You are on page 1of 19

UKURAN VARIANSI

1. Uji Kesamaan Beberapa Varians
Analisa ragam (analysis of varianc) atau yang lebih dikenal dengan istilah
anova adalah suatu teknik untuk menguji kesamaan beberapa rata-rata secara
sekaligus. Uji yang dipergunakan dalam anova adalah uji f karena dipakai
untuk pengujian dari 2 sampel.
Anova dapat digolongkan ke dalam beberapa kriteria, yaitu :
1.

Klasifikasi 1 arah
ANOVA klasifikasi 1 arah merupakan ANOVA yang didasarkan
pada pengamatan 1 kriteria.

2.

Klasifikasi 2 arah
ANOVA klasifikasi 2 arah merupakan ANOVA yang didasarkan
pada pengamatan 2 kriteria.

3.

Klasifikasi banyak arah
ANOVA banyak arah merupakan ANOVA yang didasarkan pada
pengamatan banyak kriteria.
Model anova dua arah (two-way anova) yang didalamnya hanya ada

satu observasi setiap ruang lingkup sering diartikan sebagai randomized
block design, karena adanya tipe khusus dalam penggunaan model ini.
Dalam anova, penggabungan kelompok-kelompok disebut blocks, dan
karena kejadian individual atau tunggal ditentukan secara random yang
didasarkan atas identifikasi keanggotaan blocks, bentuknya dikaitkan
dengan randomized blocks design.
Suatu bentuk dimensi blocks sedemikian itu bukan merupakan suatu
dimensi perlakuan atau klasifikasi (treatment). Sifat obyektif penggunaan
bentuk ini tidak hanya khusus untuk tujuan pengujian suatu efek atau
pengaruh blocks, akan tetapi ada kemungkinan untuk menentukan suatu
variabilitas diantara subyek-subyek terhadap prestasi prior, misalnya, MSE
dapat direduksi dan pengujian yang dihasilkan dari efek A adalah lebih
sensitip.

0

Iqbal Hasan (2003). pengujian klasifikasi dua arah tanpa interaksi merupakan pengujian hipotesis beda tiga rata-rata atau lebih dengan dua faktor yang berpengaruh dan interaksi antara kedua faktor tersebut ditiadakan. Selain uji Bartlett. 2. anda dapat gunakan uji Levene untuk melihat kesamaan varians dari beberapa populasi. Analisis Varian Dua Arah Dengan Interaksi Menurut Haryono Subiyakto (1994) tiga hipotesis nol yang berbeda dapat diuji dengan anova dua arah dengan interaksi (two-way analysis of variance with interaction. Pengujian Klasifikasi Dua Arah Tanpa Interaksi Menurut M. 3. dan tidak ada interaksi diantara dua faktor baris dan kolom (dua faktor independen). Pengujian Klasifikasi Dua Arah Dengan Interaksi Menurut M. keberadaan kolom dan atau baris mengakibatkan kemungkinan tidak berartinya hasil-hasil riset. Dalam suatu kasus demikian. Iqbal Hasan (2003) pengujian klasifikasi dua arah dengan interaksi merupakan pengujian beda tiga rata-rata atau lebih dengan dua faktor yang berpengaruh dan pengaruh interaksi antara kedua faktor tersebut diperhitungkan. Uji ini diperlukan karena beberapa metoda statistik memerlukan adanya asumsi kesamaan varians sebagai salah satu syarat dapat digunakannya metoda statistik tersebut sebagai metoda analisa seperti penggunaan uji-F pada metoda ANOVA. Hipotesa yang digunakan pada uji Bartlett adalah sebagai berikut: 1 .1. n observations per cell). Suatu efek interaksi yang signifikan menunjukkan bahwa efek klasifikasi bagi suatu faktor berubah-ubah sesuai dengan tingkat-tingkat yang lain. Uji ini untuk melihat kesamaan varians dari beberapa populasi yang berdistribusi normal. Uji Levene akan dibahas pada sesi tulisan yang lain. tidak ada efek baris (perbedaan rata-rata baris tidak signifikan). yaitu: tidak ada efek kolom (perbedaan rata-rata kolom tidak signifikan).

k = banyaknya sampel yang akan dianalisa n = jumlah seluruh observasi dari K sampel yang akan dianalisa ni = jumlah observasi pada sampel ke-i 2 .

