P. 1
Bahan Ajar - PTM203 Statistika

Bahan Ajar - PTM203 Statistika

|Views: 16,879|Likes:
Published by Fin Nahar's

More info:

Published by: Fin Nahar's on Apr 16, 2011
Copyright:Attribution Non-commercial

Availability:

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

06/25/2013

pdf

text

original

Sections

  • 1.1. Pengertian Statistika
  • 1.2. Statistika dalam Pelelitian
  • 2.1.1. Variabel Penelitian
  • 2.1.3. Variabel Kontinu dan Diskrit
  • 2.1.4. Distribusi Frekuensi Tunggal
  • 2.1.5. Distribusi Frekuensi Bergolong
  • 2.1.6. Beberapa Istilah dalam Distribusi Bergolong
  • 2.1.7. Menetapkan Jumlah Interval
  • 2.1.8. Menentukan Lebar Interval
  • 2.1.9. Pengertian Distribusi Frekuensi
  • 2.2.1. Histogram
  • 2.2.2. Poligon
  • 2.2.3. Ogive
  • 3.1. Pengukuran Tendensi Sentral
  • 3.2. Mean
  • 3.3. Median
  • 3.4. Mode
  • 4.1. Pengukuran Variabilitas
  • 4.2. Deviasi Rata-rata (Mean Deviation)
  • 4.3.1. Cara Lain Untuk Menghitung SD
  • 4.3.2. Rumus Angka Kasar
  • 4.3.3. Standar Kesalahan Mean
  • 5.1. Pengertian Hipotesis
  • 5.2. Menyatakan Hipotesis
  • 5.3. Menguji Hipotesis-Perbedaan Antara Dua Mean
  • 5.4. Standar Kesalahan Perbedaan Mean
  • 6.1. Arah Hubungan
  • 6.2. Koefisien Korelasi
  • 6.3. Korelasi setujuduct Moment dan Cara Menghitungnya
  • 6.4. Uji Taraf Signifikansi
  • 7.1.1. Chi-Kuadrat Sebagai Alat untuk Estimasi
  • 7.1.2. Rumus untuk Menghitung Chi-Kuadrat
  • 7.1.3. Derajat Kebebasan untuk Chi-Kuadrat
  • 7.1.4. Chi-Kuadrat Sebagai Alat untuk Pengujian Hipotesis
  • 7.2.1. t-Test Untuk Sampel-Sampel yang Berkorelasi
  • 8.1. Konsep Mean Kuadrat
  • 8.2. F – Ratio
  • 8.3. Anava pada Distribusi Tunggal
  • 8.4. Analisis Variansi (ANAVA) Klasifikasi Ganda
  • 9.1 Analisis Regresi Linear Satu Prediktor
  • 9.2. Analisis Varians Garis Regresi
  • 9.3. Analisis Regresi: Dua Prediktor
  • 9.4. Analisis Regresi : m – Prediktor

BAHAN AJAR

STATISTIKA

Oleh: Dr. Samsudi, M.Pd

JURUSAN TEKNIK MESIN - FAKULTAS TEKNIK UNIVERSITAS NEGERI SEMARANG 2008

Samsudi - STATISTIKA

1

KATA PENGANTAR Puji dan syukur penulis panjatkan kehadirat Alloh SWT , yang telah melimpahkan petunjuk, bimbingan dan kekuatan lahir-batin sehingga dapat menyusun bahan ajar ini. Sasaran yang akan dicapai dengan buku Statistika ini adalah: (1) memberikan dasardasar pemahanan dan pengertian beberapa istilah statistika serta mafaatnya, (2) menggunakan statistika sebagai alat bantu dalam penyusunan laporan penelitian, (3) menggunakan rumus-rumus dan teknik analisis Statistika dan (4) memiliki sikap teliti dan cermat dalam menerima dan menggunakan sesuatu. Bahan ini terdiri atas 9 (sembilan) bab, yaitu: (1) Konsep dan Pengertian Statistika, (2) Distribusi Frekuensi, (3) Ukuran Statistika, (4) Deviasi Rata-rata dan Standar Deviasi, (5) Uji Hipotesis, (6) Teknik Analisis Korelasional, (7) Teknik Analisis Komparasional, (8) Teknik Analisis Variansi, (9) Analisis Regresi. Setiap bab terdiri atas beberapa sub bab serta dilengkapi dengan soal-soal untuk latihan. Penulis menyampaikan terima kasih sebanyak- banyaknya kepada fihak-fihak yang telah membantu penyusunan buku ini. Kritik dan saran yang bersifat konstruktif sangat penulis harapkan untuk kesempurnaan buku ini. Semarang, Oktober 2008 Dr. Samsudi, M.Pd

Samsudi - STATISTIKA

2

DAFTAR ISI KATA PENGANTAR ………………………………………………… DAFTAR ISI …………………………………………………………… BAB I KONSEP DAN PENGERTIAN STATISTIKA …………. 1.1. Pengertian Statistika ................................................... 1.2. Statistika dalam Pelelitian ............................................ BAB II DISTRIBUSI FREKUENSI ................................................ 2.1. Distribusi Frekuensi .................................................... 2.2. Grafik dan Tabel Distribusi Frekuensi ........................ BAB III UKURAN STATISTIKA ................................................... 3.1. Pengukuran Tendensi Sentral ..................................... 3.2. Mean .......................................................................... 3.3. Median ……………………………………………… 3.4. Mode ……………………………………………….. BAB IV DEVIASI RATA-RATA DAN STANDAR DEVIASI ...... 4.1. Pengukuran Variabilitas ............................................. 4.2. Deviasi Rata-rata (Mean Deviation) ........................... 4.3. Standard Deviasi …………………………………… BAB V UJI HIPOTESIS .................................................................. 5.1. Pengertian Hipotesis ………………………………… 5.2. Menyatakan Hipotesis ……………………………….. 5.3. Menguji Hipotesis-Perbedaan Antara Dua Mean …… 5.4. Standar Kesalahan Perbedaan Mean ……………….. BAB VI TEKNIK ANALISIS KORELASIONAL ………………… 6.1. Arah Hubungan …………………………………….. 6.2. Koefisien Korelasi ....................................................... 6.3. Korelasi setujuduct Moment dan Cara Menghitungnya 6.4. Uji Taraf Signifikansi ………………………………. BAB VII TEKNIK ANALISIS KOMPARASIONAL .......................... 7.1. Chi Kuadrad ............................................................... 7.2. t-Score ........................................................................ BAB VIII ANALISIS VARIANSI ....................................................... 8.1. Konsep Mean Kuadrat .................................................. 8.2. F – Ratio …………………………………………….. 8.3. Anava pada Distribusi Tunggal …………………….. 8.4. Analisis Variansi (ANAVA) Klasifikasi Ganda ......... BAB IX ANALISIS REGRESI ………………………………….. 9.1 Analisis Regresi Linear Satu Prediktor ……………… 9.2. Analisis Varians Garis Regresi …………………….. 9.3. Analisis Regresi: Dua Prediktor ……………………. 9.4. Analisis Regresi : m – Prediktor …………………… DAFTAR PUSTAKA .............................................................................

ii iii 1 2 2 3 4 7 11 12 12 13 14 18 19 19 20 25 26 26 26 27 30 31 31 31 34 37 37 41 48 49 50 57 61 67 69 76 79 86 88

Samsudi - STATISTIKA

3

BAB I KONSEP DAN PENGERTIAN STATISTIKA
Tujuan Mahasiswa memiliki pemahaman tentang konsep statistika dalam konteks penelitian, pengolahan data dan penarikan kesimpulan, serta memahami statistika dalam kaitannya dengan kegiatan penelitian

Samsudi - STATISTIKA

4

penarikan pajak. Berikan definisi pengertian Statistika. bilangan atau non bilangan yang disusun/disajikan sedemikian rupa (biasanya dalam bentuk tabel atau grafik) yang menggambarkan suatu persoalan atau keadaan. sehingga ia dapat disebut data Statistika? Sebutkan tiga prinsip yang harus dipegang dalam rangka pengumpulan data Statistika! Jelaskan mengenai cara yang akan ditempuh dan alat yang dapat dipergunakan.STATISTIKA . 2. 5. yang tanpa statistika akan merupakan peristiwa yang membingungkan. Statistik merupakan kumpulan data. Statistika memandu peneliti menganut tata fikir dan tata kerja yang definit dan eksak. 3. Statistika menyediakan cara-cara meringkas data ke dalam bentuk yang lebih banyak artinya dan lebih gampang mengerjakannya. Statistika memberi landasan untuk meramalkan secara ilmiah tentang sebagaimana sesuatu gelaja akan terjadi dalam kondisi-kondisi yang telah di ketahui. pengolahan dan analisis data. Soal Latihan 1. Statistika memungkinkan peneliti menganalisis.2. menyusun.1. Pengertian Statistika Istilah STATISTIKA memiliki pengertian berbeda dengan STATISTIK. 3. Bagaimanakah pengertian tersebut dapat dibagi? Manfaat apakah yang dapat dipetik mahasiswa selaku calon sarjana. 5. 4. Lebih lanjut statistika merupakan cara untuk mengolah data tersebut dan menarik kesimpulan-kesimpulan yang teliti dan keputusankeputusan yang logik dari pengolahan data tersebut. 2. 6. Sedangkan statistik lebih banyak digunakan untuk menggambarkan keadaan atau permasalahan seperti pencataan banyaknya penduduk. dengan mempelajari Statistika Pendidikan? Jelaskan jawaban saudara! Syarat apakah yang harus dipenuhi sekumpulan angka atau bilangan. penyajian. fungsi dan peranan statistika dijelaskan sebagai berikut: 1. meringkas dan menyajikan data penelitian. 4. 1. Sedangkan Statistika adalah pengetahuan yang berhubungan dengan cara-cara pengumpulan. Statistika dalam Pelelitian Dalam rangka kegiatan penelitian. kejadian yang tak teruraikan. serta teknikteknik analisis data. dalam rangka menghimpun data Statistik! 5 Samsudi . menguraikan sebab-akibat yang kompleks dan rumit. Statistika memungkinkan pencatatan secara eksak data penelitian. Statistika memberi dasar-dasar untuk menarik kongklusi-kongklusi melalui prosesproses yang mengikuti tata cara yang dapat diterima oleh ilmu pengetahuan.1. dan semacamnya. seperti yang telah disinggung di depan. Statistika digunakan sebagai cara-cara ilmiah untuk mengumpulkan.

STATISTIKA 6 .BAB II DISTRIBUSI FREKUENSI Tujuan Mahasiswa memiliki pemahaman tentang distribusi frekuensi dan tabel/grafik distribusi frekuensi Samsudi .

Kecerdasan. pada hakekatnya tinggi si A itu tidak mutlak tepat 165 cm. seorang ahli pertanian meneliti benih-benih baru. Nilai dalam berhitung itu disebut nilai variabel. itu semuanya merupakan obyek penelitian.49 cm. sedang angka di bawah 0.50 cm. adalah nilai yang kontinu. Variabel Penelitian Seorang peneliti akan mengadakan penelitian tentang kecerdasan murid-murid dalam berhitung. Obyek yang diteliti itu disebut variabel penelitian. dicatat 166 cm. 2. melainkan misalnya 165.STATISTIKA 7 . kita perlu mengatur angka-angka itu menjadi suatu tabel sebagai berikut : TABEL 2. angka 0.50 cm sampai dengan 165. Untuk mendapatkan gambaran dan kesimpulan.1. maka guru tersebut melihat nilai-nilai ujian mereka atau nilai-nilai dalam buku nilai.1. 5 dan 6 suatu sekolah yang berjumlah 70 orang.1. sampai 165.1 TABEL NILAI-NILAI BERHITUNG 70 ORANG SISWA Jari-jari Frekuensi 4 //// 21 //// //// //// //// / 28 //// //// //// //// //// /// 16 //// //// //// / 1 / + N = 70 NILAI 8 7 6 5 4 Samsudi . 2. diperoleh nilai rapor sebagai berikut: 7 6 7 5 6 6 7 6 6 6 5 5 6 6 6 6 5 6 7 7 7 5 7 6 6 6 7 7 5 6 7 8 Nilai-nilai 4 6 7 6 7 7 6 6 6 5 6 5 7 5 6 7 6 7 5 5 7 7 5 6 5 8 7 7 6 5 7 8 6 6 5 8 5 6 Melihat angka-angka di atas kita belum dapat memperoleh gambaran apa-apa. yaitu nilai yang bersambung atau kontinu dan nilai yang terpisah atau diskrit. Distribusi Frekuensi 2. Mereka yang tingginya 165.50 dihilangkan. itu ditetapkan untuk mewakili tinggi orang dari 164.1. Ada dua macam nilai variabel. campuran beton dan benih-benih baru. siswa kelas 4. Variabel Kontinu dan Diskrit Kalau seorang guru menyelenggarakan penelitian tentang angka rata-rata muridmuridnya dalam berhitung. seorang ahli beton mengadakan penelitian tentang campurancampuran beton.49 cm.2.1.4.50 ke atas dibulatkan atas. Dengan kata lain. pada Mata Pelajaran Matematikan. 30 cm pada umumnya angka 165 cm. sebab jika kita sebutkan tinggi si A 165 cm. berhitung. Distribusi Frekuensi Tunggal Dalam suatu penelitian tentang kecakapan berhitung. Nilai tinggi orang misalnya.3.

Jika susun tabel distribusi tunggal.STATISTIKA 8 .2 itu adalah nilai-nilai yang membatasi kelas itu dari kelas lainnya yang berdekatan.2 itu ada dua deret angka-angka batas kelas. Dalam Tabel 3.2 di atas kita jumpai ada tujuh interval kelas dengan masing-masing berisi tiga nilai variabel. Distribusi Frekuensi Bergolong Hasil-hasil Psikotest dari sebagian calon-calon mahasiswa suatu Fakultas adalah sebagai berikut : 18 21 10 21 12 17 21 20 13 22 11 12 12 16 8 16 20 10 10 16 16 19 4 7 10 17 20 14 19 10 (23) 6 7 14 14 19 10 10 11 12 15 15 13 15 18 23 5 14 19 13 17 (3) 19 9 15 13 19 16 10 19 12 16 15 14 16 8 20 15 15 14 13 Nilai yang tertinggi dari hasil ujian masuk itu adalah 23.6. yang berarti jumlah frekuensi variabel Tabel di atas disebut Tabel Distribusi Frekuensi Tunggal. Angka-angka batas di deret sebelah kiri ialah angka-angka Samsudi . Beberapa Istilah dalam Distribusi Bergolong Interval Kelas. deret sebelah kiri dan deret sebelah kanan.2 TABEL HASIL PSIKOTEST DARI CALON-CALON MAHASISWA Kelompok Frekuensi Nilai (f) 6 21-23 13 18-20 17 15-17 16 12-14 11 9-11 5 6-8 3 3-5 Jumlah 71 2.5. Interval Kelas biasa disingkat dengan sebutan kelas atau interval saja. Batas Kelas.1. Kita lihat dalam kolom nilai variabel dalam Tabel 3. sedang istilah ”Tunggal” menunjukkan tidak adanya pengelompokan nilai-nilai variabel dalam kolom pertama.+ N adalah singkatan dari kata Number. Batas Atas dan Batas Bawah dan batas atas.1. maka kita harus membuatnya sepanjang 21 baris (dari 23-3 plus 1). sedang nilai terendah adalah tiga. Tiap-tiap kelompok nilai variabel disebut interval kelas. 2. Istilah “Distribusi” digunakan dalam statistika untuk menunjuk adanya (seolah-olah) “Penyebaran” nilai-nilai dengan jumlah orang yang mendapat nilai itu. Batas kelas adalah nilai-nilai yang membatasi kelas yang satu dari kelas yang lain. Dengan demikian kita akan menjumpai tabel sebagai berikut : TABEL 2. Nilai-nilai 21 dan 23 pada kelas yang teratas dari Tabel 3.

Jika orang mengatakan “i” sama dengan tiga. bukanlah batas yang nyata antara kelas yang terendah dengan kelas di atasnya. Dalam tabel 3. 145 cm. Kedua angka itu sebenarnya hanyalah batas kelas saja (batas semu). 8 dan 5. jarak pengukuran (R). 18. Kita periksa kembali tabel 3.6 dan 3. sebenarnya mengandung angka-angka 3. Angka-angka dideret sebelah kanan ialah angka-angka 23. Yang dimaksud dengan “Titik Tengah” adalah angka atau nilai variabel yang terdapat ditengah-tengah interval kelas. 15. Jarak Pengukuran. 11.18. Titik Tengah. Jika interval kelas memuat angkaangka 13. antara lain adalah faktor-faktor jumlah frekuwensi (N). 20.5 (dari ½ x ( 21 ditmbah 22). Pada prinsipnya jumlah interval kelas janganlah terlalu sedikit. 22 dan 23 titik tengahnya adalah separo dari jumlah angka-angka tengah. yang menjadi titik tengahnya adalah angka 14. Jadi tiap-tiap kelas itu sebenarnya mengandung atau terdiri atas tiga angka. Sebab itu angka-angka itu di sebut “Batas bawah” (Lower Limits). sehingga kita tidak dapat mendapat gambaran tentang pola kelompok. Penetapan ini dipengaruhi oleh beberapa faktor. 17. Demikian juga kelas yang keempat dari atas. Lebar Kelas. 14 dan 15. dikurangi 145 cm).STATISTIKA 9 . Yang disebut jumlah interval ialah banyaknya interval yang digunakan dalam penyusunan distribusi. Dan angka pengukuran yang terendah.21. Menetapkan Jumlah Interval Salah satu masalah yang kita hadapi bila kita hendak menyusun tabel dengan interval-interval adalah menetapkan jumlah interval. dan kita menjumpai angka pengukuran yang tertinggi 180 cm.21. Jika luas kelasnya genap. Angka-angka batas di deret sebelah kiri ialah angka-angka 21. (dari 180 cm. 21.1. Lebar kelas biasa diberi simbul “i”. 14.2 itu akan kelihatan sebagai berikut : 5 6 20 21 3 8 9 11 12 23 15 14 17 18 Nampak kepada kita dari pemeriksaan lukisan di atas bahwa angka 5 dan angka 6 misalnya.9.2 Interval kelas yang tertinggi di tandai dengan angka 21 dan 23. yaitu 21. Jumlah Interval . 2. seperti 20. Akan tetapi jumlah interval itu juga jangan terlalu besar. 9. Demikian juga angka-angka 20 dan 21. Tetapi dalam psikologi dan pendidikan dapat kita anut kebiasaan Samsudi . sehingga pola-pola kelompok menjadi kabur. Angka-angka itu disebut “Batas Atas” (Upper Limits). deret sebelah kiri dan deret sebelah kanan. dan tujuan penyusunan distribusi itu. Kalau kita mengukur tinggi sejumlah orang. 6 dan 3. Inilah yang disebut lebar kelas dapat didefinisikan sebagai batas lebar atas nyata dikurangi batas bawah nyata dari kelas-kelas yang bersangkutan. ini berarti bahwa distribusi frekuensi disusun dalam tabel atau grafik yang menggunakan interval kelas dengan isi tiga angka atau nilai dalam tiap-tiap intervalnya. Batas Semu dan Batas Nyata. dan 5. Petunjuk yang mutlak tidak ada dalam hal ini. kita mempunyai jarak pengukuran 35 cm. Kalau kita letakkan pada garis mendatar kelaskelas dalam Tabel 3. Angka-angka itu semuanya menjadi batas bawah dari masingmasing kelasnya. yaitu angka 22.4.7. lebar interval yang hendak digunakan (i).15. 12. Angka-angka ini masing-masing menjadi batas kelas.2 diatas jumlah intervalnya ada tujuh. Antara keduanya masih ada satu angka lagi.

