}^N (x_i - \overline{x})^2}. Rumus ini menunjukkan bahwa x1 dan x2 ialah nilai data
yang diambil dari sampel, sedangkan x merupakan nilai tengah data.
Simpangan baku yang sangat umum dipakai oleh ahli statitiska merupakan akar yang berasal
dari tengah kudrat atau bisa disebut akar rata-rata kuadrat dalam simpangan. Rumus digunakan untuk
statitiska karena dalam hitungan jumlahnya merupakan standar deviasi yang melibatkan seluruh nilai
dari data dan bentuknya positif dan linier. Dan untuk pengukuran disersi data ialah jarak yang
bentukknya pun sama positif dan linier. Selain populasi serta sampel, ternyata terdapat dua macam
lagi simpangan baku yang ditemukan, yaitu simpangan baku untuk data tunggal dengan rumus S =
v((?|x_i-x |^2 )/(n-1)) dan simpangan baku dengan data yang diperoleh berupa berkelompok yang
menggunakan rumus S = v((??f_i |x_i-x |^2 ?)/(n-1))
Rumus simpangan baku mulai diajarkan pada pelajar sekolah menengah atas agar dapat memahami
penghitungan seperti sensus atau nilai dalam suatu mata pelajaran.

Uji Normalitas
Uji distribusi normal adalah uji untuk mengukur apakah data yang didapatkan memiliki
distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Dengan kata
lain, uji normalitas adalah uji untuk mengetahui apakah data empirik yang didapatkan dari lapangan
itu sesuai dengan distribusi teoritik tertentu. Dalam kasus ini, distribusi normal. Dengan kata lain,
apakah data yang diperoleh berasal dari populasi yang berdistribusi normal.
Tes-tes parametrik untuk uji normalitas dibangun dari distribusi normal. Jika kita lihat suatu
tabel, misalnya tabel t-tes, pembuatannya mengacu pada tebel normalitas. Kita bisa berasumsi bahwa
sampel kita bener-bener mewakili populasi sehingga hasil penelitian kita bisa digeneralisasikan pada
populasi. Dalam pandangan statistic, sifat dan karakteristik populasi adalah terdistribusi secara
normal.
Uji Normalitas
Uji normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal
atau diambil dari populasi normal. Metode klasik dalam pengujian normalitas suatu data tidak begitu
rumit. Berdasarkan pengalaman empiris beberapa pakar statistik, data yang banyaknya lebih dari 30
angka (n > 30), maka sudah dapat diasumsikan berdistribusi normal. Biasa dikatakan sebagai sampel
besar.
Namun untuk memberikan kepastian, data yang dimiliki berdistribusi normal atau tidak,
sebaiknya digunakan uji statistik normalitas. Karena belum tentu data yang lebih dari 30 bisa
dipastikan berdistribusi normal, demikian sebaliknya data yang banyaknya kurang dari 30 belum tentu
tidak berdistribusi normal, untuk itu perlu suatu pembuktian. uji statistik normalitas yang dapat
digunakan diantaranya Chi-Square, Kolmogorov Smirnov, Lilliefors, Shapiro Wilk.
Metode Chi Square
Uji Goodness Of Fit Distribusi Normal)
Metode Chi-Square atau X2 untuk Uji Goodness of fit Distribusi Normal menggunakan pendekatan
penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang diharapkan.


Keterangan :
X2 = Nilai X2
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal dikalikan N (total
frekuensi) (pi x N)
N = Banyaknya angka pada data (total frekuensi)
Komponen penyusun rumus tersebut di atas didapatkan berdasarkan pada hasil transformasi data
distribusi frekuensi yang akan diuji normalitasnya, sebagai berikut:

Keterangan :
Xi = Batas tidak nyata interval kelas
Z = Transformasi dari angka batas interval kelas ke notasi pada distribusi normal
pi = Luas proporsi kurva normal tiap interval kelas berdasar tabel normal
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal dikalikan N (total
frekuensi) (pi x N)


Persyaratan Metode Chi Square (Uji Goodness of fit Distribusi Normal)
a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.
b. Cocok untuk data dengan banyaknya angka besar ( n > 30 )
c. Setiap sel harus terisi, yang kurang dari 5 digabungkan.

Signifikansi:
Signifikansi uji, nilai X2 hitung dibandingkan dengan X2 tabel (Chi-Square).
Jika nilai X2 hitung < nilai X2 tabel, maka Ho diterima ; Ha ditolak.
Jika nilai X2 hitung > nilai X2 tabel, maka maka Ho ditolak ; Ha diterima.

Contoh:
Diambil Tinggi Badan Mahasiswa Di Suatu Perguruan Tinggi Tahun 2010



Selidikilah dengan = 5%, apakah data tersebut di atas berdistribusi normal ? (Mean = 157.8; Standar
deviasi = 8.09)
Penyelesaian :

1. Hipotesis:
Ho : Populasi tinggi badan mahasiswa berdistribusi normal
H1 : Populasi tinggi badan mahasiswa tidak berdistribusi normal

2. Nilai
Nilai = level signifikansi = 5% = 0,05

3. Rumus Statistik penguji


Luasan pi dihitung dari batasan proporsi hasil tranformasi Z yang dikonfirmasikan dengan tabel
distribusi normal atau tabel z.


4. Derajat Bebas

f = ( k 3 ) = ( 5 3 ) = 2
5. Nilai tabel
Nilai tabel X2 ; = 0,05 ; df = 2 ; = 5,991. Baca selengkapnya tentang Tabel Chi-Square.
6. Daerah penolakan
- Menggunakan gambar


- Menggunakan rumus: |0,427 | < |5,991| ; Keputusan hipotesis: berarti Ho diterima, Ha ditolak
7. Kesimpulan: Populasi tinggi badan mahasiswa berdistribusi normal = 0,05.

You might also like