1. Konsep StatistikaSTATISTIKA :Kegiatan untuk :                                                                     KEGUN...
2. Statistika & Metode IlmiahMETODE ILMIAH :Adalah salah satu cara mencari kebenaran yang bila ditinjau dari segipenerapan...
3. DataDATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF    DATA KUALITATIF :                    DATA KUANTITATIF :  ...
4. DataDATA NOMINAL :Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi.CIRI : pos...
5. Pengolahan DataPROSEDUR PENGOLAHAN DATA :A.   PARAMETER : Berdasarkan parameter yang ada statistik dibagi menjadi     •...
7. Penyajian DataTABEL         Tabel 1.1 Bidang Pekerjaan berdasarkan Latar Belakang Pendidikan         Count             ...
8. Membuat TabelTABEL : memberikan informasi secara rinci. Terdiri atas kolom dan baris                                  K...
9. Membuat Grafik              GRAFIK : memberikan informasi dengan benar dan cepat, tetapi tidak rinci.              Syar...
10. Jenis Grafik               Grafik Batang (Bar)                                                                        ...
11. FrekuensiFREKUENSI : banyaknya data untuk satukelompok/klasifikasi KELOMPOK       FREKUENS                    I       ...
12. Distribusi FrekuensiDISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio danmenghitung                  banyaknya...
13. Ukuran Tendensi Sentral RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilangan RATA-RATA HITUNG (RERAT...
14. MedianMEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantumemperjelas kedudukan suatu ...
15. ModusMODUS : bilangan yang paling banyak muncul dari sekumpulan bilangan,yang fungsinya untuk melihat kecenderungan da...
16. Ukuran PenyebaranUKURAN YANG MENYATAKAN HOMOGENITAS / HETEROGENITAS :1. RENTANG (Range)2. DEVIASI RATA-RATA (Average D...
17. Deviasi rata-rataDeviasi Rata-rata : penyebaranBerdasarkan harga mutlak                            Kelompok A         ...
18. Varians & Deviasi StandarVarians : penyebaran berdasarkan                 Kelompok A                      Kelompok Bju...
19. Normalitas, Hipotesis, PengujianDistribusi Normal : kurva berbentuk bel, simetris, simetris terhadap sumbu yang       ...
20. Normalitas, Hipotesis, Pengujian     Hipotesis : uji signifikansi (keberartian) terhadap hipotesis yang dibuat ;      ...
21. Normalitas, Hipotesis, Pengujian        Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak           ...
22. Uji tUji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atauapakah rata-rata dua populas...
23. Uji t2. Uji t dua sampel bebasMenguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda         (X – Y...
24. Uji t   3. Uji t dua sampel berpasangan   Menguji apakah rata-rata dua sampel yang berpasangan sama/berbeda         D ...
25. Uji Keterkaitan     Korelasi : hubungan keterkaitan antara dua atau lebih variabel.               Angka koefisien kore...
26. Uji Keterkaitan1. KORELASI PEARSON :apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana...
27. Uji Keterkaitan2. KORELASI SPEARMAN (rho) dan Kendall (tau) :Digunakan jika data variabel ordinal (berjenjang atau per...
