Anda di halaman 1dari 94

MATERI KULIAH MATRIKULASI

STATISTIK
DOSEN PENGASUH
DR. STANIS MAN, SE., SE. M.Si

PROGRAM MAGISTER MANAJEMEN


UNIVERSITAS KATOLIK WIDYA MANDIRA
K U P A N G

REFERENSI
Statistik: Teori dan Aplikasi
Oleh: J. Supranto.
Statistics: A Fresh Approach
Oleh: Donald H. Sanders.
Metode Kuantitatif: Teori dan Aplikasi untuk
Bisnis dan Ekonomi.
Oleh: Mudrajad Kuncoro
Aplikasi Analisis Multivariate dengan Program
SPSS
Oleh: Imam Ghozali
. Pengantar Statistik Sosial
Oleh: Riduwan

I. PENDAHULUAN
A. Arti dan Lingkup Statistik
Dalam arti sempit: statistik adalah data
ringkasan berbentuk angka.
Dalam arti luas: statistik adalah Ilmu yang
berurusan dengan Pengumpulan, Penyajian
dan Analisis Data untuk Menarik Kesimpulan
dan memanfaatkannya dalam penentuan
keputusan pada keadaan tidak pasti.
Kecuali sebagai dasar pengambilan
keputusan,
statistik juga berguna untuk
perkembangan ilmu lainnya melalui riset.

Statistik memiliki empat bagian utama:


1. Statistika
Deskriptif:
Berhubungan
dengan
peringkasan seperangkat data dan menyajikannya
dalam bentuk yang dipahami.
2. Teori Probabilitas: Adalah suatu angka yang
menunjukkan tingkat keyakinan tentang terjadinya
suatu peristiwa.
3. Teori Keputusan Secara Statistik: Berhubungan
dengan pengambilan keputusan bila alternatif
tindakan diketahui, tetapi hasil dari masingmasing tindakan berbeda.
4. Statistik Inferensial: Suatu pernyataan mengenai
suatu populasi yang didasarkan pada informasi
dari sampel random yang diambil dari populasi itu.

B. Pentingnya mempelajari Statistik:


1. Menjelaskan hubungan antarvariabel
2. Membuat keputusan lebih baik
3. Mengatasi perubahan-perubahan
4. Membuat rencana dan ramalan.
C. Metodologi Statistik
Tahap-tahap dalam Statistik:
1. Mengidentifikasi persoalan
2. Pengumpulan fakta-fakta yang ada.
3. Mengumpulkan data asli yang baru
4. Klasifikasi data berdasarkan kemiripan sifat-sifat
dan
menyusunnya ke dalam kelompokkelompok.
5. Penyajian data dalam bentuk tabel, diagram, ratarata dan
dispersi.
6. Analisis data.

D.

Pengumpulan dan Pengolahan Data

Data adalah: sesuatu yang diketahui atau dianggap. Data


dapat memberikan gambaran tentang suatu keadaan atau
persoalan.
Data yang baik adalah yang memenuhi syarat:
1. Obyektif (sesuai dengan keadaan yang sebenarnya)
2. Representatif (data harus mewakili obyek yang diamati)
3. Kesalahan baku/standar error kecil
4. Tepat waktu
5. Relevan (ada hubungan dengan masalah yang dipecahkan).

E. Tujuan Pengumpulan Data


1. Untuk mengetahui jumlah elemen
2. Untuk mengetahui karakteristik dari elemen-elemen
tersebut.

Jenis data:
1. Data menurut sifatnya (kualitatif dan kuantitatif)
2. Data menurut sumbernya (internal dan eksternal)
3. Data menurut cara memperolehnya (primer dan
sekunder)
4. Data menurut waktu pengumpulannya (cross section dan
time series)
Sebelum pengumpulan data dilakukan terlebih dahulu harus
diketahui tujuan dan jenis elemen atau obyek yang akan
diselidiki. Elemen adalah : Unit terkecil dari obyek
penelitian. Elemen dapat berupa: Orang, organisasi atau
badan usaha, barang.
Tujuan pengumpulan data: selain untuk mengetahui jumlah
elemen, juga untuk mengetahui karakteristik dari
elemen tersebut. Karakteristik: adalah sifat2, ciri2, hal2
yang dimiliki oleh elemen, yaitu semua keterangan
mengenai elemen.

Dalam pengumpulan data, dikenal beberapa istilah:


1. Variabel: sesuatu (elemen) yang nilainya dapat
berubah atau berbeda.
2. Populasi: adalah kumpulan dari seluruh elemen
sejenis, tetapi dapat dibedakan satu sama lain.
3. Sampel: adalah bagian dari populasi

Metode Pengumpulan Data:


1. Sensus (cara pengu mpulan data di mana seluruh
elemen populasi diselidiki satu persatu)
2. Sampling (yang diselidiki adalah elemen sample dari
suatu populasi. Ada dua cara pengambilan sample:
cara acak (random) dan bukan acak (nonrandom).

