BIOSTATISTIK

OLEH:

NAMA : LISA ANGGRAYNI

NIM : PO714241151018

KELAS : IV.A (D.IV FISIOTERAPI)

POLITEKNIK KESEHATAN

KEMENTRIAN KESEHATAN MAKASSAR

D.IV FISIOTERAPI/ T.A 2018

1. Statistika Deskriptif
Statistik deskriptif adalah statistik yang digunakan untuk menggambarkan atau
menganalisis suatu statistik hasil penelitian tetapi tiadak digunakan untuk membuat
kesimpulan yang lebih luas. Dengan kata lain hanya melihatgambaran secara umum dari
data yang didapatkan.Contoh statistika deskriptif yang sering muncul adalah, tabel,
diagram, grafik, dan besaran-besaran lain di majalah dan koran-koran. Informasi yang
dapat diperoleh dari statistika deskriptif ini antara lain ukuran pemusatan data, ukuran
penyebaran data, serta kecenderungan suatu gugus data.Statistik deskriptif menggunakan
prosedur numerik dan grafis dalam meringkas gugus data dengan cara yang jelas dan
dapat dimengerti

Terdapat dua metode dasar dalam statistik deskriptif, yaitu numerik dan grafis.

a. Pendekatan numerik dapat digunakan untuk menghitung nilai statistik dari

sekumpulan data, seperti mean dan standar deviasi. Statistik ini memberikan
informasi tentang rata-rata dan informasi rinci tentang distribusi data.
b. Metode grafis lebih sesuai daripada metode numerik untuk mengidentifikasi pola-
pola tertentu dalam data, dilain pihak, pendekatan numerik lebih tepat dan
objektif. Dengan demikian, pendekatan numerik dan grafis satu sama lain saling
melengkapi, sehingga sangatlah bijaksana apabila kita menggunakan kedua
metode tersebut secara bersamaan.

2. Ukuran Pemusatan
Ukuran pemusatan adalah sembarang ukuran yang menunjukkan pusat segugus
data, yang telah diurutkan dari yang terkecil sampai yang terbesar atau sebaliknya dari
yang terbesar sampai yang terkecil. Salah satu kegunaan dari ukuran pemusatan data
adalah untuk membandingkan dua (populasi ) atau contoh, karena sangat sulit untuk
membandingkan masing-masing anggota dari masing-masing anggota populasi. Nilai
ukuran pemusatan ini dibuat sedemikian sehingga cukup mewakili seluruh nilai pada data
yang bersangkutan.Nilai Pemusatan data yang sering digunakan antara lain mean ,
median da modus.
3. Mean
Mean adalah nilai rata-rata dari beberapa buah data. Nilai mean dapat ditentukan
dengan membagi jumlah data dengan banyaknya data. Mean (rata-rata) merupakan suatu
ukuran pemusatan data. Mean suatu data juga merupakan statistik karena mampu
menggambarkan bahwa data tersebut berada pada kisaran mean data tersebut. Mean tidak
dapat digunakan sebagai ukuran pemusatan untuk jenis data nominal dan ordinal.
Mean adalah teknik penjelasan kelompok yang didasarkan atas nilai rata-rata dari
kelompok tersebut. Rata-Rata (mean) ini didapat dengan menjumlahkan data seluruh
individu dalam kelompok itu, kemudian dibagi dengan jumlah individu yang ada pada
kelompok tersebut.
Rumus Cara Menghitung Mean (Nilai Rata-rata)
Jika suatu data terdiri atas n datum, yaitu x1, x2, ... xn, mean dari data tersebut
dirumuskan sebagai berikut.

4. Median
Median adalah salah satu teknik penjelasan kelompok yang didasarkan atas nilai
tengah dari kelompok data yang telah disusun urutannya dari yang terkecil sampai yang
terbesar, atau sebaliknya dari yang terbesar sampai yang terkecil.
Median menentukan letak tengah data setelah data disusun menurut urutan
nilainya. Bisa juga nilai tengah dari data-data yang terurut. Simbol untuk median adalah
Me. Dengan median Me, maka 50% dari banyak data nilainya paling tinggi sama dengan
Me, dan 50% dari banyak data nilainya paling rendah sama dengan Me. Dalam mencari
median, dibedakan untuk banyak data ganjil dan banyak data genap. Untuk banyak
data ganjil, setelah data disusun menurut nilainya, maka median Me adalah data yang
terletak tepat di tengah. Median bisa dihitung menggunakan rumus sebagai berikut:
5. Modus
Modus merupakan nilai yang paling sering muncul. Apabila ada data data
frekuensi, jumlah dari suatu nilai dari kumpulan data, maka bisa memakai modus.
Mode atau modus adalah nilai variabel (atribut) yang memiliki frekuensi tertinggi.
Mode dapat dipakai terhadap data kuantitatif dan data kualitatif. Jika kita dengar atau
baca : kebanyakan kematian di Indonesia disebabkan oleh penyakit malaria, pada
umumnya kecelakaan lalu lintas karena kecerobohan pengemudi, maka ii tiada lain
masing-masing merupakan modus penyebab kematian dan kecelakaan lalu lintas.
Untuk bisa melihat hasil akhir dari modus maka kita harus menentukan kelas pada
tabel dengan memilih frekuensi yang paling banyak. Lihat detail rumusnya dibawah ini

6. Jangkauan atau Rentang (Range)

Dalam sekelompok data kuantitatif akan terdapat data dengan nilai terbesar dan
data dengan nilai terkecil. Rentang (range) atau disebut juga dengan jangkauan adalah
selisih antara data dengan nilai yang terbesar dengan data denga nilai yang terkecil
tersebut. \[R = x_{max} - x_{min}\] dimana $R$ adalah range (jangkauan atau rentang),
$x_{max}$ adalah nilai data yang paling besar dan $x_{min}$ nilai data yang paling
kecil.
 Rentang = Xmax – Xmin,
Xmax adalah data terbesar dan Xmin adalah data terkecil.