Upcoming SlideShare
Loading in …5
×

Statistika

826 views
721 views

Published on

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
826
On SlideShare
0
From Embeds
0
Number of Embeds
5
Actions
Shares
0
Downloads
73
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Statistika

  1. 1. 1. Konsep StatistikaSTATISTIKA :Kegiatan untuk : KEGUNAAN• mengumpulkan data• menyajikan data• menganalisis data dengan metode tertentu ?• menginterpretasikan hasil analisis Melalui faseSTATISTIKA DESKRIPTIF :Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagianatau seluruh data (pengamatan) tanpa pengambilan kesimpulan dan faseSTATISTIKA INFERENSI :Setelah data dikumpulkan, maka dilakukan berbagai metode statistik untukmenganalisis data, dan kemudian dilakukan interpretasi serta diambil kesimpulan.Statistika inferensi akan menghasilkan generalisasi (jika sampel representatif)
  2. 2. 2. Statistika & Metode IlmiahMETODE ILMIAH :Adalah salah satu cara mencari kebenaran yang bila ditinjau dari segipenerapannya, resiko untuk keliru paling kecil.LANGKAH-LANGKAH DALAM METODE ILMIAH :1. Merumuskan masalah2. Melakukan studi literatur3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau hipotesis4. Mengumpulkan dan mengolah data, menguji hipotesis, atau menjawab pertanyaan5. Mengambil kesimpulan INSTRUMEN SAMPEL SIFAT DATA PERAN STATISTIKA VARIABEL METODE ANALISIS
  3. 3. 3. DataDATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF DATA KUALITATIF : DATA KUANTITATIF : Data yang dinyatakan dalam Data yang dinyatakan dalam bentuk bukan angka. bentuk angka Contoh : jenis pekerjaan, Contoh : lama bekerja, jumlah status marital, tingkat gaji, usia, hasil ulangan kepuasan kerja DATA KUALITATIF JENIS KUANTITATIF DATA NOMINAL INTERVAL ORDINAL RASIO
  4. 4. 4. DataDATA 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 pekerjaanDATA ORDINAL :Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapidi antara data tersebut terdapat hubunganCIRI : posisi data tidak setara tidak bisa dilakukan operasi matematika (+, -, x, :)CONTOH : kepuasan kerja, motivasiDATA INTERVAL :Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antaradua titik skala sudah diketahui.CIRI : Tidak ada kategorisasi bisa dilakukan operasi matematikaCONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalenderDATA RASIO :Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antaradua titik skala sudah diketahui dan mempunyai titik 0 absolut.CIRI : tidak ada kategorisasi bisa dilakukan operasi matematikaCONTOH : gaji, skor ujian, jumlah buku
  5. 5. 5. Pengolahan DataPROSEDUR 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 membahas parameter- parameter populasi; jenis data nominal atau ordinal; distribusi data tidak diketahui atau tidak normalB. 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. 6. 7. Penyajian DataTABEL Tabel 1.1 Bidang Pekerjaan berdasarkan Latar Belakang Pendidikan Count pendidikan SMU Akademi Sarjana Jumlah bidang administrasi 1 8 6 15 pekerjaan personalia 1 7 8 produksi 4 3 5 12 marketing 2 14 11 27 keuangan 3 4 6 13 Jumlah 10 30 35 75 bidang pekerjaanGRAFIK administrasi personalia produksi marketing keuangan Pies show counts
  7. 7. 8. Membuat TabelTABEL : memberikan informasi secara rinci. Terdiri atas kolom dan baris Kolom pertama : LABEL KOLOM Kolom kedua …. n : Frekuensi atau labelTABEL BARIS Berisikan data berdasarkan kolomTabel Tabulasi Silang Pendapat tentang sertifikasi Asal Wilayah Sangat Perlu Tidak Tidak Sangat Jumlah perlu tahu perlu tdk perlu Jawa Barat Jawa Tengah Jawa Timur NTT Papua Jumlah
