You are on page 1of 192

Program S2 Teknik Sipil, Unhas

Prinsip-prinsip
STATISTIK
untuk
Penelitian

Arsyad Thaha

Bab 1

Pendahuluan

Statistik

 Secara umum, statistik adalah metode ilmiah
dalam mengumpulkan, menyajikan,
menginterpretasikan, dan menganalisa data
untuk mendukung keputusan masuk akal.
 Secara khusus, statistik adalah data itu sendiri
atau fakta angka yang dihasilkan data tersebut,
yang menggambarkan karakteristik tertentu

KEGUNAAN STATISTIK  Statistik hanyalah alat yang membantu peneliti untuk memudahkan memahami dan memberikan makna dari data penelitian yang diperoleh  tugas peneliti untuk memberikan interpretasi terhadap data yang diperoleh dan membahasnya lebih lanjut secara lebih mendalam dan komprehensif berdasarkan teori-teori yang mendukung serta fakta yang terjadi di lapangan.  pada ruang ‘interpretasi hasil analisis data ’ inilah karya monumental seorang peneliti diperoleh .

grafik. korelasi. regresi. dll  Alat untuk analisis data  uji hipotesis : t- test. tabel. Peran Statistik dalam Penelitian  Alat untuk menghitung besarnya anggota sampel  teknik sampling  Alat uji validitas dan reliabilitas instrumen  Alat untuk menyajikan data : gambar. dll . anova. diagram.

PROSEDUR PENELITIAN Peran Konstruksi Statisti Teori k Generalisasi dengan Hubungan Parameter Tak Berdimensi Penyajian Hasil Interpretasi Hasil .

objek.Terminologi Penting  Populasi: Kumpulan keseluruhan pengukuran. atau individu yang dikaji  Sampel: Subset dari populasi  Parameter: Bilangan yang menggambarkan karakteristik populasi  Statistik: Bilangan yang menggambarkan karakteristik sampel  Variabel: Simbol bernilai sembarang dari sekumpulan nilai yang ditentukan (domain) .

maka “170” adalah sebuah parameter .Contoh Terminologi dalam Praktik  Populasi yang dapat diteliti dalam penelitian profil fisik mahasiswa suatu perguruan tinggi antara lain populasi tinggi badan dan populasi berat badan mahasiswa dari masing-masing fakultas  Digunakan sampel masing-masing 25 orang dari tiap-tiap fakultas  Misalnya dalam pengukuran tinggi badan populasi mahasiswa tersebut didapatkan mean 170 cm.

1.2 atau 50. tergantung keakuratan pengukurannya . 50.5 atau 3.23 dst.Contoh Variabel  Variabel N yang menyatakan jumlah anak dalam sebuah keluarga adalah sebuah variabel diskrit karena hanya bisa bernilai 0. 2.)  Variabel r yang menyatakan radius sebuah ban mobil adalah sebuah variabel kontinu karena bisa bernilai (dalam cm) 50. … dst.. (tidak bisa 2.25 dst.

Analisis statistik  untuk data kuantitatif. analisis statistik lebih tepat digunakan  statistik deskriptif dan statistik inferensial  Statistik deskriptif digunakan untuk membantu memaparkan (menggambarkan) keadaan yang sebenarnya (fakta) dari satu sampel penelitian  penelitian deskriptif  Penelitian deskriptif tidak untuk menguji suatu hipotesis. . yaitu data yang berupa angka atau bisa diangkakan.

Statistik Deskriptif dan Inferensial  Statistik deskriptif adalah tahapan statistik yang meliputi suatu kelompok terbatas tanpa menganalisis dan menarik kesimpulan yang bisa berlaku untuk kelompok yang lebih luas  Statistik inferensial adalah pengambilan kesimpulan atas parameter populasi berdasarkan informasi dari statistik sampel .

teknik analisis statistik yang digunakan mengacu kepada suatu pengujian hipotesis . Statistika inferensial  digunakan untuk mengolah data kuantitatif dengan tujuan untuk menguji kebenaran suatu teori baru yang diajukan peneliti yang dikenal dengan hipotesis  penelitian inferensial  Dalam penelitian inferensial.

Fase-fase Deskriptif dan Inferensial  Gambar1.2 .

maka berat rata-rata 1000 kontainer yang harus dikapalkan dapat diperkirakan antara 6.1 ton.Contoh Statistik Deskriptif dan Inferensial  Berat rata-rata 25 sampel dari kontainer kapal adalah 7.9 sampai 7.5 mg/jam .3 ton  Seorang analis kimia dapat memperkirakan kemungkinan suatu logam terlapis memiliki laju korosi 10 mg/jam berdasarkan tes. uji. atau pengukuran atas 20 sampel yang menunjukkan laju korosi 9.

dan pengendalian mutu . analisis eksperimen teknik.Statistik dan Bidang Teknik  Peranan statistik terutama untuk menggambarkan hubungan antar variabel dan sebagai alat bantu pengambilan keputusan  Penerapannya antara lain sebagai pencegah kegagalan desain.

Data pendapatan dan biaya dari kedua periode dapat diringkas secara deskriptf.Contoh Penggambaran Hubungan Antar Variabel  Konsultan manajemen industri berat membandingkan laba kliennya tahun ini sesuai dengan angka-angka tahun lalu. kemudian disajikan sebagai rekomendasi kepada kliennya  Jawatan kesehatan publik meneliti hubungan asap rokok yang terhirup oleh orang di sekitar terhadap peningkatan penyakit asma memakai teknik korelasi terhadap data berjumlah besar .

Contoh Pengambilan Keputusan  Insinyur dari bagian kendali mutu mengetahui adanya variasi mutu dari produk penyemprot cat otomatisnya. Sampling dan uji acak pada jalur yang berproduksi dapat membantu kesimpulan yang terpercaya tentang kualitas alat itu . Variasi kecepatan dan pola semprot ini dapat ditolerir dalam batas satu persen.

000 sampai 115.000 psi menyadari nilai itu tidak eksak tapi mewakili kisaran tertentu (misalnya 85.000 psi). Tegangan maksimum bahan yang tidak pasti itu dapat dicari probabilitasnya dalam kisaran tersebut memakai teknik statistik .Contoh Pencegahan Kegagalan  Perancang elemen mesin yang akan memakai baja jenis SAE 4340 dengan standar tegangan maksimum 100. Kekuatan pasti elemen mesin itu hanya dapat dipastikan melalui uji rusak.

kemudian nilai itu menetapkan “batas-batas kendali”. Pengukuran as atau sampling yang memadai diplot ke “diagram kendali” sehingga perubahan-perubahan yang berangsur-angsur seperti keausan alat/perkakas atau yang tiba- tiba seperti slip setting dapat dideteksi lalu diperbaiki tepat waktu .Contoh Pengendalian Mutu  Mesin bubut otomatis memproduksi as yang statistik diameternya dikaji berkala dengan tujuan mendapatkan nilai variabilitas normal.

