• PENGA NTAR STATISTIK
PENDIDIKAN
• Prof. Drs. Anas Sudijono
Statistik/Statistic
Statistika/Statistics
1
2
Berfikir statistika sudah menjadi hal yang lazim
dalam kehidupan, sehingga memungkinkan
seseorang menilai argumentasi yang terdapat
pada berbagai media massa, misalnya.
Ada dua kelompok ‘pecundang’ (the loosers):
1. Mereka yang berpikir dan berencana tetapi tidak
pernah melaksanakan
2. Mereka yang segera melaksanakan tanpa pernah
berpikir dan membuat rencana dulu.
Statistics dalam Tahapan
Penelitian
Perumusan Masalah
Penentuan Disain Penelitian
Penentuan Jenis data
Pengumpulan Data
Analisis Data
Interpretasi dan Pengambilan Kesimpulan
Perumusan Masalah, Disain Penelitian
• Perumusan masalah yang dilakukan dengan
tepat merupakan salah satu penentu
keberhasilan penelitian
• Jika fenomena permasalahan masih sedikit
diketahui, maka kegiatan eksplorasi sangat
dianjurkan; otherwise, penelitian deskriptif
maupun inferensial perlu dilakukan
KaedahPenyelidikan1 7
1.1 Takrifan Statistik
Peralatan 6M bagi pemanipulasi data
Mengumpul Meringkas
Mengelas
Menganalisis
Menyusun Mentakrif
Supaya kebolehpercayaan keputusan analisis dapat dinilai secara objektif
STATISTIKA :
Kegiatan untuk : • mengumpulkan data • Menyusun data • meringkas data • menyajikan data • menganalisis data • menginterpretasikan KEGUNAAN?
STATISTIKA DESKRIPTIF :Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian atau seluruh data (pengamatan) tanpa pengambilan kesimpulan
STATISTIKA INFERENSI :
Setelah data dikumpulkan, maka dilakukan berbagai metode statistik untuk
menganalisis data, dan kemudian dilakukan interpretasi serta diambil kesimpulan. Statistika inferensi akan menghasilkan generalisasi (jika sampel representatif)
Melalui fase
dan fase
2. Statistika & Metode Ilmiah
METODE ILMIAH :
Adalah salah satu cara mencari kebenaran yang bila ditinjau dari segi penerapannya, resiko untuk keliru paling kecil.
LANGKAH-LANGKAH DALAM METODE ILMIAH : 1. Merumuskan masalah
2. Melakukan studi literatur
3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau hipotesis 4. Mengumpulkan dan mengolah data, menguji hipotesis,
atau menjawab pertanyaan 5. Mengambil kesimpulan
PERAN STATISTIKA
INSTRUMEN SAMPEL VARIABEL SIFAT DATA METODE ANALISIS3. Data
DATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF
DATA KUALITATIF :
Data yang dinyatakan dalam bentuk bukan angka.
Contoh : jenis pekerjaan, status marital, tingkat kepuasan kerja
DATA KUANTITATIF :
Data yang dinyatakan dalam bentuk angka
Contoh : lama bekerja, jumlah gaji, usia, hasil ulangan
DATA
JENIS DATA NOMINAL
ORDINAL INTERVAL RASIO
4. Data
DATA NOMINAL :
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi.
CIRI : posisi data setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : jenis kelamin, jenis pekerjaan DATA ORDINAL :
Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapi di antara data tersebut terdapat hubungan
CIRI : posisi data tidak setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : kepuasan kerja, motivasi DATA INTERVAL :
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik skala sudah diketahui.
CIRI : Tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender
DATA RASIO :
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik skala sudah diketahui dan mempunyai titik 0 absolut.
CIRI : tidak ada kategorisasi
bisa dilakukan operasi matematika CONTOH : gaji, skor ujian, jumlah buku
5. Pengolahan Data
PROSEDUR PENGOLAHAN DATA :
A. PARAMETER : Berdasarkan parameter yang ada statistik dibagi menjadi • Statistik PARAMETRIK : berhubungan dengan inferensi statistik yang
membahas parameter-parameter populasi; jenis data interval atau rasio; distribusi data normal atau mendekati normal.
• Statistik NONPARAMETRIK : inferensi statistik tidak membahas
parameter-parameter populasi; jenis data nominal atau ordinal; distribusi data tidak diketahui atau tidak normal
B. JUMLAH VARIABEL : berdasarkan jumlah variabel dibagi menjadi
• Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk n sampel atau beberapa variabel tetapi masing-masing variabel dianalisis sendiri-sendiri. Contoh : korelasi motivasi dengan pencapaian akademik.
• Analisis MULTIVARIAT : dua atau lebih pengukuran (variabel) untuk n sampel di mana analisis antar variabel dilakukan bersamaan. Contoh : pengaruh motivasi terhadap pencapaian akademik yang dipengaruhi oleh faktor latar belakang pendidikan orang tua, faktor sosial ekonomi, faktor sekolah.