Range yang biasa diberi lambang R adalah salah satu ukuran statistik yang
menunjukkan jarak penyebaran antara skor (nilai) yang terendah (Lowest Score) sampai
skor (nilai) yang tertinggi (Highest Score). Dengan singkat dapat dirumuskan dengan

R = H-L
Range kita gunakan sebagai ukuran apabila di dalam waktu yang sangat singkat
kita ingin memperoleh gambaran tentang penyebaran data yang sedang kita selidiki
dengan mengabaikan faktor ketelitian atau kecermatan.
Adapun Kelebihan dan Kelemahan Range :
a. Kelebihan range sebagai suatu ukuran penyeabran data ialah dengan
menggunakan range dalam waktu singkat kita dapat memperoleh gambaran
umum mengenai luas penyebaran data yang sedang kita hadapi.
b. kelemahannya adalah sebagai berikut:
1) Range akan sangat bergantung pada nilai-nilai ekstrimnya. Dengan kata
lain besar-kecilnya range akan sangat ditentukan oleh nilai tertinggi dan
terendah yang terdapat dalam data distribusinya, dengan demikian range
sifatnya sangat labil dan kurang teliti.
2) Range sebagai ukuran penyebaran data tidak memperhatikan distribusi
yang terdapat dalam range itu sendiri, sehingga apabila yang diketahui
hanya nilai tertinggi dan terendahnya saja, kita tidak akan tahu nilai-nilai
yang didapat oleh setiap orangnya dari masing-masing tes yang dilalui.

7. Simpangan Baku (standard deviation)

Standar deviasi merupakan ukuran penyebaran yang paling banyak digunakan.

Semua gugus data dipertimbangkan sehingga lebih stabil dibandingkan dengan ukuran
lainnya. Namun, apabila dalam gugus data tersebut terdapat nilai ekstrem, standar deviasi
menjadi tidak sensitif lagi, sama halnya seperti mean.

Standar Deviasi memiliki beberapa karakteristik khusus lainnya. SD tidak berubah

apabila setiap unsur pada gugus datanya di tambahkan atau dikurangkan dengan nilai
konstan tertentu. SD berubah apabila setiap unsur pada gugus datanya dikali/dibagi
dengan nilai konstan tertentu. Bila dikalikan dengan nilai konstan, standar deviasi yang
dihasilkan akan setara dengan hasilkali dari nilai standar deviasi aktual dengan konstan.

Rumus Simpangan Baku untuk Data Tunggal

untuk data sample menggunakan rumus :

untuk data populasi menggunkan rumus :

Rumus Simpangan Baku Untuk Data Kelompok

untuk sample menggunakan rumus :

untuk populasi menggunakan rumus :

8. Varians (variance)
Varians adalah salah satu ukuran dispersi atau ukuran variasi. Varians dapat
menggambarkan bagaimana berpencarnya suatu data kuantitatif. Varians diberi simbol
σ2 (baca: sigma kuadrat) untuk populasi dan untuk s2 sampel.
Selanjutnya kita akan menggunakan simbol s2 untuk varians karena umumnya
kita hampir selalu berkutat dengan sampel dan jarang sekali berkecimpung dengan
populasi.
Rumus varian atau ragam data tunggal untuk populasi :

Rumus varian atau ragam data tunggal untuk sampel :

Rumus varian atau ragam data kelompok untuk populasi :

Rumus varian atau ragam data kelompok untuk sampel

Keterangan:
σ2 = varians atau ragam untuk populasi
S2 = varians atau ragam untuk sampel
 fi = Frekuensi
xi = Titik tengah
x¯ = Rata-rata (mean) sampel dan μ = rata-rata populasi
n = Jumlah data

9. Koefisien variasi (Coefficient of variation)

Koefisien variasi merupakan suatu ukuran variansi yang dapat digunakan untuk
membandingkan suatu distribusi data yang mempunyai satuan yang berbeda. Kalau kita
membandingkan berbagai variansi atau dua variabel yang mempunyai satuan yang berbeda
maka tidak dapat dilakukan dengan menghitung ukuran penyebaran yang sifatnya absolut.

Koefisien variasi adalah suatu perbandingan antara simpangan baku dengan nilai rata-rata
dan dinyatakan dengan persentase.

Besarnya koefisien variasi akan berpengaruh terhadap kualitas sebaran data. Jadi jika
koefisien variasi semakin kecil maka datanya semakin homogen dan jika koefisien
korelasi semakin besar maka datanya semakin heterogen.

10. Standar eror

Standar error adalah standar deviasi dari rata-rata. Bila kita mempunyai beberapa
kelompok data, misalnya tiga kelompok, maka kita akan mempunyai tiga buah nila rata-
rata. Bila kita hitung nilai standar deviasi dari tiga buah nilai rata-rata tersebut, maka
nilai standar deviasi dari nilai rata-rata tersebut disebut nilai standar error. Simbol
standar error untuk sampel adalah atau kadang-kadang ditulis SE.
 Rumus menghitung nilai standar error adalah sebagai berikut

11. Kuartil (Kuartiles)

Secara umum kuartil merupakan sekumpulan data yang dibagi menjadi empat bagian
yang sama banyak, sesudah disusun menurut urutan nilainya, maka bilangan pembaginya
disebut kuartil. Pengertian kuartil di atas juga didukung oleh Andi (2007: 80) menyebutkan,
nilai kuartil merupakan nilai dari sekumpulan data yang dibagi menjadi empat bagian yang
sama, dan yang membagi data tersebut dinamakan kuartil. Selain itu juga terdapat pengertian
lainnya yang menyebutkan kuartil merupakan nilai atau angka yang membagi data terkecil
sampai data terbesar atau sebaliknya dari data terbesar sampai data terkecil, (Riduwan, 2009:
104).
Menurut Andi (2007: 80), menyebutkan Ada tiga buah kuartil, yakni kuatil pertama,
kuartil kedua, dan kuartil ketiga yang masing-masing disingkat dengan K1, K2, dan K3.
Pemberian nama ini dimulai dari nilai kuartil paling kecil. Untuk menentukan nilai kuartil
dapat dilakukan dengan dua kategori yaitu, nilai kuartil yang belum dikelompokkan (data
tunggal), dan juga data yang sudah dikelompokkan (data kelompok).
a. Kuartil Data Tunggal
Menurut Andi (2007: 80), pada bukunya menyebutkan untuk menentukan nilai kuartil
yang belum dikelompokkan (data tunggal) memiliki beberapa langkah-langkah, yaitu
sebagai berikut:
1) langkah pertama menyusun data, dengan mengurutkan data dimulai dari yang terkecil
sampai yang terbesar.
2) Menentukan letak kuartil yang diminta dengan menggunakan rumus:

