duMM2013 01

du Mairy , 2013 FEB-UGM
( )( ) ( )( )
( )( ) ( )
( )( ) ( )( )
( )( ) ( )
2
3 2
2
3
2
2
3 2 2
2
2 3
3
2
3 2
2
3
2
2
3 2 3
2
3 2
2
=
i i i i
i i i i i i i
i i i i
i i i i i i i
x x x x
x x x y x x y
x x x x
x x x y x x y
|
|
( )( )
( )( ) ( )
)
var( )
(
.
2
1
)
var(
1 1
2
2
3 2
2
3
2
2
3 2 3
2
2
2
3
2
3
2
2
1
| |
o |
+ =

+
+ =

se
x x x x
x x x y X x X x X
n
i i i i
i i i i i i

+
=
=
2
3 3 2 2
2

i
i i i i
y
x y x y
TSS
ESS
R
| |
Hai . . . orang2 yang
beriman, kenalkan saya
Dumairy
Statistics for Business Decision
du Mairy

Magister Manajemen
Universitas Gadjah Mada
Kampus Jakarta

Acuan Utama:

Lind, et. al., 2010:
Statistical Techniques
in Business & Economics, 15
th

edition, McGraw-Hill

Sebuah toko sepatu menjual sepatu utk berbagai
keperluan: sepatu resmi (untuk berkantor/ber-
sekolah), sepatu olah raga, sepatu pesta, dan
sepatu rekreasi/santai; dengan berbagai nomor
ukuran, tentu saja.

Jika toko ini ingin memfokuskan stok dagangnya
pada sepatu untuk keperluan tertentu dan pada
sepatu ukuran tertentu saja, ukuran statistikal
apa yang bisa dan tepat ia manfaatkan untuk
rencana tersebut?
Fokus Stok Dagangan

Membeli saham selain menjanjikan keuntungan
kapital (capital gain) juga menantang risiko
kerugian kapital (capital loss). Oleh sebab itu
dalam bermain saham tidak cukup hanya
berharap keuntungan, tetapi harus pula
memper-hitungkan risiko yang potensial
dialami.

Ukuran statistikal apakah yang bisa dimanfaatkan
untuk mendeteksi risiko kerugian kapital dalam
bermain saham?
Risiko bermain Saham
Skor TPA sejumlah mahasiswa Program MM dari tiga
universitas tercatat sebagai berikut:

Mahasiswa U G M U G T* U G W**
1 560 546 520
2 572 510 488
3 550 554 480
4 580 490 500
5 548 512

UGT = Universitas Gadjah Tunggal ** UGW = Univ. Gadjah Wong

Beralasankah untuk menyatakan bahwa input calon mhs. MM-
UGM lebih baik daripada input calon mhs MM-UGT dan MM-
UGW?
Keunggulan Mutu Calon Mahasiswa
Keledai dan Profesor

Jumlah keledai dan jumlah profesor di Indonesia
selama beberapa tahun terakhir:

Tahun 2008 2009 2010 2011 2012
Keledai (X) 8000 7800 7500 7000 6500
Profesor (Y) 1400 1420 1450 1460 1470

Dapatkah disimpulkan bahwa karena jumlah keledai
berkurang (X ) maka jumlah profesor bertambah (Y ),
ataukah sebaliknya?!
Penyegaran Berbagai Konsep Dasar
S T A T I S T I K A
Parameter Statistik
D a t a
Pengertian
Cakupan
Fungsi
Tujuan
pengertian
STATISTIK[A]
STATISTIK adalah:
- suatu atau sehimpun data numeris
- ukuran besaran tertentu yang berasal/
dihitung dari sampel

STATISTIKA adalah:
+ ilmu tentang deskripsi dan analisis data
+ mata kuliah atau materi kursus yang paling
disenangi
lahan-kerja
STATISTIKA
Statistika bekerja dengan:
a. Populasi atau b. Sampel