Alat pengumpulan data:


1. Daftar pertanyaan (questionnaire)
2. Wawancara
3. Observasi/pengamatan langsung
4. Melalui pos, telepon atau alat komunikasi lainnya.

II. DISTRIBUSI FREKUENSI


A. pengertian
Distribusi frekuensi adalah: Ringkasan dalam
bentuk tabel dari suatu kelompok data yang
menunjukkan frekuensi item-item (kategorikategori) dalam beberapa kelas.
Frekuensi relatif adalah: proporsi dari jumlah
item/kategori dalam setiap kelas terhadap
keseluruhan item dalam data tersebut.
Frekuensi persentase adalah: Frekuensi relatif
kelas dikalikan 100.
Distribusi frekuensi persentase adalah: Ringkasan
dalam bentuk tabel dari sekelompok data yang
menunjukkan frekuensi relatif bagi setiap kelas.


B. Tujuan Pembuatan Distribusi Frekuensi
Adalah untuk mengatur data mentah (data yang
belum dikelompokkan) ke dalam bentuk yang rapi
tanpa mengurangi inti informasi yang ada.
Contoh: Data Mentah Nilai Ujian Mahasiswa
55

48

22

49

78

59

27

41

68

54

34

80

68

42

73

51

76

45

32

53

66

32

64

47

76

58

75

60

35

57

73

38

30

44

54

57

72

67

51

86

25

37

69

71

52

25

47

63

59

64

Selanjutnya dilakukan pengurutan data mulai terkecil


sampai terbesar. Beberapa keuntungan pengurutan
data:
1. Bisa dilihat jarak antara nilai terkecil (22) dengan nilai
terbesar (86), yaitu:
86 - 22 = 64.
2. Dapat dilihat di sekitar mana nilai data terkonsentrasi
22 25 25 27 30 32 32 34 35 37
38

41

42

44

45

47

47

48

49

51

51

52

53

54

54

55

57

57

58

59

59

60

63

64

64

66

67

68

68

69

71

72

73

73

75

76

76

78

80

86

B. Penyusunan Distribusi Frekuensi


Beberapa aturan:
1. Banyaknya kelas (K) biasanya antara 5 sampai 15.
2. Di dalam kelas-kelas harus meliputi nilai data terkecil dan
terbesar.
3. Lebar (interval) kelas dibuat sama. Dari tabel contoh
distribusi frekuensi interval kelas dihitung :

Interval kelas tidak harus 9,14, bisa dicarikan nilai terdekat


dan mudah. Dari contoh, ditentukan 10, paling mudah.

4. Sedapat mungkin menghindari kelas terbuka.

Interval Kelas
Adalah selisih antara tepi atas kelas dan tepi bawah
kelas (bukan batas atas dan batas bawah kelas). Tepi
bawah kelas = batas bawah x satuan terkecil.
Tepi atas kelas = batas atas + x satuan terkecil.
Distribusi Frekuensi Relatif
Adalah pembagian masing-masing frekuensi kelas
dengan seluruh frekuensi dan dinyatakan dalam
persentase.
Bermanfaat
dalam
membandingkan
beberapa distribusi yang memiliki jumlah frekuensi
berbeda.

Kemudian disusun distribusi frekuensi (pengelompokkan


data berdasarkan kemiripan ciri.
Distribusi Frekuensi Nilai Ujian Mahasiswa
Kelas
ke

Interval
kelas

Frekuensi

Frekuensi
Relatif (%)

24,5

34,5

14

44,5

16

54,5

12

24

64,5

18

74,5

16

84,5

Contoh :
Interval
Banyaknya
kelas
mahasiswa
Nilai ujian Kelas B Angkatan
2008

Frekuensi relatif ( %)
Kelas B

Angkatan
2008

20 -29

40

13,3

30 39

60

14

20,0

40 49

70

16

23,3

50 59

12

50

24

16,7

60 69

40

18

13,3

70 79

30

16

10,0

80 89

10

3,3

50

300

100

100

Frekuensi mhs angkatan 2008 yg memperoleh nilai <


30 = 40/300 = 0,133 = 13,3%.
Frekuensi mhs kelas B yg memperoleh nilai < 30 =
4/50 = 0.08 = 8%
Frekuensi relati mhs angkatan 2008 yang memperoleh
nilai > 50 = 130/300 = 43,3%

Distribusi Frekuensi Kualitatif

PENYAJIAN DISTRIBUSI FREKUENSI DENGAN GRAFIK


1. Histogram
Adalah suatu diagram batang dari distribusi frekuensi
2. Diagram Pie: diagram berbentuk lingkaran berisi
seluruh nilai variabel dan setiap belahannya
menunjukkan persentase atau proporsi setiap kelas.