Keterangan
Ki = kuartil ke –
 n = jumlah data
i = letak kuartil

b. Kuartil data berkelompok

Mencari kuartil dalam bentuk data berkelompok terlebih dahulu adanya tabel distribusi
frekuensi. Hal ini juga disampaikan oleh Riduwan (2009: 106), menyebutkan bahwa
mencari kuartil data kelompok haruslah dibuat susunan distribusi frekuensi terlebih dahulu,
dalam hal ini semata-mata untuk mempermudah perhitungan. Selain itu Riduwan juga
menerangkan langkah-langkah pembuatan tabel distribusi frekuensi (2009: 106), yaitu:
1) Menyusun data dari yang terkecil sampai yang terbesar
2) Menghitung rentang (range)
3) Jumlah kelas
4) Dan panjang kelas intervalnya
Setelah tabel distribusi terbentuk, maka dilanjutkan dengan mencari nilai
kuartildengan rumus yang diungkapkan Andi (2007: 81), seperti berikut:

Keterangan:
b = Tepi bawah interval kelas Ki ( b = batas bawah - 0,5)
p = Panjang kelas interval
i = Letak Ki
n = Banyak data
F = Frekuensi kumulatif sebelum kelas Ki
f = Frekuensi pada kelas Ki

12. Desil (Deciles) “ Ds”

Jika sekumpulan data dibagi menjadi 10 bagian yang sama, maka didapat
sembilan pembagi dan tiap pembagi dinamakan desil. Karenanya ada sembilan buah
desil, ialah D1, D2, …, D9. Hal ini diperkuat oleh Riduwan (2009: 111), menyatakan
desil (Ds) ialah nilai atau angka yang membagi data yang menjadi 10 bagian yang sama,
setelah disusun dari data terkecil sampai data terbesar atau sebaliknya.
Berdasarkan penjelasan di atas, maka data diartikan bahwa desil (Ds) merupakan
angka yang membagi data menjadi 10 bagian yang sama setelah melalui penyusunan
data terlebih dahulu. Data itu dapat disusun dimulai dari angka terkecil sampai dengan
angka terbesar. Menurut Riduwan pada bukunya (2009: 111), menyebutkan bahwa cara
mencari desil hampir sama dengan mencari kuartil hanya bedanya terletak pada
pembagian saja. Harga-harga desil di wakili dengan: D1, D2, D3, . . . . . . . . . . D9. Untuk
menentukan nilai desil dapat dilakukan dengan dua kategori yaitu, nilai desil yang belum
dikelompokkan (data tunggal), dan juga data yang sudah dikelompokkan (data
kelompok).
a. Desil data tunggal
Menurut Andi (2007: 82), pada bukunya menyebutkan untuk menentukan nilai desil
yang belum dikelompokkan (data tunggal)
1) langkah pertama menyusun data, dengan mengurutkan data dimulai dari yang
terkecil sampai yang terbesar.
2) Menentukan letak desil yang diminta dengan menggunakan rumus:

Keterangan:

Di = desil ke –
n = jumlah data
i = urutan desil

b. Desil data berkelompok

Mencari desil dalam bentuk data berkelompok terlebih dahulu dengan adanya tabel
distribusi frekuensi. Hal ini juga disampaikan oleh Riduwan (2009: 112), menyebutkan
bahwa mencari desil data berkelompok haruslah dibuat susunan dristribusi frekuensi
 terlebih dahulu, dalam hal ini semata-mata untuk mempermudah perhitungan. Selain itu
Riduwan juga menerangkan langkah-langkah pembuatan tabel distribusi frekuensi (2009:
112), yaitu:
1) Menyusun data dari yang terkecil sampai yang terbesar
2) Menghitung rentang (range)
3) Jumlah kelas
4) Dan panjang kelas intervalnya.

Setelah tabel distribusi frekuensi terbentuk, maka dilanjutkan dengan mencari nilai desil
dengan rumus yang diungkapkan Andi (2007: 83), seperti berikut:

Keteragan:
b = Tepi bawah interval kelas Dsi ( b = batas bawah - 0,5)
p = Panjang kelas interval
i = letak Dsi
n = Banyak data
F = Frekuensi kumulatif sebelum kelas Dsi
f = Frekuensi pada kelas Dsi

13. Persentil (Percentiles) “Ps”

Sekumpulan data yang dibagi menjadi 100 bagian yang sama, akan menghasilkan 99
pembagi berturut-turut yang dinamakan persentil pertama, persentil kedua, …, persentil
ke- 99. Penjelasan di atas juga didukung oleh Riduwan (2009: 114), menyatakan persentil
(Ps) ialah nilai yang membagi data menjadi 100 bagian yang sama. Setelah disusun dari
angka terkecil sampai ke yang terbesar. Harga persentil ada 99 bagian yaitu Ps 1, Ps2, Ps3,
......., Ps99.
 Selain itu persentil memiliki 99 bagian, dimulai dari Ps1 sampai dengan Ps99.
Menurut Andi (2007: 85), untuk menentukan nilai-nilai persentil tersebut dapat dibagi
menjadi dua yaitu data yang belum dikelompokkan (data tunggal) dan data yang sudah
dikelompokkan (data kelompok).
a. Persentil data tunggal
Menurut Andi (2007: 82), pada bukunya menyebutkan untuk menentukan nilai
persentil yang belum dikelompokkan (data tunggal), memiliki beberapa langkah-langkah,
yaitu:
1) Langkah pertama menyusun data, dengan mengurutkan data dimulai dari yang
terkecil sampai yang terbesar.
2) Menentukan letak persentil yang diminta dengan menggunakan rumus

Keterangan:

Pi = persentil ke –
n = jumlah data
i = urutan persentil
b. Persentil data berkelompok
Mencari persentil dalam bentuk data berkelompok terlebih dahulu dengan adanya tabel
distribusi frekuensi. Hal ini juga disampaikan oleh Riduwan (2009: 116), menyebutkan
bahwa mencari persentil data berkelompok haruslah dibuat susunan dristribusi frekuensi
terlebih dahulu, dalam hal ini semata-mata untuk mempermudah perhitungan.
Setelah tabel distribusi terbentuk, maka dilanjutkan dengan mencari nilai persetil dengan
rumus yang diungkapkan Andi (2007: 86), seperti berikut:
 Keterangan
b = Tepi bawah interval kelas Psi ( b = batas bawah - 0,5)
p = Panjang kelas interval
i = letak Psi
n = Banyak data
F = Frekuensi kumulatif sebelum kelas Psi
f = Frekuensi pada kelas Psi