6. Pengolahan Data
MULAI Jumlah Variabel ? AnalisisUnivariat Multivariat Analisis
Jenis
Data ? Parametrik Statistik
Statistik
Non Parametrik
SATU DUA / LEBIH
INTERVAL RASIO
NOMINAL ORDINAL
Skala Pengukuran
14
• Statistika adalah ilmu tentang data. Data diperoleh dari hasil
pengukuran.
• Pengukuran ini akan mempengaruhi bentuk analisis yang akan
digunakan. Oleh karena itu penting bagi kita untuk mengetahui
bentuk skala pengukuran yang digunakan.
• Secara hirarkhis skala ini disusun dari yang paling lemah ke yang
paling kuat:
– Nominal
– Ordinal
– Interval
– Ratio
• Makin lemah skala pengukuran, makin sulit kita membuat relasi
sesama elemen pada skala tersebut.
Nominal data
Nominal level
Data that is
classified into
categories and
cannot be
arranged in any
particular order.
Gender
Eye
Color
Nominal
16
• Bilangan dipakai hanya utk label
kelompok
• Hanya berupa kategori, data kualitatif
• Tidak berlaku operasi penjumlahan
(tidak dapat dijumlahkan). Sering
disajikan dalam bentuk persentase
• Contoh lain:
– Lokasi sekolah berdasarkan kawasan : 1=U,
2=S, 3=T, 4=B
– Jenis pekerjaan orang tua siswa: 1=PNS,
2=P.swasta, 3=Petani/ Nelayan, 4=Pedagang,
5=ABRI.
Levels of Measurement
During a taste test
of 4 soft drinks,
Coca Cola was
ranked number 1,
Fanta number 2,
Pepsi number 3,
and Sprite number
4.
Ordinal level
: involves data arranged in some
order, but the differences between data values
cannot be determined or are meaningless.
1
2
3
4
Ordinal
18
Selain berperan juga sebagai
pengklasifikasian, skala ini digunakan untuk
menentukan peringkat (elemen data diurutkan
atau di ranking. Jarak antara kategori tidak
harus sama
Skor untuk kategori harus dapat diranking,
misal 1, 2 ,3 dan 4. Dalam hal ini 4=yg terbaik,
1=yg terjelek. Skor juga boleh dibalik. Jumlah
kategori: genap vs.ganjil?
Tidak berlaku operasi aritmatik (misal
penjumlahan). Biasanya digunakan persentase
atau proporsi
Contoh: Sikap (Sangat baik, Baik, Kurang,
Sangat Kurang)
Levels of Measurement
Temperature on the
Fahrenheit scale.
Interval level
Similar to the ordinal level, with the additional property
that meaningful amounts of differences between data
values can be determined. There is no natural zero
point.
Interval
20
• Jarak antara element dapat diukur dalam
unit, interval yang sama.
• Tidak punya titik nol ril (real zero point)
• Berlaku operasi atau aturan perkalian dan
penjumlahan
• Contoh:
– Temperatur, skala F. unit=derajat, zero point is
not real (0
o
F tidak berarti tidak ada temperatur).
Temperatur=0
o
tidak berarti tidak ada temperatur
sama sekali, tidak mutlak. 20
o
C tidaklah dua kali
lebih panas dari 10
o
C.
– Prestasi belajar=0 tidak berarti tidak berprestasi
sama sekali, tidak mutlak.
Levels of Measurement
Monthly income
of surgeons
Miles traveled by sales
representative in a month
Ratio level:
the interval level with an inherent
zero starting point. Differences and ratios are
Ratio
22
Skala pengukuran yang paling ‘kuat’
Punya real zero point (meter)
Jarak antara dua pasangan observasi punya arti, juga
ratio.
Dapat dioperasikan dengan aturan perkalian
Contoh:
Gaji seorang guru sebesar Rp 4 juta mempunyai makna
besarnya dua kali gaji guru lain yang besarnya Rp 2 juta.
Uang dia kantong saya Rp.0 artinya saya benar-benar
Tabel 1: Contoh skala pengukuran
No Nama Alamat (1,2,3,4) Umur Penghasi lan orang tua (1,2,3) English score Nomor sepatu 1 Ahmad 1 20 1 90 38 2 Baharudin 1 21 2 95 42 3 Chyntia 2 23 1 75 39 . . . n Zainal Arifin 4 19 3 80 44 23Tugas 1:
Dikumpulkan paling lambat satu minggu lagi. Dikirim
via email ke
mahdum1211@gmail.com
24
• Misalkan Saudara ingin melakukan
penelitian tentang masalah pendidikan di
Propinsi Riau.
– Rumuskan masalah yang akan diteliti
– Jelaskan populasinya.
– Apa parameter yang akan diamati?