5 .Contoh Pengendalian Mutu  Gambar1.

Metode Pemecahan Masalah  Identifikasi masalah  Pengumpulan fakta-fakta atau pengambilan data baru (alat bantu dan sampel)  Klasifikasi dan ringkasan data  Penyajian dan analisis data  Pengambilan keputusan .

systematic probability sample.Metode Sampling  Judgment sample berdasarkan keahlian seseorang atas populasi  Probability sample antara lain simple random probability sample. dan cluster probability sample . stratified probability sample.

Metode Pemecahan Masalah  Gambar1.6 .

Bab 2 Statistik Deskriptif .

data kuantitatif kontinu interval.Jenis Data  Data kuantitatif diskrit. dan data kuantitatif kontinu rasio adalah jenis data yang berupa bilangan  Data kualitatif nominal dan data kualitatif ordinal adalah jenis data bukan berupa bilangan .

Klasifikasi Data .

Satuan Pengamatan & Karakteristiknya .

serta interpretasi dan komunikasi fakta-fakta numerik .Perlakuan Data  Data mentah yang terkumpul diorganisasikan secara numerik menjadi jajaran (array) data  Data ringkas disajikan dalam tabel dan diagram statistik untuk penyingkapan hubungan- hubungan antar variabel.

2 Statistik .Berbagai Bentuk Diagram  Gambar2.

Distribusi Frekuensi  Adalah susunan data yang berasal dari pengelompokan jajaran data menjadi kelas- kelas yang berisi sejumlah tertentu (frekuensi) data  Frekuensi kelas berbentuk persentase disebut distribusi frekuensi relatif  Data dari distribusi frekuensi disebut data terkelompok .

Komponen Distribusi Frekuensi  Interval tertutup/terbuka  Batas atas  Batas bawah  Batas nyata  Lebar interval  Nilai tengah kelas .

tergantung jumlah data. dan kepentingan analisis  Lebar interval sama  Menghindari interval terbuka  Nilai tengah sesuai dengan nilai konsentrasi dari data aktual . tujuan penyusunan.Pertimbangan Penyusunan  Interval kelas harus mengikutsertakan semua data dan tidak tumpang tindih  Jumlah interval antara 5 sampai 20.

disebut kurva frekuensi .Presentasi Grafik  Distribusi frekuensi digambarkan dengan histogram (grafik batang) atau poligon frekuensi (grafik garis dari nilai tengah)  Distribusi frekuensi kumulatif (untuk mengetahui jumlah data di atas/lebih atau bawah/kurang dari nilai tertentu) digambarkan dengan ogive  Data kontinu dengan interval kecil namun jumlah data besar digambarkan dengan poligon frekuensi atau ogive yang dimuluskan.

7 .Bentuk-bentuk Kurva Frekuensi  Gambar2.

harmonik.Ukuran Pemusatan (Tendensi Sentral)  Data cenderung terpusat di sekitar nilai tertentu  Rata-rata (mean-mean aritmetik. geometrik. desil. dan persentil): Nilai-nilai yang membagi suatu jajaran data menjadi bagian-bagian yang sama . dan kuadratik atau root mean square): Sifat tengah atau posisi pusat kumpulan nilai  Median: Posisi tengah dari nilai data terjajar  Modus: Nilai yang paling sering muncul  Kuantil (kuartil. aritmetik terbobot.

varians (kuadrat dari deviasi standar). simpangan mutlak mean (penyimpangan nilai terhadap mean). deviasi standar atau simpangan baku.Ukuran Penyebaran/Dispersi  Menunjukkan seberapa jauh data menyebar dari nilai rata-ratanya (variabilitas data)  Terdiri dari jangkauan/kisaran/range (selisih nilai terbesar dan terkecil). jangkauan persentil 10-90 (selisih nilai persentil ke-90 dan ke-10). dan koefisien variasi (dispersi relatif) . simpangan kuartil (jangkauan semi-antarkuartil).

Skewness. pengkodean momen data terkelompok. dan Kurtosis  Momen: Untuk data terkelompok dan tidak. dan momen tak berdimensi  Skewness: Derajat ketidaksimetrian atau penyimpangan dari kesimetrian suatu distribusi  Kurtosis: Derajat keruncingan atau kelandaian dari distribusi relatif terhadap distribusi normal .Momen.

9 .Jenis Kurva menurut Kurtosisnya  Gambar2.

Contoh Soal  Distribusi frekuensi dari waktu diam (idle) perbulan 70 buah mesin produksi dalam suatu pabrik ditunjukkan oleh tabel pada halaman berikut  Interval kelas ke-6 dan ke-7 lebarnya tidak sama dengan interval kelas lainnya  Terlihat bahwa histogramnya digambarkan dengan penyesuaian tinggi batang interval kelas ke-6 dan ke-7 sedemikian sehingga luas batang tetap proporsional terhadap frekuensinya .

4 .Contoh Soal  Gambar2.

Bab 3 Konsep Dasar Probabilitas .

frekuensi relatif. atau ukuran  Ruang Sampel (S): Himpunan yang memuat seluruh kemungkinan dari eksperimen tersebut  Peristiwa/Kejadian (Event): Himpunan bagian dari ruang sampel  Probabilitas: Bilangan antara 0 dan 1 yang berkaitan dengan peristiwa tertentu  Definisi probabilitas terdiri dari definisi-definisi klasik.Konsep dan Definisi Dasar  Eksperimen Probabilitas: Kegiatan memperoleh hasil/keluaran. tanggapan. dan subjektif/intuitif .

Diagram Venn dari Probabilitas  Gambar3.1 .

Probabilitas Peristiwa Majemuk  Probabilitas Bersyarat: Probabilitas dari suatu peristiwa yang terjadi setelah peristiwa lain terjadi  Peristiwa Saling Bebas (Independen): Terjadinya peristiwa A tidak mempengaruhi probabilitas terjadinya peristiwa B  Peristiwa Mutually Exclusive (Saling Meniadakan): Terjadinya satu peristiwa mencegah terjadinya peristiwa yang lain. dalam satu eksperimen probabilitas yang sama .

Ruang Sampel dari Probabilitas Bersyarat  Gambar3.2 .