50 36 = =4 9 9 2. TABEL 2. Tabel untuk distribusi frekuensi.50 − 144. biasanya orang menggunakan 10 smapai 20 interval.5 4 7. disebut tabel distribusi frekuensi atau tabel frekuensi saja.5 23 6.mennggunakan 5 sampai 15 interval.5 28 5. Distribusi tunggal adalah distribusi yang tidak menggunakan penggolongan-golongan.2.5 1 3.1. Namun dalam sub ini akan dibicarakan tiga macam yang pokok. Distribusi Bergolong menggunakan interval-interval kelas dalam penyusunannya.5 Nilai 8 7 6 5 4 Samsudi . Histogram Grafik histogram biasa disebut juga Bar Diagram. 2.1.1. yaitu suatu grafik yang berbentuk segi empat. Kalau R besar sekali. 2. Rumus dari i adalah sebagai berikut : i= JarakPengukuran( R ) JumlahInterval Jadi kalau misalnya hasil pengukuran kita tentang tinggi orang yang tertinggi adalah 180 cm dan yang terendah adalah 145 cm. Menentukan Lebar Interval Jika R sudah diketahui dan jumlah interval kelas sudah ditentukan. Frekuensi Poligon. Akan tetapi hal ini tidak boleh diikuti secara membabi buta. 2. Pengertian Distribusi Frekuensi Distribusi Frekuensi adalah penyusunan bahan-bahan atas dasar nilai variabel dan frekuensi tiap-tiap nilai variabel itu. pada dasarnya i sudah diketemukan.8. dan Ogive.9. yakni Histogram. maka i= 180. Grafik dan Tabel Distribusi Frekuensi Terdapat beberapa macam grafik dan tabel distribusi frekuensi.3 NILAI-NILAI BERHITUNG 72 ORANG MURID Frekuensi Batas Nyata + 8.STATISTIKA 10 .2.5 16 4. dan kita telah menetapkan jumlah intervalnya sebanyak 9 buah.

1.2.2.Jumlah : -- 72 Grafik 2.STATISTIKA 11 . Poligon Dengan grafik polygon kita dengan mudah dapat membandingkan keadaan distribusi. Histogram 2. jika kedua distribusi itu dilukiskan dalam satu grafik. Poligon Samsudi .2. Hal ini dapat kita lihat dengan jelas pada keadaan sebagai berikut: Grafik 3.

5 33-35 2 95 29.5 16 3-5 2 2 0. Ogive Ogive dapat dibuat baik dari distribusi tunggal maupun dari distribusi tergolong.5 77 18-20 14 72 14.2.2.3.5 100 36-38 3 98 32.5 93 27-29 5 87 23.5 30-32 6 26.4 TABEL DISTRIBUSI UNTUK CONTOH MEMBUAT GRAFIK OGIVE Interval Batas Frekuensi Frekuensi Meningkat Nilai Nyata ( f _) (ef) 38. Di bawah ini diberikan contoh untuk membuat grafik ogive dari distribusi bergolong. Ogive Samsudi .5 15-17 10 58 11.5 12-14 17 8.5 48 9-11 15 31 5.3.STATISTIKA 12 .5 21-23 5 17.5 6-8 14 2.5 0-2 Jumlah N = 100 -- Grafik 2. TABEL 2.5 24-26 5 82 20.5 2 35.

a. tentukan Midpointnya! b. Interval 35 – 40. Jelaskan perbedaan diantara data kontinyu dan data diskrit. b. Interval 59 – 78.STATISTIKA 13 . Tabel Persentase c. Lukislah data pada soal nomor 7 diatas dalam bentuk Histrogram Frekuensi! Samsudi . Interval 40 – 49. Jelaskan pula tentang perbedaan antara data interval dan data ordinal. Tabel Distribusi Frekuensi. 3.Soal Latihan 1 . Interval 71 – 75. 4. Data di bawah ini: Nilai hasil ulangan harian dari sejumlah 60 orang siswa SMP dalam bidang studi Bahasa Indonesia adalah sebagai berikut: 7 4 3 9 7 10 5 6 4 7 6 8 8 8 6 5 3 7 3 6 5 8 9 6 6 8 5 6 5 6 4 5 4 4 7 5 6 7 8 6 6 7 7 5 6 7 3 7 5 9 5 8 8 6 9 7 6 10 7 6 Soal : Aturlah (susunlah) dan kemudian sajikanlah data tersebut diatas dalam bentuk: a. Interval 37 – 40. berapakah Nilai Relatifnya? c. dengan mengindahkan persyaratan tertentu sehingga dapat disebut Tabel distribusi frekuensi yang baik. Berikan contoh demikian rupa sehingga menjadi cukup jelas apa yang dimaksud dengan data primer dan data sekunder. Jelaskan langkah yang sebaiknya ditempuh dalam membuat Tabel Distribusi Frekuensi Data Tunggal! 7. berapakah upper limitnya? 5. berapakah lower limitnya? e. Tabel Presentase Kumulatif 8. Jelaskan apa yang dimaksud frekuensi! 6. 2. berapakah Nilai nyatanya? d.

rerata. Samsudi .STATISTIKA 14 . dan sebaran data.BAB III UKURAN STATISTIKA Tujuan Mahasiswa memiliki pemahaman tentang ukuran statistika yang meliputi tendensi sentral.

Angka yang menjadi pusat suatu distribusi disebut “tendensi sentral”. dan mempunyai arti yang berbeda pula sebagai alat untuk mengadakan deskripsi sesuatu distribusi.1 TABEL CONTOH MENCARI MEAN YANG DITIMBANG Penghasilan Frekuensi fX (X) (f) Samsudi .STATISTIKA 15 . 15 dan 20 rupiah tiap harinya. Sebagai contoh. maka sebagian besar orang yang kita selidiki akan mempunyai angka motivasi di sekitar 100. seorang yang berpenghasilan 15 rupiah. Median. melainkan 12. yakni: Mean. maka Mean dari penghasilan mereka tidak lagi 15 rupiah.2.1. a.50 rupiah. dan Mode. 3.. Kemudian jika diambil angka 100 sebagai indeks (ukuran) normalitas. Mean yang Ditimbang Jika ada empat orang yang berpenghasilan 10 rupiah. dan seorang yang berpenghasilan 20 rupiah seharinya.. Hal ini dapat dicari dengan tabel sebagai berikut : TABEL 3. pada umumnya dapat diketahui bahwa sebagian besar dari orang yang diteliti mempunyai motivasi yang “normal”. ada tiga orang berpenghasilan 10. X n −1 + X n Mean = 1 N Rumus itu disingkat sebagai berikut : ∑X M = N Simbul Σ adalah huruf Yunani yang disebut “Sigma” dan mempunyai arti jumlah.3. Pengukuran Tendensi Sentral Jika dilakukan penelitian terhadap motivasi. Ketiganya mempunyai cara-cara menghitung yang berbeda-beda.. Hanya sebagian kecil saja dari mereka yang angka motivasinya menyimpang jauh dari indeks normalitas itu. Mean Mean berarti “angka rata-rata”. Rata-rata penghasilan mereka adalah 15 rupiah tiap harinya. Dari segi aritmetik Mean adalah “jumlah nilainilai dibagi dengan jumlah individu”. Ini dicari dengan cara sebagai berikut : 10 + 15 + 20 45 Penghasilan rata-rata = = = 15 3 3 Dari pernyataan itu dapat dikemukakan rumus Mean sebagai berikut : X + X 2 + X 3 . Ada tiga macam tendensi sentral yang sangat penting untuk dibahas. Salah satu tugas dari statistika adalah mencari suatu angka di sekitar mana nilainilai dalam suatu distribusi memusat.

3 TABEL CONTOH DISTRIBUSI PENGHASILAN UNTUK MENCARI MEDIAN Individu Samsudi .3.2 TABEL CONTOH MENCARI MEAN DARI DISTRIBUSI BERGOLONG Penghasilan (X) 145-149 140-144 135-139 130-134 125-129 120-124 115-119 110-114 105-109 100-104 95-99 90-94 85-89 80-84 Jumlah Titik Tengah (X) 147 142 137 132 127 122 117 112 107 102 97 92 87 82 -f 1 3 5 8 11 17 21 22 24 20 15 12 6 2 N = 167 fX 147 426 685 1056 1397 2074 2457 2464 2568 2040 1455 1104 522 164 ΣfX =18559 M = ∑ fX N = 18559 = 111 .50 6 b. Median Median dapat dibatasi sebagai “suatu nilai yang membatasi 50 persen frekuensi distribusi bagian bawah dengan 50 per sen frekuensi distribusi bagian atas.20 15 10 1 1 4 N = 6 20 15 40 Σ fX = 75 Rumus Mean yang ditimbang adalah sebagai berikut : M = ∑ fX N Diisi dengan bahan-bahan dari Tabel 12 75 M = = 12.” Kita misalkan ada distribusi penghasilan dari tujuh orang seperti tersebut dalam tabel dibawah ini. Menghitung Mean dari Distribusi Bergolong Sekali lagi perlu diingatkan disini bahwa X adalah mewakili “titik tengah” dari interval kelas dalam distribusi.13 167 3. TABEL 3.STATISTIKA Penghasilan (Rp) 16 . TABEL 3.

itu sebagai batas antara tinggi 162 dan 164 cm.4 TABEL CONTOH MENGHITUNG MEDIAN DARI DISTRIBUSI BERGOLONG Interval Nilai f cf 55 1 100-104 54 3 95-99 51 5 90-94 fd 46 9 85-89 37 (13) 80-84 (24) 10 75-79 14 6 70-74 8 4 65-69 4 3 60-64 1 1 55-59 55 Jumlah -Samsudi .1 2 3 4 5 6 7 10 12 13 14 16 16 20 a. Pemecahan semacam ini sama sekali tidak bertentangan dengan definisi median. kemudian dibagi dua. yaitu dua orang. fd Frekuensi dalam interval yang mengandung median i Lebar interval. Misalkan ada empat orang yang masing-masing mempunyai tinggi badan 162. dan 50 per sen frekuensi variabel di bagian bawah distribusi. 162. Mencari Median dari Distribusi Bergolong Rumus untuk mencari median dari distribusi bergolong adalah sebagai berikut : ⎡1 / 2 N − cfb ⎤ Median = Bb + ⎢ (7) ⎥i fd ⎣ ⎦ Dalam mana : Bb Adalah batas bawah (nyata) dari interval yang mengandung median Cfb Frekuensi kumulatif (frekuensi meningkat) di bawah interval yang mengandung median. membatasi 50 persen frekuensi variabel di bagian atas. yaitu dengan membagi dua nilai-nilai variabel yang ada ditengah-tengah distribusi. sebab angka 163 cm. Median pada Distribusi dengan Frekuensi Genap Jika suatu distribusi mempunyai frekuensi genap. yaitu dua orang. dan N Jumlah frekuensi dalam distribusi Penggunaan rumus itu dapat kita lihat dari pekerjaan di bawah ini : TABEL 3. b.STATISTIKA 17 . ditambah 164 cm. maka median dihitung secara kom setujumi. 164 dan 166 cm.

median dari distribusi tersebut 80. TABEL 3. interval kelas yang kita maksudkan adalah 80-84.50.50.4. Batas bawah (nyata) atau Bb dari interval yang mengandung median itu adalah 79.5 itu. 7.50 − 24 ⎤ Mdn = Bb + ⎢ ⎥i = 79. 7. sedang lebar interval atau i-nya ada lima. Mode a) Dalam Distribusi Tunggal : Nilai variabel yang mempunyai frekuensi tertingi dalam distribusi. Separo dari jumlah frekuensinya.85 Jadi.5 itu. 8.50 × 5 ⎤ = 79. nilai yang timbul paling banyak adalah 8.846 ⎣ 13 ⎦ atau 80. 7.STATISTIKA 18 .50 + ⎢ ⎥ = 79. Kalau ini kita bagi dua hasilnya sama dengan 27. Mode dalam Distribusi Tunggal Jika ada serangkaian nilai-nilai 5. Kalau suatu distribusi sudah disusun dalam tabel. Setelah ½ N ini kita ketemukan maka langkah selanjutnya adalah menemukan interval kelas yang mengandung frekuensi kumulatif 27.346 = 80. Frekuensi kumulatif di bawah interval yang mengandung median adalah 24 (24 adalah cf di bawah 37. 9. : Titik tengah interval kelas yang b) Dalam Distribusi Bergolong mempunyai frekuensi tertinggi dalam distribusi a. 6. 8. 9. Nilai 8 itu disebut Mode dari distribusi nilai-nilai itu.5 MENGHITUNG MEDIAN DARI DISTRIBUSI BERGOLONG Nilai Frekuensi 1 10 0 9 15 8 18 7 4 6 3 5 1 4 1 3 Samsudi . sedang cf 37 adalah cf yang mengandung median).5 terkandung dalam cf 37.50 + 1. Diisikan dalam rumus kita jumpai perhitungan sebagai berikut : ⎡1 / 2 N − cfb ⎤ ⎡ 27. atau ½ N adalah 55/2. sebab cf 27. jumlah frekuensinya (atau N ) ada 55.Dalam contoh diatas. maka untuk mencari Mode-nya kita melihat pertama kolom frekuensi. sama dengan 27. 3.5. 8. Frekuensi dalam interval adalah 13.50 + ⎢ ⎥5 13 fd ⎣ ⎦ ⎣ ⎦ ⎡ 3. 8.

frekuensi N i l a i Median Mode Grafik 3. median. Median. maka akan kita jumpai sifat yang khas. Kita ingat kembali ada distribusi yang simetri dan ada yang juling.Frekuensi yang tertinggi dari distribusi tersebut adalah 18. mean membagi dua sama banyak frekuensi variabel di atas dan dibawahnya. Menetapkan Nilai Batas Lulus dalam suatu tes atau seleksi. Karena yang menjadi mode dalam distribusi normal adalah nilai yang ada pada mean. Median dan Modus dengan mengemukakan contohnya! 4. dan modenya. Median. dan Mode dalam Distribusi Tempat kedudukan Mean. Mean. b. median dan mode Mean Soal Latihan 1. Jika dari suatu distribusi simetri normal kita hitung mean.STATISTIKA 19 . b. Tempat Kedudukan Mean. c. a. Jelaskan tentang segi segi kebaikan dan kelemahan yang dimiliki oleh: a. Untuk ilustrasi periksalah grafik 4. Jadi pada distribusi normal mean. Jelaskan adanya saling hubungan antara Mean. Modus. Hal ini mudak kita mengerti. maka dengan sendirinya mode itu bersekutu dengan mean. Jadi yang menjadi modenya adalah nilai 7. Dalam kedaan yang bagaimana seharusnya kita mencari (menghitung). c. Median. yaitu bahwa ketiga tendensi sentral itu bersekutu satu sama lain. Nilai yang mempunyai frekuensi tertinggi itu adalah nilai 7. Mean. b. Mengubah raw score menjadi Nilai Standart Sebelas (Stanel). median. Dengan demikian mean ini mempunyai fungsi seperti median. 3. Median dan Mode dalam satu distribusi sangat tergantung kepada bentuk distribusinya. sebab pada distribusi normal.1. Samsudi . 2. b. dan mode ketiga-tiganya berimpit. Jelaskan bahwa Percentile sangat berguna untuk dipergunakan sebagai alat atau ukuran untuk: a. Modus.1 Ilustrasi mean.

berhasil dicatat sekor hasil ujian mereka dalam mata ujian Fisika sebagai berikut: Sekor: 90-94 85-89 80-84 75-79 70-74 65-69 60-64 55-59 50-54 45-49 40-44 35-39 30-34 25-29 20-24 frekuensi 4 10 14 19 30 33 40 32 25 21 18 10 6 3 1 266=N Soal: a. dengan menggunakn ukuran Percentile! c. Dari sejumlah 266 orang lulusan SMK yang mengikuti Tes Seleksi Penerimaan Calon Mahasiswa Baru pada sebuah Perguruan Tinggi. Dari kegiatan eksperimen yang dilakukan 6 kali. tetapkan Niali Batas Lulusnya dengan menggunakan ukuran Percentile! 6. Jika dari jumlah 266 orang calon itu yang akan diluluskan (dinyatakan diterima sebagai mahasiswa baru) hanya 45 orang. Berapakah Nilai Rata –rata hitung yang berhasil dicapai oleh 266 orang calon yang mengikuti Tes Seleksi tersebut (dengan catatan bahwa perhitungan Nilai Rata-rata Hitung itu hendaknya dilakukan dengan menggunakan Metode Panjang dan Metode Singkat)? b. Sekor berapa yang merupakan modus dari data tersebut diatas? d. Ubahlah hasil tes tersebut menjadi STANEL (Nilai Standart Sekala Sebelas).STATISTIKA Sekor: 26 13 20 18 10 15 20 .5. diperoleh sekor sebagai berikut: Esperimen ke: 1 2 3 4 5 6 Samsudi .

BAB IV DEVIASI RATA-RATA DAN STANDAR DEVIASI Tujuan Mahasiswa memiliki pemahaman tentang deviasi rata-rata dan standar deviasi Samsudi .STATISTIKA 21 .Carilah Nilai Rata-rata Ukur dari sekor hasil eksperimen tersebut di atas tanpa menggunakn daftar logarithma.

Persoalannya adalah siapa yang akan dimajukan dalam perlombaan kejuaran nasional itu apabila hanya seorang peloncat saja yang diperkenankan untuk dimajukan. Yang dimaksud dengan variabilitas adalah derajat penyebarannilai-nilai variabel dari suatu tendensi dalam suatu distribusi. Samsudi .4. Paling rendah loncatannya adalah 171 cm. Untuk memutuskan apakah Ahmad ataukah Mahmud yang harus dimajukan dalam perlombaan kejuaraan Nasional loncat tinggi. maka dikatakan bahwa distribusi A mempunyai variabilitas yang lebih besar dari distribusi B. kemudian ditentukan berapa besarnya penyimpangan tiap-tiap nilai dari mean itu. dan distribusi A menunjukkan penyebaran nilai-nilai variabelnya yang lebih besar dari pada distribusi B. Yang pertama dilakukan alada menghitung Mean. d. Misalnya. maka deviasi IQ orang tesebut adalah 110 – 100 = +10. maka pelatih membutuhkan pengukuran variabilitas loncatan kedua orang itu. sedang mean IQ dari grupnya = 100. tetapi kadang-kadang dia hanya dapat meloncat setinggi 165 cm. 4. dan sebagainya. Pengukuran Variabilitas Ada dua orang atlet loncat tinggi yang sedang dilatih untuk menghadapi kompetisi nasional atletik. Secara aritmatika mean deviasi dapat didefinisikan sebagai mean dari harga mutlak dari deviasi nilai-nilai individual. y. diambil nilainya yang absolute. dan sebagainya. d = D – M. Mahmud. Deviasi yang bertanda plus menunjukkan deviasi di atas mean. jika seorang mempunyai IQ 110. Di sini yang akan dibicarakan hanyalah yang pokok-pokok saja. tetapi dia juga tidak pernah meloncat serendah 165 cm. Loncatan Ahmad agak jauh dari mean loncatannya. deviasi diberi simbul dengan huruf-huruf kecil seperti x. sedang yang bertanda minus menunjukkan deviasi di bawah mean. Variabilitas ini juga disebut dispersi. Dengan istilah statistika dikatakan bahwa loncatan Ahmad mempunyai variabilitas yang lebih besar dari pada loncatan Mahmud. dan Standard Deviation. yaitu Mean Deviation. maka deviasi orang itu adalah 85 – 100 = . katakana distribusi A dan distribusi B dibandingkan. dibandingkan dengan loncatan Mahmud. Ada beberapa macam cara untuk mencari variabilitas.1. Ahmad menunjukkan loncatan yang tidak dipastikan: kadang-kadang dia meloncat setinggi 195. Jika dua distribusi.2. Dalam statistika. Jika orang lain dalam grup itu mempunyai IQ 85.STATISTIKA 22 .15. Akan tetapi dalam perhitungan mean deviasi tanda minus ditiadakan. sebaliknya menunjukkan loncatan yang lebih mantap sungguhpun dia tidak pernah meloncat setinggi 195 cm. Rumusnya adalah x = X – M atau y = Y – M. sedang paling tinggi 189 cm. Yang dimaksud dengan deviasi absolute adalah nilai-nilai yang negatif. Deviasi Rata-rata (Mean Deviation) Mean Deviation atau Average Deviation atau Deviasi Rata-rata adalah rata-rata dari deviasi nilai-nilai dari Mean dalam suatu distribusi.