– Bagaimana bentuk data yang akan digunakan
(skala pengukuran), buat contoh data imajiner
sekitar 5 data pengamatan
7. Penyajian Data
TABEL
Tabel 1. 1 Bi dang Pekerjaan berdasarkan Latar B elakang Pendidikan Count 1 8 6 15 1 7 8 4 3 5 12 2 14 11 27 3 4 6 13 10 30 35 75 administ rasi personalia produk si marketing keuangan bidang pek erjaan Jumlah
SMU Akademi Sarjana pendidikan Jumlah GRAFIK administrasi personalia produksi marketing keuangan
bidang peke rjaan
8. Membuat Tabel
TABEL : memberikan informasi secara rinci. Terdiri atas kolom dan baris
TABEL
KOLOM
Kolom pertama : LABEL
Kolom kedua …. n : Frekuensi atau label BARIS Berisikan data berdasarkan kolom
Bidang pekerjaan Prestasi Kerja Jumlah Sangat jelek Jelek Cukup baik Baik Sangat baik Administrasi Personalia Produksi Marketing Keuangan Jumlah
9. Membuat Grafik
GRAFIK : memberikan informasi dengan benar dan cepat, tetapi tidak rinci.Syarat :
1. Pemilihan sumbu (sumbu tegak dan sumbu datar), kecuali grafik lingkaran 2. Penetapan skala (skala biasa, skala logaritma, skala lain)
3. Ukuran grafik (tidak terlalu besar, tinggi, pendek)
Su mbu te gak 1 2 3 4 1 2 3 4 Sumbu datar 0 Titik pangkal Jenis Grafik :
• Grafik Batang (Bar) • Grafik Garis (line) • Grafik Lingkaran (Pie)
bidang pekerjaan keuangan marketing produksi personalia administrasi C o u n t 30 20 10 0 bidang pekerjaan keuangan marketing produksi personalia administrasi Ju m la h 30 20 10 0 keuangan marketing produksi personalia administrasi prestasi kerja sangat baik baik cukup baik jelek sangat jelek M e a n g a ji p e rb u la n 800000 700000 600000 500000 400000 300000 Jenis kelamin laki-laki w anita
10. Jenis Grafik
Grafik Batang (Bar) Grafik Garis (line)
11. Frekuensi
FREKUENSI : banyaknya data untuk satu kelompok/klasifikasi KELOMPOK FREKUENSI Kelompok ke-1 f1 Kelompok ke-2 f2 Kelompok ke-3 f3 Kelompok ke-i fi Kelompok ke-k fk k n = Σ fi i=1 PEKERJAAN FREKUENSI Administrasi 18 Personalia 8 Produksi 19 Marketing 27 Keuangan 13 85
k
n = Σ fi = f
1+ f
2+ f
3+….. + f
i+ …… + f
ki=1
DISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio dan menghitung
banyaknya data dalam satu kelompok/klasifikasi
12. Distribusi Frekuensi
Membuat distribusi frekuensi :
1. Mencari sebaran (range) yakni selisih antara data paling besar dengan data paling kecil) 35 – 20 = 15
2. Menentukan banyak kelas dengan rumus k = 1 + 3,3 log n 7
1. Menentukan panjang kelas dengan rumus
p = sebaran / banyak kelas 15/7 = 2 KELOMPOK USIA FREKUENSI
20 – 21 11 22 – 23 17 24 – 25 14 26 – 27 12 28 – 29 7 30 – 31 18 32 - 33 5 34 - 35 1 USIA FREKUENSI 20 5 21 6 22 13 23 4 24 7 25 7 26 7 27 5 28 3 29 4 30 15 31 3 33 5 35 1
13. Ukuran Tendensi Sentral
RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilangan RATA-RATA HITUNG (RERATA) : jumlah bilangan dibagi banyaknya
X
1+ X
2+ X
3+ … + X
nn
n Σ Xi i =1n
X
=Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuensi, maka rata-rata hitung menjadi :
X
1f
1+ X
2f
2+ X
3f
3+ … + X
kf
kf
1+ f
2+ f
3+ … + f
kX
= k ΣX
if
i i =1k Σ
f
i i =1Cara menghitung : Bilangan (Xi) Frekuensi (fi) Xi fi 70 3 210 63 5 315 85 2 170 Jumlah 10 695 Maka :
X
= 695 10 = 69.514. Median
MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantu
memperjelas kedudukan suatu data.
Contoh : diketahui rata-rata hitung nilai ulangan dari sejumlah siswa adalah 6.55. Pertanyaannya adalah apakah siswa yang memperoleh nilai 7
termasuk istimewa, baik, atau biasa-biasa saja ?
Jika nilai ulangan tersebut adalah : 10 10 8 7 7 6 5 5 5 5 4, maka rata-rata hitung = 6.55, median = 6
Kesimpulan : nilai 7 termasuk kategori baik sebab berada di atas rata-rata hitung dan median (kelompok 50% atas)
Jika nilai ulangan tersebut adalah : 8 8 8 8 8 8 7 5 5 4 3, maka rata-rata hitung = 6.55, median = 8
Kesimpulan : nilai 7 termasuk kategori kurang sebab berada di bawah median (kelompok 50% bawah)
Jika sekumpulan data banyak bilangannya genap (tidak mempunyai bilangan tengah) Maka mediannya adalah rerata dari dua bilangan yang ditengahnya.
15. Modus
MODUS : bilangan yang paling banyak muncul dari sekumpulan bilangan,
yang fungsinya untuk melihat kecenderungan dari sekumpulan bilangan tersebut.