Varians ketiga populasi tersebut adalah sama dengan tingkat keyakinan sebesar 95%. 2) . RENTANG.Keputusan: Ho diterima Karena B < Χ2(0. RENTANG ANTAR KUARTIL 3 .05 .

Perlu diingat kembali rumus rentang dinyatakan R  data terbesar  data terkecil . 59. Rentang antar kuartil merupakan selisih antara kuartil ke-3 (K 3 ) dengan kuartil ke-1 ( K 1 ) . sehingga Simpangan Kuartil  1 SK 2 sehingga: SK  K 3  K1 2 Contoh Nilai 10 mahasiswa yang mengikuti kuliah statistika di Jurusan Pendidikan Matematika IKIP Budi Utomo Malang adalah sebagai berikut: 56. Secara sederahan rentang antar kuartil dinyatakan dengan rumus RAK  K 3  K 1 Simpangan kuartil atau deviasi kuartil atau disebut juga rentang semi antar kuartil dan merupakan setengah dari rentang antar kuartil. rentang adalah selisih antara data terbesar dengan data terkecil. misalnya keuangan.Sebagaimana telah dikemukakan pada bab III. dan 81. Berdasarkan data dimaksud diperoleh 4 . industri. sehingga istilah rentang erat kaitannya dengan bidang-bidang lain di luar statistika. 73. 60. 76. 68. perbankan dan bidang-bidang lainnya. 34. 56. Rentang antar kuartil (RAK) juga mudah dalam menentukannya. Karena mudah dihitung. 62. rentang banyak digunakan dalam cabang lain di luar statistika.

4 4 jauh dari data ke 5. Nilai K 2 = data ke 5 + = 60 + Nilai K 2 = 60 1  data ke 6  data ke 5 4 1 (62  60) 4 1 2 5 1 4 . 2. Rentang (R) = data terbesar – data terkecil = 81 – 34 = 47 2. Rentang antar Kuartil (RAK) = K 3  K 1 Berdasarkan definisi kuartil diperoleh: Letak K i = data ke i (n  1) dengan i = 1. Nilai K 1 = data ke 2 + = 56 + 3  data ke 3  data ke 2 4 3 (56  56) 4 Nilai K 1 =56 Letak K 2 pada ke 2(10  1) 1 yaitu data ke 5 atau data ke 5 dan ke 6. 4 4 3 4 jauh dari data ke 2.1. 3 4 sehingga: Letak K 1 pada ke 1(10  1) 3 yaitu data ke 2 atau data ke 2 dan ke 3.

4 4 jauh dari data ke 8. Simpangan Kuartil (SK) = 1  RAK  2 = 1 1  17  2 4 =8 5 8 RATA RATA SIMPANGAN DAN SIMPANGAN BAKU 6 1 4 .Letak K 3 pada ke 3(10  1) 1 yaitu data ke 8 atau data ke 8 dan 9. Nilai K 3 = data ke 8 + = 73 + Nilai K 3 = 73 1  data ke 9  data ke 8 4 1 (76  73) 4 1 4 sehingga RAK = K 3  K 1 = 73 1  56 4 = 17 1 4 3.