Ini dicantumkan dalam kolom kedua. yaitu Σ. Standard Deviasi = 30 = 2 .STATISTIKA 23 . Samsudi .Adapun rumus dari Mean deviasi adalah : MD = ∑ x N Di mana : ∑x N MD = Mean Deviasi = Jumlah deviasi dalam harga mutlaknya = Jumlah Individu / Kasus Bagaimana menerapkan rumus itu untuk memperhitungkan mean deviasi dari suatu distribusi dapat dilihat dari contoh sederhana di halaman berikut : TABEL 4. x1 . Untuk mencari standard deviasi pertama-tama kita harus mencari mean ini dapat dicari dengan rumus yang sudah kita ketahui : ∑x M = N Dengan mengetahui mean ini kita dapat mencari deviasi nilai individual dari mean.3. Jumlah deviasi dari mean ini. harus sama dengan NOL.1 TABEL CONTOH MENCARI MEAN DEVIATION Deviasi dari Mean Nilai Variabel Dengan nilainya absolut 5 19 4 18 3 17 2 16 1 15 0 14 1 13 2 12 3 11 4 10 5 9 -Dengan N = 11 dan ∑ x = 30 ∑ x = 30 maka MD 4. 73 11 Secara matematik Standard Deviasi dibatasi sebagai “Akar dari Jumlah deviasi kuadrad dibagi banyaknya individu” dalam distribusi.

bergerak dari bilangan 0 ke bilangan yang tak terhingga. Rumus untuk menghitung SD dari distribusi yang tidak sama frekuensi tiap-tiap nilai variabelnya adalah sebagai berikut : SD = ∑ fx N 2 Samsudi . dan N = Jumlah individu / kejadian dalam distribusi SD kadang-kadang diberi simbul ζ. Melainkan berbeda-beda. Frekuensi dari tiap-tiap nilai tidak akan satu. disebut sigma (dari salah satu huruf Yunani).1.3. yang diartikan Standart Devasi 4.2 TABEL CONTOH MENCARI STANDARD DEVIASI Nilai Deviasi dari Deviasi dari Variabel Mean Mean Kuadrat (X) (X) (X2) 25 +5 19 16 +4 18 9 +3 17 4 +2 16 1 +1 15 0 0 14 1 -1 13 44 -2 12 9 -3 11 16 -4 10 25 -5 9 Total 7 80 Rumus stanadar deviasi sebagai berikut : SD Dalam mana : = ∑ X N 2 SD = Standard Deviasi 2 ∑x = Jumlah deviasi Kuadrat.TABEL 4. Cara Lain Untuk Menghitung SD Rumus untuk menghitung SD seperti yang telah dibicarakan dimuka adalah rumus yang paling sederhana.STATISTIKA 24 .

Di halaman berikut contoh mencari SD dengan rumus itu.40 144 24 6 25.60 30 3 10 60. TABEL 4.80 17.69 SD ∑ N f 2 ⎡ − ⎢ ⎣ ∑ fx ⎤ ⎥ N ⎦ 2 Contoh menggunakan rumus tersebut: TABEL 4.60 -0.00 -2.40 65 13 5 57.84 9.2.00 -3.48 65 13 5 57.80 +0.4 CONTOH MENGGUNAKAN RUMUS ANGKA KASAR UNTUK MENCARI SD X f fx fx2 38.28 13.3 TABEL UNTUK MENGHITUNG SD DENGAN RUMUS DEVIASI X f fx x fx fx2 38. Rumus Angka Kasar Rumusnya adalah sebagai berikut : = = N 268.88 30 3 10 60.STATISTIKA 25 .60 40 10 4 Samsudi .60 81 9 9 33.60 24.Kedua rumus yang telah kita ketahui itu disebut rumus deviasi.00 M = ∑ fx N SD = ∑ fx 2 640 = 100 = 6.60 104 13 8 8.40 40 10 4 57.80 +1.28 20.40 4.48 18.84 144 24 6 25.84 23.60 161 23 7 3.86 = 1.40 15 5 3 N = 100 ∑ fx = 640 ∑f2 = 286.00 100 = 2.80 +3.40 +2.84 81 9 9 33.20 -1.28 161 23 7 3.88 10.3.28 104 13 8 8. Distribusi demikian karena rumus itu menggunakan deviasi dari mean sebagai salah satu komponennya.

80 N = 100 ∑fX = 640 f N 2 ∑fx2 = 4382 2 SD = = ∑ 4382 100 ⎡ − ⎢ ⎣ ∑ N fX ⎤ ⎥ ⎦ 2 ⎤ ⎥ ⎦ SD ⎡ 640 − ⎢ ⎣ 100 = = 43 .00 0 77.5 6. Rumus itu berbunyi sebagai berikut : SD M = SD N −1 Jadi.00 11 136.25 2771.0 6.3.STATISTIKA 26 .00 539.00 00.0 5. kedua. mencari SD dari angka kasar dari sampel kita.00 887.5 Total : Simbul : fx2 64.00 1 0. membagi SD itu dengan akar dari jumlah subyek dalam sampel dikurangi satu.17 N 72 2 = ∑ N fx − M 2 Samsudi .50 21 144. 96 2 .0 4.25 864.50 9 25.00 20.0 7.00 5 4. 86 = 1 .3.50 1 72 444.5 TABEL CONTOH MENCARI SDM frekuensi fx (f) 8.5 5.3 5 15 57. 82 − 40 .5 7.50 N ∑fx Nilai (X) 8.00 24 49. Standar Kesalahan Mean Rumus standard kesalahan mean sangatlah sederhana. apa yang harus kita kerjakan untuk memperoleh SDM adalah: pertama.25 125.50 = 6.75 ∑ fx2 M = SD ∑ fx = 444.00 272. 69 4. TABEL 4.

6. Data yang tertera pada table berikut: x 31 30 29 28 27 26 25 24 23 Total f 4 4 5 7 12 8 5 3 2 50=N fx 124 120 145 196 324 208 125 72 46 1360=ΣfX x x2 fx2 Soal: a. Berikan sebuah contoh sehingga menjadi cukup jelas.75 − 6. Buatlah table distribusi frekuensinya. Betulkah penyataan itu? Jelaskan denagn menggunakan sebuah contoh! 4. Carilah deviasi Standartnya dengan menggunakan cara mencari Deviasi Standart untuk data tunggal yang sebagian atau seluruh sekornya berfrekuensi lebih dari satu. c. Tunjukkan bahwa antara Deviasi Rata-rata dan Deviasi Standart terdapat saling hubungan! Berikan contohnya! 5. Kemukakan beberapa keunggulan Deviasi Rata-rata dan Deviasi Standart.17 2 72 = 38.= 2771. b.STATISTIKA 27 .654 0. Jelaskan hubungan antara deviasi Rata-rata (Average Deviation) dan deviasi Standart (Standart deviation)! 3. maka data tersebut semakin besifat homogen. Samsudi . Mean dan deviasi standart dapat dipergunakan sebagai alat bantu dalam rangka Evaluasi Hasil Belajar Anak Didik. Carilah Deviasi Rata-ratanya.0689 = 0. apa yang dimaksud dengan deviasi! 2.654 0.654 SD = = = 0.4965 − 38. Carilah Nilai Rata-rata Hitungnya. Jelaskan pernyataan tersebut! 7.078 SDM = N −1 72 − 1 8.426 Soal Latihan 1. d. Semakin kecil Deviasi Standart dari sekelompok data.4276 = 0.

STATISTIKA 28 .BAB V uji hipotesisi perbedaan mean Tujuan Samsudi .

Pengertian Hipotesis Istilah hipotesis sebenarnya adalah kata majemuk. Suatu hipotesis akan diterima kalau data-data dan bahan-bahan penelitian membenarkan pernyataan itu. pengujian hipotesis perbedaan antara dua mean dan standar kesalahan perbedaan dua mean Beberapa ahli statistika menyarankan agar diadakan pembedaan antara statistika inferensial yang bertugas mengadakan estimasi dengan statistik inferensial yang bertugas mengadakan pengujian hipotesis. yang berarti teori atau setujuporsi yang disajikan sebagai bukti. terdiri dari kata-kata hipo dan tesis.1. adalah apa yang disebut hipotesis nihil atau null hypothesis. dan (b) sampel yang setujuposional jika populasi terdiri dari sub-sub golongan. Menyatakan Hipotesis Apabila akan diadakan penelitian komparatif tentang kecerdasan (atau variabelvariabel lainnya) wanita dan pria. Hipotesis adalah pernyataan yang masih lemah kebenarannya dan masih perlu diuji kenyataannya. Jika suatu hipotesis telah diuji kebenarannya. kita dapat menyatakan hipotesis dalam bentuk yang bermacam-macam: (1) Pria lebih cerdas dari pada wanita. (5) Wanita lebih cerdas dalam bidang A. Dan akan ditolak jika kenyataan menyangkalnya. Tiap-tiap hipotesis selalu dinyatakan dalam bentuk statemen atau pernyataan. (2) Wanita lebih cerdas dari pada peria. (3) Wanita dan pria sama cerdasnya.Mahasiswa memiliki pemahaman tentang hipotesis. Pada gilirannya suatu tesis dapat dipandang sebagai hipotesis kalau oleh suatu alasan suatu penelitian masih menginginkan mengujinya kembali. Hipo berasal dari kata Junani hupo. melainkan suatu tesis.STATISTIKA 29 . 5. tetapi wanita lebih cerdas dalam bidang B. setidak-tidaknya dari teoritik. Tesis berasal dari kata Junani thesis. Statistik inferensial untuk estimasi terutama mencurahkan perhatian pada kegiatan mengadakan estimasi tentang parameter dari penelitian terhadap sampel yang baik.2. Istilah nihil di sini Samsudi . Hipotesis yang paling sederhana. yang berarti dibawah. 5. (4) Tidak ada perbedaan kecerdasan antara pria dan wanita. namanya bukan lagi hipotesis. (6) Wanita dan pria sama cerdasnya dalam bidang A. bukan dalam bentuk pertanyaan. Dengan sampel yang baik dimaksudkan (a) sampel yang diambil secara random. tetapi pria lebih cerdas dalam bidang B. kurang atau lemah.

Standard kesalahan perbedaan mean diberi simbul SD (M1 – M2) atau disingkat saja SDbM.1 TABEL DISTRIBUSI HASIL UJIAN SEMESTER SISWA LAKI-LAKI DAN PEREMPUAN Samsudi . Demikian seterusnya. Jadi misalnya kalau kita mengadakan eksperimen tentang akibat kepemimpinan yang demokratik dan kepemimpinan yang otokratik. SDbM SD 2 M1 2 M2 = KUADRAT Standard kesalahan mean dari sampel I. Menguji Hipotesis-Perbedaan Antara Dua Mean Tujuan suatu eksperimen adalah mencari pengaruh dari perlakuan yang dibedakan. 5. Untuk mencari standard kesalahan mean rumusnya adalah: − SD atau jika dikuadradkan menjadi SD M = N −1 SD 2 2 SD M = N − 1 Contoh: TABEL 5. kita memperlakukan suatu kelompok dengan pemimpin yang demokratik dan kelompok lain dengan pemimpin yang otokratik. 5. Standar Kesalahan Perbedaan Mean Apabila kita ambil sepasang sampel yang masing-masing terdiri dari anak-anak laki-laki dan perempuan dan kita hitung mean-meannya.menunjuk kepada tidak adanya perbedaan antara sampel yang satu dengan sampel lainya dalam sesuatu hal yang diteliti. Disebut juga varians mean sampel II.3. Statistik untuk ini disebut standard kesalahan perbedaan. Kemudian kita cari ada tidaknya perbedaan antara tingkah laku kedua kelompok itu. kita akan memperoleh distribusi perbedaan mean. Rumus standard kesalahan perbedaan mean: SD bM = SD 2 M 1 + SD 2 M 2 Keterangan: = Standard Kesalahan Perbedaan Mean. kita memperoleh perbedaan mean antara kedua sampel dari kedua jenis kelamin itu. Disebut juga varians mean sampel I. yang tidak lain dan tidak bukan adalah SD dari pada perbedaan-perbedaan.STATISTIKA 30 . atau distribusi sampling daripada perbedaan mean. Distribusi ini disebut distribusi sampling distribution of the mean differences. SD = KUADRAT Standard kesalahan mean dari sampel II.4. Tiap-tiap eksperimen akhirnya harus membandingkan sedikitnya dua kelompok dalam segi-segi yang dieksperimenkan. kita dapat mengambil pasangan-pasangan sampel lain dari kedua jenis kelamin itu.

089 = − 25.168 224 7 8.096 9.50 = = 125.589 − 23.Interval 50-54 45-49 40-44 35-39 30-34 25-29 20-24 15-19 10-14 5-9 Total : x 52 47 42 37 32 27 22 17 12 7 - LAKI-LAKI f fx 0 0 235 5 294 7 407 11 128 4 351 13 286 13 204 12 192 16 0 0 81 2.304 0 64.897 = 23.89 81 fx 2 − M M = 120 .097 fx 2 0 11.93 120.STATISTIKA 31 .748 324 12 3.045 12.589 Dengan kode x untuk laki-laki dan y untuk perempuan.880 240 20 147 21 3 81 1. 75499 Samsudi . 29 2 .007 = 25 .51 N X − 1 81 − 1 80 My = ∑ fy = 1.93 SD 2 Mx 2 SDM 120.44 2 2 SDbM = SDM X + SDM y = = 1 .42 Ny 81 2 SDy = ∑ fy 2 Ny − M Y2 2 SD M = SD Y2 N −1 = y 125 .704 52 1 2.897 54.89 81 = 791. 08 = 1 .209 47 1 15. 44 = 1.292 3.059 4.93 = = = = 1. 57 80 54.845 185 5 7. 57 3 .94 − 548. 51 + 1 .468 2. 44 81 − 1 = 125 . 22 − −670 .876 378 9 6. maka statistiknya adalah sebagai berikut : Mx = ∑ fx N = SD 2 M = ∑ N M 84 .089 y 52 47 42 37 32 27 22 17 12 7 - PEREMPUAN f fy fy2 2.477 6.422 81 = 673.348 15.388 154 7 4.624 272 16 2.

Soal Laihan 1. Data tes kecerdasan siswa yang masuk pagi dan masuk siang: Interval 50-54 45-49 40-44 35-39 30-34 25-29 20-24 15-19 10-14 5-9 Total : x 50 42 41 37 32 25 22 17 12 7 Masuk pagi fx 0 5 7 11 4 13 13 12 16 0 81 f fx2 y 52 47 42 35 32 25 22 17 12 7 f 1 1 9 5 7 12 7 16 20 3 81 Masuk siang fy fy2 Hitunglah: a. Standar deviasi perbedaan mean dari dua variabel Samsudi . Mean masing-masing variabel b.STATISTIKA 32 . Standar deviasi c.

BAB VI TEKNIK ANALISIS KORELASIONAL Tujuan Mahasiswa memiliki pemahaman tentang teknik-teknik korelasi dalam analisis statistika yang meliputi: arah hubungan. moment dan uji taraf signifikansi Samsudi .STATISTIKA 33 . koefisien korelasi. korelasi product.

sedang variabel kecerdasan kita sebut Y. variabel tinggi badan kita beri kode X.000 sampel +1. Namun sebaliknya jika kenaikan nilai variabel X yang tinggi selalu disertai oleh turunnya nilai variabel Y.000 atau di antara 0. tergantung kepada arah korelasi.2. kita ingin menetapkan apakah ada hubungan atau tidak antara tinggi badan dan kecerdasan. jika kenaikan variabel yang satu kadang-kadang disertai turunnya nilai variabel lainnya. atau sebaliknya. atau jika turunnya nilai variabel X selalu diikuti oleh naiknya nilai varaibel Y. Koefisien korelasi itu bergerak diantara 0. ada juga kemungkinannya bahwa kedua variabel itu tidak mempunyai hubungan.1. Korelasi setujuduct Moment dan Cara Menghitungnya Sebenarnya ada berbagai macam teknik statistik yang digunakan untuk mencari korelasi. Perlu diketahui. dan kadang-kadang juga diikuti oleh kenaikan nilai variabel yang lain tersebut. 6. 6. Artinya jika kita buat scatter diagram (diagram pencaran) dari nilai-nilai variabel x dan nilai-nilai varaibel y.STATISTIKA 34 . 6. Salah Satu sarat yang perlu diperhatikan dalam penggunaan teknik korelasi adalah bahwa hubungan antara x dan y adalah hubungan yang linier. Jadi misalnya. nihil. atau dalam istilah teknis statistika dikatakan mempunyai hubungan yang nihil. Arah Hubungan Jika kenaikan nilai variabel X selalu disertai kenaikan nilai variabel Y. Bilangan yang menyatakan besar-kecilnya hubungan itu disebut koefisien hubungan atau koefisien korelasi. Koefisien Korelasi Pada umumnya besar-kecilnya hubungan dinyatakan dalam bilangan.Salah satu teknik statistika yang sering digunakan untuk mencari hubungan antara dua variabel adalah teknik korelasi. maka dapat kita tarik garis lurus pada pencaran titik-titik kedua nilai variabel itu.3. dan sebaliknya turunnya nilai variabel x selalu diikuti oleh turunnya nilai varaibel y. dan negatif.000 sampai -1. Tetapi satu diantaranya yang dikembangkan oleh KARL PEARSON dan Samsudi . positif. hubungan antara kedua variabel tersebut disebut bersifat negatif. maka hubungan semacam itu disebut hubungan yang positif.000. Dua variabel yang hendak diteliti hubungannya itu biasa diberi kode varaibel X dan variabel Y.

162 27 11. 130 20 16. Cari deviasi-deviasi tiap-tiap nilai kedua variabel itu. 160 30 14. 188 36 9. = Jumlah subyek yang diselidiki Contoh menghitung korelasi product moment: TABEL 6. 184 37 20. Sebut kedua SD itu SDx dan SDy.disebut teknik korelasi prouduct moment dari PEARSON. 175 32 26. 149 25 8. dan Samsudi . Matematik Subyek Kemamp. Cari SD dari kedua varaibel itu. Kalikan tiap-tiap x dengan tiap-tiap y yang sebaris. 165 28 4. 181 29 24.SDx SDy Di mana : rxy xy SDx SDy N = Koefisien korelasi antara x dan y = setujuduct dari x kali y = Standard deviasi dari varaibel x = Standard deviasi dari variabel y. 135 22 27.1 KOEFISIEN KORELASI ANTARA VARAIBEL KEMAMPUAN BERBAHASA (X) DAN MATEMATIK (Y) Subyek Kemamp. 3. Cari mean dari kedua variabel yang bersangkutan sebut kedua mean itu Mx dan My. Berbahasa (Y) No. Berbahasa (Y) (X) (X) 1. 150 25 22. dan masukkan dalam kolom xy. Rumus koefisien korelasi product moment adalah: rxy = ∑ xy N. Matematik No. Jangan lupa mengecek: ∑x=0 dan ∑ y = 0 35 4. 160 27 5. 132 24 17. 180 24 7. 167 29 10. 164 35 25. 154 30 Langkah-langkah menghitung koefisien korelasi dengan rumus di atas adalah : 1. 172 31 15. 162 26 29.STATISTIKA . 148 25 6. 150 29 13. 172 30 3. 190 32 21. 145 23 12. 178 35 2. 170 23 23. 136 21 30. Sebut –x untuk deviasi variabel x dan y untuk variabel Y. 142 23 19. 147 24 28. 152 28 18. 2.