Ukuran2 yg berasal dari (dihitung berdsrkn
data yang ada di) populasi secara umum
disebut parameter. Sedangkan ukuran2 yg
berasal dari (dihitung berdsrkn data yg ada
di) sampel secara umum disebut statistik.
Fungsi Statistika
1. teoretis-akademis:
a. landasan metodologi penelitian
b. alat analisis
2. praktis-bisnis:
a. media penggambaran keadaan atau
perkembangan sesuatu
b. alat analisis penarikan simpulan atau
pengambilan putusan
Tujuan Statistika
menarik simpulan berkenaan dengan keadaan
atau perkembangan variabel dimaksud

membuat keputusan, menaksir prakiraan, dan
menyusun perencanaan.
olah data (perhitungan)
olah data lanjutan (analisis)
menyajikan gambaran (description) perihal
karakteristik tertentu segugus data dari suatu
variabel (objek amatan)

cakupan
STATISTIKA
pendefinisian populasi serta perancangan
sampel (sampling design);
pengumpulan data;
pengorganisasian, peringkasan dan penya-
jian data;
pengolahan data serta analisis terhadap
hasil-hasil olahannya;
penarikan simpulan;
pengukuran keandalan simpulan.
POPULASI SAMPEL

POPULASI

data jumlah penjualan
bulanan selama 25 thn

variabel: vol. Jual (X)
jumlah data (N) = 300

sampel
X selama 5 tahun
(n =60)

Sisa Populasi

X selama 20 tahun

statistik parameter
15-15
Populasi >< Sampel
Populasi: seluruh subjek
1)
atau objek
2)
amatan
(yang diamati, dapat diamati) untuk suatu
pengumpulan data atau sebuah penelitian.

1)
manusia, individu, orang, masyarakat
2)
benda, barang, lembaga, perusahaan, tanaman,
hewan, dokumen

Sampel: bagian tertentu dari suatu populasi yang
diamati.

Populasi >< Sampel
15-16
Sensus >< Penyampelan
Sensus: penggalian informasi atau pengum-pulan
data dari seluruh populasi.
Penyampelan: penggalian informasi atau
pengumpulan data melalui suatu sampel.
Responden: pihak (orang, lembaga) di dalam
suatu sampel yang dihubungi utk keperluan
penggalian informasi atau pengumpulan data.
Sensus >< Penyampelan
15-17
Kapan Sensus Tepat?
Kebutuhan
(necessity)
Kelaikan
(feasibility)
Kapan Sensus Tepat?
15-18
Alasan Penyampelan

1. Mengamati seluruh populasi memakan waktu dan
menelan biaya besar, penyampelan bisa
mengefisienkan amatan/penelitian.

2. Dalam berbagai kasus, objek telitian bersifat merusak
jika dicobakan.

3. Adanya homogenitas karakter objek telitian sehingga
tidak perlu meneliti seluruhnya.

4. Adanya kendala fisis/teknis tertentu untuk
memeriksa semua hal di dalam populasi.
Alasan Penyampelan
15-19
Argumen Penyampelan

1. Penyampelan yang baik akan menghasilkan sampel
yang representatif, sehingga cukup dapat
mewakili/mencerminkan karakteristik populasi; oleh
sebab itu tidak perlu melibatkan seluruh subjek atau
objek di dalam populasi.

2. Dalil Batas Sentral (central limit theorem):
Apabila sebuah populasi disampel berulang-
ulang dengan berbagai macam ukuran sampel, maka
distribusi nilai rerata sampel2 itu akan mendekati
normal. Semakin besar ukuran sampel dan semakin
sering disampel, semakin tinggi pula kadar
normalitasnya.

Argumen Penyampelan
15-20
Sampel yang Baik
Precise Accurate
accurate + precise = representative
Sampel yang baik adalah yang representatif
Sampel yang Baik
15-21
Sampel yang Baik

Sampel yg baik adalah sampel yg representatif,
dalam arti mengandung selengkap mungkin segala
karakteristik yang terdapat di populasi.

Apabila para subjek (atau objek) yang terdapat di
sebuah populasi memiliki m macam karakter, maka
sampelnya juga harus terdiri dari subjek2 (atau
objek2) yang menyandang m karakter.