  8. 8. 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) Jenis Grafik : 4 • Grafik Batang (Bar)Sumbu tegak 3 • Grafik Garis (line) 2 • Grafik Lingkaran (Pie) 1 • Grafik Interaksi (Interactive) 0 1 2 3 4 Titik pangkal Sumbu datar
  9. 9. 10. Jenis Grafik Grafik Batang (Bar) Grafik Garis (line) 30 30 20 20 10 10 JumlahCount 0 0 administrasi personalia produksi marketing keuangan administrasi personalia produksi marketing keuangan bidang pekerjaan bidang pekerjaan Grafik lingkaran (pie) Grafik Interaksi (interactive) 800000 keuangan administrasi 700000 600000 personalia 500000 Mean gaji perbulan Jenis kelamin 400000 marketing laki-laki produksi 300000 w anita sangat jelek jelek cukup baik baik sangat baik prestasi kerja
  10. 10. 11. FrekuensiFREKUENSI : banyaknya data untuk satukelompok/klasifikasi KELOMPOK FREKUENS I Pendidikan FrekuensiKelompok ke-1 f1Kelompok ke-2 f2 S1 62Kelompok ke-3 f3 S2 19Kelompok ke-i fi S3 9Kelompok ke-k fkk 90 n = Σ fi i=1 k n = Σ fi = f 1 + f 2 + f 3 +….. + f i + …… + f k i=1
  11. 11. 12. Distribusi FrekuensiDISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio danmenghitung banyaknya data dalam satu kelompok/klasifikasiUSIA FREKUENS Membuat distribusi frekuensi : I 1. Mencari sebaran (range) yakni selisih antara data paling besar dengan data paling kecil)  35 – 20 = 1520 5 2. Menentukan banyak kelas dengan rumus k = 1 + 3,3 log n21 6 722 13 1. Menentukan panjang kelas dengan rumus p = sebaran / banyak kelas  15/7 = 223 424 7 KELOMPOK USIA FREKUENSI25 7 20 – 21 1126 7 22 – 23 1727 5 24 – 25 1428 3 26 – 27 1229 4 28 – 29 730 15 30 – 31 1831 3 32 - 33 533 5 34 - 35 135 1
  12. 12. 13. Ukuran Tendensi Sentral RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilangan RATA-RATA HITUNG (RERATA) : jumlah bilangan dibagi banyaknya n X + X2 + X3 + … + X n X= 1 Σ Xi n i =1 nBila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuensi,maka rata-rata hitung menjadi : k X f + X 2 f2 + X 3 f3 + … + X k f k Σ Xifi X= 1 1 f1 + f 2 + f 3 + … + f k i =1 k Σ fi Cara menghitung : i =1 Bilangan (Xi) Frekuensi (fi) Xi f i 70 3 210 Maka : X = 695 = 69.5 63 5 315 10 85 2 170 Jumlah 10 695
  13. 13. 14. MedianMEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantumemperjelas kedudukan suatu data.Contoh : diketahui rata-rata hitung nilai ulangan dari sejumlah siswa adalah 6.55.Pertanyaannya adalah apakah siswa yang memperoleh nilai 7termasuk 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. Contoh : 1 2 3 4 5 6 7 8 8 9 maka median (5+6) : 2 = 5.5
  14. 14. 15. ModusMODUS : 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 Nilai Frekuensi 10 2 8 – 10 3 8 1 5–7 7 7 2 2–4 1 6 1 Jumlah 11 5 4 4 1 Jumlah 11 - + Mo X Me Kurva positif apabila rata-rata hitung > modus / median Kurva negatif apabila rata-rata hitung < modus / median
  15. 15. 16. Ukuran PenyebaranUKURAN YANG MENYATAKAN HOMOGENITAS / HETEROGENITAS :1. RENTANG (Range)2. DEVIASI RATA-RATA (Average Deviation)3. VARIANS (Variance)4. DEVIASI STANDAR (Standard Deviation) Rentang (range) : selisih bilangan terbesar dengan bilangan terkecil. Sebaran merupakan ukuran penyebaran yang sangat kasar, sebab hanya bersangkutan dengan bilangan terbesar dan terkecil. Contoh : A : 100 90 80 70 60 50 40 30 20 10 X = 55 B : 100 100 100 100 100 10 10 10 10 10 r = 100 – 10 = 90 C : 100 100 100 90 80 30 20 10 10 10 Rata-rata