Contoh : nilai ulangan 10 10 8 7 7 6 5 5 5 5 4 Maka : s = 6 ; k = 3 ; p =2
rata-rata hitung = 6.55 ; median = 6 modus = 5 ; kelas modus = 5 - 7
Nilai Frekuensi 10 2 8 1 7 2 6 1 5 4 4 1 Jumlah 11 Nilai Frekuensi 8 – 10 3 5 – 7 7 2 – 4 1 Jumlah 11 Mo Me
+
-
Kurva positif apabila rata-rata hitung > modus / median Kurva negatif apabila rata-rata hitung < modus / median
16. Ukuran Penyebaran
Rentang (range) : selisih bilangan terbesar dengan bilangan terkecil.
Sebaran merupakan ukuran penyebaran yang sangat kasar, sebab hanya bersangkutan dengan bilangan terbesar dan terkecil.
A : 100 90 80 70 60 50 40 30 20 10 B : 100 100 100 100 100 10 10 10 10 10 C : 100 100 100 90 80 30 20 10 10 10 Contoh : X = 55 r = 100 – 10 = 90
UKURAN YANG MENYATAKAN HOMOGENITAS / HETEROGENITAS : 1. RENTANG (
Range
)2. DEVIASI RATA-RATA (
Average Deviation
) 3. VARIANS (Variance
)4. DEVIASI STANDAR (
Standard Deviation
)17. Deviasi rata-rata
Deviasi Rata-rata : penyebaran
Berdasarkan harga mutlak simpangan bilangan-bilangan terhadap
rata-ratanya. Nilai X X - X |X – X| 100 45 45 90 35 35 80 25 25 70 15 15 60 5 5 50 -5 5 40 -15 15 30 -25 25 20 -35 35 10 -45 45 Jumlah 0 250 Nilai X X - X |X – X| 100 45 45 100 45 45 100 45 45 90 35 35 80 25 25 30 -25 25 20 -35 35 10 -45 45 10 -45 45 10 -45 45 Jumlah 0 390 Kelompok A Kelompok B DR = 250 = 25 10 DR = 390 = 39 10
Makin besar simpangan,
makin besar nilai deviasi rata-rata DR = n Σ i=1 |Xi – X| n Rata-rata Rata-rata
18. Varians & Deviasi Standar
Varians : penyebaran berdasarkan
jumlah kuadrat simpangan bilangan- bilangan terhadap rata-ratanya ;
melihat ketidaksamaan sekelompok data
s2 = n Σ i=1
(Xi – X)2 n-1
Deviasi Standar : penyebaran
berdasarkan akar dari varians ;
menunjukkan keragaman kelompok data
s =
√
n Σ i=1 (Xi – X)2 n-1 Nilai X X -X (X–X)2 100 45 2025 90 35 1225 80 25 625 70 15 225 60 5 25 50 -5 25 40 -15 225 30 -25 625 20 -35 1225 10 -45 2025 Jumlah 8250 Nilai X X -X (X –X)2 100 45 2025 100 45 2025 100 45 2025 90 35 1225 80 25 625 30 -25 625 20 -35 1225 10 -45 2025 10 -45 2025 10 -45 2025 Jumlah 15850 Kelompok A Kelompok B s =√
8250 9 = 30.28 s =√
15850 9 = 41.97 Kesimpulan : Kelompok A : rata-rata = 55 ; DR = 25 ; s = 30.28 Kelompok B : rata-rata = 55 ; DR = 39 ; s = 41.9719. Normalitas, Hipotesis, Pengujian
Distribusi Normal : kurva berbentuk bel, simetris, simetris terhadap sumbu yang
melalui nilai rata-rata
+s +2s +3s -s +2s +3s 68% 95% 99% • Lakukan uji normalitas
• Rasio Skewness & Kurtosis berada –2 sampai +2 Rasio =
• Jika tidak berdistribusi normal, lakukan uji melalui non parametrik (Wilcoxon, Mann-White, Tau Kendall)
Skewness = kemiringan Kurtosis = keruncingan
nilai
20. Normalitas, Hipotesis, Pengujian
HIPOTESIS TERARAH TIDAK TERARAH
Hipotesis Penelitian
Siswa yang belajar bahasa lebih serius daripada siswa yang
belajar IPS
Ada perbedaan keseriusan siswa antara yang belajar bahasa dengan yang belajar IPS
Hipotesis Nol
(Yang diuji)
Siswa yang belajar bahasa tidak menunjukkan kelebihan
keseriusan daripada yang belajar IPS
Ho : b < i Ha : b > i
Tidak terdapat perbedaan
keseriusan belajar siswa antara bahasa dan IPS
Ho : b = i Ha : b ≠ I
Hipotesis : uji signifikansi (keberartian) terhadap hipotesis yang dibuat ;
berbentuk hipotesis penelitian dan hipotesis statistik (H0) ; hipotesis bisa terarah, bisa juga tidak terarah ;
akibat dari adanya Ho, maka akan ada Ha (hipotesis alternatif) yakni hipotesis yang akan diterima seandainya Ho ditolak
Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak
bila Ho tidak terarah, maka pengujian signifikansi dua pihak
21. Normalitas, Hipotesis, Pengujian
Pengujian signifikansi satu arah (hipotesis terarah):
Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripada yang belajar IPS Ho : b < i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan berada di sebelah kanan
Daerah penerimaan hipotesis Daerah penolakan
hipotesis
5%
Pengujian signifikansi dua arah (hipotesis tidak terarah):
Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS Ho : b = i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan bisa berada di sebelah kiri atau kanan
Daerah penerimaan hipotesis Daerah penolakan hipotesis Daerah penolakan hipotesis 2.5% 2.5%
22. Uji t
Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atau
apakah rata-rata dua populasi sama/berbeda secara signifikan.