8. 29. 27. 3.5. 4.304 +7 +2 0 -1 -3 +6 -3 +8 +1 -1 -5 +1 +2 +3 +2 0 49 4 0 1 9 36 9 64 1 1 25 1 4 9 4 624 xy (8) +240 +112 0 +90 +216 +120 +30 -50 +21 +28 +60 +150 +52 -4 +168 +126 +24 0 0 +36 +120 +33 +224 +7 -2 +75 -10 0 +36 -12 +1890 Samsudi . Jumlahkan kolom xy untuk memperoleh ∑ xy . 21. 22. 6. 10. 15. 17. 23. 2. 26. 14. Total : TABEL 6. 28. 19. 13.1 y y2 x y x x2 (2) (3) (4) (5) (6) (7) 130 20 -30 900 -8 64 132 24 -28 784 -4 16 152 28 -8 64 0 0 142 23 -18 324 -5 25 184 37 +24 576 +9 81 190 32 +30 900 +4 16 150 25 -10 100 -3 9 170 23 +10 100 -5 25 181 29 +21 441 +1 1 184 35 +4 16 +7 49 175 32 +15 225 +4 16 135 22 -25 625 -6 36 147 24 -13 169 -4 16 162 26 +2 4 -2 4 136 21 -24 576 -7 49 178 172 165 160 148 180 149 188 167 162 145 150 160 172 154 4. 7. 16. 25. BAHAN DIAMBIL DARI TABEL 6. 9. 30.800 35 30 28 27 25 34 25 36 29 27 23 29 30 31 30 840 +18 +12 +5 0 -12 +20 -11 +28 +7 +2 -15 -10 0 +12 -6 0 324 144 25 0 144 400 121 784 49 4 225 100 0 144 36 8. 5. Subyek (1) 1. 11. 24.STATISTIKA 36 . 20.2 TABEL UNTUK MENGHITUNG KOEFISIEN KORELASI PRODUCT MOMENT. 18. 12.

yaitu 0.830 rxy = N .Dengan tabel di atas dapat kita peroleh data sebagai berikut: Variabel Kemampuan Berbahasa Variabel Matematik 1. N = 30 ∑x ∑Y 2. maka nilai r yang kita peroleh itu signifikan. Oleh karena nilai r yang kita peroleh. Apa yang dimaksud dengan kolersi positif dan kolerasi negatif! Samsudi .361.890 ∑ xy = = 0. Dengan nilai r yang signifikan kita akan menolak hipotesis yang mengatakan bahwa korelasi antara x dan y dalam populasi adalah nul.304 = 16. atas dasar taraf signifikansi yang kita gunakan (yaitu 5% atau 1%).64)(4. SDy = = ∑y 2 4. Nilai yang kita peroleh adalah 0. ∑ xy = 1.56 30 Besarnya koefisien korelasi: 1. M Y = N N 4.56) 6. dengan melihat N = 30 dalam kolom N dan membacanya kekanan dalam kolom taraf signifikansi 5% dakan tabel r maka kita ketemukan bilangan 0. Dengan nilai f itu kita hendak menguji apakah nilai itu signifikan ataukah tidak atas dasar taraf signifikan 5%. Uji Taraf Signifikansi Tabel korelasi itu mencantumkan batas-batas nilai r yang signifikan (berarti) pada taraf-taraf signifikansi tertentu.890 N 624 = 4.800 840 = = 160 = = 28 30 30 3. Bilangan ini menunjukkan bilangan batas signifikansi.SDx SDy (30)(16. Dengan demikian kita menolak hipotesis nihil yang mengatakan bahwa nihil r dalam populasi adalah nul (tidak ada korelasi antara x dan y. Jika nilai r yang kita peroleh sama dengan atau lebih besar dari pada nilai r dalam tabel r itu. Soal Latihan 1.64 30 3. maka nilai r yang kita peroleh itu kita katakan signifikan.4. Jumlah subyek atau N yang diselidiki ada 30. atau tegasnya tidak ada korelasi antara pengetahuan umum dan matematik).830. SDx = = ∑x 2 N 8. 830 berada jauh di atas batas signifikansinya. yaitu 0.361.STATISTIKA 37 . M x = 2. Berikan pengertian tentang kolerasi! 2.

dengan mencari SD-nya lebih dulu! d. Merumuskan hipotesis alternatifnya b. Jelaskan tentang pengertian dan penggunaan dari teknik Kolerasi Product Moment dan Pearson! 5. Memberikan interpretasi sederhana (secara kasar) terhadap rxy. f. dengan cara: a. Memberikan interpretasi terhadap rxy dengan cara berkonsultasi pada Tabel Nilai “r” Product moment. Data: Sekor Variabel X: 67 72 66 70 73 72 70 73 74 66 72 73 70 72 70 68 79 66 68 71 73 71 73 69 68 66 72 71 71 60 68 67 69 70 71 Sekor Variabel Y (Urutan sama dengan variabel Y): 59 64 58 62 65 64 62 65 66 58 64 65 62 64 62 60 60 58 60 63 65 63 65 61 60 58 64 63 65 60 62 60 59 64 66 69 73 67 70 72 61 65 59 62 63 71 71 69 69 69 63 63 61 61 59 69 72 72 68 72 61 64 64 60 60 Soal: Coba selidiki dengan cara seksama. e.STATISTIKA 38 . apa memang terdapat kolerasi positif yang menyakinkan (signifikan) antara sekor variabel X dan sekor variabel Y. Merumuskan hipotesa Nihilnya c. Melakukan perhitungan untuk memperoleh angka Indeks Korelasi rxy. Jelaskan difinisi tentang angka Indeks kolerasi! 4. Data: Subyek: Sekor pada Variabel: X Y A 8 5 B 4 5 C 6 7 D 5 6 E 7 6 F 4 5 G 9 6 H 6 7 I 5 6 J 6 7 Soal: Selidikilah dengan secara seksama.3. Kesimpulan apa yang dapat saudara kemukakan? 6. apakah memang terdapat korelasi positif yang signifikan antara sekor variabel X dan sekor variabel Y. dengan cara: Samsudi .

Cari / Hitunglah Angka Indeks Korelasinya. Rumuskan hipotesis alternatif dan hipotesis nihilnya! b. Merumuskan Hipotesis alternative b. c. Berikan interpretasi terhadap Phi dan kemukakan kesimpulannya Samsudi . Melakukan perhitungan untuk memperoleh Angka Indeks Kolerasi “r” Product Moment. diperoleh data sebagaimana tertera dalam table berikut: Sekolah Asal dan Prestasi Tes SIPENMARU dari 1760 Calon Prestasi Tes Sekolah Asal: Jumlah SIPENMARU: SLTA Negeri SLTA Swasta Lulus 270 470 740 Tidak Lulus 180 840 1020 Jumlah 450 1310 1760 Soal: a.STATISTIKA 39 . 7. dengan Tabel Nilai “r”! d. Menarik Kesimpulan. Dalam suatu kegiatan penelitian. Merumuskan Hipotesa Nihilnya! c.a. dengan menggunakan Teknik Korelasi Koefisien Phi. Memberikan interpretasi terhadap rxy denagn menggunakan Tabel nilai “r”! e.

Samsudi .STATISTIKA 40 .BAB VII TEKNIK ANALISIS KOMPARASIONAL Tujuan Mahasiswa mampu menerapkan teknik Chi-Kuadrat dan t-score sebagai alat uji hipotesis dalam teknik analisis komparasional.

ataukah memang dalam populasi terdapat perbedaan semacam itu? Kalau kita mengharapkan frekuensi dari mereka yang setuju dan yang tidak setuju terbagi rata. Frekuensi yang diperoleh (disingkat fo) dan frekuensi yang diharapkan (disingkat fh) dari mereka yang setuju dan yang tidak setuju dapat ditunjukkan dalam tabel sebagai berikut: TABEL 7. Dalam contoh di atas. Untuk ini kita mengambil suatu sampel yang terdiri dari 200 orang dan mengajukan pertanyaan kepada mereka untuk memperoleh pendapat mereka. Chi-Kuadrat Sebagai Alat untuk Estimasi Jika kita ingin mengetahui sikap rakyat terhadap koedukasi (sekolah campuran murid-murid puteri dan putersa).1.STATISTIKA 41 . Chi-Kuadrat (baca Kai Kuadrat) adalah suatu teknik statistika yang memungkinkan peneliti menilai perbedaan frekuensi yang nyata diobservasi. 7.1 Samsudi . Kita misalkan jawaban mereka adalah 115 orang mengatakan setuju dan 85 orang mengatakan tidak setuju. kemudian disambung dengan Chi Kuadrat untuk pengetesan hipotesis. mengapa kita peroleh perbandingan 115 dengan 85 antara mereka yang setuju dan yang tidak setuju dari suatu sampel yang kita ambil secara random? Apakah perbedaan itu hanya semata-mata disebabkan oleh kesalahan sampling. Sebagai bagian dari statistika inferensial chi kuadrad dapat digunakan untuk mengadakan estimasi maupun untuk pengetesan hipotesis. Kita menanyakan.1. dalam sampel yang jumlahnya 200 orang itu. kita mengajukan hipotesis bahasan dalam populasi frekuensi dari mereka yang setuju dan tidak setuju koedukasi terbagi rata (50% lawan 50%). dengan frekuensi yang diharapkan dalam kategori-kategori tertentu sebagai akibat dari kesalahan sampling.7. maka frekuensi yang diharapkan adalah yang setuju 100 orang dan yang tidak setuju 100 orang. Chi Kuadrad Teknik analisis Chi-Kuadrat digunakan jika peneliti lebih berminat meneliti frekuensi individu-individu yang termasuk dalam sesuatu kategori sifat atau ciri gejala dengan jalan penghitungan atau counting.1. Di bawah ini secara berturut-turut akan dibicarakan lebih dahulu Chi Kuadrat untuk estimasi. kalau tidak ada sumber-sumber lain yang memberi ketentuan.

yaitu masing-masing fo = 200 dan fh = 200. Derajat Kebebasan untuk Chi-Kuadrat Derajat kebebasan atau d. Rumus untuk Menghitung Chi-Kuadrat Rumus umum Chi Kuadrat adalah sebagai berikut : χ Dimana : χ2 fo fh 2 = ∑ ( fo − fh ) fh 2 = Chi Kuadrat = frekuensi yang diperoleh (diobservasu dalam)sampel = frekuensi yang diharapkan dalam sampel sebagai pencerminan dari frekuensi yang diharapkan dalam populasi. didapat nilai Chi Kuadrat: ( f o − f h )2 = 4 .2 TABEL KERJA PERHITUNGAN CHI KUADRAT Sikap Pro tidak setuju Total : fo 115 85 200 fh 100 100 200 fo-fh +15 -15 0 (fo-fh) 225 225 - 2 (f o − fh ) fh 2 2.1. Tabel kerja persiapan perhitungan Chi Kuadrat sebagai berikut: TABEL 7.1.3. Derajad kebebasan itu diperoleh dari kenyataan berapa banyaknya kebebasan yang kita miliki dalam menetapkan isi petak-petak yang diharapkan dalam tabel kita.50 Dari angka-angka dalam table di atas. 50 χ 2 = ∑ fh 7.STATISTIKA 42 . 7. Untuk memahami hal ini dapat dilihat tabel berikut: Samsudi .b untuk nilai-nilai χ2 tidak tergantung kepada jumlah individu dalam sampel.25 4. Dalam tabel di atas ketentuan ini telah kita indahkan.FREKUENSI YANG DIPEROLEH DAN YANG DIHARAPKAN frekuensi frekuensi Sikap terhadap Yang diperoleh Yang diharapkan Ke-edukasi (fo) (fh) Setuju 115 100 Tidak setuju 85 100 Total : 200 200 Syarat yang perlu dipenuhi adalah jumlah fo harus sama dengan fh.25 2.2.

Kategori I II Jumlah : fO a c (a+b) fh b d (m+n) Derajad kebebasan untuk bentuk tabel di atas adalah 1. nilai χ h = 3.1. karena ia sudah melebihi χ h yang kita pandang sebagai bilangan χ2 maksimal sebagai akibat dari kesalahan sampling atas dasar taraf signifikansi 5%.3 TABEL FREKUENSI YANG DIPEROLEH DAN YANG DIHARAPKAN Sampel Samsudi . apakah mereka mengikuti berita-berita dengan perantaraan radio ataukah surat kabar. 2 2 Dengan demikian χ 0 itu signifikansi. Konsekwensinya. Dengan d.4. Data tersebut dapat dihimpun dalam tabel kerja sebagai berikut: TABEL 7. jika kita yakin bahwa sarat sampel random telah kita penuhi. ataukah merupakan perbedaan yang signifikan. dan berbagai konsekwensinya hipotesis (nihil) akan kita terima. Chi-Kuadrat Sebagai Alat untuk Pengujian Hipotesis Chi-Kuadrat juga dapat digunakan untuk menguji hipotesis. atau χ2 itu kita katakan signifikan. Untuk ini diberikan daftar pertanyaan atau angket kepada dua sampel. 130 orang menjawab melalui “radio” sedang dari 100 orang tamatan SMA ada 55 orang yang menjawab melalui “radio”. dan sebagai konsekuensinya 2 hipotesis (nihil) akan kita tolak. yakni untuk menguji apakah perbedaan frekuensi yang diperoleh dari dua sampel (atau lebih) merupakan perbedaan frekuensi yang hanya disebabkan oleh kesalahan sampling.b = 1 maka 2 2 untuk taraf signifikansi 5%. Dari 200 orang tamatan sekolah tinggi yang ditanyai. = 1. nilai Chi Kuadrat yang kita peroleh. yaitu sampel tamatan sekolah tinggi dan sampel tamatan sekolah menengah.841 .b. Contoh Suatu penelitian dilakukan dengan tujuan untuk mengetahui apakah ada hubungan atau tidak antara kualifikasi pendidikan (S1 dan SLTA) dengan cara mengikuti berita-berita di media masa. 2 2 Nilai χ 0 = 4. maka kita tolak hipotesis nihil yang mengatakan bahwa separo dari populasi setuju koedukasi dan separo lagi tidak setuju.STATISTIKA Radio Sumber berita Surat Kabar Total 43 . Di bawah ini diberikan contoh-contoh tentang bagaimana menguji hipotesis perbedaan frekuensi yang signifikan atau tidak.50 sedang taraf signifiknsi 5% dengan d. Kepada mereka ditanyakan. berlaku ketentuan jika χ O ≥ χ B 5%. 7. Sebaliknya jika χ o < χ b2 5% nilai χ2 itu kita katakan nonsignifikan.

Atau riilnya. dan ada 115 orang dari 300 orang yang memilih surat kabar (atau dinyatakan dalam per se nada 38. yaitu bahwa tidak ada perbedaan yang signifikan dalam frekuensi pilihan sumber-sumber berita dari tamatan S1 dan tamatan SLTA diterima.16 2 2. dan k = kolom. untuk tiap-tiap tabel 2x2 d. Berdasarkan hasil Chi Kuadrat = 2. Inilah sebabnya Samsudi . b = baris.67 61.67% dari 100 orang. melainkan distribusi perbedaan.67 0.33 76.49 44.67 -6.72 1.67 38.67 %).2.b. Konsekwensinya adalah hipotesis nihil yang diajukan. Persentase-persentase itulah yang kita gunakan sebagai dasar menetapkan frekuensi yang kita harapkan bagi sampel tamatan sekolah menengah atas ada 61. nya = satu.58 0.67 orang. = derajad kebebasan. 7.b.82 fh 2 Dari Tabel di atas 2x2 (dengan 2 baris dan 2 kolom semacam itu derajad kebebasan diperoleh dari rumus d.49 44.00 (fo-fh) 2 (f o 44.Tamatan S1 Tamatan SLTA Total 130 55 185 70 45 115 200 100 300 Hipotesis nihil untuk masalah di atas adalah: “tidak ada perbedaan yang signifikan antara frekuensi sampel I (tamatan S1) dengan frekuensi sampel II (tamatan SLTA) dalam memilih sumber-sumber berita. = (b-1) (k-1) dalam mana d.b.82 menunjukkan bahwa baik atas dasar taraf signifikansi 5% maupun 1% perbedaan frekuensi yang diperoleh itu tidaklah signifikan. t-Score Pada dasarnya t-score tidak lain adalah z-score hanya saja di sini kita tidak lagi menghadapi distribusi angka kasar. ada 61.00 fo-fh +6.33 300.4 TABEL KERJA UNTUK MENGETES PERBEDAAN FREKUENSI Sampel Sekolah Tinggi Sekolah Menengah Atas Total : Sumber Berita Radio Surat Kabar Radio Surat Kabar fo 130 70 55 45 300 fh 123. Atas dasar data tersebut dibuat table kerja sebagai berikut: TABEL 7.67 -6.33%).36 0.67 +6.49 44. Kita lihat dalam tabel itu bahwa ada 185 orang dari 300 orang yang memilih radio sebagai sumber berita (atau dinyatakan dalam per se n ada 61. diperoleh dari (2-1) (2-1).82 Jadi nilai Chi Kuadrat yang kita peroleh adalah : χ = 2 ∑ ( fO − fh ) = 2 .STATISTIKA 44 .49 - − fh ) fh 0.

STATISTIKA 45 . 42 2 . Dalam eksperimen-eksperimen yang menyangkut prestasi belajar. 75499 1. t-Test Untuk Sampel-Sampel yang Berkorelasi t-Test sering juga digunakan dalam eksperimen-eksperimen yang menggunakan sampel-sampel yang berkorelasi (correlated samples).89 dan 23.42 dengan SDbM = 1. Lengkapnya t-score itu adalah sebagai berikut : t = Dimana : Mx My Mh SDbM Mx −M y −Mh SD bM = Mean dari sampel x = Mean dari sampel y = Mean hipotetik dari distribusi perbedaan mean = Standard kesalahan perbedaan mean Oleh karena Mh = 0.score. 75499 Jika kita menggunakan taraf kepercayaan atau taraf penerimaan 95% (lebih sering disebut taraf signifikansi 5%). akan kita peroleh: t= M x − M y SD bM = 25 .75499. maka rumusnya mejadi: t = M x − M y SD bM Sebagai contoh. Misalnya saja. tetapi angka perbedaan mean.1. 407 1. Jika kita mengisikan bilangan-bilangan itu ke dalam rumus t. Atau dengan perkataan lain boleh dinyatakan bahwa berdasarkan bukti-bukti yang dikumpulkan ternyata bahwa antara kedua jenis kelamin itu dengan taraf kepercayaan 95% tidak terdapat perbedaan dalam hal kecerdasan sebagaimana ditunjukkan oleh hasil test kecerdasan. 47 = = 1. mean-mean yang kita peroleh adalah 25. koefisien kecerdasan atau IQ lebih diketahui mempunyai pengaruh terhadap prestasi belajar.mengapa yang dijadikan x bukan sesuatu angka kasar. data pada tabel 6.2. Yang dimaksud dengan sampelsampel berkorelasi adalah sampel-sampel yang sudah disamakan (di-matched) salah satu variabel (mungkin juga dua tiga variabelnya atau lebih). 7. kedua sampel yang diteliti.1. misalnya tentang Samsudi . maka kita tidak mempunyai bukti-bukti untuk menolak hipotesis “bahwa tidak ada perbedaan antara kecerdasan murid-murid putera dan murid-murid puteri yang kita teliti”.89 − 23 .

Sekedar catatan perlu diberikan lebih dahulu. Rumus panjang. melalui jalan yang melingkar-lingkar. Ada dua rumus yang dipersiapkan untuk meneliti signifikansi perbedaan mean dari sampel-sampel yang berkorelasi. diperuntukan bagi penelitian eksperimental yang menggunakan method subjects designs.pengaruh metode belajar. misalnya tentang pengaruh metode terhadap prestasi sesuatu mata pelajaran. dibuat rumus pendek atau short method. yaitu variabel diluar variabel atau faktor yang dieksperimenkan. yaitu eksperimen yang menggunakan kelompok eksperimen dan kelompok control yang sudah disamakan subyek demi subyek sebelum eksperimen dijalankan. Maksudnya agar jika ada perbedaan-perbedaan prestasi belajar dari eksperimen itu. Cuma saja rumus yang satu.STATISTIKA 46 . Kedua rumus itu berbunyi : RUMUS PANJANG : t= (SD Mk − Me + SD 2 Me ke 2 Mk ) − 2r (SD )(SD ) Mk Me Di mana : 2 SDM k = SDk2 Nk − 1 SDe2 Ne − 1 2 2 SDM e = k = Kelompok Kontrol e = Kelompok eksperimen RUMUS PENDEK : t= Mk − Me N ( N − 1) rke = ∑ ke (∑ k )(∑ e ) 2 ∑b 2 Untuk segera dapat diketahui penggunaan dari kedua rumus itu akan diberikan contoh-contohnya. Yang disamakan adalah satu variabel (atau lebih) yang telah diketahui mempunyai pengaruh terhadap hasil eksperimen. dapat disimpulkan bahwa perbedaan-perbedaan tersebut semata-mata ditimbulkan oleh perbedaan metode-metode yang dieksperimenkan. disebut rumus panjang atau Long method. Samsudi . Kedua rumus ini akan memberikan hasil yang sama. 1. maka IQ anak-anak yang ditugaskan dalam kelompok eksperimen dan kelompok kontrol disamakan (dianggap) lebih dahulu. sedang rumus yang satunya lagi. melalui jalan yang langsung dan singkat. bukan perbedaan yang diakibatkan oleh perbedaan IQ dari anakanak yang ditugaskan dalam kelompok eksperimen dan kelompok kontrol.