3. Poligon Frekuensi: Diagram garis dari suatu distribusi


frekuensi. Diperoleh dengan menghubungkan titik2
yang merupakan pasangan koordinat titik tengah
dengan frekuensi setiap kelas. Titik tengah =
0,5(batas bawah + batas atas kelas).
4. Distribusi frekuensi kumulatif: penyusunan nilai kelas
untuk mengetahui banyaknya observasi yang ada di
atas atau di bawah suatu nilai tertentu. Terdiri dari:
frekuensi kumulatif dari atas ( < ) dan frekuensi
kumulatif dari bawah ( > ). Distribusi frekuensi
kumulatif dapat disajikan secara grafis berupa
diagram garis, yang disebut: OGIVE

Interval
kelas

Banyaknya
Mahasiswa

Frekuensi komulatif

24,5

50

34,5

11

46

44,5

19

39

50 - 59

12

31

31

60 - 69

40

19

70 - 79

48

10

80 - 89

50

Jenis Kurva Frekuensi:


1. Simetris/bentuk lonceng: Kurva Normal, dengan ciri
nilai variabel di samping kiri dan kanan berjarak sama
terhadap titik tengah.
2. Tidak simetris secara moderat/condong ke kiri
(negatif), condong ke kanan (positif)
3. Bentuk J/J terbalik: ciri salah satu nilai ujung kurva
mempunyai frekuensi maksimum.
4. Bentuk U: ciri kedua ujung kurva mempunyai nilai
maksimum
5. Bimodal: bila mempunyai dua maksimal Multimodal:
bila mempunyai lebih dari dua nilai maksima.
6. Uniforma: jika nilai-nilai variabel dalam suatu interval
mempunyai nilai sama.

75

86

66

86

50

78

66

79

68

60

80

83

87

79

80

77

81

92

57

52

58

82

73

95

66

60

84

80

79

63

80

88

58

84

96

87

72

65

79

80

86

68

76

41

80

40

63

90

83

94

76

66

74

76

68

82

59

75

35

34

65

63

85

87

79

77

76

74

76

78

75

60

96

74

73

87

52

98

88

64

76

69

60

74

72

76

57

64

67

58

72

80

72

56

73

82

78

45

75

56

III. UKURAN PEMUSATAN

I RATA-RATA HITUNG
Rata-rata hitung dari seperangkat nilai
data X1, X2, ...., XN adalah:
Jadi rata-rata hitung nilai mahasiswa
pada contoh di depan:

Rata-rata Tertimbang
Dari angka tanpa bobot:
1.
2. Dengan bobot:

3. Contoh
lain:
Pendapatan
per
kapita
Jawa
Rp.150.000/bulan, luar Jawa Rp.125.000/bulan. Jumlah
Penduduk Jawa 60% dari jumlah penduduk Indonesia.
Berapa pendapat per kapita Indonesia?

Rata- rata Hitung Data Kelompok


1.
Metode Langsung

Rumus:

Keterangan:
= Rata-rata hitung
f = Frekuensi
m = Titik tengah kelas interval

Work Sheet
Interval Kelas
( Nilai Ujian)

Frekuensi Titik Tengah


(f)
Kelas
(m)

fxm

20 -29

24,5

98

30 39

34,5

241,5

40 49

44,5

356

50 59

12

54,5

654

60 69

64,5

580,5

70 79

74,5

596

80 89

84,5

169

50

2695

Penyelesaian:

= .
2.

Metode Short Cut

Cara cepat mencari rata-rata hitung data kelompok.


Tahap yang dilalui:
1. Menentukan titik tengah secara sembarangan dan
dianggap sebagai nilai rata-rata (a).
2. Menentukan nomor interval kelas (d) dari interval
kelas di mana titik tengahnya dianggap sebagai nilai
rata-rata terhadap interval kelas yang lain.

3. Menghitung faktor koreksi dengan short cut dengan


rumus:

Keterangan:
a = Rata-rata hitung yang diasumsikan (titik
tengah)
f
= frekuensi kelas
d = penyimpangan nomor interval kelas
N = jumlah frekuensi
i = interval kelas

Interval
Kelas

Titik tengah Penyimpangan


( d)

f.d

20 - 29

-5

-20

30 - 39

-4

-28

40 - 49

-3

-24

50 - 59

-2

-24

60 - 69

-1

-9

70 - 79
80 - 89

74,5

-103

MEDIAN
Adalah nilai tengah jika banyaknya data ganjil, atau
rata-rata hitung dua nilai tengah jika banyaknya data
genap dari seperangkat data yang terurut.
Tahapan penyelesaian:
1. Data diurutkan mulai dari yang terkecil sampai
terbesar
2. Dicari posisi tengahnya (dalah hal banyak data
genap), sehingga posisi tengahnya berada pada posisi
ke (N + 1)/2 atau (50 + 1)/2 = 25,5. Jadi mediannya
merupakan rata-rata dari data pada posisi ke 25 dan
26.
3. Dari data genap nilai ujian, MEDIAN = (54 + 55)/2 =
54,5.