Sampel yang Baik
15-22
Sampel yang Baik

Kebaikan sebuah sampel bukan terletak pada
ukuran atau jumlahnya (kuantitas), akan
tetapi pada kualitasnya yaitu keterwakilan
karakteristik yang ada dan metoda
penyampelannya.
Sampel yang Baik
15-23
Metoda Penyampelan

Probabilistik atau rambang (random)
rambang sederhana
rambang sistematis
rambang berstrata
rambang berkluster

Non-probabilistik atau tak-rambang
Metoda Penyampelan
15-24
Metoda Penyampelan

1. Penyampelan Rambang Sederhana
(simple random sampling):
setiap individu/objek dalam populasi berpeluang
sama untuk terpilih sebagai responden/sampel.

2. Penyampelan Rambang Sistematis
(systematic random sampling)
sampel sebanyak n dari populasi sebesar N
dipilih secara sistematik untuk setiap kelipatan
urutan ke-k.
k = N / n

Metoda Penyampelan
15-25
Metoda Penyampelan

3. Penyampelan Rambang Berstrata
(stratified random sampling )
populasi sebesar N dibagi menjadi s strata,
kemudian sampel sebanyak n dipilih secara
proporsional dari semua strata yang ada

4. Penyampelan Rambang Berkluster
(clustered random sampling )
populasi sebesar N dibagi menjadi c kluster
(cluster), lalu sampel sebanyak n dipilih secara
proporsional dari semua kluster yang ada

Metoda Penyampelan
POPULASI SAMPEL
paramater statistik

rerata (X)
simbaku (s)
proporsi (p)
rerata ()
simbaku ()
proporsi (t)

statistik ( )
parameter (u )
Parameter Populasi Statistik Sampel
Lambang

o
2

o
t (atau )

u
parameter
Lambang

x
s
2
(s
2
x
)
s (s
x
)
p

statistik
Ukuran Deskriptif

rerata
varian
simpangan baku
proporsi

umum (generic)

populasi sampel pelambangan (notasi)
Statistika Deskriptif
Statistika Induktif/Inferen
Statistika Deskriptif berurusan dengan peng-
olahan dan penyajian data untuk memberikan
atau mendapatkan gambaran mengenai suatu
variabel (objek amatan).

Statistika Induktif berurusan dengan analisis
(pengolahan lebih lanjut) data sampel untuk
menyimpulkan karakteristik variabel yang
bersangkutan di dalam populasinya.


objek amatan tertentu
(variabel)

misal:
- jumlah penjualan
- tingkat harga
- belanja a t k
- produktivitas pekerja
Sajian Grafis:
distribusi frekuensi,
diagram, kurva

Tendensi Sentral:
median, modus,
means (rerata)

Variabilitas:
varian, simbaku
STATISTIKA DESKRIPTIF
STATISTIKA INDUKTIF
Berdsrkan X dgn n=60, diketahui jumlah penjualan
rata-rata 7000 unit tiap bulan.

POPULASI

data penjualan bulanan
selama 25 tahun
X dengan N=300

SAMPEL
data 5 thn terakhir
X dengan n = 60
Disimpulkan bahwa selama ini (25 tahun) jumlah
penjualan rata-rata 7000 unit tiap bulan.
Primer Sekunder
Diskrit Sinambung
Longitudinal
D a t a
D A T A
sehimpun atau segugus fakta
1) Berdasarkan cara perolehannya:
Data Primer: diperoleh dari hasil pencacahan sendiri.
Data Sekunder: diperoleh/dikutip dari pihak lain.

2) Berdasarkan keutuhan satuan ukurannya:
Data Diskrit (discrete): satuan bilangannya selalu utuh.
Data Sinambung (continuous): bilangannya bisa berupa pecahan.

3) Berdasarkan sifat keterpisahan nilainya:
Data Arus (flow): nilainya dapat dipisah untuk tiap satuan waktu
tertentu (harian, bulanan, atau tahunan).
Data Sediaan (stock): nilainya akumulatif dari waktu ke waktu,
tak terpisahkan untuk suatu titik waktu.
Data Runtut Waktu (time series data): bersumber dari satu
asal selama satu periode (n titik waktu) tertentu.