14. Statistik inferensial

Statistika Inferensial adalah serangkaian teknik yang digunakan untuk mengkaji,
menaksir dan mengambil kesimpulan berdasarkan data ynag diperoleh dari sempel untuk
menggambarkan karakteristik atau ciri dari suatu populasi. Oleh karena itu, statistika
inferensial disebut juga statistik induktif atau statistik penarikan kesimpulan. Dalam
statistika inferensial, kesimpulan dapat diambil setelah melakukan pengolahan serta
penyajian data dari suatu sampel yang diambil dari suatu populasi, sehingga agar dapat
memberikan cerminan yang mendekati sebenarnya dari suatu populasi, maka ada
beberapa hal yang perlu diperhatikan dalam statistika inferensial, diantaranya:

1. Banyaknya subyek penelitian, maksudnya jika populasi ada 1000, maka sampel yang
diambil jangan hanya 5, namun diusahakan lebih banyak, seperti 10 atau 50.
2. Keadaan penyebaran data. Dalam hal ini perlu diperhatikan bahwa pengambilan
sampel harus merata pada bagian populasi. Diharapkan dalam pengambilan sampel
dilakukan secara acak, sehingga kemerataan dapat dimaksimalkan dan apapun
kesimpulan yang didapat dapat mencerminkan keadaan populasi yang sebenarnya.

Statistika Inferensial dibagi menjadi dua, yaitu Statistika Parametrik dan Statistika
Non Parametrik.
Contoh dari statistika inferensial adalah pada pemilihan Ketua BEM Undiksha
tahun 2008. Dalam kegiatan ini, walaupun sistem pemilihannya dengan pemungutan
suara, tetapi tidak semua mahasiswa Undiksha yang diberikan untuk memilih, melainkan
hanya perwakilan dari masing-masing HMJ. Di sini telah dilakukan sampling, yaitu
pemilihan sampel (perwakilan HMJ), dari suatu populasi (seluruh mahasiswa Undiksha).
 Statistika Inferensial atau induktif adalah statistik bertujuan menaksir secara
umum suatu populasi dengan menggunakan hasil sampel, termasuk didalamnya teori
penaksiran dan pengujian teori. Statistika Inferensial digunakan untuk melakukan :
a. Generalisasi dari sampel ke populasi.
b. Uji hipotesis (membandingkan atau uji perbedaan/kesamaan dan menghubungkan,
yaitu uji keterkaitan, kontribusi).

15. Statistik Parametrik

a. Pengertian
Statistic parametric adalah statistic yang digunakan untuk menganalisis data interval
atau rasio, yang diambil dari populasi yang berdistribusi normal. Statistic parametric
adalah bagian statistic yang parameter dari populasinya mengikuti suatu distribusi
tertentu, seperti distribuso normal, dan memiliki varians yang homogeny.
b. Syarat statistik parametric
1) Dari populasi dengan distribusi normal
2) Sampel diambil secara random
3) Sampel mempunyai varians yang sama
4) Skala pengukuran interval atau rasio
c. Kelemahan statistic parametric
1) Populasi harus memiliki varian yang sama
2) Variable-variabel yang diteliti harus dapat diukur setidaknya dalam skala interval
3) Dalam analisis varian ditambahkan persyaratan rata-rata dari populasi harus
normal dan bervarian sama dan harus merupakan kombinasi linear dari efek-efek
yang ditimbulkan.
d. Keunggulan statistic parametric
1) Syarat-syarat parameter dari suatu populasi yang menjadi sampel biasanya tidak
diuji dan dianggap memenuhi syarat, pengukuran terhadap data dilakukan dengan
kuat.
2) Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi normal
serta memiliki varian yang homogeny.
16. Satatistik Non-parametrik
a. Pengertian
Statistik non-parametrik adalah statistic bebas sebaran (tidak mensyaratkan bentuk
sebaran parameter populasi, baik normal atau tidak.
b. Syarat statitistik non-parametrik
1) Data tidak berdistribusi normal
2) Umumnya data berskala nominal dan ordinal
3) Umumnya dilakukan pada penelitian sosial
4) Umumnya jumlah sampel kecil.
c. Kelemahan statistik non-parametrik
1) Statistik non parametric terkadang mengabaikan beberapa informa tertentu.
2) Hasil pengujian hipotesis dengan statistic non-parametrik tidak setajam statistik
parametric
3) Hasil statistik non-parametrik tidak dapat di ekstrapolasikan ke populasi studi
seperti pada statistik parametrik, hal ini dikarenakan statistik non-parametrik
mendekati eksperimen dengan sampel kecil dan umumnya membandingkan dua
kelompok tertentu.
d. Keunggulan statistik non-parametrik
1) Tidak membutuhkan asusmsi normalitas
2) Secara umum metode statistik non-parametrik lebih mudah dikerjakan dan lebih
mudah dimengerti jika dibandingkan dengan statistic parametric karena statistic
non-parametrik tidak membutuhkan perhitungan matematika yang rumit seperti
halnya statistic parametric.
3) Statistik non-parametrik dapat digantikan data numeric (nominal) dengan jenjang
(ordinal).
4) Kadang-kadang pada statistic non-parametrik tidak dibutuhkan urutan atau
jenjang secara formal karena sering dijumpai hasil pengamatan yang dinyatakan
dalam data kualitatif.
5) Pengujian hipotesis dilakukan secara langsung pada pengamatan yang nyata
6) Walaupun tidak terikat pada sistribusi normal populasi, tetapi tetap dapat
digunakan pada populasi berdistribusi normal
17. Uji T
Uji T adalah salah satu test statistik yang dipergunakan untuk menguji kebenaran atau
kepalsuan hipotesis nihil yang menyatakan bahwa diantara dua buah mean sampel yang
diambil secara random dari populasi yang sama, tidak terdapat perbedaan yang
signifikan.(Sudjiono, 2010). Syarat uji t satu sampel :

 Data merupakan data kuantitatif

 Memenuhi asumsi berdistribusi normal

Fungsi pengujian uji t :

 Untuk memperkirakan interval rata-rata.

 Untuk menguji hipotesis tentang rata-rata suatu sampel.
 Untuk mengetahui batas penerimaan suatu hipotesis.
 Untuk menguji layak tidaknya sebuah pernyataan dapat dipercaya atau tidak.

Kelemahan:

Jika uji t yang dilakukakan harus banyak .Semakin banyak uji-t yang dilakukan
,semakin kecil angka penyesuaiannya ,semakin besar kemunkinan anda menolak Ha .