Median Data Kelompok


Dilakukan dengan cara interpolasi dalam
interval kelas yang mengandung
kelas median. Kelas
median adalah kelas yang nilai kumulatif dari atas N/2.
Rumus:

Keterangan:
Md = Median data kelompok
Lm = Batas bawah kelas median
N = Jumlah frekuensi
f = Frekuensi kumulatif dari atas pada kelas sebelum
kelas
Median
fm = frekuensi kelas median
i = interval kelas median

MODUS
Modus adalah nilai yang sering muncul dari
serangkaian data. Serangkaian data bisa terdiri dari
dua modus (bimodal) atau lebih (multimodal). Bimodal
atau multimodal terjadi karena penggabungan dua
atau lebih kelompok data.

Modus Data Dikelompokkan


Pada data dikelompokkan, modus ditentukan oleh
kelas yang memiliki frekuensi terbanyak.


Keterangan:
Lmo = Batas kelas bawah kelas modus
d1 = Selisih antara frekuensi kelas modus
dengan kelas
sebelum kelas
modus
d2 = Selisih antara frekuensi kelas modus
dengan kelas
setelah modus
i = interval kelas modus

Dari contoh distribusi frekuensi, diperoleh modus:

Ukuran-ukuran Lain
1. Fraktil, adalah nilai-nilai data yang membagi
seperangkat data yang telah terurut menjadi
beberapa bagian yang sama. Fraktil yang membagi
seperangkat data menjadi empat bagian yang sama
dinamakan: Kuartil (Q1, Q2, Q3). Fraktil yang membagi
seperangkat data menjadi sepuluh bagian yang sama
dinamakan: Desil (D1, D2,..D9). Sedangkan fraktil
yang membagi seperangkat data menjadi 100 bagian,
dinamakan: Persentil (P1,P2,...P99).
Nilai desil dan persentil ke lima sama dengan nilai
median. Perhitungan Kuartil pertama dan ke tiga dapat
dilakukan dengban mengganti N/2 dalam rumus
median menjadi N/4 dan 3N/4, sementara besaranbesaran lain seperti Lm, f, fm dan i disesuaikan.


Perhitungan desil pertama, ke 2 dan ke 9 dapat
dilakukan dengan mengganti N/2 pada rumus median
menjadi N/10, 2N/10 dan 9N/10.

Perhitungan persentil ke 40 dan 80 dilakukan dengan


mengganti N/2 dalam rumus median menjadi
40N/100 dan 80N/100.

2. Rata-rata Ukur
Rata-rata ukur (Geometric Mean) G dari sejumlah nilai
data adalah akar pangkat N dari perkalian nilai-nilai
data tersebut. Contoh: seperangkat data terdiri dari
2,3,4,5, berarti N = 4, dan rata-rata ukurnya:


Rata-rata Harmonis
Rata-rata harmonis H dari seperangkat data X1, X2,...XN
adalah
kebalikan rata-rata hitung dari kebalikan nilai data,
dengan rumus:

Contoh: rata harmonis dari nilai 3,5,6,6 adalah:

III. UKURAN PENYEBARAN, KECONDONGAN DAN


KETINGGIAN

I. PENYEBARAN (DISPERSION/DEVIATION)
Digunakan untuk mengukur penyimpangan nilai-nilai data
di sekitar nilai rata-ratanya.

Standar Deviasi Data Menntah


Deviasi menunjukkan berapa banyak suatu nilai
berbeda dari rata-rata hitungnya, sehingga deviasi = X .
Jumlah seluruh dari deviasi positif dan negatif selalu
sama dengan nol, (X - ) = 0
Pengkuadratan akan membuat deviasi yang bertanda
minus menjadi positif.

Rata-rata dari deviasi yang dikuadratkan dinamakan varians


()

di mana N = banyaknya data


Akar dari varians adalah standar deviasi (Deviasi Pangkat
Dua), dengan rumus:

Standar deviasi dapat lebih mudah dihitung dengan Metode


Rata-rata Pangkat Dua dengan rumus:

Standar Deviasi data tidak Berkelompok adalah sebagai berikut:

Metode Deviasi Pangkat Dua


Harga Barang (X)

Deviasi (X )

(X )

10
12
9
8
16

-1
1
-2
-3
5

1
1
4
9
25

55

40

Standar Deviasi Sampel Data


Dikelompokkan:

Keterangan:
F
= frekuensi kelas
X (m) = titik tengah kelas

Standar Deviasi Populasi untuk Data


Kelompok:

Keterangan:
F
= frekuensi kelas
X (m) = Titik tengah kelas

Contoh:
Interva- Frekuen
si (f)
20
30
40
50
60
70
80

29
39
49
59
69
79
- 89

4
7
8
12
9
8
2

Titik
tengah
(m)
24,5
34,5
44,5
54,5
64,5
74,5
84,5

f.X
98,0
241,5
356,0
654,0
580,5
596,0
169,0

f.X

600,25
1190,25
1980,25
2970,25
4160,25
5550,25
7140,25

2401,0
8331,75
15842,0
0
35643,0
0
37442,2
5
44402,0
0
14280,5
0

IV. ANGKA INDEKS

Angka indeks: merupakan suatu angka yang dibuat


sedemikian rupa sehingga dapat digunakan untuk
melakukan perbandingan antara kegiatan yang sama
(produksi, ekspor, hasil penjualan, jumlah uang beredar,
dll) dalam dua waktu yang berbeda.
Dari angka indeks dapat diketahui maju mundur atau
naik turunnya suatu usaha.
Tujuan pembuatan angka indeks: adalah untuk
mengukur secara kuantitatif terjadinya perubahan
dalam dua waktu yang berlainan, misalnya indeks harga
untuk mengukur perubahan harga, indeks biaya hidup
untuk mengukur tingkat inflasi, indeks produksi, dll.
Di dalam menghitung angka indeks diperlukan dua
macam waktu, yakni waktu dasar (based period) dan
waktu yang bersangkutan atau yang sedang berjalan
(current period).

