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

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

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

Nilai tinggi orang misalnya. Distribusi Frekuensi 2. 2.STATISTIKA 7 . siswa kelas 4. angka 0. sebab jika kita sebutkan tinggi si A 165 cm. itu ditetapkan untuk mewakili tinggi orang dari 164. campuran beton dan benih-benih baru. Variabel Kontinu dan Diskrit Kalau seorang guru menyelenggarakan penelitian tentang angka rata-rata muridmuridnya dalam berhitung.4.50 ke atas dibulatkan atas. Obyek yang diteliti itu disebut variabel penelitian.50 dihilangkan.1.50 cm sampai dengan 165. berhitung.50 cm.49 cm. pada hakekatnya tinggi si A itu tidak mutlak tepat 165 cm. 30 cm pada umumnya angka 165 cm. 5 dan 6 suatu sekolah yang berjumlah 70 orang. Untuk mendapatkan gambaran dan kesimpulan. Mereka yang tingginya 165.49 cm. pada Mata Pelajaran Matematikan. seorang ahli beton mengadakan penelitian tentang campurancampuran beton. kita perlu mengatur angka-angka itu menjadi suatu tabel sebagai berikut : TABEL 2. Nilai dalam berhitung itu disebut nilai variabel.1.1 TABEL NILAI-NILAI BERHITUNG 70 ORANG SISWA Jari-jari Frekuensi 4 //// 21 //// //// //// //// / 28 //// //// //// //// //// /// 16 //// //// //// / 1 / + N = 70 NILAI 8 7 6 5 4 Samsudi . melainkan misalnya 165. yaitu nilai yang bersambung atau kontinu dan nilai yang terpisah atau diskrit. Distribusi Frekuensi Tunggal Dalam suatu penelitian tentang kecakapan berhitung.1. Ada dua macam nilai variabel.1. Dengan kata lain. sedang angka di bawah 0.1. Variabel Penelitian Seorang peneliti akan mengadakan penelitian tentang kecerdasan murid-murid dalam berhitung. Kecerdasan. dicatat 166 cm.3. maka guru tersebut melihat nilai-nilai ujian mereka atau nilai-nilai dalam buku nilai.2. 2. sampai 165. itu semuanya merupakan obyek penelitian. 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. adalah nilai yang kontinu. seorang ahli pertanian meneliti benih-benih baru.

Batas Atas dan Batas Bawah dan batas atas.6. Beberapa Istilah dalam Distribusi Bergolong Interval Kelas.+ N adalah singkatan dari kata Number. Batas kelas adalah nilai-nilai yang membatasi kelas yang satu dari kelas yang lain.2 itu adalah nilai-nilai yang membatasi kelas itu dari kelas lainnya yang berdekatan. Dalam Tabel 3. Istilah “Distribusi” digunakan dalam statistika untuk menunjuk adanya (seolah-olah) “Penyebaran” nilai-nilai dengan jumlah orang yang mendapat nilai itu.1. sedang nilai terendah adalah tiga.STATISTIKA 8 .2 itu ada dua deret angka-angka batas kelas. Jika susun tabel distribusi tunggal.1. Dengan demikian kita akan menjumpai tabel sebagai berikut : TABEL 2. maka kita harus membuatnya sepanjang 21 baris (dari 23-3 plus 1). Batas Kelas. Nilai-nilai 21 dan 23 pada kelas yang teratas dari Tabel 3.2 di atas kita jumpai ada tujuh interval kelas dengan masing-masing berisi tiga nilai variabel. Angka-angka batas di deret sebelah kiri ialah angka-angka Samsudi . 2. yang berarti jumlah frekuensi variabel Tabel di atas disebut Tabel Distribusi Frekuensi Tunggal. Interval Kelas biasa disingkat dengan sebutan kelas atau interval saja. 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. sedang istilah ”Tunggal” menunjukkan tidak adanya pengelompokan nilai-nilai variabel dalam kolom pertama. 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 23.5. Tiap-tiap kelompok nilai variabel disebut interval kelas. Kita lihat dalam kolom nilai variabel dalam Tabel 3.

18. yaitu angka 22. 17.2 Interval kelas yang tertinggi di tandai dengan angka 21 dan 23. yang menjadi titik tengahnya adalah angka 14. Yang dimaksud dengan “Titik Tengah” adalah angka atau nilai variabel yang terdapat ditengah-tengah interval kelas. Lebar Kelas. antara lain adalah faktor-faktor jumlah frekuwensi (N). 20. 12.7. Tetapi dalam psikologi dan pendidikan dapat kita anut kebiasaan Samsudi . Titik Tengah.2 diatas jumlah intervalnya ada tujuh. Angka-angka dideret sebelah kanan ialah angka-angka 23. 9. sebenarnya mengandung angka-angka 3. Angka-angka batas di deret sebelah kiri ialah angka-angka 21. Angka-angka itu disebut “Batas Atas” (Upper Limits). Angka-angka ini masing-masing menjadi batas kelas. 145 cm. Sebab itu angka-angka itu di sebut “Batas bawah” (Lower Limits). Penetapan ini dipengaruhi oleh beberapa faktor. 8 dan 5.21. 11. Dan angka pengukuran yang terendah. Jumlah Interval . seperti 20. Jika luas kelasnya genap.5 (dari ½ x ( 21 ditmbah 22). dan kita menjumpai angka pengukuran yang tertinggi 180 cm.18. Demikian juga angka-angka 20 dan 21. Yang disebut jumlah interval ialah banyaknya interval yang digunakan dalam penyusunan distribusi. 22 dan 23 titik tengahnya adalah separo dari jumlah angka-angka tengah. Lebar kelas biasa diberi simbul “i”. sehingga pola-pola kelompok menjadi kabur. sehingga kita tidak dapat mendapat gambaran tentang pola kelompok. Kita periksa kembali tabel 3. Kalau kita letakkan pada garis mendatar kelaskelas dalam Tabel 3.2 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. dikurangi 145 cm). Menetapkan Jumlah Interval Salah satu masalah yang kita hadapi bila kita hendak menyusun tabel dengan interval-interval adalah menetapkan jumlah interval. (dari 180 cm. 14. Jarak Pengukuran. Jadi tiap-tiap kelas itu sebenarnya mengandung atau terdiri atas tiga angka. deret sebelah kiri dan deret sebelah kanan. Kalau kita mengukur tinggi sejumlah orang. Jika orang mengatakan “i” sama dengan tiga. 14 dan 15. 6 dan 3. Inilah yang disebut lebar kelas dapat didefinisikan sebagai batas lebar atas nyata dikurangi batas bawah nyata dari kelas-kelas yang bersangkutan.15. Akan tetapi jumlah interval itu juga jangan terlalu besar. Antara keduanya masih ada satu angka lagi. Dalam tabel 3. Angka-angka itu semuanya menjadi batas bawah dari masingmasing kelasnya.1. 2. 21. Kedua angka itu sebenarnya hanyalah batas kelas saja (batas semu). jarak pengukuran (R). dan tujuan penyusunan distribusi itu.9. lebar interval yang hendak digunakan (i). dan 5. ini berarti bahwa distribusi frekuensi disusun dalam tabel atau grafik yang menggunakan interval kelas dengan isi tiga angka atau nilai dalam tiap-tiap intervalnya.4. bukanlah batas yang nyata antara kelas yang terendah dengan kelas di atasnya.21. Pada prinsipnya jumlah interval kelas janganlah terlalu sedikit. kita mempunyai jarak pengukuran 35 cm. Jika interval kelas memuat angkaangka 13. 15.6 dan 3. Batas Semu dan Batas Nyata.STATISTIKA 9 . Demikian juga kelas yang keempat dari atas. Petunjuk yang mutlak tidak ada dalam hal ini. yaitu 21.

Frekuensi Poligon.1.mennggunakan 5 sampai 15 interval.8.5 16 4. 2. TABEL 2. maka i= 180. 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. Akan tetapi hal ini tidak boleh diikuti secara membabi buta.50 − 144. Tabel untuk distribusi frekuensi.STATISTIKA 10 . yakni Histogram. Kalau R besar sekali. yaitu suatu grafik yang berbentuk segi empat. pada dasarnya i sudah diketemukan.2.5 1 3. 2. 2. disebut tabel distribusi frekuensi atau tabel frekuensi saja. Menentukan Lebar Interval Jika R sudah diketahui dan jumlah interval kelas sudah ditentukan.9.5 23 6. dan Ogive. Pengertian Distribusi Frekuensi Distribusi Frekuensi adalah penyusunan bahan-bahan atas dasar nilai variabel dan frekuensi tiap-tiap nilai variabel itu.3 NILAI-NILAI BERHITUNG 72 ORANG MURID Frekuensi Batas Nyata + 8.5 28 5. Grafik dan Tabel Distribusi Frekuensi Terdapat beberapa macam grafik dan tabel distribusi frekuensi.5 4 7.1.5 Nilai 8 7 6 5 4 Samsudi . Distribusi Bergolong menggunakan interval-interval kelas dalam penyusunannya. Histogram Grafik histogram biasa disebut juga Bar Diagram.50 36 = =4 9 9 2. dan kita telah menetapkan jumlah intervalnya sebanyak 9 buah.2. biasanya orang menggunakan 10 smapai 20 interval. Distribusi tunggal adalah distribusi yang tidak menggunakan penggolongan-golongan.1. Namun dalam sub ini akan dibicarakan tiga macam yang pokok.

Poligon Samsudi . Hal ini dapat kita lihat dengan jelas pada keadaan sebagai berikut: Grafik 3. Histogram 2.2. Poligon Dengan grafik polygon kita dengan mudah dapat membandingkan keadaan distribusi.1. jika kedua distribusi itu dilukiskan dalam satu grafik.Jumlah : -- 72 Grafik 2.2.STATISTIKA 11 .2.

Ogive Ogive dapat dibuat baik dari distribusi tunggal maupun dari distribusi tergolong.3.3. TABEL 2.2.5 2 35.STATISTIKA 12 .5 93 27-29 5 87 23. Ogive Samsudi .5 48 9-11 15 31 5. Di bawah ini diberikan contoh untuk membuat grafik ogive dari distribusi bergolong.4 TABEL DISTRIBUSI UNTUK CONTOH MEMBUAT GRAFIK OGIVE Interval Batas Frekuensi Frekuensi Meningkat Nilai Nyata ( f _) (ef) 38.5 6-8 14 2.2.5 30-32 6 26.5 33-35 2 95 29.5 24-26 5 82 20.5 21-23 5 17.5 100 36-38 3 98 32.5 12-14 17 8.5 77 18-20 14 72 14.5 16 3-5 2 2 0.5 0-2 Jumlah N = 100 -- Grafik 2.5 15-17 10 58 11.

b. Interval 71 – 75. berapakah Nilai nyatanya? d. 2. dengan mengindahkan persyaratan tertentu sehingga dapat disebut Tabel distribusi frekuensi yang baik. Interval 40 – 49. berapakah upper limitnya? 5. tentukan Midpointnya! b. berapakah lower limitnya? e. Jelaskan pula tentang perbedaan antara data interval dan data ordinal. Jelaskan perbedaan diantara data kontinyu dan data diskrit. a. Berikan contoh demikian rupa sehingga menjadi cukup jelas apa yang dimaksud dengan data primer dan data sekunder. Tabel Presentase Kumulatif 8. 4. Interval 59 – 78. 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.Soal Latihan 1 . berapakah Nilai Relatifnya? c. 3. Tabel Distribusi Frekuensi. Jelaskan apa yang dimaksud frekuensi! 6.STATISTIKA 13 . Interval 37 – 40. Interval 35 – 40. Lukislah data pada soal nomor 7 diatas dalam bentuk Histrogram Frekuensi! Samsudi . Tabel Persentase c. Jelaskan langkah yang sebaiknya ditempuh dalam membuat Tabel Distribusi Frekuensi Data Tunggal! 7.