1. Uji t satu sampel
Menguji apakah satu sampel sama/berbeda dengan rata-rata populasinya
• hitung rata-rata dan std. dev (s) • df = n – 1
• tingkat signifikansi ( = 0.05)
• pengujian apakah menggunakan 1 ekor atau 2 ekor
• diperoleh t hitung ; lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolak t = ( - )
s / √n
α
Contoh :
Peneliti ingin mengetahui apakah korban yang mengalami kerugian paling besar memang berbeda dibandingkan dengan korban lainnya.
Ho : k1 = k2
Diperoleh = 2.865.625 ; std. Dev = 1.789.112,5 ; df = 79 ; t hitung = -22.169 Berdasarkan tabel df=79 dan = 0.05 diperoleh t tabel = 1.6644
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
korban yang mengalami kerugian paling besar secara signifikan berbeda dengan korban lainnya
2. Uji t dua sampel bebas
Menguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda
α
23. Uji t
t = (X – Y)
Sx-y Di mana Sx-y =
(Σx2 + Σy2) (1/n
x + 1/ny)
√
(nx + ny – 2)Contoh :
Peneliti ingin mengetahi apakah ada perbedaan penghasilan setelah bencana antara korban ringan dengan korban berat
Ho : Pr = Pb
Diperoleh : = 1547368 ; y = 1537500 ; t hitung = .066 Uji kesamaan varians Ho : kedua varians sama
Probabilitas > 0.05 maka Ho diterima yakni kedua varians sama Uji t independent sample
Berdasarkan tabel df=53 dan = 0.05 diperoleh t tabel = 1.6741 Kesimpulan : t hitung < t tabel sehingga Ho diterima
tidak ada perbedaan yang signifikan penghasilan setelah bencana antara korban ringan dengan korban berat
24. Uji t
3. Uji t dua sampel berpasangan
Menguji apakah rata-rata dua sampel yang berpasangan sama/berbeda t = sD
D Di mana D = rata-rata selisih skor pasangan
sD = Σ d2 N(N-1) Σ d 2 = N ΣD2 – (ΣD)2 Contoh :
Seorang guru ingin mengetahui perbaikan terhadap pengembangan model pembelajaran debat. Setelah selesai pembelajaran pertama, ia memberikan tes dan setelah selesai pembelajaran kedua kembali ia memberikan tes. Kedua hasil tes tersebut dibandingkan dengan harapan adanya perbedaan rata-rata tes pertama dengan kedua.
Ho : t1 = t2
Diperoleh t1 = 51.36 ; t2 = 52.55 ; korelasi 0.873
Korelasi sangat erat dan benar-benar berhubungan dengan nyata Berdasarkan tabel df=21 dan = 0.05 diperoleh t tabel = 1.7207 Kesimpulan : t hitung < t tabel sehingga Ho diterima
Tidak ada perbedaan yang signifikan antara hasil tes pertama dengan hasil tes kedua, sehingga ia menyimpulkan model masih belum
diimplementasikan dengan baik
α
25. Uji Keterkaitan
Korelasi : hubungan keterkaitan antara dua atau lebih variabel.
Angka koefisien korelasi ( r ) bergerak -1 ≤ r ≤ +1
NOL
tidak ada atau tidak menentunya hubungan dua variabel
contoh : pandai matematika dan jago olah raga ; pandai matematika dan tidak bisa olah raga ; tidak pandai
matematika dan tidak bisa olah raga
korelasi nol antara matematika dengan olah raga
POSITIF
makin besar nilai variabel 1
menyebabkan makin besar pula nilai variabel 2
Contoh : makin banyak waktu belajar, makin tinggi skor ulangan korelasi positif antara waktu belajar
dengan nilai ulangan
NEGATIF
makin besar nilai variabel 1
menyebabkan makin kecil nilai variabel 2
contoh : makin banyak waktu bermain, makin kecil skor ulangan korelasi negatif antara waktu bermain
1. KORELASI PEARSON :
apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana arah hubungan dan berapa besar hubungan tersebut.
Digunakan jika data variabel kontinyu dan kuantitatif
26. Uji Keterkaitan
r= NΣXY – (ΣX) (ΣY)
NΣX2 – (ΣX)2 x NΣY2 – (ΣY)2
Contoh :
10 orang siswa yang memiliki waktu belajar berbeda dites dengan tes IPS Siswa : A B C D E F G H I J
Waktu (X) : 2 2 1 3 4 3 4 1 1 2 Tes (Y) : 6 6 4 8 8 7 9 5 4 6 Apakah ada korelasi antara waktu belajar dengan hasil tes ?