Waktu dasar adalah: waktu dimana suatu kegiatan atau


kejadian dipergunakan sebagai dasar perbandingan.
Waktu yang bersangkutan adalah: waktu di mana suatu
kegiatan atau kejadian dipergunakan sebagai dasar
perbandingan terhadap kegiatan atau kejadian pada
waktu dasar.
1. Indeks Harga Relatif Sederhana dan Agregat
Indeks harga relatif sederhana adalah: indeks yang
terdiri dari satu macam barang saja, baik untuk indeks
produksi maupun indeks harga.
Indeks agregat adalah: indeks yang terdiri dari berbagai
barang (kelompok barang). Contoh: indeks harga 9
bahan pokok, indeks impor atau ekspor Indonesia, dll.
Contoh soal: Dari Buku

Indeks harga sederhana:


It,0 =
Indeks produksi sederhana:
It,0 =

2. Indeks Agregatif Tidak Tertimbang


Digunakan untuk unit-unit yang mempunyai satuan yang
sama. Diperoleh dengan membagi hasil penjumlahan
harga pada waktu yang bersangkutan dengan hasil
penjumlahan harga pada waktu dasar. Contoh: Dari Buku
hal 284 285.

3. Indeks Agreratif Tertimbang


Indeks agregatif tertimbang adalah: indeks yang dalam
pembuatannya telah dipertimbangkan faktor-faktor yang
akan mempengaruhi naik turunnya angka indeks
tersebut. Faktor-faktor yang menjadi pertimbangan
antara lain: 1) Kepentingan relatif (relative importance),
2) Hal-hal yang ada hubungannya atau ada pengaruhnya
terhadap naik turunnya indeks tersebut, misalnya:
produksi naik harga turun, demikian sebaliknya.

Indeks Agregat Tidak Tertimbang:


It0 =
Indeks Rata-rata Relatif:
Its/t0 =

Rumus Angka Indeks Laspeyres &


Paasche (Rumus Agregatif Tertimbang):

Dimana:
L = Laspeyres
pt = Harga waktu t
q0 = Harga waktu 0
p0 = Produksi waktu 0, sebagai
timbangan

Rumus Laspeyres Indeks Produksi Agregatif


Tertimbang:

Rimus Angka Indeks Paasche Harga Agregatif


Tertimbang:

Keterangan:
P = Laspeyres
pt = Harga waktu t
p0 = Harga waktu 0
q0 = Produksi waktu 0, sebagai timbangan

Rumus Angka Indeks Paasche Produksi


Agregatif Tertimbang:

Perhatikan Rumus 1 & 3: ..

Variasi dari Indeks Harga


Tertimbang:
Rumus Irving Fisher:

Rumus Angka Indeks Drobisch:

Rumus Angka Indeks Marshal


Edgeworth:

V. ANALISIS TIME SERIES


Pengertian
Time series: Serangkaian nilai nilai variabel yang disusun
berdasarkan waktu. Dari analisis time series dapat diperoleh ukuran-ukuran yang dapat digunakan untuk membuat
keputusan pada saat ini , untuk peramalan dan perencanaan
masa depan.

Trend Linier
Digunakan untuk mengukur kecenderungan nilai-nilai suatu
variabel pada skala waktu tertentu yang digambarkan dalam
suatu kurva garis lurus.

Persamaan Trend Linier:


Keterangan:
nilai trend untuk periode tertentu
a = nilai
jika x = 0
b = kemiringan garis trend (besarnya perubahan
jadi perubahan satu besaran periode waktu.
X = kode periode waktu =

Di mana: n adalah banyaknya pasangan data.