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

Dari segi aritmetik Mean adalah “jumlah nilainilai dibagi dengan jumlah individu”. 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. 15 dan 20 rupiah tiap harinya.1. Pengukuran Tendensi Sentral Jika dilakukan penelitian terhadap motivasi. dan mempunyai arti yang berbeda pula sebagai alat untuk mengadakan deskripsi sesuatu distribusi. melainkan 12... Kemudian jika diambil angka 100 sebagai indeks (ukuran) normalitas. yakni: Mean. Angka yang menjadi pusat suatu distribusi disebut “tendensi sentral”. Rata-rata penghasilan mereka adalah 15 rupiah tiap harinya. dan Mode. Mean Mean berarti “angka rata-rata”. dan seorang yang berpenghasilan 20 rupiah seharinya. maka sebagian besar orang yang kita selidiki akan mempunyai angka motivasi di sekitar 100.. Ketiganya mempunyai cara-cara menghitung yang berbeda-beda. Sebagai contoh.STATISTIKA 15 . seorang yang berpenghasilan 15 rupiah.2.50 rupiah. 3. maka Mean dari penghasilan mereka tidak lagi 15 rupiah. Median. Salah satu tugas dari statistika adalah mencari suatu angka di sekitar mana nilainilai dalam suatu distribusi memusat. Mean yang Ditimbang Jika ada empat orang yang berpenghasilan 10 rupiah. 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”.1 TABEL CONTOH MENCARI MEAN YANG DITIMBANG Penghasilan Frekuensi fX (X) (f) Samsudi . Hanya sebagian kecil saja dari mereka yang angka motivasinya menyimpang jauh dari indeks normalitas itu. Ada tiga macam tendensi sentral yang sangat penting untuk dibahas.3. 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 orang berpenghasilan 10. a.

TABEL 3.3 TABEL CONTOH DISTRIBUSI PENGHASILAN UNTUK MENCARI MEDIAN Individu Samsudi . 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 = = 12.3. TABEL 3.STATISTIKA Penghasilan (Rp) 16 . Menghitung Mean dari Distribusi Bergolong Sekali lagi perlu diingatkan disini bahwa X adalah mewakili “titik tengah” dari interval kelas dalam distribusi.13 167 3.50 6 b.” Kita misalkan ada distribusi penghasilan dari tujuh orang seperti tersebut dalam tabel dibawah ini.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 .

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. Pemecahan semacam ini sama sekali tidak bertentangan dengan definisi median. fd Frekuensi dalam interval yang mengandung median i Lebar interval. b. kemudian dibagi dua. ditambah 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 .STATISTIKA 17 . sebab angka 163 cm. 162. yaitu dua orang. membatasi 50 persen frekuensi variabel di bagian atas. 164 dan 166 cm. Misalkan ada empat orang yang masing-masing mempunyai tinggi badan 162. yaitu dua orang. Median pada Distribusi dengan Frekuensi Genap Jika suatu distribusi mempunyai frekuensi genap.1 2 3 4 5 6 7 10 12 13 14 16 16 20 a. dan N Jumlah frekuensi dalam distribusi Penggunaan rumus itu dapat kita lihat dari pekerjaan di bawah ini : TABEL 3. yaitu dengan membagi dua nilai-nilai variabel yang ada ditengah-tengah distribusi. maka median dihitung secara kom setujumi. dan 50 per sen frekuensi variabel di bagian bawah distribusi. itu sebagai batas antara tinggi 162 dan 164 cm.

Batas bawah (nyata) atau Bb dari interval yang mengandung median itu adalah 79.5 MENGHITUNG MEDIAN DARI DISTRIBUSI BERGOLONG Nilai Frekuensi 1 10 0 9 15 8 18 7 4 6 3 5 1 4 1 3 Samsudi .50 + ⎢ ⎥5 13 fd ⎣ ⎦ ⎣ ⎦ ⎡ 3.5 itu. Setelah ½ N ini kita ketemukan maka langkah selanjutnya adalah menemukan interval kelas yang mengandung frekuensi kumulatif 27. atau ½ N adalah 55/2. 8. 8. Diisikan dalam rumus kita jumpai perhitungan sebagai berikut : ⎡1 / 2 N − cfb ⎤ ⎡ 27.50.Dalam contoh diatas. 7. 8. sedang lebar interval atau i-nya ada lima. median dari distribusi tersebut 80.50 + ⎢ ⎥ = 79. interval kelas yang kita maksudkan adalah 80-84.85 Jadi.5. 3. Frekuensi kumulatif di bawah interval yang mengandung median adalah 24 (24 adalah cf di bawah 37.5 terkandung dalam cf 37. Kalau ini kita bagi dua hasilnya sama dengan 27. Mode a) Dalam Distribusi Tunggal : Nilai variabel yang mempunyai frekuensi tertingi dalam distribusi. Frekuensi dalam interval adalah 13.50 + 1.50 × 5 ⎤ = 79. sedang cf 37 adalah cf yang mengandung median). nilai yang timbul paling banyak adalah 8. 6. sebab cf 27. Mode dalam Distribusi Tunggal Jika ada serangkaian nilai-nilai 5.846 ⎣ 13 ⎦ atau 80. TABEL 3. 9. 9. Nilai 8 itu disebut Mode dari distribusi nilai-nilai itu. 7. jumlah frekuensinya (atau N ) ada 55. maka untuk mencari Mode-nya kita melihat pertama kolom frekuensi.STATISTIKA 18 . : Titik tengah interval kelas yang b) Dalam Distribusi Bergolong mempunyai frekuensi tertinggi dalam distribusi a. 8.346 = 80.4.5 itu. Separo dari jumlah frekuensinya. Kalau suatu distribusi sudah disusun dalam tabel.50. sama dengan 27. 7.50 − 24 ⎤ Mdn = Bb + ⎢ ⎥i = 79.

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

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. dengan menggunakn ukuran Percentile! c.5. Ubahlah hasil tes tersebut menjadi STANEL (Nilai Standart Sekala Sebelas).STATISTIKA Sekor: 26 13 20 18 10 15 20 . 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. 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. Dari sejumlah 266 orang lulusan SMK yang mengikuti Tes Seleksi Penerimaan Calon Mahasiswa Baru pada sebuah Perguruan Tinggi. diperoleh sekor sebagai berikut: Esperimen ke: 1 2 3 4 5 6 Samsudi . Dari kegiatan eksperimen yang dilakukan 6 kali. Sekor berapa yang merupakan modus dari data tersebut diatas? d.

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

kemudian ditentukan berapa besarnya penyimpangan tiap-tiap nilai dari mean itu. Untuk memutuskan apakah Ahmad ataukah Mahmud yang harus dimajukan dalam perlombaan kejuaraan Nasional loncat tinggi. 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. Paling rendah loncatannya adalah 171 cm. tetapi dia juga tidak pernah meloncat serendah 165 cm. katakana distribusi A dan distribusi B dibandingkan. maka deviasi orang itu adalah 85 – 100 = . jika seorang mempunyai IQ 110. Persoalannya adalah siapa yang akan dimajukan dalam perlombaan kejuaran nasional itu apabila hanya seorang peloncat saja yang diperkenankan untuk dimajukan. sedang paling tinggi 189 cm. Di sini yang akan dibicarakan hanyalah yang pokok-pokok saja. dan sebagainya. diambil nilainya yang absolute. tetapi kadang-kadang dia hanya dapat meloncat setinggi 165 cm. d = D – M. Jika dua distribusi. Pengukuran Variabilitas Ada dua orang atlet loncat tinggi yang sedang dilatih untuk menghadapi kompetisi nasional atletik. Dalam statistika. dan Standard Deviation. Secara aritmatika mean deviasi dapat didefinisikan sebagai mean dari harga mutlak dari deviasi nilai-nilai individual. Ahmad menunjukkan loncatan yang tidak dipastikan: kadang-kadang dia meloncat setinggi 195. dan sebagainya. Samsudi . dan distribusi A menunjukkan penyebaran nilai-nilai variabelnya yang lebih besar dari pada distribusi B. sedang yang bertanda minus menunjukkan deviasi di bawah mean. Jika orang lain dalam grup itu mempunyai IQ 85. maka deviasi IQ orang tesebut adalah 110 – 100 = +10. Ada beberapa macam cara untuk mencari variabilitas. Loncatan Ahmad agak jauh dari mean loncatannya. Rumusnya adalah x = X – M atau y = Y – M. maka pelatih membutuhkan pengukuran variabilitas loncatan kedua orang itu. Yang pertama dilakukan alada menghitung Mean. sebaliknya menunjukkan loncatan yang lebih mantap sungguhpun dia tidak pernah meloncat setinggi 195 cm. deviasi diberi simbul dengan huruf-huruf kecil seperti x. y. sedang mean IQ dari grupnya = 100.STATISTIKA 22 . Mahmud. Yang dimaksud dengan variabilitas adalah derajat penyebarannilai-nilai variabel dari suatu tendensi dalam suatu distribusi. Akan tetapi dalam perhitungan mean deviasi tanda minus ditiadakan. Misalnya. Dengan istilah statistika dikatakan bahwa loncatan Ahmad mempunyai variabilitas yang lebih besar dari pada loncatan Mahmud.2. Variabilitas ini juga disebut dispersi. Deviasi yang bertanda plus menunjukkan deviasi di atas mean.15. d. Yang dimaksud dengan deviasi absolute adalah nilai-nilai yang negatif.1. 4.4. yaitu Mean Deviation. dibandingkan dengan loncatan Mahmud. maka dikatakan bahwa distribusi A mempunyai variabilitas yang lebih besar dari distribusi B.

Standard Deviasi = 30 = 2 . harus sama dengan NOL. 73 11 Secara matematik Standard Deviasi dibatasi sebagai “Akar dari Jumlah deviasi kuadrad dibagi banyaknya individu” dalam distribusi.STATISTIKA 23 .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. Ini dicantumkan dalam kolom kedua. 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. 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 4.3. x1 . yaitu Σ. Jumlah deviasi dari mean ini.

TABEL 4. yang diartikan Standart Devasi 4.3. Frekuensi dari tiap-tiap nilai tidak akan satu.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. Melainkan berbeda-beda.STATISTIKA 24 .1. disebut sigma (dari salah satu huruf Yunani). bergerak dari bilangan 0 ke bilangan yang tak terhingga. Cara Lain Untuk Menghitung SD Rumus untuk menghitung SD seperti yang telah dibicarakan dimuka adalah rumus yang paling sederhana. 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.

80 +1.20 -1.28 20.60 104 13 8 8.80 +3.STATISTIKA 25 .00 100 = 2.00 M = ∑ fx N SD = ∑ fx 2 640 = 100 = 6.3.48 65 13 5 57.60 161 23 7 3.60 -0.84 9.28 104 13 8 8.80 17.28 161 23 7 3. Distribusi demikian karena rumus itu menggunakan deviasi dari mean sebagai salah satu komponennya.28 13.Kedua rumus yang telah kita ketahui itu disebut rumus deviasi.00 -3.40 65 13 5 57.86 = 1. Di halaman berikut contoh mencari SD dengan rumus itu.88 30 3 10 60.48 18.60 81 9 9 33.3 TABEL UNTUK MENGHITUNG SD DENGAN RUMUS DEVIASI X f fx x fx fx2 38.00 -2.4 CONTOH MENGGUNAKAN RUMUS ANGKA KASAR UNTUK MENCARI SD X f fx fx2 38.84 81 9 9 33.40 144 24 6 25.60 24.60 40 10 4 Samsudi .88 10.2.40 15 5 3 N = 100 ∑ fx = 640 ∑f2 = 286.69 SD ∑ N f 2 ⎡ − ⎢ ⎣ ∑ fx ⎤ ⎥ N ⎦ 2 Contoh menggunakan rumus tersebut: TABEL 4.40 40 10 4 57.84 23.84 144 24 6 25.40 +2. Rumus Angka Kasar Rumusnya adalah sebagai berikut : = = N 268. TABEL 4.40 4.60 30 3 10 60.80 +0.

