P. 1
RINGKASAN MATERI

RINGKASAN MATERI

|Views: 1,541|Likes:

More info:

Published by: Herli Cecilia Ardiansyah on Mar 01, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

05/30/2013

pdf

text

original

BAB I

PENDAHULUAN
A. STATISTIK DAN STATISTIK PENDIDIKAN
1. Pengertian Statistik
Ditinjau dari segi termologi, dewasa ini (apabila kita membaca atau mendengar )
istilah “statistic”maka dalam istilah “statistic”itu dapat
Terkandung berbagai macam pengertian, sebagai berikut :
a. Data statistic adalah kumpulan bahan keterangan yang berupa angka atau nilai.
b. Kegiatan statistic adalah kegiatan untuk mencari data statistic.
c. Metode statistic adalah cara yang digunakan untuk
mengumpulkan,menyusun,menyajikan atau menganalisis terhadap sekumpulan
bahan keterangan.
d. Ilmu statistic adalah ilmu pengetahuan yang mempelajari secara ilmiah tahap-
tahap yang ada dalam kegiatan statistic.
2. Penggolongan statistic
Berdasarkan tingkat pekerjaan,statistic sebagai ilmu pengetahuan dapat dibedakan
menjadi dua golongan, yaitu :
1. Statistik deskriptif adalah statistic yang mencakup cara-cara
menghimpun,menyusun,mengolah,menyajikan dan menganalisa data angka
sehingga dapat memberikan informasi secara jelas tentang sesuatu.
2. Statistik inferensial adalah cara dalam menarik kesimpulan,prediksi,estimasi,untuk
pengujian hipotesis.
3. Ciri Khas Statistik
1. Bekerja dengan angka = data kuantitatif
2. Obyektif = apa adanya
3. Universal = berlaku untuk semua bidang kajian
4. Permasalahan Statistik
a. Masalah rata-rata
b. Masalah disversi atau variabilitas
c. Masalah perbedaan
5. Pengertian statistic pendidikan
Statistik pendidikan adalah ilmu yang membahas atau mempelajari prinsip-
prinsip,metode dan prosedur yang perlu digunakan dalam rangka
1
pengumpulan,penyusunan,bahan keterangan yang berwujud angka mengenai hal-hal
yang berkaitan dengan pendidikan.
6. Fungsi dan Kegunaan Statistik Dalam Dunia Pendidikan
a. Fungsi statistic dalam dunia pendidikan adalah sebagai alat Bantu
dalam mengevaluasi,menentukan,membuat peringkat,dan menyusun rencana
program berikutnya.
b. Manfaat statistic dalam dunia pendidikan,sebagai berikut :
1. Untuk memperoleh gambaran tentang suatu keadaan atau gejala.
2. Mengikuti perkembangan suatu keadaan
3. Melakukan pengujian dan mengetahui apakah gejala satu berhubungan
dengan gejala lain.
4. Menyusun laporan berupa data kuantitatif dan menarik kesimpulan secara
logis,mengambil keputusan tepat dan mantap.
5. Meramalkan hal-hal yang muungkin terjadi dan langkah konkrit yang harus
dilakukan.
B. DATA STATISTIK DAN DATA STATISTIK KEPENDIDIKAN
1. Syarat Data Statistik
• Bisa satu individu untuk berapa kali pencatatan.
• Beberapa kali pencatatan.
2. Penggolongan Data Statistik
• Berdasarkan sifat angkanya,data statistic dapat dibedakan menjadi dua
golongan,yaitu:data kontinyu dan data diskrit.
• Berdasarkan cara menyusun angkanya,data statistic dapat dibedakan menjadi
tiga macam,yaitu: data nominal, data ordinal, dan data interval.
• Berdasarkan bentuk angkanya,data statistic dapat dibedakan menjadi dua
macam,yaitu: data tunggal dan data kelompokan.
• Berdasarkan sumbernya,data statistic dapat dibedakan menjadi dua
macam,yaitu ; data primer dan data sekunder.
• Berdasarkan waktu pengumpulannya,data statistic dapat dibedakan menjadi
duua golongan,yaitu : data seketika dan dan data urutan waktu.
3. Sifat Data Statistik
Nilai relative adalah nilai yang ditunjukan oleh angka itu sendiri.
2
b. Nilai nyata suatu angka adalah daerah tertentu dalam
suatu deretan angka yang diwakili oleh nilai relative .
Batas bawah relative,batas atas relative,batas bawah nyata,batas atas nyata.
Data statistic yang berbentuk data kelompok mempunyai nilai tengah.
e. e. Data statistic sebagai data angka,tidak menggunakan pecahan,tetapi system
decimal.
f. f. Ada pembulatan angka sampai tiga angka dibelakang koma.
g. g. Jika lebih dari tiga angka,angka enam keatas dianggap satu,angka satu s/d lima
ditiadakan.
4. Data Statistik Dalam Pendidikan
Data statistic yang berkaitan dengan prestasi belajar.
Data statistic yang berkaitan dengan keadaan siswa.
Data statistic yang berkaitan dengan guru dan dosen.
Data statistic yang berkaitan dengan staf administrasi.
Data statistic yang berkaitan dengan anggaran.
Data statistic yang berkaitan dengan perlenggkapan.
5. Pengumpulan Data Statistik Kependidikan
Prinsip Pengumpulan Data Statistik Kependidikan
Prinsip umum yang harus dipegang oleh siapa saja yang bermaksud menghimpun
data statistic ialah dengan waktu,tenaga,biaya,dan alat yang sehemat mungkin
dapat dihimpun data yang lengkap,tepat, dan dapat dipercaya.
2. Cara Mengumpulkan Data Statistik Kependidikan
Pengumpulan data statistic kependidikan dari segi luasnya elemen dan bentuk
pelaksanaan kegiatan,dapat dilakukan dengan tujuh macam cara,yaitu : sensus,
sampling, pengamatan mendalam, wawancara mendalam, angket, pemeriksaan
dokumentasi, dan memberikan tes.
3. Alat Pengumpulan Data Statistik Kependidikan
Alat yang biasa digunakan dalam pekerjaan pengumpulan data statistic
kependidikan,dapat dikemukakan sebagai berikut : daftar cek, skala bertingkat,
pedoman wawancara, Questionnaire.
3
BAB 2
DISTRIBUSI FREKUENSI
PENGERTIAN FREKUENSI
Kata frekuensi berarti kekerapan, keseringan atau jarang-kerapnya. Dalam
statistik frekuensi mengandung pengertian : angka (bilangan) yang menunjukkan
seberapa kali suatu variabel yang dilambangkan dengan angka muncul dalam
deretan angka tersebut.
Contoh : Nilai yang berhasil dicapai siswa SMA dalam tes hasil belajar bidang
studi IPA adalah sebagai berikut ;
60 50 70 60 80 40 60 70 100
jika kita amati, maka deretan nilai hasil tersebut, nilai 60 muncul sebanyak 2 kali,
nilai 60 muncul sebanyak 3 kali atau bahwa siswa yang mempunyai nilai 60
berfrekuensi 3.
B. PENGERTIAN DISTRIBUSI FREKUENSI
Distribusi berarti penyaluran, pembagian, atau pencaran frekuensi dapat diberi
arti penyaluran frekuensi. Dalam statistik distribusi frekuensi kurang lebih
mengandung pengertian: “ suatu keadaan yang menggambarkan bagaimana
frekuensi dari gejala atau variabel yang dilambangkan dengan angka itu, telah
tersalur, terbagi, terpencar.
Contoh : Jika data yang berupa nilai tes hasil belajar dalam bidang studi kimia
dari 10 orang siswa SMA kita sajikan dalam bentuk tabel, maka pembagian atau
pencaran frekuensinya dari nilai hasil tes itu akan tampak nyata :
Nilai
Banyaknya
(orang)
100 1
80 1
75 2
70 1
60 3
50 1
40 1
Total 10
C. TABEL DISTRIBUSI FREKUENSI
4
1. Pengertian Tabel Distribusi Frekuensi
Tabel distribusi frekuensi dapat kita beri pengertian sebagai alat penyajian data
statistik yang berbentuk kolom dan lajur, yang didalamnya dimuat angka yang
dapat melukiskan atau menggambarkan pencaran atau pembagian frekuensi dari
variabel yang sedang menjadi objek penelitian.
2. Tabel Distribusi Frekuensi dan Macamnya
a. Tabel Distribusi Frekuensi Data Tunggal
Tabel distribusi frekunsi data tungal adalah salah satu jenis tabel statistik yang
didalamnya disajikan frekuensi dari data angka, angka data itu tidak dikelompok-
kelompokkan. Contoh : Distribusi frekuensi nilai tes hasil belajar dalam bidang
studi kimia dari 40 orang siswa SMA Negeri kelas XI IPA
Tabel II.1 Distribusi Frekuensi Nilai Tes Hasil Belajar Dalam Bidang Studi Kimia
dari 40 Orang Siswa SMA Negeri kelas XI IPA
Nilai Frekuensi
8 6
7 9
6 16
5 6
Total N = 40
b. Tabel Distribusi Frekuensi Data Kelompokkan
Tabel distribusi frekuensi data kelompokkan adalah salah satu jenis tabel
statistik yang didalamnya disajikan pencaran frekuensi dari data angka, dimana
angka-angka tersebut dikelompok-kelompokkan (dalam tiap unit terdapat
sekelompok angka).
Contoh:Tabel II.2 Distribusi frekuensi kumulatif usia 50 orang guru kimia yang
bertugas di SMA Negeri Palembang
Usia Frekuensi
50-54 6
45-49 7
40-44 10
35-39 12
30-34 8
25-29 7
Total 50 = N
c. Tabel Distribusi Frekuensi Kumulatif
Dimaksud dengan tabel distribusi frekuensi kumulatif aialah salah satu jenis tabel
statistik yang didalamnya disajikan frekuensi yang dihitung terus meningkat atau selalu
ditambah-tambahkan, baik dari bawah ke atas maupun dari atas ke bawah. Contoh : Distribusi
5
Frekuensi Nilai Tes Hasil Belajar Dalam Bidang Studi Kimia dari 40 Orang Siswa SMA
Negeri kelas XI IPA
Tabel II.3 Distribusi Frekuensi Nilai Tes Hasil Belajar Dalam Bidang Studi Kimia dari 40
Orang Siswa SMA Negeri kelas XI IPA
Nilai (X) F fk(b) fk(a)
8 6 40 = N 6
7 9 34 15
6 19 25 34
5 6 6 40 = N
Total N =40 - -
Tabel diatas dinamakan Tabel Distribusi Frekuensi Kumulatif data tunggal, sebab data yang
disajikan dalam tabel ini berbentuk data yang tidak dikelompok-kelompokkkan (lihat kolom
1). Pada kolm 2 dimuat frekuensi asli (yakni frekuensi sebelum diperhitungkan frekuensi
kumulatifnya). Kolom 3 memuat frekuensi kumulatif yang dihitung dari dari bawah (fk
(b)
).
Contoh berikutnya adalah Distribusi frekuensi kumulatif usia 50 orang guru kimia
yang bertugas di SMA Negeri Palembang
Tabel II.4 Distribusi frekuensi kumulatif usia 50 orang guru kimia yang bertugas di SMA
Negeri Palembang
Usia F fk(b) fk(a)
50-54 6 50 6
45-49 7 44 13
40-44 10 37 23
35-39 12 27 35
30-34 8 15 43
25-29 7 7 50
Total 50 - -
Tabel diatas kita namakan Tabel Distribusi Frekuensi Kumulatif Data Kelompokkan, sebab
data yang disajikan dalam tabel ini berbentuk data kelompokan. Tentang keterangan atau
lebih lanjut pada pokoknya sama seperti keterangan yang telah dikemukakan.
d. Tabel Distribusi Frekuensi Relatif.
Tabel distribusi frekuensi relatif juga dinamakan tabel persentase. Dikatakan
‘frekuensi relatif’ sebab frekuensi yang disajikan di sini bukanlah frekuensi yang sebenarnya,
melainkan frekuensi yang dituangkan dalam bentuk angka persenan.
Contoh :
1. Jika data yang disajikan pada tabel II.1 kita sajikan kembali dalam bentuk Tabel Distribusi
Frekuensi Relatif atau Tabel Persentase, maka keadaannya adalah sebagai berikut :
6
Tabel II. 5 Distribusi Frekuensi Relatif Nilai Tes Hasil Belajar Dalam Bidang Studi Kimia
dari 40 Orang Siswa SMA Negeri kelas XI IPA
Nilai (X) F Persentase(p)
8 6 15,0
7 9 22,5
6 19 47,5
5 6 15,0
Total N =40 ∑p = 100,0
Keterangan untuk memperoleh frekuensi relatif (angka persenan) sebagaimana tertera pada
kolom 3, tabel II.5, dipergunakan rumus :
P = f/N x 100%
Keterangan : f = frekuensi yang seang dicari persentasenya.
N = Number of Case (jumlah frekuensi/banyaknya individu)
P = angka persentase
e. Tabel Persentase Kumulatif
Seperti halnya tabel distribusi frekuensi, tabel persentase atau tabel distribusi frekuensi
relatif pun dapat diubah kedalam bentuk tabel persentase kumulatif (tabel distribusi frekuensi
relatif kumulatif). Jika data yang disajikan pada tabel II.5 dan tabel II.6 kita ubah ke dalam
bentuk Tabel Persentase Kumulatif, hasilnya adalah sebagai berikut :
Tabel II.7. Tabel Persentase Kumulatif (Tabel distribusi Frekuensi Relatif Kumulatif) Tentang
Nilai Tes Hasil Belajar Kimia dari 40 Orang Siswa SMA Negeri kelas XI IPA
Nilai (X) Persentase(p) pk(b) pk(a)
8 15,0 100 15.0
7 22,5 85.0 37.5
6 47,5 62.5 85.0
5 15,0 15.0 100.0
Total ∑p = 100,0 - -
Penjelasan bagaimana cara memperoleh pk
(b)
dan pk
(a)
sama seperti penjelasan yang
dikemukakan pada tabel II.3.
Tabel II.8 Tabel Persentase Kumulatif (Tabel Distribusi Frekuensi Relatif Kumulatif) tentang
usia 50 orang guru kimia yang bertugas di SMA Negeri Palembang
Usia Persentase (p) pk(b) pk(a)
50-54 12.0 100 12.0
45-49 14.0 88 26.0
40-44 20.0 74.0 46.0
35-39 24.0 54.0 70.0
30-34 16.0 30.0 86.0
25-29 14.0 14.0 100.0
Total ∑p = 100 - -
7
D. CARA MEMBUAT TABEL DISTRIBUUSI FREKUENSI
1. Cara Membuat Tabel Distribusi Frekuensi Data Tunggal
a. Contoh pembuatan tabel distribusi frekuensi data tunggal yang semua skornya
berfrekuensi 1 (satu).
Misalkan dari 10 orang mahasiswa yang menempuh ujian ulangan secara lisan dalam
mata pelajaran matakuliah statistik pendidikan, diperoleh nilai sebagai berikut :
No Nama Nilai
1 Wahyu 65
2 Arianto 30
3 Syamsudin 60
4 Abdul Wahid 45
5 Dimyati 75
6 Sulistyani 40
7 Fathonah 70
8 Nur Kholis 55
9 Hamdani 80
10 B. Pramono 50
Jadi data diatas kita tuangkan penyajiannya dalam bentuk Tabel Distribusi Frekuensi Data
tunggal, wujudnya adalah seperti Tabel II.9.
Tabel II.9 Distribusi Frekuensi Nilai Hasil Ujian Ulangan Lisan Dalam Matakuliah Statistik
Pendidkan yang diikuti 10 orang Mahasiswa.
Nilai F
65 1
30 1
60 1
45 1
75 1
40 1
70 1
55 1
80 1
50 1
Karena semua sekor (nilai) hasil ujian tersebut berfrekuensi 1, dan semua sekor nilai yang ada
itu berwujud data tunggal, maka tabel diatas dinamakan : Tabel distribusi Frekuensi Data
tunggal yang semua sekornya berfrekuensi 1.
b. contoh pembuatan tabel distribusi frekuensi data tunggal, yang sebagian atau keseluruhan
sekornya berfrekuensi lebih dari satu.
8
Misalkan dari sejumlah 40 orang murid SMA yang menempuh ulangan harian dalam
matapelajaran matematika, diperoleh nilai hasil ulangan sebagai berikut (nama murid tidak
dicantumkan).
3 8 6 4 6 7 9 6 4 5
3 5 8 6 5 4 6 7 7 10
4 6 5 7 8 9 3 5 6 8
10 4 9 5 3 6 8 6 7 6
apabila data tersebut kita sajikan dalam bentuk tabel distribusi frekuensi, maka langkah yang
dapat ditempuh adalah sebagai berikut :
Langkah pertama :
mencari nilai tertinggi (sekor paling tinggi = highest score = H) dan nilai terendah (sekor
paling rendah = lowest score = L). Ternyata H = 10 dan L = 3
Dengan diketahuinya H dan L, maka kita dapat menyusun atau mengatur nilai hasil
ulangan harian itu, dari atas ke bawah, mulai dari 10 berturut- turut ke bawah sampai dengan
3 pada kolom 1 dari tabel distribusi frekuensi yang kita persiapkan adalah seperti yang terlihat
pada tabel II.10.
Langkah kedua :
Menghitung frekuensi masing-masing nilai yang ada, dengan bantuan jari-jari (= tallies) ;
hasilnya dimasukkan dalam kolom 2 dari tabel distribusi frekuensi yang kita persiapkan (lihat
kolom 2 tabel II.10).
Langkah Ketiga :
Mengubah jari-jari menjadi angka biasa, dituliskan pada kolom3 (lihat kolom 3 Tabel 2.10).
setelah selesai, keseluruhan angka yang menunjukkan frekuensi masing-maing nilai yang ada
itu lalu kita jumlahkan, sehingga diperoleh jumlah frekuensi (∑f) atau number of Cases = N
Tabel 2.10 kita sebut tabel distribusi frekuensi data tunggal yang seluruh sekornya
berfrekuensi lebih dari satu, sebab disamping seluruh sekor (nilai)nya merupakan data yang
tidak dikelompokkan, maka seluruh sekor yang ada itu masing-masing berfrekuensi lebih dari
satu.
Tabel 2.10. Distribusi Frekuensi Nilai Hasil Ulangan Hatian Dalam Matapelajaran
Matematika yang Diikuti Oleh 40 Orang Murid SMA.
Nilai
(X)
Tanda/ Jari-jari/Tallies f
9
10 / / 2
9 / / / 3
8 / / / / 5
7 / / / / 5
6 / / / / / / / / 10
5 / / / / / / 7
4 / / / / 3
3 / / / 3
Total 40
2. Cara Membuat Tabel distribusi Frekuensi Data Kelompokkan
Jika penyebaran angka/nilai/sekor yang akan kita sajikan dalam bentuk tabel distribusi
frekuensi itu demikian luas atau sebar, dan penyajiannya dilakukan dengan cara seperti yang
telah dikemukakan di atas, maka tabel distribusi frekuensi yang berhasil kita buat akan terlalu
panjang dan memakan tempat. Disamping itu ada kemungkinan bahwa sekor yang kita
sajikan frekuensinyadalam tabel ternyata berfrekuensi nol (0) karena sekor tersebut, tidak
terdapat dalam deretan sekor yang kita hadapi.
Untuk mencegah kejadian yang demikian itu, maka terhadap data statistik (yang berbentuk
angka/sekor) itu perlu dilakukan pengelompokkan labih dahulu, dan setelah itu barulah
dihitung frekuensi masing-masing kelompok nilai.
Perhatikan contoh berikut ini : Misalkan dari sejumlah 80 orang siswa kleas III SMA
jurusan fisika diperoleh nilai hasil EBTA (Evaluasi Belajar Tahap Akhir) dalam bidang studi
Biologi, sebagai berikut (nama sengaja tidak disebut);
65 54 68 70 57 61 58 62 58 60 65 65 50 60 53 74
59 67 47 63 57 60 77 55 71 55 65 53 49 65 56 70
57 60 73 58 65 57 52 66 57 66 59 69 56 64 52 58
78 55 60 54 62 75 51 60 64 62 60 61 55 58 72 56
54 61 51 59 61 60 63 59 50 60 65 59 60 67 45 80
Maka data tersebut dibuat kedalam tabel distribusi frekuensi, dengan cara dan langkah sebagai
berikut :
Langkah Pertama ;
Mencari highest score (H0 dan lowest Score (L); ternyata diperoleh H = 80 dan L = 45.
Langkah Kedua ;
Menetapkan luas penyebaran nilai yang ada, atau mencari banyaknya nilai, mulai dari nilai
terendah sampai dengan nilai tertinggi, yang biasa disebut Total Range atau sering disingkat
dengan Range saja dan diberi lambang dengan huruf R, dengan menggunakan rumus ;
10
R = H- L + 1
R = total range
H = highest score (nilai tertinggi)
L = Lowest score (nilai terendah)
1 = bilangan kosntan
Diatas kita telah kita ketahui : H = 80 dan L = 45, maka dapat denganmudah diperoleh
nilai R, yaitu R = 80 – 45 + 1 = 36. Angka 36 ini mengandung pengertian bahwa apabila kita
menghitung banyaknya nilai mulai dari nilai terendah sampai dengan nilai tertinggi pada data
yang telah dikemukakan diatas, akan diperoleh sebanyak 36 butir nilai. Karena H = 80 dan L
= 45, maka kalau kita menderetkan nilai mulai dari 45 sampai dengan 80 akan terdapat 36
nilai; perhatikanlah ; 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63,
64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80 = 36 butir nilai.
Langkah ketiga :
Menetapkan besar atau luasnya pengelompokkan data untuk masing-masing kelompok data.
Yang dimaskud disini ialah : karena data berupa nilai hasil EBTA itu akan disajikan dalam
bentuk data kelompokkan, maka perlu kita tetapkan dulu, masing-masing kelompokkan data
(= masing-masing interval) akan terdiri dari beberapa nilai.
Untuk menetapkan besar atau luas dari masing-masing interval nilai yang akan kita sajikan
dalam tabel distribusi frekuensi, ada beberapa macam cara atau pedoman yang dapat
dipergunakan. Salah satu diantaranya yang diperkenalkan disini ialah sebagai berikut ;
R/i sebaiknya menghasilkan bilangan yang besarnya 10 s/d 20.
R = total range
I = interval class, yaitu luasnya pengelompokkan data yang dicari atau kelas interval.
10 s/d 20 maksudnya disini ialah bahwa jumlah kelompokkan data yang akan disajikan dalam
tabel distribusi frekuensi itu sebaiknya tidak kurang dari 10 dan tidak lebih banyak dari 20.
Langkah empat
Menetapakan bilangan dasar masing-masing interval yang dibuat dalam tabel.Para ahli
statistik mengemukakan pedoman dalam menetapakan bilangan dasar,sebagai berikut :
Pertama : Bilangan dasar interval itu sebaiknya adalah bilangan yang merupakan kelipatan
dari i. Dengan kata lain : bilangan dasar interval itu sebaiknya dipilihkan bilangan yang dapat
habis jika dibagi dengan i. Kalau pedoman ini kita terapkan pada data yang sedang kita
hadapi, maka bilangan dasar interval yang memenuhi syarat bilangan : 78, 75, 72, 69, 66, 63,
60, 57, 54, 51, 48, dan 45. Kedua belas bilangan inilah yang akan mengawali tiap-tiap interval
dalam tabel distribusi frekuensi yang akan kita buat.
11
Kedua : Dalam menetapkan bilangan dasar interval itu harus diperhatikan sedemikian rupa,
sehingga dalam interval yang tertinggi (interval paling atas) harus terkandung nilai tertinggi
(highest score) dan dalam interval yang terendah (interval paling bawah)harus terkandung
nilai terendah (lowest score).
Langkah Kelima :
Mempersiapkan tabel distribusi frekuensinya, yang terdiri dari tiga kolom. Kolom 1 diisi
dengan interval nilai yang banyaknya 12 baris, kolom 2 adalah kolom yang membubuhkan
“tanda-tanda atau jari-jari” sebagai pertolongan dalam menghitung frekuensi, sedang kolom 3
berisi frekuensi (Perhatikanlah tabel 2.11).
Tabel 2.11. Distribusi Frekuensi nilai hasil EBTA dalam bidang studi biologi dari sejumlah
80 orang siswa kelas III SMA Jurusan Fisika.
Interval Tanda/Jari-jari f
78-80 / / 2
75-77 / / 2
72-74 / / / 3
69-71 / / / / 4
66-68 / / / / 5
63-65 / / / / / / / / 10
60-62 / / / / / / / / / / / / / / 17
57-59 / / / / / / / / / / / / 14
54-56 / / / / / / / / / 11
51-53 / / / / / 6
48-50 / / / / 4
45-47 / / 2
Total 80=N
Langkah keenam :
Menghitung frekuensi dari tiap-tiap nilai yang ada, dengan bantuan ‘tanda-tanda’ atau ‘jari-
jari’ seperti terlihat pada kolom 2; setelah hal itu dapat diselesaikan , selanjutnya jari-jari itu
kita ubah menjadi angka biasa dan kita tuliskan pada kolom 3. Akhirnya semua frekuensi
yang telah kita tuliskan pada kolom 3 itu kita jumlahkan, sehingga diperoleh f atau N sebesar
80.
Contoh :
1) Interval 50-54 kelas intervalnya (i-nya) adalah 5 (merupakan bilangan gasal).
Midpoint atau nilai tengah dari interval 50-54 adalah = (50=54) : 2 = 52
(midpoint berupa bilangan bulat)
12
2) Interval 50-55 kelas intervalnya adalah 6 (atau : I = 6). Jadi disini interval
classnya berupa bilangan genap. Midpoint dari interval 50-55 itu adalah = (50
+55) : 2 = 52,50 (midpoint berupa pecahan).
3) interval 5-9 kelas intervalnya (i-nya) adalah 5 (merupakan bilangan gasal).
Midpointnya = (5+9): 2 = 7 (merupakan bilangan bulat).
4) Interval 5-10 kelas intervalnya (i-nya)adalah 6 (merupakan bilangan genap).
Midpointnya = ( 5 + 10) : 2 = 7,5 (merupakan pecahan).
E. GRAFIK SEBAGAI ALAT PENGGAMBARAN DISTRIBUSI FREKUENSI
Tabel distribusi frekuensi mempunyai fungsi sebagai alat Bantu dalam
penyajian data statistic, lewat kolom dan lajurnya.Tetapi,penyajian lewat table
distribusi frekuensi kurang menarik karena kurang cepat dalam memberikan deskripsi
data dan kadang kurang dapat dimengerti.
Karena kelemahan dari table distribusi frekuensi adalah seperti penjelasan
diatas,maka dalam penyajian data,dapat menggunakan grafik atau diagram.
Dibandingkan dengan tabel distribusi frekuensi, grfaik memiliki keunggulan tertentu,
antara lain :
1. Penyajian data statistik melalui grafik nampak lebih menarik daripada tabel distribusi
frekuensi.
2. Grafik dapat dengan secara lebih cepat memperlihatkan gambaran umum dan
menyeluruh tentang sesuatu perkembangan, perubahan maupun perbandingan; tidak
demikian halnya dengan tabel.
3. Grafik yang dibuat menurut aturan yang tepat dan benar, akan terasa lebih jelas dan
lebih dimengerti.
Namun demikian grafik itu sendiri tidak dapat terhindar dari kekurangan atau
kelemahan. Diantara kelemahan yang memiliki grafik dapat disebutkan di sini
misalnya :
1. Membuat grafik jauh lebih sukar dan memakan waktu, biaya serta alat, tidak
demikian halnya dengan tabel.
2. data yang dapat disajikan atau dituangkan dalam bentuk grafik amatlah terbatas ,
sebab apabila datanya banyak sekali (bermacam-macam) maka lukisan grafiknya
akan menjadi terlalu ruwet dan meusingkan ; tidak seperti halnya tabel.
13
3. Grafik pada kebanyakkanya bersifat kurang teliti. Dalam tabel dapat dimuat angka
sampai pada tingkat ketelitian yang setinggi-tingginya.
Dengan demikian jelaslah bahwa baik tabel distribusi frekuensi maupun grafik,
masing-masing memiliki keunggulan dan kelemahan tertentu. Pada dasarnya kelemahan
yang terdapat pada tabel distribusi frekuensi merupakan keunggulan grafik, sebaliknya ;
keunggulan yang dimiliki oleh tabel distribusi merupakan kelemahan grafik. Itulah
sebabnya apabila didalam penyajian data statistik itu kita sajikan dalam bentuk tabel.
1. PENGERTIAN GRAFIK
Grafik tidak lain dan tidak bukan adalah alat penyajian data statistik yang tertuang
dalam bentuk lukisan garis , gambar, maupun lambang. Jadi dalam penyajian data angka
melalui grafik, angka itu dilukiskan dalam bentuk lukisan, garis, gambar atau lambang
tertentu dengan kata lain angka itu divisualisasikan.
2. BAGIAN-BAGIAN UTAMA GRAFIK
Sebuah grafik yang lengkap umumnya terdiri dari 13 bagian. Ketiga belas bagian
dimaksud adalah :
a. Nomor grafik
b. Judul grafik
c. Sub judul grafik
d. Unit skala grafik
e. Angka skala grafik
f. Tanda skala grafik
g. Ordinat atau ordinal atau sumbu vertikal
h. Koordinat (garis-garis perptolongan = garis-garis kisi)
i. Absis (sumbu horisontal) = sumbu mendatar = garis nol = garis awal = garis
mula
j. Titik nol (titik awal)
k. Lukisan grafis (gambar grafik)
l. Kunci grafik
m. Sumber grafik (sumber data)
14
15
30
25
20
15
10
5
0
Nomor grafik Grafik no 1
Judul grafik
Jumlah staf pengajar Tetap IAIN Sunan
Kalijaga Tahun Akademik 1979/1980
Sub judul grafik
Menurut keadaan s/d tanggal 30 Juni 1980
orang Unit skala grafik
Angka skala
grafik
Tanda skala
grafik
ordinat
Titik mula
(titik nol)
absis
koordinasi
Lukisan
grafis
Keterangan : Fak. Adab
Fak. Dakwah
Fak. Tarb.Yk
Fak. Syaria’ah
Fak. Usluhudin
Sumber grafik
(sumber data)
Sumber :
Laporan Tahunan Rektor IAIN
Sunan Kalijaga Tahun Akademik
1979/1980
3. MACAM-MACAM GRAFIK
a. Grafik Balok atau grafik batang atau Barchart.
Grafik balok ini ada 6 macam yaitu :
1. Grafik balok tunggal
2. Grafik balok Ganda atau Majemuk
3. Garfik Balok Terbagi
4. Grafik Balok Vertikal
5. Grafik Balok Horisontal
6. Grafik Balok Bilateral
b.Grafik Lingkaran atau Cyclegram atau diagram pastel
c. Grafik Gambar atau Pictogram atau Pictograph
d. Grafik Peta atau kartogram atau sta.
e. Grafik Bidang
f. Grafik Volume
g. Grafik garis, yang dapat dibedakan menjadi 3 macam yaitu :
1. Grafik garis tunggal
2. Grafik garis majemuk atau ganda
3. Grafik Poligon atau Polygon Frequency
F. CARA MELUKISKAN DISTRIBUSI FREKUENSI DALAM BENTUK GRAFIK
POLIGON (POLYGON FREQUENCY)
Dari macam ragam grafik tersebut, terdapat dua jenis grafik yang sering dipergunakan
dalam kegiatan analisa ilmiah, yaitu (1). Grafik Poligon atau Polygon Frequency dan (2)
Grafik Histogram atau Histogram Frquency.
Misalkan Data yang berupa nilai hasil ulangan harian dalam bidang studi matematika yang
diikuti oleh 40 orang murid SMA seperti tertera pada tabel II.10 di muka tadi kita sajikan
dalam bentuk grafik poligon, maka langkah yang perlu dilakukan berturut-turut adalah
sebagai berikut :
a. Membuat sumbu horisontal (absis), lambangnya X
b. Membuat sumbu vertikal (ordinal), lambangnya Y
c. Menempatkan titik nol, yaitu perpotongan X dengan Y
d. Menempatkan nilai pada absis X , berturut-turut dari kiri ke kanan, mulai dari
nilai terendah sampai dengan nilai tertinggi.
e. Menempatkan frekuensi pada ordinal Y
16
f. Melukiskan grafik poligonnya
GRAFIK 2.2
Poligon Frekuensi Tentang Nilai-nilai Hasil Ulangan Harian
Bidang Studi Matematika Dari Sejumlah 40 Orang Murid
Madrasah Ibtidaiyah
2. Contoh Cara Melukiskan Distribusi Frekuensi Dalam Bentuk Grafik Poligon Data
Kelompokkan.
Misalkan data tentang nilai hasil EBTA dalam bidang studi Biologi dari sejumlah 80 orang
siswa kelas III jurusan Fisika seperti yang disajikan dalam tabel II.11, akan kita sajikan dalam
bentuk poligon frekuensi. Maka langkah yang perlu dilakukan secara berturut-turut adalah
sebagai berikut ;
a. Membuat sumbu horisontal (absis), lambangnya X
b. Membuat sumbu vertikal (ordinal), lambangnya Y
c. Menempatkan titik nol, yaitu perpotongan X dengan Y
d. Menetapkan/mencari nilai tengah (midpoint) masing-masing interval yang ada.
0 1 2 3 4 5 6 7 8 9 10
10
9
8
7
6
5
4
3
2
1
0
17
Interval F Midpoint (X)
78-80 2 (78+80) : 2 = 79
75-77 2 (75+77) : 2 = 76
72-74 3 (72+74) : 2 = 73
69-71 4 (69+71) : 2 = 70
66-68 5 (66+68) : 2 = 67
63-65 10 (63+65) : 2 = 64
60-62 17 (60+62) : 2 = 61
57-59 14 (57+59) : 2 = 58
54-56 11 (54+56) : 2 = 55
51-53 6 (51+53) : 2 = 52
48-50 4 (48+50) : 2 = 49
45-47 2 (45+47) : 2 = 46
Total 80=N -
e. Menempatkan nilai-nilai tengah dari masing-masing interval, pada
absis (X).
f. Menempatkan frekuensi dari masing-masing interval, pada ordinal (Y)
g. Membuat garis perpotongan atau koordinat
h. Melukiskan grafik poligonnya.
GRAFIK 2.3
Poligon Frekuensi Tentang Nilai Hasil EBTA dalam Bidang Studi Biologi,
yang Diikuti Oleh Sejumlah 80 Orang Siswa Kelas III SMA Jurusan Fisika
18
I. CARA MELUKISKAN DISTRIBUSI FREKUENSI DALAM BENTUKGRAFIK
HISTOGRAM (HISTOGRAM FREQUENCY)
Grafik histogram dapat dibedakan mejadi dua macam yaitu :
(1). Grafik Histogram Data tunggal
(2). Grafik Histogram Data kelompokkan
1. Cara Melukiskan Distribusi Frekuensi Dalam Bentuk Grafik Histogram Data Tunggal.
Langkah yang perlu ditempuh :
a. Menyiapkan sumbu horisontal (absis = X)
b. Menyiapkan sumbu vertikl (ordinal =Y)
17
16
15
14
13
11
10
9
8
7
6
5
4
3
2
1
0
0 46 49 52 55 58 61 64 67 70 73 76
19
c. Menetapkan titik nol (perpotongan X dengan Y)
d. Menetapkan atau menghitung nilai nyata (true value)
Nilai
(X)
f Nilai Nyata
10 2 9.50 - 10.50
9 3 8.50 - 9.50
8 5 7.50 - 8.50
7 5 6.50 - 7.50
6 10 5.50 - 6.50
5 7 4.50 - 5.50
4 3 3.50 - 4.50
3 3 2.50 - 3.50
e. Menempatkan nilai nyata pada masing-masing skores (nilai) yang ada pada absis X
f. Menempatkan frekuensi tiap-tiap sekor (niali) yang ada pada ordinal Y
g. Membuat garis perpotongan (koordinat)
h. Melukiskan grafik histogramnya
GRAFIK 2. 4
Histogram Frekuensi Tentang Tes Nilai Hasil Ulangan Harian Bidang Studi
Matematika dari Sejumlah 40 Orang Murid Madrasah Ibtidaiyah
20
2. Contoh Cara Melukiskan Distribusi Frekuensi Dalam Bentuk Grafik Histogram Data
Kelompokkan.
Kita ambil kembali data nilai hasil ebta dalam bidang studi biologi, yang diikuti oleh
sejumlah 80 orang siswa kelas III SMA Jurusan Fisika seperti tertera pada Tabel II.10. Untuk
melukiskan grafik histogramnya, diperlukan langkah kerja sebagai berikut :
a. Menyiapkan sumbu horisontal (absis = X)
b. Menyiapkan sumbu vertikal (ordinal =Y)
c. Menetapkan titik nol (perpotongan X dengan Y)
d. Menetapkan atau mencari nilai nyata (true value) dari masing-masing interval.
Interval F Midpoint (X)
78-80 2 (78+80) : 2 = 79
75-77 2 (75+77) : 2 = 76
72-74 3 (72+74) : 2 = 73
69-71 4 (69+71) : 2 = 70
66-68 5 (66+68) : 2 = 67
63-65 10 (63+65) : 2 = 64
60-62 17 (60+62) : 2 = 61
10
9
8
7
6
5
4
3
2
1
0
0 0.5 1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 10.5
21
57-59 14 (57+59) : 2 = 58
54-56 11 (54+56) : 2 = 55
51-53 6 (51+53) : 2 = 52
48-50 4 (48+50) : 2 = 49
45-47 2 (45+47) : 2 = 46
Total 80=N -
e. Menempatkan nilai nyata pada masing-masing interval pada sumbu
mendatar/vertikal (absis =x)
f. Menempatkan frekuensi tiap-tiap sekor (nilai) yang ada pada ordinal Y
g. Membuat garis perpotongan (koordinat).
22
BAB III
MASALAH RATA-RATA (AVERAGE)
1.Pengertian rata-rata
Nilai rata-rata juga dikenal dengan istilah ukuran nilai pertengahan (measure of central
value),sebab nilai rata-rata itu pada umumnya merupakan nilai pertengahan dari nilai – nilai
yang ada.Selain itu,karena nilai rata-rata itu biasanya berposisi ada sekitar central penyebaran
nilai yang ada , maka nilai rata-rata itupun yang dikenal dengan nama ukuran posisi
pertengahann (measure of central position).
Rata – rata tidak lain adalah : tiap bilangan yang dapat dipakai sebagai wakil dari
rentetan nilai rat-rata itu wujudnya hanyalah satu bilangan saja,namun dengan satu bilngan itu
akan dapat tercermin gambaran secara umum yang berupa angka atau bilangan itu.
2.ukuran rata – rata dan macamnya
Adapun macam – macam “rata-rata” atau “ukuran rata-rata” yang dimiliki oleh
statistic sebagai ilmu pengetahuan ialah :
1. rata-rata hitung atau : Nilai rata-rata hitung (Arithmetic mean,yang sering kali
disingkat dengan : mean saja ) yang umumnya dilambangkan dengan huruf M
atau X;
2. Rata-rata pertengahan atau nilai rata-rata pertengahan atau nilai rata-rata letak
(median atau medium),yang umumnya dilambangkan dengan : mdn atau Me atau
Mn ;
3. modus atau mode, yang biasa dilambangkan dengan : Mo ;
4. rata-rata ukur atau nilai rata-rata ukur (geometric mean),yang dilambangkan
dengan GM;
5. rata-rata harmonic atau nilai rata-rata harmonic (harmonic mean),yang biasa
dilambangkan dengan HM.
1. Nilai rata-rata hitung (mean)
Dalam bahasa inggris Nilai rata-rata hitung dikenal dengan istilah Arithmetic Mean,atau
sering disingkat dengan mean saja.Mean dikenal sebagai ukuran yang menduduki terpenting
jika dibandingkan dengan ukuran tendensi pusat lainnya.
1.Pengertian Mean
Secara singkat pengertian tentang mean dapat dikemukakan sebagai berikut :
23
Mean dari sekelompok (sederetan) angka (bilangan) adalah jumlah dari keseluruhan angka
(bilangan) yang Ada,dibagi dengan banyaknya angka (bilangan) tersebut.
b.Cara mencari Mean
1.Cara mencari mean untuk data tunggal
Ada dua mavam cara yang dapat digunakan untuk mencari mean dari data tunggal (data
yang tidak dikelompokkan),yaitu : (1) Cara mencari mean dari data tunggal yang seluruh
skornya berfrekuensi satu,dan (2) cara mencari mean dari data tunggal dimana sebagian atau
seluruh skornya berfrekuensi lebih dari satu.
a) Cara mencari mean data tunggal , yang seluruh skornya berfrekuensi satu
(1) Rumus yang digunakan
Rumus yang digunakan untuk mencari mean data tunggal yang seluruh skornya
berfrekuensi satu adalah (seperti telah dicantumkan diatas):
N
X
M
X