Contoh:

jika ter-

Tahun

Y
Omset Penj

X
(tahun)

Y.X

X2

1997

5,0

-2

-10,0

1998

5,6

-1

-5,6

1999

6,1

2000

6,7

6,7

2001

7,2

14,4

Y.X=5,5

X2=10

Y=30,6

Nilai a = 30,6/5=6,12
Nilai b =5,5/10=0,55
Jadi persamaan trend Y=6,12+0,55x
57

Trend Kuadratis
Perkembangan nilai suatu variabel dalam
interval pendek
atau menengah yang mempunyai pola linier,
kadang-kadang
polanya menjadi tidak linier (kuadratis atau
eksponensial).
Persamaan Trend Kuadratis:

Di mana X merupakan tahun kode, dan X =


Dengan metode least square diperoleh:

Contoh:

Tahun

XY

X2

X 2Y

X4

1997

5,0

-2

-10,00

4,00

20,00

16,00

1998

5,6

-1

-5,60

1,00

5,60

1,00

1999

6,1

0,00

0,00

0,00

0,00

2000

6,7

6,70

1,00

6,70

1,00

2001

7,2

14,40

4,00

2880

16,00

5,50

10,00

61,10

34,00

30.60

a = (Y) (X4) (X2Y) (X2) = {(30,6)(34)-(61,1)(10)}/{(5)(34)-(10)2}=6,13


n (X4) - (X2)2
b = XY/X2
= 5,5/10=0,55
2
2
c = n(X Y) (X ) ( Y)
= {(5)(61,1)-(10)(30,6)}/{(5)(34)-(10) 2}=-0,0071
n (X4) - (X2)2
Jadi persamaan kuadratisnya adalah Y =6,13+0,55x-0,0071x 2

60

Trend Eksponensial
Persamaan eksponensial dinyatakan dalam bentuk variabel waktu (X)
dinyatakan sebagai pangkat. Untuk mencari nilai a, dan b dari data Y
dan X, digunakan rumus sebagai berikut:
Y = a (1 + b)X
Ln Y = Ln a + X Ln (1+b)
Sehingga a = anti ln (LnY)/n
b = anti ln (X. LnY) - 1
(X)2

61

Tahun

Ln Y

X2

1997

5,0

-2

1,6

4,00

1998

5,6

-1

1,7

1,00

1999

6,1

1,8

0,00

2000

6,7

1,9

1,00

2001

7,2

2,0

4,00

9,0

10,00

X Ln Y
-3,2
-1,7
0,0
1,9
3,9
0,9

Nilai a dan b didapat dengan:


a = anti ln (LnY)/n = anti ln 9/5=6,049
b = anti ln (X. LnY) - 1 = {anti ln0,9/10}-1=0,094
(X)2
Sehingga persamaan eksponensial Y =6,049(1+0,094) x
62

ANALISIS KORELASI DAN


REGRESI LINIER SEDERHANA

PENTINGNYA ANALISIS KORELAS


Analisi korelasi berperan penting dalam meramalkan nilai
variabel tertentu yang belum diketahui nilainya
berdasarkan variabel lain yang ada hubungannya dan
telah diketahui nilainya. Ramalan merupakan
perkiraan/taksiran mengenai terjadinya suatu kejadian
(nilai variabel untuk waktu yang akan datang).

Variabel yang nilainya akan diramalkan (Y) disebut


variabel tidak bebas (dependent variable), sedangkan
variabel yang telah diketahui nilainya (X) yang digunakan
untuk meramalkan variabel Y, disebut variabel bebas
(independent variable) atau variabel peramal (predictor)
dan sering kali disebut variabel yang menerangkan
(explanatory)

KOEFISIEN
KEGUNAANNYA

KORELASI

DAN

Hubungan dua variabel ada yang positif dan negatif.


Hubungan X dan Y dikatakan positif apabila kenaikan
(penurunan) X pada umumnya diikuti oleh kenaikan
(penurunan) Y. Sebaliknya dikatakan negatif kalau kenaikan
(penurunan) X pada umumnya diikuti oleh penurunan
(kenaikan) Y.
Contoh: Grafik positif dan negatif.
Kuat dan tidaknya hubungan antara X dan Y apabila dapat
dinyatakan dengan fungsi linier diukur dengan suatu nilai
yang disebut: KOEFISIEN KORELASI. Nilai koefisien korelasi ini
paling sedikit -1 dan paling banyak 1 (r = -1 r 1).
Untuk mengetahui berapa besar kontribusi X terhadap
perubahan Y, perlu dihitung suatu koefisien yang disebut:
KOEFISIEN PENENTUAN/KOEFISIEN DETERMNASI (coefficient
of determination).

Jika Koefisien Determinasi disimbolkan dengan KD:


KD = r
Jika r = 0,90, maka nilai KD = (0,90) = 0,81 (81%),
yaitu besarnya sumbangan variabel X terhadap naik
turunnya Y adalah 81%, sedangkan 19% disebabkan
oleh faktor lainnya.
Rumus menghitung r:

r = ----------------------x
xi = Xi X bar, di mana X bar =
yi = Yi X bar, di mana X bar =

Atau:

r = ----------------------------------Contoh:
X = 10 2 4 6 8 7
4 6 7 6
Y = 23 7 15 17 23 22 10 14 20 19
X= 1 2 4 5
Y= 2 4 5 7

7 9 10
8 10 12

12
14

Persamaan Regresi Linear


Persamaan regresi adalah persamaan
yang di-gunakan untuk mendapatkan
garis regresi pada data diagram
pencar.
Bentuk Persamaan Regresi:

Keterangan:
a = Y pintasan, (nilai Y bila X = 0)
b = Kemiringan dari garis regresi
(kenaikan atau penurunan Y untuk
perubahan setiap satu satuan X) atau
koefisien regresi, yang mengukur
besarnya pengaruh X terhadap Y jika X
naik satu unit.
X = Nilai tertentu dari variabel bebas
Y = Nilai yang diukur/dihitung pada
variabel tidak bebas.