5 5.0 7.3.3 5 15 57. Standar Kesalahan Mean Rumus standard kesalahan mean sangatlah sederhana.00 0 77.17 N 72 2 = ∑ N fx − M 2 Samsudi .5 6.50 = 6. TABEL 4.00 539.50 1 72 444.80 N = 100 ∑fX = 640 f N 2 ∑fx2 = 4382 2 SD = = ∑ 4382 100 ⎡ − ⎢ ⎣ ∑ N fX ⎤ ⎥ ⎦ 2 ⎤ ⎥ ⎦ SD ⎡ 640 − ⎢ ⎣ 100 = = 43 .00 1 0.STATISTIKA 26 .0 5.00 20. Rumus itu berbunyi sebagai berikut : SD M = SD N −1 Jadi.50 N ∑fx Nilai (X) 8.00 887. apa yang harus kita kerjakan untuk memperoleh SDM adalah: pertama.00 24 49. mencari SD dari angka kasar dari sampel kita.5 TABEL CONTOH MENCARI SDM frekuensi fx (f) 8.00 00.0 6.00 272.50 9 25.5 Total : Simbul : fx2 64.25 864.25 2771. 69 4. membagi SD itu dengan akar dari jumlah subyek dalam sampel dikurangi satu. 82 − 40 . 96 2 .75 ∑ fx2 M = SD ∑ fx = 444.50 21 144.00 5 4.0 4.5 7. kedua.00 11 136. 86 = 1 .3.25 125.

Carilah Deviasi Rata-ratanya. maka data tersebut semakin besifat homogen.078 SDM = N −1 72 − 1 8. Carilah Nilai Rata-rata Hitungnya.426 Soal Latihan 1. Carilah deviasi Standartnya dengan menggunakan cara mencari Deviasi Standart untuk data tunggal yang sebagian atau seluruh sekornya berfrekuensi lebih dari satu.654 SD = = = 0. Jelaskan hubungan antara deviasi Rata-rata (Average Deviation) dan deviasi Standart (Standart deviation)! 3.4276 = 0. Kemukakan beberapa keunggulan Deviasi Rata-rata dan Deviasi Standart.4965 − 38.0689 = 0. Semakin kecil Deviasi Standart dari sekelompok data. Buatlah table distribusi frekuensinya. 6. b. Jelaskan pernyataan tersebut! 7. Samsudi . Betulkah penyataan itu? Jelaskan denagn menggunakan sebuah contoh! 4. apa yang dimaksud dengan deviasi! 2. d. c.654 0.= 2771.654 0.17 2 72 = 38.STATISTIKA 27 . Berikan sebuah contoh sehingga menjadi cukup jelas.75 − 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. Tunjukkan bahwa antara Deviasi Rata-rata dan Deviasi Standart terdapat saling hubungan! Berikan contohnya! 5. Mean dan deviasi standart dapat dipergunakan sebagai alat bantu dalam rangka Evaluasi Hasil Belajar Anak Didik.

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

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

Disebut juga varians mean sampel I. atau distribusi sampling daripada perbedaan mean. kita memperoleh perbedaan mean antara kedua sampel dari kedua jenis kelamin itu. SDbM SD 2 M1 2 M2 = KUADRAT Standard kesalahan mean dari sampel I.3. 5. SD = KUADRAT Standard kesalahan mean dari sampel II. kita akan memperoleh distribusi perbedaan mean. Menguji Hipotesis-Perbedaan Antara Dua Mean Tujuan suatu eksperimen adalah mencari pengaruh dari perlakuan yang dibedakan. Jadi misalnya kalau kita mengadakan eksperimen tentang akibat kepemimpinan yang demokratik dan kepemimpinan yang otokratik. Statistik untuk ini disebut standard kesalahan perbedaan. Rumus standard kesalahan perbedaan mean: SD bM = SD 2 M 1 + SD 2 M 2 Keterangan: = Standard Kesalahan Perbedaan Mean. 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. Demikian seterusnya. Disebut juga varians mean sampel II. Tiap-tiap eksperimen akhirnya harus membandingkan sedikitnya dua kelompok dalam segi-segi yang dieksperimenkan. 5.1 TABEL DISTRIBUSI HASIL UJIAN SEMESTER SISWA LAKI-LAKI DAN PEREMPUAN Samsudi .4. Kemudian kita cari ada tidaknya perbedaan antara tingkah laku kedua kelompok itu. 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. yang tidak lain dan tidak bukan adalah SD dari pada perbedaan-perbedaan. kita dapat mengambil pasangan-pasangan sampel lain dari kedua jenis kelamin itu.menunjuk kepada tidak adanya perbedaan antara sampel yang satu dengan sampel lainya dalam sesuatu hal yang diteliti. Standard kesalahan perbedaan mean diberi simbul SD (M1 – M2) atau disingkat saja SDbM. kita memperlakukan suatu kelompok dengan pemimpin yang demokratik dan kelompok lain dengan pemimpin yang otokratik. Distribusi ini disebut distribusi sampling distribution of the mean differences.STATISTIKA 30 .

93 120. 44 = 1.42 Ny 81 2 SDy = ∑ fy 2 Ny − M Y2 2 SD M = SD Y2 N −1 = y 125 .89 81 = 791.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. 44 81 − 1 = 125 .209 47 1 15.704 52 1 2. 51 + 1 .89 81 fx 2 − M M = 120 .468 2. 29 2 .50 = = 125.388 154 7 4.292 3. 57 80 54.348 15. 22 − −670 .059 4.748 324 12 3.304 0 64.589 Dengan kode x untuk laki-laki dan y untuk perempuan.845 185 5 7.045 12.897 = 23.51 N X − 1 81 − 1 80 My = ∑ fy = 1.007 = 25 .93 = = = = 1.94 − 548.089 y 52 47 42 37 32 27 22 17 12 7 - PEREMPUAN f fy fy2 2.880 240 20 147 21 3 81 1.STATISTIKA 31 .477 6.876 378 9 6.097 fx 2 0 11.422 81 = 673.089 = − 25. 08 = 1 .93 SD 2 Mx 2 SDM 120. 75499 Samsudi .624 272 16 2.168 224 7 8.589 − 23.096 9.897 54. 57 3 .44 2 2 SDbM = SDM X + SDM y = = 1 . maka statistiknya adalah sebagai berikut : Mx = ∑ fx N = SD 2 M = ∑ N M 84 .

Standar deviasi perbedaan mean dari dua variabel Samsudi . Mean masing-masing variabel b. Standar deviasi c.STATISTIKA 32 . 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.Soal Laihan 1.

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

000. 6. maka dapat kita tarik garis lurus pada pencaran titik-titik kedua nilai variabel itu. Jadi misalnya.3. Tetapi satu diantaranya yang dikembangkan oleh KARL PEARSON dan Samsudi . atau dalam istilah teknis statistika dikatakan mempunyai hubungan yang nihil. variabel tinggi badan kita beri kode X. hubungan antara kedua variabel tersebut disebut bersifat negatif. Bilangan yang menyatakan besar-kecilnya hubungan itu disebut koefisien hubungan atau koefisien korelasi.000 sampai -1. dan sebaliknya turunnya nilai variabel x selalu diikuti oleh turunnya nilai varaibel y. dan kadang-kadang juga diikuti oleh kenaikan nilai variabel yang lain tersebut. kita ingin menetapkan apakah ada hubungan atau tidak antara tinggi badan dan kecerdasan. atau jika turunnya nilai variabel X selalu diikuti oleh naiknya nilai varaibel Y. sedang variabel kecerdasan kita sebut Y. Korelasi setujuduct Moment dan Cara Menghitungnya Sebenarnya ada berbagai macam teknik statistik yang digunakan untuk mencari korelasi. Artinya jika kita buat scatter diagram (diagram pencaran) dari nilai-nilai variabel x dan nilai-nilai varaibel y. Perlu diketahui. Salah Satu sarat yang perlu diperhatikan dalam penggunaan teknik korelasi adalah bahwa hubungan antara x dan y adalah hubungan yang linier. Koefisien korelasi itu bergerak diantara 0. atau sebaliknya. Arah Hubungan Jika kenaikan nilai variabel X selalu disertai kenaikan nilai variabel Y. ada juga kemungkinannya bahwa kedua variabel itu tidak mempunyai hubungan. 6.2. dan negatif. jika kenaikan variabel yang satu kadang-kadang disertai turunnya nilai variabel lainnya. positif. maka hubungan semacam itu disebut hubungan yang positif.STATISTIKA 34 . nihil.000 atau di antara 0. tergantung kepada arah korelasi. Koefisien Korelasi Pada umumnya besar-kecilnya hubungan dinyatakan dalam bilangan. 6.Salah satu teknik statistika yang sering digunakan untuk mencari hubungan antara dua variabel adalah teknik korelasi. Namun sebaliknya jika kenaikan nilai variabel X yang tinggi selalu disertai oleh turunnya nilai variabel Y.1.000 sampel +1. Dua variabel yang hendak diteliti hubungannya itu biasa diberi kode varaibel X dan variabel Y.

3. 162 26 29.disebut teknik korelasi prouduct moment dari PEARSON. 154 30 Langkah-langkah menghitung koefisien korelasi dengan rumus di atas adalah : 1. 162 27 11. 170 23 23. 175 32 26. 150 25 22. dan masukkan dalam kolom xy. Kalikan tiap-tiap x dengan tiap-tiap y yang sebaris. 160 30 14. Berbahasa (Y) No. 135 22 27. 152 28 18. Rumus koefisien korelasi product moment adalah: rxy = ∑ xy N. Cari deviasi-deviasi tiap-tiap nilai kedua variabel itu. 181 29 24. 172 31 15. 188 36 9. Matematik No. 150 29 13. Berbahasa (Y) (X) (X) 1. 136 21 30.1 KOEFISIEN KORELASI ANTARA VARAIBEL KEMAMPUAN BERBAHASA (X) DAN MATEMATIK (Y) Subyek Kemamp. = Jumlah subyek yang diselidiki Contoh menghitung korelasi product moment: TABEL 6. 130 20 16. Sebut kedua SD itu SDx dan SDy. 172 30 3. dan Samsudi . Matematik Subyek Kemamp. 132 24 17. Cari SD dari kedua varaibel itu. 160 27 5. 142 23 19. Jangan lupa mengecek: ∑x=0 dan ∑ y = 0 35 4. 178 35 2. 147 24 28. 180 24 7.STATISTIKA . 184 37 20. 2. 190 32 21.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. 148 25 6. Sebut –x untuk deviasi variabel x dan y untuk variabel Y. 167 29 10. 164 35 25. 149 25 8. 165 28 4. Cari mean dari kedua variabel yang bersangkutan sebut kedua mean itu Mx dan My. 145 23 12.

20. 15. 8. 12. 4. 24. 3. Total : TABEL 6. 28. BAHAN DIAMBIL DARI TABEL 6.800 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. Jumlahkan kolom xy untuk memperoleh ∑ xy . 25.1 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. 6. 9.2 TABEL UNTUK MENGHITUNG KOEFISIEN KORELASI PRODUCT MOMENT. 26.304 +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 . 30. 22. 21. 17. Subyek (1) 1.5. 14. 27.STATISTIKA 36 . 2. 11. 18. 29. 13. 10. 5. 16. 19. 7. 23.