ΣXY = jumlah perkalian X dan Y ΣX2 = jumlah kuadrat X
ΣY2 = jumlah kuadrat Y N = banyak pasangan nilai Di mana :
Siswa X X2 Y Y2 XY
A B
ΣX ΣX2 ΣY ΣY2 ΣXY
2. KORELASI SPEARMAN (rho) dan Kendall (tau) :
Digunakan jika data variabel ordinal (berjenjang atau peringkat). Disebut juga korelasi non parametrik
27. Uji Keterkaitan
rp = 1 - 6Σd2 N(N2 – 1) N = banyak pasangan d = selisih peringkat Di mana : Contoh :10 orang siswa yang memiliki perilaku (sangat baik, baik, cukup, kurang) dibandingkan dengan tingkat kerajinannya (sangat rajin, rajin, biasa, malas)
Siswa : A B C D E F G H I J Perilaku : 2 4 1 3 4 2 3 1 3 2 Kerajinan : 2 4 1 4 4 3 2 1 2 3 Apakah ada korelasi antara perilaku siswa dengan kerajinannya ?
Siswa A B C D
Perilaku Kerajinan
d
28. Uji Chi-Square (X
2)
Chi-Square (tes independensi) : menguji apakah ada hubungan antara baris dengan kolom pada sebuah tabel kontingensi. Data yang digunakan adalah data kualitatif.
X2 = (O – E)
2 E
Σ
Di mana O = skor yang diobservasiE = skor yang diharapkan (expected)
Contoh :
Terdapat 20 siswa perempuan dan 10 siswa laki-laki yang fasih berbahasa Inggris, serta 10 siswa perempuan dan 30 siswa laki-laki yang tidak fasih berbahasa Inggris.
Apakah ada hubungan antara jenis kelamin dengan kefasihan berbahasa Inggris ? Ho = tidak ada hubungan antara baris dengan kolom
H1 = ada hubungan antara baris dengan kolom
L P Fasih Tidak fasih Σ Σ a b c d
O E (O-E) (O-E)2 (O-E)2/E
a 20 (a+b)(a+c)/N b 10 (a+b)(b+d)/N c 10 (c+d)(a+c)/N d 30 (c+d)(b+d)/N
df = (kolom – 1)(baris – 1)
Jika X2 hitung < X2 tabel, maka Ho diterima Jika X2 hitung > X2 tabel, maka Ho ditolak
29. Uji Chi-Square (X
2)
Chi-Square dengan menggunakan SPSS
KASUS : apakah ada perbedaan pendidikan berdasarkan status marital responden
Ho = tidak ada hubungan antara baris dengan kolom atau tidak ada perbedaan pendidikan berdasarkan status marital
H1 = ada perbedaan pendidikan berdasarkan status marital
Dasar pengambilan keputusan :
1. X2 hitung < X2 tabel Ho diterima ; X2 hitung > X2 tabel Ho ditolak
2. probabilitas > 0.05 Ho diterima ; probabilitas < 0.05 Ho ditolak
Hasil : tingkat signifikansi = 5% ; df = 9 ; X2 tabel = 16.919 ; X2 hitung = 30.605 ;
asymp. sig = 0.000 ; contingency coeff. = 0.526 Karena : X2 hitung > X2 tabel maka Ho ditolak
asymp. Sig < 0.05 maka Ho ditolak
Artinya ada perbedaan tingkat pendidikan berdasarkan status maritalnya dan hal ini diperkuat dengan kuatnya hubungan yang 52.6%
pendi di kan terakhi r * status marital C rosstabul ati on
Count 1 4 5 3 13 9 24 1 2 36 5 10 1 2 18 0 13 0 0 13 15 51 7 7 80 SD SMP SMA Sarjana pendidikan terakhir Tot al
belum k awin kawin janda duda st atus marital
Tot al
Symmetri c Measures
.526 .000 80
Contingency Coef f icient Nominal by Nominal
N of Valid Cas es
Value Approx. Sig.
Chi-Square Tests 30. 605 9 .000 29. 160 9 .001 3. 412 1 .065 80 Pears on Chi-Square Likelihood R atio Linear-by -Linear Assoc iation N of Valid Cases Value df Asy mp. Sig. (2-sided)
Membuat tabel X
2
• Pada file baru, buat variabel dengan nama
df
• Isi variabel tersebut dengan angka berurutan
• Buka menu transform > compute
– Pada target variabel ketik chi_5 (untuk 95%)
– Numeric expr gunakan fungsi IDF.CHISQ
(0.95,df)
– Tekan OK
30. Uji Anova
Anova : menguji rata-rata satu kelompok / lebih melalui satu variabel dependen / lebih
berbeda secara signifikan atau tidak.