REGRESI LINEAR BERGANDA


Hubungan Lebih darti Dua Variabel
Regresi Linear Berganda
Apabila terdapat lebih dari dua variabel, maka
hubung-an linear dapat dinyatakan dalam
persamaan sebagai berikut:
Y' = b0 + b1X1 + b2X2 + + bkXk
Y'i = b0 + b1X1i + b2X2i + .. + bkXki, dengan i = 1,
2, 3, n
Di mana: Y = nilai observasi (data hasil pencatatan
Y ' = nilai regresi

Dalam persamaan di atas, ada satu variabel terikat


yaitu Y' dan ada k variabel bebas, yaitu X 1, .., Xk.
Untuk menghitung b0, b1, b2, b3, ., bk, digunakan
Metode Kuadrat Terkecil (Least Square Method)
sebagai berikut:
b0 n
+ b1X1 + b2X2 + . + bkXk
= Y
b0X1 + b1X12 + b2X1X2 + .. + bkX1Xk = X1Y
b0X2 + b1X2X1+ b2X22 + .. + bkX2Xk = X2Y
.

.
.
b0Xk + b1XkX1+ b2XkX2 + .. + bkXk2 = X2Y

Untuk k = 2, Y' = b0 + b1X1 + b2X2, akan


menghasilkan persamaan:
b 0n
+ b1X1 + b2X2
= Y
b0X1 + b1X12 + b2X1X2 = X1Y
b0X2 + b1X2X1+ b2X22

= X2Y

Ketiga persamaan tersebut dapat dinyatakan


dalam persamaan matriks:
b 0n
b1X1
b2X2
b0
Y
b0X1

b1X12

b2X1X2

b1

= X1Y

b0X2

b1X2X1

b2X22

b2

X2Y

A
A = Matriks (diketahui)
B = Vektor kolom (tidak diketahui)
H = Vektor kolom (diketahui)

MEMECAHKAN PERSAMAAN LEBIH DARI DUA VARIABEL


Contoh matriks 2 baris 2 kolom:
Matriks A =

Determinan A =

Contoh matriks 3 baris 3 kolom:

Det (A) = a11a22a33 + a12a23a31 + a13a21a32 - a31a22a13 - a32a23a11 a33a21a12


Contoh:

Jika ada tiga persamaan dengan tiga


variabel yang tidak diketahui nilainya,
sebagai berikut:
a11b1 + a12b2 + a13b3 = h1

a13

b1

a21

a22

a31

a32

b2 = h 2
a31b1 + a32b2 + a33b3 = h3

a33

a12

h1

a21b1 + a22b2 + a23b3 = h2

a23

a11

b3

h3
A
b

Maka:

Di mana:

a11

h1 a12 a13
a12 h1

A1 = h2 a22 a23
a21 a22 h2
a31
Contoh:

h3 a23 a33
a33 h3

a11 h1
;

A2 =

a21 h2
a31 h3

a13
a23
a33

A3 =

Analisis Korelasi Berganda


Jika korelasi lebih dari dua variabel (Y, X1 dan
X2), maka:
1.Korelasi X1 dan Y digambaarkan dengan
rumus:

Di mana:
dan

2. Korelasi X2 dan Y dengan rumus:

Di mana:

dan

3. Korelasi X1 dan X2, dengan rumus:

Di mana:

dan

4. Koefisien korelasi berganda dapat


selesaikan dengan rumus:

5.Selanjutnya dihitung pulah koefisien penentu


(coeficient of determination), adalah kuadrat
dari KKLB, digunakan untuk mengukur
besarnya sumbangan X1 dan X2 terhadap
variasi atau naik turunnya Y. Rumus:
Atau
B1 dan b2 diperoleh dari:

Di mana:

Korelasi linier sederhana:

Inferensi Hasil Regresi. Terdapat 3 jenis kriteria, yaitu:


1. Uji signifikansi individual (uji statistik t): uji yang menunjukkan seberapa
jauh pengaruh satu variabel penjelas secara individual dalam
menerangkan variase variabel terikat

Keterangan:
1. Hipotesis nol (Ho) yang hendak diuji adalah apakah suatu parameter (bi)
sama dengan nol,
2. Hipotesis alternatifnya (Ha), parameter suatu variabel tidak sama dengan nol,
3. Rumus Statistik t
4. Rumus lain Statistik t, dimana:

n = jumlah observasi
k = jumlah parameter dalam model, termasuk intersept

2. Uji Signifikansi Simultan (uji statistik F): Menunjukkan


apakah semua variabel bebas yang terdapat dalam
model mempunyai pengaruh secara bersama-sama
terhadap variabel terkait.
1