·
Mx = mean yang kita cari

X
= Jumlah dari skor-skor (nilai-nilai ) yang ada
N = Number of cases (banyaknya skor-skor itu sendiri)
Contoh :Jika nilai hasil ulangan dari seorang siswa MAN tadi kita hitung Mean-nya dengan
menggunakan Tabel Distrtibusi Frekuensi,maka proses perhitungannya adalah sebagai
berikut :
Tabel 3.1.Perhitungan Mean nilai hasil ulangan harian dalam bidang studi Agama
Islam,PMP,Bahasa Indonesi,Bahasa Inggris,IPS Dan IPA seorang siswa Madrasah Aliyah
Negeri.
X F
9 1
8 1
7 1
6 1
5 1
4 1
39 = ∑
X 6 = N
Dari Tabel 3.1 talah kita peroleh : ∑
X
= 39,Sedangkan N = 6.Dengan demikian :
N
X
M
X

· =
50 , 6
6
39
·
b) Cara mencari mean data tunggal yang sebagian atau seluruh skornya berfrekuensi
lebih dari satu.
- Rumus yang digunakan
24
Karena data tunggal yang kita hitung Mean-nya sebagian atau seluruh skornya
berfrekuensi lebih dari satu,maka :
N
X
M
X

·
2.Cara mencari Mean untuk data kelompok
a) Mencari mean data kelompokan dengan menggunakan metode panjang
-Rumus yang digunakan
N
fX
M
X

·
Keterangan : Fx = Jumlah dari hasil perkalian antara Midpoint dari masing-masing
interval ,dengan frekuensinya.
-Langkah-langkah yang harus ditempuh
1.menetapkan (menghitung) nilai tengah (midpoint) masing-masing inteval,diberi lambang X.
2.Memperkalikan frekuensi masing-masing interval,dengan midpoint-nya,atau dikalikan
dengan X,Sehingga diperoleh Fx.
3.menjumlahkan fX,sehingga diperoleh Fx.
4.Menghitunh meannya dengan rumus :
N
fX
M
X

·
b) Mencari mean data kelompokan dengan menggunakan metode singkat:
- Rumus yang digunakan

,
_

¸
¸
+ ·

N
fx
i M M
X
'
'
Keterangan :
mean M
X
·
M = Mean terkaan atau mean tafsiran
i = interval class (besar/luasnya pengelompokan data)
∑Fx’=jumlah dari hasil perkalian antara titik tengah bantuan sendiri dengan frekuensi dari
masing-masing interval
- Langkah-langkah
1.Mencari Mean terkaan sendiri atau mean tafsiran sendiri (yaitu M’)
2.Menetapkan x’ (titik tengah buatan sendiri)
3.memperkalikan frekuensi dari masing-masing interval ,dengan x’(jadi f dikalikan dengan
x’=fx’)
4.Menghitung Mean-nya dengan menggunakan rumus.
c.Penggunaan Mean
25
1.Bahwa data statistik yang dihadapi merupakan data yang distribusi frekuensinya bersifat
normal atau simetris;setidaknya mendekati normal.
2.bahwa dalam kegiatan analis data,kita menghendaki kadar kemantapan.
3.bahwa dalam penganalisisan data selanjutnya,terhadap data yang sedang kita hadapi atau
kita teliti itu,akan kita kenai ukuran-ukuran statistik selain mean.
d.Kelemahan Mean
1.Karena mean itu diperoleh atau berasal dari hasil perhitungan terhadap seluruh angka yang
ada,maka jika dibandingkan dengan ukuran rata-rata lainnya-perhitungannya relatif sukar.
2.Dalam perhitungan mean , sangat diperlukan ketelitian dan kesabaran.
3.sebagai salah satu ukuran rata-rata,mean kadang-kadang sangat dipengaruhi oleh angka atau
nilai exstrimnya sehingga hasil yang diperoleh kadang terlalu jauh dari kenyataan yang ada.
2.Nilai rata-rata pertengahan (Median)
A.Pengertian Nilai rata-rata Pertengahan (Median)
Median ialah suatu nilai atau suatu angka yang membagi suatu distribusi data kedalam dua
bagian yang sama besar.dengan kata lain median adalah nilai atau angka yang diatas nilai atau
angka tersebut terdapat ½ N dan dibawahnya juga terdapat ½ N.
b.cara mencari nilai rata-rata pertengahan
1) Cara mencari nilai rata-rata pertengahan untuk data
a. Mencari nilai rata-rata pertengahan untuk data tunggal yang seluruh skornya berfrekuensi
1.
- Mencari nilai rata-rata pertengahan untuk data tunggal yang seluruh skornya berfrekuensi 1
dan number of cases –nya berupa bilangan gazal. Rumus : ( N = 2n + 1 )
Maka median nta terletak pada bilangan yang ke (n+1)
- Mencari nilai rata-rata pertengahan untuk data tunggal yang seluruh skornya
berfrekuensi 1,dan number of cases-nya berupa bilangan genap .
Rumus : ( N = 2n)
Maka median data yang demikian terletak antara bilangan yang ke-n dan ke (n+1)
b. Mencari nilai rata-rata pertengahan untuk data tunggal yang sebagian atau seluruh
skornya berfrekuensi lebih dari satu.
Rumus :

,
_

¸
¸ −
− ·

,
_

¸
¸ −
+ ·
fi
fk N
u Mdn atau
fi
fk N
mdn
a b
2 / 1
:
2 / 1

Keterangan:
Mdn : Median
 : lover limit (batas bawah nyata dari skor yang mengandung median)
26
b
fk
: frekuensi kumulatif yang terletak dibawah skor yang mengandung median.
i
f
: frekuensi asli (frekuensi dari skor yang mengandung median)
N : Number of cases
U : upper limit (batas atas nyata dari skor yang mengandung median).
a
fk
: frekuensi kumulatif yang terletak diatas skor yang mengandung median
C.Penggunaan nilai Rata-rata pertengahan (Median)
1. kita tidak mamiliki waktu yang cukup luas atau longgar untuk menghitung Nilai
rata-rata Hitung (Mean)-nya.
2. kita tidak ingin memperoleh nilai rata-rata dengan tingkat ketelitian yang
tinggi,melainkan hanya sekedar ingin mengetahui skor atau nilai yang merupakan nilai
pertengahan dari data yang sedang kita teliti.
3. distribusi frekuensii data yang sedang kita hadapi itu bersifat asimetris (tidak
normal)
4. data yang sedang diteliti itu tidak akan dianalisis secara lebih dalam lagi dengan
menggunkan ukuran statistik lainnya.
D.Kebaikan dan kelemahan Median
-Kebaikan : sebagai ukuran rata-rata ialah mediannya dapat diperoleh dalam waktu
singkat,karena proses perhiyungannya sederhana dan mudah.
-Kelemahan : median sebagai ukuran rata-rata sifatnya kurang teliti.
A . Quartile
Istilah quartil atau ”Kuartil” dalam kehidupan kita sehari-hari lebih dikenal dengan
istilah kuartal.
Dalam dunia statistik yang dimaksud dengan kuartil ialah titikm atau skor atau nilai yang
membagi seluruh distribusi frekuensi kedalam empat bagian yang sam besar yaitu masing-
masing ¼ N.jadi disini akan kita jumpai tiga buah kuartil yaitu quartile pertama (Q1),Quartile
kedua (Q2),Dan Quartile ketiga (Q3)
Untuk mencari Q1,Q2,Q3 digunakan rumus sebagai berikut :
- Untuk data tunggal

,
_

¸
¸ −
+ ·
i
b
n
f
fk N n
Q
4 /

- Untuk data kelompokkan
Xi
f
fk N n
Q
i
b
n

,
_

¸
¸ −
+ ·
4 /

27
Keterangan :
Q :Quartile yang ke-n,karena titik quartile ada 3 buah, maka n diisi dengan bilangan 1,2,3
:  lower limit(batas batas nyata dari skor atau interval yang mengandung Qn).
Fkb:frekuensi kumulatif yang terleta dibawah skor
i : interval class
catatan :
- istilah ”skor” berlaku untuk data tunggal
- istilah ”interval” berlaku untuk data kelompok
Diantara kegunaan quartile adalah untuk mengetahui simetris (normal) atau a simetrisnya
suatu kurva.Dalam hal ini patokan yang kita gunakan adalah sebagai berikut :
1) Jika Q
3
– Q
2
= Q
2
– Q
1
Maka kurvanya adalah kurva adalah kurva normal
2) Jika Q
3
– Q
2
> Q
2
– Q
1
Maka kurvanya adalah kurva adalah kurva miring / berat kekiri
(juring positif)
3) Jika Q
3
– Q
2
< Q
2
– Q
1
Maka kurvanya adalah kurva adalah kurva miring / berat
kekanan (juring negatif).
B. DECILE
Desile atau desil ialah : titik atu skor atau nilai yang membagi seluruh frekuensi dari
data yang kita selidiki kedalam 10 bagian yang sama besar ,yang masing-masing sebesar
1/10.jadi disini kita jumpai sebanyak 9 buah titik desile,dimana kesembilan buah titik decile
itu membagi seluruh distribusi frekuensi kedalam 10 bagian yang sama besar.
Lambang desil adalah D.jadi 9 buah titik desil yang dimaksud diatas adalah titik-titik
D
1
,D
2
,D
3
,D
4
,D
5
,D
6
,D
7
,D
8
,D
9.
Rumus :
- Untuk data tunggal

,
_

¸
¸ −
+ ·
i
b
n
f
fk N n
D
10 /

- Untuk data kelompok
Xi
f
fk N n
D
i
b
n

,
_

¸
¸ −
+ ·
10 /

Keterangan :
Dn = Decile yang ke-n (disini n dapat diisi dengan bilangan :1,2,3,4,5,6,7,8,atau 9)
N = number of cases
28
 = lower limit
Fkb = frekuensi kumulatif terletak dibawah
Fi = frekuensi aslinya
C. Percentile
Percentile atau percentile yang biasa dilambangkan P, adalah titik atau nilai yang
membagi suatu distribusi data menjadi seratus bagian yang sama besar.karena percentile
sering disebut dengan “ukuran per-ratus-an.
Titik yang membagi distribusi data kedalam seratu bagian yang sama besar itu ialah
titik – titik P
1
,P
2
,P
3
,P
4
,P
5
,P
6
…………P
99
Untuk mencari percentile digunakan rumujs sebagai berikut :
- Untuk data tunggal

,
_

¸
¸ −
+ ·
fi
fk N n
P
b
n
100 /
' 
- Untuk data kelompok
Xi
fi
fk N n
P
b
n

,
_

¸
¸ −
+ ·
100 /
' 
Kegunaan percentile dalam dunia pendidikan :
 Untuk mengubah raw score (raw data ) menjadi standard score (nilai standar).dalam
dunia pendidikan salah satu standard scire sering digunakan adalah elemen points
scale (skala sebelas nilai) atau dikenal pula dengan nama standard of eleven yang
lazim dikenal dengan stanel.Pengubahan dari raw score menjadi stanel dilakukan
denagn jalan menghitung. P
1
-P
3
-P
8
-P
21
-P
31
-P
6
- P
79 -
P
92-
P
97-
P
99
 Percentile dapat digunakan untuk menentukan kedudukan seorang anak didik itu
memperoleh kedudukan ditengah-tengah kelompoknya.
 Percentile juga dapat digunakan sebagai alat untuk menentapkan nilai batas lulus pada
tes atau selektif.
D.Saling Hubungan antara Quartile-Decile dan Percentile
Hubungannnya :
1. P90 = D9
2. P80 = D8
3. P75 = Q3
4. P70 = D7
5. P60 = D6
29
6. P50 = D5 = Q2 = Median
7. P40 = D4
8. P
30
= D3
9. P
25
= Q
1
10. P20 = D2
11. P10 = D1
6. Nilai Rata-rata Ukur (Geometric Mean)
a.Pengertian Nilai rata-rata Ukur
Nilai rata-rata ukur dari sekelompok bilangan ialah : Hasil perkalian bilangan
tersebut,diakar pangkatkan banyaknya itu sendiri.
Dengan demikian,GM dari dua bilangan adalah sama dengan akar pangkat dua dari hasil
perkalian kedua bilangan itu sendiri.GM dari 3 bilangan adalah sama dengan akar pangkat
tiga dari hasil dari perkalian ketiga bilangan itu sendiri ; demikian seterusnya ,atau secara
umum dapat diformulasikan sebagai berikut : GM dari N buah bilangan adalah sama dengan
akar pangkat N dari hasil perkalian bilangan-bilangan itu.Apabila bilangan-bilangan itu
dilambangkan dengan X
1
,X
2
,X
3
dan Xn maka GM dapat kita formulasikan dalam bentuk
Rumus:
N
N
X xX xX X GM ....
3 2 1
·
Adapun rumus untuk menghitunmg Geometric Mean dengan menggunakan Logaritma
adalah sebagai berikut :
N
X
GM

·
) (log
log
7.Nilai rata-rata Harmonic (Harmonic Mean)
Pengertian Nilai rata-rata harmonic
Nilai rata-rata harmonic dari sekumpulan adalah kebaliakan dari nilai rata-rata Hitung dari
kebalikan bilangan yang termasuk dalam kumpulan bilangan tersebut.
Rumus :

·
X
N
HM
1
BAB IV
MASALAH PENYEBARAN DATA
30
A.PENGANTAR
Ukuran Variabilitas Data (Measures of variability) atau Ukuran Penyebaran Data
(Measures of Dispersion).
B. PENGERTIAN UKURAN PENYEBARAN DATA
Ukuran Penyebaran Data itu, yakni berbagai macam ukuran statistic yang dapat
digunakan untuk mengetahui , luas penyebaran data, atau variasi data, atau homogenitas data
atau stabilitas data.
C.MACAM-MACAM UKURAN PENYEBARAN DATA
Macam-macam ukuran Penyebaran Data, dari ukuran yang paling sederhana (kasar) sampai
dengan ukuran yang dipandang memiliki kadar ketelitian yang tinggi, yaitu (1) Range, (2)
Deviasi (yaitu Deviasi Kuartil, Deviasi Rata-rata dan Deviasi Standar), (3) Variance, dan (4)
Ukuran Penyebaran Relatif.
Ditilik segi relevansinya, maka dalam pembicaraan lebih lanjut hanya akan dikemukakan
dua jenis saja, yaitu (1) dan (2) Deviasi , dan pembicaraan tentang Deviasi pun hanya dibatasi
pada Deviasi Rata-rata dan Deviasi Standar.
1. Range
Range, yang dalam dunia statistic dikenal sebagai ukuran penyebaran data yang paling
sederhana, yang karena itu juga sering disebut sebagai ukuran penyebaran data yang palin
kasar.
a. Pengertian Range
Range diberi lambing R adalah salah satu ukuran statisik yang menunjukkan jarak
penyebaran antara skor (nilai) yang terendah (Lowest Score) sampai skor (nilai) yang
tertinggi (Highest Score). Dengan singkat dapat dirumuskan :
R = H – L
R = Range yang kita cari
H = Skor atau nilai yang tertinggi (Highest Score)
L = Skor atau nilai yang terendah (Lowest Score)
b. Cara Mencari Range
Range kita juga dapat mengatakan bahwa kian kecil Range dari suatu distribusi data,
kian cenderung bagi diri kita untuk menganggap bahwa mean yang kita peroleh merupakan
31
wakil yang presentatif data yang bersangkutan, sebaliknya kian besar Range nya, kita akan
lebih cenderung untuk menganggap bahwa Mean yang kita peroleh itu sifatnya meragukan.
c. Penggunaan Range
Range kita gunakan sebagai ukuran, apabila didalam waktu yang sangat singkat kita
ingin memperoleh gambaran tentang penyebaran data yang sedang kita selidiki dengan
mengabaikan factor ketelitian atau kecermatan.
d. Kebaikan dan Kelemahan
 Kebaikan
Kebaikan Range sebagai salah satu ukuran penyebaran data ialah dengan
menggunakan Range dalam waktu singkat dapat diperoleh gambaran umum mengenai luas
penyebaran data yang sedang kita hadapi.
 Kelemahan
(1) Range sifatnya sangat labil dan kurang teliti, (2) Dengan mengetahui Range nya
saja, kita belum tahu secara pasti bagaimana sebenarnya bentuk Distribusi Data yang kita
hadapi mulai dari nilai Terendah dan Nilai tertinggi. Karena kelemahan itulah maka sebagai
salah satu ukuran penyebaran data, range sangat jarang digunakan dalam pekerjaan analisis
statistic.
2. Deviasi
a. Pengertian Deviasi
Deviasi ialah selisih atau simpangan dari masing-masing skor dan interval, dari nilai
rata-rata hitungnya (deviation from the Mean).
Deviasi merupakan salah satu ukuran variabilitas data yang biasa dilambangkan
dengan huruf kecil dari huruf yang digunakan bagi lambing skornya. Jadi apabila skornya
diberi lambing X maka deviasinya berlambangkan x, jika skornya Y maka dilambangkan
deviasinya y, jika skornya Z maka lambing deviasinya z.
Karena deviasi merupakan simpangan atau selisih dari masing-masing skor terhadap
mean grupnya, maka sudah barang tentu akan terdapat dua jenis deviasi, (1) Deviasi yang
berada diatas mean dan (2) Deviasi yang berada di bawah mean.
Deviasi yang berada diatas Mean dapat diartikan sebagai “selisih lebih” karenanya
deviasi semacam ini akan bertanda plus (+), dan lazim dikenal dengan istilah deviasi positif.
Adapun deviasi yang berada dibawah mean dapat diartikan sebagai “Selisih kurang” oleh
karena itu selalu bertanda minus (-), dilazim dikenal dengan istilah Deviasi Negatif.
32
Guna memperjelas uraian yang telah dikemukakan diatas, marilah kita perhatikan
contoh berikut ini:
Skor (X) Banyaknya (f) Deviasi
( )
x
M X x − ·
8 1 8 – 6 = +2
7 1 7 – 6 = +1
6 1 6 – 6 = 0
5 1 5 – 6 = -1
4 1 4 – 6 = -2
∑X = 30 N = 5 ∑x = 0
6
5
30
· · ·

N
X
M
x
+2 dan +1 adalah Deviasi Positif
-2 dan -1 adalah Deviasi Negatif
b. Deviasi Rata-rata
1) Pengertian Deviasi Rata-rata
Deviasi rata-rata yakni Jumlah Harga mutlak deviasi dari tiap-tiap skor, dibagi
dengan banyaknya skor itu sendiri. Dalam bahasa Inggris Deviasi rata-rata dikenal
dengan nama Mean Deviation (diberi lambang MD) atau Average Deviation (diberi
lambang AD), dalam uraian selanjutnya akan digunakan lambing AD. Deviasi rata-
rata tadi diformulasikan dalam bentuk rumus sebagai berikut :
N
x
AD

·
AD = Average Deviation = Deviasi rata-rata
∑x = Jumlah harga mutlak deviasi tiap-tiap skor atau interval
N = Number of Cases
2) Cara Mencari Deviasi Rata-rata
a) Cara Mencari Deviasi rata-rata untuk Data Tunggal yang
masing-masing skornya berfrekuensi Satu.
N
X
M
x

·
N
x
AD

·
N
Y
M
x

·
N
y
AD

·
33
b) Cara Mencari Deviasi rata-rata untuk Data Tunggal yang
sebagian atau seluruh skornya berfrekuensi lebih dari satu.
Rumus yang digunakan adalah :
N
fx
AD

·
AD = Average Deviation = Deviasi rata-rata
∑fx = Jumlah hasil perkalian antara deviasi tiap-tiap skor dengan frekuensi
masing-masing skor tersebut
N = Number of Cases
c) Cara Mencari Deviasi rata-rata untuk Data Kelompokan
Deviasi rata-ratanya dapat diperoleh dengan menggunakan rumus :
N
fx
AD

·
AD = Average Deviation = Deviasi rata-rata
∑fx = Jumlah hasil perkalian antara deviasi tiap-tiap interval (x) dengan
frekuensi masing-masing interval yang bersangkutan.
N = Number of Cases
3) Kelemahan Deviasi rata-rata
c. Deviasi Standar
Deviasi rata-rata sebagai salah satu ukuran variabilitas data ditilik dari segi
matematika memiliki kelemahan yang sangat mendasar karena mengganggap sama antara
deviasi yang bertanda “plus” dengan deviasi yang bertanda “minus”.
1) Pengertian Deviasi Standar
Deviasi standar (Standar Deviation), yang umumnya diberi lambing δ atau SD.
Deviasi Standar, karena Deviasi rata-rata yang tadinya memiliki kelemahan, telah dibakukan
atau distandarisasikan, sehingga memiliki kadar kepercayaan atau reliabilitas yang mantap,
oleh karena itu, dalam dunia analisis statistic Deviasi standar ini mempunyai kedudukan yang
amat penting.
Maka rumus umum Deviasi Standar atau SD ialah sebagai berikut :
N
X
SD

·
2
SD = Deviasi Standar
34

2
X
= Jumlah semua deviasi, setelah mengalami proses pengkuadratan
terlebih dahulu.
N = Number of Cases
2) Cara Mencari Deviasi Standar
a) Cara mencari Deviasi standar untuk data tunggal yang semua
skornya berfrekuensi Satu.
N
X
SD

·
2
SD = Deviasi Standar

2
X
= Jumlah semua deviasi, setelah mengalami proses pengkuadratan
terlebih dahulu.
N = Number of Cases
b) Cara mencari Deviasi standar untuk data tunggal yang sebagian
atau seluruh skornya berfrekuensi lebih dari satu.
N
fx
SD

·
2
SD = Deviasi Standar

2
fx
= Jumlah hasil perkalian antara frekuensi masing-masing skor, dengan
deviasi skor yang telah dikuadratkan.
N = Number of Cases
c) Cara mencari Deviasi Standaruntuk Data Kelompokan
Deviasi standar dapat dicari dengan mengunakan dua buah rumus , yaitu rumus panjang dan
rumus singkat. Rumus panjang kita pakai bila kita memiliki alat Bantu penghitungan seperti
kalkulator dan sebagainya, karenaa memerlukan tingkat ketelitian dan kecermatan yang
setinggi mungkin.
1) Cara Mencari Deviasi Standar untuk Data kelompokan, dengan
mengunakan rumus panjang
N
fx
SD

·
2
SD = Deviasi Standar

2
fx
= Jumlah hasil perkalian antara frekuensi masing-masing skor, denagn
deviasi skor yang telah dikuadratkan.
N = Number of Cases
35
2) Cara mencari Deviasi standar untuk Data kelompokan, dengan
menggunakan Rumus pendek
2
2

,
_

¸
¸
− ·
∑ ∑
N
fx
N
fx
i SD
SD = Deviasi Standar
i = Kelas interval

2
fx
= Jumlah hasil perkalian antara frekuensi masing-masing interval ,
dengan
2
x

fx
= Jumlah hasil perkalian antara frekuensi masing-masing interval ,
dengan
x

N = Number of Cases
d) Cara lain yang dapat dipergunakan untuk menghitung atau mencari Deviasi
Standar
1) Cara lain untuk mencari Deviasi Standar Data tunggal yang seluruh
skornya berfrekuensi satu.
Ada tiga buah rumus dapat digunakan, yaitu :
Rumus Pertama =
2
2
X
M
N
X
SD − ·

Rumus Kedua =
( )( ) ( )
2
2
2
N
X X N
SD
∑ ∑

·
Rumus Ketiga =
( )
∑ ∑
− ·
2
2
.
1
X X N
N
SD
SD = Deviasi Standar

2
x
= Jumlah skor X setelah terlebih dahulu dikuadratkan.
( )
2

X = Jumlah seluruh skor X, yang kemudian dikuadratkan.
X
M
= Nilai rata-rata Hitung (=mean) skor X.
N = Number of Cases
2) Cara lain untuk mencari Deviasi Standar Data tunggal yang sebagian
atau seluruh skornya berfrekuensi lebih dari satu.
36
( )
∑ ∑
− ·
2
2
.
1
fX fX N
N
SD
SD = Deviasi Standar yang kita cari
1 = Bilangan Konstan (yang tidak boleh diubah-ubah

2
fX
= Jumlah hasil perkalian antara frekuensi tiap-tiap skor (f) denagn
skor yang telah dikuadratkan lebih dahulu
2
x
( )
2

fX = Jumlah hasil perkalian antara frekuensi tiap-tiap skor (f) dengan
masing-masing skor yang bersangkutan (X)
N = Number of Cases
3) Cara lain untuk mencari Deviasi Standar Data Kelompokan
Deviasi Standar untuk data Kelompokan juga dapat ddicari atau
diperhitungkan berdasarkan angka kasar atau skor aslinya. Adapun rumus yang
digunakan adalah :
2
2

,
_

¸
¸
− ·
∑ ∑
N
fX
N
fX
SD
SD = Deviasi Standar

2
fX
= Jumlah hasil perkalian antara midpoint-2 yang telah dikuadratkan
2
x dengan frekuensinya masing-masing.

fX
= Jumlah hasil perkalian antara midpoint dengan frekuensinya masing-
masing.
N = Number of Cases
d. Kegunaan Deviasi Rata-rata dan Deviasi Standar
Baik Deviasi rata-rata maupun deviasi standar keduanya berguna sebagai ukuran
untuk mengetahui variabilitas data dan sekaligus untuk mengetahui homogenitas data.
Dengan mengetahui besar kecilnya Deviasi rata-rata dan Deviasi Standar, kita dapat
mengetahui pula bagaimana Variabilitas dan homogenitas data yang sedang kita selidiki. Jika
deviasi rata-rata atau deviasi standar makin besar, hali ini berarti makin besarlah variabilitas
datannya atau semakin kurang homogen. Sebaliknya, apabila Deviasi rata-rata atau Deviasi
Standar kecil, data yang sedang kita teliti itu makin dekat kepada sifat Homogenitas.
e. Saling Hubungan antara Deviasi Rata-rata dan Deviasi Standar
37
Antara Deviasi Rata-rata dan Deviasi Standar terdapat saling hubungan sebagai
berikut
AD = 0,798 SD sedangkan SD = 1,253 AD
Artinya :
 Bahwa besarnya Deviasi rata-rata (AD) adalah sekitar
0,798 atau 0,8 kali dari Deviasi Standar
 Bahwa besarnya Deviasi Standar (SD) adalah sekitar
1,253 atau 1,3 kali dari Deviasi Rata-rata
f. Catatan Tambahan Tentang Penggunaan Lebih Lanjut dari Mean dan
Deviasi Standar Dalam Dunia Pendidikan
Sebagai catatan tambahan perlu kiranya dikemukakan disini bahwa mean dan deviasi standar
sebagai dua buah ukuran statistic yang dipandang memiliki reliabilitas yang tinggi, dapat dan
sering digunakan dalam dunia pendidikan, khususnya dalam rangka Evaluasi hasil belajar
anak didik. Dapat disebutkan disini misalnya:
1. Untuk menetapkan nilai batas lulus Aktual (minimum Passing Level atau Passing
Grade), di mana patokan yang digunakan untuk keperluan tersebut adalah :
Mean + 0,25 SD
2. Untuk mengubah Raw Score (Skor mentah) ke dalam nilai standar sekala 5 atau huruf
A-B-C-D dan E.
3. Untuk mengubah (mengkonversikan ) Raw Score menjadi niali Standar Sebelas
(Eleven point Scale = Standar Eleven = Stanel), yaitu nilai-nilai standar mulai dari 0
sampai dengan 10 (=11 Nilai Standar).
4. Untuk mengelompokkan anak didik ke dalam tiga ranking, yaitu : Ranking Atas
(Kelompok anak didik yang tergolong pandai), Ranking Tengah ( Kelompok anak
didik yang tergolong cukup/sedang) dan Ranking Bawah (Kelompok anak didik yang
tergolong lemah/bodoh)
5. Untuk mengubah (mengkonversikan) Raw Score menjadi Nilai Standar z (z Score),
dimana z Score dapat diperoleh dengan rumus :
X
X
SD
M X
Score z

· .
6. Untuk mengubah (mengkonversikan) Raw Score menjadi nilai satndar T (T Score)
dimana T Score itu dapat diperoleh dengan rumus :
38

,
_

¸
¸ −
+ ·
X
X
SD
M X
Score T 10 50 .
atau T Score = 50+10 X z Score
BAB V
39
UJI VALIDITAS DAN RELIABILITAS
VALIDITAS
A. Pengertian Validitas dan Instrumen
Secara umum valid itu sama dengan ketepatan sedangkan instrumen itu mengukur apa
yang seharusnya diukur.
Syarat-syarat instrument yaitu :
1) Valid
2) Reliabel
3) Objektif
4) Sederhana
5) Daya Pembeda
6) Tingkat kesukaran
B. Macam-macam Validitas
1. Pengujian Tes Validitas Logis
Adalah validitas yang diperoleh atas dasar hasil pemikiran, validitas yang diperoleh
dengan cara berfikir secara logis.
• Validitas Isi (Content Validity) adalah validitas yang dilihat dari segi
isi tes itu sendiri sebagai alat pengukur hasil belajar. Pada validitas isi ini, sebelum
kita menyusun tes terlebih dahulu membuat kisi-kisi soal.
• Validitas Konstruksi (Construct Validity) adalah mengukur apa yang
seharusnya dikonstruksi dalam pembelajaran sesuai dengan TIK dalam RP.
2. Pengujian Tes Validitas Empiris
Adalah ketepatan mengukur yang didasarkan pada hasil analisis yang bersifat empiris.
• Validitas ada sekarang (Concurrent Validity). Apabila hasil tes yang
dilakukan sesuai dengan pengalaman maka tes itu dikatakan Valid.
• Validitas Prediksi (Predective Validity). Suatu tes dikatakan valid
apabila hasilnya sesuai denagn keadaan yang sebenarnya. Misalnya : tes masuk
Perguruan Tinggi, dan Tes Calon Pegawai.
C. Cara Menguji Validitas
Untuk validitas isi dan validitas konstruksi cukup dikonsultasikan saja dengan
minimal ddua orang pakar di bidangnya. Sedangkan untuk validitas ada sekarang dan
40
validitas prediksi harus dilakukan uji coba. Hasilnya dikorelasikan dengan hasil tes
lain yang sudah standar/hasil tes criterion.
REALIBILITAS
A. Pengertian Realibilitas
Secara umum realibilitas itu sama dengan Ketetapan. Suatu instrument yang
mempunyai hasil pengukuran tetap dan bias dipercaya.
B. Cara Mengukur Realibilitas
• Konsistensi Eksternal
1. Metode Test-Retest maksudnya seperangkat test yang diuji dua kali hasilnya akan
dikorelasikan denagn korelasi produk moment. Pada koefisien korelasinya
menunjukkan kekuatan realibitas.
2. Metode Paralel maksudnya dua test paralel yang diujikan kepad sekelompok siswa
dalam waktu yang bersamaan hasilnya juga akan dikorelasikan dengan korelasi
produk moment. Item-item kedua test harus berbeda, namun eqivalen dalam
mengukur hal yang sama.
• Konsistensi Internal
1. Teknik belah dua (Split-half). Seperangkat tes yang diujikan kepada sekelompok
siswa. Hasilnya dikorelasikan antar skor jawaban dari separuh tes tersebut yang
aada dua kemungkinan yaitu skor item ganjil-genap dan skor separuh item awal-
separuh item akhir.
2. Analisis diskriminasi item
Untuk mencari reabilitas tes penuh digunakan rumus Spearman
) r (1
r 2