  16. 16. 17. Deviasi rata-rataDeviasi Rata-rata : penyebaranBerdasarkan harga mutlak Kelompok A Kelompok Bsimpangan Nilai X - X |X – X| Nilai X - X |X – X|bilangan-bilangan terhadap rata- X Xratanya. 100 45 45 100 45 45 90 35 35 100 45 45 80 25 25 100 45 45 70 15 15 90 35 35 60 5 5 80 25 25 Rata-rata 50 -5 5 30 -25 25 40 -15 15 20 -35 35 30 -25 25 10 -45 45 20 -35 35 10 -45 45 10 -45 45 10 -45 45 Jumlah DR =0250 = 25 250 Jumlah 0 390 DR = 390 = 39 10 10 n |Xi – X| Rata-rata DR = Σ n i=1 Makin besar simpangan, makin besar nilai deviasi rata-rata
  17. 17. 18. Varians & Deviasi StandarVarians : penyebaran berdasarkan Kelompok A Kelompok Bjumlah kuadrat simpangan bilangan- Nilai X -X (X–X) 2 Nilai X -X (X –X) 2bilangan terhadap rata-ratanya ; X Xmelihat ketidaksamaan sekelompok data 100 45 2025 100 45 2025 90 35 1225 100 45 2025 n 80 25 625 100 45 2025 s = Σ (Xi – X) 2 2 70 15 225 90 35 1225 i=1 n-1 60 5 25 80 25 625 50 -5 25 30 -25 625 40 -15 225 20 -35 1225Deviasi Standar : penyebaran 30 -25 625 10 -45 2025berdasarkan akar dari varians ;menunjukkan keragaman kelompok data 20 -35 1225 10 -45 2025 10 -45 2025 10 -45 2025 Jumlah 8250 Jumlah 15850 8250 15850 n s= √ 9 = 30.28 s= √ 9 = 41.97 √ Σ (Xi – X) 2 s= i=1 n-1 Kesimpulan : Kelompok A : rata-rata = 55 ; DR = 25 ; s = 30.28 Kelompok B : rata-rata = 55 ; DR = 39 ; s = 41.97 Maka data kelompok B lebih tersebar daripada kelompok A
  18. 18. 19. Normalitas, Hipotesis, PengujianDistribusi Normal : kurva berbentuk bel, simetris, simetris terhadap sumbu yang melalui nilai rata-rata Kurtosis = keruncingan Skewness = kemiringan χ+3s χ +2s χ -s χ χ +s χ +2s χ +3s 68% 95% 99% • Lakukan uji normalitas • Rasio Skewness & Kurtosis berada –2 sampai +2 Rasio = nilai Standard error • Jika tidak berdistribusi normal, lakukan uji normalitas non parametrik (Wilcoxon, Mann-White, Tau Kendall)
  19. 19. 20. Normalitas, Hipotesis, Pengujian 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 HIPOTESIS TERARAH TIDAK TERARAHHipotesis Siswa yang belajar bahasa lebih Ada perbedaan keseriusan siswaPenelitian serius daripada siswa yang antara yang belajar bahasa dengan belajar IPS yang belajar IPSHipotesis Nol Siswa yang belajar bahasa tidak Tidak terdapat perbedaan (Yang diuji) menunjukkan kelebihan keseriusan belajar siswa antara keseriusan daripada yang belajar bahasa dan IPS IPS Ho : b < i Ho : b = i Ha : b > i Ha : b ≠ I
  20. 20. 21. Normalitas, Hipotesis, Pengujian Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak bila Ho tidak terarah, maka pengujian signifikansi dua pihak 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 5% 2.5% 2.5% Daerah penerimaan hipotesis Daerah Daerah Daerah penerimaan hipotesis Daerah penolakan penolakan penolakan hipotesis hipotesis hipotesisPengujian signifikansi dua arah (hipotesis tidak terarah):Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS Ho : b = iJika Ho ditolak, maka Ha diterima ; daerah penolakan bisa berada di sebelah kiri atau kanan
  21. 21. 22. Uji tUji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atauapakah rata-rata dua populasi sama/berbeda secara signifikan. 1. Uji t satu sampel Menguji apakah satu sampel sama/berbeda dengan (χ - µ) rata-rata populasinya t = • hitung rata-rata dan std. dev (s) s / √n • df = n – 1 α • tingkat signifikansi ( = 0.025 atau 0.05) • pengujian apakah menggunakan 1 ekor atau 2 ekor • diperoleh t hitung ; lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolakContoh :Peneliti ingin mengetahui apakah guru yang bekerja selama 8 tahun memang berbedadibandingkan dengan guru lainnya.Ho : p1 = p2Diperoleh rata2 = 17.26 ; std. Dev = 7.6 ; df = 89 ; t hitung = 11.55 αBerdasarkan tabel df=89 dan = 0.05 diperoleh t tabel = 1.987Kesimpulan : t hitung > t tabel sehingga Ho ditolak guru yang bekerja selama 8 tahun secara signifikan berbeda dengan guru lainnya