Data Kerat Silang (cross section data): bersumber dari
beberapa asal pada satu titik waktu tertentu.

Data Gabungan (pooled data): bersumber dari beberapa asal
selama satu periode (sekian titik waktu) tertentu.

Data Panel/Longitudinal: bersumber dari beberapa asal yang
sama selama satu periode tertentu.
Data
4) Berdasarkan ke(se)ragaman asalnya
Gaji 120 Manajer Junior (Rp juta per bulan)
20,5 19,5 15,6 24,1 9,9 15,4 12,7 19,8 5,7 15,7
11,6 18,4 13,4 22,1 7,8 17,0 28,3 14,3 8,8 20,8
16,9 9,2 23,5 12,5 16,8 19,4 8,7 11,6 15,2 10,5
9,7 16,3 6,2 14,4 21,0 8,8 16,3 7,5 18,4 6,6
15,2 12,7 18,2 9,2 22,4 20,3 16,7 24,1 23,6 13,2
7,4 23,4 19,3 11,8 14,3 6,9 24,2 13,7 12,7 8,4
25,6 8,7 7,2 12,4 19,2 17,2 6,7 9,4 15,3 21,5
13,8 14,8 8,8 20,3 8,8 23,5 18,7 18,2 6,5 17,4
6,3 23,2 22,0 18,3 15,7 17,8 26,2 19,4 13,9 25,0
16,9 18,4 16,2 12,5 18,6 19,4 17,7 14,6 12,8 15,1
22,5 11,5 20,6 7,8 9,9 5,7 12,9 21,0 17,7 21,1
18,0 17,7 28,2 24,2 27,0 10,3 19,4 24,3 26,3 16,2
Data yg tersedia dalam bentuk terurai (seperti contoh tadi)
tidak informatif, tidak dapat mendeskripsikan sesuatu yang
statistikal, sehingga tak lebih dari sekadar gugusan angka.
Agar informatif dan bernilai statistik, setidaknya ia perlu
diringkas dalam bentuk tabel distribusi frekuensi atau dalam
bentuk gambar.

Distribusi Frekuensi Gambar

Distr. Frek. Tunggal Histogram
Distr. Frek. Kumulatif Polygon
Distr. Frek. Relatif Ogive

PERINGKASAN DAN PENYAJIAN DATA
Peringkasan dan Penyajian Data
Gaji 25 orang Manajer Junior
(Rp juta per Bulan)

20,5 19,5 15,6 24,1 9,9
15,4 12,7 19,8 5,7 15,7
11,6 18,4 13,4 22,1 7,8
17,0 28,3 14,3 8,8 20,8
16,9 9,2 23,5 12,5 16,8
DISTRIBUSI FREKUENSI TUNGGAL

Gaji 25 Manajer Junior Kelas Frek.

5 8,99 3
20,5 19,5 15,6 24,1 9,9 912,99 5
15,4 12,7 19,8 5,7 15,7 1316,99 7
11,6 18,4 13,4 22,1 7,8 1720,99 6
17,0 28,3 14,3 8,8 20,8 2124,99 3
16,9 9,2 23,5 12,5 16,8 2528,99 1

Jumlah 25

DISTRIBUSI FREKUENSI KUMULATIF

Gaji 25 Manajer Junior Kelas Frek.
< 9 3
20,5 19,5 15,6 24,1 9,9 < 13 8
15,4 12,7 19,8 5,7 15,7 < 17 15
11,6 18,4 13,4 22,1 7,8 < 21 21
17,0 28,3 14,3 8,8 20,8 < 25 24
16,9 9,2 23,5 12,5 16,8 < 29 25

Jumlah 25

Dist. Frek. Kumulatif ini disebut DFK kurang dari. Sebagai
alternatif dapat juga disusun DFK lebih dari (>), DFK kurang
dari atau sama dengan (<) , atau DFK lebih dari atau sama
dengan (>).
DISTRIBUSI FREKUENSI RELATIF

Data Gaji 25 Manajer Kelas Frek.