Peristiwa Mutually Exclusive  Gambar3.4 .

mengenai peristiwa mutually exclusive dan exhaustive (setiap peristiwa memiliki keluaran berbeda dan semua keluaran itu termasuk di dalam ruang sampel) .Hukum-hukum dan Formulasi  Terdiri dari hukum-hukum perkalian dan penjumlahan  Probabilitas Gabungan/Joint: Probabilitas terjadinya seluruh peristiwa yang saling bebas  Formulasi Bayes: Pengembangan dari probabilitas bersyarat dan aturan umum perkalian.

memiliki jumlah cara terjadi yang mungkin sebanyak n1n2  Pemilihan r objek dari n objek berbeda dapat disusun menurut urutan (permutasi) atau tidak (kombinasi) .Teknik Enumerasi (Pencacahan)  Pohon Probabilitas: Alat bantu grafis untuk mengevaluasi probabilitas eksperimen berulang  Analisis Kombinatorial: Suatu peristiwa. sementara satu cara itu sendiri dapat terjadi dengan n2 cara. yang dapat terjadi sesuai dengan salah satu cara dari n1 cara.

9 .Pohon Probabilitas  Gambar3.

90% disebabkan prosesor dan 10% sebab lain  Saat sistem berfungsi baik. 99% prosesor kondisinya baik dan hanya 1% sistem tetap berfungsi dengan prosesor rusak  Pohon probabilitasnya pada halaman berikut. dan B2 = prosesor baik . A2 = sistem baik.Contoh Soal Pohon Probabilitas  Prosesor pengindra posisi menjadi bagian sistem navigasi pesawat  Sistem gagal berfungsi setiap 200 penerbangan  Saat sistem gagal berfungsi. B1 = prosesor rusak. dengan A1 = sistem gagal.

10 .Contoh Soal Pohon Probabilitas  Gambar3.

Bab 4 Distribusi Probabilitas .

diperoleh dari pengukuran .Variabel Acak  Variabel acak memiliki sebuah nilai numerik tunggal untuk sembarang keluaran dari eksperimen probabilitas  Variabel acak dilambangkan dengan X  Variabel acak diskrit memiliki nilai yang dapat dicacah (countable)  Variabel acak kontinu memiliki nilai tak terhingga sepanjang sebuah interval tak terputus.

Distribusi Probabilitas  Distribusi probabilitas diskrit memiliki fungsi probabilitas (probabilitas X menyandang nilai x) dan fungsi distribusi kumulatif (cdf)  Distribusi probabilitas kontinu memiliki fungsi kepadatan/density probabilitas (pdf) dan fungsi distribusi kumulatif  Distribusi probabilitas bisa tergantung pada satu kuantitas bernilai sembarang yang disebut parameter distribusi  Nilai harapan matematis adalah mean variabel .

Menampilkan Distribusi Probabilitas  Fungsi probabilitas ditampilkan dengan grafik batang  Fungsi distribusi kumulatif (cdf) ditampilkan dengan grafik tangga/step  Fungsi kepadatan/density probabilitas (pdf) ditampilkan dengan poligon frekuensi relatif yang dimuluskan  Histogram probabilitas menampilkan distribusi probabilitas sebuah variabel acak kontinu .

1 .Grafik Batang dari Fungsi Probabilitas  Gambar4.

2 .Grafik Tangga dari Fungsi Probabilitas Kumulatif  Gambar4.

Poligon Frekuensi Relatif
dari Fungsi Kepadatan Probabilitas
 Gambar4.3

Histogram Probabilitas
 Gambar4.7

Bab 5

Distribusi Teoretis
Variabel Acak Diskrit

Distribusi Probabilitas Teoretis Variabel Acak Diskrit  Distribusi Bernoulli: Dibentuk oleh percobaan Bernoulli. keluarannya “sukses” (p) atau “gagal” (q = 1 .p)  Distribusi Binomial: Dibentuk oleh eksperimen binomial (n kali percobaan Bernoulli)  Distribusi Binomial Negatif memiliki jumlah sukses tertentu dan jumlah percobaan acak  Distribusi Geometrik: Dibentuk oleh eksperimen binomial negatif yang dilakukan sampai sukses pertama tercapai (r = 1) .

1 .Distribusi Probabilitas Bernoulli  Gambar5.

2 .Fungsi Probabilitas Binomial  Gambar5.

dan sampel berukuran n (dari setiap himpunan bagian berukuran n) dapat dipilih dari s populasi tanpa pergantian  Distribusi Poisson: Mengamati jumlah kejadian- kejadian khusus yang terjadi dalam satu satuan waktu atau ruang .Distribusi Probabilitas Teoretis Variabel Acak Diskrit (Lanjutan)  Distribusi Hipergeometrik: Dibentuk oleh eksperimen dengan kondisi populasi berukuran N. setiap anggota populasi dapat sukses atau gagal dan ada M sukses dalam populasi (p = M/N).

Distribusi Probabilitas Poisson  Gambar5.5 .

Contoh Eksperimen Poisson  Penghitungan jumlah klaim asuransi kecelakaan mobil atas satu perusahaan asuransi per tahun  Penghitungan jumlah panggilan telepon masuk tiap menit di kantor pelayanan darurat jalan tol  Penjumlahan bagian rusak per 3000 meter pita pada jalur manufaktur pita magnetik .

Bab 6 Distribusi Teoretis Variabel Acak Kontinu .

dapat disederhanakan sebagai distribusi normal standar  Distribusi Gamma: Digunakan untuk distribusi yang variasi ukuran kemencengannya signifikan  Distribusi Eksponensial: Kasus khusus dari distribusi gamma. dipakai dalam bidang teknik dan sains .Distribusi Probabilitas Teoretis Variabel Acak Kontinu  Distribusi Normal (Gauss): Distribusi yang paling penting dalam teori dan aplikasi statistik.

4 .Distribusi Normal dan Standar  Gambar6.

6 .Kurva Pdf Distribusi Gamma  Gambar6.

Kurva Pdf Distribusi Eksponensial  Gambar6.7 .

dipakai dalam prosedur statistik inferensial  Distribusi Weibull: Dipakai memodelkan “waktu sampai kegagalan” (time to failure)  Distribusi Lognormal: Dipakai di bidang teknik sebagai model dari berbagai sifat material .Distribusi Probabilitas Teoretis Variabel Acak Kontinu (Lanjutan)  Distribusi Chi-kuadrat: Juga kasus khusus dari distribusi gamma.

8 .Kurva Pdf Distribusi Chi-kuadrat  Gambar6.

9 .Kurva Pdf Distribusi Weibull  Gambar6.

Kurva Pdf Distribusi Lognormal  Gambar6.10 .

Bab 7 Distribusi Sampling .

setiap anggota populasi memiliki kesempatan yang setara untuk dipilih sebagai sampel  Sampling dengan penggantian dapat memilih masing-masing anggota populasi lebih dari sekali  Distribusi sampling adalah distribusi nilai statistik sampel .Pengertian dan Konsep Dasar  Populasi terhingga memiliki jumlah keseluruhan anggota tetap dan terdaftar  Dalam sampling acak (random).