ONE WAY ANOVA
Satu variabel dependen (kuantitatif) dan satu kelompok (kualitatif)
Contoh : apakah pandangan siswa tentang IPS (kuantitatif) berbeda berdasarkan jenjang pendidikannya (kualitatif : SD, SLTP, SMU)
MULTIVARIAT ANOVA
Variabel dependen lebih dari satu tetapi kelompok sama
Contoh : apakah rata-rata ulangan dan pandangan siswa terhadap IPS berbeda untuk tiap daerah
Satu variabel dependen tetapi kelompok berbeda
Contoh : apakah rata-rata ulangan berbeda berdasar kan klasifikasi sekolah dan kelompok penelitian
Variabel dependen lebih dari satu dan kelompok berbeda
Contoh : apakah rata-rata ulangan dan pandangan siswa terhadap IPS berbeda berdasarkan klasifikasi Sekolah dan kelompok penelitian
31. Uji Anova
ONE WAY ANOVA
F = RJKa RJKi JKa =
Σ
k j=1 J2 j nj - J 2 N Jki =Σ
k j=1Σ
nj i=1 X2 ij -Σ
k j=1 J2 j nj Di mana :J = jumlah seluruh data N = banyak data
k = banyak kelompok
nj = banyak anggota kelompok j Jj = jumlah data dalam kelompok j Contoh :
Apakah terdapat perbedaan pandangan terhadap IPS siswa SD, SLTP, SMU ? Ho : μ1 = μ2 = μ3 (tidak terdapat perbedaan sikap)
X1 X2 X3 3 1 2 4 1 2 5 2 3 4 1 3 5 2 5 21 7 15 4.2 1.4 3
Σ
Jka = 212 + 72 + 152 5 - 432 15 = 19.73 Jki = 32 + 42 + 52 … - 212 + 72 + 152 5 = 10 RJKa = Jka k-1 = 19.73/2 = 9.865 RJKi = Jki N - k = 10/15-3 = 0.833 F = 9.865 / 0.833 = 11.838Sumber adanya perbedaan Jumlah Kuadrat (JK) Derajat Kebebasan (df) Rata-rata Jumlah Kuadrat (RJK) F Antar kelompok 19.73 k – 1 = 2 9.865 11.838 Inter kelompok 10 N – k = 12 0.833
α
= 0.05 ; df = 2 dan 12 ; F tabel = 3.88 ; F hitung = 11.838 F hitung > F tabel , maka Ho ditolakTerdapat perbedaan pandangan siswa SD, SLTP, SMU terhadap IPS
CONTOH :
Apakah ada perbedaan rata-rata penghasilan sesudah bencana jika dilihat dari sumbangan yang diterima ?
Ho = rata-rata penghasilan tidak berbeda dilihat dari sumbangan yang diterima
Langkah-langkah :
1. Analysis > compare mean > one way anova
2. Dependent list penghasilan (kuantitatif) ; factor sumbangan yg diterima (kualitatif) 3. Option > descriptive & homogeneity of variance diberi tanda check
4. Post hoc > bonferroni & tukey diberi tanda check 5. Ok
Pemaknaan interpretasi :
Descriptives
penghas ilan sesudah bencana
29 1341379 528148. 55 98074.72 1140482.3 1542276 600000 2500000 30 1485000 501918. 73 91637.40 1297580.5 1672420 500000 2400000 21 1752381 528790. 17 115391 1511678.6 1993083 1. E+06 2800000 80 1503125 537006. 69 60039.17 1383620.0 1622630 500000 2800000 sedikit sedang bany ak Tot al N Mean Std.
Dev iation Std. Error Lw Bound Up Bound
95% Conf idence Interv al f or Mean
Min Max
Penghasilan sesudah bencana rata-rata paling besar diterima oleh kelompok yang mendapat sumbangan banyak
Kemudian lakukan interpretasi terhadap homogenitas varians, sebagai syarat untuk pengujian asumsi uji anova
Ho : varians populasi identik Probabilitas > 0.05 Ho diterima
Test of Homogeneity of Variances
penghas ilan s esudah bencana
.100 2 77 .905
Lev ene
Stat istic df 1 df 2 Sig.
Karena probabilitas > 0.05 (lihat sig. 0.905) maka keputusan Ho diterima, artinya varians homogen sehingga pengujian anova dapat dilanjutkan
Pengambilan keputusan berdasarkan nilai F :
Berdasarkan df1 = 2 (klasifikasi jumlah sumbangan yang diterima – 1); dan df2 = 77 (jumlah N – klasifikasi jumlah sumbangan yang diterima), maka F tabel adalah (0.05, 2, 77) = 3.13 sehingga F hitung > F tabel maka Ho ditolak penghasilan berbeda berdasarkan sumbangan yg diterima
ANOVA penghas ilan sesudah bencana
2073242970032.8 2 1036621485016 3. 854 .025 20708475779967 77 268941243895.7 22781718750000 79 Between Groups Within Groups Tot al
Sum of Squares df Mean Square F Sig.