5 TABEL PERSIAPAN UNTUK T-TEST SAMPEL-SAMPEL YANG BERKORELASI DENGAN RUMUS PENDEK Pasangan Subyek K-E (1) 1 – 12 2 – 14 3 – 15 4 – 17 5 – 15 6 – 16 7 – 13 8 – 20 9 – 19 10 .3 -1.5 6.21 0. Kecuali itu rumus ini juga disediakan untuk menganalisa eksperimen yang menggunakan designs treatments by subjecte.0 +0.4 Harus dicek : ∑B = ∑K − ∑E Dan ∑ b = 0.2 -0.0 E (3) 5. Seperti yang disebutkan dalam angka (1) diatas dengan cara yang lebih singkat dan efisien.2 0.3 6. Rumus pendek.44 0. Rumus ini dipersiapkan untuk menyelesaikan penelitian eksperimen yang menggunakan matched subjects designs.36 1.8 65.1 -0.9 7.2 -0.8 5.3 -1.2 7.7 -0.0 69.MB Samsudi .09 1.0 MB = ∑B b = B .04 5.1 -0.4 7.7 +0.0 5.5 6.STATISTIKA 47 .01 0.69 1.1 8.9 -1.04 0.2 -4.1 +0.09 0.5 -0. adalah rumus yang serba guna dan efisien.5 4.0 E2 (5) +0.3 +1.1 8.6 7. Ini adalah eksperimen yang menggunakan hanya satu kelompok (one group experiment) yang sekaligus menjadi kelompok eksperimen dan kelompok kontrol pada periode-periode eksperimen yang berlainan.2 6.49 0.9 7.8 6.8 6.2 -0.0 K2 (4) -0.0 KE .3 6.(6) 0. Contoh Penggunaan Rumus Pendek TABEL 7.46 N − 4.6 +1.3 +0.0 = 10 = −0.8 -1.18 Total K (2) 5.2.3 8.7 -0.

14.4 = = 1. Diketahui : N1 = 65.44.4 0. Carilah “t” b.59. Jelaskan perbedaan pokok antara Tes “t” dan tes Kai Kuadrat sebagai Taknik analisa Komparasional Bivariat! 4. 8. Data: N2= 82. Dalam keadaan bagaimana sebuah Ho yang menyatakan tidak adanya perbedan yang signifikan antara fo dan ft disetujui? 6. Soal Latihan 1. 5. Data: Diketahui: N =25.83. Buatlah sebuah ikhtisar tentang berbagai kegunaan Tes Kai Kuadrat dalam Praktek kehidupan sehari hari.STATISTIKA 48 . Apa yang dimaksud dengan “Teknik Analisa Komparasional Bivarian” dan “Taknik Analisa Komparasional Multivarian”? Kemukkakan contohnya! 3.9 = 5. Jelaskan pengertian yang tekandung dalam istikah “Teknik Analisa Komparasional”! 2. pada taraf signifikansi 5%. 7. M1= 76.246 Selanjutnya pekerjaan-pekerjaan perhitungan lainnya sama sepenuhnya dengan contoh yang diberikan sebelumnya.Dimasukkan ke dalam rumus: t= Mk − Me N ( N − 1) ∑b 2 = 6. 9. pada taraf signifikansi 5%. Hitunglah “t” b. Berikan interpretasi terhadap “to” denagn berkonsultasi pada table Harga Kritik “t”. Berikan interpretasi terhadap “to” dengan berkonsultasi Tabel Harga Kritik “t”. SD1= 10. Soal : a. M2= 75. S DD = 0. demikian juga interpretasi dari hasilnya. SD2= 12. Data: N2 = 20 Diketahui : N1 = 20 ΣX22= 160 ΣX12= 180 Σx1 = 24 Σx2 = 22 Samsudi . MD = 0.46 10 6.45.66. terutama dalam kegiatan penelitian di bidang pendidikan.5 − 6.624 0.0606 0. Soal: a. Barilah penjelasan tentang prosedur yang perlu kita tempuh dalam rangka memberikan interpretasi terhadap Kai kuadrat.

cobalah Samsudi . Carilah “t” dengan menggunakan rumus dari fisher! b. Saya tidak dapat menemukakan pendapat 90 Soal: Berdasarkan perimbangan bahwa pendapat para penonton televisi mengenai Siaran Dakwah itu merupakan faktor determinan (faktor yang menentukan) yang perlu dipertimbangkan dalam penyusunan program Siaran Dakwah lewat televisi itu. apakah memang secara signifikan terdapat perbedaan Mean hasil tes Matematika dikalangan 40 siswa SMK tersebut. setelah diajar dengan metode baru adalah sebagai berikut: 87 75 50 70 55 81 83 60 72 48 69 55 45 51 77 59 71 57 65 69 66 54 58 79 84 99 77 70 90 93 72 59 54 58 64 48 69 96 59 65 Soal: Selidiki secara seksama.Soal: a. Menemukan Ha dan Ho –nya lebih dahulu b. dalam penelitian mana telah disiapkan 800 orang penonton televisi sebagai sempel penelitian. Siaran Dakwah melalui sandiwara televise lebih baik daripada 243 ceramah B. antara sesudah dan sebelum diajar dengan metode baru dengan cara: a.STATISTIKA 49 . Berikan interpretasi terhadap “to” denagn berkonsultasi terhadap table Harga Kritik “t” pada taraf signifikansi 5%. Siaran Dakwah melalui Ceramah dan sandiwara televise sama 232 baiknya D. Sekor Hasil Tes Matematika dari 40 orang siswa SMK sebelum diajar dengan metode baru adalah sebagai berkut: 68 50 58 40 62 54 66 70 46 56 60 64 42 52 48 44 76 72 43 74 51 65 57 51 55 49 62 59 64 59 53 54 45 55 60 75 70 50 40 53 Sedangkan sekor sasil tes Matematika dari 40 orang siswa yang sama di atas. telah berhasil dihimpun data jawaban yang mereka berikan kepada tim peneliti. sebagai berikut: Pendapat: f A. Dalam suatu kegiatan yang dilaksanakan dengan tujuan untuk mengetahui bagaimana pendapat para penonton televisi mengenai acara Dakwah yang dituangkan dalam bentuk ceramah dan Sandiwara televisi. Siaran Dakwah melalui ceramah lebih baik daripada sandiwara 235 televisi C. 10. Menguji kebenaran / kepalsuan hipotesa tersebut dengan membandingkan besarnya to dan ttabel pada taraf signifikan 5% c. Apa kesimpulan yang diperoleh? 11.

120 orang lulus pada ujian utama dan 40 orang selebihnya dinyatakan gagal dalam ujian tersebut. dengan menggunakan signifikan 5%. Mereka itu dibagi dalam kedua kelompok. d. Ujilah hipotesis nol yang menyatakan bahwa diantara 600 orang siswa SLTA yang berbeda jenis sekolahnya itu tidak dapat berbeda sikap keagamaan yang signifikan! Samsudi . Data: Jenis Sekolah / sikap Baik Cukup Kurang Total: keagamaan Sekolah Umum 100 140 60 300 Sekolah Teknik 40 90 50 180 Sekolah Guru 63 40 17 120 Total 203 270 127 600=N Soal: Dengan menggunakan Teknik Analisa Kai Kuadrat.selidiki secara seksama. Ujilah Hipotesis tersebut dengan menggunakan Teknik analisis kai kadrat! c. Soal: a. Apa kesimpulan yang dapat dikemukakan? 13. c. b. apakah memang secara signifikan terdapat perbedaan frekuansi yang diibservasi dan frekuensi toritiknya. dan 240 orang lainnya adalah mahasiswa yang tidak duduk dalam kepengurusan organisasi kemahasiswaan. d. Terlebih dahulu menyusun hipitesa alternative dan hipotera Nolnya. dengan cara: a. yaitu: 60 orang mahasiswa yang duduk dalam kepengurusan organisasi-organisasi kemahasiswaan. 25 diantaranya dinyatakan lulus dalm ujian ulangan. Berikan interpretasi terhadap Kai Kuadrat dengan menggunakan signifikan 5%. Selanjutnya dari sejumlah 240 orang mahasiswa yang tiadak menjadi pengurus organisasi kemahasiswaan.STATISTIKA 50 . Memberikan interpretasi terhadap kai kuadrat. 80 orang diantaranya dinyatakan lulus ujian utama. Rumuskan Hipotesis alternatifnya dan Hipotesis Nihilnya! b. Mengetes perbedan frekuensinya dengan menggunakan Teknik Analisis Kai kuadrat. Sejumlah 300 oarang mahasiswa pada sebuah perguruan tinggi ditetapkan sebagai sempel dalam rangka kegiatan penelitian yang berjudul “Komparasi Prestasi Studi Mahasiswa Dalam hubungannya Dengan kegiatan Para Mahasiswa dalam Organisasi-organisasi kemahasiswaan”. 20 orang diantaranya lulus pada ujian utama. sedangkan sisanya yaitu 15 orang dinyatakan gagal. Kemukakan kesimpulannya 12. Dari kedua kelompok mahasiswa tersebut berhasil dicatat hasil belajar mereka dalam ujian semester difakultas mereka masing masing sebagai berikut: Dari sejumlah 60 orang mahasiswa yang menjadi pengurus organisasi kemahasiswaan.

STATISTIKA 51 . asumsi-asumsi dalam Anava. Samsudi . Anava Klasifikasi Tunggal dan Anava Klasifikasi Ganda dan dapat menggunakan Anava untuk menganalisis data penelitian.BAB VIII ANALISIS VARIANSI Tujuan Mahasiswa memiliki pemahaman tentang teknik analisis variansi sebagai alat analisis data dan uji hipotesis yang meliputi mean kuadrat.

akan memjadi petunjuk seberapa jauh jarak penyimpangan mean-mean kelompok kita itu dari mean hipotetis (yaitu bahwa tidak ada perbedaan antara mean-mena variabel yang diselidiki) sebagai akibat dari kesalahan sampling. yaitu : Samsudi .1. d b = derajad kebebasan. Konsep Mean Kuadrat Perlu diingat kembali apa yang disebut varian dalam pembicaraan tentang SD (standar deviasi). dan diperoleh dengan rumus: MK = DK d b DK = jumlah KUADRAT. maka perbandingan antara keduanya akan dapat digunakan sebagai dasar menarik kesimpulan statistik tentang obyek yang sedang kita teliti. melainkan Mean KUADRAT. yaitu MKant dan MKdal. Dalam teknik Anava ini yang menjadi alat pengukuran variabilitas antar kelompok adalah mean KUADRAT atar kelompok (disingkat dengan MKant). yang diperoleh dengan rumus: SD 2 = ∑ N x2 Hanya saja dalam hubungan dengan pembicaraan kita sekarang ini kwalitas itu tidak disebut varians. dan diberi simbul MK. sedang yang menjadi alat pengukuran variabilitas dalam kelompok adalah mean KUADRAT dalam kelompok (disingkat dengan MK dal). Rumus umum untuk mencari MK. Varians adalah SD kuadrad.8. Jadi sebenarnya yang kita cari adalah menemukan MKant yang mewakili variabilitas dalam kelompok. Jika kedua MK itu sudah kita ketemukan.STATISTIKA 52 . Hasil bagi dari kedua komponen ini. Jika kedua MKdal yang mewakili variabilitas dalam kelompok. disingkat dari mean dari jumlah KUADRAT.

30 = dbdal 45 = 4 .72 dbdal = 50 – 1 – 4 = 45 m=5 DKdal = 254. Misalkan hipotesis nihil yang kita ajukan dalam penelitian kita itu adalah: “tidak ada perbedaan yang signifikan antara kelima kelompok pelajar-pelajar SMA dari berbagai daerah dalam soal kecakapan atau pengetahuan kebudayaan” . atau (m-1) Sebagai contoh diperoleh data sebagai berikut: dbant = 5 – 1 =4 N = 50 DKant = 19.56. 93 8. Jika MKant adalah sedemikian besarnya. diperoleh dari jumlah kelompok dikurangi satu.2.72 = dbant 4 MKdal = DKdal 254. jauh melebihi MKdal sehingga perbandingan kedua MK itu menunjukkan nilai yang menyamai atau melebihi nilai F dalam tabel pada dasar taraf signifikansi 5 % dan 1%.STATISTIKA 53 . MKant yang kita peroleh adalah 4. Jika harga-harga MK tersebut kita isikan ke dalam rumus F. dan MKdal-nya 5. F – Ratio = 5 .93.MK ant = DK an t db ant MK dal = DK dal dbdal dbdal = derajad kebebasan dalam kelompok. 56 Adapun yang dimaksud dengan F-ratio adalah angka-angka perbandingan antara MKant dengan MKdal dan didefinisikan dengan persamaan sebagai berikut : F = MK MK ant da l Besarnya nilai-nilai F yang terjadi hanya 5% dan 1% dari seluruh kejadian dari samplesampel yang diambil secara random. maka: Samsudi . sekiranya memang hipotesis nilai adalah benar. maka kita menyimpulkan bahwa tidak mungkin nilai F sebesar itu terjadi kalau hipotesis nihil dan mengatakan bahwa F yang kita peroleh menunjukkan nilai yang signifikan atas dasar taraf signifikansi 5 % dan 1 %.30 Dengan mengisikan bilangan-bilangan itu ke dalam rumus MK dapat diperoleh: MK ant = DK ant 19. diperoleh dari dbtot dikurangi dengan dbant sedang dbtot = N-1 dbant = derajad kebebasan antar kelompok.

873 5.71 dan 5. jika kita gunakan taraf signifikansi 5 %. 93 = MK da l 5 . kit abaca kekanan sampai menyilang kolom db = 45 sebagai db dari MK kita yang lebih besar. yaitu bilanganbilangan 5.705 13.71 dan 5. taraf signifikansi 5%.72 254. maka kita ambil saja suatu bilangan diantara db = 40 dan db = 50.93 0.70. dapatemukan bahwa: F db ant .02 4. Karena ternyata tidak ada kolom db = 45.30 274. 45 = 0.70 adalah 5. bilangan batas yang kita cari adalah bilangan diantara 13. Tabel Ringkasan ANAVA Hasil-hasil perhitungan analisis varians yang telah kita kerjakan berikutnya dimasukkan ke dalam tabel berikut: Tabel 8. MK yang lebih kecil adalah MKant = 4.65 54 F teoritis (hipotetis) Ft 5% 1% 5.STATISTIKA . Karena itu jika kita gunakan taraf signifikansi 1%.F = MK ant 4 . apalagi sebagai konsekuensinya hipotesis nihil yang kita ajukan sebelum penelitian kita terima. yaitu bilangan 13.715.705.715 Samsudi .873 Untuk mengkosultasikan harga F diatas.69. sedang bilanganbilangan diantara 5.93 Derajad kebebasan dari MK ini = 4. sedang bilanganbilangan pada baris bawah adalah bilangan-bilangan batas F pada taraf signifikansi 1%. db dal = MK MK ant dal F 4. Dari pemeriksaan pada tabel itu ternyata bahwa F yang kita peroleh sebesar 0. Kesimpulan kita akan berbunyi kira-kira sebagai berikut: “Bahwa menurut bahan-bahan yang dikumpulkan dalam penelitian itu diperoleh buktibukti antara pelajar-pelajar SMA dari berbagai daerah itu tidak terdapat perbedaan yang signifikan mengenai pengetahuan kebudayaan”.1 Tabel Ringkasan Anava Sumber Variasi SV Kelompok Pelajar SMA Dalam Kelompok Total Mean Jumlah Derajad F empiris Kebebasan KUADRAT KUADRAT FO MK DK db 4 45 49 19.74 dan 13. 56 = 0 . 873 Mengkonsultasikan dengan Tabel F Dari perhitungan di atas. dapat ditempuh dua cara.873 berada jauh di bawah batas signifikansi 5%. kita cari db = 4 dalam kolom sebelah kiri.

Adapun ringkasan rumus-rumus dalam table Anava: Tabel 8.3 Tabel distribusi sikap untuk contoh Anava Kelompok I Kelompok II Kelompok III Total X1 68 63 58 2 X 1 X2 78 69 58 2 X 2 X3 94 82 73 2 X 3 X 240 214 189 X2 19544 15454 12057 55 4624 3969 3364 6084 4761 3364 8836 6724 5329 Samsudi .STATISTIKA .2 Tabel Ringkasan Anava dari bahan-bahan dalam tabel Sumber Variasi SV Kelompok apa ? ( antar) Dalam Kelompok (dalam) Total Pengujian Kesimpulan db C–1 JK RJK FO 5% Ft 1% ∑ (∑ X ) k 2 nk − (∑ X ) tot 2 N 2 DK ant C −1 DK dal N −C N–C N-1 : (1) Jika ∑X ∑ 2 tot (∑ X ) − k MK MK ant dal ? ? nk X 2 tot − (∑ X ) tot 2 N - - - - F O ≥ F t ? % .Kesimpulan : Karena FO = 0. marilah kita kerjakan contoh lain dibawah ini. maka HO ditolak (2) Jika F O ≤ F t ? % . maka HO diterima : (1) Ada perbedaan apa antara kelompok apa (2) Tidak ada perbedaan apa antara kelompok apa Dengan tabel ringkasan Anava yang tersedia itu.705 maka HO diterima.873 < Ft5% = 5. Tabel 8.3ini memuat bahan hipotetis tentang sikap terhadap persoalan “KLM” yang diperoleh dengan jalan angket. Tabel 8. NIlai yang lebih besar menunjukkan sikap yang lebih positip.

420 = 7.9 Fm – 1.420 = m −1 3 −1 (5) MKdal = = 268.590 ) 30 N 2528100 30 = 93. N – m = Samsudi .950− 84270 = 93.420 (3) DKdal = DK tot − DK ant = 9.90 (6) MK dal 7. (2) DKan t = (∑ X ) 1 2 (420)2 + (530)2 + (640)2 + (1.680 .260 MKant = = 1.950 − n3 = 10 N = 30 (1 .590)2 = 10 10 = 86.680 − 2.210 = MK dal 268.950− = 9.STATISTIKA 56 .260 = N − m 30 − 3 MK ant 1.690 − 84270 = 2.51 41 40 34 27 20 18 420 2601 1681 1600 1156 729 400 324 20488 57 53 52 48 46 42 27 530 2 1 3249 2809 2704 2304 2116 1764 729 29884 2 67 66 62 60 54 50 32 640 2 2 4489 4356 3844 3600 2916 2500 1024 43618 3 175 160 154 142 127 112 77 1590 10339 8846 8148 7060 5761 4664 2077 993950 ∑ (1) X1 ∑ n1 = 10 X ∑X tot ∑ 2 X ∑X ∑ 2 2 X 3 ∑ X tot ∑ X 2 tot DKtot = ∑X 2 − (∑ X ) tot n2 = 10 = 93 .210 n1 (∑ X ) + 2 2 n2 (∑ X ) + 3 2 n3 (∑ X ) − tot 2 N 10 30 (4) DK ant 2.