1/21/2
1/21/2
11
+
· r
BAB VI
MASALAH HUBUNGAN ANTAR VARIABEL
(TEKNIK ANALISA KORELASI)
41
A. PeNgertian Korelasi
Kata korelasi berasal dari bahasa Inggris correlation.Bahasa Indonesia sering
diterjemahkan dengan “saling hubungan”. Dalam ilmu statistic “Korelasi” diberi pengertian
sebagai “ hubungan antardua variabel atau lebih”.
Hubungan antar dua variabel dikenal dengan istilah ”bivariate correlation”, sedangkan
hubungan antar lebih dari dua variabel disebut ”multivariate correlation”.
dependent variable, yaitu variabel yang dipengaruhi, sedangkan: independent variable,
yaitu variabel bebas, dalam arti : bermacam-macam variabel yang dapat memberikan
pengaruh terhadap prestasi studi.
B. Arah Korelasi
2. a. Korelasi positif adalah korelasi yang bersifat searah.
Contoh : Dalam dunia pendidikan misalnya, terdapat korelasi positif antara nilai hasil
belajar matematika dan nilai hasil belajar fisika,kimia,biologi.
b. Korelasi negative adalah korelasi yang hubungannya bersifat berlawanan arah.
Contoh : Dalam dunia pendidikan misalnya, makin kurangg dihayati dan diamalkan
ajaran agama islam oleh para remaja akan diiukuti oleh makin meningkatnya frekuensi
kenakalan remaja atau sebaliknya.
Korelasi Postif Korelasi Negatif
X Y X Y X Y X Y
C. Peta Korelasi
Arah hubungan variabel yang dicari dapat diamati dengan menggunakan peta atau
diagram, yang dikenal dengan Peta Korelasi. Peta korelasi juga disebut dengan Scatter
Diagram (Diagram Pencaram Titik).
Ciri yang terkandung dalan peta korelasi itu adalah :
42
1
2
3
4
4 3 2 1
1st Qtr
X
X
X
X
Y Y Y Y
1
2
3
4
4 3 2 1
1st Qtr
1. Jika korelasi antara variabel X dan variabel Y merupakan Korelasi Positif Tertinggi,
atau Korelasi Positif Sempurna, maka pencaran titik yang terdapat pada peta korelasi,
apabila dihubungkan antara satu dengan yang lain, akan membentuk satu buah garis
lurus yang condong ke arah kanan.
2. Jika korelasi antara variabel X dan variabel Y merupakan Korelasi Negatif Tertinggi,
atau Korelasi Positif Sempurna, maka pencaran titik yang terdapat pada peta korelasi,
apabila dihubungkan antara satu dengan yang lain, akan membentuk satu buah garis
lurus yang condong ke arah kiri.
3. Jika korelasi antara variabel X dan variabel Y merupakan Korelasi Positif yang tinggi
atau kuat, maka pencaran titik yang terdapat pada peta korelasi, sedikit mulai
menjauhi garis linier, yaitu titik tersebut terpencar atu berada di sekitar garis lurus
tersebut yang condong ke arah kanan.
43
X
X
X
X
Y Y Y Y
4. Jika korelasi antara variabel X dan variabel Y merupakan Korelasi Negatif yang tinggi
atau kuat, maka pencaran titik yang terdapat pada peta korelasi, sedikit mulai
menjauhi garis linier, yaitu titik tersebut terpencar atu berada di sekitar garis lurus
tersebut yang condong ke arah kiri.
5. Baik Korelasi Positif maupun Korelasi Negatif dikatakan cukup dan korelasi rendah,
apabila pencaran titik pada Peta Korelasi semakin jauh dari tersebar/menjauhi garis
linier.
D. Angka Korelasi
1. Pengertiannya
Angka Indeks Korelasi atau Coefficient of Correlation adalah sebuah angka yang dapat
dijadikan petunjuk untuk mengetahui seberapa besar kekuatan korelasi di antara variabel
yang sedang diselidiki korelasinya.
2. Lambangnya
Angka korelasi biasanya diberi lambang dengan huruf tertentu; misalnya r
xy
sebagai
lambang koefisien korelasi pada Teknik Korelasi Product Moment, ρ (baca Rho)
sebagai lambang koefisien korelasi pada Teknik Korelasi Tata Jenjang, ϕ (baca Phi)
sebagai lambang koefisien korelasi pada Teknik Korelasi Phi, C atau KK sebagai
lambang koefisien korelasi pada Teknik Korelasi Kontingensi, dan lain-lain.
3. Besarnya
Angka korelasi itu besarnya berkisar antara 0 sampai dengan t 1,00, artinya bahwa
angka korelasi itu paling tinggi adalah t 1,00 dan paling rendah adalah 0. jika dalam
perhitungan diperoleh angka korelasi lebih dari 1,00 hal itu merupakan petunjuk bahwa
dalam perhitungan trsebut telah terjadi kesalahan
4. Tandanya
Korelasi antara variabel X dan Y disebut Korelasi Positif apabila angka indeks
korelasinya bertanda ”plus” (+); misalnya : r
xy
= + 0,235; r
xy
= + 0,751. Sebaliknya ,
44
apabila angka indeksnya antara variabel X dan Y bertanda ”minus” (-), maka korelasi
yang demikian itu disebut Korelasi Negatif ; misalnya : r
xy
= - 0,235; r
xy
= + 0,235.
Antara variabel X dan Y dikatakan tidak ada korelasinya jika angka indeks korelasinya
= 0
5. Sifatnya
Angka indeks korlasi yang diperoleh dari proses perhitungan sifatnya relatif, yaitu
angka yang fungsinya melambangkan indeks hubungan antar variabel yang dicari
korelasinya. Sebagai contoh, misal angka korelasi antara variabel X dan Y = 0,75 (r
xy
=
0,75), sedangkan angka korelasi antara variabel Y dan Z = 0,25 (r
yz
= 0,25). Di sini tidak
dapat dikatakan bahwa r
xy
= 3 kali lipatnya r
yz
atau menyatakan bahwa r
yz
= 1/3 r
xy
.
E. Teknik Analisa Korelasional, Pengertian, Tujuan, dan Penggolongannya
1. Pengertiannya
Teknik Analisa Korelasional adalah teknik analisa statistik mengenai hubungan antar
dua variabel atau lebih.
2. Tujuannya
Ada 3 macam tujuan dalam teknik analisa korelasional, yaitu
a. Ingin mencari bukti (berlandaskan pada data yang ada), hubungan atau korelasi
antarvariabel.
b. Ingin menjawab pertanyaan apakah hubungan antar variabel itu (jika memang
ada hubungannya), termasuk hubungan yang kuat, cukup atau lemah.
c. Ingin memperoleh kejelasan dan kepastian (secara matematik), apakah hubungan
antar variabel itu merupakan hubungan yang berarti atau meyakinkian
(signifikan), ataukah hubungan yang tidak berarti atau tidak meyakinkan.
3. Penggolongannya
Teknik Analisa Korelasional Bivariat ialah teknik analisa korelasi yang mendasarkan
diri pada dua buah variabel.
Contoh : Korelasi antara prestasi belajar dalam bisang studi Agama Islam (variabel X)
dan sikap keagamaan siswa (variabel Y).
Adapun Teknik Analisa Korelasional Multivariat ialah teknik analisa korelasi yang
mendasarkan diri pada lebih dari dua variabel.
Contoh : Korelasi antara Sikap Keagamaan Siswa (variabel X
1
) dengan Suasana
Keagamaan di Lingkungan Keluarga (variabel X
2
), Lingkungan Keagamaan Siswa di
Masyarakat (variabel X
3
), Tingkat Pengetahuan Agama Orang Tua Siswa (variabel X
4
),
dan Prestasi Belajar Siswa dalam bidang studi Agama Islam (variabel Y).
45
4. Cara Mencari Korelasi pada Teknik Analisa Korelasional Bivariat
Sebagaimana dikemukakan oelh Borg dan Gall dalam bukunya Educationl Research,
terdapat 10 macam teknik perhitungan korelasi yang termasuk dalam Teknik Analisa
Korelasional Bivariat, yaitu
a. Teknik Korelasi Product Moment (Product Moment Corrlelation)
b. Teknik Korelasi Tata Jenjang (Rank Different Correlation atau Rank Order
Correlation)
c. Teknik Korelasi Koefisien Phi (Phi Coefficient Correlation)
d. Teknik Korelasi Kontingensi (Contingency Coefficient Correlation)
e. Teknik Korelasi Point Biserial (Point Biserial Correlation)
f. Teknik Korelasi Biserial (Biserial Vorrelation)
g. Tekinik Korelasi Kendall Tau (Kendall’s Tau Correlation)
h. Teknik Korelasi Rasio (Correlation Ratio)
i. Teknik Korelasi Widespread Tetrakorik (Tetrachoric Correlation)
Penggunaan teknik korelasi tersebut di atas akan sangat terkandung pada jenis data
statistic yang akan dicari korelasinya.
F. Teknik Korelasi Product Moment
1. Pengertiannya
Disebut Product Moment Correlation (Teknik Korelasi Pearson) karena koefisien
korelasinya diperoleh dengan mencari hasil perkalian dari moment-momen variabel
yang dikorelasikan.
2. Penggunaannya
a.Variabel yang dikorelasikan berbetnuk gejala atau data yang bersifat kontinu
b. Sampel yang diteliti mempunyai sifat homogen, atau setidak-tidaknya
mendekati homogen
c.Regresinya merupakan regresi linier
3. Lambangnya
Teknik Korelsi Prudct Moment diberi lambang ”r”. Angka indeks korelasi Product
Moment ini diberi indeks dengan huruf kecil dari huruf-huruf yang dipergunakan untuk
dua buah variabel yang sedang dicari korelasinya. Jadi, apabila variabel pertama diberi
lambang X dan variabel kedua diberi lambang Y, amaka angka indeks korelasinya
dinyatakan dengan lambang r
xy
.
4. Cara Mencari Angka Indeks Korelasi Product Moment
46
Apabila data yang ada dalah Data Tunggal, sedangkan Number of Cases-nya kurang
dari 30, maka sesuai dengan hal yang dikemukakan oleh Henry E. Garrett, Ph.D. dalam
bukunya Statistics in Psychology and Education, angka indeks korelasi product moment
dapat dihitung dengan 6 cara, yaitu
a.Menghitung deviasi standarnya terlebih dahulu
b. Atau cara singkat tanpa menghitung deviasi standarnya
c.Memperhitungkan skor-skor aslinya atau ukuran-ukuran kasarnya
d. Memperhitungkan Mean-nya
e.Memperhitungkan selisih deviasi dari variabel-variabel yang dikorelasikan
terhadap Mean-nya
f. Memperhitungkan selisih dari masing-masing skor aslinya atau angka kasarnya.
Adapun untuk Data Tunggak yang Number of Cases-ya 30 atau lebih dari 30 dan untuk
Data Kelompok, angak indeks korelasi r
xy
dapat diperoleh dengan bantuna peta atau
diagram.
5. Cara Memberi Intepretasi terhadap Angka Indeks Korelasi ”r:”
Product Moment
Dalam hubungan ini ada dua macam cara kita tempuh, yaitu
a.Interpretasi terhadap angka indeks korelsai ”r” Product Moment itu dilakukan
dengan cara kasar atau dengan cara yang sederhana
Ada pedoman yang digunakan, yaitu
Besarnya ”r” Product Moment
(r
xy
)
Interpretasi
0,00 – 0,20
Antara variable X dan Y memang terdapat
korelasi, akan tetapi korelasi itu sangat
lemah atau sangat rendah sehingga korelasi
itu diabaikan (dianggap tidak ada korelasi
antara variable X dan Y)
0,20 – 0,40
Antara variabel X dan Y terdapat korelasi
yang lemah atau rendah
0,40 – 0,70
Antara variabel X dan Y terdapat korelasi
yang sedang atau cukup
0,70 – 0,90
Antara variabel X dan Y terdapat korelasi
yang kuat atau tinggi
0,90 – 1,00
Antara variabel X dan Y terdapat korelasi
yang sangat kuat atau sangat tinggi
b. Interpretasi itu diberikan dengan terlebih dahulu berkonsultasi pada
Tabel Nilai r Product Moment
47
Apabila cara kedua ini yang ditempuh, maka posedur yang harus dilakukan
adalah :
♦ Merumuskan Hipotesa alternatif (H
a
) dan Hipotesa Nihil atau Hipotesa
Nol (H
0
)
Hipotesa alternatifnya (H
a
) kita rumuskan sebagai berikut :
”Ada korelasi positif ( atau korelasi negatif) yang signifikan antara variabel
X dan variabel Y”. Adapun rumusan Hipotesa Nihil adalah :
” Tidak ada (atau tidak terdapat) korelasi positif ( atau korelasi negatif) yang
signifika antara variabel X dan variabel Y”
♦ Menguji kebenaran atau kepalsuan dari hipotesa yang telah diajukan
dengan jalan memperbandingkan besarnya ”r” yang telah diperoleh dalam
proses perhitungan dengan ”r” observasi (ro) dengan besarnya ”r” yang
tercantum dalam Tabel Nilai r Product Moment, dengan terlebih dahulu
mencari derajat bebasnya (db) atau degress of freedomnya (df) yang
rumusnya :
df = N – nr
df = degress of freedom
N = Number of cases
Nr = banyaknya variable yang dikorelasiakan (jika bivariat maka nr = 2)
Dengan diperoleh db atau df maka akan dicari besarnya ”r” yang tercantum
dalam Tabel Nilai ”r” Product Moment, baik pada taraf signifikansi 5% atau
1%.
Jika ro sama dengan atau lebih besar dari pada rt maka Hipotesa alternatif
(Ha) disetujui atau terbukti kebenarannya. Dan Hipotesa Nihilnya ditolak.
6. Contoh Cara Mencari dan Memberikan Interpretsi Terhadap Angka
Indeks Korelasi ”r” Product Moment
a. Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks Korelasi ”r”
Product Moment untuk Data Tunggal, di mana N kurang dari 30 dengan terlebih
dahulu memperhitungkan Deviasi Standarnya
♥ Rumus
y x
xy
SD SD N
xy
r
. .

·
♥ Langkah
- Menyiapkan tabel kerja atau Tabel Perhitungan, yangterdiri dari 8 kolom. Pada
kolom 1 dimuat Subjek Penelitian. Kolom 2 memuat skor variabel X. Kolom 3
48
memuat variabel Y. Kolom 4 memuat deviasi skor variabel X terhadap Mean
Grupnya (M
x
). Kolom 5 memuat deviasi skor variabel Y terhadap Mean
Grupnya. Kolom 6 memuat hasil perkalian antara deviasi v dan deviasi y. Kolom
7 memuat hasil pengkuadratan devias x. Dan kolom 8 memuat hasil
pengkuadratan deviasi y
- Menghitung Mean dari variabel X dengan menggunakan rumus :
N
x
M
x

·
- Menghitung Mean dari variabel Y :
N
y
M
y

·
- Menghitung Deviasi Stamndar variabel X ;
N
x
SD
x

·
- Menghitung Deviasi Standar variabel Y :
N
y
SD
y

·
- Menghitung angka indeks korelasi antara variabel X dan variabel Y dengan
menggunakan rumus :
y x
xy
SD SD N
xy
r
. .

·
b. Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks Korelasi ”r”
Product Moment untuk Data Tunggal di mana N kurang dari 30 dengan tidak
menggunakan Standar Deviasi.
♥ Rumus :
( )( )
2 2
y x
xy
r
xy
∑ ∑

·
♥ Langkah
- Menyiapkan tabel kerja atau Tabel Perhitungan, yangterdiri dari 8 kolom. Pada
kolom 1 dimuat Subjek Penelitian. Kolom 2 memuat skor variabel X. Kolom 3
memuat variabel Y. Kolom 4 memuat deviasi skor variabel X terhadap Mean
Grupnya (x = X – M
x
). Kolom 5 memuat deviasi skor variabel Y terhadap Mean
Grupnya (y = Y – M
y
). Kolom 6 memuat hasil perkalian antara deviasi v dan
deviasi y. Kolom 7 memuat hasil pengkuadratan devias x. Dan kolom 8 memuat
hasil pengkuadratan deviasi y
- Mencari angka indeks korelasi ”r” product moment antara variabel X dan
variabel Y :
( )( )
2 2
y x
xy
r
xy
∑ ∑

·
49
c. Memberikan interpretasi terhadap r
xy
atau ro, serat menarik kesimpulannya yang dapat
dilakukan secara sederhana atau dilakukan dengan jalan konsultasi pada tabel nilai ”r”
product moment.
d. Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks Korelasi ”r”
Product Moment untuk Data Tunggal di mana N kurang dari 30 dengan tidak
menggunakan Mean-nya
♥Rumus :
( )( )
2
2
2
2
. .
. .
y x
y x
xy
M N y M N x
M M N xy
r
− ∑ − ∑
− ∑
·
e. Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks Korelasi ”r”
Product Moment untuk Data Tunggal di mana N kurang dari 30 dengan tidak
menggunakan Selisih Deviasinya
( )( )
2 2
2 2 2
2 y x
d y x
r
xy
∑ ∑
∑ − ∑ + ∑
·
f. Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks
Korelasi ”r” Product Moment untuk Data Tunggal di mana N kurang dari 30 dengan
tidak menggunakan Selisih skornya
( ) ( ) [ ] ( )( )
( ) ( ) [ ] ( )( ) [ ]
2 2 2 2
2
2 2
2
2
y y N x x N
y x y x y x N
r
xy
∑ ∑ ∑ − ∑
∑ ∑ − − ∑ − ∑ + ∑
·
g. Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks
Korelasi ”r” Product Moment untuk Data Tunggal di mana N = 30 atau lebih dari 30
( )( )
( )( )
' '
' '
' '
y x
y x
xy
SD SD
C C
N
y x
r


·
h. Cara Mencari Angka Indeks Korelasi ”r” Product Moment, untuk Data
Kelompok
( )( )
( )( )
' '
' '
' '
y x
y x
xy
SD SD
C C
N
y x
r


·
Langkah :
- Merumuskan Ha dan Ho
- Menyiapkan peta korelasi serta perhitungannya
- Mencari Cx dengan rumus Σ fx’/N
- Mencari Cy, dengan Σ fy’/N
50
- Mencari SD dengan :
2
'
' '

,
_

¸
¸∑


·
N
fx
N
fx
i SD
x
- Mencari SD dengan :
2
'
' '

,
_

¸
¸∑


·
N
fy
N
fy
i SD
y
- Mencari r
xy

( )( )
( )( )
' '
' '
' '
y x
y x
xy
SD SD
C C
N
y x
r


·
G. Teknik Korelasi Tata Jenjang (= Teknik Korelasi Rank Oreder = Rank Order
Correlation = Rank Difference Correlation )
1. Pengertiannya
Pada Teknik Korelasi Tata Jenjang besar kecilnya atau kuat-lemahnya korelasi antara
variabel; yang sedang diselidiki korelasinya diukur berdasarkan perbedaan urutan
kedudukan skornya; jadi bukan berdasarkan pada skor hasil pengukuran yang
sebenarnya. Datanya adalah data ordinal atau data berjenjang atau data urutan.
2. Penggunaannya
Teknik Analisa Korelasional Tata Jenjang dapat efektif digunakan apabila subjek yang
dijadikan sampel dalam poenelitian lebih dari sembilan tetapi kurang dari tiga puluh.
3. Lambangnya
Lambang Teknik Korelasi Tata Jenjang dilambangkan dengan ρ . Besarnya antara
0,00 - t 1,00
4. Rumusnya
( ) 1
6
1
2
2


− ·
N N
D
ρ
5. Cara Memberikan Interpretasi terhadap Angka Indeks Korelasi Tata Jenjang
Ha = Ada korelasi positif yang signifikan antara variabel I dan variabel II
Ho = Tidak ada korelasi positif yang signifikan antara variabel I dan variabel II
6. Cara menghitung dan Memberikan Interpretasi terhadap Angka Indeks Korelasi Tatata
Jenjang
Ada 3 macam cara menghitungnya, yaitu :
a. dalam keadaan tidak terdapat urutan yang kembar
b. dalam keadaan terdapat urutan yang kembar dua
c. dalam keadaan terdapat kembar tiga buah atau lebih
Contoh ;
51
Skor yang Melambangkan Prestasi Belajar Bidang Studi
Agama Islam dan Sikap Keagamaan dari Sejumlah 10 Siswa MAN
Nomor
Urut
Nama
Skor Rank D =
R1 – R2
D
2
I II I = R1 II = R2
1 A 37 60 6 6 0 0
2 B 41 77 2 2 0 0
3 C 38 59 7 7 0 0
4 D 44 75 3 3 0 0
5 E 35 63 5 5 0 0
6 F 43 40 9 10 -1 1
7 G 40 80 1 1 0 0
8 H 42 47 10 9 1 1
9 I 36 70 4 4 0 0
10 J 39 54 8 8 0 0
N = 10 - - - - Σ D = 0 2 = Σ D
2
a. Ha = Ada korelasi positif yang signifikan antara Prestasi Belajar bidang studi
Agama Islam dengan Sikap Keagamaan
H
0
= Tidak ada korelasi positif yang siginifikan antara Prestasi Belajar bidang studi
Agama
Islam dengan Sikap Keagamaan
b. Menghitung
( )
( )
98182 , 0 018 , 0 1
1 100 10
2 6
1
1
6
1
2
2
· − ·

×
− ·


− ·
N N
D
ρ
c. Rho dibandingkan dengan Rho tabel , di mana df = 10 , pada tabel taraf signifikansi
5% 0,648 dan yang 1% adalah 0,794. Dengan demikian rho yang diperoelh (hitungan)
jauh lebih besar dibandingkan dengan rho tabel maka Ho ditolak.
d. Kesimpulan : secara signifikan prestasi belajar bidang studi agama islam berkorelasi
positif dengan sikap keagamaan
H. Teknik Korelasi Phi
1. Pengertiannya
Teknik Korelasi Koefisien Phi digunakan apabila data yang dikorelasikan adalah data yang
benar-benar dikotomik (terpisah secara tajam) atau variabel yang dikorelasikan itu adalah
variabel diskrit murni.
2. Lambangnya
Lambang Teknik Korelasi Phi dilambangkan dengan ϕ . Besarnya antara 0,00 - t 1,00
3. Rumusnya
52
a. Bila dalam menghitung atau mencari ϕ berdasarkan diri pada frekuensi masing-
masing sel yang terdapat dalam Tabel Kerja
( )( )( )( ) d c d b c a b a
bc ad
+ + + +

· φ
b. Bila dalam menghitung ϕ mendasarkan pada pro[orsinya
( )( )( )( ) ' ' q p q p
βγ αδ
φ

·
c. Bila mencari ϕ terlebih dahulu menghitung Kai Kuadrat
N
x
2
· ϕ
Kai Kuadrat :
( )
ft
ft fo
x
2
2

∑ ·
4. Cara Mencari Interpretasi Terhadap Angka Indeks Korelasi Phi
( )( )
2 2
y x
xy
r
xy
∑ ∑

·
Data Mengenai Hasil Tes SIPENMARU Para Lulusan SMTA Yang Mengikuti
Bimbingan Tes dan yang Tidak Mnegikuti Bimbingan Tes
Prestasi / Status Mengikuti
Bimbingan Tes
Tidak Mengikuti
Bimbingan Tes
Jumlah
Lulus Tes
SIPENMARU
20 20 40
Tidak Lulus Tes
SIPENMARU
25 35 60
Jumlah 45 55 100 = N
Berdasarkan Teknik Korelasi Koefisien Phi
a. Ha = Ada korelasi signifikan antara Prestasi Tes SIPENMARU Para Lulusan SMTA
Yang Mengikuti Bimbingan Tes dan yang Tidak Mengikuti Bimbingan Tes H
0
=
Tidak ada korelasi yang siginfikan antara Prestasi Tes SIMPENMARU SIPENMARU
Para Lulusan SMTA Yang Mengikuti Bimbingan Tes dan yang Tidak Mnegikuti
Bimbingan Tes
53
b.
( )( )( )( )
( )( )
( )( )( )( )
082 , 0
5212 , 2437
200
35 25 25 20 35 20 20 20
25 20 35 20
· ·
+ + + +
×
·
+ + + +

·
x
d c d b c a b a
bc ad
φ
c. interpretasinya terhadap Phi,
df = N – nr = 100 – 2 = 98
karena tidak ada yang 98 maka digunakan 100 di mana taraf signifikan 5% adalah 0,195
dan untuk 1% adalah 0,254. Dapat dilihat bahwa r hitung lebih kecil dibandingkan
dengan r tabel maka Ho di terima.
I. Teknik Korelasi Koefisien Kontingensi
1. Pengertiannya
Teknik Analisa Korelasional Bivariat berbentuk kategori atau gejala ordinal. Teknik
Korelasi Koefisien Kontingensi digunakan apabila variabel itu hanya terbagi menjadi
dua kategori dan kedua kategori tersebut sifatnya diskrit.
2. Lambangnya
Kaut-lemah atau tinggi-rendahnya korelasi dapat diketahui dari besar kecilnya angka
indeks korelasi yang dioberi lambang C atau KK
3. Rumus
N
C
+
·
2
2
χ
χ
X
2
didapat melalui Kai Kuadrat
( )
ft
ft fo
x
2
2

∑ ·
4. Cara Menghitungh Interpretasi terhadap Angka Indeks Korelasi Kontinensi
2
1 C
C

· φ
J. Teknik Korelasi Point Biserial
1. Pengertian dan Penggunaannya
Teknik Korelasi Point Biserial adalah salah satu tehnik analisa korelasional bivariat,
digunakan untuk mencari korelasi antara dua variabel; dimana variabel I berbentuk
variabel kontinum, sedangkan variabel II berbentuk diskrit murni. Selain itu, dapat
juga digunakan untuk mencari validitas item di mana tiap butir soal dikorelasikan
dengan skor hasil tes secara totalitas.
54
2. Lambangnya
Angka indeks korelasi yang menunjukkan keeratan hubungan antara variabel yang
satu dengan variabel yang lain, pada Teknik Korelasi ini dilambangkan dengan r
pbi
.
3. Rumusnya :
q
p
SD
Mt Mp
r
pbi

·
4. Cara Memberikan Interpreasti terhadap Angka Indeks Korelasi Point Biserial
Menggunakan tabel ”r” Product Moment dengan terlebih dahulu mencari df nya. Jika
r
pbi
yang diperoleh dalam hitungan ternyata sama dengan atau lebih besar dari pada r
tabel , maka dapat diambil kesimpulab bahwa kedua variabel yang sedang kita carai
korelasinya, ternyata signifikan memang berkorelasi. Jika r
pbi
lebih kecil daripada r
tabel berarti tidak ada korelasi signifikan.
55
BAB VII
MASALAH PERBEDAAN ANTAR VARIABEL
(TEKNIK ANALISA KOMPARASIONAL)
A. Pengertian Komparasi
Istilah “komparasi” berasal dari Bahasa Inggris, yaitu compare, comparability,
comparable, comparative dan comparison. Kata “compare” artinya “bandingan” atau “tara”;
“comparability” mengandung arti “sifat bisa diperbandingkan/disamakan”; “comparable”
berarti “sebanding”, atau “dapat dibandingkan/disamakan”; “comparative” artinya “yang
bertalian dengan perbandingan” sedangkan “comparison” berarti “perbandingan” atau
“pembandingan”. Istilah “komparasi” atau “komparasional” yang digunakan diambil dari
kata ”comparison” yang berarti ”perbandingan” atau ”pembandingan”.
B. Pengertian Teknik Analisa Komparasional
Berdasarkan pengertian di atas maka dapat diberikan pengertian tentang Teknik Analisa
Komparasi , yaitu salah satu teknik analisa kuantitatif atau salah stu teknik analisa statistik
yang dapat dipergunakan untuk menguji hipotesa mengenai ada-tidaknya perbedaan antar
variabel yang sedang diteliti
Teknik Analisa Komparasi termasuk dalam kelompok Metodde Analisa Statistik
Inferensial; dalam hal ini adalah teknik analisa inferensial yang dipergunakan untuk menguji
hipotesa dan selanjutnya menrik kesimpulan mengenai ada-tidaknya perbedaan yang
signifikan di antara variabel yang sedang diteliti.
D. Teknik Analisa Komparasi dan Penggolongannya
1. Teknik Analisa Komparasional Bivariat adalah Teknik Analisa Komparasional dengan
variabel diperbandingkan hanya dua buah saja.
Misalnya : Apakah terdapat perbedaan sikap keagamaan yang signifikan antara remaja
yang berdomisili di lingkungan masyarakat agraris dan remaja yang berdomisili di
lingkungan masyarakat industri.
2. Teknik Analisa Komparasional Multivariat adalah variabel yang diperbvandingkan itu
lebih dari dua buah, maka teknik analisanya
Misalnya : Apakah secara signifikan terdapat perbedaan sikap sosial dan sikap keagamaan
remaja yang orang tuanya berbeda status sosial dan tingkatan pendidikannya?
56
BAB VIII
Uji T
PENGERTIAN Uji T ( t Test)
Uji t atau t test adalah salah satu tes statistic yang dipergunakan untuk menguji
kebenaran hipotesis nihil yang menyatakan bahwa diantara dua buah mean sample yang
diambil secara random dari populasi yang sama, tidak terdapat perbedaan yang signifikan.
Para ahli statistic melalui berbagai macam penelitian dan eksperimentasi pada
akhirnya meyimpulkan bahwa besar kecilnya kesalahan sampling itu dapat diketahui dengan
melihat besar kecilnya angka standar yang disebut standard error of the mean (SE
M
), yang
dapat diperoleh dengan rumus:
1 −
·
N
SD
SE
M
SE
M
= besarnya kesesatan mean sample
SD = deviasi standar dari sample yang diteliti
N = number of cases (banyaknya subjek yang diteliti)
1 = bilangan konstan
standard error perbedaan mean dua sample dapat diperoleh dari rumus sebagai berikut:
2 2
2 1 2 1
M M M M
SE SE SE + ·

Untuk menolak atau menerima hipotesis nihil tentang ada atau tidak adanya perbedaan
dua mean sampel secara signifikan, kita harus mencari harga kritik “t”. di sini “t” merupakan
suatu angka atau koefisien yang melambangkan derajat perbedaan mean kedua kelompok
sampel yang sedang kita teliti. Besarnya “t” sama dengan selisih kedua mean sampel, dibagi
dengan standard error perbedaan dua mean sampel; atau apabila kita formulasikan ke dalam
bentuk rumus, adalah sebagai berikut:
t =
2 1
2 1
M M
SE
M M


PENGGOLONGAN TES ‘T’
Penggunaan tes ‘t’ sebagai salah satu teknik analisis komparasional bivariat harus
disesuaikan dengan keadaan saampel yang sedang kita selidiki (sedang dicari perbedaan
mean-nya). Berdasarkan keadaan samplenya itu, pada umumnya para ahli statistic
mengggolongkan tes ‘t’ menjadi dua macam, yaitu :
1. Tes “t” untuk sample kecil (N kurang dari 30)
57
2. Tes “t’’ untuk sample besar (N sama dengan atau lebih besar dari 30).
Tes “t” untuk sample kecil, dibedakan menjadi dua golongan, yaitu :
a. Tes “t” untuk sample kecil yang kedua sampelnya satu sama lain mempunyai hubungan.
b. Tes “t” untuk sample kecil yang kedua sampelnya satu sama lain tidak ada hibungannya.
Tes “t” untuk sample besar, juga dibedakan menjadi dua golongan, yakni :
a. Tes “t” untuk sample besar yang kedua sampelnya satu sama lain saling berhubungan.
b. Tes “t” untuk sample besar yang kedua sampelnya satu sama lain tidak saling
berhubungan.
PENGGUNAAN TES “T”
I. TES “T” UNTUK DUA SAMPLE KECIL YANG SALING
BERHUBUNGAN
1. Rumusnya
Rumus untuk mencari “t” atau t
o
dalam keadaan dua sample yang kecil (N kurang dari
30), sedangkan kedua sample satu sama lain mempunyai hubungan, adalah sebagai berikut :
t
o
=
D
M
D
SE
M
M
D
= Mean of difference nilai rata-rata hitung dari beda / selisih antara skor variable I dan
skor variable II, yang diperoleh dengan rumus :
M
D
=
N
D

∑D = jumlah beda / selisih antara skor variabeel I (variable X) dan skor variable II (variable
Y), dan D dapat diperoleh dengan rumus :
D = X – Y
N = Number of cases = jumlah subjek yang kita teliti.
SE
M
D

= standard error (standar kesesatan) dari mean of difference yang dapat diperoleh
dengan rumus :
SE
D
M
=
1 −

N
D
D
SD
D
= devuasi standar dari perbedaan antara skor variable I dan skor variable II, yang dapat
diperoleh dengan rumus :
SD
) (
) (
2 2
N
D
N
D
D
∑ ∑
− ·
N = number of cases
58
2. Langkah Perhitungannya
a. Mencari D (difference = perbedaan) antara skor variable I dan skor variable II. Jika
variable I kita beri lambang X sedang variable II kita beri lambang Y, maka : D = X –
Y.
b. Menjumlahkan D, sehingga diperoleh ∑D (tanda plus dan minus ikut diperhitungkan).
c. Mencari mean dari difference, dengan rumus : M
D
=
N
D

d. Menguadratkan D : setelah itu lalu dijumlahkan sehingga diperoleh ∑D
2
.
e. Mencari deviasi standar dari difference (SD
D
), dengan rumus :
SD
D
=
) (
) (
2
N
D
N
D
∑ ∑

f. Mencari standar error dari mean of difference, yaitu : SE
D
M dengan
menggunakan rumus:
SE
1 −
·
N
SD
D
M
D
g. Mencari t
o
dengan menggunakan rumus : t
o
=
D
M
D
SE
M
h. Memberikan interpretasi terhadap “t
o
” dengan prosedur sebagai berikut :
1) Merumuskan terlebih dahulu hipotesis alternative (H
a
) dan hipotesis nihilnya
(H
0
).
2) Menguji signifikansi t
o
, dengan cara membandingkan besarnya t
o
(“t” hasil
observasi atau “t” hasil perhitungan) dengan t
t
(harga kritik “t” yang tercantum
dalam table nilai “t”), dengan terlebih dahulu menetapkan degrees of freedom-
nya (df) atau derajat kebebasannya (db), yang dapat diperoleh dengan rumus :
df atau db = N – 1.
3) Mencari harga kritik “t” yang tercantum pada table nilai “t” dengan berpegang
pada df atau db yang telah diperoleh, baik pada taraf signifikansi 5% ataupun
taraf signifikansi 1%.
4) Melakukan pembandingan antara t
o
dengan t
t
, dengan patokan sebagai berikut:
(a) Jika t
o
lebih besar atau sama dengan t
t
maka hipotesis nihil ditolak;
sebaliknya hipotesis alternative diterima atau disetujui. Berarti kedua
59
variable yang sedang kita selidiki perbedaannya, secara signifikan memang
terdapat perbedaan.
(b) Jika t
o
lebih kecil daripada t
t
maka hipotesis nihil diterima atau disetujui;
sebaaliknya hipotesis alternative ditolak. Berarti bahwa perbedaan antara
variable I dan variable II itu bukanlah perbedaan yang berarti, atau bukan
perbedaan yang signifikan.
II. TES “T” UNTUK DUA SAMPLE KECIL YANG SATU SAMA LAIN
TIDAK ADA HUBUNGANNYA
1. Rumusnya
Rumus Pertama : t
2 1
2 1
M M
o
SE
M M
t


·
Rumus Kedua:
) 2 1
) 2 1
2 1
) 2
2
2
1
2 1
. (
(
) 2 (
(
N N
N N
N N
x x
M M
t
o
+

− +
+

·
∑ ∑
2. Langkah Perhitungannya
a. Untuk Rumus Pertama :
5) Mencari mean variable I (variable X), dengan rumus: M
x
atau M
1
=
1
N
x

6) Mencari mean variable II (variable Y), dengan rumus : M
y
atau M
2
=
2
N
Y

7) Mencari deviasi standar skor variable X dengan rumus: SD
x
atau SD
1
=
1
2
N
y

8) Mencari standard error mean variable Y dengan rumus: SD
y
atau SD
2
=
2
2
N
y

9) Mencari standar error mean variable X, dengan rumus: SD
1
1
1
1

·
N
SD
atauSE
M M
x
60
10) Mencari standard error mean variable Y, dengan rumus:
1
2
2
2

·
N
SD
atauSE SD
M M
x
11) Mencari standard error perbedaan antara mean variable X dan mean variable
Y, dengan rumus:
2 2
2
1
2 1
M
M
M M
SE SE SE + ·

12) Mencari t
o
dengan rumus yang telah disebutkan di atas.
13) Memberikan interpretasi terhadap t
o
dengan prosedur sebagai berikut :
a) Merumuskan hipotesis alternatifnya (H
a
): “ada (terdapat)
perbedaan mean yang signifkan antara variable X dan variable Y.”
b) Merumuskan hipotesis nihilnya (H
o
): “tidak ada (tidak terdapat
perbedaan mean yang signifikan antara variable X dan variable Y”).
14) Menguji kebenaran / kepalsuan ke dalam hipotesis tersebut di atas dengan
membandingkan besarnya t hasil,perhitungan (t
o
) dan t yang tercantum pada
table nilai “t”, dengan terlebih dahulu menetapkan degrees of freedomnya atau
derajat kebebasannya, dengan rumus: df atau db = (N
1
+ N
2
) – 2. dengan
diperolehnya df atau db, maka dapat dicari harga t
t
pada taraf signifikansi 5%
atau 1%. Jika t
o
sama besar atau lebih besar daripada t
t
maka H
o
ditolak; berarti
ada perbedaan mean yang signifikan di antara kedua variable yang kita
selidiki. Jika t
o
lebih kecil daripada t
t
maka H
o
diterima; berarti tidak terdapat
perbedaan mean yang signifikan antara variable I dan variable II.
b. Untuk Rumus Kedua
1) Mencari mean variable X
1
dengan rumus:
1
1
1
N
X
M

·
2) Mencari mean variable X
2
dengan rumus:
2
2
2
N
X
M

·
3) Mencari deviasi skor variable X
1
, dengan rumus: (jumlah X
1
dan ∑X
1
harus
sama dengan nol) 1
1
M X X − ·

4) Mencari skor variable X
2
, dengan rumus: 2
2
2
M X X − ·

5) Menguadratkan x
1,
lalu dijumlahkan; diperoleh
2
1 ∑
x

6) Menguadratkan x
2
, lalu dijumlahkan; diperoleh

2
2
x
7) Mencari t
o
dengan rumus seperti telah disebutkan di atas.
61
8) Memberikan interpretasi terhadap t
o
dengan mempergunakan table nilai “t”,
dengan cara yang sama seperti telah disebutkan di muka.
9) Menarik kesimpulan.
III. TES “T” UNTUK DUA SAMPLE BESAR YANG SATU SAMA LAIN
SALING BERHUBUNGAN
1. Rumusnya :
2 1
2 1
M M
o
SE
M M
t


·
2. Langkah Perhitungannya
a. Untuk Data Tunggal (Range-Nya Kurang Dari 30)
1) Mencari mean variable I (variable X):
N
fX
M

·
1
2) Mencari mean variable II (variable Y):
N
fY
M

·
2
3) Mencari deviasi standar variable I:
1
2
1
N
fx
SD

·
4) Mencari deviasi standar variable II:
2
2
2
N
fx
SD

·
5) Mencari standard error mean variable I:
1
1
1

·
N
SD
SE
M
6) Mencari standard error mean variable II:
1
2
2

·
N
SD
SE
M

7) Mencari koefisien korelasi “r” product moment (r
xy
atau r
12
), yang
menunjukkan kuat lemahnya hubungan (korelasi) antara variable I (variable
X) daaan variable II (variable Y) dengan bantuan peta korelasi (Scatter
Diagram):
) )( (
) )( (' '
' '
' '
12
y x
y x
xy
SD SD
N
C C y x
ataur r


·
8) Mencari standard error perbedaan mean antara sample I dan sample II:
) ( )( . 2 (
2 1 2 1 2 1
) 12
2 2
M M M M M M
SE SE r SE SE SE − + ·

9) Mencari t
o
dengan rumus:
2 1
2 1
M M
o
SE
M M
t


·
b. Untuk Data Kelompokan (Range Sama Atau Lebih Dari 30)
62
1) Mencari mean untuk variable I:
N
fX
i M M

+ ·
) ' (
'
1
2) Mencari mean untuk variable II:
N
fY
i M M

+ ·
) ' (
'
2
3) Mencari deviasi standar variable I:
) (
) ' ( '
2 2
1
N
fx
N
fx
i SD
∑ ∑
− ·
4) Mencari deviasi standar variable II:
) (
) ' ( '
2 2
2
N
fx
N
fx
i SD
∑ ∑
− ·
5) Mencari standard error mean variable I:
1
1
1

·
N
SD
SE
M
6) Mencari standard error mean variable II:
1
2
2

·
N
SD
SE
M
7) Mencari koefisien korelasi “r” product moment (r
xy
atau r
12
), yang
menunjukkan kuat lemahnya hubungan (korelasi) antara variable I dan variable
II (dengan bantuan peta korelasi), dengan rumus:
) )( (
) )( (
' '
' '
' '
12
y x
y x
xy
SD SD
C C
N
y x
ataur r

·

8) Mencari standar error perbedaan antara mean variable I dan mean variable II,
dengan rumus: ) )( )( . 2 (
2 1 2 1 2 1
12
2 2
M M M M M M
SE SE r SE SE SE − + ·

9) Mencari t
o
dengan rumus:
2 1
2 1
M M
o
SE
M M
t


·
selanjutnya baik untuk data tunggal maupun data kelompokan setelah
diperoleh harga t
o
, lalu diberikan interpretasi terhadap t
o
dengan prosedur kerja
sebagai berikut:
10) Mencari df atau db dengan rumus df atau db = N – 1.
11) Berdasarkan besarnya df atau db tersebut kita cari harga kritik “t” yang
tercantum dalam table nilai “t”, pada taraf signifikansi 5% dan taraf
signifikansi 1%, dengan catatan:
a) Apabila t
o
sama dengan atau lebih besar daripada t
t
maka
hipotesis nihil ditolak; berarti di antara kedua variable yang kita selidiki,
terdapat perbedaan mean yang signifikan.
63
b) Apabila t
o
lebih kecil daripada t
t
maka hipotesis nihil diterima
atau disetujui; berarti di antara kedua variable yang kita selidiki tidak
terdapat perbedaan mean yang signifikan.
12) menarik kesimpulan.
IV. TES “T” UNTUK DUA SAMPLE BESAR YANG SATU SAMA
LAIN TIDAK MEMPUNYAI HUBUNGAN
1. Rumusnya :
2 1
2 1
M M
o
SE
M M
t