Untuk menentukan simpangan baku s. . .  Contoh : Diberikan sampel dengan data : 8. kita buat tabel berikut: xi . Simpangan baku data sampel disimbul dengan s. . xn - x 3). (xn - )2 4). Karena itulah di sini diambil kuadratnya yang dituliskan pada kolom (3). Simpangan baku s dihitung sebagai berikut 1). 7. yakni (x1 x x )2. Lalu diambil akarnya yang positif. xi 8 11 3 9 4 -4 16 7 . .x ) = 0.x )2 = 30. . . 10. Kuadrat-kuadrat tersebut dijumlahkan 5). Jumlah tersebut dibagi oleh (n – 1) 6). 11. Tentukan selisih x1 - x . x2. . 4. Didapat  (xi . . Hitung rata-rata x 2). Jika kita mempunyai sampel berukuran n dengan data x1. . maka statistik s dihitung dengan: s = Pangkat dua dari simpangan baku dinamakan varians. .Barangkali ukaran simpangan yang paling banyak digunakan dalah Simpangan baku atau deviasi standar.x 0 (xi . Tentukan kuadrat selsisih tersebut. x2 - x . dari kolom (2). . sedangkan untuk populasi diberi simbul  (baca : sigma).x )2 0 7 -1 1 10 2 4 Rata-rata x = 8. (x2 - x )2. . xn dan ratarata x ( x i  x ) 2 n 1 . bahwa  (xi .

didapat varians 5 x350  ( 40) 5 x 4 s   7.5 = 2.74. Dengan n = 5.  Contoh : Untuk menghitung varians s2 dari data dalam Daftar IV (2) tentang kelembaban selama 80 hari.74. 2 nx i  (xi ) 2 o Bentuk lain untuk rumus varians ialah : s = n(n  1) 2 Pada rumus ini tidak perlu dihitung rata-rata. Untuk lebih mudahnya digunakan rumus kedua.5 dan s = 7.5 = 2.30  40 didapat : S = 7.  Untuk menggunakan Rumus di atas maka dibuat tabel pembantu seperti di bawah ini : 8 . 2 2 o Untuk data dari sampel telah disusun dalam daftar distribusi frekuensi. fi = frekuensi yang sesuai dengan tanda kelas xi n = fi. varians s2 dipakai rumus : 2 nf i x i  ( f i x i ) 2 f ( x  x ) 2 s = i i atau s2 = n(n  1) n 1 2 Untuk: xi = tanda kelas. xi 8 xi2 64 7 49 10 100 11 121 4 40 16 350 Dihasilkan  xi = 40 dan  (xi2 = 350.

5 2070.1 80 x79  Cara koding.0 109. Sehingga diperoleh varians: s2  80 x 483.310  (6.443.5 64.140. jika dipakai Rumus IV (9) ini.75 71 – 80 25 75.130) 2  172.25 - 1146.25 81 – 90 20 85.50 188342.00 (x) 31 .5 4290.310.205.0 146.353.25 814769.0 4.25 1710.5 5700.0 6130. Rumusnya adalah :  n f i c i 2  (  f i c i ) 2 s = p  n(n  1)  2   2   dengan : p = panjang kelas interval.40 fixi2 fixi fixi3 Dari tabel didapat : n =  fi = 80.25 44738. dan n = fi.25 35.506.5 15.  fixi = 6.5 3080. ci = nilai koding.25 982. maka diperlukan tabel berikut : 9 dst .260.5 1260.Kelembaban fi xi xi2 1 35.75 51 – 60 5 55.87 41 -50 2 45.25 1887.25 90.5 1.  Contoh : Untuk data di atas.130 dan  fixi2 = 483.5 - 9120.00 90 – 100 Jumlah 12 80 95. l dapat digunakan juga di sini sehingga perhitungan akan lebih sederhana.401.5 142.00 483. seperti ketika menghitung rata-rata x .37 61 – 70 15 65.5 7310.310.25 277.