Distribusi Sampling  Gambar7.1 .

pernyataan ini disebut teorema limit pusat .Distribusi Mean Sampling  Adalah distribusi mean aritmetika dari seluruh sampel acak berukuran n yang mungkin dipilih dari suatu populasi  Deviasi standarnya disebut error standar mean  Populasi terdistribusi normal memiliki distribusi mean sampling normal pula  Populasi tidak terdistribusi normal dengan sampel besar (> 30) memiliki distribusi mean sampling mendekati distribusi normal.

4 .Teorema Limit Pusat  Gambar7.

Distribusi Proporsi Sampling  Adalah distribusi proporsi dari semua sampel acak berukuran n yang dapat dipilih dari suatu populasi  Proporsi adalah variabel diskrit yang populasinya mengikuti distribusi normal  Jika nilai n besar (> 30). distribusi proporsi sampling mendekati distribusi normal .

distribusi perbedaan dan penjumlahan dari mean atau proporsi sampling mendekati distribusi normal .Distribusi Perbedaan dan Penjumlahan Sampling  Distribusi perbedaan dan penjumlahan sampling diperoleh dari seluruh kemungkinan kombinasi sampel dari dua populasi yang berbeda  Jika masing-masing sampel dari kedua populasi tersebut jumlahnya besar (> 30).

Contoh Soal  Bagian pengendalian mutu pabrik disket memeriksa jumlah disket cacat dengan memilih 10 disket per lot produksi yang berisi 1000 disket. Kurun waktu survei tidak dibatasi sehingga populasi yang dikaji tak terhingga. karena dari waktu ke waktu merek dan tipe telepon genggam terus bertambah . Kasus ini mengkaji populasi terhingga  Seorang mahasiswa mengadakan survei merek dan tipe telepon genggam yang digemari konsumen.

Bab 8 Estimasi .

Estimator  Estimator: Statistik (mean. dan lainnya) yang dipakai mengestimasi parameter  Estimator tak-bias menghasilkan distribusi sampling dengan mean sama dengan parameter populasi yang diestimasi  Estimator Terbaik: Estimator tak-bias dengan varians terkecil (MVUE – Minimum Variance Unbiased Estimator) . persentase.

Kurva Pdf Estimator  Gambar8.1 .

persentase. atau varians sampel)  Estimate Titik: Suatu nilai tunggal yang dianggap masuk akal bagi parameter  Estimate Interval: Sebaran nilai yang mengestimasi parameter .Estimasi dan Estimate  Estimasi: Proses memakai estimator untuk memperoleh estimate atas parameter  Estimate (hasil estimasi): Nilai spesifik atau kuantitas statistik (mean.

Estimasi Interval Mean Populasi  Distribusi mean sampel dengan ukuran besar (>30) mendekati distribusi normal. dan mencakup 95.46 persen mean sampel yang mungkin  Tingkat Kepercayaan: Probabilitas tercakupnya parameter di dalam interval estimate  Interval Kepercayaan: Interval estimate berdasarkan tingkat kepercayaan tertentu  Batas Kepercayaan: Batas atas dan bawah dari interval kepercayaan . meannya sama dengan mean populasi.

4 .Estimasi Mean Populasi  Gambar8.

9 .Estimasi Proporsi Populasi  Gambar8.

Estimasi Varians Populasi  Estimasi varians populasi dipakai untuk mengetahui jauhnya sebaran nilai parameter agar dapat dikendalikan  Varians populasi diestimasi dengan varians sampel berukuran n  Populasi terdistribusi normal akan membentuk distribusi varians sampling chi-kuadrat .

Penentuan Ukuran Sampel  Tingkat keakuratan estimate sering harus ditentukan sebelum pengambilan sampel  Kesalahan (error) sampling dikendalikan dengan memilih sampel berukuran memadai  Nilai deviasi standar populasi perlu diasumsikan sebelum penentuan ukuran sampel dalam estimasi interval  Nilai proporsi populasi perlu diasumsikan (biasanya 50) sebelum penentuan ukuran sampel dalam estimasi proporsi populasi .

Penentuan Ukuran Sampel pada Estimasi Mean Populasi  Gambar8.12 .

Penentuan Ukuran Sampel pada Estimasi Proporsi Populasi  Gambar8.13 .

Ini adalah estimasi titik dengan estimator berupa statistik mean sampel untuk mengestimasi parameter mean populasi dan nilai sampil $800 sebagai estimate-estimate nilai populasi .Contoh Soal  Pabrik ban “Stonebridge” akan mengestimasi penjualan rata-rata per hari. Sampel harian yang dikumpulkan menghasilkan rata-rata $800.

Bab 9 Uji Hipotesis Sampel Tunggal .

Hipotesis dan Pengujiannya  Hipotesis Statistik: Asumsi atau perkiraan tentang populasi. yang mungkin benar atau salah. Secara umum menyatakan distribusi probabilitas populasi  Dua Jenis Kesalahan Uji Hipotesis: Tipe 1 (menolak hipotesis yang harusnya diterima) dan tipe 2 (menerima hipotesis yang harusnya ditolak) .

 Peneliti tdk boleh mempunyai keinginan kuat agar hipotesisnya terbukti.  Hipotesis adalah kontrol atas keseluruhan langkah penelitian.  Hipotesis harus dapat diuji dan variabel-variabel operasionalnya dapat diukur.  Tidak semua jenis penelitian harus melalui langkah perumusan hipotesis  Peneliti tdk harus membuktikan hipotesisnya tetapi mengumpulkan data dan fakta yang mendukung atau menolaknya. Hipotesis  Pernyataan tentatif tentang perkiraan hasil penelitian yang disusun berdasarkan penalaran deduktif dan/atau induktif. .

Langkah-langkah pokok dalam pengujian hipotesis :  membuat asumsi  kondisi apa yang dapat “diterima “ oleh peneliti  menentukan statistik uji  Memilih suatu tingkat Signifikansi  Menghitung harga statistik uji  Membuat keputusan uji (diterima / ditolak) .

Prosedur Uji Hipotesis  Gambar9.2 .

Prosedur Uji Hipotesis  Menyatakan hipotesis nol (asumsi yang diuji. atau chi-kuadrat) . t. bahwa suatu parameter bernilai sama dengan nilai tertentu) dan hipotesis alternatif (semua asumsi yang menolak hipotesis nol)  Memilih tingkat kepentingan (significance) yang menunjukkan probabilitas maksimum terjadinya kesalahan tipe 1  Menentukan distribusi uji (distribusi probabilitas teoretis normal.