18. Anova
Anova adalah sebuah analisis statistik yang menguji perbedaan rerata antar grup. Grup
disini bisa berarti kelompok atau jenis perlakuan. Syaratnya yaitu

1. Sampel berasal dari kelompok yang independen.

2. Varian antar kelompok harus homogen.
3. Data masing-masing kelompok berdistribusi normal (Pelajari juga tentang uji
normalitas).
 Rumus

DF = Numerator (pembilang) = k-1, Denomirator (penyebut) = n-k

Dimana varian between

Dimana rata-rata gabungannya :

Sementara varian within :

Keterangan :
Sb = varian between
Sw = varian within
Sn2 = varian kelompok
X = rata-rata gabungan
Xn = rata-rata kelompok
Nn = banyaknya sampel pada kelompok
k = banyaknya kelompok

Kelebihan:

Analisis anova digunakan pada penelitian eksperimen dimana terdapat beberapa

perlakuan.dan memiliki hasil yang bermakna.
 Kelemahan

Untuk memecahkan persoalan-persoalan semacam ini ,dan kemudian

membandingannya dengan populasi yang lain .Hal tersebut dpat dilakukan dengan dua
perbandingan antar dua populasi terlebih dahulu,namun hal tersebut memakan waktu yang
cukup lama.

19. Korelasi pearson

Digunakan untuk mengetahui ada tidaknya hubungan antara 2 variabel, yaitu
variabel bebas dan variabel tergantung yang berskala interval atau rasio (parametrik)
yang dalam SPSS disebutscale. Asumsi dalam korelasi Pearson, data harus berdistribusi
normal. Korelasi dapat menghasilkan angka positif (+) dan negatif (-). Jika angka korelasi
positif berarti hubungan bersifat searah. Searah artinya jika variabel bebas besar, variabel
tergantung semakin besar. Jika menghasilkan angka negatif berarti hubungan bersifat
tidak searah. Tidak searah artinya jika nilai variabel bebas besar, variabel tergantung
semakin kecil. angka korelasi berkisar antara 0-1.

Rumus korelasi pearson :

Dimana :
r = nilai korelasi
x = variabel x
y = variabel y

Kekuatan hubungan korelasi, menurut Jonathan Sarwono sebagai berikut :

 0 : Tidak ada korelasi

 0.00 - 0.25 : korelasi sangat lemah
 0.25 - 0.50 : korelasi cukup
 0.50 - 0.75 : korleasi kuat
  0.75 - 0.99 : korelasi sangat kuat
 1 : korelasi sempurna

Langkah analisis :

1. Klik Analuze>Correlate>Bivariate
2. Pindahkan variabel sales dan penjualan ke kolom variable
3. Pilih pearson pada Correlation coeffecient
4. Pilih Two-Tailed pada Test of significance
5. Aktifkan Flag signiicant correlations
6. Kemudian OK

Hasil Output SPSS

Hasil Uji Korelasi Pearson

Hipotesis
H0= Tidak ada hubungan antara sales dan penjualan
H1= Ada hubungan antara sales dan penjualan
Kriteria : Tolak hipotesis nol (H0) jika nilai signifikansi p-value (<0.05)

Dari tabel di atas dapat diketahui bahwa nilai signifikansi p-value sebesar 0.000 (<0.05)
maka tolak hipotesis nol (H0). Kesimpulannya ada hubungan antara sales dan penjualan.
Besarnya korelasi adalah 0.827.
20. Regresi Linear Sederhana Dan Regresi Liner Berganda
Secara umum, analisis regresi pada dasarnya adalah studi mengenai
ketergantungan satu variabel dependen (terikat) dengan satu atau lebih variabel
independent (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/atau
memprediksi rata-rata populasi atau niiai rata-rata variabel dependen berdasarkan nilai
variabel independen yang diketahui. Pusat perhatian adalah pada upaya menjelaskan dan
mengevalusi hubungan antara suatu variabel dengan satu atau lebih variabel independen.
a. Regresi linear sederhana

Persamaan di atas adalah rumus dari persamaan regresi linear

sederhana. Y adalah variabel tak bebas, a adalah koefisien intersep, b adalah
kemiringan dan t adalah variabel bebas. Rumus untuk b adalah :

Dan rumus untuk mendapatkan nilai a adalah sebagai berikut :

Dalam regresi linear sederhana juga ada yang disebut dengan koefisien
korelasi yang menunjukkan bahwa nilai suatu variabel bergantung pada
perubahan nilai variabel yang lain. Rumus untuk menghitung koefisien korelasi
adalah sebagai berikut :

b. Regresi linear berganda

Analisis regresi linier berganda adalah hubungan secara linear antara dua atau
lebih variabel independen (X1, X2,….Xn) dengan variabel dependen (Y). Analisis ini
 untuk mengetahui arah hubungan antara variabel independen dengan variabel
dependen apakah masing-masing variabel independen berhubungan positif atau
negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya
berskala interval atau rasio.

Persamaan regresi linear berganda sebagai berikut:

Y’ = a + b1X1+ b2X2+…..+ bnXn

Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan)
X1 dan X2 = Variabel independen
a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)

21. WILCOXON SINED RANK TEST

Wilcoxon Signed Rank Test adalah uji nonparametris untuk mengukur

signifikansi perbedaan antara 2 kelompok data berpasangan berskala ordinal atau interval
tetapi berdistribusi tidak normal. Uji Wilcoxon Signed Rank Test merupakan uji alternatif
dari uji pairing t test atau t paired apabila tidak memenuhi asumsi normalitas. Uji ini
dikenal juga dengan istilah Wilcoxon Match Pair Test..

Perlu dibedakan uji ini dari uji yang lain tapi mirip namanya, yaitu uji Wilcoxon Rank
Sum Test. Uji Wilcoxon Rank Sum Test merupakan uji beda nonparametris 2 kelompok
data yang tidak berpasangan. atau disebut data bebas/independen

22. Uji Mann Whitney

Uji U Mann-Whitney merupakan pengujian untuk mengetahui apakah ada

perbedaan nyata antara rata-rata dua polulasi yang distribusinya sama, melalui dua
sampel independen yang diambil dari kedua populasi. Uji ini merupakan uji yang
 digunakan untuk menguji dua sampel independen ( Two Independent Sample Tests )
dengan bentuk data Ordinal.