·
2. Langkah Perhitungannya
a. Mencari mean variable X (variable I), dengan rumus:
) (
) ' (
'
1
N
fx
i M M

+ ·
b. Mencari mean variable Y (variable II), dengan rumus:
) (
) ' (
'
2
N
fy
M M

+ ·
c. Mencari deviasi standar variable I dengan rumus:
) (
) ' ( '
2
2
1
N
fx
N
fx
i SD
∑ ∑
− ·
d. Mencari deviasi standar variable II dengan rumus:
) (
) ' ( '
2 2
2
N
fy
N
fy
i SD
∑ ∑
− ·
e. Mencari standard error mean variable I dengan rumus:
1
1
1

·
N
SD
SE
M
f. Mencari standard error mean variable II dengan rumus:
1
2
2

·
N
SD
SE
M
g. Mencari standard error perbedaan mean variable I dan mean variable II dengan
Rumus:
2 2
2 1 2 1
M M M M
SE SE SE + ·

h. Mencari t
o
dengan rumus:
2 1
2 1
M M
o
SE
M M
t


·
64
BAB IX
UJI CHI KUADRAT ( )
2
χ
Uji Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara : frekuensi
observasi/yg benar-benar terjadi/aktual
A. Pengertian Frekuensi Observasi dan Frekuensi Harapan
Frekuensi observasi (o) → nilainya didapat dari hasil percobaan
Frekuensi harapan (e) → nilainya dapat dihitung secara teoritis
B. Bentuk Distribusi Chi Kuadrat (χ ²)
Nilai χ ² adalah nilai kuadrat karena itu nilai χ ² selalu positif.
Bentuk distribusi χ ² tergantung dari derajat bebas(v)/degree of freedom.
Perhatikan Tabel hal 178 dan 179 (Buku Statistika-2, Gunadarma).
Contoh :
Berapa nilai χ ² untuk v = 5 dengan α = 0.010? (15.0863)
Berapa nilai χ ² untuk v = 17 dengan α = 0.005? (35.7185)
Pengertian α pada Uji χ ² sama dengan pengujian hipotesis yang lain, yaitu luas daerah
penolakan
H
0
atau taraf nyata pengujian
Perhatikan gambar berikut :

α : luas daerah penolakan
H
0
= taraf nyata pengujian
0 + ∞
Pengunaan Uji χ ²
Uji χ ² dapat digunakan untuk :
a. Uji Kecocokan = Uji kebaikan-suai =Goodness of fit
65
b. Uji Kebebasan
c. Uji beberapa proporsi
RUMUS-NYA :
χ
2
2
1
·

·

( ) o e
e
i i
i i
k
Keterangann :
k : banyaknya kategori/sel, 1,2 ... k

o
i
: frekuensi observasi untuk kategori ke-i

e
i
: frekuensi ekspektasi untuk kategori ke-i
kaitkan dengan frekuensi ekspektasi dengan
nilai/perbandingan dalam
H
0
Derajat Bebas (v) = k – 1
C. Uji Kebebasan dan Uji Beberapa Proporsi
Uji kebebasan antara 2 variabel memiliki prinsip pengerjaan yang sama dengan pengujian
beberapa proporsi.
(Berbeda hanya pada penetapan Hipotesis awal dan hipotesis alternatif)
3.1 Penetapan Hipotesis Awal dan Hipotesis Alternatif
A. Uji Kebebasan :
H
0
: variabel-variabel saling bebas
H
1
: variabel-variabel tidak saling bebas
B Uji Beberapa Proporsi :
H
0
: setiap proporsi bernilai sama
H
1
: ada proporsi yang bernilai tidak sama
3.2 Rumus Uji χ
2
Data dalam pengujian ketergantungan dan beberapa proporsi disajikan dalam bentuk Tabel
Kontingensi.
Bentuk umum Tabel Kontingensi →berukuran r baris x k kolom
frekuensi harapan
total kolom total baris
total observasi

x

·
( ) ( )
χ
2
2
1
·

·

( )
,
,
o e
e
ij ij
ij i j
r k
derajat bebas = (r-1)(k-1)
r : banyak baris
66
k : banyak kolom
o
i j , : frekuensi observasi baris ke-i, kolom ke-j
e
i j , : frekuensi ekspektasi baris ke-i, kolom ke-j
D. MENGUJI KESAMAAN RATA-RATA POISSON
Misalkan ada k (k ≥ 2) buah distribusi poisson dengan parameter λ1, λ2, , ......, λk.
Akan diuji pasangan hipotesis.
Ho : λ
1
= λ
2
= ......= λ
k
H1 : paling sedikit satu tanda sama dengan tidak berlaku
Dari setiap popoulasi diambil sebuah sampel acak, berukuran n1 dari populasi kesatu,
n2 dari populsi kedua dan seterusnya berukuran nk dari populasi ke-k. Untuk setiap sampel
dihitung banyak peristiwa yang mengikuti distribusi poisson. Jika banyak peristiwa ini
dinyatakan dengan X
1
, X
2
,.......,X
k
maka rata-ratanya
k
X X X
X
k
+ + +
·
......
2 1
statistik yang digunakan untuk menguji hipotesis Ho adalah
( )
x
x x
i
2
2

∑ · χ
dari tolak Ho jika ( )( ) 1 1
2 2
− − ≥ k α χ χ dalam hal lainnya Ho diterima.
D. UJI INDEPENDEN ANTARA DUA FAKTOR
Asosiasi Antara dua Faktor dalam Daftar Kontingensi BxK
Secara umum untuk menguji independent antara dua faktor dapat dijelaskna sebagai
berikut:Misalkan sebuah sampel acak berukuran n telah diambil, dimana tiap pengamatan
tunggal diduga terjadi karena adanya dua macam faktor, ialah faktor I dan faktor II. Faktor I
terbagi atas B taraf dan faktor II terbagi atas K taraf. Banyak pengamatan yang terjadi taraf
ke-i faktor ke-I (i = 1, 2,......., B) dan taraf ke-j faktor ke-II (j = 1, 2,..., k) akan dinyatakan
dengan Oj. Hasilnya dapat dicatat dalam sebuah daftar kontingensi B X K
DAFTAR KONTINGENSI B/K
UNTUK HASIL PENGAMATAN TERDIRI ATAS DUA FAKTOR
FAKTOR
I (B
TARAF)
FAKTOR II (K TARAF)
JUMLAH 1 2 ............... K
O
11
O
12
.................
.
O
1K
N
10
O
21
O
22
O
2K
N
20
67
O
B1
O
B2
................. O
BK
N
80
JUMLAH N
01
N
02
................ n
OK
n
Pasangan hipotesis yang akan diuji berdsarkan data seperti dalam daftar diatas adalah
Ho : kedua faktor bebas statistik
H
1
: kedua faktor tidak bebas statistik
Pengujian secara eksak sukar digunakan, karenanya disini hanya kan dijelaskan pengujian
yang bersifat pendekatan. Untuk ini diperlukan frekuansi teoritik atau banyak gejala yang
diharapkan terjadi yang disini akan dinyatakan dengan Eii. Rumusnya adalah:
Eij = (nio x noj)/n
Dengan nio = jumlah baris ke-i
noj = jumlah kolom ke-j
demikianlah misalnya didapat :
E
11
= (n
10
x n
01
)/n : E
12
= (n
10
x n
02
)/n
E
21
= (n
20
x n
01
)/n : E
22
= (n
20
x n
02
)/n
Dan seterusnya.
Jelas bahwa n = n
10
+ n
20
+ .....+n
BO
= n
01
+ n
02
+ ....+ n
OK
Statistik yang digunakan untuk menguji hipotesis diatas adalah

( )
i j i j i j
K
j
B
j i
E E O /
2
1
2
− ∑ ∑ ·
− ·
χ

dan tolak Ho jika ( ) ( )( ) { } 1 1 1
2
− − − K B α χ
dalam taraf nyata = α dan derajat kebebasan dk untuk distribusi chi kuadrat = ( B- K)( K –
1 ).
Dalam hal lainnya kita terima hipotesis Ho.
Metode Khusus untuk Daftar Kontingensi 2 x 2
Jika daftar kontingensi berukuran 2 x 2 maka untuk pengujian hipotesis digunkan distribusi
chikuadrat dengan derajat kebebasan satu. Ternyata bahwa untuk hal ini koreksi kontiunitas
perlu digunakan dan telah ditemukan dengan nama koreksi Yates, yaitu setiap harga mutlak I
Oij – Eij I dikurangi dengan setengah.
Hasil pengamatan yang dapat dicantumkan dalam daftar kontingensi 2 x 2 adalah seperti
dibawah ini.
Faktor kedua
Faktor kesatu
Taraf 1
Taraf 1 Taraf 2 jumlah
A b a + b
Taraf 2 C d c + d
jumlah a + c b + d n
68
Jelas bahwa n = a + b + c + d
Rumus X
2
untuk hal ini bersama-sama dengan memperhitungkan koreksi Yates tersebut diatas
adalah:
( )
( )( )( )( ) d c d b c a b a
n bc ad n
+ + + +
− − Ι − Ι
·
2
2
2 / 1
χ
hipotesis yang akan diuji adalah:
Ho : kedua faktor independen
Hi : kedua faktor tidak independent
Dan tolak Ho jika X
( )( ) 1 1 α χ χ − ≥
dengan α taraf nyata dan dk = 1.
F. PENGGOLONGAN TES CHI KUADRAT
Cara untuki mencari atau rumus untuk menghitung chi kuadrat, ada 6 macam
penggolongan, yaitu disesuaikan dengan keadaan data atau maksud penggunaannya.
1. Tes chi kuadrat untuk menguji atau mengetes perbedaan frekuensi variabel tunggal.
Rumusnya:
( ) ( )
........ ..........
0
2
0 2
+

+

∑ ·
t
t
t
t
f
f f
f
f f
χ
0
f
= frekuensi yang diobservasi = frekuensi yang diperoleh dalam penelitian =
frekuensi sebagaimana yang nampak dihadapan kita.
t
f
= frekuensi teoritik = frekuensi yang diharapkan jika seandainya tidak terdapat
perbedaan frekuensi = perbedaan tidak ada atau saam dengan nol.
2. Tes chi kuadrat untuk menguji atau mengetes perbedaan frekuensi variabel ganda, di
mana sel-selnya berfrekuensi 10 atau lebih dari 10.
Rumusnya: Apabila variabel yang akan kita cari perbedaan frekuensinya adalah
variabel ganda dan sel-selnya berfrekuensi 10 atau lebih dari 10 maka sebagaimana
dikemukakan oleh Henry E. Garret,rumus yang dipergunakan adalah:
( )
( )( )( )( ) D B C A D C B A
BC AD N
+ + + +

·
2
2
χ
N = Number of case
A, B, C, D, masing-masing adalah lambang bagi sel yang terdapat pada tabel
kontingensi, yaitu sel petama, kedua, ketiga, dan keempat( dengan kata lain tabel kerja
kita adalah berbentuk tabel 2 x 2)
69
3. Tes chi kuadrat untuk menguji atau mengetes perbedaan frekuensi variabel ganda,
dimana terdapat sel yang berfrekuensi kurang dari 10 ( dengan koreksi Yates )
Rumusnya:
Jika diantara sel-sel dalam tabel kontingensi kita terdapat sel yang berfrekuensi kurang
dari 10, maka dalam perhitungan untuk memperoleh harga kai kuadrat, perlu
dilakukan koreksi yaitu dengan menggunakan Rumus koreksi Yates sebagai berikut:
( )
( )( )( )( ) D B C A D C B A
N
BC AD N
+ + + +
1
]
1

¸

− −
·
2
2
2
χ
4. Tes chi kuadrat untuk menguji atau mengetes perbedaan persentase.
Rumusnya;
Rumus chi kuadrat yang kita perguankan disini sama dengan rumus-rumus chi kuadrat
yang telah dikemukakan terdahulu. Karena itiu sebelum diberikan interpretasi
terhadap chi kuadrat harus kita ubah terlebih dahulu kedalam bentuk ngka frekuensi
dengan rumus:
100
%
2 2
N
Χ · χ χ
5. Tes chi kuadrat untuk menguji atau mengetes signifikansi korelasi.
Rumus yang kita pergunakan adalah
( )
t
t
f
f f
2
0 2

∑ · χ
6. Tes chi kuadrat untuk menguji atau mengetes signifikansi Normalitas Distribusi
Frekuensi.Chi kuadrat juga dapat digunakan untuk mengetes signifikansi normalitas
distribusi yaitu untuk menguji hipotesa nihil yang menyatakan bahwa frekuensi yang
diobservasi dari ditribusi nilai-nilai yang sedang diselidiki normalitas ditribusinya,
tidak menyimpang secara signifikan dari frekuensi teiritiknya dalam distribusi normal
teoritik.
BAB X
ANAVA (Analisis Varian)
70
a. Uji Perbedaan Rata-Rata Beberapa Sampel dengan Menggunakan ANAVA Satu
Arah
Analisis varian (ANAVA) satu arah digunakan pada situasi dimana beberapa
sample/sub sample dipilih secara acak dari kelompok utamanya dan seluruhnya merupakan
subjek untuk mendapatkan perlakuan yang tidak sama.
Jumlah kuadrat penyimpangan total, yakni jumlah kuadran selisih antara skor
individual dengan rata-rata totalnya dirumuskan:
SSt = SSb + SSw
Dimana:
Ho : µi = µj untuk semua i dan j
Hi : µi γ µj untuk sebagian i dan j dimana i tidak sama dengan j
Jika pada uji t kemungkinan error jenis I = α maka pada ANAVA kemungkinan error
jenis I = 1 – (1- α)
N
(experimental wise alpha level)
) 1 ( ... ) 1 ( ) 1 (
...
2 1
2 2
2
2
1 2
− + + − + −
Σ + + Σ + Σ
·
k
k
n n n
x x x
ζ
x
i
= (Xi - M)
Error baku rata-rata
N
M
ζ
ζ ·

Jika dikuadratkan:
1
) (
2
2

− Σ
·
k
M Mi
M ζ
Dimana:
Mi = rata-rata subjek kelompok I
M = rata-rata keseluruhan
k = jumlah subkelompok
k – 1 = df dalam penentuan varian distribusi rata-rata sebenarnya, yaitu:
1
) (
2 2

− Σ
·
k
M Mi
N
ζ
Atau
1
) ( .
2
2

− Σ
·
k
M Mi N
ζ
k-1 = df dalam penentuan varian populasi σ
2
kiraan antara kelompoknya
Rumus ini untuk menentukan varian sebenarnya yang diperkirakan dari variabilitas rata-rata
subkelompoknya.
Varian kiraan adalah perbandingan jumlah kuadrat skor deviasi dengan nilai
derajat bebasnya, maka N.∑(Mi - M)
2
sama dengan jumlah kuadrat untuk varian kiraan antara
kelompok yang merupakan varian populasi sebenarnya, sesuai dengan va Dalam ANAVA,
71
varian yang merupakan hasil bagi SS dengan df dikenal sebagai deviasi rata-rata kuadrat
(mean squared deviation) disingkat dengan MS.
SSW K
W
W
SSb K
b
b
K
d
SS
MS
d
SS
MS
d
SS
MS


·
·
·
Dalam ANAVA, beberapa rata-rata dibandingan dengan serentak, sehingga
distribusi F dipakai sekaligus diuji signifikansinya, dimana:
w
b
MS
MS
F ·
F signifikan, maka h
o
ditolak, atau F tidak signifikan, maka h
o
dipertahankan. riabel
eksperimennya.
Uji-t setelah Uji-F ANAVA Satu Arah
Uji-t dilakukan untuk membandingkan rata-rata setiap subsampel. Pengujian ini tidak
dianjurkan karena di dalam banyak uji-t yang dilakukan untuk mencapai hasil signifikan
diharapkan akan terjadi kesalahan dengan persentasi tertentu setiap sampling secara acak dari
populasi dengan rata-rata dan variansi yang sama.
Dalam ANAVA satu arah yang melibatkan lebih dari dua kelompok, uji-f yang
signifikan menjadikan penolakan untuk keseluruhan hipotesis perbedaan rata-ratanya. Uji-F
signifikan memiliki arti bahwa paling tidak ada satu pasang rata-rata berbeda secara statistik,
tetapi tidak menunjukkan pasangan mana yang berbeda secara signifikan. Uji-F dalam
ANAVA adalah untuk untuk menguji keseluruhan. Sebagai hasilnya, keseluruhan uji-F tidak
menarik atau tidak berguna untuk kebanyakan peneliti. Secara umum, ketertarikan para
peneliti terletak pada perbedaan antara rata-rata kelompok tertentu saja. Contohnya, peneliti
pasar ingin membandingkan peningkatan dalam penjualan yang disebabkan karena tiga
macam rencana peningkatan: (1) membeli satu mendapatkan barang kedua dengan harga
setengahnya, dan (2) membeli dua dengan harga biasa dan mendapatkan satu gratis, tentu saja
yang (3) dengan harga biasanya.
Metode Perbandingan Ganda Uji-T Guna Pembandingan Rata-Rata
Rumus uji-t dalam perbandingan ganda adalah:

] . / ) [(
0
2
j i j i
j i
ij
n n n n w
M M
t
+
− −
·
ζ
Dimana:
72
t
ij
= nilai t terhitung untuk membandingkan rata-rata kelompok i dengan kelompok j
M
i
, M
j
= masing-masing rata-rata kelompok i dan j
ζ
W
2
= kuadrat rata-rata untuk dalam-kelompok, dan
ni, nj = masing-masing ukuran sampel untuk kelompok i dan j.
Nilai ζ
W
2
didapatkan dari tabel rangkuman ANAVA dalam kolom ‘kuadrat rata-rata’ (MS) dan
baris ‘dalam-kelompok’. Perkiraan ini didapatkan dengan mengelompokkan semua jumlah
kuadratnya dan dibagi dengan kelompok derajat bebasnya. Nilai t dievaluasi pada level α,
derajat bebas dan nilai kritis tertentu yang didapat dari tabel t-kritis.
Uji Perbandingan Ganda HSD Tukey
Perbandingan antara dua rata-rata kelompok akan signifikan jika harga absolut
beda di antara kedua rata-rata lebih besar dari nilai HSD (Honestly Significant Difference).
HSD = q
k.v
√ζ
W
2
/n
q
k.v
= nilai ‘studentized range statistic’
ζ
W
2
= varian kiraan kelompok
n = jumlah subjek dalam tiap kelompok
Nilai q didapatkan dari tabel distribusi ‘studentized Range Statistic’. Diketahui rata-rata k
berdasarkan pada n yang sama, rentang studentized q adalah perbedaan antara rata-rata
terbesar dikurangi dengan rata-rata terkecil dibagi dengan kiraan error baku. Jika besarnya k
berbeda dan df serta ζ
W
2
berasosiasi, rentang studentized dapat ditentukan. Agar dapat
menggunakan tabel distribusi q, maka harus diketahui tingkat signifikansi (α), derajat bebas
untuk dalam-kelompok v = (N
T
- k), dan jumlah kelompok (k).N
T
adalah jumlah total
pengamatan dan n adalah ukuran sampel untuk tiap kelompok.
BAB XI
ANAVA DUA ARAH
73
ANAVA dua arah menguji pengaruh serentak dua variabel bebas atau faktor-faktor
eksperimen pada suatu variabel terikat. Tiap variabel bebas memiliki dua atau lebih tingkatan
(kelompok).
Verifikasi Jumlah Kuadrat Interaksi
Jumlah kuadrat interaksi harus dihitung dengan cara lain guna meyakini bahwa
metode perhitungan data telah memberikan hasil yang benar. Deviasi rata-rata subkelompok
dari deviasi keseluruhan (Mi - M) dapat dipandang sebagai yang memiliki pengaruh baris
(M
Ri
- M), pengaruh kolom (M
Ci
- M), dan pengaruh interaksi. Guna mendapatkan perbedaan
deviasi yang disebabkan karena interaksi, kurangkan dengan kedua pengaruh lainnya:
(Mi - M) - (M
Ri
- M) - (M
Ci
- M) = Mi – M
Ri
– M
Ci
+ M
(penyimpangan karena interaksi)
Jumlah kuadrat interaksi akan didapatkan seperti halnya jumlah skor deviasi
kuadrat lainnya, yaitu dengan mengkuadratkan deviasi karena interaksi dan mengalikannya
dengan jumlah kasus (n), sehingga didapatkan:

+ − −
k
Ci Ri
M M M Mi n
1
2
) ( .
Pengecekan bebas pada jumlah kuadrat interaksi untuk 6 subkelompok:
(9.30 – 12.17 – 11.15 + 11.15)
2
= (-2.87)
2
= 8.24
(13.70 – 12.17 – 11.25 + 11.15)
2
= (1.43)
2
= 2.04
(13.50 – 12.17 – 11.05 + 11.15)
2
= (1.43)
2
= 2.04
(13.00 – 10.13 – 11.15 + 11.15)
2
= (2.87)
2
= 8.24
(8.80 – 10.13 – 11.25 + 11.15)
2
= (-1.43)
2
= 2.04
(8.60 – 10.13 – 11.05 + 11.15)
2
= (-1.43)
2
= 2.04
∑ = 24.64
n.∑(Mi – M
Ri
– M
Ci
+ M)
2
= 10(24.64) = 246.4
Metode Perbandingan Ganda Uji-t Guna Membandingkan Rata-rata Diagram Dua
Arah
Kolom Faktor L
1 2 3 . . . I j . . . n Rata-
74
Baris
Faktor K
Rata-rata
Kolom
rata
Baris
1 M
K1
Rata-
rata
Faktor
K
2 M
K2
3 M
K3
. Rata-rata Sel dan Sel Individu .
. .
. .
I M
Ki
J M
Kj
. .
. .
M M
Km
M
L
1
M
L
2
M
L
3
. . . M
L
i
M
Lj
. . . M
Ln
Rata-
rata
Semua,
M
Rata-rata Faktor L
Untuk membandingkan setiap dua rata-rata baris (setiap dua rata-rata
subkelompok dalam faktor K). Rumus yang digunakan adalah:
] . / ) [(
0
2
Kj Ki Kj Ki w
Kj Ki
N N N N
M M
t
+
− −
·
ζ

Dimana:
t
ij
= nilai t terhitung untuk membandingkan rata-rata kelompok i dengan kelompok j
M
Ki
, M
Kj
= masing-masing rata-rata subkelompok faktor K pada tingkatan i dan j
2
w
ζ = varian dalam kelompok, dan
N
Ki
, N
Kj
= masing-masing ukuran sampel untuk subkelompok i dan j dari faktor K
Rumus ini juga digunakan untuk membandingkan tiap dua rata-rata kolom (tiap
rata-rata dua subkelompok dalam faktor L), huruf L menggantikan K dalam rumus, sehingga
menjadi:
75
] . / ) [(
0
2
Lj Li Lj Li w
Lj Li
N N N N
M M
t
+
− −
·
ζ
Tiap nilai t yang didapatkan dievaluasi terhadap nilai t kritis yang didapatkan dari tabel
dengan derajat bebas untuk sumber varian dalam kelompok.
Untuk soal sebelumnya pada tabel didapatkan sumber baris signifikan secara
statistik. Dengan menggunakan uji t dapat diuji perbedaan rata-rata antara metode kuliah dan
diskusi. Dengan menggunakan rumus di atas, dimana:
M
R1
= 12.7; M
R2
= 10.13;
2
w
ζ = 11.90; df = 54; N
R1
= 30; N
R2
= 30
Didapatkan:
29 . 2
891 . 0
04 . 2
7937 . 0
04 . 2
) 0667 . 0 ( 90 . 11
04 . 2
] 30 * 30 / ) 30 30 [( 90 . 11
13 . 10 17 . 12
· · · ·
+

· t
Uji Perbandingan Ganda HSD Tukey
Penggunaan HSD Tukey pada ANAVA dua arah bergantung pada bagaimana rata-
rata diartikan, yaitu perbandingan didapat antara rata-rata sel individual atau antara rata-rata
subkelompok (tingkatan variabel bebasnya). Perbandingan mengambil bentuk beda skor di
antara rata-rata. Perbedaan skor signifikan secara statistik jika harga absolut beda di antara
rata-rata lebih besar dari nilai HSD (Honestly Significant Difference).
HSD = q
k.v
√ζ
W
2
/n
q
k.v
= nilai ‘studentized range statistic’
ζ
W
2
= varian kiraan kelompok
n = jumlah subjek dalam tiap kelompok
Nilai q didapatkan dari tabel distribusi ‘studentized Range Statistic’ menggunakan derajat
bebas dalam kelompok (N
T
- k). Harga k berbeda-beda bergantung pada apakah
perbandingannya adalah antara rata-rata sel individual atau rata-rata subkelompok. Harga k
untuk membandingkan pasangan rata-rata tingkatan (subkelompok) yang berbeda dari
variabel bebasnya sama dengan jumlah tingkatan (subkelompok) dalam variabel bebasnya
(faktor eksperimen). Harga k untuk membandingkan pasangan rata-rata sel individual sama
dengan jumlah total sel atau kombinasi faktor eksperimen. Contohnya, pada data sebelumnya,
jika peneliti ingin membandingkan beda di antara rata-rata metode diskusi dan kuliah, maka
harga k adalah 2. Pada kasus dimana besar n tidak sama, tetapi tidak terlalu jauh bedanya,
rata-rata harmonik n menggantikannya.
)] / 1 ( ... ) / 1 ( ) / 1 [(
2 1 k
h
n n n
k
n
+ + +
·
76
Contoh:
Menggunakan data soal sebelumnya, M
R1
(rata-rata baris 1 = rata-rata metode
diskusi) = 12.7 dibandingkan dengan M
R2
(rata-rata baris 2 = rata-rata metode kuliah) = 10.13,
bedanya adalah 12.17 – 10.13 = 2.04.
N
T
= 60, k = 2, ζ
W
2
= 11.90, n = 10
q
.05.54
= 2.84; q
.01.54
= 3.79
Jadi, HSD.
05
= 2.84√(11.90/10) = 2.84√1.19 = 2.84 * 1.091 = 3.098
Nilai yang didapat = 3.098 lebih besar dari nilai kritisnya 2.04. Jadi, hipotesis tidak ada
perbedaan di antara rata-ratanya tidak dapat ditolak.
Dalam membandingkan M
12
= 13.7 dengan M
23
= 8.6, bedanya adalah 5.1. Maka
untuk q
.05.54
= 4.18, k = 6, HSDnya adalah (4.18)(1.091) = 4.56. Karena 5.1 lebih besar dari
4.56, hipotesis tidak ada perbedaan di antara rata-ratanya ditolak. Skor mahasiswa lebih tinggi
dengan Dosen B yang menggunakan metode diskusi daripada Dosen C yang menggunakan
metode kuliah.
SIMPANGAN BAKU
Barangkali ukuran simpangan yang paling banyak digunakan adalah simpangan baku
atau deviasi standar.Pangkat dua dari simpangan baku dinamakan varians. Untuk sampel,
simpangan baku diberi simbol s, sedangkan populasi diberi simbol σ (baca: sigma).
Variansnya tentulah s
2
untuk varians sampel dan σ
2
untuk varians populasi. Jelasnya, s dan s
2
merupakan statistik sedangkan σ dan σ
2
parameter.
Jika kita mempunyai sampel berukuran n dengan data x
1
, x
2
, … , x
n
, dan rata-rata (
x ), maka statistik s2 dihitung dengan:
V(5)…………………………
2
1
) (
2


·

n
x x
s
i
Dengan menggunakan rumus V(5) didapat:
5 . 7
4
30
2
· · s
sehingga s = √7.5 = 2.74
Bentuk lain untuk rumus varians sampel adalah;
V(6)…………………………
) 1 (
) (
2 2
2


·
∑ ∑
n n
x x n
s
i i
Pada rumus di atas tampak bahwa tidak perlu dihitung dulu rata-rata ( x ), tetapi
cukup menggunakan nilai data aslinya berupa jumlah nilai data dan jumlah kuadratnya. Jika
digunakan untuk data di atas, maka dari tabel berikut ini dihasikan:
x
i
x
i
2
8
7
64
49
77
10
11
4
100
121
16
40 = ∑ x
i
350 = ∑x
i
2
∑ x
i
= 40 dan ∑x
i
2
= 350. Dengan n = 5, dari rumus V(6) didapat varians:
5 . 7
4 * 5
) 40 ( 350 * 5
2
2
·

· s dan simpangan baku (s) = √7.5 = 2.74
Sangat dianjurkan untuk menghitung simpangan baku dengan menggunakan
rumus V(6) karena kekeliruannya lebih kecil.
Jika data dari sampel telah disusun dalam daftar distribusi frekuensi, maka untuk
menentukan varians s
2
dipakai rumus:
V(7)…………………………
2
1
) (
2


·

n
x x f
s
i i
Atau lebih baik menggunakan rumus:
V(8)…………………………
) 1 (
) ( .
2 2
2


·
∑ ∑
n n
x f x f n
s
i i i i
Hasilnya berbeda dengan hasil dari rumus V(7) karena x yang digunakan di
rumus V(7) telah dibulatkan hingga satu desimal.
Cara singkat atau cara sandi seperti ketika kita menghitung rata-rata ( x ) dapat
digunakan untuk menghitung varians sehingga perhitungannya akan lebih sederhana.
Rumusnya adalah:
V(9)…………………………

,
_

¸
¸


·
∑ ∑
) 1 (
) ( .
2 2
2
2
n n
c f c f n
p s
i i i i
Dimana p = panjang kelas interval
ci = nilai sandi, dan
n = ∑f
i

Selanjutnya, sebagaimana halnya dalam rata-rata kita dapat menghitungan rata-rata
gabungan, maka untuk simpangan baku pun kita dapat menentukan simpangan baku
gabungan. Jika ada k buah subsampel dengan keadaan berikut:
Subsampel 1: berukuran n
1
dengan simpangan baku s
1
Subsampel 2: berukuran n
2
dengan simpangan baku s
2
Subsampel k: berukuran n
k
dengan simpangan baku s
k
Yang digabungkan menjadi sebuah sampel berukuran n = n
1
+ n
2
+ … + n
k
, maka simpangan
baku untuk sampel ini merupakan simpangan baku gabungan yang dihitung dengan rumus:
78
V(10)………………………




·
k n
s n
s
1
2
1 1
) 1 (
2
Atau lengkapnya:
k n n n
s n s n s n
s
k
k k
− + + +
− + + − + −
·
...
) 1 ( ... ) 1 ( ) 1 (
2 1
2 2
2 2
2
1 1
2
BILANGAN BAKU DAN KOEFISIEN VARIASI
Misalkan kita mempunyai sebuah sampel berukuran n dengan data x
1
, x
2
, ..., x
n
,
sedangkan rata-ratanya = x , dan simpangan baku = s. Dari sini kita dapat membentuk data
baru z
1
, z
2
, …, z
n
dengan rumus:
V(11)………………………
s
x x
z
i
i

· untuk i = 1, 2, …, n
Jadi, diperoleh penyimpangan atau deviasi data dari rata-rata dinyatakan dalam
satuan simpangan baku. Bilangan yang didapat dinamakan bilangan z. Variabel z
1
, z
2
, …, z
n
ternyata mempunyai rata-rata = 0 dan simpangan baku = 1.
Dalam penggunaannya, bilangan z ini sering diubah menjadi keadaan atau model
baru, atau tepatnya distribusi baru, yang mempunyai rata-rata x
0
dan simpangan baku s
0
yang ditentukan. Bilangan yang diperoleh dengan cara ini dinamakan bilangan baku atau
bilangan standar dengan rata-rata x
0
dan simpangan baku s
0
dengan rumus:
V(12)………………………

,
_

¸
¸

+ ·
s
x x
s x z
i
i 0
0

Perhatikan bahwa untuk x
0
= 0 dan s
0
= 1, rumus V(12) menjadi rumus V(11), sehingga
bilangan z sering pula disebut bilangan standar.
Ukuran variasi atau dispersi yang diuraikan dalam bagian-bagian lalu merupakan
dispersi absolut. Variasi 5 cm untuk ukuran jarak 100 m dan variasi 5 cm untuk ukuran jarak
20 m jelas mempunyai pengaruh yang berlainan. Untuk mengukur pengaruh tersebut dan
untuk membandingkan variasi antara nilai-nilai besar dan nilai-nilai kecil, digunakan dispersi
relatif yang ditentukan oleh:
V(13)………………………
rata Rata
solut DispersiAb
latif Dispersi

· Re

Jika untuk dispersi absolut diambil simpangan baku, maka didapat koefisien
variasi (disingkat KV) dengan rumus yang dinyatakan dalam persen, berbentuk:
V(14)………………………
% 100 *
rata Rata
aku SimpanganB
KV

·

79
Koefisien variasi tidak bergantung pada satuan yang digunakan, karenanya dapat
dipakai untuk membandingkan variasi relatif beberapa kumpulan data dengan satuan yang
berbeda.
1. ANALISIS VARIAN
Kita lihat juga bahwa varians bersama rata-rata telah banyak digunakan untuk
membuat kesimpulan mengenai populasi, baik secara deskriptif maupun secara induktif
melalui penaksiran dan pengujian hipotesis mengenai parameter.
Dalam bab ini, varians akan dibahas lebih lanjut dengan terlebih dahulu melihat
berbagai jenis varians kemudian menggunakannya untuk pengujian hipotesis melalui teknik
analisis varians, disingkat ANAVA (Analisis Varians).
2. JENIS VARIAN
Telah kita kenal beberapa jenis varians seperti varians sampel (s
2
) dan varians populasi

2
). Varians untuk sekumpulan data ini melukiskan derajat perbedaan atau variasi nilai data
individu yang ada dalam kelompok atau kumpulan data tersebut. Variasi ini dihitung dari nilai
rata-rata kumpulan data. Selanjutnya, kita juga telah mengenal varians sampling berbagai
statistik, untuk rata-rata diberi lambang
x
2
σ
, untuk proporsi diberi lambang
n x /
2
σ
dan
untuk statistik lainnya.
Secara umum varians dapat digolongkan ke dalam :
1. Varians sistematik adalah varians pengukuran karena adanya pengaruh yang
menyebabkan skor atau nilai data lebih condong ke satu arah tertentu
dibandingkan ke arah lain.
2. Varian Galat
ANALISIS VARIANS SATU ARAH
Cara menguji kesamaan dua rata-rata populasi yang masing-masing berdistribusi
independen, berdistribusi normal, dan memiliki varians yang homogen, digunakan uji t jika
kedua varians tidak diketahui, dan uji z jika kedua varians diketahui. Sekarang kita akan
membahas perluasannya, yaitu menguji kesamaan k, (k > 2), buah rata-rata populasi.
Tepatnya, misalkan kita mempunyai k, (k > 2), buah populasi yang masing-masing
berdistribusi independen dan normal dengan rata-rata µ
1
, µ
2
, …, µ
k
dan simpangan baku
berturut-turut σ
1
, σ
2
, …, σ
k
. Akan diuji hipotesis nol H
0
dengan tandingan H
1
:
H
0
: µ
1 =
µ
2 = … =
µ
k
80
Untuk menguji H
O
dan melawan H
1
kita akan menggunakan varians antar kelompok dan
varians dalam kelompok. Dengan persyaratan tentang populasi seperti tersebut di atas,
ternyata bahwa rasio varians antar kelompok terhadap varians dalam kelompok membentuk
statistik F, tepatnya:
XIV(2)………………
kelompok dalam ians
kelompok antar ians
F
var
var
·

Statistik F inilah yang digunakan untuk menguji H
0
.
Jika kedua varians dalam statistik F di atas dituliskan menggunakan jumlah
kuadrat, maka rumus XIV(2) untuk menguji H
0
berubah menjadi:
XIV(3)………………
{ }
∑ ∑ ∑

· · ·
·
− −
− −
·
k
i
k
i
i
n
j
i ij
k
i
i i
n Y Y
k Y Y n
F
i
1 1 1
2
1
2
) 1 ( / ) (
) 1 /( ) (

Dimana:
Y
ij
= data ke-j dalam sampel ke-i
i = 1,2, …, k dan j = 1,2, …, n
1

(n
i
= ukuran sampel dari populasi ke-i)
i Y =

·
i
n
j
i ij
n Y
1
/
= rata-rata untuk sampel ke-i
Y =
∑ ∑ ∑
· · ·
k
i
n
j
k
i
i j
i
n Yi
1 1 1
= rata-rata untuk semua data
Jika tiap JK dibagi derajat kebebasannya masing-masing, diperoleh varians untuk
masing-masing sumber variasi yang disini disebut kuadrat tengah (KT). Dengan jalan
membagi KT antar kelompok dengan KT dalam kelompok, maka diperoleh harga:
XIV(4)……………….…………