5 8,99 12%
20,5 19,5 15,6 24,1 9,9 912,99 20%
15,4 12,7 19,8 5,7 15,7 1316,99 28%
11,6 18,4 13,4 22,1 7,8 1720,99 24%
17,0 28,3 14,3 8,8 20,8 2124,99 12%
16,9 9,2 23,5 12,5 16,8 2528,99 4%

Jumlah 100%

DISTRIBUSI FREKUENSI
Berdasarkan Data Gaji 25 Manajer Junior

Kelas Frek. Kelas Frek. Kelas Frek.

5 8,99 3 < 9 3 5 8,99 12%
9 12,99 5 < 13 8 9 12,99 20%
13 16,99 7 < 17 15 13 16,99 28%
17 20,99 6 < 21 21 17 20,99 24%
21 24,99 3 < 25 24 21 24,99 12%
25 28,99 1 < 29 25 25 28,99 4%

Jumlah 25 Jumlah 25 Jumlah 100%

tunggal kumulatif relatif
DISTRIBUSI FREKUENSI
Beberapa Ketentuan Teknis
Penentuan dulu: Rumus Sturges
jumlah kelas kini : arbitrer, menurut keperluan
dan lebar kelas (makin rinci makin banyak kelas)

Ketentuan Teknis Penyusunan Distribusi Frekuensi:
* Semua data harus tercakup di dalam distribusi
* Lebar kelas harus konsisten
* Tak boleh ada data yg tidak masuk ke satu kelas pun
* Tidak boleh ada data yang bisa masuk ke dalam lebih
dari satu kelas
TENDENSI SENTRAL
VARIABILITAS
TENDENSI SENTRAL:
membahas perihal konsen-
trasi atau pemusatan
nilai-nilai data

median
modus
mean (rerata)
VARIABILITAS:
membahas keterpencaran/
penyimpangan data dari
nilai sentralnya

varian
simpangan baku

Penghitungan Ukuran2 Statistik Deskriptif
Penghitungan ukuran2 statistik deskriptif (median,
modus, mean, variance, std deviation) bergantung
pada bentuk ketersediaan datanya; yaitu apakah
masih terurai (belum tersusun berupa distribusi
frekuensi) ataukah sudah berkelompok (sudah
tersusun berbentuk distribusi frekuensi).

Di samping itu, untuk mean (rerata) serta variance
(varian) dan standard deviation (simpangan baku),
penghitungannya bergantung pula pd kedudukan
datanya; yakni apakah merupakan data populasi
ataukah data sampel.
Median (Md, X )
Median adalah nilai tengah dari segugus data, data
yg terletak di tengah distribusi; sering disebut juga
data tengah.
Penetapan median untuk data yang masih terurai:
Susun semua data secara ascending atau descending
Data yg tepat di tengah adalah median yg dimaksud

30, 31, 28, 30, 34, 35, 33,
28 30 30 31 33 34 35
28 30 30 31 33 34 35 36
36
Md = 31
Md = 32
Modus (Mo, X )
Modus adalah nilai yang paling banyak/sering muncul
di dalam segugus atau senarai data, data yang
kemunculannya paling frekuentif.
Penetapan modus untuk data yang masih terurai:
Hamparkan semua data yang ada, kemudian amati
data dengan nilai berapa yang paling banyak; itulah
modusnya.

30 31 28 30 34 35 33
30 31 28 30 34 35 33 36
Mo = 30
Mo = 30
Mean (Me, X )
Mean (rerata) adalah nilai rata2 dari segugus data,
mrpkn hasilbagi jumlah nilai terhadap jumlah data.
Perhitungan mean untuk data yang masih terurai:
Jumlahkan nilai2 dari semua data (X
i
)
Bagi dgn jumlah data (n) atau jumlah frekuensi (f
i
)
Hasilbaginya adalah mean (X) yang dimaksud