STATISTIKA 37 . N = 30 ∑x ∑Y 2. Jumlah subyek atau N yang diselidiki ada 30. M Y = N N 4. ∑ xy = 1.56 30 Besarnya koefisien korelasi: 1.Dengan tabel di atas dapat kita peroleh data sebagai berikut: Variabel Kemampuan Berbahasa Variabel Matematik 1.890 ∑ xy = = 0.890 N 624 = 4.361.830. yaitu 0. Dengan nilai r yang signifikan kita akan menolak hipotesis yang mengatakan bahwa korelasi antara x dan y dalam populasi adalah nul.56) 6.800 840 = = 160 = = 28 30 30 3. yaitu 0. Berikan pengertian tentang kolerasi! 2. dengan melihat N = 30 dalam kolom N dan membacanya kekanan dalam kolom taraf signifikansi 5% dakan tabel r maka kita ketemukan bilangan 0.304 = 16. Jika nilai r yang kita peroleh sama dengan atau lebih besar dari pada nilai r dalam tabel r itu. SDy = = ∑y 2 4. atau tegasnya tidak ada korelasi antara pengetahuan umum dan matematik). M x = 2. 830 berada jauh di atas batas signifikansinya.361.4. atas dasar taraf signifikansi yang kita gunakan (yaitu 5% atau 1%). SDx = = ∑x 2 N 8. Bilangan ini menunjukkan bilangan batas signifikansi.64)(4. Oleh karena nilai r yang kita peroleh. maka nilai r yang kita peroleh itu signifikan.64 30 3. Uji Taraf Signifikansi Tabel korelasi itu mencantumkan batas-batas nilai r yang signifikan (berarti) pada taraf-taraf signifikansi tertentu. Apa yang dimaksud dengan kolersi positif dan kolerasi negatif! Samsudi . Nilai yang kita peroleh adalah 0.SDx SDy (30)(16. Dengan nilai f itu kita hendak menguji apakah nilai itu signifikan ataukah tidak atas dasar taraf signifikan 5%. Dengan demikian kita menolak hipotesis nihil yang mengatakan bahwa nihil r dalam populasi adalah nul (tidak ada korelasi antara x dan y. Soal Latihan 1. maka nilai r yang kita peroleh itu kita katakan signifikan.830 rxy = N .

dengan cara: Samsudi . apakah memang terdapat korelasi positif yang signifikan antara sekor variabel X dan sekor variabel Y. Kesimpulan apa yang dapat saudara kemukakan? 6. e. Jelaskan tentang pengertian dan penggunaan dari teknik Kolerasi Product Moment dan Pearson! 5. 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. Melakukan perhitungan untuk memperoleh angka Indeks Korelasi rxy. Memberikan interpretasi terhadap rxy dengan cara berkonsultasi pada Tabel Nilai “r” Product moment. Jelaskan difinisi tentang angka Indeks kolerasi! 4. 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. dengan mencari SD-nya lebih dulu! d. Merumuskan hipotesis alternatifnya b.STATISTIKA 38 . dengan cara: a. Memberikan interpretasi sederhana (secara kasar) terhadap rxy. apa memang terdapat kolerasi positif yang menyakinkan (signifikan) antara sekor variabel X dan sekor variabel Y.3. f. Merumuskan hipotesa Nihilnya c.

Rumuskan hipotesis alternatif dan hipotesis nihilnya! b. dengan menggunakan Teknik Korelasi Koefisien Phi.STATISTIKA 39 . Menarik Kesimpulan. c.a. Dalam suatu kegiatan penelitian. Melakukan perhitungan untuk memperoleh Angka Indeks Kolerasi “r” Product Moment. Memberikan interpretasi terhadap rxy denagn menggunakan Tabel nilai “r”! e. Merumuskan Hipotesis alternative b. dengan Tabel Nilai “r”! d. Cari / Hitunglah Angka Indeks Korelasinya. Merumuskan Hipotesa Nihilnya! c. 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. Berikan interpretasi terhadap Phi dan kemukakan kesimpulannya Samsudi . 7.

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.

Dalam contoh di atas. kita mengajukan hipotesis bahasan dalam populasi frekuensi dari mereka yang setuju dan tidak setuju koedukasi terbagi rata (50% lawan 50%). dalam sampel yang jumlahnya 200 orang itu.STATISTIKA 41 . 7.1. kemudian disambung dengan Chi Kuadrat untuk pengetesan hipotesis. dengan frekuensi yang diharapkan dalam kategori-kategori tertentu sebagai akibat dari kesalahan sampling. Chi-Kuadrat (baca Kai Kuadrat) adalah suatu teknik statistika yang memungkinkan peneliti menilai perbedaan frekuensi yang nyata diobservasi. 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.1 Samsudi . Di bawah ini secara berturut-turut akan dibicarakan lebih dahulu Chi Kuadrat untuk estimasi. Untuk ini kita mengambil suatu sampel yang terdiri dari 200 orang dan mengajukan pertanyaan kepada mereka untuk memperoleh pendapat mereka. kalau tidak ada sumber-sumber lain yang memberi ketentuan. 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. Sebagai bagian dari statistika inferensial chi kuadrad dapat digunakan untuk mengadakan estimasi maupun untuk pengetesan hipotesis. Kita menanyakan. Kita misalkan jawaban mereka adalah 115 orang mengatakan setuju dan 85 orang mengatakan tidak setuju.1. ataukah memang dalam populasi terdapat perbedaan semacam itu? Kalau kita mengharapkan frekuensi dari mereka yang setuju dan yang tidak setuju terbagi rata. maka frekuensi yang diharapkan adalah yang setuju 100 orang dan yang tidak setuju 100 orang. 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 7.1.7. Chi-Kuadrat Sebagai Alat untuk Estimasi Jika kita ingin mengetahui sikap rakyat terhadap koedukasi (sekolah campuran murid-murid puteri dan putersa).

7. Derajad kebebasan itu diperoleh dari kenyataan berapa banyaknya kebebasan yang kita miliki dalam menetapkan isi petak-petak yang diharapkan dalam tabel kita.2.b untuk nilai-nilai χ2 tidak tergantung kepada jumlah individu dalam sampel. yaitu masing-masing fo = 200 dan fh = 200.2 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. 50 χ 2 = ∑ fh 7. Tabel kerja persiapan perhitungan Chi Kuadrat sebagai berikut: TABEL 7.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.50 Dari angka-angka dalam table di atas.25 4. Untuk memahami hal ini dapat dilihat tabel berikut: Samsudi .1. didapat nilai Chi Kuadrat: ( f o − f h )2 = 4 . 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.25 2.STATISTIKA 42 . Derajat Kebebasan untuk Chi-Kuadrat Derajat kebebasan atau d. Dalam tabel di atas ketentuan ini telah kita indahkan.3.1.

yakni untuk menguji apakah perbedaan frekuensi yang diperoleh dari dua sampel (atau lebih) merupakan perbedaan frekuensi yang hanya disebabkan oleh kesalahan sampling. Di bawah ini diberikan contoh-contoh tentang bagaimana menguji hipotesis perbedaan frekuensi yang signifikan atau tidak. yaitu sampel tamatan sekolah tinggi dan sampel tamatan sekolah menengah. atau χ2 itu kita katakan signifikan. 2 2 Dengan demikian χ 0 itu signifikansi. 130 orang menjawab melalui “radio” sedang dari 100 orang tamatan SMA ada 55 orang yang menjawab melalui “radio”.b = 1 maka 2 2 untuk taraf signifikansi 5%. Untuk ini diberikan daftar pertanyaan atau angket kepada dua sampel.Kategori I II Jumlah : fO a c (a+b) fh b d (m+n) Derajad kebebasan untuk bentuk tabel di atas adalah 1. Sebaliknya jika χ o < χ b2 5% nilai χ2 itu kita katakan nonsignifikan. apakah mereka mengikuti berita-berita dengan perantaraan radio ataukah surat kabar.841 . 2 2 Nilai χ 0 = 4. karena ia sudah melebihi χ h yang kita pandang sebagai bilangan χ2 maksimal sebagai akibat dari kesalahan sampling atas dasar taraf signifikansi 5%.1. Dari 200 orang tamatan sekolah tinggi yang ditanyai. 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. Kepada mereka ditanyakan.50 sedang taraf signifiknsi 5% dengan d. Data tersebut dapat dihimpun dalam tabel kerja sebagai berikut: TABEL 7. Chi-Kuadrat Sebagai Alat untuk Pengujian Hipotesis Chi-Kuadrat juga dapat digunakan untuk menguji hipotesis. nilai Chi Kuadrat yang kita peroleh. dan sebagai konsekuensinya 2 hipotesis (nihil) akan kita tolak. Dengan d. jika kita yakin bahwa sarat sampel random telah kita penuhi. Konsekwensinya. 7. nilai χ h = 3. ataukah merupakan perbedaan yang signifikan.STATISTIKA Radio Sumber berita Surat Kabar Total 43 . maka kita tolak hipotesis nihil yang mengatakan bahwa separo dari populasi setuju koedukasi dan separo lagi tidak setuju. dan berbagai konsekwensinya hipotesis (nihil) akan kita terima. = 1.4. berlaku ketentuan jika χ O ≥ χ B 5%.3 TABEL FREKUENSI YANG DIPEROLEH DAN YANG DIHARAPKAN Sampel Samsudi .b.

82 fh 2 Dari Tabel di atas 2x2 (dengan 2 baris dan 2 kolom semacam itu derajad kebebasan diperoleh dari rumus d. 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. 7. Berdasarkan hasil Chi Kuadrat = 2. = (b-1) (k-1) dalam mana d.b.33%).67 -6.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.16 2 2.82 Jadi nilai Chi Kuadrat yang kita peroleh adalah : χ = 2 ∑ ( fO − fh ) = 2 .b. dan k = kolom.49 44.67 %).STATISTIKA 44 . t-Score Pada dasarnya t-score tidak lain adalah z-score hanya saja di sini kita tidak lagi menghadapi distribusi angka kasar. b = baris.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. ada 61.33 300.67 +6.2. untuk tiap-tiap tabel 2x2 d. nya = satu.00 fo-fh +6.49 44.b. melainkan distribusi perbedaan. = derajad kebebasan.67 0.49 - − fh ) fh 0.67 61.72 1. diperoleh dari (2-1) (2-1). Persentase-persentase itulah yang kita gunakan sebagai dasar menetapkan frekuensi yang kita harapkan bagi sampel tamatan sekolah menengah atas ada 61.67% dari 100 orang. yaitu bahwa tidak ada perbedaan yang signifikan dalam frekuensi pilihan sumber-sumber berita dari tamatan S1 dan tamatan SLTA diterima.67 orang.82 menunjukkan bahwa baik atas dasar taraf signifikansi 5% maupun 1% perbedaan frekuensi yang diperoleh itu tidaklah signifikan. Konsekwensinya adalah hipotesis nihil yang diajukan.67 -6.00 (fo-fh) 2 (f o 44. dan ada 115 orang dari 300 orang yang memilih surat kabar (atau dinyatakan dalam per se nada 38. Atau riilnya. Atas dasar data tersebut dibuat table kerja sebagai berikut: TABEL 7.58 0.49 44.33 76.36 0.67 38. Inilah sebabnya Samsudi .