Prosedur Uji Hipotesis (Lanjutan)

 Mendefinisikan daerah penolakan/kritis, yaitu
daerah yang tak mungkin memuat statistik
sampel jika hipotesis nol benar.
 Menyatakan aturan keputusan, umumnya: “Tolak
hipotesis nol jika perbedaan yang ditentukan
berada dalam daerah kritis. Jika sebaliknya,
terima hipotesis nol”
 Menghitung data sampel dan rasio uji (rasio
antara statistik dan parameter asumsi)
 Mengambil keputusan statistik

Daerah Penerimaan dan Penolakan
dengan Tingkat Kepentingan 0,05
 Gambar9.1

Uji Hipotesis Sampel Tunggal

 Uji hipotesis mean terdiri dari uji dua-ujung atau
satu-ujung (ujung-kiri atau ujung-kanan).
 Uji hipotesis persentase memiliki prosedur sama
dengan uji hipotesis mean tapi dengan rumus
RU berbeda
 Uji hipotesis varians memakai distribusi chi-
kuadrat, maka uji ini memiliki rumus RU yang
berbeda juga

3 .Uji Dua-Ujung  Gambar9.

5 .Uji Satu-Ujung  Gambar9.

Nilai P  Nilai P dipakai untuk menunjukkan kekuatan bukti menerima/menolak hipotesis nol dan memungkinkan kesimpulan pada tingkat kepentingan manapun  Nilai P adalah nilai tingkat kepentingan minimum yang teramati untuk menolak hipotesis nol sesuai prosedur uji hipotesis yang dipakai  Nilai P diperoleh dengan menentukan nilai kepentingan yang sesuai dengan rasio uji hasil perhitungan .

7 .Nilai P  Gambar9.

μ = 120 . μ > 100.Contoh Soal  Dalam prosedur pengujian hipotesis atas mean dari populasi. pernyataan-pernyataan hipotesis nol “mean populasi sama dengan 100” dan hipotesi alternatif “mean populasi tidak sama dengan 100” secara umum dinotasikan H0 : μ = 100 dan H1 : μ ≠ 100. μ < 100.

Namun untuk meminimalkan kerusakan seandainya tiang tersebut tertabrak kendaraan. jelaskan bagaimanacara menentukan pengambilan keputusan dari uji hipotesis yang akan dilakukan? . Kontraktor lampu penerangan jalan sedang mempertimbangkan pembelian baut-baut untuk proyek barunya. Pertimbangannya adalah kekuatan baut harus mampu menyanggah tiang lampu berdiri tegak dalam kondisi tegangan normal. baut-baut itu harus patah pada tegangan benturan (impact stress) yang telah ditentukan. Soal Tugas A 1. Dari perhitungan diinginkan kemampuan baut adalah 5000 N dengan deviasi standard 800. Dengan menggunakan resiko kesalahan 10% dan mengambil sampel sebanyak 36 baut.

Soal Tugas A
2. Sejenis minyak aditif dikatakan oleh pembuatnya
mampu mengurangi pemakaian bahan bakar
mobil. Misalkan 13 mobil yang dipilih secara
acak diperiksa dengan memberikan 10 liter
bahan bakar dan aditifnya. Ternyata rata-rata
jarak tempuh sampai bahan bakar habis adalah
68 km, sedangkan pabrik minyak aditive telah
mengklaim bhw dengan menggunakan aditif ini,
jarak tempuhnya akan mencapai 75 km. Jika
deviasi standarnya 15 km, apakah kesimpulan
yang dapat ditarik mengenai klaim perusahaan
tersebut.

Bab 10

Uji Hipotesis
Sampel Ganda

Pendahuluan

 Uji hipotesis sampel ganda dipakai untuk
mengetahui apakah dua populasi yang diamati
memiliki karakteristik tertentu yang serupa atau
berbeda
 Uji ini harus memenuhi dua asumsi, yaitu data
sampel dari kedua populasi terdistribusi normal
dan sumber data masing-masing populasi saling
independen

dengan distribusi F  Distribusi F adalah distribusi sampling untuk rasio varians sampel dengan semua nilai F > 10. bentuknya tidak simetris dan tergantung jumlah sampel dan pengamatannya  Nilai-nilai distribusi F ditentukan melalui tingkat kepentingan dan derajat kebebasan dari sampel pembilang dan penyebut dalam rasio varians sampel .Uji Hipotesis Varians Sampel Ganda  Uji ini memakai langkah-langkah prosedur sampel tunggal.

1 .Distribusi F  Gambar10.

Uji Hipotesis Mean Sampel Ganda  Gambar10.3 .

Uji Hipotesis Persentase Sampel Ganda  Uji ini dipakai untuk mengetahui adanya perbedaan statistik yang signifikan antar persentase dari dua populasi  Dua asumsi yang harus dipenuhi yaitu kedua sampel diambil dari dua populasi saling independen dan sampel-sampel itu berukuran cukup besar .

Bab 11 Beberapa Analisis Inferensial Lainnya .

dan varians populasinya sama  ANOVA dapat menemukan perbedaan tapi tidak dapat menentukan populasi mana yang berbeda . sampel acak dan saling independen.Analisis Varians (ANOVA)  Analisis ini dipakai untuk mengetahui kesamaan mean dari tiga atau lebih populasi. memakai data sampel masing-masing populasi  ANOVA satu-faktor memiliki variabel sampel tunggal  Asumsi dasar validitas: Populasi terdistribusi normal.

1 .Hipotesis ANOVA  Gambar11.

Tabel ANOVA Satu-Faktor  Tabel11.1 .

ANOVA dalam Microsoft Excel  Gambar11.2 .

Uji Chi-Kuadrat  Banyak dipakai dalam uji keselarasan fungsi (goodness of fit) dan tabel kontingensi  Uji keselarasan fungsi menentukan keselarasan distribusi dari hasil-hasil percobaan atas sampel terhadap hipotesis dari distribusi populasi  Uji tabel kontingensi (independensi) menentukan klasifikasi silang atas data secara independen  Memakai tingkat kepentingan 0.05 .01 atau 0.

4 .Uji Chi-Kuadrat  Gambar11.

Bab 12

Regresi dan Korelasi
Linier Sederhana

Peramalan (Forecasting)

 Peramalan sering diperlukan sebelum
pengambilan keputusan
 Peramalan itu berkaitan dengan kemungkinan-
kemungkinan kejadian setelah suatu keputusan
diambil
 Peramalan lebih mudah dilakukan dengan
adanya hubungan/relasi antara variabel yang
diramal dan variabel yang diketahui/diantisipasi

Analisis Regresi

 Analisis ini mempelajari dan mengukur
hubungan statistik antar variabel
 Regresi sederhana mengkaji dua variabel,
regresi majemuk mengkaji lebih dari dua
variabel
 Persamaan regresi dipakai menggambarkan
pola/fungsi hubungan antar variabel
 Variabel yang diestimasi disebut variabel
terikat/respon, variabel yang mempengaruhinya
disebut variabel bebas/explanatory

Analisis Korelasi  Analisis ini mengukur “seberapa kuat” atau “derajat kedekatan” relasi antar variabel  Koefisien korelasi menggambarkan kekuatan atau kedekatan relasi antar variabel itu  Analisis korelasi dan regresi biasa dilakukan bersama-sama  Korelasi tidak menjelaskan hubungan sebab- akibat dan bukan merupakan nilai persentase .

dan semu (spurious)  Diagram pencar (scatter) berguna untuk memperlihatkan adanya relasi antar variabel yang berguna dan menentukan jenis persamaan yang menentukan hubungan tersebut .Relasi Logis dan Diagram Pencar  Relasi logis memiliki kemungkinan bentuk hubungan sebab akibat (cause-and-effect). akibat sebab sama (common-cause factor).