5 1 20 20 Kelembaban (x) 31 .5 -2 -10 20 61 – 70 15 65. fici = 9 dan fi ci = 137.1   Hasilnya sama dengan bila digunakan sebelumnya. o Simpangan baku gabungan. sebenarnya yang terakhir didapat dari yang pertama dengan menggunakan transpormasi c i = xi  x 0 berdasarkan sifat : p 1) Jika tiap nilai data xi ditambah atau dikurangi dengan bilangan yang sama. n = fi = 80.5 41 -50 2 51 – 60 cI 90 – 100 12 95.5 2 24 48 Jumlah 80 9 137 2 Dari tabel didapat p = 10. Subsampel k : berukuran nk dengan simpangan baku sk merupakan sebuah sampel berukuran n = n 1 + n2 + …+ nk.-4 fici -4 fici2 16 45.40 fI 1 xI 35. Jika terdapat k buah subsampel : Subsampel 1 : berukuran n1 dengan simpangan baku s1 Subsampel 2 : berukuran n2 dengan simpangan baku s2 …………………………………………………………. maka simpangan bakunya menjadi hal d kali simpangan baku yang asal.  80 x137  (9) 2 80 x79  s2 = (10)2     172.5 -3 -6 18 5 55. maka simpangan baku s tidak berubah.5 0 0 0 81 – 90 20 85. 2) Jika tiap nilai data xi dikalikan dengan bilangan yang sama d. sehingga didapat varians.5 -1 -15 15 71 – 80 25 75. maka simpangan baku untuk sampel ini merupakan simpangan baku gabungan yang dihitung dengan rumus : 10 .

…. xn sedangkan rata-ratanya = x dan simpangan baku = s..7718 14  23  2 sehingga simpangan baku gabungan s = 2.  (nk  1) s k2 s = n1  n2  .75 sedangkan pengamatan yang kedua kalinya terhadap 23 obyek menghasilkan s = 3. Maka.( ni  1) si2 s = atau lengkapnya  ni  k 2 (n1  1) s12  (n2  1) s 22  . x2.308. dirumus : zi =  xi  x    s   x 0  s 0  (2) Perhatikan bahwa untuk x 0 = 0 dan s0 = 1.  nk  k 2 dengan s2 berarti varians gabungan. sehingga angka z sering pula disebut angka standar. o Contoh : Hasil pengamatan pertama terhadap 14 obyek memberikan s = 2.08) 2  8.. Misalkan sebuah sampel berukuran n dengan data x1. Rumus (2) menjadi Rumus (1). n (1) s o Angka baku atau angka standar adalah distribusi baru. s2 = (14  1)(2.. 11 .75) 2  (23  1)(3. 2. didapat varians gabungan.96 Angka Baku dan Koefisien Variasi ? o Satuan simpangan baku.. yang mempunyai ratarata x0 dan simpangan baku s0 yang ditentukan. dirumuskan stuan simpangan baku:: zi = xi  x untuk i = 1.. dengan Rumus V(10) untuk k = 2. ….

 Contoh : 1) Dalam psikologi.8 simpangan baku diatas rata-rata nilai matematika dan hanya 0.8 10 untuk statistika 92  84  0. Kalau saja nilai-nilai di atas diubah kedalam angka baku dengan rata-rata 100 dan simpangan baku 20.44 simpangan baku diatas rata-rata nilai statistika.  Contoh : Seorang mahasiswa mendpat nilai 86 pada ujian akhir matematika dimana rata-rata dan simpangan baku kelompok. pada ujian akhir statistika dimana rata-rata kelompok 84 dan simpangan baku 18. test Wechsler-Bellevue diubah ke dalam angka baku dengan rata-rata = 10 dan simpangan baku = 3.44 18 z= Mahasiswa itu mendapat 0. masing-masing 78 dan 10. maka :  86  78    116 10   untuk matematika z = 100 + 20  12 . Kedudukannya lebih tinggi dalam hal matematika. 2) Test Klasifikasi Umum Tentara di Amerika biasa dijadikan angka baku dengan rata-rata = 100 dan sipangan baku = 20 3) “Graduate Record Examination” di USA dinyatakan dalam angka standar dengan rata-rata = 500 dan simpangan baku = 100  Angka baku dipakai untuk membandingkan keadaan distribusi sesuatu hal. ia mendapat nilai 92. Dalam mata ujian mana ia mencapai kedudukan yang lebih baik?  Jawab : Dengan rumus V(11) didapat : untuk matematika z = 86  78  0.