Jika kita mengisikan bilangan-bilangan itu ke dalam rumus t.STATISTIKA 45 . Dalam eksperimen-eksperimen yang menyangkut prestasi belajar. misalnya tentang Samsudi . data pada tabel 6.1. 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”.score. akan kita peroleh: t= M x − M y SD bM = 25 . 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. 75499 Jika kita menggunakan taraf kepercayaan atau taraf penerimaan 95% (lebih sering disebut taraf signifikansi 5%). Yang dimaksud dengan sampelsampel berkorelasi adalah sampel-sampel yang sudah disamakan (di-matched) salah satu variabel (mungkin juga dua tiga variabelnya atau lebih). t-Test Untuk Sampel-Sampel yang Berkorelasi t-Test sering juga digunakan dalam eksperimen-eksperimen yang menggunakan sampel-sampel yang berkorelasi (correlated samples). maka rumusnya mejadi: t = M x − M y SD bM Sebagai contoh. 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. tetapi angka perbedaan mean.89 − 23 . 47 = = 1. 7. 75499 1. mean-mean yang kita peroleh adalah 25.mengapa yang dijadikan x bukan sesuatu angka kasar. Misalnya saja.2.89 dan 23.42 dengan SDbM = 1. 42 2 .1. koefisien kecerdasan atau IQ lebih diketahui mempunyai pengaruh terhadap prestasi belajar. kedua sampel yang diteliti. 407 1.75499.

disebut rumus panjang atau Long method. Kedua rumus ini akan memberikan hasil yang sama. Ada dua rumus yang dipersiapkan untuk meneliti signifikansi perbedaan mean dari sampel-sampel yang berkorelasi. Cuma saja rumus yang satu. Maksudnya agar jika ada perbedaan-perbedaan prestasi belajar dari eksperimen itu. Samsudi . 1. melalui jalan yang melingkar-lingkar. yaitu variabel diluar variabel atau faktor yang dieksperimenkan. dibuat rumus pendek atau short method. maka IQ anak-anak yang ditugaskan dalam kelompok eksperimen dan kelompok kontrol disamakan (dianggap) lebih dahulu. Rumus panjang. Yang disamakan adalah satu variabel (atau lebih) yang telah diketahui mempunyai pengaruh terhadap hasil eksperimen. yaitu eksperimen yang menggunakan kelompok eksperimen dan kelompok control yang sudah disamakan subyek demi subyek sebelum eksperimen dijalankan. 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. melalui jalan yang langsung dan singkat. Sekedar catatan perlu diberikan lebih dahulu. bukan perbedaan yang diakibatkan oleh perbedaan IQ dari anakanak yang ditugaskan dalam kelompok eksperimen dan kelompok kontrol. dapat disimpulkan bahwa perbedaan-perbedaan tersebut semata-mata ditimbulkan oleh perbedaan metode-metode yang dieksperimenkan. sedang rumus yang satunya lagi.STATISTIKA 46 . misalnya tentang pengaruh metode terhadap prestasi sesuatu mata pelajaran.pengaruh metode belajar. diperuntukan bagi penelitian eksperimental yang menggunakan method subjects designs.

6 +1.2 -4.8 6.18 Total K (2) 5.0 +0.2 7.04 0.1 -0.0 K2 (4) -0.0 5.2 0.4 Harus dicek : ∑B = ∑K − ∑E Dan ∑ b = 0. Seperti yang disebutkan dalam angka (1) diatas dengan cara yang lebih singkat dan efisien. Rumus pendek.0 = 10 = −0.3 -1. Kecuali itu rumus ini juga disediakan untuk menganalisa eksperimen yang menggunakan designs treatments by subjecte.3 6.2 6.09 1.2 -0.0 MB = ∑B b = B .7 -0. 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.9 -1.5 6.3 6.3 -1.4 7.04 5.36 1.49 0.44 0. Rumus ini dipersiapkan untuk menyelesaikan penelitian eksperimen yang menggunakan matched subjects designs.0 69.9 7.8 5.6 7.1 8.3 8.8 6.09 0.7 +0.9 7. Contoh Penggunaan Rumus Pendek TABEL 7. adalah rumus yang serba guna dan efisien.(6) 0.01 0.21 0.2 -0.2.3 +1.5 4.5 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 .5 6.8 -1.STATISTIKA 47 .5 -0.1 +0.1 8.7 -0.0 E (3) 5.8 65.0 E2 (5) +0.2 -0.1 -0.46 N − 4.MB Samsudi .3 +0.0 KE .69 1.

MD = 0. Carilah “t” b.624 0.4 0. Soal: a.66. demikian juga interpretasi dari hasilnya.83. SD1= 10.5 − 6.246 Selanjutnya pekerjaan-pekerjaan perhitungan lainnya sama sepenuhnya dengan contoh yang diberikan sebelumnya.45. Apa yang dimaksud dengan “Teknik Analisa Komparasional Bivarian” dan “Taknik Analisa Komparasional Multivarian”? Kemukkakan contohnya! 3. M1= 76. pada taraf signifikansi 5%. 9. M2= 75.9 = 5.46 10 6. Dalam keadaan bagaimana sebuah Ho yang menyatakan tidak adanya perbedan yang signifikan antara fo dan ft disetujui? 6. Data: Diketahui: N =25.4 = = 1. Data: N2 = 20 Diketahui : N1 = 20 ΣX22= 160 ΣX12= 180 Σx1 = 24 Σx2 = 22 Samsudi . 5. Hitunglah “t” b. S DD = 0. Data: N2= 82. Berikan interpretasi terhadap “to” dengan berkonsultasi Tabel Harga Kritik “t”. Jelaskan pengertian yang tekandung dalam istikah “Teknik Analisa Komparasional”! 2. 7. Soal Latihan 1. 8.14.44. SD2= 12.STATISTIKA 48 . pada taraf signifikansi 5%. Berikan interpretasi terhadap “to” denagn berkonsultasi pada table Harga Kritik “t”.59. Diketahui : N1 = 65. Soal : a.Dimasukkan ke dalam rumus: t= Mk − Me N ( N − 1) ∑b 2 = 6. terutama dalam kegiatan penelitian di bidang pendidikan.0606 0. Jelaskan perbedaan pokok antara Tes “t” dan tes Kai Kuadrat sebagai Taknik analisa Komparasional Bivariat! 4. Buatlah sebuah ikhtisar tentang berbagai kegunaan Tes Kai Kuadrat dalam Praktek kehidupan sehari hari. Barilah penjelasan tentang prosedur yang perlu kita tempuh dalam rangka memberikan interpretasi terhadap Kai kuadrat.

dalam penelitian mana telah disiapkan 800 orang penonton televisi sebagai sempel penelitian. 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. Menemukan Ha dan Ho –nya lebih dahulu b. Apa kesimpulan yang diperoleh? 11. apakah memang secara signifikan terdapat perbedaan Mean hasil tes Matematika dikalangan 40 siswa SMK tersebut.STATISTIKA 49 . 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. cobalah Samsudi . Menguji kebenaran / kepalsuan hipotesa tersebut dengan membandingkan besarnya to dan ttabel pada taraf signifikan 5% c. antara sesudah dan sebelum diajar dengan metode baru dengan cara: a. 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. 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. sebagai berikut: Pendapat: f A. 10. Siaran Dakwah melalui ceramah lebih baik daripada sandiwara 235 televisi C. Carilah “t” dengan menggunakan rumus dari fisher! b. telah berhasil dihimpun data jawaban yang mereka berikan kepada tim peneliti. Siaran Dakwah melalui sandiwara televise lebih baik daripada 243 ceramah B. Siaran Dakwah melalui Ceramah dan sandiwara televise sama 232 baiknya D. Berikan interpretasi terhadap “to” denagn berkonsultasi terhadap table Harga Kritik “t” pada taraf signifikansi 5%.Soal: a.

Rumuskan Hipotesis alternatifnya dan Hipotesis Nihilnya! b. dan 240 orang lainnya adalah mahasiswa yang tidak duduk dalam kepengurusan organisasi kemahasiswaan. sedangkan sisanya yaitu 15 orang dinyatakan gagal. Mereka itu dibagi dalam kedua kelompok. dengan menggunakan signifikan 5%. apakah memang secara signifikan terdapat perbedaan frekuansi yang diibservasi dan frekuensi toritiknya. Terlebih dahulu menyusun hipitesa alternative dan hipotera Nolnya. Apa kesimpulan yang dapat dikemukakan? 13. d. 80 orang diantaranya dinyatakan lulus ujian utama. Ujilah Hipotesis tersebut dengan menggunakan Teknik analisis kai kadrat! c. 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”. 25 diantaranya dinyatakan lulus dalm ujian ulangan. Memberikan interpretasi terhadap kai kuadrat. 120 orang lulus pada ujian utama dan 40 orang selebihnya dinyatakan gagal dalam ujian tersebut. c. 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. Ujilah hipotesis nol yang menyatakan bahwa diantara 600 orang siswa SLTA yang berbeda jenis sekolahnya itu tidak dapat berbeda sikap keagamaan yang signifikan! Samsudi . Mengetes perbedan frekuensinya dengan menggunakan Teknik Analisis Kai kuadrat. b. yaitu: 60 orang mahasiswa yang duduk dalam kepengurusan organisasi-organisasi kemahasiswaan. 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 50 . Berikan interpretasi terhadap Kai Kuadrat dengan menggunakan signifikan 5%. Soal: a.selidiki secara seksama. dengan cara: a. d. Kemukakan kesimpulannya 12. Selanjutnya dari sejumlah 240 orang mahasiswa yang tiadak menjadi pengurus organisasi kemahasiswaan. 20 orang diantaranya lulus pada ujian utama.

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

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

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 %. 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” . diperoleh dari jumlah kelompok dikurangi satu.72 = dbant 4 MKdal = DKdal 254.STATISTIKA 53 . MKant yang kita peroleh adalah 4. sekiranya memang hipotesis nilai adalah benar. F – Ratio = 5 .2.30 Dengan mengisikan bilangan-bilangan itu ke dalam rumus MK dapat diperoleh: MK ant = DK ant 19. maka: Samsudi . Jika MKant adalah sedemikian besarnya. Jika harga-harga MK tersebut kita isikan ke dalam rumus F. atau (m-1) Sebagai contoh diperoleh data sebagai berikut: dbant = 5 – 1 =4 N = 50 DKant = 19.93. 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%. 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.30 = dbdal 45 = 4 .56.MK ant = DK an t db ant MK dal = DK dal dbdal dbdal = derajad kebebasan dalam kelompok. dan MKdal-nya 5. 93 8.72 dbdal = 50 – 1 – 4 = 45 m=5 DKdal = 254. diperoleh dari dbtot dikurangi dengan dbant sedang dbtot = N-1 dbant = derajad kebebasan antar kelompok.

Karena itu jika kita gunakan taraf signifikansi 1%. 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”.71 dan 5. jika kita gunakan taraf signifikansi 5 %. 873 Mengkonsultasikan dengan Tabel F Dari perhitungan di atas.71 dan 5.705 13. 56 = 0 .65 54 F teoritis (hipotetis) Ft 5% 1% 5. dapat ditempuh dua cara. dapatemukan bahwa: F db ant .30 274.70. sedang bilanganbilangan pada baris bawah adalah bilangan-bilangan batas F pada taraf signifikansi 1%. yaitu bilangan 13. apalagi sebagai konsekuensinya hipotesis nihil yang kita ajukan sebelum penelitian kita terima.715 Samsudi .F = MK ant 4 .705.93 0.02 4.70 adalah 5.74 dan 13. db dal = MK MK ant dal F 4.715. sedang bilanganbilangan diantara 5.72 254. 93 = MK da l 5 . Dari pemeriksaan pada tabel itu ternyata bahwa F yang kita peroleh sebesar 0.69.STATISTIKA . kita cari db = 4 dalam kolom sebelah kiri. kit abaca kekanan sampai menyilang kolom db = 45 sebagai db dari MK kita yang lebih besar.93 Derajad kebebasan dari MK ini = 4.1 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 19.873 Untuk mengkosultasikan harga F diatas.873 5. Karena ternyata tidak ada kolom db = 45. yaitu bilanganbilangan 5. maka kita ambil saja suatu bilangan diantara db = 40 dan db = 50. Tabel Ringkasan ANAVA Hasil-hasil perhitungan analisis varians yang telah kita kerjakan berikutnya dimasukkan ke dalam tabel berikut: Tabel 8. bilangan batas yang kita cari adalah bilangan diantara 13. MK yang lebih kecil adalah MKant = 4.873 berada jauh di bawah batas signifikansi 5%. taraf signifikansi 5%. 45 = 0.

873 < Ft5% = 5.3ini memuat bahan hipotetis tentang sikap terhadap persoalan “KLM” yang diperoleh dengan jalan angket. NIlai yang lebih besar menunjukkan sikap yang lebih positip.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 ? % .705 maka HO diterima.STATISTIKA .Kesimpulan : Karena FO = 0. marilah kita kerjakan contoh lain dibawah ini.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 . Adapun ringkasan rumus-rumus dalam table Anava: Tabel 8. Tabel 8. 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. Tabel 8.