Keterangan:
1. Hipotesis nol (Ho) yang hendak diuji adalah apakah semua parameter dalam
model sama dengan nol,
2. Hipotesis alternatifnya (Ha), tidak semua parameter secara simultan sama
dengan nol,
3. Rumus Statistik F, dimana:

3. Koefisien Determinasi: Perangkat yang mengukur seberapa jauh


kemampuan model dalam menerangkan variasi variabel terikat.
Formulanya adalah:

Selain itu, banyak juga peneliti menganjurkan untuk


menggunakan nilai Adjusted R2 pada saat mengevaluasi
mana model regresi yang terbaik

Menilai Goodness of Fit Suatu Model:


Digunakan untu menilai ketepatan fungsi regresi sampel
dalam menaksir nilai aktual. Dapat diukur dari: Nilai statistik
t (uji t), Nilai statistik F(uji F), dan Koefisien Determinasi.
1. Uji Signifikansi Individual (Uji Statistik t):
Menunjukan seberapa jauh pengaruh satu variabel penjelasan secara individual dalam menerangkan variasi
variabel
terikat. Hipotesis nol (H0) :
(Apakah suatu variabel independen bukan
merupakan penjelasan yang signifikan terhadap variabel
dependen).
(Variabel tersebut merupakan penjelasan
yang
signifikan terhadap variabel dependen).

Statistik t dihitung dengan formula sebagai berikut:

Di mana: S = deviasi standar yang dihitung dari


akan varians .
Varians :
Di mana: n = jumlah
observasi
(sampel), k = jumlah parameter dalam model
termasuk intercept.
2. Uji Signifikansi Simultan (Uji Statistik F):
Menunjukkan apakah semua variabel bebas yang
dimasukkan dalam model mempunyai pengaruh
secara bersama-sama terhadap variabel terikat.

Hipotesis nol:

(Semua variabel independen bukan merupakan


penjelasan yang signifikan terhadap variabel
dependen).
Hipotesis alternatif:

(Semua variabel independen secara simultan


merupakan penjelasan yang signifikan terhadap
variabel dependen).
Nilai statistik F dihitung dengan formulasi:

Di mana:
SSR = sum of squares due to regresion =
SSE = sum of squares error =
n
= jumlah observasi
k
= jumlah parameter termasuk intercept dalam
model
MSR = mean squares due to regresion
MSE = mean squares due to error
Kaidah Pengambilan Keputusan:
- Jika nilai F > 4 pada derajat kepercayaan 5%, maka
H0 ditolak, Ha diterima, demikian sebaliknya.
- Atau jika Fhitung > Ftabel, maka H0 ditolak dan Ha

diterima, demikian sebaliknya.

3. Koefisien Determinasi (R2):


Digunakan untuk mengukur seberapa jauh
kemampuan model dalam menerangkan variasi
variabel terikat.
Formulasi Koefisien Determinasi:

`Kelemahan penggunaan koefisien determinasi:


setiap penambahan variabel independen, maka
R2 akan bertambah, tidak perduli apakah variabel
independen tersebut berpengaruh terhadap
variabel dependen atau tidak. Karena itu
koefisien yang diagunakan adalah adjusted R2,
dengan formula:

PENGUJIAN HIPOTESIS
Pengertian
Pengujian hipotesis: membuktikan atau
me-nguatkan suatu dugaan atau
anggapan ten-tang parameter populasi
yang tak diketahui berdasarkan
informasi sampel yang diambil dari
populasi tersebut.
Ada dua hipotesis statistik yang saling
bertentangan satu dengan lainnya,
yakni hipotesis nol (Ho) dan hipotesis
alternatif (Ha).

Ho : Hipoteisis yang dirumuskan


karena teori yang digunakan
masih diragukan kehan-dalannya.
Ha : Hipotesis yang dirumuskan
sesuai dengan teori yang
digunakan.

UJI STATISTIK RELIA BILITAS &


VALIDITAS
Rreliabilitas: adalah alat untuk mengukur
suatu kuesioner yang merupakan indikator
dari suatu variabel atau konstruk. Suatu
kuesioner dikatakan reliabel atau handal
jika
jawaban
seseorang
terhadap
pernyataan konsisten atau stabil dari waktu
ke waktu.
Reliabilitas suatu variabel dapat diukur
dengan
menggunakan
uji
statistik
CRONBACH ALPHA (). Suatu variabel
dikatakan reliabel jika memberikan nilai
cronbach alpha > 0,60.

Uji validitas: digunakan untuk mengukur


sah atau valid tidaknya suatu kuesioner.
Suatu kuesioner dikatakan valid jika
pertanyaan pada kuesioner mampu
untuk mengungkapkan sesuatu yang
akan diukur oleh kuesioner tersebut.
Validitas suatu kuesioner dapat
diketehui
dengan
membandingkan
antara r hitung dengan r tabel untuk
degree of freedom (df) = n 2. Jika r
hitung > r tabel, maka kuesioner valid.

TERIMA KASIH