30, 31, 28, 30, 34, 35, 33
Me = (30+31+28+30+34+35+33):7 Me = 31,57
Median dan Modus
untuk data yang telah berkelompok
Modus ~
nilai tengah dari kelas yang berfrekuensi terbesar.
L : batas-bawah kelas
median
CF : frek. kum. s/d kelas
sebelum kelas median
f : frekuensi kelas median
i : lebar kelas

kelas median: kelas yg teoretis mengandung median.
) (
2
i
f
CF
n
L Md

+ =
Rerata (Mean, Average)
untuk data yang tidak berkelompok
(data yang belum berdistribusi frekuensi)
Rerata Populasi

EX
i
: jumlah-nilai data
N : jumlah data (objek,
individu) di dalam
seluruh populasi
Rerata Sampel

EX
i
: jumlah-nilai data
n: jumlah data di dalam
sampel
N
Xi
=
n
X
i E
=
Varian dan Simbaku
Varian Populasi:

Simbaku Populasi:

o = \ o
2

simbaku = akar varian
Varian Sampel:

Simbaku Sampel:

s = \ s
2

varian = kuadrat simbaku
E (X - )
2
N
o
2
=
s
2
=
E(X - X)
2
n-1
Rerata (Mean)
untuk data berkelompok (berdist. frek.)
Rerata Populasi:

= Ef
i
.X
i
/ N

Rerata Sampel:

X = Ef
i
.X
i
/ n

dalam rumus-rumus di
sebelah kiri ini:

f
i
.X
i
merupakan hasilkali
nilai-tengah kelas
dengan frekuensi
pada kelas tersebut.
Varian dan Simbaku
data berkelompok
Varian Populasi:

Simbaku Populasi:

o = \ o
2

simbaku = akar varian
Varian Sampel:

Simbaku Sampel:

s = \ s
2

varian = kuadrat simbaku
E (X - )
2
N
o
2
=
s
2
=
E(X - X)
2
n-1
f
i
f
i
NORMALITAS DISTRIBUSI DATA

Segugus data dikatakan berdistribusi normal apabila
histogram atau polygon-nya menyerupai bentuk
genta (bell).

Secara statistik, distribusi data dikatakan normal jika:

1. 50% datanya berada di atas nilai rerata (rata-rata,
mean) dan 50% selebihnya berada di bawah nilai
rerata.
2. 68% datanya terletak antara (o) dan (+o).
3. 95% datanya terletak antara (2o) dan (+2o).
3o
2o 1o +1o +2o + 3o
68%
95%
99%
3- 53
Gambaran Data yang Berdistribusi Normal
Indikator Ketidaknormalan Distribusi

Indikator pertama untuk memeriksa ketidak-
normalan distribusi sehimpun data adalah dengan
membandingkan nilai rerata (yakni atau x-bar)
terhadap nilai simbaku (o atau s) Apabila o >
berarti distribusi data tersebut tidak normal.

Akan tetapi hal sebaliknya tidak berlaku! Apabila
> o (atau x-bar > s) bukan lantas berarti data
dimaksud pasti berdistribusi normal.
Distribusi Menceng ke Kanan (positively
skewed)
f
i

Data dengan nilai2 besar
berfrekuensi rendah

Mo Me X
i
Md
Mean > Median > Modus
Distribusi Menceng ke Kiri
(negatively skewed)
f
i

Data dengan
nilai2 besar
berfrekuensi
tinggi
Me Mo X
i
Md
Mean < Median < Modus
Distribusi Menceng ke Kanan (positively
skewed)
f
i

Data dengan nilai2 besar
berfrekuensi rendah

X
i
f
i
= jumlah orang X
i
=kadar pahala seseorang
Mean > Median > Modus
Distribusi Menceng ke Kiri
(negatively skewed)
f
i

Data dengan
nilai2 besar
berfrekuensi
tinggi
X
i
f
i
= jumlah orang X
i
=kadar dosa seseorang
Mean < Median < Modus

duMM2013 01

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

duMM2013 01

Diunggah oleh

Hak Cipta:

Format Tersedia

du Mairy , 2013 FEB-UGM

Anda mungkin juga menyukai