  22. 22. 23. Uji t2. Uji t dua sampel bebasMenguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda (X – Y) (Σx2 + Σy2 ) (1/nx + 1/ny ) t= Sx-y Di mana Sx-y = √ (nx + ny – 2) Contoh : Peneliti ingin mengetahi apakah ada perbedaan penghasilan (sebelum sertifikasi) antara guru yang lulusan S1 dengan yang lulusan S3 Ho : Pb = Pk Diperoleh : rata2 x = 1951613 ; y = 2722222 ; t hitung = - 7.369 α Berdasarkan tabel df=69 dan = 0.025 diperoleh t tabel = 1.994 Kesimpulan : t hitung > t tabel sehingga Ho ditolak Rata-rata penghasilan guru yang S1 berbeda secara signifikan dengan penghasilan guru yang S3
  23. 23. 24. Uji t 3. Uji t dua sampel berpasangan Menguji apakah rata-rata dua sampel yang berpasangan sama/berbeda D t= s Di mana D = rata-rata selisih skor pasangan D ΣD2 – (ΣD)2 √ sD = Σ d2 Σd = 2 N(N-1) NContoh :Seorang guru ingin mengetahui efektivitas model pembelajaran diskusi. Setelah selesaipembelajaran pertama, ia memberikan tes dan setelah selesai pembelajaran keduakembali ia memberikan tes. Kedua hasil tes tersebut dibandingkan dengan harapanadanya perbedaan rata-rata tes pertama dengan kedua.Ho : Nd = NcDiperoleh rata2d = 66.28 ; rata2c = 73.84 ; t hitung = -8.904 αBerdasarkan tabel df=163 dan = 0.05 diperoleh t tabel = 1.960Kesimpulan : t hitung > t tabel sehingga Ho ditolak Terdapat perbedaan yang signifikan antara hasil tes pertama dengan hasil tes kedua, sehingga ia menyimpulkan model diskusi efektif meningkatkan hasil belajar siswanya
  24. 24. 25. Uji Keterkaitan Korelasi : hubungan keterkaitan antara dua atau lebih variabel. Angka koefisien korelasi ( r ) bergerak -1 ≤ r ≤ +1POSITIF NEGATIFmakin besar nilai variabel 1 makin besar nilai variabel 1menyebabkan makin besar menyebabkan makin kecilpula nilai variabel 2 nilai variabel 2Contoh : makin banyak waktu contoh : makin banyak waktubelajar, makin tinggi skor bermain, makin kecil skorUlangan  korelasi positif Ulangan  korelasi negatifantara waktu belajar antara waktu bermaindengan nilai ulangan dengan nilai ulangan 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
  25. 25. 26. Uji Keterkaitan1. KORELASI PEARSON :apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimanaarah hubungan dan berapa besar hubungan tersebut.Digunakan jika data variabel kontinyu dan kuantitatif NΣXY – (ΣX) (ΣY) Di mana : ΣXY = jumlah perkalian X dan Y r= ΣX2 = jumlah kuadrat X √ NΣX2 – (ΣX)2 x √ NΣY2 – (ΣY)2 ΣY2 = jumlah kuadrat Y N = banyak pasangan nilai 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 ? Siswa X X2 Y Y2 XY A B ΣX ΣX2 ΣY ΣY2 ΣXY
  26. 26. 27. Uji Keterkaitan2. KORELASI SPEARMAN (rho) dan Kendall (tau) :Digunakan jika data variabel ordinal (berjenjang atau peringkat). Disebut juga korelasinon parametrik 6Σd2 Di mana : N = banyak pasangan rp = 1- N(N – 1) 2 d = selisih peringkatContoh :10 orang siswa yang memiliki perilaku (sangat baik, baik, cukup, kurang) dibandingkandengan tingkat kerajinannya (sangat rajin, rajin, biasa, malas)Siswa : A B C D E F G H I JPerilaku : 2 4 1 3 4 2 3 1 3 2Kerajinan : 3 2 1 4 4 3 2 1 2 3Apakah ada korelasi antara perilaku siswa dengan kerajinannya ? Siswa A B C D Perilaku Kerajinan d d2 Σd2

×