·
) 1 ( /
) 1 ( /
i y
y
n D
k A
F

Yang dapat digunakan untuk menguji hipotesis kesamaan beberapa rata-rata populasi. Jika
harga F ini lebih besar dari F daftar dengan dk pembilang (k-1) dan dk penyebut ∑ (n
i
- 1)
untuk α yang dipilih, maka hipotesis nol (H
0
) ditolak.
Untuk memudahkan analisis, satuan-satuan JK ialah: R
y
, A
y
, D
y,
dan ∑ Y
2
,
sebaiknya disusun dalam daftar ANAVA berikut:
Daftar ANAVA untuk Menguji H
O
: µ
1 =
µ
2 = … =
µ
k
(Populasi Normal Homogen)
81
Sumber Variasi dk JK KT F
Rata-rata
Antar Kelompok
Dalam Kelompok
1
k-1
∑ (n
i
- 1)
R
y
A
y
D
y
R = R
y
/1
A = A
y
/(k-1)
D = D
y
/∑(n
i
-1)
A/D
Total ∑ n
i
∑Y
2
- -
BAB XII
REGRESI & KORELASI LINIER SEDERHANA
Gagasan perhitungan ditetapkan oleh Sir Francis Galton (1822-1911)
1 • Persamaan regresi :Persamaan matematik yang memungkinkan peramalan nilai suatu
peubah takbebas (dependent variable) dari nilai peubah bebas
(independent variable)
1 • Diagram Pencar = Scatter Diagram
Diagram yang menggambarkan nilai-nilai observasi peubah takbebas dan peubah
bebas.
82
Nilai peubah bebas ditulis pada sumbu X (sumbu horizontal)
Nilai peubah takbebas ditulis pada sumbu Y (sumbu vertikal)
Nilai peubah takbebas ditentukan oleh nilai peubah bebas
Anda sudah dapat menentukan mana peubah takbebas dan peubah bebas?
Contoh 1:
Umur Vs Tinggi Tanaman (X : Umur, Y : Tinggi)
Biaya Promosi Vs Volume penjualan (X : Biaya Promosi, Y : Vol. penjualan)
1 • Jenis-jenis Persamaan Regresi : a. Regresi Linier :
- Regresi Linier Sederhana
- Regresi Linier Berganda
b. Regresi Nonlinier
- Regresi Eksponensial
1 • Regresi Linier
- Bentuk Umum Regresi Linier Sederhana
Y = a + bX
Y : peubah takbebas
X : peubah bebas
a : konstanta
b : kemiringan
- Bentuk Umum Regresi Linier Berganda
Y = a + b
1
X
1
+ b
2
X
2
+ ...+ b
n
X
n
Y : peubah takbebas a : konstanta
X
1
: peubah bebas ke-1 b
1
: kemiringan ke-1
X
2
: peubah bebas ke-2 b
2
: kemiringan ke-2
X
n
: peubah bebas ke-n b
n
: kemiringan ke-n
1 Regresi Non Linier
- Bentuk umum Regresi Eksponensial
Y = ab
x
log Y = log a + (log b) x
2. Regresi Linier Sederhana
1 • Metode Kuadrat terkecil (least square method): metode paling populer untuk
menetapkan persamaan regresi linier sederhana
- Bentuk Umum Regresi Linier Sederhana :
83
Y = a + bX
Y : peubah takbebas X : peubah bebas
a : konstanta b : kemiringan
Nilai b dapat positif (+) dapat negartif (-)
1 b.Penetapan Persamaan Regresi Linier Sederhana
n : banyak pasangan data
y
i
: nilai peubah takbebas Y ke-i
x
i
: nilai peubah bebas X ke-i

3. Korelasi Linier Sederhana
 Koefisien Korelasi (r) : ukuran hubungan linier peubah X dan Y Nilai r berkisar antara (+1)
sampai (-1)
Nilai r yang (+) ditandai oleh nilai b yang (+)
Nilai r yang (-) ditandai oleh nilai b yang (-)
Jika nilai r mendekati +1 atau r mendekati -1 maka
X dan Y memiliki korelasi linier yang tinggi
Jika nilai r = +1 atau r = -1 maka X dan Y memiliki korelasi linier sempurna
Jika nilai r = 0 maka X dan Y tidak memiliki relasi (hubungan) linier
(dalam kasus r mendekati 0, anda dapat melanjutkan analisis ke regresi eksponensial)
84
• Koefisien Determinasi Sampel = R = r²
Ukuran proporsi keragaman total nilai peubah Y yang dapat dijelaskan oleh nilai peubah X
melalui hubungan linier.
Penetapan & Interpretasi Koefisien Korelasi dan Koefisien Determinasi
4. Regresi Linier Berganda
1 • Pembahasan akan meliputi regresi linier dengan 2 Variabel Bebas (X
1
dan X
2
) dan 1
Variabel Tak Bebas (Y).
2 • Bentuk Umum : Y = a + b
1
X
1
+ b
2
X
2
Y : peubah takbebas a : konstanta
X
1
: peubah bebas ke-1 b
1
: kemiringan ke-1
X
2
: peubah bebas ke-2 b
2
: kemiringan ke-2
1 a , b
1
dan b
2
didapatkan dengan menyelesaikan tiga persamaan Normal berikut:
n : banyak pasangan data y
i
: nilai peubah takbebas Y ke-i
x
1i
: nilai peubah bebas X
1
ke-i x
2i
: nilai peubah bebas X
2
ke-i
5. Korelasi Linier berganda
85
1 • Koefisien Determinasi Sampel untuk Regresi Linier Berganda diberi notasi sebagai
berikut Ry.122
2 • Sedangkan Koefisien Korelasi adalah akar positif Koefisien Determinasi atau
 Rumus
JKG : Jumlah Kuadrat Galat
s
y
² : Jumlah Kuadrat y (terkoreksi)
di mana :
86

pengumpulan,penyusunan,bahan keterangan yang berwujud angka mengenai hal-hal yang berkaitan dengan pendidikan. 6. Fungsi dan Kegunaan Statistik Dalam Dunia Pendidikan a. Fungsi statistic dalam dunia pendidikan adalah sebagai alat Bantu dalam mengevaluasi,menentukan,membuat peringkat,dan menyusun rencana program berikutnya. Manfaat statistic dalam dunia pendidikan,sebagai berikut : 1. 2. Untuk memperoleh gambaran tentang suatu keadaan atau gejala. Mengikuti perkembangan suatu keadaan 3. 4. 5. Melakukan pengujian dan mengetahui apakah gejala satu berhubungan dengan gejala lain. Menyusun laporan berupa data kuantitatif dan menarik kesimpulan secara logis,mengambil keputusan tepat dan mantap. Meramalkan hal-hal yang muungkin terjadi dan langkah konkrit yang harus dilakukan. B. DATA STATISTIK DAN DATA STATISTIK KEPENDIDIKAN 1. Syarat Data Statistik • • Bisa satu individu untuk berapa kali pencatatan. Beberapa kali pencatatan. • • • • • Berdasarkan sifat angkanya,data statistic dapat dibedakan menjadi dua Berdasarkan cara menyusun angkanya,data statistic dapat dibedakan menjadi Berdasarkan bentuk angkanya,data statistic dapat dibedakan menjadi dua Berdasarkan sumbernya,data statistic dapat dibedakan menjadi dua

b.

2. Penggolongan Data Statistik golongan,yaitu:data kontinyu dan data diskrit. tiga macam,yaitu: data nominal, data ordinal, dan data interval. macam,yaitu: data tunggal dan data kelompokan. macam,yaitu ; data primer dan data sekunder. Berdasarkan waktu pengumpulannya,data statistic dapat dibedakan menjadi duua golongan,yaitu : data seketika dan dan data urutan waktu. 3. Sifat Data Statistik Nilai relative adalah nilai yang ditunjukan oleh angka itu sendiri.

2

b.

Nilai nyata suatu angka adalah daerah tertentu dalam

suatu deretan angka yang diwakili oleh nilai relative . Batas bawah relative,batas atas relative,batas bawah nyata,batas atas nyata. Data statistic yang berbentuk data kelompok mempunyai nilai tengah. e. Data statistic sebagai data angka,tidak menggunakan pecahan,tetapi system decimal. f. Ada pembulatan angka sampai tiga angka dibelakang koma. g. Jika lebih dari tiga angka,angka enam keatas dianggap satu,angka satu s/d lima ditiadakan. 4. Data Statistik Dalam Pendidikan Data statistic yang berkaitan dengan prestasi belajar. Data statistic yang berkaitan dengan keadaan siswa. Data statistic yang berkaitan dengan guru dan dosen. Data statistic yang berkaitan dengan staf administrasi. Data statistic yang berkaitan dengan anggaran. Data statistic yang berkaitan dengan perlenggkapan. 5. Pengumpulan Data Statistik Kependidikan Prinsip Pengumpulan Data Statistik Kependidikan Prinsip umum yang harus dipegang oleh siapa saja yang bermaksud menghimpun data statistic ialah dengan waktu,tenaga,biaya,dan alat yang sehemat mungkin dapat dihimpun data yang lengkap,tepat, dan dapat dipercaya. 2. Cara Mengumpulkan Data Statistik Kependidikan Pengumpulan data statistic kependidikan dari segi luasnya elemen dan bentuk pelaksanaan kegiatan,dapat dilakukan dengan tujuh macam cara,yaitu : sensus, sampling, pengamatan mendalam, wawancara mendalam, angket, pemeriksaan dokumentasi, dan memberikan tes. 3. Alat Pengumpulan Data Statistik Kependidikan Alat yang biasa digunakan dalam pekerjaan pengumpulan data statistic kependidikan,dapat dikemukakan sebagai berikut : daftar cek, skala bertingkat, pedoman wawancara, Questionnaire.

e.

.

g.

3

BAB 2 DISTRIBUSI FREKUENSI PENGERTIAN FREKUENSI Kata frekuensi berarti kekerapan, keseringan atau jarang-kerapnya. Dalam statistik frekuensi mengandung pengertian : angka (bilangan) yang menunjukkan seberapa kali suatu variabel yang dilambangkan dengan angka muncul dalam deretan angka tersebut. Contoh : Nilai yang berhasil dicapai siswa SMA dalam tes hasil belajar bidang studi IPA adalah sebagai berikut ; 60 50 70 60 80 40 60 70 100 jika kita amati, maka deretan nilai hasil tersebut, nilai 60 muncul sebanyak 2 kali, nilai 60 muncul sebanyak 3 kali atau bahwa siswa yang mempunyai nilai 60 berfrekuensi 3. B. PENGERTIAN DISTRIBUSI FREKUENSI Distribusi berarti penyaluran, pembagian, atau pencaran frekuensi dapat diberi arti penyaluran frekuensi. Dalam statistik distribusi frekuensi kurang lebih mengandung pengertian: “ suatu keadaan yang menggambarkan bagaimana frekuensi dari gejala atau variabel yang dilambangkan dengan angka itu, telah tersalur, terbagi, terpencar. Contoh : Jika data yang berupa nilai tes hasil belajar dalam bidang studi kimia dari 10 orang siswa SMA kita sajikan dalam bentuk tabel, maka pembagian atau pencaran frekuensinya dari nilai hasil tes itu akan tampak nyata :
Nilai 100 80 75 70 60 50 40 Total Banyaknya (orang) 1 1 2 1 3 1 1 10

C. TABEL DISTRIBUSI FREKUENSI 4

Contoh:Tabel II.1. Contoh : Distribusi frekuensi nilai tes hasil belajar dalam bidang studi kimia dari 40 orang siswa SMA Negeri kelas XI IPA Tabel II. Contoh : Distribusi 5 .2 Distribusi frekuensi kumulatif usia 50 orang guru kimia yang bertugas di SMA Negeri Palembang Usia 50-54 45-49 40-44 35-39 30-34 25-29 Total Frekuensi 6 7 10 12 8 7 50 = N c. 2. angka data itu tidak dikelompokkelompokkan. baik dari bawah ke atas maupun dari atas ke bawah. Tabel Distribusi Frekuensi Data Tunggal Tabel distribusi frekunsi data tungal adalah salah satu jenis tabel statistik yang didalamnya disajikan frekuensi dari data angka. yang didalamnya dimuat angka yang dapat melukiskan atau menggambarkan pencaran atau pembagian frekuensi dari variabel yang sedang menjadi objek penelitian. dimana angka-angka tersebut dikelompok-kelompokkan (dalam tiap unit terdapat sekelompok angka). Tabel Distribusi Frekuensi Data Kelompokkan Tabel distribusi frekuensi data kelompokkan adalah salah satu jenis tabel statistik yang didalamnya disajikan pencaran frekuensi dari data angka.1 Distribusi Frekuensi Nilai Tes Hasil Belajar Dalam Bidang Studi Kimia dari 40 Orang Siswa SMA Negeri kelas XI IPA Nilai 8 7 6 5 Total Frekuensi 6 9 16 6 N = 40 b. Pengertian Tabel Distribusi Frekuensi Tabel distribusi frekuensi dapat kita beri pengertian sebagai alat penyajian data statistik yang berbentuk kolom dan lajur. Tabel Distribusi Frekuensi dan Macamnya a. Tabel Distribusi Frekuensi Kumulatif Dimaksud dengan tabel distribusi frekuensi kumulatif aialah salah satu jenis tabel statistik yang didalamnya disajikan frekuensi yang dihitung terus meningkat atau selalu ditambah-tambahkan.

Tentang keterangan atau lebih lanjut pada pokoknya sama seperti keterangan yang telah dikemukakan.4 Distribusi frekuensi kumulatif usia 50 orang guru kimia yang bertugas di SMA Negeri Palembang Usia 50-54 45-49 40-44 35-39 30-34 25-29 Total F 6 7 10 12 8 7 50 fk(b) 50 44 37 27 15 7 fk(a) 6 13 23 35 43 50 - Tabel diatas kita namakan Tabel Distribusi Frekuensi Kumulatif Data Kelompokkan. sebab data yang disajikan dalam tabel ini berbentuk data kelompokan.3 Distribusi Frekuensi Nilai Tes Hasil Belajar Dalam Bidang Studi Kimia dari 40 Orang Siswa SMA Negeri kelas XI IPA Nilai (X) 8 7 6 5 Total F 6 9 19 6 N =40 fk(b) 40 = N 34 25 6 fk(a) 6 15 34 40 = N - Tabel diatas dinamakan Tabel Distribusi Frekuensi Kumulatif data tunggal. d. Contoh berikutnya adalah Distribusi frekuensi kumulatif usia 50 orang guru kimia yang bertugas di SMA Negeri Palembang Tabel II. Contoh : 1.Frekuensi Nilai Tes Hasil Belajar Dalam Bidang Studi Kimia dari 40 Orang Siswa SMA Negeri kelas XI IPA Tabel II. maka keadaannya adalah sebagai berikut : 6 . sebab data yang disajikan dalam tabel ini berbentuk data yang tidak dikelompok-kelompokkkan (lihat kolom 1). Tabel Distribusi Frekuensi Relatif. Tabel distribusi frekuensi relatif juga dinamakan tabel persentase. Kolom 3 memuat frekuensi kumulatif yang dihitung dari dari bawah (fk (b)). Pada kolm 2 dimuat frekuensi asli (yakni frekuensi sebelum diperhitungkan frekuensi kumulatifnya). Dikatakan ‘frekuensi relatif’ sebab frekuensi yang disajikan di sini bukanlah frekuensi yang sebenarnya.1 kita sajikan kembali dalam bentuk Tabel Distribusi Frekuensi Relatif atau Tabel Persentase. Jika data yang disajikan pada tabel II. melainkan frekuensi yang dituangkan dalam bentuk angka persenan.

0 54.6 kita ubah ke dalam bentuk Tabel Persentase Kumulatif.0 14.0 100. Tabel Persentase Kumulatif Seperti halnya tabel distribusi frekuensi. 5 Distribusi Frekuensi Relatif Nilai Tes Hasil Belajar Dalam Bidang Studi Kimia dari 40 Orang Siswa SMA Negeri kelas XI IPA Nilai (X) 8 7 6 5 Total F 6 9 19 6 N =40 Persentase(p) 15. Tabel Persentase Kumulatif (Tabel distribusi Frekuensi Relatif Kumulatif) Tentang Nilai Tes Hasil Belajar Kimia dari 40 Orang Siswa SMA Negeri kelas XI IPA Nilai (X) 8 7 6 5 Total Persentase(p) 15.0 70. Jika data yang disajikan pada tabel II.7.Tabel II.5 dan tabel II.0 62.0 86.0 30.0 pk(a) 12.0 22. Tabel II.0 100.5 47.0 16. N = Number of Case (jumlah frekuensi/banyaknya individu) P = angka persentase e.0 46.0 22. tabel persentase atau tabel distribusi frekuensi relatif pun dapat diubah kedalam bentuk tabel persentase kumulatif (tabel distribusi frekuensi relatif kumulatif). hasilnya adalah sebagai berikut : Tabel II.5 85.0 14.0 24.5 47.8 Tabel Persentase Kumulatif (Tabel Distribusi Frekuensi Relatif Kumulatif) tentang usia 50 orang guru kimia yang bertugas di SMA Negeri Palembang Usia 50-54 45-49 40-44 35-39 30-34 25-29 Total Persentase (p) 12.0 Keterangan untuk memperoleh frekuensi relatif (angka persenan) sebagaimana tertera pada kolom 3.0 pk(b) 100 85.0 - 7 . dipergunakan rumus : P = f/N x 100% Keterangan : f = frekuensi yang seang dicari persentasenya.0 37.0 ∑p = 100.0 - Penjelasan bagaimana cara memperoleh pk(b) dan pk(a)sama seperti penjelasan yang dikemukakan pada tabel II.5 15. tabel II.0 ∑p = 100.3.0 pk(a) 15.5 15.5 15.0 20.0 26.5.0 14.0 ∑p = 100 pk(b) 100 88 74.

Misalkan dari 10 orang mahasiswa yang menempuh ujian ulangan secara lisan dalam mata pelajaran matakuliah statistik pendidikan. maka tabel diatas dinamakan : Tabel distribusi Frekuensi Data tunggal yang semua sekornya berfrekuensi 1. wujudnya adalah seperti Tabel II. Pramono Nilai 65 30 60 45 75 40 70 55 80 50 Jadi data diatas kita tuangkan penyajiannya dalam bentuk Tabel Distribusi Frekuensi Data tunggal. Nilai 65 30 60 45 75 40 70 55 80 50 F 1 1 1 1 1 1 1 1 1 1 Karena semua sekor (nilai) hasil ujian tersebut berfrekuensi 1. diperoleh nilai sebagai berikut : No 1 2 3 4 5 6 7 8 9 10 Nama Wahyu Arianto Syamsudin Abdul Wahid Dimyati Sulistyani Fathonah Nur Kholis Hamdani B. Tabel II. dan semua sekor nilai yang ada itu berwujud data tunggal. 8 . contoh pembuatan tabel distribusi frekuensi data tunggal. Contoh pembuatan tabel distribusi frekuensi data tunggal yang semua skornya berfrekuensi 1 (satu).D.9 Distribusi Frekuensi Nilai Hasil Ujian Ulangan Lisan Dalam Matakuliah Statistik Pendidkan yang diikuti 10 orang Mahasiswa. yang sebagian atau keseluruhan sekornya berfrekuensi lebih dari satu. b. CARA MEMBUAT TABEL DISTRIBUUSI FREKUENSI 1.9. Cara Membuat Tabel Distribusi Frekuensi Data Tunggal a.

10 kita sebut tabel distribusi frekuensi data tunggal yang seluruh sekornya berfrekuensi lebih dari satu. dengan bantuan jari-jari (= tallies) . sehingga diperoleh jumlah frekuensi (∑f) atau number of Cases = N Tabel 2. setelah selesai. Nilai (X) Tanda/ Jari-jari/Tallies f 9 .10).10. maka kita dapat menyusun atau mengatur nilai hasil ulangan harian itu. Distribusi Frekuensi Nilai Hasil Ulangan Hatian Dalam Matapelajaran Matematika yang Diikuti Oleh 40 Orang Murid SMA. maka seluruh sekor yang ada itu masing-masing berfrekuensi lebih dari satu. Tabel 2.turut ke bawah sampai dengan 3 pada kolom 1 dari tabel distribusi frekuensi yang kita persiapkan adalah seperti yang terlihat pada tabel II. 3 3 4 8 5 6 6 8 5 9 4 6 7 5 6 5 8 3 7 4 9 6 9 6 3 8 6 7 5 6 4 7 6 7 5 10 8 6 10 4 apabila data tersebut kita sajikan dalam bentuk tabel distribusi frekuensi. diperoleh nilai hasil ulangan sebagai berikut (nama murid tidak dicantumkan). mulai dari 10 berturut. hasilnya dimasukkan dalam kolom 2 dari tabel distribusi frekuensi yang kita persiapkan (lihat kolom 2 tabel II. sebab disamping seluruh sekor (nilai)nya merupakan data yang tidak dikelompokkan.10. dari atas ke bawah. Langkah Ketiga : Mengubah jari-jari menjadi angka biasa. Ternyata H = 10 dan L = 3 Dengan diketahuinya H dan L. keseluruhan angka yang menunjukkan frekuensi masing-maing nilai yang ada itu lalu kita jumlahkan.Misalkan dari sejumlah 40 orang murid SMA yang menempuh ulangan harian dalam matapelajaran matematika. dituliskan pada kolom3 (lihat kolom 3 Tabel 2.10). maka langkah yang dapat ditempuh adalah sebagai berikut : Langkah pertama : mencari nilai tertinggi (sekor paling tinggi = highest score = H) dan nilai terendah (sekor paling rendah = lowest score = L). Langkah kedua : Menghitung frekuensi masing-masing nilai yang ada.

tidak terdapat dalam deretan sekor yang kita hadapi. maka terhadap data statistik (yang berbentuk angka/sekor) itu perlu dilakukan pengelompokkan labih dahulu. Langkah Kedua . Cara Membuat Tabel distribusi Frekuensi Data Kelompokkan Jika penyebaran angka/nilai/sekor yang akan kita sajikan dalam bentuk tabel distribusi frekuensi itu demikian luas atau sebar. sebagai berikut (nama sengaja tidak disebut). 65 54 68 70 57 61 58 62 58 60 65 65 50 60 53 74 59 67 47 63 57 60 77 55 71 55 65 53 49 65 56 70 57 60 73 58 65 57 52 66 57 66 59 69 56 64 52 58 78 55 60 54 62 75 51 60 64 62 60 61 55 58 72 56 54 61 51 59 61 60 63 59 50 60 65 59 60 67 45 80 Maka data tersebut dibuat kedalam tabel distribusi frekuensi. ternyata diperoleh H = 80 dan L = 45. 10 . dan penyajiannya dilakukan dengan cara seperti yang telah dikemukakan di atas. mulai dari nilai terendah sampai dengan nilai tertinggi. Menetapkan luas penyebaran nilai yang ada. yang biasa disebut Total Range atau sering disingkat dengan Range saja dan diberi lambang dengan huruf R. dengan menggunakan rumus . maka tabel distribusi frekuensi yang berhasil kita buat akan terlalu panjang dan memakan tempat. atau mencari banyaknya nilai. dengan cara dan langkah sebagai berikut : Langkah Pertama . Disamping itu ada kemungkinan bahwa sekor yang kita sajikan frekuensinyadalam tabel ternyata berfrekuensi nol (0) karena sekor tersebut. Perhatikan contoh berikut ini : Misalkan dari sejumlah 80 orang siswa kleas III SMA jurusan fisika diperoleh nilai hasil EBTA (Evaluasi Belajar Tahap Akhir) dalam bidang studi Biologi. Untuk mencegah kejadian yang demikian itu.10 9 8 7 6 5 4 3 / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / Total 2 3 5 5 10 7 3 3 40 2. Mencari highest score (H0 dan lowest Score (L). dan setelah itu barulah dihitung frekuensi masing-masing kelompok nilai.

56. 48.R = H. maka perlu kita tetapkan dulu. yaitu R = 80 – 45 + 1 = 36. 74. 58. 63. 78. 75. 60. Langkah empat Menetapakan bilangan dasar masing-masing interval yang dibuat dalam tabel. 60. 54. maka kalau kita menderetkan nilai mulai dari 45 sampai dengan 80 akan terdapat 36 nilai. 49. R = total range I = interval class. Kalau pedoman ini kita terapkan pada data yang sedang kita hadapi. 71. 57. 76. 10 s/d 20 maksudnya disini ialah bahwa jumlah kelompokkan data yang akan disajikan dalam tabel distribusi frekuensi itu sebaiknya tidak kurang dari 10 dan tidak lebih banyak dari 20. Angka 36 ini mengandung pengertian bahwa apabila kita menghitung banyaknya nilai mulai dari nilai terendah sampai dengan nilai tertinggi pada data yang telah dikemukakan diatas. 68. Karena H = 80 dan L = 45.sebagai berikut : Pertama : Bilangan dasar interval itu sebaiknya adalah bilangan yang merupakan kelipatan dari i. 75. dan 45. 69. 45. 11 . perhatikanlah . 66. Untuk menetapkan besar atau luas dari masing-masing interval nilai yang akan kita sajikan dalam tabel distribusi frekuensi. Langkah ketiga : Menetapkan besar atau luasnya pengelompokkan data untuk masing-masing kelompok data. masing-masing kelompokkan data (= masing-masing interval) akan terdiri dari beberapa nilai. 72.L + 1 R = total range H = highest score (nilai tertinggi) L = Lowest score (nilai terendah) 1 = bilangan kosntan Diatas kita telah kita ketahui : H = 80 dan L = 45. 62. yaitu luasnya pengelompokkan data yang dicari atau kelas interval. 80 = 36 butir nilai. Kedua belas bilangan inilah yang akan mengawali tiap-tiap interval dalam tabel distribusi frekuensi yang akan kita buat. maka bilangan dasar interval yang memenuhi syarat bilangan : 78. 72. 66. R/i sebaiknya menghasilkan bilangan yang besarnya 10 s/d 20. 67. 53. Salah satu diantaranya yang diperkenalkan disini ialah sebagai berikut . 59. 73. 69. 64. 61. 54. 55. 51. akan diperoleh sebanyak 36 butir nilai. 65. 46. Dengan kata lain : bilangan dasar interval itu sebaiknya dipilihkan bilangan yang dapat habis jika dibagi dengan i.Para ahli statistik mengemukakan pedoman dalam menetapakan bilangan dasar. 48. 70. 79. 51. 47. maka dapat denganmudah diperoleh nilai R. ada beberapa macam cara atau pedoman yang dapat dipergunakan. 77. 57. 52. Yang dimaskud disini ialah : karena data berupa nilai hasil EBTA itu akan disajikan dalam bentuk data kelompokkan. 50. 63.

kolom 2 adalah kolom yang membubuhkan “tanda-tanda atau jari-jari” sebagai pertolongan dalam menghitung frekuensi. Kolom 1 diisi dengan interval nilai yang banyaknya 12 baris.11. Akhirnya semua frekuensi yang telah kita tuliskan pada kolom 3 itu kita jumlahkan. Contoh : 1) Interval 50-54 kelas intervalnya (i-nya) adalah 5 (merupakan bilangan gasal). dengan bantuan ‘tanda-tanda’ atau ‘jarijari’ seperti terlihat pada kolom 2. Interval 78-80 75-77 72-74 69-71 66-68 63-65 60-62 57-59 54-56 51-53 48-50 45-47 Total Langkah keenam : Menghitung frekuensi dari tiap-tiap nilai yang ada. yang terdiri dari tiga kolom. setelah hal itu dapat diselesaikan .Kedua : Dalam menetapkan bilangan dasar interval itu harus diperhatikan sedemikian rupa. sehingga dalam interval yang tertinggi (interval paling atas) harus terkandung nilai tertinggi (highest score) dan dalam interval yang terendah (interval paling bawah)harus terkandung nilai terendah (lowest score). Distribusi Frekuensi nilai hasil EBTA dalam bidang studi biologi dari sejumlah 80 orang siswa kelas III SMA Jurusan Fisika. Langkah Kelima : Mempersiapkan tabel distribusi frekuensinya. Tabel 2. selanjutnya jari-jari itu kita ubah menjadi angka biasa dan kita tuliskan pada kolom 3. sehingga diperoleh f atau N sebesar 80. Midpoint atau nilai tengah dari interval 50-54 adalah = (50=54) : 2 = 52 (midpoint berupa bilangan bulat) Tanda/Jari-jari / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / f 2 2 3 4 5 10 17 14 11 6 4 2 80=N / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / 12 . sedang kolom 3 berisi frekuensi (Perhatikanlah tabel 2.11).

2) Interval 50-55 kelas intervalnya adalah 6 (atau : I = 6). 4) Interval 5-10 kelas intervalnya (i-nya)adalah 6 (merupakan bilangan genap). akan terasa lebih jelas dan lebih dimengerti. 3. Grafik dapat dengan secara lebih cepat memperlihatkan gambaran umum dan menyeluruh tentang sesuatu perkembangan. Midpointnya = ( 5 + 10) : 2 = 7. Midpoint dari interval 50-55 itu adalah = (50 +55) : 2 = 52. 2. Dibandingkan dengan tabel distribusi frekuensi. antara lain : 1. 2. Membuat grafik jauh lebih sukar dan memakan waktu. 3) interval 5-9 kelas intervalnya (i-nya) adalah 5 (merupakan bilangan gasal). grfaik memiliki keunggulan tertentu. tidak demikian halnya dengan tabel.dapat menggunakan grafik atau diagram. tidak seperti halnya tabel. lewat kolom dan lajurnya.penyajian lewat table distribusi frekuensi kurang menarik karena kurang cepat dalam memberikan deskripsi data dan kadang kurang dapat dimengerti. Karena kelemahan dari table distribusi frekuensi adalah seperti penjelasan diatas. E. data yang dapat disajikan atau dituangkan dalam bentuk grafik amatlah terbatas . tidak demikian halnya dengan tabel.50 (midpoint berupa pecahan). Diantara kelemahan yang memiliki grafik dapat disebutkan di sini misalnya : 1. sebab apabila datanya banyak sekali (bermacam-macam) maka lukisan grafiknya akan menjadi terlalu ruwet dan meusingkan . Namun demikian grafik itu sendiri tidak dapat terhindar dari kekurangan atau kelemahan. Jadi disini interval classnya berupa bilangan genap. biaya serta alat.5 (merupakan pecahan). Grafik yang dibuat menurut aturan yang tepat dan benar. Penyajian data statistik melalui grafik nampak lebih menarik daripada tabel distribusi frekuensi.Tetapi. perubahan maupun perbandingan. 13 . Midpointnya = (5+9): 2 = 7 (merupakan bilangan bulat). GRAFIK SEBAGAI ALAT PENGGAMBARAN DISTRIBUSI FREKUENSI Tabel distribusi frekuensi mempunyai fungsi sebagai alat Bantu dalam penyajian data statistic.maka dalam penyajian data.

PENGERTIAN GRAFIK Grafik tidak lain dan tidak bukan adalah alat penyajian data statistik yang tertuang dalam bentuk lukisan garis .3. Nomor grafik b. Angka skala grafik f. BAGIAN-BAGIAN UTAMA GRAFIK Sebuah grafik yang lengkap umumnya terdiri dari 13 bagian. keunggulan yang dimiliki oleh tabel distribusi merupakan kelemahan grafik. Itulah sebabnya apabila didalam penyajian data statistik itu kita sajikan dalam bentuk tabel. Titik nol (titik awal) k. Tanda skala grafik g. gambar. Ordinat atau ordinal atau sumbu vertikal h. garis. Dengan demikian jelaslah bahwa baik tabel distribusi frekuensi maupun grafik. 1. Pada dasarnya kelemahan yang terdapat pada tabel distribusi frekuensi merupakan keunggulan grafik. angka itu dilukiskan dalam bentuk lukisan. Absis (sumbu horisontal) = sumbu mendatar = garis nol = garis awal = garis mula j. 2. Unit skala grafik e. Dalam tabel dapat dimuat angka sampai pada tingkat ketelitian yang setinggi-tingginya. Kunci grafik m. Koordinat (garis-garis perptolongan = garis-garis kisi) i. Ketiga belas bagian dimaksud adalah : a. Sub judul grafik d. sebaliknya . Grafik pada kebanyakkanya bersifat kurang teliti. Sumber grafik (sumber data) 14 . maupun lambang. gambar atau lambang tertentu dengan kata lain angka itu divisualisasikan. Judul grafik c. Lukisan grafis (gambar grafik) l. Jadi dalam penyajian data angka melalui grafik. masing-masing memiliki keunggulan dan kelemahan tertentu.

Tarb. Usluhudin Fak.Nomor grafik Judul grafik Grafik no 1 Jumlah staf pengajar Tetap IAIN Sunan Kalijaga Tahun Akademik 1979/1980 Menurut keadaan s/d tanggal 30 Juni 1980 orang 30 koordinasi Sub judul grafik Unit skala grafik Angka skala grafik Tanda skala grafik 25 20 15 Lukisan grafis ordinat 10 5 0 Titik mula (titik nol) absis Keterangan : Fak. Adab Fak. Syaria’ah Fak. Dakwah Fak.Yk Sumber grafik (sumber data) Sumber : Laporan Tahunan Rektor IAIN Sunan Kalijaga Tahun Akademik 1979/1980 15 .

mulai dari nilai terendah sampai dengan nilai tertinggi. berturut-turut dari kiri ke kanan. Menempatkan frekuensi pada ordinal Y 16 . Menempatkan nilai pada absis X . Grafik Volume g. Grafik Bidang f. Garfik Balok Terbagi 4. Menempatkan titik nol. Grafik Balok Vertikal 5. CARA MELUKISKAN DISTRIBUSI FREKUENSI DALAM BENTUK GRAFIK POLIGON (POLYGON FREQUENCY) Dari macam ragam grafik tersebut. yaitu perpotongan X dengan Y d. maka langkah yang perlu dilakukan berturut-turut adalah sebagai berikut : a. Membuat sumbu vertikal (ordinal). e. Grafik Balok Bilateral b. Grafik Balok atau grafik batang atau Barchart. terdapat dua jenis grafik yang sering dipergunakan dalam kegiatan analisa ilmiah. lambangnya Y c. Grafik balok ini ada 6 macam yaitu : Grafik balok tunggal 2. Grafik Poligon atau Polygon Frequency F. lambangnya X b. MACAM-MACAM GRAFIK a. Grafik Balok Horisontal 6. Misalkan Data yang berupa nilai hasil ulangan harian dalam bidang studi matematika yang diikuti oleh 40 orang murid SMA seperti tertera pada tabel II. Grafik Poligon atau Polygon Frequency dan (2) Grafik Histogram atau Histogram Frquency.10 di muka tadi kita sajikan dalam bentuk grafik poligon. yaitu (1). Grafik garis tunggal 2. Grafik balok Ganda atau Majemuk 3. yang dapat dibedakan menjadi 3 macam yaitu : 1. Grafik Peta atau kartogram atau sta.3. Grafik garis. Grafik Gambar atau Pictogram atau Pictograph d. e.Grafik Lingkaran atau Cyclegram atau diagram pastel c. Membuat sumbu horisontal (absis). Grafik garis majemuk atau ganda 3. .

Menetapkan/mencari nilai tengah (midpoint) masing-masing interval yang ada. Contoh Cara Melukiskan Distribusi Frekuensi Dalam Bentuk Grafik Poligon Data Kelompokkan. a. Misalkan data tentang nilai hasil EBTA dalam bidang studi Biologi dari sejumlah 80 orang siswa kelas III jurusan Fisika seperti yang disajikan dalam tabel II. Membuat sumbu horisontal (absis).11. Maka langkah yang perlu dilakukan secara berturut-turut adalah sebagai berikut . b.2 Poligon Frekuensi Tentang Nilai-nilai Hasil Ulangan Harian Bidang Studi Matematika Dari Sejumlah 40 Orang Murid Madrasah Ibtidaiyah 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 2. yaitu perpotongan X dengan Y d. Melukiskan grafik poligonnya GRAFIK 2. 17 . lambangnya X Membuat sumbu vertikal (ordinal). lambangnya Y Menempatkan titik nol. c. akan kita sajikan dalam bentuk poligon frekuensi.f.

F 2 2 3 4 5 10 17 14 11 6 4 2 80=N Midpoint (X) (78+80) : 2 = 79 (75+77) : 2 = 76 (72+74) : 2 = 73 (69+71) : 2 = 70 (66+68) : 2 = 67 (63+65) : 2 = 64 (60+62) : 2 = 61 (57+59) : 2 = 58 (54+56) : 2 = 55 (51+53) : 2 = 52 (48+50) : 2 = 49 (45+47) : 2 = 46 - Menempatkan nilai-nilai tengah dari masing-masing interval. yang Diikuti Oleh Sejumlah 80 Orang Siswa Kelas III SMA Jurusan Fisika 18 . pada absis (X).Interval 78-80 75-77 72-74 69-71 66-68 63-65 60-62 57-59 54-56 51-53 48-50 45-47 Total e. GRAFIK 2. f. Melukiskan grafik poligonnya.3 Poligon Frekuensi Tentang Nilai Hasil EBTA dalam Bidang Studi Biologi. Membuat garis perpotongan atau koordinat h. pada ordinal (Y) g. Menempatkan frekuensi dari masing-masing interval.

Menyiapkan sumbu vertikl (ordinal =Y) 19 .17 16 15 14 13 11 10 9 8 7 6 5 4 3 2 1 0 0 46 49 52 55 58 61 64 67 70 73 76 I. CARA MELUKISKAN DISTRIBUSI FREKUENSI DALAM BENTUKGRAFIK HISTOGRAM (HISTOGRAM FREQUENCY) Grafik histogram dapat dibedakan mejadi dua macam yaitu : (1). Cara Melukiskan Distribusi Frekuensi Dalam Bentuk Grafik Histogram Data Tunggal. Menyiapkan sumbu horisontal (absis = X) b. Langkah yang perlu ditempuh : a. Grafik Histogram Data kelompokkan 1. Grafik Histogram Data tunggal (2).

50 . 4 Histogram Frekuensi Tentang Tes Nilai Hasil Ulangan Harian Bidang Studi Matematika dari Sejumlah 40 Orang Murid Madrasah Ibtidaiyah 20 .7. f.50 .50 .50 Menempatkan nilai nyata pada masing-masing skores (nilai) yang ada pada absis X Menempatkan frekuensi tiap-tiap sekor (niali) yang ada pada ordinal Y Membuat garis perpotongan (koordinat) Melukiskan grafik histogramnya GRAFIK 2.8.50 8.50 2.50 3.50 .50 5.4.50 .50 .50 . Menetapkan titik nol (perpotongan X dengan Y) d. f 2 3 5 5 10 7 3 3 Nilai Nyata 9.50 7.10.50 6.5.50 4.6. g.3. Menetapkan atau menghitung nilai nyata (true value) Nilai (X) 10 9 8 7 6 5 4 3 e. h.c.50 .9.