Diagram Pencar  Gambar12.1 .

Analisis Regresi Linier Sederhana  Persamaan umum garis regresi linier sederhana berbentuk persamaan garis lurus (pangkat satu)  Jumlah simpangan (deviasi) positif dari titik-titik yang tersebar di atas garis regresi sama dengan jumlah simpangan negatif dari titik-titik yang tersebar di bawahnya  Kuadrat simpangan-simpangan garis regresi mencapai nilai minimum (least square)  Metode ini disebut juga metode least square .

2 .Garis Regresi Linier Diagram Pencar  Gambar12.

Analisis Regresi Linier Sederhana (Lanjutan)  Derajat Ketergantungan (Dependability): Kekuatan hubungan antar variabel bebas dan terikat  Dua diagram pencar dengan persamaan garis regresi yang sama dapat memiliki kerapatan pencaran data yang berbeda  Standar Error Estimasi: Deviasi standar dari penyebaran nilai-nilai teramati di sekitar garis regresi .

4 .Variasi Pencaran Data  Gambar12.

Asumsi Dasar Inferensi Regresi  Populasi memiliki variabel X dan Y yang terhubung linier dan persamaan garisnya berpotongan dengan sumbu Y (A) dan memiliki kemiringan (B) yang tetap  Setiap X memiliki distribusi normal Y di sekitar garis regresi dalam diagram pencar populasi  Setiap distribusi Y memiliki deviasi standar yang sama (homoscedasticity)  Setiap Y dalam distribusi ini saling bebas .

Distribusi Normal Y  Gambar12.6 .

memakai standar error estimasi.Uji Relasi dan Interval Prediksi  Interpretasi persamaan garis regresi atas data sampel dapat menyesatkan (misleading) dalam penerapannya terhadap populasi  Uji-t menguji hipotesis kemiringan (slope) garis regresi linier sederhana  Uji ANOVA menguji hipotesis kemiringan garis regresi linier sederhana dan majemuk (multiple)  Estimasi titik dari variabel terikat dapat diperluas menjadi estimasi interval. untuk sampel besar dan kecil .

5 .Kesesatan Interpretasi Sampel  Gambar12.

7 .Estimasi Interval Sampel Besar  Gambar12.

yang diprediksi persamaan regresi. terhadap nilai rata-rata variabel itu  Deviasi Total Takterjelaskan: Penyimpangan nilai variabel terhadap nilai prediksinya  Variasi Total: Jumlah variasi terjelaskan dan takterjelaskan .Analisis Korelasi Linier Sederhana  Deviasi Total: Penyimpangan nilai variabel terhadap nilai rata-ratanya  Deviasi Total Terjelaskan: Penyimpangan nilai variabel terikat.

8 .Deviasi Total  Gambar12.

korelasi berkekuatan relasi lebih besar/kecil. dan nilainya antara -1 dan +1  Relasi Linier Sederhana: Korelasi positif/negatif sempurna. tandanya (-/+) sesuai konstanta b persamaan regresi. dan tidak ada korelasi . nilainya antara 0 (tidak ada relasi) dan 1 (relasi sempurna)  Koefisien Korelasi: Akar dari koefisien determinasi.Analisis Korelasi Linier Sederhana (Lanjutan)  Koefisien Determinasi: Perbandingan variasi terjelaskan dengan variasi total.

Relasi Linier Sederhana  Gambar12.9 .

Bab 13 Beberapa Metode Non-Parametrik .

tidak seefisien metode parametrik tapi lebih mudah dipahami . dalam kasus-kasus seperti sampel berukuran terlalu kecil (distribusi tidak normal atau tidak dapat diasumsikan) dan untuk jenis-jenis data ordinal (peringkat) dan nominal  Umum tapi kurang kuat/sensitif. dan disebut juga metode bebas-distribusi  Banyak dipakai menangani data kualitatif.Metode Non-Parametrik  Metode ini tidak memakai asumsi parametrik bahwa populasi memiliki distribusi tertentu.

Uji Tanda  Uji ini dipakai untuk mengetahui adanya perbedaan dalam pasangan data ordinal dari objek yang sama atau berpasangan (sampel terikat). tanpa melihat besar-kecilnya perbedaan itu  Dasarnya adalah tanda negatif atau positif dari perbedaan pasangan data ordinal itu  Memakai distribusi binomial untuk sampel kecil (< 30) atau pendekatan distribusi normal (z) terhadap binomial untuk sampel besar (> 30) .

1 .Uji Tanda  Gambar13.

yang berbeda dibandingkan dengan distribusi t parametrik . dengan melihat arah dan besarnya perbedaan itu  Menggunakan distribusi T.Uji Peringkat Bertanda Wilcoxon  Uji ini dipakai untuk mengetahui adanya perbedaan dalam pasangan data ordinal dari objek yang sama atau berpasangan (sampel terikat).

Uji Peringkat Bertanda  Gambar13.2 Wilcoxon .

Uji Mann-Whitney  Uji ini dipakai untuk mengetahui adanya perbedaan dalam dua himpunan data dari sampel independen  Alternatif dari uji-t parametrik  Asumsinya bukan distribusi normal. karena statistik uji hipotesisnya disebut U . tapi bentuk populasi-populasinya sama  Disebut juga uji U.

Uji Mann-Whitney  Gambar13.3 .

mensyaratkan variansnya sama  Asumsinya bukan distribusi normal.Uji Kruskal-Wallis  Disebut juga uji H  Uji ini memakai tiga atau lebih sampel acak independen untuk mengetahui persamaan mean populasi-populasinya  Sejenis dengan uji ANOVA. tapi bentuk populasi-populasinya sama (menceng. bimodal. dan yang lainnya)  Memakai distribusi chi-kuadrat . platikurtik.

Uji Kruskal-Wallis  Gambar13.4 .

Koefisien Korelasi Peringkat Spearman  Koefisien ini mengukur kedekatan hubungan antar variabel ordinal  Mirip dengan koefisien korelasi linier. dan menghitung koefisien korelasi peringkatnya . tapi memakai peringkatnya bukan nilai sebenarnya  Tahapannya adalah menyusun peringkat dari data. menetukan perbedaan peringkat dari pasangan data.