680 .420 = m −1 3 −1 (5) MKdal = = 268.260 = N − m 30 − 3 MK ant 1.950− = 9.590 ) 30 N 2528100 30 = 93.210 = MK dal 268.680 − 2.210 n1 (∑ X ) + 2 2 n2 (∑ X ) + 3 2 n3 (∑ X ) − tot 2 N 10 30 (4) DK ant 2.420 (3) DKdal = DK tot − DK ant = 9.9 Fm – 1.90 (6) MK dal 7.51 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 .950 − n3 = 10 N = 30 (1 .590)2 = 10 10 = 86.690 − 84270 = 2.STATISTIKA 56 . (2) DKan t = (∑ X ) 1 2 (420)2 + (530)2 + (640)2 + (1.420 = 7.260 MKant = = 1.950− 84270 = 93. N – m = Samsudi .

680 MK 1.50 268.50 dan ini masih di bawah Ft = 5.s.49 sebagai batas signifikansinya.420 7. Hanya deviasi-deviasi yang terjadi 1 kali diantara 100 kejadian yang kita pandang tidak disebabkan oleh kesalahan sampling. Ada tiga macam asumsi yang perlu diindahkan dalam penggunaan teknik Anava. 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. Karena batas penolaknnya masih belum dilewati. 50 Hasil-hasil perhitungan itu kemudian disusun dalam tabel ringkasan Anava sebagai berikut : Tabel 8.1% 5. Kita menolaknya disebabkan karena kita meragukan bahwa variabilitas antar kelompok sebesar 4.210 4. F yang kita peroleh = 4.9 FO Ft t. Kita menerima hipotesis nihilnya karena jikalau kita menggunakan dasar taraf signifikansi 1%. kita memandang deviasi-deviasi yang besarnya terjadi 5 kali dalam 100 atau 4 kali dalam 100 kemungkinan.4 Tabel Ringkasan Anava dari bahan tabel Sumber Variasi SV Kelompok “K” Dalam Kelompok Total db 2 27 29 DK 2.= 4 .STATISTIKA 57 .s. Dengan demikian hipotesis nihil itu kita terima. dengan taraf signifikansi 5% kita akan menolak hipotesis nihilnya yang mengatakan bahwa tidak ada perbedaan sikap antara ketiga kelompok yang diselidiki. atau malahan 2 kali dalam 100 kemungkinan masih disebabkan karena kesalahan sampling.49.5% 3. Bilangan batas signifikansi atau batas penolakan hipotesis nihil dengan taraf signifikansi 1% adalah 5. Bagaimana halnya jika kita gunakan taraf sigibifikansi 1%?. Asumsi-asumsi Dalam Analisis Variansi Pengujian dengan F test ini juga menggunakan asumsi-asumsi atau landasanlandasan teori tertentu.260 9.50 itu semata-mata disebabkan karena kesalahan sampling. Samsudi .49 Signifikansi Nonsignifi Sig Nonsig - Jadi.35 t.

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

(2) distribusi bergolong dan (3) distribusi deskriptip..41 Dengan melihat tabel pada derajad kebebasan 9 lawan 9 akan kita ketemukan bahwa FO = 1..09 = 4..9 = 5..41 Dari perhitungan itu kita ketahui itu kita ketahui bahwa SD2 atau varians yang lebih besar adalah varians dari kelompok I. Penerapan itu akan dibaca secara berturut-turut. (1) DK = ∑ fX2tot tot (2) DKant 2 1 (∑ fX ) − tot 2 N (∑ fX ) − (∑ fX ) = tot 2 n1 N (∑ fX ) − (∑ fX ) + . 8.5 − 234. Pada dasarnya rumus-rumus baru ini tidak ada bedanya dengan rumus-rumus yang terdahulu.. karena itu kita menyimpulkan bahwa varians dari kelompok I dan kelompok II itu tidak berbeda secara signifikan. Komponen f dimasukkan ke dalam rumus-rumus baru ini disebabkan karena dalam distribusi komponen f itu selalu ada.. 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. Untuk tidak menimbulkan kebingungan.33 ini lebih kecil daripada F15% = 3.= 238.STATISTIKA .+ 2 2 m tot nm N (3) DK dal = DK tot − DK ant Tabel 8. hal mana berarti bahwa varians dari kedua kelompok itu dalam populasinya masing-masing adalah tidak berbeda. Karena itu F 9. Jadinya.85 = 1.. Di bawah ini diberikan contohcontoh penggunaan Anava pada (1) distribusi tunggal.33 4.5 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 . Analisa varians ternyata dapat digunakan untuk meneliti bahan-bahan yang telah disusun ke dalam bermacam-macam distribusi.18. 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..3.

32 = (3) (4) (5) DKdal = 84899 − 9. sedang db dari MK yang lebih kecil adalah 2.49.4 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 − 4776.66 2 839.72 6. Dengan begitu maka hipotesis nihil yang kita ajukan. 46 (6) F 2. kita terima.46 130 4.67 . Kesimpulan kita adalah bahwa atas dasar bahan-bahan yang kita kumpulkan sampai sekian jauh. MKant = MKdal = 9.01 133 133 = 848 . . . jika kit abaca tabel F1 dengan db 130 lawan 2 maka akan kita ketahui bahwa batas penolakan hipotesis pada taraf signifikansi 5% adalah 19.130 = db dari MK yang lebih besar adalah 130.32 = 4.32 = 839. 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 . = 151282 + 178182 + 149069 − 477601 = 478533 − 477601 = 9. . .66 = 0.STATISTIKA 60 . antara kelompok signifikansi tentang pengetahuan psikologi mereka.49. Ternyata nilai F yang kita peroleh itu berada sangat jauh di bawah batas signifikansi 1%.67 = 6. Samsudi . dan pada taraf signifikansi 1% adalah 99. .

77 Samsudi .3000-3999 Rp.1000-1999 Total Kode X 6 5 4 3 2 1 0 - f 4 8 12 15 8 3 1 51 Tabel 8.66 0.7 di bawah ini dipersiapkan untuk meneliti ada tidaknya perbedaan gaji guru-guru wanita dan pria.dan seterusnya.6 di bawah ini.6000-6999 Rp.s.23 107 107 = 220 .5% =19.-. Dengan pengkodean itu kita dapat menghemat sangat banyak waktu dan fikiran.72 6.67 848. Rp 6.5000-5999 Rp.4000-4999 Rp. kita akan terlibat dalam mengKUADRATkan bilangan-bilangan besar.49 Signifikansi Nonsig - ANAVA PADA DISTRIBUSI BERGOLONG Distribusi bergolong yang tercantum dalam tabel 8. Interval gaji Rp. Tabel 8.000.Tabel Singkatan Anava dari pekerjaan analisa tersebut di atas dapat dilihat pada tabel 8..5 Sumber Variasi Antar Kelompok Dalam Kelompok Total db 2 13 132 DK 9. Analisa variannya adalah : (1) DK tot = 1214 − 106276 3262 = 1214 − = 1214 − 993. Dari interval yang terendah dimulai pengkodean dengan bilangan nol.7000-7999 Rp.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.99 MK 4.46 FO Ft t.2000-2999 Rp.6 Tabel Ringkasan Anava dari bahan dalam table 8. yaitu dengan menggunakan titiktitik tengah atau tanda-tanda kelas Rp 7.500. Interval gaji diambil dari gaji rata-rata tiap-tiap bulannya.32 839.STATISTIKA 61 .

maka akhirnya kita menyimpulkan bahwa gaji adalah fungsi daripada jenis kelamin.77 MK 15.93 204.93 1 204. Kita menyimpulkan bahwa berdasarkan bahan-bahan yang masuk ada perbedaan besarnya gaji guru-guru wanita dna peria. dan perbedaan itu signifikan.79 − 993.4. Dalam bab XI kita telah maju satu langkah.23 = 15.(2) DK ant = = 607 .1%=6. Mean dari gaji peria = 176/51=3.90 Signifikansi Sig - db dari MK yang lebih besar = 1. Kita ingin mengetahui Samsudi . yaitu memperbincangkan cara mengetest hipotesis tentang sesuatu variabel dari tiga kelompok atau lebih. 8.93 = 204.8 Ringkasan Anava dari bahan dalam tabel Sumber Variasi Sekse Dalam Total db 1 105 106 DK 15.s.17 Ft t.95 FO 8. Dalam bab ini kita maju satu langkah lagi. dan guru-guru peria mempunyai kecenderungan memperoleh gaji yang lebih tinggi.93 = 15. Pemeriksaan pada tabel F menunjukkan bahwa dengan taraf signifikansi 5% dan 1 % batas penolakan itu maka hipotesis nihilnya kita tolak. sedang mean dari gaji wanita = 150/56 = 2.84 220. Analisis Variansi (ANAVA) Klasifikasi Ganda Dalam bab VII kita telah membicarakan bagaimana mengetest hipotesis tentang sesuatu variabel dari dua kelompok.93 = 8.84 MKant = MKdal = 15.16 − 993. dan db dari MK yang lebih kecil = 105.45.STATISTIKA 62 .105 = 15.95 105 F1.95 Dimasukkan dalam tabel ringkasan Anava : Tabel 8.84 = 1.93 1.93 (3) (4) (5) (6) 1762 1502 3262 30976 22500 106276 + − = + − 51 56 107 51 56 107 DKdal = 220.68.17 1.37 + 401.77 −15.23 = 1009 . karena gaji peria ternyata lebih besar daripada wanita.

10 Samsudi .04 = 32440 .40 = 16.bagaimana mengetest hipotesis dari banyak kelompok yang tidak hanya menggunakan satu klasifikasi.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”. tetapi banyak klasifikasi. Semua sepeda motor itu kemudian dijalankan dalam keadaan yang diawasi baik-baik dan dicatat konsumsi bensinya tiap-tiap kilometernya. 69.06 16.04 5 5 5 5 5 25 DKdal = 39344− 69.44 25 1062 882 892 942 812 4582 (2) DK ant = + + + + − = 69. Mengadakan klasifikasi ganda ini bukan saja mungkin dikerjakan dalam banyak penelitian. tetapi juga sangat berguna untuk mendapatkan informasi yang lebih banyak dan lebih teliti.STATISTIKA 63 . 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. .26 (4) MK ant = 4 324. Kita misalkan hasil daripada test ini adalah seperti berikut : Tabel 8.22 Hasil-hasil perhitungan itu kita masukkan ke dalam tabel ringkasan Anava sebagai berikut : Tabel 8.22 (5) MKdal = 20 (3) (6) F 4. Dengan Anava klasifikasi tunggal akan kita peroleh hasil-hasil sebagai berikut : 4582 2 2 2 (1) DK tot = 26 + 24 + .04 = 17..20 = 17 .26 = 1.. + 12 − = 393. Dia mengambil dari tiap-tiap merk lima buah sepeda motor dari model empat tahun yang lalu sampai model tahun ini.

87 Signifikansi Non - Nilai F dengan derajad kebebasan 4 lawan 20 adalah tidak signifikan.Ringkasan Anava dari bahan dalam tabel 9.10). Konsekwensinya hipotesis nilai yang dikemukakan tidak dapat ditolak. Data dalam tabel di atas dapat juga digunakan untuk menetapkan DK-DK dari merk maupun model. Catatan ini perlu diperhatikan agar kita meneliti kembali jumlah-jumlah itu sebelum menghitung tiap-tiap DK.26 69. Hipotesis nihil itu diterima atas dasar klasifikasi tunggal (periksa tabel 8.76 4 Model p < 1% xx) 3.26 16.22 FO 1.06 Ft t.5 Sumber Variasi Merk Dalam Total db 4 20 24 DK 60. Demikian juga jumlah pembagi pada tiap-tiap pecahan yang ditambahkan sebelum diKUADRATkan dalam tiap-tiap menghitung DK haruslah sama dengan pembagi dari suku koreksi.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. ditunjukkan dalam tabel 8. 2 Perlu dicatat bahwa suku 458 dalam perhitungan-perhitungan DKmerk dan 25 DKmodel di atas kita sebut suku koreksi. Analisa varians untuk ini pada prinsipnya adalah sama seperti yang telah kita pelajari.64 16 Dalam Samsudi . Hipotesis yang kedua ialah hipotesis nihil tentang tidak adanya perbedaan yang signifikan antara kelima mode.96 17. Hasil Anava dari data tersebut yang memasukkan dua jenis klasifikasi yaitu klasifikasi merk dan klasifikasi odel. Dari dua klasifikasi ini dapat perbedaan yang signifikan antara kenihilan yang aseli.32 67.11 di bawah ini.19 286. Kelima merk sepeda motor itu tidak menunjukkan perbedaan konsumsi bensin yang menyakinkan.04 4 Merk p < 1 % xx) 19. Periksalah kembali test hipotesis pertama yang sudah dikerjakan di muka.s.STATISTIKA 64 .48 55.04 324.5%=2.44 MK 17. Persoalannya sekarang apakah kesimpulan itu masih dapat dipertahankan jadi faktor model turut diperhitungkan? Tabel 8. yaitu bahwa tidak ada perbedaan yang signifikan antara kelima macam merk dapat ditest kembali. Jumlah pembilang pada tiap-tiap pecahan yang ditambahkan sebelum diKUADRATkan harus sama dengan pembilang dari suku koreksi.40 393. Beberapa dari pekerjaan kita di atas dapat kita ambil lagi untuk analisa ini.