Prosedur pengujian dapat dilakukan sebagai berikut :

1. Susun kedua hasil Pengamatan menjadi satu kelomok sampel

2. Hitung jenjang/ rangking untuk tiap – tiap nilai dalam sampel gabungan
3. Jenjang atau rangking diberikan mulai dari nilai terkecil sampai terbesar
4. Nilai beda sama diberi jenjang rata –rata
5. Selanjutnya jumlahkan nilai jenjang untuk masing-masing sampel.
6. Hitung Nilai U dengan menggunakan Rumus :

7. Diantara nilai U1 dan U2 yang lebih kecil digunakan sebagai U hitung untuk
dibandingkan degan U table
8. Jika nilai U hitung pada no. 7 lebih besar dari n1 n2/2 maka nilai tersebut adalah nilai
U’, dan nilai U dapat dihitung dengan rumus : U = n1 n2-U’
9. 9.Dengan kriteria Pengambilan keputusan : • H0 diterima bila U hitung ≥ U tabel ( α;
n1, n2) • H0 ditolak bila U hitung ≤ Utabel ( α; n1, n2)

23. UJI MC NEMAR

Uji mc nemar adalah merupakan salah satu alat statik non parametrik yang
digunakan untuk menguji perbedaan dua sampel berpasangan ( anggota sampel yang
sama ), bentuk skala data yang digunakan yaitu skala nominal atau dikotomi. Pada
 ummnya uji mc nemar ini digunakan untuk mengukur sebelum dan sesudah di berikan
perlakuan pada sampel

Syarat uji nc nemar :

1. Data nominal dan prdinal

2. Dapat digunakan untuk variabel dikotomi
3. Dua sampel yang berhubungan dengan tipe sebelum dan sesudah

24. Kruskal Wallis H

Uji Kruskal Wallis adalah uji nonparametrik berbasis peringkat yang tujuannya
untuk menentukan adakah perbedaan signifikan secara statistik antara dua atau lebih
kelompok variabel independen pada variabel dependen yang berskala data numerik
(interval/rasio) dan skala ordinal.

Perlu kami tekankan lagi, bahwa syarat atau asumsi uji ini adalah:

1. Variabel independen berskala kategorik lebih dari 2 kategori.

2. Variabel dependen berskala numeric (interval/rasio) atau skala ordinal.
3. Independen artinya sampel ditiap kategori harus bebas satu sama lain, yaitu tidak
boleh ada sampel yang berada pada 2 kategori atau lebih.
4. Tiap kategori memiliki variabilitas yang sama, yaitu bentuk kurve histogram atau
sebaran data yang sama (Lihat Histogram Variabilitas Sama). Apabila bentuk
sebaran data sama, maka uji kruskall wallis dapat digunakan untuk menilai
perbedaan Median antar kategori. Sedangkan jika bentuk sebaran tidak
sama (Lihat Histogram Variabilitas Tidak Sama), maka uji ini tidak dapat
digunakan untuk menilai perbedaan Median, jadi hanya untuk menilai perbedaan
peringkat rata-rata.

Kelebihan dan kekurangan uji mc nemar dan kruskal wallis

Kelebihan prosedur pengujian menggunakan statistik nonparametrik

dibandingkan dengan statistik parametrik ialah :
 a) Asumsi yang digunakan minimum sehingga mengurangi kesalahan penggunaan
b) Perhitungan dapat dilakukan dengan cepat dan mudah
c) Konsep dan Metode Nonparametrik mudah dipahami bahkan oleh seseorang
dengan kemampuan matematik yang minim
d) Dapat diterapkan pada skala peubah kualitatif (Nominal dan ordinal)

Kekurangan prosedur pengujian menggunakan statistik nonparametrik

dibandingkan dengan statistik parametrik ialah :

a) Bila digunakan pada data yang dapat diuji menggunakan statistika parametrik
maka hasil pengujian menggunakan statistik nonparametrik menyebabkan
pemborosan informasi
b) Pekerjaan hitung-menghitung (aritmetik) karena memerlukan ketelitian terkadang
menjemukan

25. Uji Friedman

Uji Friedman merupakan metode di dalam statistika nonparametrik yang
digunakan untuk melakukan analisis ragam 2-arah (two way analysis of variance).
Friedman Test mensaratkan tidak ada ulangan (replication) bagi perlakuan yang
diberikan kepada unit-unit percobaan. Maksudnya, hanya ada tepat 1 (satu) pengamatan
untuk setiap perlakuan di dalam setiap blok. Selain itu, perlakuan yang digunakan
setidak-tidaknya sebanyak 3 perlakuan.
Friedman Test digunakan manakala seseorang tidak mempertimbangkan asumsi
kenormalan dari distribusi sampel. Bisa juga, ketika asumsi-asumsi yang dibutuhkan oleh
metode 2-way ANOVA parametrik tidak terpenuhi. Atau, apabila data hasil pengamatan
berupa ranking-ranking (misal pada uji organoleptik, dll.), maka Friedman Test lebih
tepat digunakan, karena data berupa ranking tergolong tipe data ordinal, sehingga metode
parametrik tidak tepat untuk diterapkan.
Asumsi yang perlu dipenuhi dalam uji Friedman lebih longgar dibanding uji
ANOVA Dua Arah, yaitu :
a. Data diukur paling sedikit dalam skala ordinal
b. Pengamatan – pengamatan antar blok independen
 c. Sample – sample yang mendapat perlakuan tidak independen (
berhubungan ). Ini dapat dijumpai dalam dua keadaan, yaitu :(a) sebuah
sample mengalami beberapa ( k ) kali pengukuran ( k repeated measures )
(b) beberapa sampel mengalami percocokan ( matching )

Tidak seperti ANOVA Dua Arah, uji Friedman tidak memerlukan asumsi di
bawah ini:
1. Normalitas distribusi populasi asal sampel
2. Homogenitas varians populasi
3. Tersedianya data yang diukur dalam skala minimal interval
Rumus Uji Friedman

Dimana :

= Nilai khai-kuadrat jenjeng dua arah Friedman

n = jumlah sampel
k = banyaknya kelompok sampel
1,3, 12 = konstanta

26. Korelasi Spreadman

Uji korelasi Spearman dengan SPSS pada hakikatnya serupa dengan secara
manual. Uji korelasi Spearman adalah uji statistik yang ditujukan untuk mengetahui
hubungan antara dua atau lebih variabel berskala Ordinal. Selain Spearman, D.A. de
Vaus menyebutkan bahwa uji korelasi yang sejenis dengannya adalah Kendall-Tau.[1]
Asumsi uji korelasi Spearman adalah: (1) Data tidak berdistribusi normal dan (2) Data
diukur dalam skala Ordinal.