5 Spearman .Koefisien Korelasi Peringkat  Gambar13.

Bab 14 Beberapa Aplikasi Statistik Bidang Teknik .

ilmuwan Laboratorium Bell. Walter Shewhart.Pengendalian Mutu  Berawal dari publikasi kajian Dr. di tahun 1924 dan pengembangan diagram pengendalian selama tahun 1920-1930  Suatu proses produksi akan menghasilkan barang atau jasa yang serupa (similar) tapi tak sama (identical) karena adanya variasi  Variasi dapat berada di dalam atau di luar batas “kebetulan” (by chance) .

dapat diterima atau diizinkan. alamiah.Variasi  Ada proses yang menghasilkan variasi terkendali (controlled) dan ada yang menghasilkan variasi takterkendali  Variasi terkendali disebut juga variasi sebab biasa (common). inheren dan terduga. dan sebabnya acak atau “kebetulan”  Variasi takterkendali disebut juga variasi sebab khusus (special) saat kejadian tak normal masuk ke dalam proses tanpa terduga .

1 .Variasi Terkendali dan Takterkendali  Gambar14.

desain mesin. keterampilan pekerja yang berlainan. setelan mesin yang berubah.Sebab Biasa dan Khusus  Sebab biasa antara lain kualitas material. dan yang lainnya  Sebab khusus antara lain putusnya aliran listrik. dan yang lainnya . keterampilan operator.

 Diinformasikan antar kelompok produksi. dan operator mesin .Diagram Kendali  Disebut juga diagram kendali mutu atau diagram kendali proses  Berupa grafik yang membandingkan data dari proses yang sedang berlangsung terhadap batas-batas kendali yang ditentukan dari data unjuk-kerja (performance) sebelumnya. supplier.

Diagram Kendali (Lanjutan)  Unsur-unsur umumnya yaitu batas kendali atas (UCL) dan bawah (LCL) serta garis tengah (CL)  Variasi terkendali berada antara UCL dan LCL. variasi takterkendali berada di luarnya (di atas UCL atau di bawah LCL) .

Jenis-jenis Diagram Kendali  Diagram kendali untuk nilai atau pengamatan individual  Diagram kendali untuk mean atau range dari subkelompok  Diagram kendali untuk proporsi cacat dalam subkelompok .

2 .Diagram Kendali  Gambar14.

LCL.Diagram Nilai Individu  Diagram ini memonitor setiap nilai yang diamati dalam suatu proses  Diagram kontrol nilai individu berdasarkan probabilitas distribusi normal  Penentuan UCL. dan CL memakai mean dan deviasi standar dari populasi .

Diagram Nilai Kontinu X dan R  Diagram X memonitor. dan menganalisis mean dari kuantitas teramati (subkelompok data) dalam proses bernilai kontinu seperti panjang. dan yang lainnya. berat. mengontrol. dan penyimpangan kualitas . diameter. kebutuhan penyetelan mesin.  Diagram R memonitor penyebaran (dispersi)  Kedua diagram ini saling melengkapi untuk mengetahui kesesuaian proses atas standar desain.

goresan pada pelat. dan yang lainnya  Diagram ini terdiri dari diagram p dan c . gelembung udara dalam gelas.Diagram Atribut atau Nilai Diskrit  Atribut adalah persyaratan kualitas yang ditetapkan untuk menentukan produk dapat diterima atau ditolak karena cacat  Hasil pengamatannya bersifat diskrit seperti jumlah kelingan rusak pada pesawat.

berdasarkan probabilitas distribusi binomial  Diagram c menganalisis jumlah cacat per unit produk tetap. berdasarkan probabilitas distribusi poisson .Diagram Atribut atau Nilai Diskrit (2)  Diagram p menganalisis persentase/proporsi produk cacat per sampel.

revisi harus melibatkan penyelidikan dan kemungkinan perbaikan .Revisi Diagram Kendali  Diagram kendali dapat direvisi dengan cara mengabaikan data yang menyimpang untuk kemudian menghitung kembali CL. dan LCL baru dan mengeplot kembali data revisi itu  Revisi ini harus memiliki alasan kuat. tidak adanya keperluan untuk memperbaiki atau menyesuaikan proses produksinya  Tanpa alasan kuat. UCL.

Ketidakpastian Statistik  Suatu variasi dapat berpengaruh besar atau kecil terhadap keseluruhan proses  Aturan keakuratan yang ketat dapat menaikkan biaya produksi  Identifikasi diperlukan atas variasi kritis dan tidak kritis yang akan memfokuskan perbaikan secara efektif  Mekanisme alternatif diperlukan karena toleransi yang berbeda atas ketidakakuratan individual .

Prediksi Probabilitas Kegagalan  Gambar14.3 .

Penutup  Statistik hanyalah alat yang membantu peneliti untuk memudahkan memahami dan memberikan makna dari data penelitian yang diperoleh  tugas peneliti untuk memberikan interpretasi terhadap data yang diperoleh dan membahasnya lebih lanjut secara lebih mendalam dan komprehensif berdasarkan teori-teori yang mendukung serta fakta yang terjadi di lapangan.  pada ruang ‘interpretasi hasil analisis data’ inilah karya monumental seorang peneliti diperoleh .

A. prosesntase Uji kecocokan Chi kuadrat . Banyaknya variabel : 1 (satu) No pengukuran Maksud Teknik Analis Variabel Statistik 1 Nominal Tendensi Mode (modus) sentral Dispersi Frekuensi relatif Frekuensi Frekuensi realtif.

Banyaknya variabel : 1 (satu) No pengukuran Maksud Teknik Analis Variabel Statistik 2 Ordinal Tendensi Median sentral Dispersi Deviasi antar kuartil Frekuensi Frekuensi relatif. Kolmogorov– Smirnov . prosentase Uji kecocokan Kolmogorov.A.

Banyaknya variabel : 1 (satu) No pengukuran Maksud Teknik Analis Variabel Statistik 3 Interval Tendensi Mean sentral Dispersi Deviasi standard Kesimetrikan Kemiringan Keruncingan Kurtosis Frekuensi Frekuensi relatif. prosentase Uji kecocokan Lilliefors (normalitas) . A.

Banyaknya variabel 2 (dua) atau lebih. Variabel & tingkat Maksud statistik Teknik No pengukuran variabel Analisis 1 VT = 1. interval variabel : VT(Variabel terikat) kekuatan Korelasi VB (variabel bebas) hubungan sederhana bentuk Regresi hubungan sederhana Prediksi Regresi sederhana Sumbangan Analisis prediktor kebersamaan . interval Hubungan antar VB = 1.

interval variabel : kekuatan Korelasi hubungan ganda.Banyaknya variabel 2 (dua) atau lebih. interval Hubungan antar VB > 1. No Variabel & tingkat Maksud statistik Teknik pengukuran variabel Analisis 2 VT = 1. parsial bentuk hubungan Regresi ganda Prediksi Regresi ganda Sumbangan Analisis prediktor kebersamaan .