MKmodel = 67.96 3.19 dal (5) MK 324 .01 Baiklah pertanyaan ini kita jawab setelah kita menyelesaikan pekerjaan kita dalam mengisi tabel ringkasan di atas.32 3.44 - - - (5) (6) (7) (8) (9) X) Diartikan juga proporsi kesalahan dari tiap-tiap penolakan hipotesis nihil. Jelaslah bahwa analisa varians dengan menggunakan kalsifikasi ganda merupakan alat pengetesan hipotesis yang lebih peka.26 Untuk Merk : F4 .48 16 17. 22 20 67.20 = 5.26 4 288.44 (2) DK mod el = 286.STATISTIKA . XX) Lebih lazim ditulis dalam bentuk setujuporsi sebagai berikut P < 0. ) DK tot = 393.16 = = 19. Tambahan halusnya ini tentu saja tergantung sekali kepada tambahan arti daripada klasifikasi itu.77 untuk taraf signifikansi 1%. 60.48. sedang pembilangnya dalam F-Ratio untuk merk itu.76 (3) (4) DKdal = 39344− 286. Hipotesis nihil tentang perbedaan konsumsi bensin di berbagai merk itu jika model atau tahun pembuatannya telah turut diperhitungkan.33 = 65 Samsudi . Memang penambahhan klasifikasi biasanya menambah halusnya test hipotesis.76 MK mod el = = 67. 4 = 16 .01 untuk taraf signifikansi 5%. Hal ini disebabkan karena MKdal yang digunakan untuk menjadi pembagi dalam mencari nilai F disini tidak lagi 16. melainkan hanya 3. tidak lagi dapat dipertahankan.84 Pemeriksaan pada tabel F menunjukkan kepada kita bahwa dengan derajad kebebasan 4 lawan 16 batas penolakan hipotesis nihilnya adalah 3.64 MK dal = = 3.19 = 12.22 seperti yang digunakan dalam tabel 78.Total 24 393.19 4 55. Dengan bukti-bukti itu dapatlah kita menjawab pertanyaan yang baru diajukan.19 Untuk Model : F 4.16 = = 4. yaitu MKmerk’ tetap konstan.76 = 106.84 67.04 MK merk = = 17.66 (6) F 4. dan 4.68 . Untuk menyelesaikan pengetesan hipotesis model ini cukup kiranya jika kita menggunakan Anava klasifikasi tunggal. Kita menyimpulkan bahwa kelima jenis merk sepeda motor yang diselidiki berbeda konsumsi bensinya.

2. 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. Buat/masukkan juga ke dalam tabel ringkasan Anava. apakah ada perbedaan secara signifikan nilai matematika pada tiga kelompok tersebut.P < 0.500-599 Rp. Data di bawah ini menunjukan distribusi interval gaji kelompok guru sekolah (SMA. Soal Latihan 1.600-699 Rp.01.300-399 Rp.700-699 Rp. 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%. MA dan SMK). Dengan kenyataan itu kita tetap menolak hipotesis nihil dan menyimpulkan bahwa perbedaan konsumsi bensin menurut tahun-tahun pembuatan adalah sangat signifikan.400-499 Rp.200-299 Samsudi .STATISTIKA .

3.100-199 Total 0 - 1 51 3 56 2 56 Ujilah apakah ada perbedaan secara signifikan distribusi gaji tiga kelompok guru tersebut.STATISTIKA 67 . Data rata-rata suhu mesin pada lima macam merek sepeda motor (A. masing-masing untuk tahun pembuatan/model yang berbeda (2004. B.Rp. 2007. 2005. pada taraf signifikansi 5%. dan E). D. Buat/masukkan juga ke dalam tabel ringkasan Anava. dan 2008). C. 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. Samsudi . Buat/masukkan juga ke dalam tabel ringkasan Anava. 2006. pada taraf signifikansi 5%.

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

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

. . . . dengan rumus umum : Samsudi . Kesalahan ramalan ini disebut residu. . . Dalam penelitian itu dikumpulkan data tinggi badan dan berat badan sepuluh orang sebagai berikut : Subyek No. . Menguji apakah korelasi itu signifikan ataukah tidak.. ..X1. jika dari serangkaian ramalan jumlah kesalahan-kesalahan raalan itu sama dengan nol. 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. . .. akan kita bicarakan pada waktu kita membicarakan analisis kovariansi. Mencari korelasi antara kriterium dengan prediktor. . 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. Mencari persamaan garis regresi. . Tujuan itu dapat tercapai. am = Koefisien prediktor 1. . Mengenai tugas kedua dari pembicaraan analisis regresi.1 Analisis Regresi Linear Satu Prediktor Tugas pokok analisis regresi adalah : 1. …. .. a2. Contoh : Misalkan suatu penelitian ingin memastikan apakah berat badan orang pada kelompok umur tertentu dapat diramalkan dari tinggi badan. . koefisien prediktor 2. . Jika kita melukis garis regresi untuk meramalkan kriterium dari prediktor. R 2. 1 2 3 4 5 6 7 8 9 10 Tinggi (dalam cm) X. tujuan kita adalah ingin mendapatkan dasar ramalan yang menghasilkan kesalahan yang sekecil-kecilnya. . . → tabel 3. . prediktor ke.STATISTIKA 70 . jika prediktornya lebih dari satu. Menemukan sumbangan relatif antara sesama prediktor. Xm = Prediktor 1. prediktor 2. F 4. X2. 9.m a1. yaitu memberi dasar untuk pembicaraan mengenai analisis kovariansi. .

yaitu antara tinggi badan dan berat badan.460 ∑Y2 = 39.946 itu kita nyatakan sangat signifikan.650)(620) = 432 71 .STATISTIKA ∑ xy = 102. 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. ( X) .460 − = 210 ∑ 10 6202 2 ∑ y = 39.432 Dari itu 10 1.946 (210)(992) Untuk menguji apakah harga rxy = 0. sangat signifikan.6502 x 2 = 272. ∑ x = ∑ X − ∑N .432 − 10 = 992 432 rxy = = 0. dan kita dapat menyimpulkan bahwa korelasi antara X dan Y. kita dapat meramalkan tinggi badan dari berat badan). ada juga yang menggunakan db. Ambilah mana saja yang tersedia pada Anda). 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.732 ∑X2 = 272. 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.765. karena itu harga rxy sebesar 0.650 ∑Y = 620 ∑XY = 102. akan kita temukan : N = 10 ∑X = 1. 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 itu signifikan apa tidak.732 − (1. yaitu : Y = αX + K → Y = αx + bx → α = Koefisien prediktor Samsudi . Dari tabel r – teoretik dengan N = 10 (atau db = 8) akan kita ketemukan harga r-teoretik pada taraf signifikansi 1% atau rt1% = 0.rxy = Telah kita ketahui bahwa : ∑ xy (∑ x )(∑ y ) 2 2 ( X )( Y ) ∑ xy = ∑ XY − ∑ N ∑ .

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 a= Σ xy Σx 2 72 Samsudi . misalnya enam desimal atau delapan desimal. Harga-harga a dan K itu dapat kita ketemukan melalui dua jalan : (a) dengan metode skor kasar. 26 = 165. Dalam contoh perhitungan di atas hanya digunakan dua desimal. biarkanlah desimalnya mengambang (floating) sehingga perhitungan-perhitungannya dapat membawa terus jumlah desimal sesuai dengan kemampuan kalkulator tesebut.057 143. ketelitian perhitungan harus diusahakan semaksimal mungkin.13 a + K (4) 62 = 165 a + K Subtitusi (5) 0. x = X − X. dan K = .732 = 272.650 dan persamaan 2 dengan 10) : (3) 62.268 Perlu dicatat bahwa dalam perhitungan terhadap data penelitian yang sesungguhnya. 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.STATISTIKA .13 a (6) 62 = (165) (2) + K K = . Tentu saja perhitungan dengan enam desimal hasilnya akan jauh lebih teliti daripada perhitungan dengan dua desimal.Untuk mengisi persamaan garis regresi itu harga koefisien prediktor (yaitu harga a) dan harga bilangan konstan K harus kita ketemukan lebih dahulu. dengan jumlah angka desimal yang lebih banyak.277. 428 595. persamaan garis regresinya adalah : Y = aX + K Y = 2X − 268 → a = -268.650 a + 10 K dengan penyelesaian persamaan secara simultan akan kita ketemukan (dengan membagi persamaan I dengan 1. Misalnya.650 K (2) 620 = 1. Maka jika dalam komputasi digunakan kalkulator. hasilnya adalah a = 2. Kedua metode ini akan menghasilkan harga-harga a dan K yang sama. Dengan harga a = 2 dan K = . Nanti kita akan memilih salah satu dari dua metode itu berdasarkan pertimbangan efisiensi. jika dalam perhitungan di atas digunakan desimal yang menggambang sampai enam angka. dan (b) dengan metode skor deviasi.460 a + 1.26 = 0.

Untuk X = 174 Y = 2(174)-268 = 80. Dan seterusnya .STATISTIKA 73 . Seharusnya dengan kedua metode itu kita tidak menemukan hasil perhitungan yang berbeda.05 X – 276. Tabel 9. 25 + 62 Y = 2. hasilnya adalah Y = 2.1 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 .Jika data yang sudah diketemukan dimasukkan ke dalam rumus tersebut : Σ xy = 432 Σ x 2 = 210 432 a = = 2 . Untuk X = 150 Y = 2(150) – 268 = 32 Jika dari perhitungan-perhitungan itu kita buat suatu tabel berikut. Maka untuk tinggi badan atau X tertentu. 05 210 y = 2 .05 X − 276 . . .650 = = 62 = = 165 Y = X = 10 10 N N Karena itu untuk persamaan garis regresi y = ax atau Y . Perbedaan hasil perhitungan garis regresi yang kita temukan itu semata-mata disebabkan karena ketelitian perhitungan saja.25. 25 Dengan etode skor kasar kita menemukan persamaan garis regresinya Y = 2X – 268.05)( X − 165) Y = 2.X ) dapat kita selesaikan: Y − 62 = (2.05 X − 338 . sedang dengan metode skor deviasi kita menemukan persamaan garis regresinya Y = 2.428595 Baiklah kita coba dulu meramalkan berat badan dari persamaan garis regresi Y = 2X-268 seperti yang dihasilkan dengan perhitungan dengan metode skor kasar. berat badannya atau Y-nya akan Untuk X = 175 Y = 2(175)-268 = 82. 05 x Dari data yang dikumpulkan dapat dicari : ΣY 620 ΣX 1. . Dengan jumlah desimal yang mengambang sampai enam desimal.Y = a ( X .057143 X − 277 .