Rumus uji korelasi spearman untuk jumlah sampel < = 30 adalah:

 Di mana:

Uji Korelasi Spearman Secara Manual

Jika dilakukan secara manual, maka tata tertib melakukan uji korelasi Spearman adalah:

1. Jumlahkan skor item-item di tiap variabel untuk mendapatkan skor total variabel
(misalnya cari skor total variabel X dengan menotalkan item-item variabel X).

2. Lakukan rangkin skor total x (rx) dan rangking skor total y (ry).

3. Cari nilai d yaitu selisih rx – ry .

4. Cari nilai d2 yaitu kuadrat d (selisih rx – ry).

Uji Korelasi Spearman dengan SPSS

Jika uji korelasi Spearman diadakan dengan SPSS maka langkah-langkahnya sebagai
berikut:

1. Totalkan item-item variabel x menggunakan menu Transform > Compute Variable

> jumlahkan item-item variabel x.

2. Totalkan item-item variabel y menggunakan menu Transform > Compute Variable

> jumlahkan item-item variabel y.

3. Buatlah Ranking bagi rx dan ry menggunakan menu Transform > Compute >
Masukkan Skor Total Variabel X dan Variabel Y ke Variables > Pilih saja Smallest
pada Assign Rank > Klik OK. Setelah itu muncul dua variabel baru yaitu rangking
untuk x dan y (lihat di tab Variable View).
 4. Lakukan Uji Korelasi Spearman dengan SPSS dengan klik Analyze > Correlate >
Bivariate > Masukkan Rangking X dan Ranking Y ke Variables > Pada Correlation
Coefficient ceklis Spearman > Pada Test of Significance pilih 2-Tailed (jika 2 sisi)
atau 1-Tailed (jika 1 sisi) > Klik OK.

27. Chi Square Test

Uji chi-square di sebut juga dengan Kai Kuadrat. Uji chi-squeare adalah salah
satu uji statistic no-parametik (distibusi dimana besaran – besaran populasi tidak
diketahui) yang cukup sering digunakan dalam penelitian yang menggunaka dua variable,
dimana skala data kedua variable adalah nominal atau untuk menguji perbedaan dua atau
lebih proporsi sampel. Uji chi-square diterapkan pada kasus dimana akan diuji apakah
frekuensi yang akan di amati (data observasi) untuk membuktikan atau ada perbedaan
secara nyata atau tidak dengan frekuensi yang diharapkan. Chi-square adalah teknik
analisis yang digunakan untuk menentukan perbedaan frekuensi observasi (Oi) dengan
frekuensi ekspektasi atau frekuensi harapan (Ei) suatu kategori tertentu yang dihasilkan.
Uji ini dapat dilakukan pada data diskrit atau frekuensi.
Chi kuadrat mempunyai masing–masing nilai derajat kebebasan, yaitu distribusi
(kuadrat standard normal) merupakan distribusi chi kuadrat dengan d.f. = 1, dan nilai
variabel tidak bernilai negative. Kegunaan dari chi square untuk menguji seberapa baik
kesesuaian diantara frekuensi yang teramati dengan frekuensi harapan yang didasarkan
pada sebaran yang akan dihipotesiskan, atau juga menguji perbedaan antara dua
kelompok pada data dua kategorik untuk dapat menguji signifikansi asosiasi dua
kelompok pada data dua katagorik tersebut.
Uji chi-square merupakan uji non parametris yang paling banyak digunakan.
Namun perlu diketahui syarat-syarat uji ini adalah: frekuensi responden atau sampel yang
digunakan besar, sebab ada beberapa syarat di mana chi square dapat digunakan yaitu:
1) Tidak ada cell dengan nilai frekuensi kenyataan atau disebut juga Actual Count (F0)
sebesar 0 (Nol).
2) Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell saja yang
memiliki frekuensi harapan atau disebut juga expected count (“Fh”) kurang dari 5.
 3) Apabila bentuk tabel lebih dari 2 x 2, misak 2 x 3, maka jumlah cell
dengan frekuensi harapan yang kurang dari 5 tidak boleh lebih dari 20%.

Apabila tabel kontingensi 2 x 2 seperti di atas, tetapi tidak memenuhi syarat

seperti di atas, yaitu ada cell dengan frekuensi harapan kurang dari 5, maka rumus harus
diganti dengan rumus “Fisher Exact Test”. Pengamatan yang kami lakunan kami
menggunakan persamaan “Pearson Chi-Square”
Keterangan :
O : Nilai Observasi (pengamatan)
E : Nilai Expected (harapan)
Df = ( b – 1 ) ( k – 1 )

B : Jumlah baris
K : Jumlah kolom

Nilai chi square adalah nilai kuadrat karena itu nilai chi square selalu positif. Bentuk
distribusi chi square tergantung dari derajat bebas (Db)/degree of freedom. Pengertian
pada uji chi square sama dengan pengujian hipotesis yang lain, yaitu luas daerah
penolakan Ho atau taraf nyata pengujian.

Adapun kegunaan dari uji Chi-Square, adalah :

1) Ada tidaknya asosiasi antara 2 variabel (Independent test).
2) Apakah suatu kelompok homogen atau tidak (Homogenity test).
3) Uji kenormalan data dengan melihat distribusi data (Goodness of fit test).
4) Digunakan untuk menganalisis data yang berbentuk frekuensi.
5) Digunakan untuk menentukan besar atau kecilnya korelasi dari variabel-variabel
yang dianalisis.
6) Cocok digunakan untuk data kategorik, data diskrit atau data nominal.
 Cara Memberikan Interpretase Terhadap Chi Square :
1) Menentukan Df atau Db.
2) Melihat nilai Chi Square pada table.
3) Membandingkan atantara nilai Chi Square dari hasil perhitungan dengan nilai Chi
Square dari table.