000 = 13 .000 x100%  20% 10. Jadi diperoleh : KV = SimpanganBaku x100% rata  rata o Koefisien variasi tidak tergantung pada satuan yang digunakan.500 jam dengan simpangan baku 1.000 jam. disingkat KV.  Contoh : Semacam lampu elektron rata-rata dapat diapakai selama 3. digunakan dispersi relatif yang ditentukan oleh : Dispersi Relatif = DispersiAbsolut Rata  rata o Jika untuk dispersi absolut diambil simpangan baku. Dari sini mudah dihitung : KV (lampu pertama) = 1. maka didapat koefisien variasi. Lampu model lain rata-ratanya 10. o Ukuran variasi atau dispersi yang diuraikan dalam bagian-bagian lalu merupakan dispersi absolut. Untuk mengukur pengaruh demikian dan untuk membandingkan variasi antara nilai-nilai besar dan nilai-nilai kecil.9 18   z = 100 + 20  untuk statistika Dalam sistem ini ia lebih unggul dalam matematika. karenanya dapat dipakai untuk membandingkan variasi relatif beberapa kumpulan data dengan satuan yang berbeda. dirumuskan dalam persen.050 x100%  30% 3. Variasi 5 cm untuk ukuran jarak 100 m dan variasi 5 cm untuk ukuran jarak 20 m jelas mempunyai pengaruh yang berlainan.050 jam.000 jam dengan simpangan baku 2.500 KV (lampu kedua) 2. 92  84    108.

Simbol simpangan baku populasi adalah  atau  n sedangkan untuk sampel ( s. Perhitungan simpangan baku untuk data tunggal. Adapun cara perhitungannya adalah sebagai berikut : 1. sd.12 14 X2 5625 4900 6400 7225 3600 5625 10000 8100 9025 5625 X 2 = 66125 10 . 1 2 3 4 5 6 7 8 9 10 n = 10   n-1 = x 2  X 75 70 80 85 60 75 100 90 95 75 X = 805  x n 1 = 1322. Pada prinsipnya perhutungan simpangan baku sama dengan perhitungan lain pada ukuran pemusatan dimana terdapat perbedaan formula maupun cara perhitungan untuk data tunggal dan data berkelompok. Simpangan baku untuk data tunggal dapat dihitung dengan menggunakan rumus :  x n-1 =  2  x n 1 2 atau n s= x 2 n 1 Contoh : Data kemampuan dosen Fakultas X sebagai berikut : No.9 = 12.Ternyata lampu kedua secara relatif mempunyai masa pakai yang lebih uniform. atau  n-1 ). Simpangan baku (Standard deviation) adalah suatu nilai yang menunjukan tingkat ( derajat ) variasi kelompok atau ukuran standart penyimpangan dari reratanya.5  9 n  2 = 2  805 66125  10  1 146.

63. 74.5 -20. 77. 70. 75.5 = 10  1 = 146. 74.5 -5.77.5 4.25 = 1322.25 380. berikutnya dilakukan 10 = n perhitungan simpangan baku dengan rumus deviasi sebagai berikut : s= 2. 66. 72. 73. masih ada rumus lain yang dipakai untuk menghitung standar deviasi sebagaimana terlihat dalam contoh berikut : No. 15 .25 420.9 = 12. 78. Di samping rumus tersebut. 75.25 30.12 Perhitungan simpangan baku untuk data bergolong.5 19.5 9.5 -0. 67. 75.5 14.25 110. 70. 75. x 2 n 1 1322.74.25 20. 74. 79.72.25 30. 67. X 1 2 3 4 5 6 7 8 9 10 n = 10 75 70 80 85 60 75 100 90 95 75 X = 805  (X  X ) X2 x -5.5 -10.73.Rumus yang digunakan di atas adalah rumus angka kasar.78. 67.78. 66. 74.25 90. Setelah diketahui rerata.72. Perhitungan simpangan baku untuk data bergolong dapat dilakukan dengan menggunakan formula sebagai berikut :   fx   fx  f  1   f 1 2  n 1 = 2  fx  f 1 2 atau s= Berikut ini adalah nilai ujian pengantar statistik Sosial mahasiswa program ekstensi Ilmu Administrasi Negara FISIP-UNCEN : 60. 75. 75.78. 76.71.5. 79. 76.5  X2 Kemudian dilakukan perhitungan rata-rata sebagai berikut : X = X 805 = 80.25 0.78. 77. 68. 78.25 210. 80. 72. 71.5 -5.5 0 30. 75.