= 4 .s.49 Signifikansi Nonsignifi Sig Nonsig - Jadi.49.4 Tabel Ringkasan Anava dari bahan tabel Sumber Variasi SV Kelompok “K” Dalam Kelompok Total db 2 27 29 DK 2. Samsudi . Asumsi-asumsi Dalam Analisis Variansi Pengujian dengan F test ini juga menggunakan asumsi-asumsi atau landasanlandasan teori tertentu. Bilangan batas signifikansi atau batas penolakan hipotesis nihil dengan taraf signifikansi 1% adalah 5. yaitu (1) Bahwa subyek-subyek atau individu-individu yang ditugaskan dalam sampelsampel penelitian harus diambil secara random secara terpisah satu sama lain dari masing-masing populasinya. F yang kita peroleh = 4. Hanya deviasi-deviasi yang terjadi 1 kali diantara 100 kejadian yang kita pandang tidak disebabkan oleh kesalahan sampling.260 9. Karena batas penolaknnya masih belum dilewati.5% 3.1% 5.35 t. dengan taraf signifikansi 5% kita akan menolak hipotesis nihilnya yang mengatakan bahwa tidak ada perbedaan sikap antara ketiga kelompok yang diselidiki.9 FO Ft t.680 MK 1. kita memandang deviasi-deviasi yang besarnya terjadi 5 kali dalam 100 atau 4 kali dalam 100 kemungkinan.210 4. 50 Hasil-hasil perhitungan itu kemudian disusun dalam tabel ringkasan Anava sebagai berikut : Tabel 8.STATISTIKA 57 .49 sebagai batas signifikansinya.50 268.s. Ada tiga macam asumsi yang perlu diindahkan dalam penggunaan teknik Anava.420 7. Dengan demikian hipotesis nihil itu kita terima. atau malahan 2 kali dalam 100 kemungkinan masih disebabkan karena kesalahan sampling. Kita menerima hipotesis nihilnya karena jikalau kita menggunakan dasar taraf signifikansi 1%.50 itu semata-mata disebabkan karena kesalahan sampling. Kita menolaknya disebabkan karena kita meragukan bahwa variabilitas antar kelompok sebesar 4. Bagaimana halnya jika kita gunakan taraf sigibifikansi 1%?.50 dan ini masih di bawah Ft = 5.

dari bahan tabel 67 hal.10 − 182. db Vk = derajad kebebasan dari varians yang lebih kecil. kita dapat menggunakan bukti-bukti sebagai landasan untuk memenuhi sarat atau tuntutan normalitas ini. (3) Bahwa varians-varians atau SD2 dari masing-masinng populasi tidak menunjukkan perbedaan yang signifikan satu sama lain. ∑x2 = 1881 1881 1352 18825 SD 2 = − 2 = 188. Kongkritnya. Ini kita lakukan jika kita belum mempunyai bukti-bukti bahwa gejala yang kita selidiki mengikuti cirri-ciri distribusi normal. (3) Correlated variances : dapat kita penuhi dengan mengadakan pengetesan terhadap varians-varians (test of variance) yang kita peroleh dari distribusi-distribusi yang kita peroleh dari distribusi-distribusi yang kita selidiki. 375 kita dapat mengetest variansnya seperti berikut : Kelompok I n = 10 ∑ x = 135. ∑x2 = 2385 2385 1532 23409 2 SD = − 2 = 238. atau random subjectsnya. dbVk = SD kt bs 2 Dalam mana db Vb = derajad kebebasan dari Varians yang lebih besar. random areas. baik bukti ini kita peroleh dari penelitian-penelitian pendahuluan maupun dari penelitian-penelitian orang lain yang mendahului.5 − 10 10 100 Samsudi . Gunakan tabel bilangan random untuk mengambil random clusters. atau kita mengadakan pengetesan normalitas (test of normality) dengan rumus-rumus yang sudah kita ketahui. Kedua. Rumus untuk ini adalah : 2 SD F db Vb .85 Kelompok II n = 10 ∑ x = 153. (2) Normal distributions: dapat kita penuhi melalui dua jalan.(2) Bahwa distribusi gejala yang diselidiki dalam masing-masing populasi itu adalah normal. dan SD dan SD masing-masing adalah bs kt 2 2 varians yang lebih besar dan varians yang lebih kecil.1 − 10 10 100 = 188.STATISTIKA 58 . Bagaimana memenuhi sarat-sarat yang ditentukan itu dapat dituturkan secara singkat sebagai berikut : (1) Random samples : dapat kita penuhi dengan cara yang sudah dibicarakan dalam permulaan bab VII. Pertama.25 = 5. atau jika kita telah mempunyai bukti-bukti bahwa varaibel yang kita selidiki telah mengikuti distribusi normal.

18. Penerapan itu akan dibaca secara berturut-turut.41 Dengan melihat tabel pada derajad kebebasan 9 lawan 9 akan kita ketemukan bahwa FO = 1.. Analisa varians ternyata dapat digunakan untuk meneliti bahan-bahan yang telah disusun ke dalam bermacam-macam distribusi. (2) distribusi bergolong dan (3) distribusi deskriptip..33 ini lebih kecil daripada F15% = 3. perlu kiranya segera diberi keterangan tentang rumusrumus DK untuk bahan yang sudah distribusikan yang kelihatannya sepintas lalu berbeda dengan rumus-rumus DK yang sudah kita pelajari.= 238. Karena itu F 9.STATISTIKA .+ 2 2 m tot nm N (3) DK dal = DK tot − DK ant Tabel 8. karena itu kita menyimpulkan bahwa varians dari kelompok I dan kelompok II itu tidak berbeda secara signifikan. Untuk tidak menimbulkan kebingungan. (1) DK = ∑ fX2tot tot (2) DKant 2 1 (∑ fX ) − tot 2 N (∑ fX ) − (∑ fX ) = tot 2 n1 N (∑ fX ) − (∑ fX ) + . Anava pada Distribusi Tunggal Tabel di bawah ini menunjukkan distribusi tunggal dari hasil test psikologis terhadap mahasiswa-mahasiswa yang baru ulai belajar mata pelajaran itu. Varians yang lebih besar ini kemudian kita jadikan pembilang dalam test of variance kita...09 = 4.5 − 234.5 Distribusi hasil tes Potensi Akademik dari tiga kelompok mahasiswa Kelompok 1 Kelompok II Kelompok III Total 2 fX 1 2 f fX1 f fXt fX t2 f fX2 fX 2 f fX3 fX 32 59 Nilai X Samsudi . Komponen f dimasukkan ke dalam rumus-rumus baru ini disebabkan karena dalam distribusi komponen f itu selalu ada.33 4.41 Dari perhitungan itu kita ketahui itu kita ketahui bahwa SD2 atau varians yang lebih besar adalah varians dari kelompok I.. hal mana berarti bahwa varians dari kedua kelompok itu dalam populasinya masing-masing adalah tidak berbeda. Pada dasarnya rumus-rumus baru ini tidak ada bedanya dengan rumus-rumus yang terdahulu.3. Di bawah ini diberikan contohcontoh penggunaan Anava pada (1) distribusi tunggal.. Jadinya.9 = 5. 8...85 = 1.

46 130 4. 99 44 454 50 500 90 810 152 1216 175 1225 120 720 75 375 44 176 90 30 24 12 5 5 0 0 797 5625 (2) DK ant = 2582 2802 2592 797 2 + + − 44 44 45 133 66564 78400 67081 635209 + + − 44 44 45 133 .STATISTIKA 60 . . Dengan begitu maka hipotesis nihil yang kita ajukan. MKant = MKdal = 9. . Kesimpulan kita adalah bahwa atas dasar bahan-bahan yang kita kumpulkan sampai sekian jauh. 46 (6) F 2. kita terima. Ternyata nilai F yang kita peroleh itu berada sangat jauh di bawah batas signifikansi 1%. dan pada taraf signifikansi 1% adalah 99.66 = 0.72 6. sedang db dari MK yang lebih kecil adalah 2.32 = (3) (4) (5) DKdal = 84899 − 9. jika kit abaca tabel F1 dengan db 130 lawan 2 maka akan kita ketahui bahwa batas penolakan hipotesis pada taraf signifikansi 5% adalah 19.49. .67 = 6. .01 133 133 = 848 .66 2 839.49. . Samsudi .32 = 4.4 22 242 2 11 121 1 11 121 1 11 5 10 100 1 20 200 2 20 200 2 10 10 27 243 3 36 324 4 27 243 3 9 19 56 448 7 56 448 7 40 320 5 8 25 35 245 5 77 539 11 63 441 9 7 20 48 288 8 30 180 5 42 252 7 6 15 25 125 5 20 100 4 30 150 6 5 11 80 20 5 64 16 4 32 8 2 4 10 27 9 3 27 9 3 36 12 4 3 6 12 6 3 8 4 2 4 2 1 2 5 1 1 1 1 1 1 3 3 3 1 3 0 0 2 0 0 0 0 0 1 0 Total 44 258 1802 44 280 2012 45 259 1811 133 Anava dari bahan tersebut dapat dikerjakan dengan cara-cara yang biasa : 797 2 635209 (1) DK tot = 5625 − = 5625 − = 5625 − 4776. = 151282 + 178182 + 149069 − 477601 = 478533 − 477601 = 9.32 = 839.67 .130 = db dari MK yang lebih besar adalah 130. antara kelompok signifikansi tentang pengetahuan psikologi mereka.

5 Sumber Variasi Antar Kelompok Dalam Kelompok Total db 2 13 132 DK 9.32 839..6000-6999 Rp.500.dan seterusnya. 77 Samsudi .2000-2999 Rp.000.49 Signifikansi Nonsig - ANAVA PADA DISTRIBUSI BERGOLONG Distribusi bergolong yang tercantum dalam tabel 8. Dari interval yang terendah dimulai pengkodean dengan bilangan nol. yaitu dengan menggunakan titiktitik tengah atau tanda-tanda kelas Rp 7. Rp 6. Analisa variannya adalah : (1) DK tot = 1214 − 106276 3262 = 1214 − = 1214 − 993. kita akan terlibat dalam mengKUADRATkan bilangan-bilangan besar.3000-3999 Rp.STATISTIKA 61 .1000-1999 Total Kode X 6 5 4 3 2 1 0 - f 4 8 12 15 8 3 1 51 Tabel 8. Tabel 8. Interval gaji Rp.7 di bawah ini dipersiapkan untuk meneliti ada tidaknya perbedaan gaji guru-guru wanita dan pria.67 848.Tabel Singkatan Anava dari pekerjaan analisa tersebut di atas dapat dilihat pada tabel 8.7000-7999 Rp.23 107 107 = 220 .66 0.6 Tabel Ringkasan Anava dari bahan dalam table 8.4000-4999 Rp.99 MK 4.s.6 di bawah ini.5000-5999 Rp.-.46 FO Ft t. Dengan pengkodean itu kita dapat menghemat sangat banyak waktu dan fikiran.7 Tabel Distribusi Bergolong Peria Wanita 2 fX 1 2 fX 2 f fX2 fX1 24 40 48 45 16 3 0 176 144 200 192 135 32 3 0 706 1 5 10 12 18 7 3 56 6 25 40 36 36 7 0 150 36 125 160 108 72 7 0 508 Total f 5 13 22 27 26 10 4 107 fXt 30 65 88 81 52 10 0 326 fX t2 180 325 352 243 104 10 0 1214 Kode-kode digunakan dalam tabel itu disebabkan karena sungguhpun kita dapat melakukan analisa dengan metode yang lazim.72 6.5% =19. Interval gaji diambil dari gaji rata-rata tiap-tiap bulannya.

93 204.(2) DK ant = = 607 .45.s.23 = 15. dan perbedaan itu signifikan.95 Dimasukkan dalam tabel ringkasan Anava : Tabel 8. Analisis Variansi (ANAVA) Klasifikasi Ganda Dalam bab VII kita telah membicarakan bagaimana mengetest hipotesis tentang sesuatu variabel dari dua kelompok. Kita menyimpulkan bahwa berdasarkan bahan-bahan yang masuk ada perbedaan besarnya gaji guru-guru wanita dna peria.37 + 401.93 = 15.8 Ringkasan Anava dari bahan dalam tabel Sumber Variasi Sekse Dalam Total db 1 105 106 DK 15.68.95 FO 8.79 − 993.1%=6.84 MKant = MKdal = 15.4.93 1.23 = 1009 .84 = 1. Mean dari gaji peria = 176/51=3.95 105 F1.93 = 204.93 1 204. sedang mean dari gaji wanita = 150/56 = 2. karena gaji peria ternyata lebih besar daripada wanita.84 220.90 Signifikansi Sig - db dari MK yang lebih besar = 1.93 = 8. Pemeriksaan pada tabel F menunjukkan bahwa dengan taraf signifikansi 5% dan 1 % batas penolakan itu maka hipotesis nihilnya kita tolak.105 = 15.17 1.17 Ft t. dan guru-guru peria mempunyai kecenderungan memperoleh gaji yang lebih tinggi.77 MK 15. Dalam bab XI kita telah maju satu langkah.STATISTIKA 62 . maka akhirnya kita menyimpulkan bahwa gaji adalah fungsi daripada jenis kelamin. Dalam bab ini kita maju satu langkah lagi. 8.77 −15. yaitu memperbincangkan cara mengetest hipotesis tentang sesuatu variabel dari tiga kelompok atau lebih.93 (3) (4) (5) (6) 1762 1502 3262 30976 22500 106276 + − = + − 51 56 107 51 56 107 DKdal = 220. Kita ingin mengetahui Samsudi .16 − 993. dan db dari MK yang lebih kecil = 105.

Dengan Anava klasifikasi tunggal akan kita peroleh hasil-hasil sebagai berikut : 4582 2 2 2 (1) DK tot = 26 + 24 + . tetapi banyak klasifikasi. tetapi juga sangat berguna untuk mendapatkan informasi yang lebih banyak dan lebih teliti.44 25 1062 882 892 942 812 4582 (2) DK ant = + + + + − = 69. Semua sepeda motor itu kemudian dijalankan dalam keadaan yang diawasi baik-baik dan dicatat konsumsi bensinya tiap-tiap kilometernya.06 16..10 Samsudi .bagaimana mengetest hipotesis dari banyak kelompok yang tidak hanya menggunakan satu klasifikasi.22 (5) MKdal = 20 (3) (6) F 4. Kita misalkan hasil daripada test ini adalah seperti berikut : Tabel 8.STATISTIKA 63 .04 = 32440 . .26 = 1.22 Hasil-hasil perhitungan itu kita masukkan ke dalam tabel ringkasan Anava sebagai berikut : Tabel 8. Dia mengambil dari tiap-tiap merk lima buah sepeda motor dari model empat tahun yang lalu sampai model tahun ini. Mengadakan klasifikasi ganda ini bukan saja mungkin dikerjakan dalam banyak penelitian.40 = 16.20 = 17 . Kebenaran pernyataan tersebut dapat dilihat dari contoh sebagai berikut : Seorang insinyur mobil ingin meneliti lima macam merk sepeda motor untuk menetapkan keadaan konsumsi bensin mereka. 69.04 = 17.9 Konsumsi bensin per km dari lima macam merk sepeda motor M ERK MODEL TOTAL A B C D E 112 18 24 22 22 26 Tahun 2008 105 20 20 20 21 24 Tahun 2007 94 16 19 19 18 22 Tahun 2006 80 15 13 17 15 20 Tahun 2005 67 12 18 11 12 14 Tahun 2004 Total 106 88 89 91 81 458 Dengan menggunakan Anava yang biasa kita dapata mengetest hipotesis nihil : “Bahwa ada perbedaan konsumsi bensin antara kelima merk sepeda motor itu”..26 (4) MK ant = 4 324. + 12 − = 393.04 5 5 5 5 5 25 DKdal = 39344− 69.

26 16.5%=2. Konsekwensinya hipotesis nilai yang dikemukakan tidak dapat ditolak.87 Signifikansi Non - Nilai F dengan derajad kebebasan 4 lawan 20 adalah tidak signifikan.76 4 Model p < 1% xx) 3.40 393.Ringkasan Anava dari bahan dalam tabel 9.96 17. Beberapa dari pekerjaan kita di atas dapat kita ambil lagi untuk analisa ini. Kelima merk sepeda motor itu tidak menunjukkan perbedaan konsumsi bensin yang menyakinkan.STATISTIKA 64 .64 16 Dalam Samsudi . Data dalam tabel di atas dapat juga digunakan untuk menetapkan DK-DK dari merk maupun model. 2 Perlu dicatat bahwa suku 458 dalam perhitungan-perhitungan DKmerk dan 25 DKmodel di atas kita sebut suku koreksi. yaitu bahwa tidak ada perbedaan yang signifikan antara kelima macam merk dapat ditest kembali.5 Sumber Variasi Merk Dalam Total db 4 20 24 DK 60. Hasil Anava dari data tersebut yang memasukkan dua jenis klasifikasi yaitu klasifikasi merk dan klasifikasi odel.10). Catatan ini perlu diperhatikan agar kita meneliti kembali jumlah-jumlah itu sebelum menghitung tiap-tiap DK. Demikian juga jumlah pembagi pada tiap-tiap pecahan yang ditambahkan sebelum diKUADRATkan dalam tiap-tiap menghitung DK haruslah sama dengan pembagi dari suku koreksi. Analisa varians untuk ini pada prinsipnya adalah sama seperti yang telah kita pelajari. ditunjukkan dalam tabel 8.11 di bawah ini.19 286.44 MK 17.26 69. Persoalannya sekarang apakah kesimpulan itu masih dapat dipertahankan jadi faktor model turut diperhitungkan? Tabel 8. Periksalah kembali test hipotesis pertama yang sudah dikerjakan di muka.04 324.06 Ft t.48 55.11 Tabel ringkasan Anava tentang konsumsi bensin sepeda motor ditinjau dari segu merk dan model Jumlah Mean Sumber setujubabilitas db FO Variasi KUADRAT KUADRAT Kejadian (p)x) 4.04 4 Merk p < 1 % xx) 19. Jumlah pembilang pada tiap-tiap pecahan yang ditambahkan sebelum diKUADRATkan harus sama dengan pembilang dari suku koreksi. Hipotesis yang kedua ialah hipotesis nihil tentang tidak adanya perbedaan yang signifikan antara kelima mode.32 67.s.22 FO 1. Hipotesis nihil itu diterima atas dasar klasifikasi tunggal (periksa tabel 8. Dari dua klasifikasi ini dapat perbedaan yang signifikan antara kenihilan yang aseli.

19 = 12.19 dal (5) MK 324 . Memang penambahhan klasifikasi biasanya menambah halusnya test hipotesis. yaitu MKmerk’ tetap konstan.84 Pemeriksaan pada tabel F menunjukkan kepada kita bahwa dengan derajad kebebasan 4 lawan 16 batas penolakan hipotesis nihilnya adalah 3. Untuk menyelesaikan pengetesan hipotesis model ini cukup kiranya jika kita menggunakan Anava klasifikasi tunggal.64 MK dal = = 3.96 3. Kita menyimpulkan bahwa kelima jenis merk sepeda motor yang diselidiki berbeda konsumsi bensinya. Hipotesis nihil tentang perbedaan konsumsi bensin di berbagai merk itu jika model atau tahun pembuatannya telah turut diperhitungkan.04 MK merk = = 17. sedang pembilangnya dalam F-Ratio untuk merk itu.48.33 = 65 Samsudi .01 Baiklah pertanyaan ini kita jawab setelah kita menyelesaikan pekerjaan kita dalam mengisi tabel ringkasan di atas. melainkan hanya 3. MKmodel = 67.20 = 5. Dengan bukti-bukti itu dapatlah kita menjawab pertanyaan yang baru diajukan. XX) Lebih lazim ditulis dalam bentuk setujuporsi sebagai berikut P < 0.01 untuk taraf signifikansi 5%.26 4 288. ) DK tot = 393.16 = = 19. dan 4.76 (3) (4) DKdal = 39344− 286.76 = 106.44 (2) DK mod el = 286. Hal ini disebabkan karena MKdal yang digunakan untuk menjadi pembagi dalam mencari nilai F disini tidak lagi 16.22 seperti yang digunakan dalam tabel 78. 22 20 67.Total 24 393.48 16 17.19 4 55.STATISTIKA .84 67.77 untuk taraf signifikansi 1%.68 .19 Untuk Model : F 4.32 3.44 - - - (5) (6) (7) (8) (9) X) Diartikan juga proporsi kesalahan dari tiap-tiap penolakan hipotesis nihil. Tambahan halusnya ini tentu saja tergantung sekali kepada tambahan arti daripada klasifikasi itu. tidak lagi dapat dipertahankan.16 = = 4. 60. 4 = 16 .66 (6) F 4.26 Untuk Merk : F4 .76 MK mod el = = 67. Jelaslah bahwa analisa varians dengan menggunakan kalsifikasi ganda merupakan alat pengetesan hipotesis yang lebih peka.