5 6.10 9 8 7 6 5 4 3 2 1 0 0 0. yang diikuti oleh sejumlah 80 orang siswa kelas III SMA Jurusan Fisika seperti tertera pada Tabel II.10. Interval 78-80 75-77 72-74 69-71 66-68 63-65 60-62 F 2 2 3 4 5 10 17 Midpoint (X) (78+80) : 2 = 79 (75+77) : 2 = 76 (72+74) : 2 = 73 (69+71) : 2 = 70 (66+68) : 2 = 67 (63+65) : 2 = 64 (60+62) : 2 = 61 21 .5 2. Untuk melukiskan grafik histogramnya.5 1.5 8.5 9.5 4. Menetapkan atau mencari nilai nyata (true value) dari masing-masing interval.5 5.5 7. diperlukan langkah kerja sebagai berikut : a.5 2.5 10. Menyiapkan sumbu horisontal (absis = X) b. c. Kita ambil kembali data nilai hasil ebta dalam bidang studi biologi. Contoh Cara Melukiskan Distribusi Frekuensi Dalam Bentuk Grafik Histogram Data Kelompokkan. Menyiapkan sumbu vertikal (ordinal =Y) Menetapkan titik nol (perpotongan X dengan Y) d.5 3.

Menempatkan frekuensi tiap-tiap sekor (nilai) yang ada pada ordinal Y g. 22 . Menempatkan nilai nyata pada masing-masing interval pada sumbu mendatar/vertikal (absis =x) f. Membuat garis perpotongan (koordinat).57-59 54-56 51-53 48-50 45-47 Total 14 11 6 4 2 80=N (57+59) : 2 = 58 (54+56) : 2 = 55 (51+53) : 2 = 52 (48+50) : 2 = 49 (45+47) : 2 = 46 - e.

5.karena nilai rata-rata itu biasanya berposisi ada sekitar central penyebaran nilai yang ada .atau sering disingkat dengan mean saja. rata-rata ukur atau nilai rata-rata ukur (geometric mean). modus atau mode. 1. 1.Pengertian Mean Secara singkat pengertian tentang mean dapat dikemukakan sebagai berikut : 23 . 2.sebab nilai rata-rata itu pada umumnya merupakan nilai pertengahan dari nilai – nilai yang ada. Rata – rata tidak lain adalah : tiap bilangan yang dapat dipakai sebagai wakil dari rentetan nilai rat-rata itu wujudnya hanyalah satu bilangan saja.yang sering kali disingkat dengan : mean saja ) yang umumnya dilambangkan dengan huruf M atau X. rata-rata harmonic atau nilai rata-rata harmonic (harmonic mean).BAB III MASALAH RATA-RATA (AVERAGE) 1. yang biasa dilambangkan dengan : Mo .Mean dikenal sebagai ukuran yang menduduki terpenting jika dibandingkan dengan ukuran tendensi pusat lainnya.yang biasa dilambangkan dengan HM.yang dilambangkan dengan GM.Selain itu.yang umumnya dilambangkan dengan : mdn atau Me atau Mn . Rata-rata pertengahan atau nilai rata-rata pertengahan atau nilai rata-rata letak (median atau medium). 2. 4. 3. Nilai rata-rata hitung (mean) Dalam bahasa inggris Nilai rata-rata hitung dikenal dengan istilah Arithmetic Mean.ukuran rata – rata dan macamnya Adapun macam – macam “rata-rata” atau “ukuran rata-rata” yang dimiliki oleh statistic sebagai ilmu pengetahuan ialah : 1. rata-rata hitung atau : Nilai rata-rata hitung (Arithmetic mean.namun dengan satu bilngan itu akan dapat tercermin gambaran secara umum yang berupa angka atau bilangan itu.Pengertian rata-rata Nilai rata-rata juga dikenal dengan istilah ukuran nilai pertengahan (measure of central value). maka nilai rata-rata itupun yang dikenal dengan nama ukuran posisi pertengahann (measure of central position).

a) Cara mencari mean data tunggal .Bahasa Inggris.yaitu : (1) Cara mencari mean dari data tunggal yang seluruh skornya berfrekuensi satu.IPS Dan IPA seorang siswa Madrasah Aliyah Negeri.PMP. X 9 8 7 6 5 4 F 1 1 1 1 1 1 6=N X ∑ = 39.Cara mencari mean untuk data tunggal Ada dua mavam cara yang dapat digunakan untuk mencari mean dari data tunggal (data yang tidak dikelompokkan).50 6 b) Cara mencari mean data tunggal yang sebagian atau seluruh skornya berfrekuensi lebih dari satu.Mean dari sekelompok (sederetan) angka (bilangan) adalah jumlah dari keseluruhan angka (bilangan) yang Ada.dibagi dengan banyaknya angka (bilangan) tersebut.1 talah kita peroleh : MX = ∑X N = 39 = 6.maka proses perhitungannya adalah sebagai berikut : Tabel 3.Perhitungan Mean nilai hasil ulangan harian dalam bidang studi Agama Islam.1.Rumus yang digunakan 24 .dan (2) cara mencari mean dari data tunggal dimana sebagian atau seluruh skornya berfrekuensi lebih dari satu.Cara mencari Mean 1.Dengan demikian : X 39 = ∑ Dari Tabel 3. .Bahasa Indonesi.Sedangkan N = 6. yang seluruh skornya berfrekuensi satu (1) Rumus yang digunakan Rumus yang digunakan untuk mencari mean data tunggal yang seluruh skornya berfrekuensi satu adalah (seperti telah dicantumkan diatas): M X = ∑ Mx X ∑ X N = mean yang kita cari = Jumlah dari skor-skor (nilai-nilai ) yang ada = Number of cases (banyaknya skor-skor itu sendiri) N Contoh :Jika nilai hasil ulangan dari seorang siswa MAN tadi kita hitung Mean-nya dengan menggunakan Tabel Distrtibusi Frekuensi. b.

Karena data tunggal yang kita hitung Mean-nya sebagian atau seluruh skornya berfrekuensi lebih dari satu,maka :
MX =

∑X
N

2.Cara mencari Mean untuk data kelompok a) Mencari mean data kelompokan dengan menggunakan metode panjang -Rumus yang digunakan M X = ∑ Keterangan
fX N

: Fx = Jumlah dari hasil perkalian antara Midpoint dari masing-masing

interval ,dengan frekuensinya. -Langkah-langkah yang harus ditempuh 1.menetapkan (menghitung) nilai tengah (midpoint) masing-masing inteval,diberi lambang X. 2.Memperkalikan frekuensi masing-masing interval,dengan midpoint-nya,atau dikalikan dengan X,Sehingga diperoleh Fx. 3.menjumlahkan fX,sehingga diperoleh Fx. 4.Menghitunh meannya dengan rumus : M X = ∑ b) Keterangan :
M X = mean
fX N

Mencari mean data kelompokan dengan menggunakan metode singkat:

∑ Rumus yang digunakan M X = M '+i 
 

fx '   N  

M = Mean terkaan atau mean tafsiran i = interval class (besar/luasnya pengelompokan data) ∑Fx’=jumlah dari hasil perkalian antara titik tengah bantuan sendiri dengan frekuensi dari masing-masing interval - Langkah-langkah 1.Mencari Mean terkaan sendiri atau mean tafsiran sendiri (yaitu M’) 2.Menetapkan x’ (titik tengah buatan sendiri) 3.memperkalikan frekuensi dari masing-masing interval ,dengan x’(jadi f dikalikan dengan x’=fx’) 4.Menghitung Mean-nya dengan menggunakan rumus. c.Penggunaan Mean 25

1.Bahwa data statistik yang dihadapi merupakan data yang distribusi frekuensinya bersifat normal atau simetris;setidaknya mendekati normal. 2.bahwa dalam kegiatan analis data,kita menghendaki kadar kemantapan. 3.bahwa dalam penganalisisan data selanjutnya,terhadap data yang sedang kita hadapi atau kita teliti itu,akan kita kenai ukuran-ukuran statistik selain mean. d.Kelemahan Mean 1.Karena mean itu diperoleh atau berasal dari hasil perhitungan terhadap seluruh angka yang ada,maka jika dibandingkan dengan ukuran rata-rata lainnya-perhitungannya relatif sukar. 2.Dalam perhitungan mean , sangat diperlukan ketelitian dan kesabaran. 3.sebagai salah satu ukuran rata-rata,mean kadang-kadang sangat dipengaruhi oleh angka atau nilai exstrimnya sehingga hasil yang diperoleh kadang terlalu jauh dari kenyataan yang ada.

2.Nilai rata-rata pertengahan (Median)
A.Pengertian Nilai rata-rata Pertengahan (Median) Median ialah suatu nilai atau suatu angka yang membagi suatu distribusi data kedalam dua bagian yang sama besar.dengan kata lain median adalah nilai atau angka yang diatas nilai atau angka tersebut terdapat ½ N dan dibawahnya juga terdapat ½ N. b.cara mencari nilai rata-rata pertengahan 1) Cara mencari nilai rata-rata pertengahan untuk data a. Mencari nilai rata-rata pertengahan untuk data tunggal yang seluruh skornya berfrekuensi 1. - Mencari nilai rata-rata pertengahan untuk data tunggal yang seluruh skornya berfrekuensi 1 dan number of cases –nya berupa bilangan gazal. Rumus : ( N = 2n + 1 ) Maka median nta terletak pada bilangan yang ke (n+1) Mencari nilai rata-rata pertengahan untuk data tunggal yang seluruh skornya berfrekuensi 1,dan number of cases-nya berupa bilangan genap . Rumus : ( N = 2n) Maka median data yang demikian terletak antara bilangan yang ke-n dan ke (n+1) b. Mencari nilai rata-rata pertengahan untuk data tunggal yang sebagian atau seluruh skornya berfrekuensi lebih dari satu. Rumus : mdn =  +   Keterangan: Mdn : Median

 1 / 2 N − fk b   1 / 2 N − fk a  atau : Mdn = u −      fi fi    

: lover limit (batas bawah nyata dari skor yang mengandung median) 26

fk b : frekuensi kumulatif yang terletak dibawah skor yang mengandung median.

fi

: frekuensi asli (frekuensi dari skor yang mengandung median) : Number of cases : upper limit (batas atas nyata dari skor yang mengandung median).

N U

fk a : frekuensi kumulatif yang terletak diatas skor yang mengandung median

C.Penggunaan nilai Rata-rata pertengahan (Median) 1. 2. kita tidak mamiliki waktu yang cukup luas atau longgar untuk menghitung Nilai kita tidak ingin memperoleh nilai rata-rata dengan tingkat ketelitian yang rata-rata Hitung (Mean)-nya. tinggi,melainkan hanya sekedar ingin mengetahui skor atau nilai yang merupakan nilai pertengahan dari data yang sedang kita teliti. 3. 4. distribusi frekuensii data yang sedang kita hadapi itu bersifat asimetris (tidak data yang sedang diteliti itu tidak akan dianalisis secara lebih dalam lagi dengan normal) menggunkan ukuran statistik lainnya. D.Kebaikan dan kelemahan Median -Kebaikan : sebagai ukuran rata-rata ialah mediannya dapat diperoleh dalam waktu singkat,karena proses perhiyungannya sederhana dan mudah. -Kelemahan : median sebagai ukuran rata-rata sifatnya kurang teliti. A . Quartile Istilah quartil atau ”Kuartil” dalam kehidupan kita sehari-hari lebih dikenal dengan istilah kuartal. Dalam dunia statistik yang dimaksud dengan kuartil ialah titikm atau skor atau nilai yang membagi seluruh distribusi frekuensi kedalam empat bagian yang sam besar yaitu masingmasing ¼ N.jadi disini akan kita jumpai tiga buah kuartil yaitu quartile pertama (Q1),Quartile kedua (Q2),Dan Quartile ketiga (Q3) Untuk mencari Q1,Q2,Q3 digunakan rumus sebagai berikut : Untuk data tunggal
 n / 4 N − fk b   Qn =  +    fi  

-

Untuk data kelompokkan
 n / 4 N − fk b   Xi Qn =  +    fi  

27

Keterangan : Q :Quartile yang ke-n,karena titik quartile ada 3 buah, maka n diisi dengan bilangan 1,2,3
 : lower limit(batas batas nyata dari skor atau interval yang mengandung Qn).

Fkb:frekuensi kumulatif yang terleta dibawah skor i : interval class catatan : istilah ”skor” berlaku untuk data tunggal istilah ”interval” berlaku untuk data kelompok

Diantara kegunaan quartile adalah untuk mengetahui simetris (normal) atau a simetrisnya suatu kurva.Dalam hal ini patokan yang kita gunakan adalah sebagai berikut : 1) Jika Q3 – Q2 = Q2 – Q1 Maka kurvanya adalah kurva adalah kurva normal 2) Jika Q3 – Q2 > Q2 – Q1 Maka kurvanya adalah kurva adalah kurva miring / berat kekiri (juring positif) 3) Jika Q3 – Q2 < Q2 – Q1 Maka kurvanya adalah kurva adalah kurva miring / berat kekanan (juring negatif). B. DECILE Desile atau desil ialah : titik atu skor atau nilai yang membagi seluruh frekuensi dari data yang kita selidiki kedalam 10 bagian yang sama besar ,yang masing-masing sebesar 1/10.jadi disini kita jumpai sebanyak 9 buah titik desile,dimana kesembilan buah titik decile itu membagi seluruh distribusi frekuensi kedalam 10 bagian yang sama besar. Lambang desil adalah D.jadi 9 buah titik desil yang dimaksud diatas adalah titik-titik D1,D2,D3,D4,D5,D6,D7,D8,D9. Rumus : Untuk data tunggal
 n / 10 N − fk b   Dn =  +    fi  

-

Untuk data kelompok

 n / 10 N − fk b   Xi Dn =  +    fi  

Keterangan : Dn N = Decile yang ke-n (disini n dapat diisi dengan bilangan :1,2,3,4,5,6,7,8,atau 9) = number of cases 28

karena percentile sering disebut dengan “ukuran per-ratus-an. P70 5. Percentile membagi suatu distribusi data menjadi seratus bagian yang sama besar.P2. P75 4. P80 3. Titik yang membagi distribusi data kedalam seratu bagian yang sama besar itu ialah titik – titik P1. P60 = D9 = D8 = Q3 = D7 = D6 29 . = lower limit = frekuensi kumulatif terletak dibawah = frekuensi aslinya Percentile atau percentile yang biasa dilambangkan P. D. P1-P3-P8-P21-P31-P6 .P79 -P92-P97-P99  Percentile dapat digunakan untuk menentukan kedudukan seorang anak didik itu memperoleh kedudukan ditengah-tengah kelompoknya.P4. adalah titik atau nilai yang Fkb Fi C.P6…………P99 Untuk mencari percentile digunakan rumujs sebagai berikut : Untuk data tunggal  n / 100 N − fk b   Pn = '+   fi   - Untuk data kelompok  n / 100 N − fk b   Xi Pn = '+   fi   Kegunaan percentile dalam dunia pendidikan :  Untuk mengubah raw score (raw data ) menjadi standard score (nilai standar).P5.Saling Hubungan antara Quartile-Decile dan Percentile Hubungannnya : 1.P3. P90 2.Pengubahan dari raw score menjadi stanel dilakukan denagn jalan menghitung.dalam dunia pendidikan salah satu standard scire sering digunakan adalah elemen points scale (skala sebelas nilai) atau dikenal pula dengan nama standard of eleven yang lazim dikenal dengan stanel.  Percentile juga dapat digunakan sebagai alat untuk menentapkan nilai batas lulus pada tes atau selektif.

GM dari 3 bilangan adalah sama dengan akar pangkat tiga dari hasil dari perkalian ketiga bilangan itu sendiri .Apabila bilangan-bilangan itu dilambangkan dengan X1. P25 10.diakar pangkatkan banyaknya itu sendiri.. X N Adapun rumus untuk menghitunmg Geometric Mean dengan menggunakan Logaritma adalah sebagai berikut : log GM = ∑(log X ) N 7.6. demikian seterusnya . P10 6.X2. = D5 = Q2 = Median = D4 = D3 = Q1 = D2 = D1 Nilai Rata-rata Ukur (Geometric Mean) a.GM dari dua bilangan adalah sama dengan akar pangkat dua dari hasil perkalian kedua bilangan itu sendiri.X3 dan Xn maka GM dapat kita formulasikan dalam bentuk Rumus: GM = N X 1 xX 2 xX 3 . P40 8.Nilai rata-rata Harmonic (Harmonic Mean) Pengertian Nilai rata-rata harmonic Nilai rata-rata harmonic dari sekumpulan adalah kebaliakan dari nilai rata-rata Hitung dari kebalikan bilangan yang termasuk dalam kumpulan bilangan tersebut. P30 9. Dengan demikian.. Rumus : HM = N ∑X 1 BAB IV MASALAH PENYEBARAN DATA 30 .Pengertian Nilai rata-rata Ukur Nilai rata-rata ukur dari sekelompok bilangan ialah : Hasil perkalian bilangan tersebut..atau secara umum dapat diformulasikan sebagai berikut : GM dari N buah bilangan adalah sama dengan akar pangkat N dari hasil perkalian bilangan-bilangan itu. P50 7. P20 11.

A. dan (4) Ukuran Penyebaran Relatif. Pengertian Range Range diberi lambing R adalah salah satu ukuran statisik yang menunjukkan jarak penyebaran antara skor (nilai) yang terendah (Lowest Score) sampai skor (nilai) yang tertinggi (Highest Score). yaitu (1) Range. dan pembicaraan tentang Deviasi pun hanya dibatasi pada Deviasi Rata-rata dan Deviasi Standar. yaitu (1) dan (2) Deviasi . maka dalam pembicaraan lebih lanjut hanya akan dikemukakan dua jenis saja. dari ukuran yang paling sederhana (kasar) sampai dengan ukuran yang dipandang memiliki kadar ketelitian yang tinggi. yang dalam dunia statistic dikenal sebagai ukuran penyebaran data yang paling sederhana.PENGERTIAN UKURAN PENYEBARAN DATA Ukuran Penyebaran Data itu. C. (2) Deviasi (yaitu Deviasi Kuartil. Range Range. kian cenderung bagi diri kita untuk menganggap bahwa mean yang kita peroleh merupakan 31 . Cara Mencari Range Range kita juga dapat mengatakan bahwa kian kecil Range dari suatu distribusi data. atau homogenitas data atau stabilitas data. B.PENGANTAR Ukuran Variabilitas Data (Measures of variability) atau Ukuran Penyebaran Data (Measures of Dispersion).MACAM-MACAM UKURAN PENYEBARAN DATA Macam-macam ukuran Penyebaran Data. Ditilik segi relevansinya. yakni berbagai macam ukuran statistic yang dapat digunakan untuk mengetahui . Dengan singkat dapat dirumuskan : R=H–L R = Range yang kita cari H = Skor atau nilai yang tertinggi (Highest Score) L = Skor atau nilai yang terendah (Lowest Score) b. Deviasi Rata-rata dan Deviasi Standar). a. yang karena itu juga sering disebut sebagai ukuran penyebaran data yang palin kasar. (3) Variance. atau variasi data. 1. luas penyebaran data.

2. dari nilai rata-rata hitungnya (deviation from the Mean). Karena kelemahan itulah maka sebagai salah satu ukuran penyebaran data. jika skornya Y maka dilambangkan deviasinya y. dan lazim dikenal dengan istilah deviasi positif. Adapun deviasi yang berada dibawah mean dapat diartikan sebagai “Selisih kurang” oleh karena itu selalu bertanda minus (-). Karena deviasi merupakan simpangan atau selisih dari masing-masing skor terhadap mean grupnya. apabila didalam waktu yang sangat singkat kita ingin memperoleh gambaran tentang penyebaran data yang sedang kita selidiki dengan mengabaikan factor ketelitian atau kecermatan. Jadi apabila skornya diberi lambing X maka deviasinya berlambangkan x.wakil yang presentatif data yang bersangkutan. a. maka sudah barang tentu akan terdapat dua jenis deviasi. jika skornya Z maka lambing deviasinya z. dilazim dikenal dengan istilah Deviasi Negatif. Deviasi merupakan salah satu ukuran variabilitas data yang biasa dilambangkan dengan huruf kecil dari huruf yang digunakan bagi lambing skornya. 32 . Penggunaan Range Range kita gunakan sebagai ukuran. sebaliknya kian besar Range nya. (1) Deviasi yang berada diatas mean dan (2) Deviasi yang berada di bawah mean.  Kelemahan (1) Range sifatnya sangat labil dan kurang teliti. d. Deviasi Pengertian Deviasi Deviasi ialah selisih atau simpangan dari masing-masing skor dan interval. kita akan lebih cenderung untuk menganggap bahwa Mean yang kita peroleh itu sifatnya meragukan. kita belum tahu secara pasti bagaimana sebenarnya bentuk Distribusi Data yang kita hadapi mulai dari nilai Terendah dan Nilai tertinggi. Kebaikan dan Kelemahan  Kebaikan Kebaikan Range sebagai salah satu ukuran penyebaran data ialah dengan menggunakan Range dalam waktu singkat dapat diperoleh gambaran umum mengenai luas penyebaran data yang sedang kita hadapi. c. (2) Dengan mengetahui Range nya saja. range sangat jarang digunakan dalam pekerjaan analisis statistic. Deviasi yang berada diatas Mean dapat diartikan sebagai “selisih lebih” karenanya deviasi semacam ini akan bertanda plus (+).

dalam uraian selanjutnya akan digunakan lambing AD.Guna memperjelas uraian yang telah dikemukakan diatas. Dalam bahasa Inggris Deviasi rata-rata dikenal dengan nama Mean Deviation (diberi lambang MD) atau Average Deviation (diberi lambang AD). Mx = ∑X N AD = ∑x N Mx = ∑Y N AD = ∑y N 33 . dibagi dengan banyaknya skor itu sendiri. Deviasi Rata-rata 1) Pengertian Deviasi Rata-rata Deviasi rata-rata yakni Jumlah Harga mutlak deviasi dari tiap-tiap skor. Deviasi ratarata tadi diformulasikan dalam bentuk rumus sebagai berikut : AD = ∑x N AD = Average Deviation = Deviasi rata-rata ∑x = Jumlah harga mutlak deviasi tiap-tiap skor atau interval N = Number of Cases 2) a) Cara Mencari Deviasi Rata-rata Cara Mencari Deviasi rata-rata untuk Data Tunggal yang masing-masing skornya berfrekuensi Satu. marilah kita perhatikan contoh berikut ini: Skor (X) 8 7 6 5 4 ∑X = 30 Banyaknya (f) 1 1 1 1 1 N=5 30 =6 5 Deviasi ( x = X − M x ) 8 – 6 = +2 7 – 6 = +1 6–6=0 5 – 6 = -1 4 – 6 = -2 ∑x = 0 Mx = ∑X N = +2 dan +1 adalah Deviasi Positif -2 dan -1 adalah Deviasi Negatif b.

N = Number of Cases 3) c. karena Deviasi rata-rata yang tadinya memiliki kelemahan. Rumus yang digunakan adalah : AD = ∑fx N AD = Average Deviation = Deviasi rata-rata ∑fx = Jumlah hasil perkalian antara deviasi tiap-tiap skor dengan frekuensi masing-masing skor tersebut N = Number of Cases c) Cara Mencari Deviasi rata-rata untuk Data Kelompokan Deviasi rata-ratanya dapat diperoleh dengan menggunakan rumus : AD = ∑fx N AD = Average Deviation = Deviasi rata-rata ∑fx = Jumlah hasil perkalian antara deviasi tiap-tiap interval (x) dengan frekuensi masing-masing interval yang bersangkutan. telah dibakukan atau distandarisasikan. Deviasi Standar. 1) Pengertian Deviasi Standar Deviasi standar (Standar Deviation). sehingga memiliki kadar kepercayaan atau reliabilitas yang mantap. dalam dunia analisis statistic Deviasi standar ini mempunyai kedudukan yang amat penting. yang umumnya diberi lambing δ atau SD. oleh karena itu. Kelemahan Deviasi rata-rata Deviasi Standar Deviasi rata-rata sebagai salah satu ukuran variabilitas data ditilik dari segi matematika memiliki kelemahan yang sangat mendasar karena mengganggap sama antara deviasi yang bertanda “plus” dengan deviasi yang bertanda “minus”. Maka rumus umum Deviasi Standar atau SD ialah sebagai berikut : SD = Deviasi Standar SD = ∑X N 2 34 .b) Cara Mencari Deviasi rata-rata untuk Data Tunggal yang sebagian atau seluruh skornya berfrekuensi lebih dari satu.

dengan deviasi skor yang telah dikuadratkan. N = Number of Cases 35 . yaitu rumus panjang dan rumus singkat. SD = ∑ fx N 2 2 SD = Deviasi Standar ∑fx = Jumlah hasil perkalian antara frekuensi masing-masing skor. N = Number of Cases c) Cara mencari Deviasi Standaruntuk Data Kelompokan Deviasi standar dapat dicari dengan mengunakan dua buah rumus . N = Number of Cases 2) a) Cara Mencari Deviasi Standar Cara mencari Deviasi standar untuk data tunggal yang semua skornya berfrekuensi Satu. N = Number of Cases b) Cara mencari Deviasi standar untuk data tunggal yang sebagian atau seluruh skornya berfrekuensi lebih dari satu. setelah mengalami proses pengkuadratan terlebih dahulu.∑X 2 = Jumlah semua deviasi. 1) Cara Mencari Deviasi Standar untuk Data kelompokan. denagn deviasi skor yang telah dikuadratkan. Rumus panjang kita pakai bila kita memiliki alat Bantu penghitungan seperti kalkulator dan sebagainya. dengan mengunakan rumus panjang SD = ∑ fx N 2 2 SD = Deviasi Standar ∑fx = Jumlah hasil perkalian antara frekuensi masing-masing skor. karenaa memerlukan tingkat ketelitian dan kecermatan yang setinggi mungkin. setelah mengalami proses pengkuadratan terlebih dahulu. SD SD = Deviasi Standar = ∑X N 2 ∑X 2 = Jumlah semua deviasi.

M X = Nilai rata-rata Hitung (=mean) skor X. N = Number of Cases 2) Cara lain untuk mencari Deviasi Standar Data tunggal yang sebagian atau seluruh skornya berfrekuensi lebih dari satu. 2 (∑X ) = Jumlah seluruh skor X. dengan x N = Number of Cases d) Cara lain yang dapat dipergunakan untuk menghitung atau mencari Deviasi Standar 1) Cara lain untuk mencari Deviasi Standar Data tunggal yang seluruh skornya berfrekuensi satu. 36 . ∑X 2 − (∑X ) 2 SD = Deviasi Standar ∑x 2 = Jumlah skor X setelah terlebih dahulu dikuadratkan. yang kemudian dikuadratkan. Ada tiga buah rumus dapat digunakan. dengan menggunakan Rumus pendek SD = i ∑fx N 2  −    ∑fx   N    2 SD = Deviasi Standar i = Kelas interval ∑fx 2 = Jumlah hasil perkalian antara frekuensi masing-masing interval . dengan x 2 ∑fx = Jumlah hasil perkalian antara frekuensi masing-masing interval .2) Cara mencari Deviasi standar untuk Data kelompokan. yaitu : Rumus Pertama = SD = ∑X N 2 2 −M X Rumus Kedua = SD = ( N ) (∑ X 2 ) − (∑ X ) N2 2 Rumus Ketiga = SD = 1 N N.

SD = 1 N N. e. Kegunaan Deviasi Rata-rata dan Deviasi Standar Baik Deviasi rata-rata maupun deviasi standar keduanya berguna sebagai ukuran untuk mengetahui variabilitas data dan sekaligus untuk mengetahui homogenitas data. Adapun rumus yang digunakan adalah : SD = ∑fX N 2  −    ∑fX N      2 SD = Deviasi Standar ∑fX ∑fX 2 = Jumlah hasil perkalian antara midpoint-2 yang telah dikuadratkan x 2 dengan frekuensinya masing-masing. Saling Hubungan antara Deviasi Rata-rata dan Deviasi Standar 37 . hali ini berarti makin besarlah variabilitas datannya atau semakin kurang homogen. Dengan mengetahui besar kecilnya Deviasi rata-rata dan Deviasi Standar. apabila Deviasi rata-rata atau Deviasi Standar kecil. = Jumlah hasil perkalian antara midpoint dengan frekuensinya masing- masing. kita dapat mengetahui pula bagaimana Variabilitas dan homogenitas data yang sedang kita selidiki. ∑ fX 2 − (∑ fX ) 2 SD = Deviasi Standar yang kita cari 1 = Bilangan Konstan (yang tidak boleh diubah-ubah ∑fX 2 = Jumlah hasil perkalian antara frekuensi tiap-tiap skor (f) denagn skor yang telah dikuadratkan lebih dahulu x 2 (∑fX ) 2 = Jumlah hasil perkalian antara frekuensi tiap-tiap skor (f) dengan masing-masing skor yang bersangkutan (X) N = Number of Cases 3) Cara lain untuk mencari Deviasi Standar Data Kelompokan Deviasi Standar untuk data Kelompokan juga dapat ddicari atau diperhitungkan berdasarkan angka kasar atau skor aslinya. Jika deviasi rata-rata atau deviasi standar makin besar. N = Number of Cases d. Sebaliknya. data yang sedang kita teliti itu makin dekat kepada sifat Homogenitas.

3 kali dari Deviasi Rata-rata Deviasi Standar Dalam Dunia Pendidikan Sebagai catatan tambahan perlu kiranya dikemukakan disini bahwa mean dan deviasi standar sebagai dua buah ukuran statistic yang dipandang memiliki reliabilitas yang tinggi. dapat dan sering digunakan dalam dunia pendidikan. Untuk mengubah (mengkonversikan) Raw Score menjadi nilai satndar T (T Score) dimana T Score itu dapat diperoleh dengan rumus : 38 . Untuk mengubah (mengkonversikan) Raw Score menjadi Nilai Standar z (z Score). dimana z Score dapat diperoleh dengan rumus : z. khususnya dalam rangka Evaluasi hasil belajar anak didik. Untuk mengubah (mengkonversikan ) Raw Score menjadi niali Standar Sebelas (Eleven point Scale = Standar Eleven = Stanel).Antara Deviasi Rata-rata dan Deviasi Standar terdapat saling hubungan sebagai berikut AD = 0. Untuk mengelompokkan anak didik ke dalam tiga ranking. Untuk mengubah Raw Score (Skor mentah) ke dalam nilai standar sekala 5 atau huruf A-B-C-D dan E. 4.253 AD Artinya :  Bahwa besarnya Deviasi rata-rata (AD) adalah sekitar Bahwa besarnya Deviasi Standar (SD) adalah sekitar Catatan Tambahan Tentang Penggunaan Lebih Lanjut dari Mean dan 0. Dapat disebutkan disini misalnya: 1. 3.798 SD sedangkan SD = 1. yaitu nilai-nilai standar mulai dari 0 sampai dengan 10 (=11 Nilai Standar).798 atau 0.253 atau 1.Score = X −M X SD X 6. Ranking Tengah ( Kelompok anak didik yang tergolong cukup/sedang) dan Ranking Bawah (Kelompok anak didik yang tergolong lemah/bodoh) 5.25 SD 2. di mana patokan yang digunakan untuk keperluan tersebut adalah : Mean + 0. yaitu : Ranking Atas (Kelompok anak didik yang tergolong pandai). 1.8 kali dari Deviasi Standar  f. Untuk menetapkan nilai batas lulus Aktual (minimum Passing Level atau Passing Grade).

 X −M X T .Score = 50 + 10  SD X    atau T Score = 50+10 X z Score   BAB V 39 .

Suatu tes dikatakan valid dilakukan sesuai dengan pengalaman maka tes itu dikatakan Valid. Misalnya : tes masuk Perguruan Tinggi. apabila hasilnya sesuai denagn keadaan yang sebenarnya. Syarat-syarat instrument yaitu : 1) 2) 3) 4) 5) 6) B. • 2. Sedangkan untuk validitas ada sekarang dan 40 seharusnya dikonstruksi dalam pembelajaran sesuai dengan TIK dalam RP. • Validitas Isi (Content Validity) adalah validitas yang dilihat dari segi isi tes itu sendiri sebagai alat pengukur hasil belajar. Apabila hasil tes yang Validitas Prediksi (Predective Validity). Validitas ada sekarang (Concurrent Validity). • • Validitas Konstruksi (Construct Validity) adalah mengukur apa yang Pengujian Tes Validitas Empiris Adalah ketepatan mengukur yang didasarkan pada hasil analisis yang bersifat empiris. Cara Menguji Validitas Untuk validitas isi dan validitas konstruksi cukup dikonsultasikan saja dengan minimal ddua orang pakar di bidangnya. validitas yang diperoleh dengan cara berfikir secara logis. dan Tes Calon Pegawai. Pengujian Tes Validitas Logis Adalah validitas yang diperoleh atas dasar hasil pemikiran. Macam-macam Validitas 1. Pengertian Validitas dan Instrumen Secara umum valid itu sama dengan ketepatan sedangkan instrumen itu mengukur apa yang seharusnya diukur.UJI VALIDITAS DAN RELIABILITAS VALIDITAS A. C. Pada validitas isi ini. sebelum kita menyusun tes terlebih dahulu membuat kisi-kisi soal. Valid Reliabel Objektif Sederhana Daya Pembeda Tingkat kesukaran .

REALIBILITAS A. Pada koefisien korelasinya menunjukkan kekuatan realibitas. Seperangkat tes yang diujikan kepada sekelompok siswa.validitas prediksi harus dilakukan uji coba. Suatu instrument yang mempunyai hasil pengukuran tetap dan bias dipercaya. Teknik belah dua (Split-half). • Konsistensi Internal 1. 2. Hasilnya dikorelasikan antar skor jawaban dari separuh tes tersebut yang aada dua kemungkinan yaitu skor item ganjil-genap dan skor separuh item awalseparuh item akhir. 2. B. Metode Paralel maksudnya dua test paralel yang diujikan kepad sekelompok siswa dalam waktu yang bersamaan hasilnya juga akan dikorelasikan dengan korelasi produk moment. Pengertian Realibilitas Secara umum realibilitas itu sama dengan Ketetapan. Cara Mengukur Realibilitas • Konsistensi Eksternal 1. Item-item kedua test harus berbeda. Hasilnya dikorelasikan dengan hasil tes lain yang sudah standar/hasil tes criterion. Analisis diskriminasi item Untuk mencari reabilitas tes penuh digunakan rumus Spearman 2 r1/21/2 (1 + r1/21/2 ) r 11 = BAB VI MASALAH HUBUNGAN ANTAR VARIABEL (TEKNIK ANALISA KORELASI) 41 . namun eqivalen dalam mengukur hal yang sama. Metode Test-Retest maksudnya seperangkat test yang diuji dua kali hasilnya akan dikorelasikan denagn korelasi produk moment.

Ciri yang terkandung dalan peta korelasi itu adalah : 42 .biologi. makin kurangg dihayati dan diamalkan ajaran agama islam oleh para remaja akan diiukuti oleh makin meningkatnya frekuensi kenakalan remaja atau sebaliknya. Korelasi positif adalah korelasi yang bersifat searah. Dalam ilmu statistic “Korelasi” diberi pengertian sebagai “ hubungan antardua variabel atau lebih”. dalam arti : bermacam-macam variabel yang dapat memberikan pengaruh terhadap prestasi studi. b. Korelasi negative adalah korelasi yang hubungannya bersifat berlawanan arah. terdapat korelasi positif antara nilai hasil belajar matematika dan nilai hasil belajar fisika. yaitu variabel yang dipengaruhi. Peta korelasi juga disebut dengan Scatter Diagram (Diagram Pencaram Titik).A. dependent variable. Arah Korelasi 2. yaitu variabel bebas. sedangkan hubungan antar lebih dari dua variabel disebut ”multivariate correlation”. PeNgertian Korelasi Kata korelasi berasal dari bahasa Inggris correlation. Korelasi Postif Korelasi Negatif X Y X Y X Y X Y C. sedangkan: independent variable. a. Peta Korelasi Arah hubungan variabel yang dicari dapat diamati dengan menggunakan peta atau diagram.Bahasa Indonesia sering diterjemahkan dengan “saling hubungan”. Contoh : Dalam dunia pendidikan misalnya. Hubungan antar dua variabel dikenal dengan istilah ”bivariate correlation”. Contoh : Dalam dunia pendidikan misalnya. yang dikenal dengan Peta Korelasi. B.kimia.

4 3 2 1 4 3 2 1 1st Qtr 2. maka pencaran titik yang terdapat pada peta korelasi. 4 3 2 1 4 3 2 1 1st Qtr 43 . Y X X X X Y Y Y 3. atau Korelasi Positif Sempurna. akan membentuk satu buah garis lurus yang condong ke arah kiri. yaitu titik tersebut terpencar atu berada di sekitar garis lurus tersebut yang condong ke arah kanan. atau Korelasi Positif Sempurna. Jika korelasi antara variabel X dan variabel Y merupakan Korelasi Positif yang tinggi atau kuat. apabila dihubungkan antara satu dengan yang lain. Jika korelasi antara variabel X dan variabel Y merupakan Korelasi Negatif Tertinggi. maka pencaran titik yang terdapat pada peta korelasi. apabila dihubungkan antara satu dengan yang lain. Jika korelasi antara variabel X dan variabel Y merupakan Korelasi Positif Tertinggi. sedikit mulai menjauhi garis linier.1. akan membentuk satu buah garis lurus yang condong ke arah kanan. maka pencaran titik yang terdapat pada peta korelasi.

yaitu titik tersebut terpencar atu berada di sekitar garis lurus tersebut yang condong ke arah kiri. Baik Korelasi Positif maupun Korelasi Negatif dikatakan cukup dan korelasi rendah.4. 3. sedikit mulai menjauhi garis linier.00.00 hal itu merupakan petunjuk bahwa dalam perhitungan trsebut telah terjadi kesalahan 4. jika dalam perhitungan diperoleh angka korelasi lebih dari 1. 44 . Besarnya Angka korelasi itu besarnya berkisar antara 0 sampai dengan ± 1.00 dan paling rendah adalah 0. misalnya rxy sebagai lambang koefisien korelasi pada Teknik Korelasi Product Moment. maka pencaran titik yang terdapat pada peta korelasi. Y X X X X Y Y Y 5. Pengertiannya Angka Indeks Korelasi atau Coefficient of Correlation adalah sebuah angka yang dapat dijadikan petunjuk untuk mengetahui seberapa besar kekuatan korelasi di antara variabel yang sedang diselidiki korelasinya. ρ (baca Rho) sebagai lambang koefisien korelasi pada Teknik Korelasi Tata Jenjang. dan lain-lain. apabila pencaran titik pada Peta Korelasi semakin jauh dari tersebar/menjauhi garis linier. rxy = + 0. Lambangnya Angka korelasi biasanya diberi lambang dengan huruf tertentu. D. Angka Korelasi 1. Sebaliknya . Jika korelasi antara variabel X dan variabel Y merupakan Korelasi Negatif yang tinggi atau kuat. Tandanya Korelasi antara variabel X dan Y disebut Korelasi Positif apabila angka indeks korelasinya bertanda ”plus” (+).235. C atau KK sebagai lambang koefisien korelasi pada Teknik Korelasi Kontingensi.751. misalnya : rxy = + 0. 2. ϕ (baca Phi) sebagai lambang koefisien korelasi pada Teknik Korelasi Phi. artinya bahwa angka korelasi itu paling tinggi adalah ± 1.