6 80.3 33.3 35.4 35.8 51.STATISTIKA 74 .1 X 175 174 173 172 171 170 169 168 167 166 Tabel 9.5 37.5 78. Ini dapat kita uji dari perbandingan seperti di bawah ini.8 51.1 X 165 164 163 162 161 160 159 158 157 156 Y 62.2 27.1 165 164 163 162 161 160 159 158 157 156 62.0 59.057 143X – 277.2 31.3 72. Tabel.25 (seperti yang diperoleh dengan metode skor deviasi) dan persamaan garis regresi Y = 2.0 25.3 70.6 45. 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.3 TABEL RAMALAN BERAT BADAN (Y) DARI TINGGI BADAN (X) DARI PERSAMAAN GARIS REGRESI Y = 2.5 X 155 154 153 152 151 150 149 148 147 146 Y 41.9 55.2 66.5 43.428 595 (yang diperoleh dengan ketelitian enam desimal.3 72.2 TABEL RAMALAN BERAT BADAN (Y) DARI TINGGI BADAN (X) DARI PERSAMAAN GARIS REGRESI Y = 2.6 155 154 153 152 151 150 149 148 147 146 41.1 27.7 49.25 Y X Y X Y 82.2 25.3 31.2 68.7 47.05 X – 276.4 76.1 64.4 74.1 29.5 78.9 53.3 29.4 39. 9.4 33.167 166 66 64 157 156 46 44 147 146 26 24 Bagaimana keadaannya jika kita menggunakan persamaan garis regresi Y = 2.0 57. Samsudi .6 43.9 55.0 60.05 X – 276.5 80.2 68.1 64.9 Dari tiga tabel raalan yang telah kita susun itu tabel yang terakhir ini adalah yang paling teliti.7 47.0 22.1 23.9 57.8 53.3 39. sedang tabel yang pertama merupakan tabel yang paling kurang teliti.4 37.3 70. Ketelitian itu mungkin ada akibatnya dalam kesalahan ramalan atau residu.4 74.5 76.7 45.428 595 X 175 174 173 172 171 170 169 168 167 166 Y 82.057 143 X – 277.2 66.8 49.

Jika hasil perhitungan JK kita masukkan dalam tabel ringkasan analisis varians. untuk menguji signifikansi garis regresinya perlu dilakukan analisis variansi terhadap garis regresi tersebut.432 ∑XY = 102. maka garis regresinya tidak akan memberikan landasan untuk prediksi secara efisien. Analisis Varians Garis Regresi Sebelum kita melanjutkan pembicaraan mengenai analisis regresi dengan dua prediktor atau lebih. jika harga F . dalam analisis garis regresi. Sebab besarnya korelasi antara prediktor dengan kriterium telah diketemukan. Makin besar harga RK residu akan makin kecil harga F regresi. Jadi bilangan –F regresi diperoleh dari membandingkan (nisbah) RK regresi dengan RK residu.9. uji signifikansinya sudah dijalankan. Walaupun analisis variansi garis regresi lebih efektif untuk menganalisis garis regresi dengan beberapa prediktor. pekerjaan “analisis regresi” seperti yang sudah kita kerjakan boleh dikatakan selesai.268 Dalam analisis variansi perhitungan yang paling banyak harus dilakukan adalah perhitungan mengenai jumlah Kuadrat JK (Jumlah Kuadrat).732 K = . namun sebagai dasar pemahaman marilah kita coba menganalisis data satu prediktor dalam contoh di depan. Akan tetapi. Apa yang disebut analisis regresi sebenarnya adalah analisis variansi terhadap garis regresi. dengan maksud untuk menguji signifikansi garis regresi yang bersangkutan. Metode Skor Kasar : Dari data yang telah dikomputasi kita ketahui : ∑Y = 620 N = 10 a =2 ∑Y2 = 39. Jika suatu prediksi hanya menggunakan satu ubahan prediktor seperti contoh ditas. maka perhitungan rerata Kuadrat RK dan F-nya tidak akan banyak menghadapi kesulitan. Untuk analisis regresi bilangan – F diperoleh dari rumus : F reg = RK RK reg res Dalam mana Freg = Harga bilangan – F untuk garis regresi. ada baiknya kita membicarakan dulu apa yang sesungguhnya disebut analisis regresi. dan garis regresinya telah dibuat. Dari analisis regresi kita akan menghasilkan bilangan –F sebagaimana halnya jika kita mengadakan analisis variansi. RKreg = Rerata Kuadrat garis regresi. Maka. dan RKres = Rerata Kuadrat residu.2.STATISTIKA 75 . Tata kerja itu akan kita tempuh juga dalam percobaan kita menerapkan rumus-rumus analisis variansi ini. jika dalam prediksi digunakan beberapa prediktor. Samsudi . RK residu RK “error” memang mempunyai cirri semacam itu: dalam perhitungan nisbah – F harga bilangan –F akan sangat ditentukan oleh harga RK “error” nya.regresi sangat kecil dan tidak signifikan .

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 .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 .432 − 6202 = 992 10 6202 = 864 10 JKreg = 2(102.STATISTIKA 76 .JKT = 39.

91 - Freg 68.STATISTIKA ∑y2 = 992 N = 10 77 .84 - p < 0.(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 54.69 120 = 992 − 888.69 12.69 103.946 Samsudi .01 - Telah kita ketemukan : r= 0.00 p < 0.31 992 RK 888.01 - 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 = 103.31 Sumber Variasi Regresi(reg) Residu (res) Total ( T ) Melalui rxy : db 1 8 9 JK 888.

dengan metode manapun hasilnya akan sama saja. Metode skor kasar dapat juga kita coba sebagian untuk mengetahui sekedar cara-cara menghitungnya. Dua harga F yabf terakhir boleh dikatakan sama.STATISTIKA 78 . Seharusnya.24 992 RK 887. yang kedua F= 68. akan kita coba bagaimana menyelesaikan anlaisis regresi dengan dua prediktor lebih dahulu.JKT = 992 JK reg = (0.13. maka dalam contoh analisis di bawah ini akan digunakan saja metode skor deviasi. 26 = 1 TABEL RINGKASAN Sumber Variasi Regresi(reg) Residu (res) Total ( T ) db 1 8 9 JK 887.76 2 dbT = 10 − 1 = 9 dbreg = 1 dbres = 9 − 1 = 8 JK reg = 992 − 887 .00.03 Freg 68. 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).13 p < 0. Analisis Regresi: Dua Prediktor Prinsip-prinsip untuk memprediksi kriterium dari satu prediktor berlaku juga untuk memprediksi kriterium dari dua prediktor atau lebih.76 104. tetapi harga F dari perhitungan yang pertama ternyata sangat rendah.946) (992) = 887. Perbedaan itu disebabkan karena ketelitian perhitungan.76 13. 9. dan yang ketiga F = 68.84. Dengan sedikit memperluas perhitungannya .3.01 - Dari tiga perhitungan tersebut kita memperoleh harga F regresi yang berbedabeda : yang pertama F = 54. Untuk itu peneliti tersebut misalkan telah mengumpulkan data sebagai berikut: Samsudi . apa tidak.

17 Y 27 34 27 24 35 18 33 39 35 25 Dengan kalkulator kita akan menghasilkan perhitungan N = 10 2 ∑X 1 = 41. 05 ∑ = ∑ − ∑ N = 85 .199 − 10 = 378 .20 2.214 ∑X1 = 596 ∑X2 = 29.74 2.53 3.62 2.56345 ( y) 297 ∑ y = ∑ y − ∑N = 9 . ∑ 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 .61 ∑ X X = ∑ X X − ∑ ∑ = 1.692 .787 ∑X2Y = 867.05)(297 ) = 4.75 − ∑ 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. 1 2 3 4 5 6 7 8 9 10 X1 57 93 79 26 69 24 76 61 82 29 X2 3. No.00 2. 4 ( X ) 29 .765.199 ∑X1X2 = 1.8 10 (1).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.STATISTIKA 79 .787 − (596)(297 ) = 1.05) = 34.07 2.05 ∑X 2 = 85.765.9537 − 10 = 1.49 3.1 ( X )( X ) (596)(29.Mhs.99 ∑X1Y = 18.85 3.9537 2 ∑Y = 297 ∑Y2 = 9.965 =867.75 Jika hasil perhitungan itu kita ubah dalam skor deviasi maka akan kita peroleh : ( X) 596 ∑ = ∑ − ∑N = 41 .38 3.085. ∑x (2).214 − 10 = 5 .

Y = (0.196 766 52 = 142. 136 940 74 a1+ a2 – (4) = 28. Koefisien korelasi antara kriterium Y dengan prediktor X1 dan prediktor X2 dapat diperoleh dari rumus : Samsudi .17569919 = (22.6 X1 = 10 29.7 = 0.198100375 a2 = −1.198100375) + a2 = 4.6 ) + (− 1.198100375)( X 1 − 59.7 Y = 0.209667071X 2 + 21.13694074 )(0.335755 (4) 3. 61 = 31.209667071 Jadi.385336261 = −1.80678235 − 1.STATISTIKA 80 . (2).56345 = 3.Diisikan dan dikerjakan (1). 1.19676652 a1 = = 0.563 45 a2 .905 X2 = 10 297 = 29.61 a2 4.2 X 2 + 21.2095667071 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 = 59.8 = 53692.905) + 29.209667071)( X 2 − 2.4 a1 + 34.2 X 1 − 1. (1) (2) (3) 1.514082841 + 29.209667071X 2 + 3.198100375 X 1−11. 34.385336261 + a2 a2 = 3. 335 755 a1 28.965 = 34.085.61 a1 + 1.7 Y= 10 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.175 669 19 = 22.198100375 X 1 − 1. 472 695 7 a1+ a2 .17566919 − 4.05 = 2.40730049 Jika dibulatkan : Y = 0.198100375 142.372 435 71 = 164.

74 jadi.330 itu tidak signifikan.553055527 )(10 − 2 − 1) = 4.553005527 ) Dengan db = m lawan N-m-1 atau 2 lawan 7 harga Ft5% = 4.8 ) + (− 1.744 Dan R2y(1. analisis regresi tidak lain adalah analisis regresi. jika koefisien korelasi antara kriterium dengan prediktor-prediktorny a telah diketemukan. tidak ada korelasi antara Y dengan X1 dan X. Rumus F yang paling efisien. Derajat kebebasan atau db untuk menguji harga F itu adalah m lawan N – m – 1. analisis regresi tidak lain adalah analisis harga F si garis regresi. Diisikan : F reg = (0 . 2 ) = 378 . 209667071 )(4.2) = 0.2) = 0. yang kemudian dapat kita uji apakah harga F itu signifikan ataukah tidak.R y (1. Dari analisis ini kita akan menemukan harga F garis regresi. 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. jika demikian.553005527 Dalam perhitungan tersebut sekaligus dicari harga R2y(1.STATISTIKA 81 .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 : (0.744 itu signifikan apa tidak.2) oleh karena dalam analisis regresi nanti yang kita pakai adalah harga R2y(1. atau antara nilai statistika Dasar dengan nilai Pretest Samsudi .743643414 Jadi Ry(1.74 2 (1 − 0 .2) = 0. Seperti sudah kita kenal. 2 ) = a 1Σ x1 y + a 2 Σ x 2 y Σy 2 ∑x1y ∑x2y ∑y2 RY(1.085 .2) Untuk menjawab pertanyaan.965 ) R y (1.553005527 = 0.330 < 4. harga Freg sebesar 4.198100375 )(1 . apakah harga Ry(1.1 = 0. Kita menyimpulkan.

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

STATISTIKA 86 . 1 2 3 4 5 6 7 8 9 10 Tinggi (dalam cm) X. Samsudi . No. dan gunakan table rangkuman analisis regresi. Jika suatu penelitian ingin menguji apakah berat badan orang pada kelompok umur tertentu dapat diramalkan dari tinggi badan. Untuk itu peneliti tersebut telah mengumpulkan data sebagai berikut : Mhs. 2. 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%. dan gunakan table rangkuman analisis regresi. 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.Soal Latihan 1. Dalam penelitian itu dikumpulkan data tinggi badan dan berat badan sepuluh orang sebagai berikut : Subyek No. 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%.

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

Sign up to vote on this title
UsefulNot useful