MA dan SMK).300-399 Rp.500-599 Rp.600-699 Rp. Data di bawah ini menunjukan distribusi interval gaji kelompok guru sekolah (SMA. Kode X 6 5 4 3 2 1 Guru SMA f 4 8 12 15 8 3 Guru MA f 1 5 10 12 18 7 Guru SMK f 3 7 9 14 15 6 66 Interval gaji (ribuan) Rp. apakah ada perbedaan secara signifikan nilai matematika pada tiga kelompok tersebut. Buat/masukkan juga ke dalam tabel ringkasan Anava.200-299 Samsudi .P < 0. 2.STATISTIKA . Distribusi hasil tes Matematika terhadap tiga kelompok siswa disajikan sebagai berikut: Kelompok 1 Kelompok II Kelompok III Total Nilai Matematika f f f f 4 2 1 1 80 5 1 2 2 79 10 3 4 3 78 19 7 7 5 77 25 5 11 9 76 20 8 5 7 75 15 5 4 6 72 11 5 4 2 68 10 3 3 4 66 6 3 2 1 62 5 1 1 3 61 3 2 0 1 60 Total 44 44 45 133 Ujilah pada taraf signifikansi 5%. Dengan kenyataan itu kita tetap menolak hipotesis nihil dan menyimpulkan bahwa perbedaan konsumsi bensin menurut tahun-tahun pembuatan adalah sangat signifikan.700-699 Rp.01.400-499 Rp. Soal Latihan 1.

Data rata-rata suhu mesin pada lima macam merek sepeda motor (A.STATISTIKA 67 . 2005. pada taraf signifikansi 5%. Buat/masukkan juga ke dalam tabel ringkasan Anava. Buat/masukkan juga ke dalam tabel ringkasan Anava. 2006.100-199 Total 0 - 1 51 3 56 2 56 Ujilah apakah ada perbedaan secara signifikan distribusi gaji tiga kelompok guru tersebut. 3. 2007.Rp. D. B. dan E). pada taraf signifikansi 5%. disajikan sebagai berikut: MODEL M ERK A B 85 86 84 85 84 84 82 82 82 81 TOTAL Tahun 2004 Tahun 2005 Tahun 2006 Tahun 2007 Tahun 2008 Total C 85 84 83 81 80 D 85 83 83 81 80 E 86 83 82 81 80 Ujilah apakah ada perbedaan secara signifikan rata-rata panas mesin pada lima merek motor yang berbeda dan model/tahun pembuatan yang berbeda. masing-masing untuk tahun pembuatan/model yang berbeda (2004. C. Samsudi . dan 2008).

STATISTIKA 68 .BAB IX ANALISIS REGRESI Tujuan Mahasiswa memiliki pemahaman tentang analisis regresi klasifikasi tunggal dan ganda dan mampu menggunakannya untuk menganalisis data penelitian. Samsudi .

Pola hubungan seperti ini disebut sebagai kausalitas. Untuk garis regresi linear dnegan satu ubahan predictor persamaannya adalah : Y = aX + K dalam mana Y = kriterium. a = bilangan koefisien prediktor . Suatu ubahan dapat diramalkan dari ubahan lain apabila antara ubahan yang diramalkan. Garis ini disebut garis regresi.. Garis regresi mungkin merupakan garis lurus (linear). artinya ubahan yang satu merupakan predictor. hiperbolik. Misalnya. X = prediktor. + am X m + K dalam mana Y = Kriterium 69 Samsudi . Dalam kesempatan ini hanya akan kita bicarakan garis regresi yang linear. terdapat korelasi yang signifikan. maka berat badan orang pada umur tersebut dapat diramalkan dari tinggi badannya. perbendaharaan bahasa.STATISTIKA . hasil tes seleksi. dan lamanya latihan merupakan ubahan predictor.. dan K = bilangan konstan. dan sebagainya). Persamaan ini disebut persamaan regresi. disebut terikat / dependend. Korelasi antara ubahan kriterium dengan ubahan predictor dapat dilukiskan dalam suatu garis. Misalnya. disebut bebas / Independend. apakah produktivitas kerja karyawan dapat diprediksikan dari hasil tes seleksi dan lamanya latihan dan sebagainya.. Untuk garus regresi linear dengan dua ubahan predictor persamaan garisnya adalah : Y = a1 X 1 + a2 X 2 + K dan untuk m ubahan prediktor persamaannya adalah : Y = a1 X 1 + a2 X 2 + .. jika antara tinggi badan dan berat badan pada umur-umur tertentu terdapat korelasi yang signifikan. sedangkan ubahan yang lain sebagai kriterium. mungkin merupakan garis lengkung (parabolic. sedangkan angka kecerdasan. apakah prestasi belajar anak dapat diprediksikan dari angka kecerdasan dan perbendaharaan bahasa (kosakata). Dalam contoh ini prestasi belajar dan produktivitas kerja merupakan ubahan kriterium. Suatu garis regresi dapat dinyatakan dalam persamaan matematik...Realitas tentang hubungan/keterkaitan antar ubahan dapat dikategorikan dalam konteks ubahan yang satu menjadi penyebab dari ubahan lainnya. dan ubahan yang digunakan untuk meramalkan.

Tujuan itu dapat tercapai. Dalam penelitian itu dikumpulkan data tinggi badan dan berat badan sepuluh orang sebagai berikut : Subyek No. . . 1 2 3 4 5 6 7 8 9 10 Tinggi (dalam cm) X.. . . jika dari serangkaian ramalan jumlah kesalahan-kesalahan raalan itu sama dengan nol.X1. . am = Koefisien prediktor 1.m a1. Mencari persamaan garis regresi. . . 168 173 162 157 160 165 163 170 168 164 Berat (dalam kg) y 63 81 54 49 52 62 56 78 64 61 Korelasi antara prediktor X dengan kriterium Y dapat kita cari melalui teknik korelasi momen tangkar dari Pearson. . Maksud pernyataan ini akan dapat kita fahami dari contoh-contoh yang akan diberikan nanti. . jika prediktornya lebih dari satu. .. Jika kita melukis garis regresi untuk meramalkan kriterium dari prediktor. 9. .1 Analisis Regresi Linear Satu Prediktor Tugas pokok analisis regresi adalah : 1. . koefisien prediktor 2. dengan rumus umum : Samsudi . …. tujuan kita adalah ingin mendapatkan dasar ramalan yang menghasilkan kesalahan yang sekecil-kecilnya. . R 2. koefisien prediktor ke-m K = Bilangan konstan untuk menemukan persamaan guru regresi tersebut harga-harga koefisien prediktor dan bilangan konstantanya dapat dicari dari data yang diselidiki.. prediktor 2. F 4. .. → tabel 3. Xm = Prediktor 1. . Kesalahan ramalan ini disebut residu. yaitu memberi dasar untuk pembicaraan mengenai analisis kovariansi. . a2. Contoh : Misalkan suatu penelitian ingin memastikan apakah berat badan orang pada kelompok umur tertentu dapat diramalkan dari tinggi badan. . Menguji apakah korelasi itu signifikan ataukah tidak.STATISTIKA 70 . Mencari korelasi antara kriterium dengan prediktor. . . X2. Mengenai tugas kedua dari pembicaraan analisis regresi. prediktor ke. akan kita bicarakan pada waktu kita membicarakan analisis kovariansi. Menemukan sumbangan relatif antara sesama prediktor. .

432 Dari itu 10 1. Dengan harga korelasi antara tinggi badan dan berat badan yang sangat signifikan itu kita mempunyai landasan untuk meramalkan / mengestimasi berat badan dari tinggi badan (sebenarnya boleh juga sebaliknya. dan kita dapat menyimpulkan bahwa korelasi antara X dan Y. ∑ x = ∑ X − ∑N . karena itu harga rxy sebesar 0. kita dapat meramalkan tinggi badan dari berat badan).6502 x 2 = 272.STATISTIKA ∑ xy = 102.432 − 10 = 992 432 rxy = = 0.460 ∑Y2 = 39.650 ∑Y = 620 ∑XY = 102. dan ( Y) ∑ y = ∑Y − ∑ N 2 2 2 2 2 Jika tekah kita lakukan komputasi terhadap data contoh hasil penelitian tersebut (gunakan kalkulator yang ada fungsi statistiknya).946 (210)(992) Untuk menguji apakah harga rxy = 0. yaitu : Y = αX + K → Y = αx + bx → α = Koefisien prediktor Samsudi .732 − (1.946 itu kita nyatakan sangat signifikan. sangat signifikan.460 − = 210 ∑ 10 6202 2 ∑ y = 39.rxy = Telah kita ketahui bahwa : ∑ xy (∑ x )(∑ y ) 2 2 ( X )( Y ) ∑ xy = ∑ XY − ∑ N ∑ . kita dapat berkonsultasi dengan tabel r – teoretik dengan dengan N = 10 atau derajat kebebasan db = 10 – 2 (Catatan: ada tabel r = teoretik yang menggunakan N. ada juga yang menggunakan db.732 ∑X2 = 272. Dari tabel r – teoretik dengan N = 10 (atau db = 8) akan kita ketemukan harga r-teoretik pada taraf signifikansi 1% atau rt1% = 0.765.650)(620) = 432 71 . yaitu antara tinggi badan dan berat badan. ( X) . dab karenanya kita dapat membuat garis regresi untuk prediksi dengan rumus garis regresi untuk prediksi dengan rumus garis regresi satu-prediktor yang sudah kita ketahui. akan kita temukan : N = 10 ∑X = 1. Ambilah mana saja yang tersedia pada Anda).946 itu signifikan apa tidak.

Dengan metode skor kasar harga-harga a dan K dapat dicari dari persamaan : (1 ) Σ XY = a Σ X 2 + KΣX ( 2 ) Σ Y = a Σ X + NK Jika data yang sudah kita ketahui kita masukkan ke dalam rumus-rumus itu (1) 102.268. dan (b) dengan metode skor deviasi. hasilnya adalah a = 2. 26 = 165. Dengan harga a = 2 dan K = .650 dan persamaan 2 dengan 10) : (3) 62. dengan jumlah angka desimal yang lebih banyak.277. Tentu saja perhitungan dengan enam desimal hasilnya akan jauh lebih teliti daripada perhitungan dengan dua desimal.057 143. x = X − X.Untuk mengisi persamaan garis regresi itu harga koefisien prediktor (yaitu harga a) dan harga bilangan konstan K harus kita ketemukan lebih dahulu. Nanti kita akan memilih salah satu dari dua metode itu berdasarkan pertimbangan efisiensi. dan a= Σ xy Σx 2 72 Samsudi .STATISTIKA . 428 595. misalnya enam desimal atau delapan desimal. Harga-harga a dan K itu dapat kita ketemukan melalui dua jalan : (a) dengan metode skor kasar. Dalam contoh perhitungan di atas hanya digunakan dua desimal.460 a + 1.26 = 0.13 a (6) 62 = (165) (2) + K K = .13 a + K (4) 62 = 165 a + K Subtitusi (5) 0.268 Perlu dicatat bahwa dalam perhitungan terhadap data penelitian yang sesungguhnya. dan K = .732 = 272. Maka jika dalam komputasi digunakan kalkulator. ketelitian perhitungan harus diusahakan semaksimal mungkin. persamaan garis regresinya adalah : Y = aX + K Y = 2X − 268 → a = -268. Kedua metode ini akan menghasilkan harga-harga a dan K yang sama. Misalnya. jika dalam perhitungan di atas digunakan desimal yang menggambang sampai enam angka.650 K (2) 620 = 1. b = 2 y = −268+ 2X Dengan metode skor deviasi harga-harga a dan K dapat kita cari dari persamaan y = ax Dalam mana y =Y −Y.650 a + 10 K dengan penyelesaian persamaan secara simultan akan kita ketemukan (dengan membagi persamaan I dengan 1. biarkanlah desimalnya mengambang (floating) sehingga perhitungan-perhitungannya dapat membawa terus jumlah desimal sesuai dengan kemampuan kalkulator tesebut.

428595 Baiklah kita coba dulu meramalkan berat badan dari persamaan garis regresi Y = 2X-268 seperti yang dihasilkan dengan perhitungan dengan metode skor kasar.X ) dapat kita selesaikan: Y − 62 = (2. Tabel 9.057143 X − 277 . Untuk X = 150 Y = 2(150) – 268 = 32 Jika dari perhitungan-perhitungan itu kita buat suatu tabel berikut. 05 210 y = 2 . hasilnya adalah Y = 2. Dan seterusnya .05 X – 276.05 X − 338 .Y = a ( X . Untuk X = 174 Y = 2(174)-268 = 80. 25 + 62 Y = 2. Seharusnya dengan kedua metode itu kita tidak menemukan hasil perhitungan yang berbeda. .05 X − 276 .650 = = 62 = = 165 Y = X = 10 10 N N Karena itu untuk persamaan garis regresi y = ax atau Y . . sedang dengan metode skor deviasi kita menemukan persamaan garis regresinya Y = 2. . Perbedaan hasil perhitungan garis regresi yang kita temukan itu semata-mata disebabkan karena ketelitian perhitungan saja.25. 05 x Dari data yang dikumpulkan dapat dicari : ΣY 620 ΣX 1. Dengan jumlah desimal yang mengambang sampai enam desimal.STATISTIKA 73 .1 TABEL RAMALAN BERAT BADAN (Y) DARI TINGGI BADAN (X) DARI PERSAMAAN GARIS REGRESI Y = 2 X – 268 Tinggi (cm) Berat (kg) Tinggi (cm) Berat (kg) Tinggi (cm) Berat (kg) X Y X Y X Y 175 82 165 62 155 42 174 80 164 60 154 40 173 78 163 58 153 38 172 76 162 56 152 36 171 74 161 54 151 34 170 72 160 52 150 32 169 70 159 50 149 30 168 68 158 48 148 28 Samsudi . berat badannya atau Y-nya akan Untuk X = 175 Y = 2(175)-268 = 82.Jika data yang sudah diketemukan dimasukkan ke dalam rumus tersebut : Σ xy = 432 Σ x 2 = 210 432 a = = 2 . Maka untuk tinggi badan atau X tertentu.05)( X − 165) Y = 2. 25 Dengan etode skor kasar kita menemukan persamaan garis regresinya Y = 2X – 268.

4 74.3 70.1 64.9 55.8 51.3 39.4 37.9 53. Tabel.5 80.9 55.3 33.5 X 155 154 153 152 151 150 149 148 147 146 Y 41.0 25.1 27.2 68.6 155 154 153 152 151 150 149 148 147 146 41.25 Y X Y X Y 82.3 72.0 59.5 76.5 78.2 68.1 23. Ini dapat kita uji dari perbandingan seperti di bawah ini.STATISTIKA 74 .9 Dari tiga tabel raalan yang telah kita susun itu tabel yang terakhir ini adalah yang paling teliti.2 66.8 51.2 66.7 49.9 57.3 35.7 45.05 X – 276. Ketelitian itu mungkin ada akibatnya dalam kesalahan ramalan atau residu.6 45.5 43.3 29.5 37.0 57.0 60.1 X 175 174 173 172 171 170 169 168 167 166 Tabel 9.1 64. Samsudi .167 166 66 64 157 156 46 44 147 146 26 24 Bagaimana keadaannya jika kita menggunakan persamaan garis regresi Y = 2.4 74.1 X 165 164 163 162 161 160 159 158 157 156 Y 62.3 31.0 22.6 80.428 595 X 175 174 173 172 171 170 169 168 167 166 Y 82.05 X – 276.3 72.8 49. sedang tabel yang pertama merupakan tabel yang paling kurang teliti.428 595 (yang diperoleh dengan ketelitian enam desimal.4 39.5 78.25 (seperti yang diperoleh dengan metode skor deviasi) dan persamaan garis regresi Y = 2.057 143X – 277.4 35.1 29.7 47.2 27.1 165 164 163 162 161 160 159 158 157 156 62.057 143 X – 277.2 31. baik dengan metode skor kasar ataupun skor deviasi)? Sambil mendemontrasikan pentingnya ketelitian dalam perhitungan akan kita coba menyusun tabel-tabel ramalan dengan persamaan garis regresi yang berbeda-beda itu.7 47.4 33.4 76.6 43.2 25. 9.3 TABEL RAMALAN BERAT BADAN (Y) DARI TINGGI BADAN (X) DARI PERSAMAAN GARIS REGRESI Y = 2.8 53.3 70.2 TABEL RAMALAN BERAT BADAN (Y) DARI TINGGI BADAN (X) DARI PERSAMAAN GARIS REGRESI Y = 2.

Akan tetapi. Metode Skor Kasar : Dari data yang telah dikomputasi kita ketahui : ∑Y = 620 N = 10 a =2 ∑Y2 = 39. Maka. dan garis regresinya telah dibuat.regresi sangat kecil dan tidak signifikan . uji signifikansinya sudah dijalankan. Untuk analisis regresi bilangan – F diperoleh dari rumus : F reg = RK RK reg res Dalam mana Freg = Harga bilangan – F untuk garis regresi. Analisis Varians Garis Regresi Sebelum kita melanjutkan pembicaraan mengenai analisis regresi dengan dua prediktor atau lebih. Samsudi . Apa yang disebut analisis regresi sebenarnya adalah analisis variansi terhadap garis regresi. ada baiknya kita membicarakan dulu apa yang sesungguhnya disebut analisis regresi. Jadi bilangan –F regresi diperoleh dari membandingkan (nisbah) RK regresi dengan RK residu. untuk menguji signifikansi garis regresinya perlu dilakukan analisis variansi terhadap garis regresi tersebut. Jika hasil perhitungan JK kita masukkan dalam tabel ringkasan analisis varians. pekerjaan “analisis regresi” seperti yang sudah kita kerjakan boleh dikatakan selesai. dengan maksud untuk menguji signifikansi garis regresi yang bersangkutan. Sebab besarnya korelasi antara prediktor dengan kriterium telah diketemukan.432 ∑XY = 102. jika dalam prediksi digunakan beberapa prediktor. Dari analisis regresi kita akan menghasilkan bilangan –F sebagaimana halnya jika kita mengadakan analisis variansi. RK residu RK “error” memang mempunyai cirri semacam itu: dalam perhitungan nisbah – F harga bilangan –F akan sangat ditentukan oleh harga RK “error” nya.2.732 K = . Tata kerja itu akan kita tempuh juga dalam percobaan kita menerapkan rumus-rumus analisis variansi ini. namun sebagai dasar pemahaman marilah kita coba menganalisis data satu prediktor dalam contoh di depan.9.268 Dalam analisis variansi perhitungan yang paling banyak harus dilakukan adalah perhitungan mengenai jumlah Kuadrat JK (Jumlah Kuadrat). Makin besar harga RK residu akan makin kecil harga F regresi. RKreg = Rerata Kuadrat garis regresi. Walaupun analisis variansi garis regresi lebih efektif untuk menganalisis garis regresi dengan beberapa prediktor. dalam analisis garis regresi. dan RKres = Rerata Kuadrat residu. maka perhitungan rerata Kuadrat RK dan F-nya tidak akan banyak menghadapi kesulitan. Jika suatu prediksi hanya menggunakan satu ubahan prediktor seperti contoh ditas. maka garis regresinya tidak akan memberikan landasan untuk prediksi secara efisien.STATISTIKA 75 . jika harga F .