83. Adapun cara perhitungan dimaksud adalah seperti berikut ini : Tabel Distribusi Frekuensi Nilai Ujian Statistika Sosial Mahasiswa Program Extensi Ilmu Administrasi Negara FISIP-UNCEN Batas kelas No. 93.89 90 . 84. 89.045 Perhitungan di atas merupakan cara menghitung standar deviasi dengan angka kasar (Raw Score).69 70 .79 80 .80.5 89.69 70 . 87. 94. 85. 87. data tersebut selanjutnya dimasukan dalam tabel sebagai berikut : Tabel Distribusi Frekuensi Nilai Ujian Statistika Sosial Mahasiswa Program Extensi Ilmu Administrasi Negara FISIP-UNCEN Titik No.5 79.5 84.82. Nilai 1 2 3 4 5 6 7 60. 87.89 90 . 82. 81. 84. 80. 80.79 80 . 89. 90.74 75 .64 = 7.5 74. Setelah melalui proses pembuatan distribusi frekuensi.94  f tengah 2 6 15 20 16 7 4 (X) 62 67 72 77 82 87 92 - f = 70 x2 124 402 1080 1540 1312 609 368 3844 4489 5184 5929 6724 7569 8464 -  fx fx = fx 2  7688 26934 77760 118580 107584 52983 33856 fx 2 = 425385 5435   fx   fx  f  1  f  1 2  n 1 = 2 425385  =  5435 2 70  1 = 70  1 49.5 94. 84. 81.64 65 . 80. Ada cara lain untuk menghitung standar deviasi yang hasilnya akan sama dengan cara pertama yakni dengan rumus deviasi.84 85 . 81.94 f (X) 2 6 15 20 16 7 4 64. 94. 83.5  f =  (X x -15 -10 -5 0 5 10 15 0 X= 16 X ) x2 225 100 25 0 25 100 225 - fx 2  7688 26934 77760 118580 107584 52983 33856 fx 2 = 3425 .5 69.64 65 .84 85 . 85. 84. Nilai 1 2 3 4 5 6 7 60.74 75 .

5  79. Berdasarkan nilai mean tersebut. selanjutnya dilengkapi 7 = nilai-nilai dalam tabel.5 . maka akan dilakukan perhitungan simpangan baku sebagai berikut :  fx  f 1 2 s= = 3425 = 70  1 49.5 Setelah pengelompokan data dalam tabel distribusi frekuensi. Proses perhitungannya adalah sebagai berikut : = X n X 556. selanjutnya dicari rata-rata dengan mengacu pada batas kelas.70 556. Setelah mendapatkan nilai-nilai yang dikehandaki oleh rumus untuk perhitungan simpangan baku.045 .64 17 = 7.

Anto. Metode Statistik. Prestasi Pustaka: Jakarta Sudijono. Erlangga: Jakarta. sri dkk. Yusuf. Anas.Pengantar Metode Statistik Jilid I. Raja Grafindo Persada : Jakarta. Dajan. Metode Statistika. 2008. J. Gajah Mada University Press: Yogyakarta. 2004. Pengantar Statistik Pendidikan.LP3ES Jakarta Harini. Statistik Teori dan Aplikasi. 18 . 2007.DAFTAR PUSTAKA Supranto. Wiboso. 2005. 1972.