No Variabel & tingkat Maksud statistik Teknik Analisis pengukuran variabel 3 VT = 1. nominal Var bebas satu jalan Perbedaan Uji beda dua beberapa mean mean . interval Perbedaan efek Analisis varian VB = 1.Banyaknya variabel 2 (dua) atau lebih.

Banyaknya variabel 2 (dua) atau lebih. interval Perbedaan efek Analisis varian VB > 1. No Variabel & tingkat Maksud statistik Teknik Analisis pengukuran variabel 4 VT = 1. nominal Var bebas multi jalan Kombinasi Analisis varian (interkasi) VB multi jalan Perbedaan Komparasi ganda beberapa mean (Metode Newman-Keuls Duncan) .

Prosedur : ubah data interval menjadi ordinal . VB  1. (jenjang) korelasi rank Kendall. beberapa mean Prosedure : ubah data ordinal menjadi nominal Hubungan rank Korelasi rank Spearman. ordinal variabel bebas Prosedure : ubah data (interaksi VB) ordinal menjadi nominal Perbedaan Komparasi Ganda. No Variabel & tingkat Maksud statistik Teknik Analisis pengukurannya 5 VT 1 .Banyaknya variabel 2 (dua) atau lebih. interval Perbedaan efek Analisis varian multi jalan.

interval efek variabel Friedmann bebas Prosedure : ubah data interval menjadi nominal Hubungan Korelasi rank. No Variabel & tingkat Maksud Teknik Analisis pengukurannya statistik 6 VT  1. rank Prosedure : ubah (jenjang) data interval menjadi ordinal . ordinal Perbedaan Analisis varian VB  1.Banyaknya variabel 2 (dua) atau lebih.

STATISTIK PADA PENELITIAN EKSPERIMEN DAN SURVEI .

interaksi. hubungan (korelasi. bebas)  Tingkat pengukuran variabel (nominal.Rambu-rambu Pemilihan Teknik Analisis Statistika  Tipe penelitian (deskriptif. . variabilitas. kecocokan. ordinal. dan sebagainya). pembandingan (komparasi). interval)  Banyaknya variabel (satu. inferensial)  Jenis variabel (terikat. lebih dari satu )  Maksud statistik (kecenderungan memusat. asosiasi).

. dan lebih khusus menarik suatu simpulan akan perubahan yang timbul pada peubah (atau variabel) respon (peubah dependen) akibat berubahnya peubah penjelas (explanatory variables) (peubah independen). EKSPERIMEN DAN SURVEI  Tujuanumum bagi suatu penelitian berbasis statistika adalah menyelidiki hubungan sebab-akibat.

Keduanya sama-sama mendalami pengaruh perubahan pada peubah penjelas dan perilaku peubah respon akibat perubahan itu. . Beda keduanya terletak pada bagaimana kajiannya dilakukan.EKSPERIMEN DAN SURVEI  Terdapat dua jenis utama penelitian: eksperimen dan survei.

dan kemudian melakukan pengukuran (lagi) dengan cara yang sama terhadap sistem yang telah diperlakukan untuk mengetahui apakah perlakuan mengubah nilai pengukuran. . memberi perlakuan terhadap sistem. EKSPERIMEN DAN SURVEI  Suatu eksperimen melibatkan pengukuran terhadap sistem yang dikaji. Bisa juga perlakuan diberikan secara simultan dan pengaruhnya diukur dalam waktu yang bersamaan pula. Metode statistika yang berkaitan dengan pelaksanaan suatu eksperimen dipelajari dalam rancangan percobaan (desain eksperimen).

EKSPERIMEN DAN SURVEI  Dalam survey. . tidak dilakukan manipulasi terhadap sistem yang dikaji. di sisi lain. Data dikumpulkan dan hubungan (korelasi) antara berbagai peubah diselidiki untuk memberi gambaran terhadap objek penelitian. Teknik-teknik survai dipelajari dalam metode survei.

psikologi dan pedagogi. dan psikologi eksperimen.  Penelitian tipe observasi paling sering dilakukan di bidang ilmu-ilmu sosial atau berkaitan dengan perilaku sehari- hari.EKSPERIMEN DAN SURVEI  Penelitian tipe eksperimen banyak dilakukan pada ilmu-ilmu rekayasa. . farmasi. kedokteran masyarakat. ilmu pangan. misalnya teknik. agronomi. pemasaran (marketing). misalnya ekonomi. dan industri.

 Skala ordinal selain membedakan juga menunjukkan tingkatan (misalnya: pendidikan. yakni: nominal. dan rasio.  Skala rasio berupa angka kuantitatif yang memiliki nilai nol mutlak. agama. ordinal.  Skala nominal hanya bisa membedakan sesuatu yang bersifat kualitatif (misalnya: jenis kelamin. Keempat skala pengukuran tersebut memiliki tingkat penggunaan yang berbeda dalam riset statistik.  Skala interval berupa angka kuantitatif namun tidak memiliki nilai nol mutlak (misalnya: tahun. interval. TIPE PENGUKURAN  Ada empat tipe pengukuran atau skala pengukuran yang digunakan di dalam statistika. . warna kulit). suhu dalam Celcius). tingkat kepuasan).

TEKNIK-TEKNIK STATISTIK Beberapa pengujian dan prosedur yang banyak digunakan dalam penelitian antara lain:  Analisis regresi dan korelasi  Analisis varians (ANOVA)  khi-kuadrat  Uji t-Student .

Disiplin ilmu tersebut antara lain:  Aktuaria (penerapan statistika dalam bidang asuransi)  Biostatistika atau biometrika (penerapan statistika dalam ilmu biologi)  Statistika bisnis  Ekonometrika  Psikometrika  Statistika sosial  Statistika teknik atau teknometrika  Fisika statistik  Demografi  Eksplorasi data (pengenalan pola)  Literasi statistik  Analisis proses dan kemometrika (untuk analisis data kimia analis dan teknik kimia) . STATISTIK TERAPAN Bebebarapa ilmu pengetahuan menggunakan statistika terapan sehingga mereka memiliki terminologi yang khusus.

dan membantu pengambilan keputusan berdasarkan data. mengendalikan proses. . Statistika. Kegunaannya bermacam-macam: mempelajari keragaman akibat pengukuran. karena sifatnya yang objektif. STATISTIK TERAPAN  Statistika memberikan alat analisis data bagi berbagai bidang ilmu. sering kali merupakan satu-satunya alat yang bisa diandalkan untuk keperluan-keperluan di atas. merumuskan informasi dari data.