28. Regresi Logistik

Regresi logistik merupakan salah satu jenis regresi yang menghubungkan antara satu
atau beberapa variabel independen (variabel bebas) dengan variabel dependen yang
berupa kategori; biasanya 0 dan 1. Jenis variabel independen berupa kategori inilah yang
membedakan regresi logistik dengan regresi berganda atau regresi linear lainnya.
Tujuan Menggunakan Regresi Logistik
a. Menghitung peluang
Persamaan yang diperoleh dari proses regresi logistik, dapat digunakan untuk
menghitung peluang responden diluar responden yang termasuk dalam penelitian.
Contoh yang dapat dipahami adalah proses pengajuan kredit. Pihak bank biasanya
melakukan evaluasi kelayakan seseorang layak atau tidak untuk menerima kredit
pinjaman dari bank. Beberapa pertanyaan diberikan kepada pihak bank terhadap calon
penerima kredit. Pertanyaan yang diberikan seputar karakteristik variabel calon
penerima modal tersebut merupakan variabel independen yang akan diinput oleh
petugas bank kedalam model. Dari beberapa variabel yang dipertanyakan itulah,
petugas bank dapat menentukan peluang calon penerima kredit tersebut untuk bisa
mengembalikan pinjaman atau tidak, nilai antara 0 – 1.
Tentunya model yang digunakan oleh petugas bank adalah model regresi logistik
berdasarkan data-data peminjam sebelumnya. Dalam model tersebut terdapat
komponen bahwa biasanya peminjam yang memiliki pendapatan dibawah sekian
dengan pinjaman yang telah dimiliki sebelumnya sekian, ditambah tanggungan kerja
sekian, memiliki peluang untuk mengembalikan pinjaman sebesar sekian ( nilai 0 -1).
b. Melihat karakteristik
Tujuan kedua ini sering digunakan untuk melihat perbedaan karakteristik antara 2
kelompok. Salah satunya adalah skripsi saya yang saya sebutkan diatas. Skripsi
 tersebut menggambarkan karakteristik petani anorganik dan petani organik. Hasil
kesimpulan bahwa peluang petani mampu beralih dari anorganik ke organik adalah
karena perbedaan harga produk hasil kedua proses tersebut. Petani organik bersedia
beralih dari anorganik ke organik meskipun produktivitas organik lebih kecil
dibanding anorganik. Namun, perbedaan harga yang tinggi menjadikan petani organik
memiliki pendapatan yang lebih tinggi dibandingkan petani anorganik.
Tujuan melihat karakteristik ini biasanya membahas nilai odds ratio di masing
masing variabel independen (nilai odds ratio adalah (exp(koefisien)) masing-masing
variabel). Nilai odds ratio menjelaskan peluang responden beralih ke organik (contoh
kasus diatas). Penjelasan nilai odds ratio berbeda dari nilai koefisien regresi pada
umumnya. Bila koefisien regresi menjelaskan : “ jika variabel X naik 1 satuan, maka
nilai Y akan naik sebesar nilai koefisien satuan” maka exp(koefisien) atau odds ratio
pada regresi logistik menjelaskan : “ responden yang memiliki variabel x lebih tinggi,
maka akan berpeluang untuk memilih organik (contoh kasus diatas) sebesar “exp(nilai
koefisien) atau biasa disebut odds ratio” kali dibandingkan responden yang memiliki
variabel x lebih rendah”. Iya, nilai exp(koefisien) pada regresi logistik atau disebut
sebagai odds ratio menjelaskan peluang, dan tidak menjelaskan berapa yang
dimaksud “lebih tinggi” dari variabel X tersebut.
c. Faktor Yang mempengaruhi
Tujuan ketiga ini merupakan pengembangan dari tujuan kedua, peneliti mampu
mengetahui faktor yang mempengaruhi mengapa terdapat perbedaan antara kedua
kelompok tersebut. Nilai odds ratio yang tinggi menandakan varaibel tersebut
memiliki pengaruh yang tinggi terhadap pemilihan beda dari responden. Tujuan
untuk mengetahui faktor yang mempengaruhi ini adalah diharapkan faktor yang
signifikan mempengaruhi tersebut merupakan faktor yang bisa diatur oleh peneliti
atau pengambil kebijakan sehingga bisa menggiring responden lainnya untuk berbuat
yang sama terhadap responden yang bernilai 1 sebelumnya.

29. Ukuran penyebaran data

Dalam pengukuran statistika terdpat pula Ukuran Penyebaran data. Ukuran
penyebaran data merupakan ukuran yang menunjukkan seberapa jauh data menyebar dari
rata-rata. Terdapat ukuran penyebaran data yang akan kita pelajari pada artikel ini, yaitu
Jangkauan (range), Simpangan rata-rata, Ragam (variasi), dan Simpangan Baku.
Penjelasan dan uraian lengkapnya akan dijelaskan pada penjelasan di bawah ini.
a. Jangkauan (Range)
Jangkauan merupakan selisih data terbesar dan data terkecil. Jangkauan sering
dilambangkan dengan R.
1) Jangkauan Data
R = xmaks – xmin

Keterangan:
R =angkauan
Xmaks = data terbesar
Xmin = data terkecil

2) Jangkauan interkuartil

H = Q3 – Q1

Keterangan :
H = jangkauan interkuartil
Q3 = kuartil ketiga
Q1 = kuartil pertama

3) Simpangan kuartil ( jangkauan semi interkuartil)

Sk = ½ Q3 – Q1

Keterangan :
Sk = simpangan kuartil
Q3 = kuartil ketiga
Q1 = kuartil pertama
b. Simpangan Rata- Rata

Simpangan rata-rata merupakan nilai rata-rata dari selisih setiap data

dengan nilai mean atau rataan hitungnya. Simpangan rata-rata sering
dilambangkan dengan SR.

1) Data Tunggal

Keterangan :
SR = simpangan rata-rata
Xi = data ke-i
X = rataan hitung
n = banyak data

2) Data Bergolong (Berkelompok)

Keterangan :
SR = simpangan rata-rata
Xi = data ke-i
X = rataan hitung
fi = frekuensi data ke-i

c. Ragam
Ragam atau variasi adlah nilai yang menunjukkan besarnya penyebaran
data pada kelompok data. Ragam atau variasi dilambangkan dengan s2.
1) Variasi untuk data tunggal

Keterangan :
s2= variasi
xi = data ke –i
x = rataan hitung
n = banyak data

2) Variasi untuk data bergolong (berkelompok)

Keterangan :
s2= variasi
xi = data ke –i
x = rataan hitung
fi = frekuensi data ke-i
30. Ukuran letak Data

Ukuran letak data yang masih merupakan salah satu pengukuran data dalam
statiska. Jika pada ukuran pemusatan data terdapat median, mean dan modus. Pada
ukuran letak data terdapat kuartil, desil dan persentil. Untuk menentukan nilai ukuran
letak data, data harus kita urutkan terlebih dahulu dari data nilai yang paling kecil ke data
yang lebih besar. Sebelum kita membahas tentang ukuran letak data, sebaiknya kita
pelajari materi Untuk penjelasan lengkapnya kita uraikan dibawah ini. ukuran ini terdiri
dari kuartil, desil, persentil.