Pengambilan keputusan berdasarkan probabilitas :
Karena p (sig.) < 0.05 maka Ho ditolak, artinya penghasilan yang diterima setelah bencana berbeda berdasarkan sumbangan yang diterima
Cara melihat F tabel :
1. Sisi horisontal : df pembilang (numerator) ; sisi vertikal : df penyebut (denominator) 2. Skor bagian atas untuk 0.05 dan skor bagian bawah untuk 0.01
Multi pl e Compari sons Dependent Variable: penghasilan sesudah benc ana
-143620.69 135050. 2 .540 -466371.94 179130. 56 -411001.64* 148595. 3 .019 -766123.91 -55879. 37 143620. 690 135050. 2 .540 -179130.56 466371. 94 -267380.95 147551. 5 .172 -620008.61 85246.70 411001. 642* 148595. 3 .019 55879.37 766123. 91 267380. 952 147551. 5 .172 -85246. 70 620008. 61 -143620.69 135050. 2 .873 -474143.15 186901. 77 -411001.64* 148595. 3 .021 -774674.55 -47328. 73 143620. 690 135050. 2 .873 -186901.77 474143. 15 -267380.95 147551. 5 .222 -628499.18 93737.27 411001. 642* 148595. 3 .021 47328.73 774674. 55 267380. 952 147551. 5 .222 -93737. 27 628499. 18 (J ) sumbangan diterima sedang bany ak sedikit bany ak sedikit sedang sedang bany ak sedikit bany ak sedikit sedang (I ) s umbangan diterima sedikit sedang bany ak sedikit sedang bany ak Tuk ey HSD Bonf erroni Mean Dif f erence
(I -J) Std. Error Sig. Lower Bound Upper Bound 95% Conf idence Interv al
The mean dif f erence is s ignif icant at the .05 lev el. *.
Analisis lanjutan (tukey dan bonferroni) :
1. Kolom Mean difference memperlihatkan perbedaan rata-rata (I-J) dan tanda * memperlihatkan perbedaan yang signifikan, artinya yang menerima sumbangan sedikit berbeda signifikan dengan yang menerima sumbangan banyak dalam hal penghasilannya sesudah bencana
2. Antara sumbangan yang diterima sedang tidak berbeda signifikan dengan sumbangan yang diterima sedikit atau banyak
33. Uji Anova
MULTIVARIAT ANOVA dengan menggunakan SPSS
Data yang digunakan untuk variabel dependen adalah data kuantitatif, sedangkan
faktor atau kelompok adalah data kualitatif
Contoh Kasus :
apakah status marital mempunyai pengaruh yang signifikan terhadap penghasilan Sebelum terjadinya bencana & usia
Variabel dependen adalah penghasilan sebelum terjadinya bencana & usia ;
Faktor (kelompok) adalah status marital
Langkah-langkah :
1. Analysis > general linear model > multivariat
2. Dependent variables usia & penghasilan sebelum bencana (kuantitatif) ; fix factor status marital (kualitatif)
3. Option > descriptive statistic & homogeneity test diberi tanda check 4. Ok
Levene's Test of Equali ty of Error Variancesa 2. 772 3 76 .047 .450 3 76 .718 penghas ilan sebelum bencana usia F df 1 df 2 Sig.
Tes ts the null hy pothesis t hat the error v arianc e of the dependent v ariable is equal across groups.
Des ign: Int ercept+STATUS a.
Ho diterima
Varians tiap variabel identik
Uji varians dilakukan 2 tahap :
Tahap 1 :
Pengujian terhadap varians tiap-tiap variabel dependen Ho = varians populasi identik (sama)
alat analisis : Lavene Test ;
Tahap 2 :
Pengujian terhadap varians populasi secara keseluruhan
Ho = matriks varians sama (varians populasi sama yakni keseluruhan variabel dependen) alat analisis : Box’s M ;
keputusan : probabilitas > 0.05 maka Ho diterima probabilitas < 0.05 maka Ho ditolak
Box's Test of Equal ity of Covariance Matricesa
9. 578 .956 9 2964.095 .475 Box's M F df 1 df 2 Sig.
Tes ts the null hy pot hesis that t he observ ed cov ariance
matric es of the dependent v ariables are equal across groups . Des ign: Intercept+STATUS
a.
Ho diterima
Uji Multivariat :
Ho = rata-rata vektor sampel identik (sama)
alat analisis : Pillai Trace, Wilk Lambda, Hotelling Trace, Roy’s keputusan : probabilitas > 0.05 maka Ho diterima
Ho ditolak :
rata-rata vektor sampel tidak identik
Kesimpulan : Status marital
mempunyai pengaruh terhadap
penghasilan dan usia
Multi variate Testsc
.945 644.853a 2. 000 75. 000 .000 .055 644.853a 2. 000 75. 000 .000 17. 196 644.853a 2. 000 75. 000 .000 17. 196 644.853a 2. 000 75. 000 .000 .895 20. 517 6. 000 152.000 .000 .283 22. 004a 6. 000 150.000 .000 1. 906 23. 512 6. 000 148.000 .000 1. 482 37. 552b 3. 000 76. 000 .000 Pillai's Trace Wilks' Lambda Hot elling's Trace Roy 's Largest Root Pillai's Trace
Wilks' Lambda Hot elling's Trace Roy 's Largest Root Ef f ec t
Interc ept
STATUS
Value F Hy pot hesis df Error df Sig.
Exact st atist ic a.
The st atist ic is an upper bound on F that y ields a lower bound on t he signif icanc e lev el. b.
Des ign: Intercept+STATUS c.
Artinya :
Perubahan status marital menyebabkan terjadinya perubahan penghasilan dan penambahan usia