3. ataukah hubungan yang tidak berarti atau tidak meyakinkan. misal angka korelasi antara variabel X dan Y = 0.75). maka korelasi yang demikian itu disebut Korelasi Negatif . yaitu a. Tujuan. yaitu angka yang fungsinya melambangkan indeks hubungan antar variabel yang dicari korelasinya. Sifatnya Angka indeks korlasi yang diperoleh dari proses perhitungan sifatnya relatif. cukup atau lemah. Pengertiannya Teknik Analisa Korelasional adalah teknik analisa statistik mengenai hubungan antar dua variabel atau lebih. dan Penggolongannya 1.25). 45 .apabila angka indeksnya antara variabel X dan Y bertanda ”minus” (-). Antara variabel X dan Y dikatakan tidak ada korelasinya jika angka indeks korelasinya =0 5. Ingin mencari bukti (berlandaskan pada data yang ada).75 (rxy = 0. Pengertian. sedangkan angka korelasi antara variabel Y dan Z = 0. misalnya : rxy = . Ingin memperoleh kejelasan dan kepastian (secara matematik). Contoh : Korelasi antara Sikap Keagamaan Siswa (variabel X1) dengan Suasana Keagamaan di Lingkungan Keluarga (variabel X2). b. E. Penggolongannya Teknik Analisa Korelasional Bivariat ialah teknik analisa korelasi yang mendasarkan diri pada dua buah variabel. apakah hubungan antar variabel itu merupakan hubungan yang berarti atau meyakinkian (signifikan). Contoh : Korelasi antara prestasi belajar dalam bisang studi Agama Islam (variabel X) dan sikap keagamaan siswa (variabel Y).235. Di sini tidak dapat dikatakan bahwa rxy = 3 kali lipatnya ryz atau menyatakan bahwa ryz = 1/3 rxy.25 (ryz = 0. 2. Teknik Analisa Korelasional.0.235. Ingin menjawab pertanyaan apakah hubungan antar variabel itu (jika memang ada hubungannya). termasuk hubungan yang kuat. Tingkat Pengetahuan Agama Orang Tua Siswa (variabel X4). rxy = + 0. Tujuannya Ada 3 macam tujuan dalam teknik analisa korelasional. Sebagai contoh. c. Adapun Teknik Analisa Korelasional Multivariat ialah teknik analisa korelasi yang mendasarkan diri pada lebih dari dua variabel. hubungan atau korelasi antarvariabel. dan Prestasi Belajar Siswa dalam bidang studi Agama Islam (variabel Y). Lingkungan Keagamaan Siswa di Masyarakat (variabel X3).

Teknik Korelasi Point Biserial (Point Biserial Correlation) f. b. 4. Lambangnya Teknik Korelsi Prudct Moment diberi lambang ”r”. Angka indeks korelasi Product Moment ini diberi indeks dengan huruf kecil dari huruf-huruf yang dipergunakan untuk dua buah variabel yang sedang dicari korelasinya. Teknik Korelasi Rasio (Correlation Ratio) i. F. atau setidak-tidaknya mendekati homogen c. Cara Mencari Angka Indeks Korelasi Product Moment korelasinya diperoleh dengan mencari hasil perkalian dari moment-momen variabel 46 .Variabel yang dikorelasikan berbetnuk gejala atau data yang bersifat kontinu Sampel yang diteliti mempunyai sifat homogen. Teknik Korelasi Kontingensi (Contingency Coefficient Correlation) e. yaitu a. Teknik Korelasi Widespread Tetrakorik (Tetrachoric Correlation) Penggunaan teknik korelasi tersebut di atas akan sangat terkandung pada jenis data statistic yang akan dicari korelasinya. Teknik Korelasi Biserial (Biserial Vorrelation) g. Teknik Korelasi Product Moment (Product Moment Corrlelation) b. Pengertiannya karena koefisien Disebut Product Moment Correlation (Teknik Korelasi Pearson) yang dikorelasikan. 2.4. amaka angka indeks korelasinya dinyatakan dengan lambang rxy. Teknik Korelasi Tata Jenjang (Rank Different Correlation atau Rank Order Correlation) c.Regresinya merupakan regresi linier 3. terdapat 10 macam teknik perhitungan korelasi yang termasuk dalam Teknik Analisa Korelasional Bivariat. Tekinik Korelasi Kendall Tau (Kendall’s Tau Correlation) h. Jadi. Teknik Korelasi Product Moment 1. Penggunaannya a. Teknik Korelasi Koefisien Phi (Phi Coefficient Correlation) d. apabila variabel pertama diberi lambang X dan variabel kedua diberi lambang Y. Cara Mencari Korelasi pada Teknik Analisa Korelasional Bivariat Sebagaimana dikemukakan oelh Borg dan Gall dalam bukunya Educationl Research.

00 – 0. d.70 0. yaitu a. Ph. Interpretasi itu diberikan dengan terlebih dahulu berkonsultasi pada Tabel Nilai r Product Moment 47 . Atau cara singkat tanpa menghitung deviasi standarnya Memperhitungkan Mean-nya c.Memperhitungkan selisih deviasi dari variabel-variabel yang dikorelasikan terhadap Mean-nya f. Adapun untuk Data Tunggak yang Number of Cases-ya 30 atau lebih dari 30 dan untuk Data Kelompok.Apabila data yang ada dalah Data Tunggal.Memperhitungkan skor-skor aslinya atau ukuran-ukuran kasarnya e.Menghitung deviasi standarnya terlebih dahulu b. yaitu a.90 – 1. Memperhitungkan selisih dari masing-masing skor aslinya atau angka kasarnya. angak indeks korelasi rxy dapat diperoleh dengan bantuna peta atau diagram.70 – 0. yaitu Besarnya ”r” Product Moment (rxy) 0.Interpretasi terhadap angka indeks korelsai ”r” Product Moment itu dilakukan dengan cara kasar atau dengan cara yang sederhana Ada pedoman yang digunakan.D.00 b. angka indeks korelasi product moment dapat dihitung dengan 6 cara.40 – 0. akan tetapi korelasi itu sangat lemah atau sangat rendah sehingga korelasi itu diabaikan (dianggap tidak ada korelasi antara variable X dan Y) Antara variabel X dan Y terdapat korelasi yang lemah atau rendah Antara variabel X dan Y terdapat korelasi yang sedang atau cukup Antara variabel X dan Y terdapat korelasi yang kuat atau tinggi Antara variabel X dan Y terdapat korelasi yang sangat kuat atau sangat tinggi Cara Memberi Intepretasi terhadap Angka Indeks Korelasi ”r:” 0.40 0. maka sesuai dengan hal yang dikemukakan oleh Henry E.20 – 0. 5.20 Interpretasi Antara variable X dan Y memang terdapat korelasi. Garrett. dalam bukunya Statistics in Psychology and Education. sedangkan Number of Cases-nya kurang dari 30. Product Moment Dalam hubungan ini ada dua macam cara kita tempuh.90 0.

Kolom 2 memuat skor variabel X. yangterdiri dari 8 kolom. Jika ro sama dengan atau lebih besar dari pada rt maka Hipotesa alternatif (Ha) disetujui atau terbukti kebenarannya. dengan terlebih dahulu mencari derajat bebasnya (db) atau degress of freedomnya (df) yang rumusnya : df = N – nr df = degress of freedom N = Number of cases Nr = banyaknya variable yang dikorelasiakan (jika bivariat maka nr = 2) Dengan diperoleh db atau df maka akan dicari besarnya ”r” yang tercantum dalam Tabel Nilai ”r” Product Moment. Pada kolom 1 dimuat Subjek Penelitian.Menyiapkan tabel kerja atau Tabel Perhitungan.SD y . 6. Kolom 3 48 .SD x .Apabila cara kedua ini yang ditempuh. baik pada taraf signifikansi 5% atau 1%. Adapun rumusan Hipotesa Nihil adalah : ” Tidak ada (atau tidak terdapat) korelasi positif ( atau korelasi negatif) yang signifika antara variabel X dan variabel Y” ♦ Menguji kebenaran atau kepalsuan dari hipotesa yang telah diajukan dengan jalan memperbandingkan besarnya ”r” yang telah diperoleh dalam proses perhitungan dengan ”r” observasi (ro) dengan besarnya ”r” yang tercantum dalam Tabel Nilai r Product Moment. Contoh Cara Mencari dan Memberikan Interpretsi Terhadap Angka Indeks Korelasi ”r” Product Moment a. Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks Korelasi ”r” Product Moment untuk Data Tunggal. maka posedur yang harus dilakukan adalah : ♦ Merumuskan Hipotesa alternatif (Ha) dan Hipotesa Nihil atau Hipotesa Nol (H0) Hipotesa alternatifnya (Ha) kita rumuskan sebagai berikut : ”Ada korelasi positif ( atau korelasi negatif) yang signifikan antara variabel X dan variabel Y”. Dan Hipotesa Nihilnya ditolak. di mana N kurang dari 30 dengan terlebih dahulu memperhitungkan Deviasi Standarnya ♥ Rumus ♥ Langkah rxy = ∑xy N .

♥ Rumus : rxy = ♥ Langkah (∑x )(∑ y ) 2 2 ∑xy . Kolom 7 memuat hasil pengkuadratan devias x. Kolom 6 memuat hasil perkalian antara deviasi v dan deviasi y. Dan kolom 8 memuat hasil pengkuadratan deviasi y .Menghitung Mean dari variabel Y : M y = ∑x N ∑y N ∑x N ∑y N .Menghitung Deviasi Stamndar variabel X . Kolom 7 memuat hasil pengkuadratan devias x. Kolom 4 memuat deviasi skor variabel X terhadap Mean Grupnya (Mx). Kolom 2 memuat skor variabel X. Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks Korelasi ”r” Product Moment untuk Data Tunggal di mana N kurang dari 30 dengan tidak menggunakan Standar Deviasi.Menyiapkan tabel kerja atau Tabel Perhitungan. yangterdiri dari 8 kolom. Kolom 4 memuat deviasi skor variabel X terhadap Mean Grupnya (x = X – Mx).Menghitung Deviasi Standar variabel Y : SD y = .Mencari angka indeks korelasi ”r” product moment antara variabel X dan variabel Y : rxy = (∑x )(∑ y ) 2 2 ∑xy 49 .memuat variabel Y. Kolom 5 memuat deviasi skor variabel Y terhadap Mean Grupnya (y = Y – My).Menghitung Mean dari variabel X dengan menggunakan rumus : M x = .SD x y b. Kolom 5 memuat deviasi skor variabel Y terhadap Mean Grupnya. Pada kolom 1 dimuat Subjek Penelitian. SD x = . Dan kolom 8 memuat hasil pengkuadratan deviasi y . Kolom 3 memuat variabel Y.Menghitung angka indeks korelasi antara variabel X dan variabel Y dengan menggunakan rumus ∑xy : rxy = N . Kolom 6 memuat hasil perkalian antara deviasi v dan deviasi y.SD .

untuk Data ∑x ' y ' − (C x ' )(C y ' ) N = ( SD x ' )( SD y ' ) rxy Langkah : .Merumuskan Ha dan Ho . Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks Korelasi ”r” Product Moment untuk Data Tunggal di mana N kurang dari 30 dengan tidak menggunakan Mean-nya ♥ Rumus : rxy = (∑ x ∑ xy − N . N ∑ x 2 + ∑ y 2 − ∑( x − y ) 2 2 2 [( 2 [( N ∑ x ) − ( ∑ x )] [( N ∑ y )( ∑ y )] 2 2 )] − 2 ( ∑ x )( ∑ y ) Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks ∑x ' y ' − (C x ' )(C y ' ) N = ( SD x ' )( SD y ' ) Korelasi ”r” Product Moment untuk Data Tunggal di mana N = 30 atau lebih dari 30 rxy h.c. Memberikan interpretasi terhadap rxy atau ro.Mencari Cx dengan rumus Σ fx’/N . d.Menyiapkan peta korelasi serta perhitungannya . Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks Korelasi ”r” Product Moment untuk Data Tunggal di mana N kurang dari 30 dengan tidak menggunakan Selisih skornya rxy = g.M x 2 )(∑ y 2 −N .M y 2 ) e. Cara Mencari dan Memberikan Interpretasi terhadap Angka Indeks Korelasi ”r” Product Moment untuk Data Tunggal di mana N kurang dari 30 dengan tidak menggunakan Selisih Deviasinya rxy = ∑x 2 + ∑y 2 − ∑d 2 2 (∑x )(∑y ) 2 2 f. serat menarik kesimpulannya yang dapat dilakukan secara sederhana atau dilakukan dengan jalan konsultasi pada tabel nilai ”r” product moment.Mencari Cy.M y 2 − N . Kelompok Cara Mencari Angka Indeks Korelasi ”r” Product Moment. dengan Σ fy’/N 50 .M x .

. jadi bukan berdasarkan pada skor hasil pengukuran yang sebenarnya. Datanya adalah data ordinal atau data berjenjang atau data urutan. Cara Memberikan Interpretasi terhadap Angka Indeks Korelasi Tata Jenjang Ha = Ada korelasi positif yang signifikan antara variabel I dan variabel II Ho = Tidak ada korelasi positif yang signifikan antara variabel I dan variabel II 6. Penggunaannya Teknik Analisa Korelasional Tata Jenjang dapat efektif digunakan apabila subjek yang dijadikan sampel dalam poenelitian lebih dari sembilan tetapi kurang dari tiga puluh.Mencari SD dengan : SD x ' =i ∑ fx '  ∑ fx '  −  N  N  ∑ fy '  ∑ fy '  −  N  N  2 2 . yang sedang diselidiki korelasinya diukur berdasarkan perbedaan urutan kedudukan skornya. dalam keadaan terdapat urutan yang kembar dua c. 51 . 3. dalam keadaan tidak terdapat urutan yang kembar b. yaitu : a. Cara menghitung dan Memberikan Interpretasi terhadap Angka Indeks Korelasi Tatata Jenjang Ada 3 macam cara menghitungnya.± 1.00 . 2.Mencari rxy rxy ∑x ' y ' − (C x ' )(C y ' ) = N ( SD x ' )( SD y ' ) G.Mencari SD dengan : SD y ' =i . Lambangnya Lambang Teknik Korelasi Tata Jenjang dilambangkan dengan ρ . dalam keadaan terdapat kembar tiga buah atau lebih Contoh . Besarnya antara 0. Teknik Korelasi Tata Jenjang (= Teknik Korelasi Rank Oreder = Rank Order Correlation = Rank Difference Correlation ) 1.00 4. Rumusnya 6 ∑D 2 ρ=1 − N ( N 2 −1) 5. Pengertiannya Pada Teknik Korelasi Tata Jenjang besar kecilnya atau kuat-lemahnya korelasi antara variabel.

2. Teknik Korelasi Phi 1. Dengan demikian rho yang diperoelh (hitungan) jauh lebih besar dibandingkan dengan rho tabel maka Ho ditolak. Rumusnya 52 .00 3. Kesimpulan : secara signifikan prestasi belajar bidang studi agama islam berkorelasi positif dengan sikap keagamaan H.018 = 0.± 1. d.794. Lambangnya Lambang Teknik Korelasi Phi dilambangkan dengan ϕ .Skor yang Melambangkan Prestasi Belajar Bidang Studi Agama Islam dan Sikap Keagamaan dari Sejumlah 10 Siswa MAN Nomor Urut 1 2 3 4 5 6 7 8 9 10 Nama A B C D E F G H I J N = 10 Skor I 37 41 38 44 35 43 40 42 36 39 II 60 77 59 75 63 40 80 47 70 54 Rank I = R1 II = R2 6 6 2 2 7 7 3 3 5 5 9 10 1 1 10 9 4 4 8 8 D= R1 – R2 0 0 0 0 0 -1 0 1 0 0 Σ D=0 D2 0 0 0 0 0 1 0 1 0 0 2 = Σ D2 a. Menghitung c. di mana df = 10 . Ha = Ada korelasi positif yang signifikan antara Prestasi Belajar bidang studi Agama Islam dengan Sikap Keagamaan H0 = Tidak ada korelasi positif yang siginifikan antara Prestasi Belajar bidang studi Agama Islam dengan Sikap Keagamaan 6 ∑D 2 N ( N 2 −1) 6 ×2 =1 − = 1 − 0. pada tabel taraf signifikansi 5% 0.98182 10 (100 −1) ρ = 1− b.00 . Besarnya antara 0.648 dan yang 1% adalah 0. Pengertiannya Teknik Korelasi Koefisien Phi digunakan apabila data yang dikorelasikan adalah data yang benar-benar dikotomik (terpisah secara tajam) atau variabel yang dikorelasikan itu adalah variabel diskrit murni. Rho dibandingkan dengan Rho tabel .

Ha = Ada korelasi signifikan antara Prestasi Tes SIPENMARU Para Lulusan SMTA Yang Mengikuti Bimbingan Tes dan yang Tidak Mengikuti Bimbingan Tes Para Lulusan SMTA Yang Bimbingan Tes H0 = Tidak ada korelasi yang siginfikan antara Prestasi Tes SIMPENMARU SIPENMARU Mengikuti Bimbingan Tes dan yang Tidak Mnegikuti 53 . Bila mencari ϕ terlebih dahulu menghitung Kai Kuadrat ϕ= x2 N − ft ) ft 2 Kai Kuadrat : x 2 = ∑ ( fo 4.a. Bila dalam menghitung ϕ mendasarkan pada pro[orsinya φ= ( p )( q )( p ')( q ') α −β δ γ c. Bila dalam menghitung atau mencari ϕ berdasarkan diri pada frekuensi masingmasing sel yang terdapat dalam Tabel Kerja φ= ad − bc ( a + b )( a + c )( b + d )( c + d ) b. Cara Mencari Interpretasi Terhadap Angka Indeks Korelasi Phi rxy = (∑ x )(∑ y ) 2 2 ∑ xy Data Mengenai Hasil Tes SIPENMARU Para Lulusan SMTA Yang Mengikuti Bimbingan Tes dan yang Tidak Mnegikuti Bimbingan Tes Prestasi / Status Lulus Tes SIPENMARU Tidak Lulus Tes SIPENMARU Jumlah Mengikuti Bimbingan Tes 20 25 45 Tidak Mengikuti Bimbingan Tes 20 35 55 Jumlah 40 60 100 = N Berdasarkan Teknik Korelasi Koefisien Phi a.

Teknik Korelasi Point Biserial 1. sedangkan variabel II berbentuk diskrit murni.195 dan untuk 1% adalah 0. Dapat dilihat bahwa r hitung lebih kecil dibandingkan dengan r tabel maka Ho di terima. digunakan untuk mencari korelasi antara dua variabel. interpretasinya terhadap Phi. I. Teknik Korelasi Koefisien Kontingensi digunakan apabila variabel itu hanya terbagi menjadi dua kategori dan kedua kategori tersebut sifatnya diskrit. Cara Menghitungh Interpretasi terhadap Angka Indeks Korelasi Kontinensi φ= C 1− 2 C J. Rumus C = χ2 χ2 + N X2 didapat melalui Kai Kuadrat x2 =∑ ( fo − ft ) ft 2 4.254. 54 . dimana variabel I berbentuk variabel kontinum.5212 = 0. df = N – nr = 100 – 2 = 98 karena tidak ada yang 98 maka digunakan 100 di mana taraf signifikan 5% adalah 0. Pengertiannya Teknik Analisa Korelasional Bivariat berbentuk kategori atau gejala ordinal. Lambangnya Kaut-lemah atau tinggi-rendahnya korelasi dapat diketahui dari besar kecilnya angka indeks korelasi yang dioberi lambang C atau KK 3. = = ( a + b )( a + c )( b + d )( c + d ) ( 20 x 35 )( 20 × 25 ) ( 20 +20 )( 20 + 35 )( 20 + 25 )( 25 200 2437 . Selain itu. Pengertian dan Penggunaannya Teknik Korelasi Point Biserial adalah salah satu tehnik analisa korelasional bivariat. 2.φ= b. Teknik Korelasi Koefisien Kontingensi 1. dapat juga digunakan untuk mencari validitas item di mana tiap butir soal dikorelasikan dengan skor hasil tes secara totalitas.082 ad − bc + 35 ) c.

55 . maka dapat diambil kesimpulab bahwa kedua variabel yang sedang kita carai korelasinya. pada Teknik Korelasi ini dilambangkan dengan rpbi. Jika rpbi lebih kecil daripada r tabel berarti tidak ada korelasi signifikan. ternyata signifikan memang berkorelasi. Cara Memberikan Interpreasti terhadap Angka Indeks Korelasi Point Biserial Menggunakan tabel ”r” Product Moment dengan terlebih dahulu mencari df nya. 3. Jika rpbi yang diperoleh dalam hitungan ternyata sama dengan atau lebih besar dari pada r tabel . Lambangnya Angka indeks korelasi yang menunjukkan keeratan hubungan antara variabel yang satu dengan variabel yang lain.2. Rumusnya : rpbi = M − t p M S D p q 4.

atau “dapat dibandingkan/disamakan”. maka teknik analisanya Misalnya : Apakah secara signifikan terdapat perbedaan sikap sosial dan sikap keagamaan remaja yang orang tuanya berbeda status sosial dan tingkatan pendidikannya? 56 . B. “comparability” mengandung arti “sifat bisa diperbandingkan/disamakan”. Teknik Analisa Komparasi dan Penggolongannya 1. Teknik Analisa Komparasional Bivariat adalah Teknik Analisa Komparasional dengan variabel diperbandingkan hanya dua buah saja. D. Misalnya : Apakah terdapat perbedaan sikap keagamaan yang signifikan antara remaja yang berdomisili di lingkungan masyarakat agraris dan remaja yang berdomisili di lingkungan masyarakat industri. comparable. Pengertian Komparasi Istilah “komparasi” berasal dari Bahasa Inggris. 2. Kata “compare” artinya “bandingan” atau “tara”. dalam hal ini adalah teknik analisa inferensial yang dipergunakan untuk menguji hipotesa dan selanjutnya menrik kesimpulan mengenai ada-tidaknya perbedaan yang signifikan di antara variabel yang sedang diteliti. “comparable” berarti “sebanding”. Teknik Analisa Komparasional Multivariat adalah variabel yang diperbvandingkan itu lebih dari dua buah.BAB VII MASALAH PERBEDAAN ANTAR VARIABEL (TEKNIK ANALISA KOMPARASIONAL) A. comparability. Pengertian Teknik Analisa Komparasional Berdasarkan pengertian di atas maka dapat diberikan pengertian tentang Teknik Analisa Komparasi . comparative dan comparison. yaitu salah satu teknik analisa kuantitatif atau salah stu teknik analisa statistik yang dapat dipergunakan untuk menguji hipotesa mengenai ada-tidaknya perbedaan antar variabel yang sedang diteliti Teknik Analisa Komparasi termasuk dalam kelompok Metodde Analisa Statistik Inferensial. Istilah “komparasi” atau “komparasional” yang digunakan diambil dari kata ”comparison” yang berarti ”perbandingan” atau ”pembandingan”. yaitu compare. “comparative” artinya “yang bertalian dengan perbandingan” sedangkan “comparison” berarti “perbandingan” atau “pembandingan”.

tidak terdapat perbedaan yang signifikan. pada umumnya para ahli statistic mengggolongkan tes ‘t’ menjadi dua macam. yang dapat diperoleh dengan rumus: SE M = SD N −1 SEM = besarnya kesesatan mean sample SD = deviasi standar dari sample yang diteliti N = number of cases (banyaknya subjek yang diteliti) 1 = bilangan konstan standard error perbedaan mean dua sample dapat diperoleh dari rumus sebagai berikut: SE M 1 −M 2 = SE M 1 + SE M 2 2 2 Untuk menolak atau menerima hipotesis nihil tentang ada atau tidak adanya perbedaan dua mean sampel secara signifikan. di sini “t” merupakan suatu angka atau koefisien yang melambangkan derajat perbedaan mean kedua kelompok sampel yang sedang kita teliti. Para ahli statistic melalui berbagai macam penelitian dan eksperimentasi pada akhirnya meyimpulkan bahwa besar kecilnya kesalahan sampling itu dapat diketahui dengan melihat besar kecilnya angka standar yang disebut standard error of the mean (SEM). atau apabila kita formulasikan ke dalam bentuk rumus.BAB VIII Uji T PENGERTIAN Uji T ( t Test) Uji t atau t test adalah salah satu tes statistic yang dipergunakan untuk menguji kebenaran hipotesis nihil yang menyatakan bahwa diantara dua buah mean sample yang diambil secara random dari populasi yang sama. Tes “t” untuk sample kecil (N kurang dari 30) 57 . Besarnya “t” sama dengan selisih kedua mean sampel. kita harus mencari harga kritik “t”. Berdasarkan keadaan samplenya itu. yaitu : 1. dibagi dengan standard error perbedaan dua mean sampel. adalah sebagai berikut: t= M1 − M 2 SE M 1 −M 2 PENGGOLONGAN TES ‘T’ Penggunaan tes ‘t’ sebagai salah satu teknik analisis komparasional bivariat harus disesuaikan dengan keadaan saampel yang sedang kita selidiki (sedang dicari perbedaan mean-nya).

juga dibedakan menjadi dua golongan. PENGGUNAAN TES “T” I. Tes “t” untuk sample kecil. TES “T” UNTUK DUA SAMPLE KECIL YANG SALING BERHUBUNGAN Rumusnya Rumus untuk mencari “t” atau to dalam keadaan dua sample yang kecil (N kurang dari 30). Tes “t” untuk sample kecil yang kedua sampelnya satu sama lain mempunyai hubungan. dan D dapat diperoleh dengan rumus : D=X–Y N = Number of cases = jumlah subjek yang kita teliti. Tes “t” untuk sample besar yang kedua sampelnya satu sama lain tidak saling berhubungan. Tes “t” untuk sample besar. SEM D = standard error (standar kesesatan) dari mean of difference yang dapat diperoleh dengan rumus : SE M D = ∑D D N −1 SDD = devuasi standar dari perbedaan antara skor variable I dan skor variable II. yakni : a. dibedakan menjadi dua golongan. b. yang diperoleh dengan rumus : MD = ∑D N ∑D = jumlah beda / selisih antara skor variabeel I (variable X) dan skor variable II (variable Y). Tes “t’’ untuk sample besar (N sama dengan atau lebih besar dari 30). yaitu : a. adalah sebagai berikut : to = MD SE M D MD = Mean of difference nilai rata-rata hitung dari beda / selisih antara skor variable I dan skor variable II. Tes “t” untuk sample kecil yang kedua sampelnya satu sama lain tidak ada hibungannya. sedangkan kedua sample satu sama lain mempunyai hubungan. 1. Tes “t” untuk sample besar yang kedua sampelnya satu sama lain saling berhubungan.2. yang dapat diperoleh dengan rumus : SD D = N = number of cases 58 ∑D N 2 − (∑D 2 ) (N ) . b.

Memberikan interpretasi terhadap “to” dengan prosedur sebagai berikut : 1) Merumuskan terlebih dahulu hipotesis alternative (Ha) dan hipotesis nihilnya (H0). dengan terlebih dahulu menetapkan degrees of freedomnya (df) atau derajat kebebasannya (db). yang dapat diperoleh dengan rumus : df atau db = N – 1. Menjumlahkan D. e. c. Berarti kedua 59 . baik pada taraf signifikansi 5% ataupun taraf signifikansi 1%. sehingga diperoleh ∑D (tanda plus dan minus ikut diperhitungkan). Jika variable I kita beri lambang X sedang variable II kita beri lambang Y. Mencari deviasi standar dari difference (SDD). Menguadratkan D : setelah itu lalu dijumlahkan sehingga diperoleh ∑D2. 2) Menguji signifikansi to. dengan patokan sebagai berikut: (a) Jika to lebih besar atau sama dengan tt maka hipotesis nihil ditolak. yaitu : SE M menggunakan rumus: SE M = D D dengan SD D N −1 g. sebaliknya hipotesis alternative diterima atau disetujui. Langkah Perhitungannya a. Mencari to dengan menggunakan rumus : to = MD SE M D h. maka : D = X – Y.2. dengan rumus : SDD = ∑D N − (∑D) 2 (N ) f. dengan cara membandingkan besarnya to (“t” hasil observasi atau “t” hasil perhitungan) dengan tt (harga kritik “t” yang tercantum dalam table nilai “t”). 4) Melakukan pembandingan antara to dengan tt. b. dengan rumus : MD = ∑D N d. Mencari mean dari difference. Mencari standar error dari mean of difference. 3) Mencari harga kritik “t” yang tercantum pada table nilai “t” dengan berpegang pada df atau db yang telah diperoleh. Mencari D (difference = perbedaan) antara skor variable I dan skor variable II.

dengan rumus : My atau M2 = 7) Mencari deviasi standar skor variable X dengan rumus: SDx atau SD1 = ∑y N1 2 8) Mencari standard error mean variable Y dengan rumus: SDy atau SD2 = ∑y N2 2 9) Mencari atauSE standar = error mean variable X. sebaaliknya hipotesis alternative ditolak. secara signifikan memang terdapat perbedaan. Berarti bahwa perbedaan antara variable I dan variable II itu bukanlah perbedaan yang berarti. dengan rumus: Mx atau M1 = ∑x N1 Y ∑ N2 6) Mencari mean variable II (variable Y). TES “T” UNTUK DUA SAMPLE KECIL YANG SATU SAMA LAIN TIDAK ADA HUBUNGANNYA Rumusnya M1 − M 2 SE M 1 − M 2 Rumus Pertama : t to = Rumus Kedua: to = M1 − M 2 (∑ x1 + ∑ x2 2 2) ( N1 + N 2 − 2) − ( N1 + N 2) ( N1.N 2) 2. Untuk Rumus Pertama : 5) Mencari mean variable I (variable X). Langkah Perhitungannya a.variable yang sedang kita selidiki perbedaannya. II. (b) Jika to lebih kecil daripada tt maka hipotesis nihil diterima atau disetujui. atau bukan perbedaan yang signifikan. dengan rumus: SD Mx M1 SD1 N1 −1 60 . 1.

lalu dijumlahkan. berarti ada perbedaan mean yang signifikan di antara kedua variable yang kita selidiki. diperoleh 6) Menguadratkan x2. berarti tidak terdapat perbedaan mean yang signifikan antara variable I dan variable II. Untuk Rumus Kedua 1) Mencari mean variable X1 dengan rumus: M 1 = 2) Mencari mean variable X2 dengan rumus: M 2 = ∑X N1 1 ∑X N2 2 3) Mencari deviasi skor variable X1. 14) Menguji kebenaran / kepalsuan ke dalam hipotesis tersebut di atas dengan membandingkan besarnya t hasil. 13) Memberikan interpretasi terhadap to dengan prosedur sebagai berikut : a) b) Merumuskan hipotesis alternatifnya (Ha): “ada (terdapat) Merumuskan hipotesis nihilnya (Ho): “tidak ada (tidak terdapat perbedaan mean yang signifkan antara variable X dan variable Y.perhitungan (to) dan t yang tercantum pada table nilai “t”. b. maka dapat dicari harga tt pada taraf signifikansi 5% atau 1%. dengan rumus: df atau db = (N1 + N2) – 2.” perbedaan mean yang signifikan antara variable X dan variable Y”).10) Mencari standard = error SD 2 N 2 −1 mean variable Y. dengan rumus: X 2 = ∑X 2 − M 2 5) Menguadratkan x1. dengan rumus: SD M x atauSE M2 11) Mencari standard error perbedaan antara mean variable X dan mean variable Y. dengan rumus: (jumlah X1 dan ∑X1 harus sama dengan nol) X = ∑X 1 − M 1 4) Mencari skor variable X2. Jika to sama besar atau lebih besar daripada tt maka Ho ditolak. Jika to lebih kecil daripada tt maka Ho diterima. diperoleh x ∑ 2 1 ∑x 2 2 7) Mencari to dengan rumus seperti telah disebutkan di atas. dengan diperolehnya df atau db. 61 . dengan rumus: SE M 1 −M 2 = SE M 1 + SE M 2 2 2 12) Mencari to dengan rumus yang telah disebutkan di atas. lalu dijumlahkan. dengan terlebih dahulu menetapkan degrees of freedomnya atau derajat kebebasannya.

yang menunjukkan kuat lemahnya hubungan (korelasi) antara variable I (variable X) daaan variable II (variable Y) dengan bantuan peta korelasi (Scatter Diagram): r ataur = xy 12 ∑x' y − ('C x' )( C y ' ) N ( SD x ' )( SD y ' ) 8) Mencari standard error perbedaan mean antara sample I dan sample II: SE M 1 −M 2 = SE M 1 + SE M 2 − ( 2.8) Memberikan interpretasi terhadap to dengan mempergunakan table nilai “t”.r12 )( SE M 1 ) ( SE M 2 ) 2 2 9) Mencari to dengan rumus: to = M1 − M 2 SE M 1 − M 2 b. dengan cara yang sama seperti telah disebutkan di muka. 9) Menarik kesimpulan. III. Untuk Data Kelompokan (Range Sama Atau Lebih Dari 30) 62 . TES “T” UNTUK DUA SAMPLE BESAR YANG SATU SAMA LAIN M1 − M 2 SE M 1 − M 2 SALING BERHUBUNGAN 1. 2. Untuk Data Tunggal (Range-Nya Kurang Dari 30) N N 2 2) Mencari mean variable II (variable Y): M 2 = ∑ 3) Mencari deviasi standar variable I: SD1 = 4) Mencari deviasi standar variable II: SD 2 = ∑ fx N1 ∑ fx N2 1 2 5) Mencari standard error mean variable I: SE M = 6) Mencari standard error mean variable II: SE = SD1 N −1 SD2 N −1 M2 7) Mencari koefisien korelasi “r” product moment (rxy atau r12). Rumusnya : to = Langkah Perhitungannya 1) Mencari mean variable I (variable X): M 1 = ∑ fX fY a.

dengan rumus: rxy ataur 12 = ∑x' y ' − (C x ' )( C y ' ) N ( SD x ' )( SD y ' ) 8) Mencari standar error perbedaan antara mean variable I dan mean variable II. 11) Berdasarkan besarnya df atau db tersebut kita cari harga kritik “t” yang tercantum dalam table nilai “t”. lalu diberikan interpretasi terhadap to dengan prosedur kerja sebagai berikut: 10) Mencari df atau db dengan rumus df atau db = N – 1. pada taraf signifikansi 5% dan taraf signifikansi 1%. berarti di antara kedua variable yang kita selidiki. dengan catatan: a) Apabila to sama dengan atau lebih besar daripada tt maka hipotesis nihil ditolak. terdapat perbedaan mean yang signifikan. dengan rumus: SE M 1 −M 2 = SE M 1 + SE M 2 − (2.1) Mencari mean untuk variable I: M 1 = M '+i (∑ fX ' ) N (∑ fY ' ) N 2 2) Mencari mean untuk variable II: M 2 = M '+i 3) Mencari deviasi standar variable I: SD1 = i 4) Mencari deviasi standar variable II: SD 2 = i ∑fx ' N − 2 (∑fx ' ) 2 (N ) (∑fx ' ) 2 (N ) ∑fx ' N − 5) Mencari standard error mean variable I: SE M = 1 SD1 N −1 SD2 N −1 6) Mencari standard error mean variable II: SE M = 2 7) Mencari koefisien korelasi “r” product moment (rxy atau r12). yang menunjukkan kuat lemahnya hubungan (korelasi) antara variable I dan variable II (dengan bantuan peta korelasi). 63 .r12 )( SE M 1 )( SE M 2 ) 2 2 9) Mencari to dengan rumus: to = M1 − M 2 SE M 1 − M 2 selanjutnya baik untuk data tunggal maupun data kelompokan setelah diperoleh harga to.

TES “T” UNTUK DUA SAMPLE M1 − M 2 SE M 1 − M 2 (∑fx ' ) (N ) BESAR YANG SATU SAMA LAIN TIDAK MEMPUNYAI HUBUNGAN 1. Mencari mean variable X (variable I). berarti di antara kedua variable yang kita selidiki tidak terdapat perbedaan mean yang signifikan. IV. Mencari deviasi standar variable I dengan rumus: SD 1 = i d. Rumusnya : to = Langkah Perhitungannya i a. Mencari standard error mean variable II dengan rumus: SE M = 2 SD1 N −1 SD2 N −1 g. Mencari deviasi standar variable II dengan rumus: SD 2 = i (∑fy ' ) (N ) (∑fx ' ) 2 (N ) ∑fx ' N 2 − 2 ∑ fy ' N 1 − (∑ fy ' ) 2 (N ) e. Mencari standard error mean variable I dengan rumus: SE M = f. 12) menarik kesimpulan. dengan rumus: M 1 = M '+ b. dengan rumus: M 2 = M '+ c. Mencari mean variable Y (variable II). 2. Mencari standard error perbedaan mean variable I dan mean variable II dengan Rumus: SE M 1 −M 2 = SE M 1 + SE M 2 2 2 h.b) Apabila to lebih kecil daripada tt maka hipotesis nihil diterima atau disetujui. Mencari to dengan rumus: to = M1 − M 2 SE M 1 − M 2 64 .