732) + (− 268)(620) − JKres = 992 − 864 = 128 dbT = 10 − 1 = 9 dbreg = 1 dbres = 9 − 1 = 8 Dengan Satu-Prediktor : (dengan skor kasar) Sumber Variasi Regresi (reg) db 1 JK RK JK reg dbreg 2 (Σxy )2 Σx 2 Residu (res) Total T N–2 N–1 Freg = KRreg KRres .STATISTIKA 76 .432 − 6202 = 992 10 6202 = 864 10 JKreg = 2(102.JKT = 39. Σy 2 − (Σxy ) Σx 2 ΣY 2 db = 1 lawan N-2 JK res dbres - (dengan skor deviasi) Sumber Variasi Regresi (reg) db 1 JK RK JK reg dbreg Freg (Σxy )2 Σx 2 RK reg RK res - N–2 Residu (res) Total ( T ) N–1 (Σxy )2 Σy 2 − Σx 2 ΣY 2 JK res dbres - Samsudi .

84 - p < 0.69 120 = 992 − 888.01 - Telah kita ketemukan : r= 0.69 103.946 Samsudi .31 Sumber Variasi Regresi(reg) Residu (res) Total ( T ) Melalui rxy : db 1 8 9 JK 888.STATISTIKA ∑y2 = 992 N = 10 77 .69 12.31 992 RK 888.(dari rxy) Sumber Variasi Regresi(reg) db 1 JK RK Freg (r )(Σ y ) 2 2 (r )(Σ y ) 2 2 Residu (res) Total ( T ) N–2 N–1 (1 − r )(Σ y ) 2 2 (1 − r )(Σ y ) 2 2 (r )(N − 2) 2 1− r2 - ΣY 2 N − 2 - TABEL RINGKASAN Sumber Variasi Regresi(reg) Residu (res) Total ( T ) db 1 8 9 JK 864 128 992 RK 864 10 Freg 54.00 p < 0.91 - Freg 68.01 - Metode skor deviasi Telah kita ketahui : ∑x2 = 210 ∑y2 = 992 JKT = 992 JK reg ∑xy = 432 N = 10 dbT = 10 − 1 = 9 dbreg = 1 dbres = 9 − 1 = 8 TABEL RINGKASAN JK reg 4322 = = 888.69 = 103.

13 p < 0. Metode skor kasar dapat juga kita coba sebagian untuk mengetahui sekedar cara-cara menghitungnya.13. maka dalam contoh analisis di bawah ini akan digunakan saja metode skor deviasi. dan yang ketiga F = 68.84. Analisis Regresi: Dua Prediktor Prinsip-prinsip untuk memprediksi kriterium dari satu prediktor berlaku juga untuk memprediksi kriterium dari dua prediktor atau lebih. Untuk itu peneliti tersebut misalkan telah mengumpulkan data sebagai berikut: Samsudi . apa tidak. Dengan sedikit memperluas perhitungannya .STATISTIKA 78 . akan kita coba bagaimana menyelesaikan anlaisis regresi dengan dua prediktor lebih dahulu. dengan metode manapun hasilnya akan sama saja. yang kedua F= 68.24 992 RK 887.JKT = 992 JK reg = (0.03 Freg 68.76 2 dbT = 10 − 1 = 9 dbreg = 1 dbres = 9 − 1 = 8 JK reg = 992 − 887 .3.946) (992) = 887. Seharusnya. 26 = 1 TABEL RINGKASAN Sumber Variasi Regresi(reg) Residu (res) Total ( T ) db 1 8 9 JK 887.76 104. 9.76 13. Persamaan skor regresi dua prediktor adalah : Y = a1 X1 + a2 X 2 + K Dalam skor deviasi persamaan itu dapat dituliskan y = a1 x1 + a 2 x2 Oleh karena itu dengan kalkulator tangan metode skor deviasi jauh lebih efisien daripada metode skor kasar. Untuk menyelesaikan perhitungan garis regresi y = a1 x1 + a 2 x 2 harga koefisisen prediktor a1 dan a2 dapat kita cari dari persamaan simultan : Contoh : Misalkan seorang peneliti ingin memastikan apakah nilai Statistik Dasar (Y) dapat diprediksikan dari nilai Pretes Aljabar (X1) dan nilai Indeks Prestasi SMA (X2).00. Dua harga F yabf terakhir boleh dikatakan sama. Perbedaan itu disebabkan karena ketelitian perhitungan. tetapi harga F dari perhitungan yang pertama ternyata sangat rendah.01 - Dari tiga perhitungan tersebut kita memperoleh harga F regresi yang berbedabeda : yang pertama F = 54.

787 ∑X2Y = 867.99 ∑X1Y = 18.17 Y 27 34 27 24 35 18 33 39 35 25 Dengan kalkulator kita akan menghasilkan perhitungan N = 10 2 ∑X 1 = 41.99 − 2 2 2 1 2 1 1 2 2 2 2 2 2 2 2 2 2 2 1 2 1 2 1 2 1 1 10 (29.74 2.8 10 (1).75 Jika hasil perhitungan itu kita ubah dalam skor deviasi maka akan kita peroleh : ( X) 596 ∑ = ∑ − ∑N = 41 .199 − 10 = 378 .20 2.00 2.75 − ∑ X 1Y = ∑ X 2Y − N 10 Persamaan simultan untuk menentukan a1 dan a2 adalah : N (∑ X 2 )(∑ Y ) ∑X Y = ∑X Y − N (∑ X 1 )(∑ Y ) =18.49 3.05)(297 ) = 4.199 ∑X1X2 = 1. ∑x (2).214 ∑X1 = 596 ∑X2 = 29.53 3.765.85 3.9537 2 ∑Y = 297 ∑Y2 = 9.05 ∑X 2 = 85.STATISTIKA 79 .07 2.787 − (596)(297 ) = 1.9537 − 10 = 1. 05 ∑ = ∑ − ∑ N = 85 .61 ∑ X X = ∑ X X − ∑ ∑ = 1.085.692 .965 =867.56345 ( y) 297 ∑ y = ∑ y − ∑N = 9 .214 − 10 = 5 .Mhs.38 3.62 2.05) = 34. 1 2 3 4 5 6 7 8 9 10 X1 57 93 79 26 69 24 76 61 82 29 X2 3.1 ( X )( X ) (596)(29. ∑ x 1 2 y = a 1 Σ x 12 + a 2 Σ x 1 x 2 2 y = a 1 Σ x1 x 2 + a 2 ∑ x 2 Samsudi . No. 4 ( X ) 29 .765.

4 a1 + 34.385336261 = −1.965 = 34.19676652 a1 = = 0.4 → Y = a1 x1 − a2 x2 + K Catatan : Pembulatan ini hanya untuk menggampangkan pencatatan Untuk perhitungan-perhitungan (selanjutnya) masih baru Digunakan bilangan yang belum dibulatkan.385336261 + a2 a2 = 3.196 766 52 = 142.2 X 1 − 1.905 X2 = 10 297 = 29.198100375 142.198100375) + a2 = 4.6 ) + (− 1. 1.Diisikan dan dikerjakan (1).56345 = 3.198100375 a2 = −1.6 X1 = 10 29.085.7 Y= 10 a1 = 0.05 = 2.7 Y = 0.372 435 71 = 164.2 X 2 + 21. 34.8 = 53692.61 a1 + 1.198100375)( X 1 − 59.13694074 )(0.514082841 + 29. 472 695 7 a1+ a2 .198100375 X 1 − 1. 136 940 74 a1+ a2 – (4) = 28.175 669 19 = 22. (2).61 a2 4.209667071 Jadi. (1) (2) (3) 1.80678235 − 1.209667071)( X 2 − 2.STATISTIKA 80 .7 = 0. Koefisien korelasi antara kriterium Y dengan prediktor X1 dan prediktor X2 dapat diperoleh dari rumus : Samsudi .209667071X 2 + 3.563 45 a2 .198100375 X 1−11. 335 755 a1 28.40730049 Jika dibulatkan : Y = 0.905) + 29.335755 (4) 3.17566919 − 4.209667071X 2 + 21. 61 = 31. Y = (0.2095667071 Persamaan garis regresi dalam skor deviasi yang kita cari adalah : Y = a1 x1 + a2 x2 Y − Y = a1 X 1 − X 1 + a2 X 2 − X 2 1 1 1 2 2 ( Y = a (X ) ( − X ) + a (X − X2 ) )+ Y Dari pekerjaan di muka dapat diketemukan : 596 = 59.17569919 = (22.

8 ) + (− 1.R y (1.553005527 Dalam perhitungan tersebut sekaligus dicari harga R2y(1.2) = Koefisien korelasi antara Y dengan X1 dan X2 a1 = Koefisien prediktor X1 a2 = Koefisien prediktor X2 = Jumlah setujuduk antara X1 dengan Y = Jumlah setujuduk antara X2 dengan Y = Jumlah Kuadrat kriterium Y Jika hasil-hasil perhitungan di muka diisikan ke dalam rumus di atas : (0.2) oleh karena dalam analisis regresi nanti yang kita pakai adalah harga R2y(1. atau antara nilai statistika Dasar dengan nilai Pretest Samsudi . 2 ) = 378 .553005527 = 0. Diisikan : F reg = (0 .2) Untuk menjawab pertanyaan.744 itu signifikan apa tidak.74 2 (1 − 0 .743643414 Jadi Ry(1.1 = 0. analisis regresi tidak lain adalah analisis regresi.553005527 ) Dengan db = m lawan N-m-1 atau 2 lawan 7 harga Ft5% = 4.2) = 0.744 Dan R2y(1.STATISTIKA 81 . Derajat kebebasan atau db untuk menguji harga F itu adalah m lawan N – m – 1. tidak ada korelasi antara Y dengan X1 dan X. analisis regresi tidak lain adalah analisis harga F si garis regresi. jika demikian.330 itu tidak signifikan.74 jadi.965 ) R y (1. jika koefisien korelasi antara kriterium dengan prediktor-prediktorny a telah diketemukan. apakah harga Ry(1. adalah: F reg R 2 (N − m − 1) = m 1− R2 ( ) F reg = Harga F garis regresi N = Cacah kasus m = Cacah prediktor R = Koefisien korelasi antara kriterium dengan prediktor-prediktor. harga Freg sebesar 4.198100375 )(1 .2) = 0. Rumus F yang paling efisien. Dari analisis ini kita akan menemukan harga F garis regresi. Seperti sudah kita kenal. yang kemudian dapat kita uji apakah harga F itu signifikan ataukah tidak. 2 ) = a 1Σ x1 y + a 2 Σ x 2 y Σy 2 ∑x1y ∑x2y ∑y2 RY(1.553055527 )(10 − 2 − 1) = 4.085 .2) = 0.330 < 4. Kita menyimpulkan. 209667071 )(4.

Aljabar dan persen kita tidak berani menggunakan prediktor nilai Pretest Aljabar dan nilai Indeks Prestasi SMA untuk memprediksi nilai Statistik Dasar. Rumus F regresi yang baru disebutkan di atas diperoleh dari setujuses analisis variasi garis regresi yang agak panjang. Keseluruhan setujuse situ dapat dilihat dalam tabel rangkuman analisis regresi sebagai berikut : TABEL RINGKASAN ANALISIS REGRESI Sumber Variasi Regresi(reg) Residu (res) Total ( T ) db m N-m-1 N-1
R2

JK

RK
2

(∑ y )
∑y2

(1− R2 )(Σy2 )

(

R 2 Σy 2 m 1 − R 2 Σy 2 N − m −1 --

( )

)( )

Freg

R 2 Σy2 m = 1 − R 2 Σy2 N − m −1

(

)

(

)(

)

R 2 (N − m − 1 ) = m 1− R2

(

)

Jadi, jika seluruh proses analisis tersebut kita ikuti, maka :

JK reg = R 2 Σ Y 2 = (0 ,553005527 db reg = m = 2 RK reg = JK
reg

(

)

)(378 ,1) = 209 ,0913897

JK res = 1 − R 2 Σ Y 2 = (1 − 0,553005527 )(378 ,1) = 169 ,0086102 dbres = N − m − 1 = 10 − 2 − 1 = 7 RK res = JK res 169 ,0086102 = = 24 ,14408717 7 dbres RK reg RK res = 104 ,5456948 = 4,330 24 ,14408717

(

db reg

=

)(

209 , 0913897 = 104 ,5456948 2

)

JadiFreg =

Hasil analisis regresi tersebut kemudian dapat kita masukkan dalam tabel ringkasan analisis sebagai berikut :

Samsudi - STATISTIKA

82

TABEL RINGKASAN ANALISIS REGRESI Sumber Variasi Regresi(reg) Residu (res) Total ( T ) db 2 7 9 JK 209,091 389 7 169,008 610 2 378,1 F = 4,330 Jika diinginkan mencari harga F regresi dengan rumus skor kasar, rumusnya adalah : 2 ⎡ ⎤ ( N − m − 1 )⎢ a1Σ X 1Y + a 2 Σ X 2Y + K Σ Y − (Σ Y ) ⎥ N ⎦ ⎣ Freg = 2 m Σ Y − a1Σ x1 y − a 2 Σ X 2Y − K Σ Y RK 104,545 694 8 24, 144 087 17 ----------

(

)

Untuk mengingat kembali data dan hasil-hasil perhitungan yang sudah kita ketemukan : N = 10 m=2 a1 = 0,198 100 375 a2 = 1,209 667 071 K = 21, 407 300 49 ∑X2Y = 867,75 ∑X1Y = 18.787 ∑Y = 297 ∑Y2 = 9.199 Dikerjakan N – m – 1 = 10 – 2 – 1 = 7 a1∑X1Y = (0,198 100 375) (18.787) = 3.721,711 745 a2∑X2Y = (-1,209 667 071) (867,75) = - 1.049,688 6 K∑Y = (21,407 300 49) (297) = 6.375, 968 245 2 2 (ΣY ) = 297 = 8.820,9 N 10 Diisikan :

Freg =

7 (3.721,711745 + −1.049 ,6886 + 6.357 ,968245 − 8.820 ,9 ) 2(9.199 − 3.721,711745 − 1.049 ,6886 − 6.357 ,968245 ) 1.463,63973 = = 4,330 338,01722

Rumus-rumus skor kasar untuk analisis regresi dapat dirangkum dalam tabel seperti di bawah ini :
Samsudi - STATISTIKA

83

TABEL RINGKASAN ANALISIS REGRESI Sumber Variasi Regresi(reg) Residu (res) db m N-m-1 JK a1ΣX 1Y + a2 ΣX 2Y + KΣY − RK

(ΣY )2
N

JK reg dbreg

ΣY 2 − a1Σx1 y − a2 ΣX 2Y − KΣY

JK res dbres --

Total ( T )

N-1

ΣY

2

(ΣY )2 −
N

Jadi Freg

⎡ (ΣY )2 ⎤ (N − m − 1)⎢a1ΣX 1Y + a2ΣX 2Y + KΣY − ⎥ N ⎦ ⎣ = m ΣY 2 − a1Σx1 y − a2ΣX 2Y − K ΣY

(

)

Dikerjakan berikutnya : JK reg = a1ΣX 1Y + a2ΣX 2Y + KΣY −

(ΣY )2

N = 3.721,711745 + −1.049,6886 + 6.357,968245 − 8.820,9 = 209,09139 dbreg = m = 2
RK reg = JK reg dbreg = 209,09138 = 104,545695 2

JK res = ΣY 2 − a1Σx1 y − a2ΣX 2Y − KΣY = 9.199 − 3.721,711745 − −1.049,6886 − 6.357,968245 = 169,00861 dbres = N − m − 1 = 10 − 2 − 1 = 7 RK reg 169,00861 RK res = = = 24,14408714 7 RK res RK reg 104,545695 = = 4,330 Jadi Freg = RK res 24,14408714

Sebagaimana biasa dari hasil analisis variansi garis regresi dibuatlah tabel ringkasan analisis. Maka jika kita buat tabel ringkasan analisis regresi, hasilnya akan nampak seperti tabel ringkasan analisis regresi seperti yang baru kita buat di muka. Telah dikemukakan, apabila dalam mengerjakan analisis regresi kita hanya mempunyai kalkulator tangan, cara yang paling efisien adalah menggunakan metode
Samsudi - STATISTIKA

84

skor deviasi. Karena itu untuk analisis-analisis berikutnya akan kita gunakan saja metode skor deviasi, dan untuk metode skor kasar hanya akan dikemukakan rumusnya, saja.
9.4. Analisis Regresi : m – Prediktor

Prinsip-prinsip analisis regresi dua prediktor berlaku sepenuhnya untuk analisis regresi tiga prediktor, empat prediktor, lima prediktor dan seterusnya, jika dengan sedikit perluasan. Hal tersebut dengan mudah kita fahami jika bandingkan rumusrumusnya untuk garis regresi maupun untuk koefisien korelasinya. Periksalah rumusrumus dibawah ini. Persamaan Garis Regresi
Dua Prediktor :

Y = a1 x1 + a 2 x2 + K

Tiga Prediktor : Y = a1 x1 + a2 x2 + a3 x3 + K Empat Prediktor : Y = a1x1 + a2 x2 + a3 x3 + a4 x4 + K m – Prediktor : Y = a1 x1 + ......am xm + K Koefisien Korelasi Dua Prediktor : R Tiga Prediktor : R

y

(1 , 2 ) = (1 , 2 ) =

a1Σ x1 y + a 2 Σ x 2 y Σy2 a1Σ x1 y + a 2 Σ x 2 y + a 3 Σ x 3 y Σy 2

y

Empat Prediktor : R y (1, 2 ) = : R y (1 , 2 ) =

a1Σ x1 y + a 2 Σ x 2 y + a 3 Σ x 3 y + a 4 Σ x 4 y Σy 2

m – Prediktor

a 1 Σ x 1 y + ....... + a m Σ x m y Σy 2

Samsudi - STATISTIKA

85

dan gunakan table rangkuman analisis regresi. 1 2 3 4 5 6 7 8 9 10 Tinggi (dalam cm) X. Dalam penelitian itu dikumpulkan data tinggi badan dan berat badan sepuluh orang sebagai berikut : Subyek No. dan gunakan table rangkuman analisis regresi. 2. Jika suatu penelitian ingin menguji apakah berat badan orang pada kelompok umur tertentu dapat diramalkan dari tinggi badan. Seorang peneliti akan menguji apakah nilai Praktik Kelistrikan Otomotif (X1) dan Praktik Chasis (X2) berpengaruh terhadap nilai Praktik Trouble Shoting (Y) mahasiswa Pendidikan Teknik Mesin. Samsudi .STATISTIKA 86 . No. 168 173 162 157 160 165 163 170 168 164 Berat (dalam kg) y 63 81 54 49 52 62 56 78 64 61 Ujilah pada taraf signifikansi 1%. X1 X2 Y 1 60 67 78 2 72 66 82 3 79 65 80 4 68 87 81 5 69 75 83 6 78 77 85 7 76 67 78 8 61 65 86 9 82 66 78 10 68 62 77 11 70 63 75 12 71 70 76 13 72 73 73 14 69 68 72 15 82 81 71 Ujilah pada taraf signifikansi 1%. Untuk itu peneliti tersebut telah mengumpulkan data sebagai berikut : Mhs.Soal Latihan 1.

Pengantar Statitik Pendidikan. Statistik. Fruchter. benjamin. 2 dan 3. California: Duxbury Press. Fundamental Statistics in Psychology and Education. Yogyakarta: Fakultas Psikologi UGM Hadi. (Eighth Edition). Sudjana.DAFTAR PUSTAKA Christensen. Anas.P. Jilid 1. Guilford. 1991. Boston: Allyn and Bacon. Sutrisno. Edisi III. Ricahrd F. Larson. Statistics: a Tool for the Social Sciences. 1985. Hadi. Sudijono. Ott. (Sixth Edition). Expeprimental Methodology. Bandung: Tarsito Samsudi . Bandung: Tarsito. Lyman. Sutrisno.STATISTIKA 87 . Yogyakarta: Andi Offset Mendenhall. Desain dan Analisis Eksperimen. Statistika. Larry B. 1991. 1974. Edisi ke 5. 2001. Bogota: McGraw-Hill Book Co. 1982. Analisis Regresi. J. 1996. William. Jakarta: Rajawali Sudjana. 1989.

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)//-->