010? (15. Bentuk distribusi χ ² tergantung dari derajat bebas(v)/degree of freedom.005? (35. Uji Kecocokan = Uji kebaikan-suai =Goodness of fit 65 . Gunadarma). Bentuk Distribusi Chi Kuadrat (χ ²) Nilai χ ² adalah nilai kuadrat karena itu nilai χ ² selalu positif.BAB IX UJI CHI KUADRAT ( χ2 ) Uji Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara : frekuensi observasi/yg benar-benar terjadi/aktual A.7185) Pengertian α pada Uji χ ² sama dengan pengujian hipotesis yang lain.0863) Berapa nilai χ ² untuk v = 17 dengan α = 0. Pengertian Frekuensi Observasi dan Frekuensi Harapan Frekuensi observasi (o) Frekuensi harapan (e) → → nilainya didapat dari hasil percobaan nilainya dapat dihitung secara teoritis B. yaitu luas daerah penolakan H0 atau taraf nyata pengujian Perhatikan gambar berikut : α : luas daerah penolakan H0 = taraf nyata pengujian 0 +∞ Pengunaan Uji χ ² Uji χ ² dapat digunakan untuk : a. Perhatikan Tabel hal 178 dan 179 (Buku Statistika-2. Contoh : Berapa nilai χ ² untuk v = 5 dengan α = 0.

Bentuk umum Tabel Kontingensi → berukuran r baris x k kolom frekuensi 2 harapan r.b.2 .. k oi : frekuensi observasi untuk kategori ke-i ei : frekuensi ekspektasi untuk kategori ke-i kaitkan dengan frekuensi ekspektasi dengan nilai/perbandingan dalam H0 Derajat Bebas (v) = k – 1 C.k = ( total kolom ) x (total baris ) total observasi χ =∑ i.j =1 (oij − eij ) 2 eij derajat bebas = (r-1)(k-1) r : banyak baris 66 .1 A. Uji Kebebasan Uji beberapa proporsi 2 χ =∑ i= 1 k RUMUS-NYA : Keterangann : (oi − i ) 2 e ei k : banyaknya kategori/sel. (Berbeda hanya pada penetapan Hipotesis awal dan hipotesis alternatif) 3. H0 H1 B H0 H1 3..2 Penetapan Hipotesis Awal dan Hipotesis Alternatif Uji Kebebasan : : : variabel-variabel saling bebas variabel-variabel tidak saling bebas Uji Beberapa Proporsi : : : setiap proporsi bernilai sama ada proporsi yang bernilai tidak sama Rumus Uji χ2 Data dalam pengujian ketergantungan dan beberapa proporsi disajikan dalam bentuk Tabel Kontingensi. Uji Kebebasan dan Uji Beberapa Proporsi Uji kebebasan antara 2 variabel memiliki prinsip pengerjaan yang sama dengan pengujian beberapa proporsi. 1. c.

. O22 K O1K O2K JUMLAH N10 N20 FAKTOR I (B TARAF) 67 ..... Untuk setiap sampel dihitung banyak peristiwa yang mengikuti distribusi poisson.... Akan diuji pasangan hipotesis...... λk.. Banyak pengamatan yang terjadi taraf ke-i faktor ke-I (i = 1.. kolom ke-j D... X2.... .... k) akan dinyatakan dengan Oj...... kolom ke-j ei.... B) dan taraf ke-j faktor ke-II (j = 1..... Faktor I terbagi atas B taraf dan faktor II terbagi atas K taraf... ialah faktor I dan faktor II. 2.. n2 dari populsi kedua dan seterusnya berukuran nk dari populasi ke-k..Xk maka rata-ratanya X = X 1 + X 2 + ............ dimana tiap pengamatan tunggal diduga terjadi karena adanya dua macam faktor....... Jika banyak peristiwa ini dinyatakan dengan X1. O12 .. berukuran n1 dari populasi kesatu... .k : banyak kolom oi. MENGUJI KESAMAAN RATA-RATA POISSON Misalkan ada k (k ≥ 2) buah distribusi poisson dengan parameter λ1. UJI INDEPENDEN ANTARA DUA FAKTOR Asosiasi Antara dua Faktor dalam Daftar Kontingensi BxK Secara umum untuk menguji independent antara dua faktor dapat dijelaskna sebagai berikut:Misalkan sebuah sampel acak berukuran n telah diambil.= λk H1 : paling sedikit satu tanda sama dengan tidak berlaku Dari setiap popoulasi diambil sebuah sampel acak...j : frekuensi ekspektasi baris ke-i.. 2. λ2. . Hasilnya dapat dicatat dalam sebuah daftar kontingensi B X K DAFTAR KONTINGENSI B/K UNTUK HASIL PENGAMATAN TERDIRI ATAS DUA FAKTOR 1 O11 O21 FAKTOR II (K TARAF) 2 .. + X k k statistik yang digunakan untuk menguji hipotesis Ho adalah χ2 = ∑ ( xi − x ) 2 x dari tolak Ho jika χ 2 ≥ χ 2 (1 − α )( k −1) dalam hal lainnya Ho diterima. D.. Ho : λ1 = λ2 = .j : frekuensi observasi baris ke-i...

. Jelas bahwa n = n10 + n20 + .. Faktor kedua Faktor kesatu Taraf 1 Taraf 2 jumlah Taraf 1 A C a+c Taraf 2 b d b+d jumlah a+b c+d n 68 .. Untuk ini diperlukan frekuansi teoritik atau banyak gejala yang diharapkan terjadi yang disini akan dinyatakan dengan Eii... Rumusnya adalah: Eij = (nio x noj)/n Dengan nio = jumlah baris ke-i noj = jumlah kolom ke-j demikianlah misalnya didapat : E11 = (n10 x n01)/n E21 = (n20 x n01)/n Dan seterusnya.. Metode Khusus untuk Daftar Kontingensi 2 x 2 Jika daftar kontingensi berukuran 2 x 2 maka untuk pengujian hipotesis digunkan distribusi chikuadrat dengan derajat kebebasan satu....... Dalam hal lainnya kita terima hipotesis Ho. OBK nOK N80 n Pasangan hipotesis yang akan diuji berdsarkan data seperti dalam daftar diatas adalah Ho : kedua faktor bebas statistik H1 : kedua faktor tidak bebas statistik Pengujian secara eksak sukar digunakan. Ternyata bahwa untuk hal ini koreksi kontiunitas perlu digunakan dan telah ditemukan dengan nama koreksi Yates.K)( K – 1 ). yaitu setiap harga mutlak I Oij – Eij I dikurangi dengan setengah.... karenanya disini hanya kan dijelaskan pengujian yang bersifat pendekatan. Hasil pengamatan yang dapat dicantumkan dalam daftar kontingensi 2 x 2 adalah seperti dibawah ini.........+nBO = n01 + n02 + ......JUMLAH OB1 N01 OB2 N02 .........+ nOK Statistik yang digunakan untuk menguji hipotesis diatas adalah : E12 = (n10 x n02)/n : E22 = (n20 x n02)/n χ = ∑ ∑ ( Oi j − Ei j ) / Ei j 2 B K 2 i= j j− 1 dan tolak Ho jika χ 2 (1 − α ){( B − 1)( K −1)} dalam taraf nyata = α dan derajat kebebasan dk untuk distribusi chi kuadrat = ( B....

Garret.. Tes chi kuadrat untuk menguji atau mengetes perbedaan frekuensi variabel ganda. Tes chi kuadrat untuk menguji atau mengetes perbedaan frekuensi variabel tunggal. yaitu disesuaikan dengan keadaan data atau maksud penggunaannya. 1.... di mana sel-selnya berfrekuensi 10 atau lebih dari 10. F. ada 6 macam penggolongan. ketiga.. f t = frekuensi teoritik = frekuensi yang diharapkan jika seandainya tidak terdapat perbedaan frekuensi = perbedaan tidak ada atau saam dengan nol. yaitu sel petama. C. D..Jelas bahwa n = a + b + c + d Rumus X2 untuk hal ini bersama-sama dengan memperhitungkan koreksi Yates tersebut diatas adalah: χ 2 = n( Ιad − bcΙ − −1 / 2n ) ( a + b )( a + c )( b + d )( c + d ) 2 hipotesis yang akan diuji adalah: Ho : kedua faktor independen Hi : kedua faktor tidak independent Dan tolak Ho jika X χ ≥ χ(1 −α)(1) dengan α taraf nyata dan dk = 1. Rumusnya: Apabila variabel yang akan kita cari perbedaan frekuensinya adalah variabel ganda dan sel-selnya berfrekuensi 10 atau lebih dari 10 maka sebagaimana dikemukakan oleh Henry E.. ... PENGGOLONGAN TES CHI KUADRAT Cara untuki mencari atau rumus untuk menghitung chi kuadrat... = f 0 = frekuensi yang diobservasi = frekuensi yang diperoleh dalam penelitian frekuensi sebagaimana yang nampak dihadapan kita....rumus yang dipergunakan adalah: N ( AD − BC ) χ = ( A + B )( C + D )( A + C )( B + D ) 2 2 N = Number of case A. B. dan keempat( dengan kata lain tabel kerja kita adalah berbentuk tabel 2 x 2) 69 .. 2 Rumusnya: χ = ∑ ( f0 − ft ) 2 ft + ( f0 − ft ) ft + . masing-masing adalah lambang bagi sel yang terdapat pada tabel kontingensi. kedua.. 2.

tidak menyimpang secara signifikan dari frekuensi teiritiknya dalam distribusi normal teoritik. Rumus yang kita pergunakan adalah χ =∑ 2 ( f0 − ft ) 2 ft 6. maka dalam perhitungan untuk memperoleh harga kai kuadrat.3. Tes chi kuadrat untuk menguji atau mengetes perbedaan frekuensi variabel ganda. dimana terdapat sel yang berfrekuensi kurang dari 10 ( dengan koreksi Yates ) Rumusnya: Jika diantara sel-sel dalam tabel kontingensi kita terdapat sel yang berfrekuensi kurang dari 10. BAB X ANAVA (Analisis Varian) 70 . Tes chi kuadrat untuk menguji atau mengetes signifikansi Normalitas Distribusi Frekuensi. Rumusnya. perlu dilakukan koreksi yaitu dengan menggunakan Rumus koreksi Yates sebagai berikut: N  N ( AD − BC ) −  2  χ2 = ( A + B )( C + D )( A + C )( B + D ) 2 4. Tes chi kuadrat untuk menguji atau mengetes signifikansi korelasi. Rumus chi kuadrat yang kita perguankan disini sama dengan rumus-rumus chi kuadrat yang telah dikemukakan terdahulu. Karena itiu sebelum diberikan interpretasi terhadap chi kuadrat harus kita ubah terlebih dahulu kedalam bentuk ngka frekuensi dengan rumus: χ 2 = χ 2 %Χ N 100 5. Tes chi kuadrat untuk menguji atau mengetes perbedaan persentase.Chi kuadrat juga dapat digunakan untuk mengetes signifikansi normalitas distribusi yaitu untuk menguji hipotesa nihil yang menyatakan bahwa frekuensi yang diobservasi dari ditribusi nilai-nilai yang sedang diselidiki normalitas ditribusinya.

∑(Mi .α)N (experimental wise alpha level) Σx1 + Σx 2 + . Varian kiraan adalah perbandingan jumlah kuadrat skor deviasi dengan nilai derajat bebasnya. + Σx k ζ = (n1 − 1) + (n 2 − 1) + . Uji Perbedaan Rata-Rata Beberapa Sampel dengan Menggunakan ANAVA Satu Arah Analisis varian (ANAVA) satu arah digunakan pada situasi dimana beberapa sample/sub sample dipilih secara acak dari kelompok utamanya dan seluruhnya merupakan subjek untuk mendapatkan perlakuan yang tidak sama.a. Jumlah kuadrat penyimpangan total. 71 . sesuai dengan va Dalam ANAVA..M) Error baku rata-rata ζ M = Jika dikuadratkan: ζ M 2 = Dimana: Mi = rata-rata subjek kelompok I M = rata-rata keseluruhan k = jumlah subkelompok k – 1 = df dalam penentuan varian distribusi rata-rata sebenarnya. yakni jumlah kuadran selisih antara skor individual dengan rata-rata totalnya dirumuskan: SSt = SSb + SSw Dimana: Ho : µi = µj untuk semua i dan j Hi : µi γ µj untuk sebagian i dan j dimana i tidak sama dengan j Jika pada uji t kemungkinan error jenis I = α maka pada ANAVA kemungkinan error jenis I = 1 – (1....Σ( Mi − M ) 2 k −1 ζ N Σ( Mi − M ) 2 k −1 ζ 2 Σ( Mi − M ) 2 = N k −1 k-1 = df dalam penentuan varian populasi σ2 kiraan antara kelompoknya Rumus ini untuk menentukan varian sebenarnya yang diperkirakan dari variabilitas rata-rata subkelompoknya. maka N.M)2 sama dengan jumlah kuadrat untuk varian kiraan antara kelompok yang merupakan varian populasi sebenarnya. yaitu: Atau ζ 2 = N . + (n k − 1) 2 2 2 2 xi = (Xi .

Contohnya. Sebagai hasilnya. atau F tidak signifikan. keseluruhan uji-F tidak menarik atau tidak berguna untuk kebanyakan peneliti. MS = SS dK SS b d K −SSb SS W d K −SSW MS b = MS W = Dalam ANAVA. ketertarikan para peneliti terletak pada perbedaan antara rata-rata kelompok tertentu saja. dimana: F = MS b MS w F signifikan.varian yang merupakan hasil bagi SS dengan df dikenal sebagai deviasi rata-rata kuadrat (mean squared deviation) disingkat dengan MS. maka ho dipertahankan. Secara umum. peneliti pasar ingin membandingkan peningkatan dalam penjualan yang disebabkan karena tiga macam rencana peningkatan: (1) membeli satu mendapatkan barang kedua dengan harga setengahnya. Metode Perbandingan Ganda Uji-T Guna Pembandingan Rata-Rata Rumus uji-t dalam perbandingan ganda adalah: t ij = Mi − M j − 0 ζw 2 [(ni + n j ) / ni . Uji-t setelah Uji-F ANAVA Satu Arah Uji-t dilakukan untuk membandingkan rata-rata setiap subsampel. Dalam ANAVA satu arah yang melibatkan lebih dari dua kelompok.n j ] Dimana: 72 . maka ho ditolak. Pengujian ini tidak dianjurkan karena di dalam banyak uji-t yang dilakukan untuk mencapai hasil signifikan diharapkan akan terjadi kesalahan dengan persentasi tertentu setiap sampling secara acak dari populasi dengan rata-rata dan variansi yang sama. beberapa rata-rata dibandingan dengan serentak. tetapi tidak menunjukkan pasangan mana yang berbeda secara signifikan. riabel eksperimennya. Uji-F dalam ANAVA adalah untuk untuk menguji keseluruhan. tentu saja yang (3) dengan harga biasanya. Uji-F signifikan memiliki arti bahwa paling tidak ada satu pasang rata-rata berbeda secara statistik. uji-f yang signifikan menjadikan penolakan untuk keseluruhan hipotesis perbedaan rata-ratanya. sehingga distribusi F dipakai sekaligus diuji signifikansinya. dan (2) membeli dua dengan harga biasa dan mendapatkan satu gratis.

v √ζW2/n qk. dan ni.v = nilai ‘studentized range statistic’ ζW2 = varian kiraan kelompok n = jumlah subjek dalam tiap kelompok Nilai q didapatkan dari tabel distribusi ‘studentized Range Statistic’. Nilai ζW2 didapatkan dari tabel rangkuman ANAVA dalam kolom ‘kuadrat rata-rata’ (MS) dan baris ‘dalam-kelompok’. Mj = masing-masing rata-rata kelompok i dan j ζW2 = kuadrat rata-rata untuk dalam-kelompok. HSD = qk.tij = nilai t terhitung untuk membandingkan rata-rata kelompok i dengan kelompok j Mi.NT adalah jumlah total pengamatan dan n adalah ukuran sampel untuk tiap kelompok.k). Nilai t dievaluasi pada level α. Diketahui rata-rata k berdasarkan pada n yang sama. dan jumlah kelompok (k). derajat bebas untuk dalam-kelompok v = (NT . Uji Perbandingan Ganda HSD Tukey Perbandingan antara dua rata-rata kelompok akan signifikan jika harga absolut beda di antara kedua rata-rata lebih besar dari nilai HSD (Honestly Significant Difference). rentang studentized q adalah perbedaan antara rata-rata terbesar dikurangi dengan rata-rata terkecil dibagi dengan kiraan error baku. Agar dapat menggunakan tabel distribusi q. rentang studentized dapat ditentukan. BAB XI ANAVA DUA ARAH 73 . Jika besarnya k berbeda dan df serta ζW2 berasosiasi. nj = masing-masing ukuran sampel untuk kelompok i dan j. derajat bebas dan nilai kritis tertentu yang didapat dari tabel t-kritis. maka harus diketahui tingkat signifikansi (α). Perkiraan ini didapatkan dengan mengelompokkan semua jumlah kuadratnya dan dibagi dengan kelompok derajat bebasnya.

87)2 = 8. .00 – 10. Verifikasi Jumlah Kuadrat Interaksi Jumlah kuadrat interaksi harus dihitung dengan cara lain guna meyakini bahwa metode perhitungan data telah memberikan hasil yang benar.13 – 11.17 – 11.43)2 = 2. kurangkan dengan kedua pengaruh lainnya: (Mi . Tiap variabel bebas memiliki dua atau lebih tingkatan (kelompok).∑(Mi – MRi – MCi + M)2 = 10(24.15)2 = (-1.30 – 12.15)2 = (-2.04 (8.50 – 12.43)2 = 2.64) = 246. n Rata74 . dan pengaruh interaksi.15 + 11. yaitu dengan mengkuadratkan deviasi karena interaksi dan mengalikannya dengan jumlah kasus (n).43)2 = 2.15 + 11. Guna mendapatkan perbedaan deviasi yang disebabkan karena interaksi.24 (8.70 – 12.87)2 = 8.05 + 11.04 (13.15)2 = (1.17 – 11.M).(MCi .25 + 11.15)2 = (2.M) = Mi – MRi – MCi + M (penyimpangan karena interaksi) Jumlah kuadrat interaksi akan didapatkan seperti halnya jumlah skor deviasi kuadrat lainnya. .M) .04 (13.M) dapat dipandang sebagai yang memiliki pengaruh baris (MRi .43)2 = 2.13 – 11. Deviasi rata-rata subkelompok dari deviasi keseluruhan (Mi .13 – 11.ANAVA dua arah menguji pengaruh serentak dua variabel bebas atau faktor-faktor eksperimen pada suatu variabel terikat.(MRi .04 ∑ = 24. .64 n. sehingga didapatkan: n.25 + 11.4 Metode Perbandingan Ganda Uji-t Guna Membandingkan Rata-rata Diagram Dua Arah 1 2 3 Kolom Faktor L . pengaruh kolom (MCi . .M) .M).15)2 = (1.80 – 10.60 – 10.∑ ( Mi − M Ri − M Ci + M ) 2 1 k Pengecekan bebas pada jumlah kuadrat interaksi untuk 6 subkelompok: (9.05 + 11. I j .17 – 11.15)2 = (-1.24 (13.

NKj = masing-masing ukuran sampel untuk subkelompok i dan j dari faktor K Rumus ini juga digunakan untuk membandingkan tiap dua rata-rata kolom (tiap rata-rata dua subkelompok dalam faktor L). sehingga menjadi: 75 .rata 1 2 3 Baris MK1 MK2 MK3 Ratarata Faktor K . MLn Ratarata Semua. . MKi MKj . ML i MLj . Rata-rata Kolom Rata-rata Faktor L Untuk membandingkan setiap dua rata-rata baris (setiap dua rata-rata subkelompok t= dalam faktor K). MKj = masing-masing rata-rata subkelompok faktor K pada tingkatan i dan j ζ w = varian dalam kelompok. . M ML 2 ML 3 . . . . . Rumus yang digunakan adalah: M Ki − M Kj − 0 ζ w 2 [( N Ki + N Kj ) / N Ki . . .N Kj ] Dimana: tij = nilai t terhitung untuk membandingkan rata-rata kelompok i dengan kelompok j MKi. M ML 1 Baris Faktor K Rata-rata Sel dan Sel Individu . MKm . I J . dan 2 NKi. . huruf L menggantikan K dalam rumus.

t= M Li − M Lj − 0 ζ w 2 [( N Li + N Lj ) / N Li . Untuk soal sebelumnya pada tabel didapatkan sumber baris signifikan secara statistik.04 = 2. df = 54..7.04 0.. rata-rata harmonik n menggantikannya. dimana: MR1 = 12. NR1 = 30.v = nilai ‘studentized range statistic’ ζW2 = varian kiraan kelompok n = jumlah subjek dalam tiap kelompok Nilai q didapatkan dari tabel distribusi ‘studentized Range Statistic’ menggunakan derajat bebas dalam kelompok (NT . Harga k untuk membandingkan pasangan rata-rata tingkatan (subkelompok) yang berbeda dari variabel bebasnya sama dengan jumlah tingkatan (subkelompok) dalam variabel bebasnya (faktor eksperimen).90.7937 = 2.N Lj ] Tiap nilai t yang didapatkan dievaluasi terhadap nilai t kritis yang didapatkan dari tabel dengan derajat bebas untuk sumber varian dalam kelompok.891 Uji Perbandingan Ganda HSD Tukey Penggunaan HSD Tukey pada ANAVA dua arah bergantung pada bagaimana ratarata diartikan. HSD = qk. nh = k [(1 / n1 ) + (1 / n 2 ) + .v √ζW2/n qk.13. NR2 = 30 Didapatkan: t= 12 . tetapi tidak terlalu jauh bedanya.90 [( 30 + 30 ) / 30 * 30 ] = 2. Pada kasus dimana besar n tidak sama. Dengan menggunakan uji t dapat diuji perbedaan rata-rata antara metode kuliah dan diskusi. Harga k berbeda-beda bergantung pada apakah perbandingannya adalah antara rata-rata sel individual atau rata-rata subkelompok. MR2 = 10.04 11 . + (1 / n k )] 76 . yaitu perbandingan didapat antara rata-rata sel individual atau antara rata-rata subkelompok (tingkatan variabel bebasnya).k). Contohnya.90 (0. maka harga k adalah 2. Perbedaan skor signifikan secara statistik jika harga absolut beda di antara rata-rata lebih besar dari nilai HSD (Honestly Significant Difference).29 0. Perbandingan mengambil bentuk beda skor di antara rata-rata. Dengan menggunakan rumus di atas. Harga k untuk membandingkan pasangan rata-rata sel individual sama dengan jumlah total sel atau kombinasi faktor eksperimen.17 −10 . jika peneliti ingin membandingkan beda di antara rata-rata metode diskusi dan kuliah.13 11 . pada data sebelumnya.0667 ) = 2. ζ w 2 = 11.

6.84√(11. xn.56. HSDnya adalah (4. hipotesis tidak ada perbedaan di antara rata-ratanya tidak dapat ditolak. Dalam membandingkan M12 = 13.098 lebih besar dari nilai kritisnya 2.7 dengan M23 = 8. HSD. n = 10 q.5 4 sehingga s = √7.54 = 4.54 = 3. dan rata-rata ( x ).54 = 2.05 = 2.091) = 4. Karena 5. simpangan baku diberi simbol s. tetapi cukup menggunakan nilai data aslinya berupa jumlah nilai data dan jumlah kuadratnya.13 = 2. SIMPANGAN BAKU Barangkali ukuran simpangan yang paling banyak digunakan adalah simpangan baku atau deviasi standar.18.90.Pangkat dua dari simpangan baku dinamakan varians.84 * 1.56. sedangkan populasi diberi simbol σ (baca: sigma).01. Jika digunakan untuk data di atas.7 dibandingkan dengan MR2 (rata-rata baris 2 = rata-rata metode kuliah) = 10. k = 2. k = 6. x2. bedanya adalah 12. Untuk sampel. Jelasnya.1.098 Nilai yang didapat = 3.84√1. V(6)………………………… s = 2 30 = 7.13. Jadi. MR1 (rata-rata baris 1 = rata-rata metode diskusi) = 12. Maka untuk q.17 – 10. hipotesis tidak ada perbedaan di antara rata-ratanya ditolak. bedanya adalah 5. Skor mahasiswa lebih tinggi dengan Dosen B yang menggunakan metode diskusi daripada Dosen C yang menggunakan metode kuliah.5 = 2. NT = 60. Jika kita mempunyai sampel berukuran n dengan data x1. s dan s2 merupakan statistik sedangkan σ dan σ2 parameter.04. maka dari tabel berikut ini dihasikan: xi 8 7 xi2 64 49 77 . maka statistik s2 dihitung dengan: 2 V(5)………………………… s ∑( x = i − x) 2 n −1 Dengan menggunakan rumus V(5) didapat: s 2 = Bentuk lain untuk rumus varians sampel adalah. Variansnya tentulah s2 untuk varians sampel dan σ2 untuk varians populasi. ζW2 = 11.84.79 Jadi.1 lebih besar dari 4.05. … .04.19 = 2.Contoh: Menggunakan data soal sebelumnya. q.091 = 3.18)(1.90/10) = 2.74 n∑xi − (∑xi ) 2 2 n(n −1) Pada rumus di atas tampak bahwa tidak perlu dihitung dulu rata-rata ( x ).05.

maka simpangan baku untuk sampel ini merupakan simpangan baku gabungan yang dihitung dengan rumus: 78 . Dengan n = 5.x i − ( ∑ f i x i ) 2 2 n(n −1) Hasilnya berbeda dengan hasil dari rumus V(7) karena rumus V(7) telah dibulatkan hingga satu desimal. maka untuk simpangan baku pun kita dapat menentukan simpangan baku gabungan. maka untuk menentukan varians s2 dipakai rumus: V(7)………………………… s 2 ∑ f (x = i i − x) 2 n −1 Atau lebih baik menggunakan rumus: V(8)………………………… s = 2 n ∑ f i . dari rumus V(6) didapat varians: s2 = 5 * 350 − ( 40 ) 2 = 7. Jika ada k buah subsampel dengan keadaan berikut: Subsampel 1: berukuran n1 dengan simpangan baku s1 Subsampel 2: berukuran n2 dengan simpangan baku s2 Subsampel k: berukuran nk dengan simpangan baku sk Yang digabungkan menjadi sebuah sampel berukuran n = n1 + n2 + … + nk.74 5*4 Sangat dianjurkan untuk menghitung simpangan baku dengan menggunakan rumus V(6) karena kekeliruannya lebih kecil.10 11 4 40 = ∑ xi 100 121 16 350 = ∑xi2 ∑ xi = 40 dan ∑xi2 = 350. sebagaimana halnya dalam rata-rata kita dapat menghitungan rata-rata gabungan.5 = 2.5 dan simpangan baku (s) = √7.ci 2 − (∑ f i ci ) 2    n( n −1)   Dimana p = panjang kelas interval ci = nilai sandi. Jika data dari sampel telah disusun dalam daftar distribusi frekuensi. dan n = ∑fi Selanjutnya. Rumusnya adalah: 2 V(9)………………………… s = p   2  n ∑ f i . x yang digunakan di Cara singkat atau cara sandi seperti ketika kita menghitung rata-rata ( x ) dapat digunakan untuk menghitung varians sehingga perhitungannya akan lebih sederhana.

atau tepatnya distribusi baru. Untuk mengukur pengaruh tersebut dan untuk membandingkan variasi antara nilai-nilai besar dan nilai-nilai kecil. + n k − k 2 BILANGAN BAKU DAN KOEFISIEN VARIASI Misalkan kita mempunyai sebuah sampel berukuran n dengan data x1. Ukuran variasi atau dispersi yang diuraikan dalam bagian-bagian lalu merupakan dispersi absolut. x2... xn. z2. . Bilangan yang didapat dinamakan bilangan z. dan simpangan baku = s. Bilangan yang diperoleh dengan cara ini dinamakan bilangan baku atau x 0 dan simpangan baku s0 dengan rumus:  xi − x   s    V(12)……………………… z i = x 0 + s 0   Perhatikan bahwa untuk x 0 = 0 dan s0 = 1. Variasi 5 cm untuk ukuran jarak 100 m dan variasi 5 cm untuk ukuran jarak 20 m jelas mempunyai pengaruh yang berlainan.. bilangan z ini sering diubah menjadi keadaan atau model baru.. rumus V(12) menjadi rumus V(11). sehingga bilangan z sering pula disebut bilangan standar. digunakan dispersi relatif yang ditentukan oleh: V(13)……………………… Dispersi Re latif = DispersiAb solut Rata − rata Jika untuk dispersi absolut diambil simpangan baku. Dari sini kita dapat membentuk data xi − x untuk i = 1. zn ternyata mempunyai rata-rata = 0 dan simpangan baku = 1. diperoleh penyimpangan atau deviasi data dari rata-rata dinyatakan dalam satuan simpangan baku... berbentuk: V(14)……………………… KV = SimpanganB aku Rata − rata *100% 79 . Dalam penggunaannya. n s baru z1. maka didapat koefisien variasi (disingkat KV) dengan rumus yang dinyatakan dalam persen. Variabel z1. 2. sedangkan rata-ratanya = x . yang mempunyai rata-rata bilangan standar dengan rata-rata x 0 dan simpangan baku s0 yang ditentukan. …. zn dengan rumus: V(11)……………………… z i = Jadi. z2. ….. ….V(10)……………………… s Atau lengkapnya: s 2 = 2 ∑(n − 1)s = ∑n − k 1 1 2 2 2 1 ( n1 − 1) s1 + (n 2 − 1) s 2 + . + (n k − 1) s k n1 + n 2 + .

2. σk. disingkat ANAVA (Analisis Varians). ANALISIS VARIAN Kita lihat juga bahwa varians bersama rata-rata telah banyak digunakan untuk membuat kesimpulan mengenai populasi. (k > 2). digunakan uji t jika kedua varians tidak diketahui. untuk proporsi diberi lambang σ dan x x/n ANALISIS VARIANS SATU ARAH Cara menguji kesamaan dua rata-rata populasi yang masing-masing berdistribusi independen. Akan diuji hipotesis nol H0 dengan tandingan H1: H0 : µ1 = µ2 = … = µk 80 . (k > 2). dan memiliki varians yang homogen. baik secara deskriptif maupun secara induktif melalui penaksiran dan pengujian hipotesis mengenai parameter. …. misalkan kita mempunyai k. Varians untuk sekumpulan data ini melukiskan derajat perbedaan atau variasi nilai data individu yang ada dalam kelompok atau kumpulan data tersebut. Secara umum varians dapat digolongkan ke dalam : 1. untuk rata-rata diberi lambang σ untuk statistik lainnya. Selanjutnya. JENIS VARIAN Telah kita kenal beberapa jenis varians seperti varians sampel (s2) dan varians populasi (σ2). 2. Variasi ini dihitung dari nilai rata-rata kumpulan data. yaitu menguji kesamaan k. dan uji z jika kedua varians diketahui. kita juga telah mengenal varians sampling berbagai statistik. berdistribusi normal. varians akan dibahas lebih lanjut dengan terlebih dahulu melihat berbagai jenis varians kemudian menggunakannya untuk pengujian hipotesis melalui teknik analisis varians. µ2. Varians sistematik adalah varians pengukuran karena adanya pengaruh yang menyebabkan skor atau nilai data lebih condong ke satu arah tertentu dibandingkan ke arah lain. Dalam bab ini. …. µk dan simpangan baku berturut-turut σ1. σ2. karenanya dapat dipakai untuk membandingkan variasi relatif beberapa kumpulan data dengan satuan yang berbeda. Varian Galat 2 2 . Sekarang kita akan membahas perluasannya. buah rata-rata populasi. buah populasi yang masing-masing berdistribusi independen dan normal dengan rata-rata µ1. 1. Tepatnya.Koefisien variasi tidak bergantung pada satuan yang digunakan.

2. Dengan jalan membagi KT antar kelompok dengan KT dalam kelompok. maka rumus XIV(2) untuk menguji H0 berubah menjadi: var ians antar kelompok XIV(3)……………… F= ∑ { n (Y − Y ) k 2 ∑∑ i =1 k i =1 ni i i /(k − 1) k } j =1 (Yij − Yi ) 2 / ∑ (ni − 1) i =1 Dimana: Yij = data ke-j dalam sampel ke-i i = 1. …. Ay. k dan j = 1. Dengan persyaratan tentang populasi seperti tersebut di atas. sebaiknya disusun dalam daftar ANAVA berikut: Daftar ANAVA untuk Menguji HO : µ1 = µ2 = … = µk (Populasi Normal Homogen) 81 ∑ (ni . Jika kedua varians dalam statistik F di atas dituliskan menggunakan jumlah kuadrat.Untuk menguji HO dan melawan H1 kita akan menggunakan varians antar kelompok dan varians dalam kelompok. maka diperoleh harga: XIV(4)………………. diperoleh varians untuk masing-masing sumber variasi yang disini disebut kuadrat tengah (KT). Jika harga F ini lebih besar dari F daftar dengan dk pembilang (k-1) dan dk penyebut untuk α yang dipilih. tepatnya: XIV(2)……………… F = var ians dalam kelompok Statistik F inilah yang digunakan untuk menguji H0. dan ∑ Y2. satuan-satuan JK ialah: Ry.2.………… F = Ay / (k − 1) Dy / ∑( n i − 1) Yang dapat digunakan untuk menguji hipotesis kesamaan beberapa rata-rata populasi. Dy. n1 (ni = ukuran sampel dari populasi ke-i) Yi= ni ∑ k i =1 j =1 Yij / ni = rata-rata untuk sampel ke-i ni Y= ∑ ∑ j =1 Yi j ∑ i =1 k ni = rata-rata untuk semua data Jika tiap JK dibagi derajat kebebasannya masing-masing. Untuk memudahkan analisis. maka hipotesis nol (H0) ditolak.1) . ternyata bahwa rasio varians antar kelompok terhadap varians dalam kelompok membentuk statistik F. ….

82 .1) ∑ ni JK Ry Ay Dy ∑Y2 KT R = Ry/1 A = Ay/(k-1) D = Dy/∑(ni-1) - F A/D - BAB XII REGRESI & KORELASI LINIER SEDERHANA Gagasan perhitungan ditetapkan oleh Sir Francis Galton (1822-1911) 1 • Persamaan regresi :Persamaan matematik yang memungkinkan peramalan nilai suatu peubah takbebas (dependent variable) dari nilai peubah bebas (independent variable) 1 • Diagram Pencar = Scatter Diagram Diagram yang menggambarkan nilai-nilai observasi peubah takbebas dan peubah bebas.Sumber Variasi Rata-rata Antar Kelompok Dalam Kelompok Total dk 1 k-1 ∑ (ni .

Regresi Nonlinier .Bentuk Umum Regresi Linier Sederhana : 83 .Regresi Linier Berganda b.Regresi Linier Sederhana . Y : Tinggi) Biaya Promosi Vs Volume penjualan (X : Biaya Promosi..Bentuk Umum Regresi Linier Berganda Y = a + b1X1 + b2X2 + .Bentuk umum Regresi Eksponensial Y = abx log Y = log a + (log b) x 2.Nilai peubah bebas ditulis pada sumbu X (sumbu horizontal) Nilai peubah takbebas ditulis pada sumbu Y (sumbu vertikal) Nilai peubah takbebas ditentukan oleh nilai peubah bebas Anda sudah dapat menentukan mana peubah takbebas dan peubah bebas? Contoh 1: Umur Vs Tinggi Tanaman (X : Umur. penjualan) 1 • Jenis-jenis Persamaan Regresi : a.+ bnXn Y : peubah takbebas a : konstanta X1 : peubah bebas ke-1 b1 : kemiringan ke-1 X2 : peubah bebas ke-2 b2 : kemiringan ke-2 Xn : peubah bebas ke-n bn : kemiringan ke-n 1 Regresi Non Linier .Bentuk Umum Regresi Linier Sederhana Y = a + bX Y : peubah takbebas X : peubah bebas a : konstanta b : kemiringan . Regresi Linier : . Regresi Linier Sederhana 1 • Metode Kuadrat terkecil (least square method): metode paling populer untuk menetapkan persamaan regresi linier sederhana ..Regresi Eksponensial 1 • Regresi Linier . Y : Vol.

anda dapat melanjutkan analisis ke regresi eksponensial) 84 .Y = a + bX Y : peubah takbebas X : peubah bebas a : konstanta b : kemiringan Nilai b dapat positif (+) dapat negartif (-) 1 b.Penetapan Persamaan Regresi Linier Sederhana n : banyak pasangan data yi : nilai peubah takbebas Y ke-i xi : nilai peubah bebas X ke-i 3. Korelasi Linier Sederhana  Koefisien Korelasi (r) : ukuran hubungan linier peubah X dan Y Nilai r berkisar antara (+1) sampai (-1) Nilai r yang (+) ditandai oleh nilai b yang (+) Nilai r yang (-) ditandai oleh nilai b yang (-) Jika nilai r mendekati +1 atau r mendekati -1 maka X dan Y memiliki korelasi linier yang tinggi Jika nilai r = +1 atau r = -1 maka X dan Y memiliki korelasi linier sempurna Jika nilai r = 0 maka X dan Y tidak memiliki relasi (hubungan) linier (dalam kasus r mendekati 0.

n : banyak pasangan data yi : nilai peubah takbebas Y ke-i x1i : nilai peubah bebas X1 ke-i x2i : nilai peubah bebas X2 ke-i 5. Regresi Linier Berganda 1 2 • Pembahasan akan meliputi regresi linier dengan 2 Variabel Bebas (X1 dan X2) dan 1 • Bentuk Umum : Y = a + b1 X1 + b2 X2 Y : peubah takbebas a : konstanta X1 : peubah bebas ke-1 b1 : kemiringan ke-1 X2 : peubah bebas ke-2 b2 : kemiringan ke-2 1 a .• Koefisien Determinasi Sampel = R = r² Ukuran proporsi keragaman total nilai peubah Y yang dapat dijelaskan oleh nilai peubah X melalui hubungan linier. b1 dan b2 didapatkan dengan menyelesaikan tiga persamaan Normal berikut: Variabel Tak Bebas (Y). Korelasi Linier berganda 85 . Penetapan & Interpretasi Koefisien Korelasi dan Koefisien Determinasi 4.

122 2 • Sedangkan Koefisien Korelasi adalah akar positif Koefisien Determinasi atau  Rumus JKG : Jumlah Kuadrat Galat sy² : Jumlah Kuadrat y (terkoreksi) di mana : 86 .1 • Koefisien Determinasi Sampel untuk Regresi Linier Berganda diberi notasi sebagai berikut Ry.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->