BHN Statistikyy 1

BAB I
PENDAHULUAN
Apabila orang kebanyakan mendengar kata Statistika, maka
bayangan yang muncul pada benak mereka adalah angka-angka dalam
beintuk daftar atau grafik-grafik dengan keterangan tertentu. Bayangan
ini muncul karena dalam jangka waktu yang lama Statistik
diidentirikasikan semata-mata dengan tampilan data serta grafik yang
berhubungan dengan kondisi ekonomi, demografl, maupun politik dari
suatu negara. Kata Statistika itu sendiri sebenarnya berasal dari bahasa
Latin 'status yang artinya adalah suatu negara,dalam arti kesatuan
politik. Dalam jangka waktu yang lama, statistika ini lebih berfungsi
untuk melayani keperluan administrasi negara, misalnya keterangan
tentang pendluduk digunakan untuk memperlancar pajak dan mobilisasi
pencluduk dalam angkatan perang. Pandangan orang kebanyakan
seperti di atas tentang pengertian Statistika sebenarnya berkenaan
dengan bagian dari Statistika yang dikenal dengan Statistika Deskriptif
(akan dibahas kemudian).
Dewasa ini Statistika merupakan suatu ilmu yang penggunaannya
makin dirasakan kepentingannya. Hampir semua bidang ilmu
pengetahuan menggunakan Statistika dalam rangka mengembangkan
bidang masing-masing, sehingga dikenal Statistika-Pertanian, Statistika
Ekonomi, Statistika Kedokteran, Statistika Pendidikan,Statistika untuk
Ilmu ilmu sosial dan sebagainya.
Statistika dikembangkan dari pengalaman atau secara empiris, akan
tetapi untuk menemukan kaidah-kaidahnya diperlukan bantuan
matematika, terutama ilmu hitung peluang. Dengan semakin
berkembangnya matematika, maka Statistika juga ikut berkembang
sehingga aplikasinya semakin luas.
1.1 DEFINISI STATISTIKA

Statistika secara modern dapat didefinisikan sebagai suatu
metode yang digunakan dalam pengumpulan dan analisa data yang
berupa angka sehingga dapat diperoleh informasi yang berguna.
Sebagai suatu subyek, Statistika menyediakan prinsip-prinsip dan
metodologi untuk merancang proses pengumpulan data, meringkas
data yang diperoleh, melakukan interpretasi, serta mengambil
kesimpulan atau generalisasi. Untuk menjamin obyektivitas dalam
melakukan penilaian hasil yang diperoleh, dalam setiap tahapan
kerjanya selalu ditekankan untuk mengikuti kode etik metodologi
ilmiah. Sedangkan data itu sendiri dalam Statistika diartikan sebagai
sejumlah informasi yang dapat memberikan gambaran tentang suatu
Bahan Kuliah Statistika & Probabilitas
Oleh : Yunus Yakub
keadaan. Informasi ini pada umumnya diperoleh melalui observasi yang

dilakukan terhadap sekumpulan individu.
1.1.1. Klasifikasi Statistika
Berdasarkan aktivitas yang dilakukan, Statistika dapat dibedakan
menjadi Statistika Deskriptif dan Induktif (Inferensia).
Statistika-Deskriptif
merupakan
bagian
Statistika
yang
mernbicarakan, cara-cara pengumpulan data dan menyederhanakan
angka-angka pengamatan yang diperoleh (mengumpulkan, meringkas
dan menyajikan data), serta melakukan pengukuran pemusatan dan
penyebaran. Sebagai contoh, bila kita ingin mengengetahui gambaran
rata-rata pendapatan penduduk Kodya Salatiga, tanpa membuat
generalisasi pada daerah yang lebih luas, maka aktivitas ini berkenaan
dengan problem statistika deskriptif. Selain itu, penyajian data dalam
bentuk tabel, grafik, distribusi frekuensi, menemukan nilai pemusatan
dan hilai penyebaran juga termasuk aktivitas yang dijumpai dalam
statistika deskriptif.
Statistika Induktif (Inferensia) merupakan bagian Statistika yang
membicarakan cara-cara menganalisa data serta mengambil kesimpulan
(yang pada dasarnya berkaitan dengan dua masalah utama yaitu
estimasi parameter populasi dan pengujian hipotesis). Walaupun
dengan menggunakan Statistika Induktif kita bisa menarik kesimpulan,
perlu diingat bahwa pada dasarnya dengan menggunakan Statistika
Indusktif kita tidak membuktikan sesuatu. Meskipun demikian dengan
penggunaan metode ini dapat diketahul besarnya peluang untuk
memperoleh kesimpulan yang sama bila penelitian tersebut diulang.
Selain itu penggunaan metode yang tepat memungkinkan kita untuk
mengukur besarnya galat (error) dalam, menarik kesirnpulan atau
memberikan taraf kepercayaan tertentu terhadap suatu pernyataan.
Berdasarkan metode yang digunakan, Statistika Induktif dapat
dibedakan menjadi Statistika Parametrik clan Statistika Nonparametrik.
Statistika Parametrik
Statistika parametrik adalah bagian dari Statistika Induktif
(Inferensia) yang mempertimbangkan nilai dari satu atau lebih
parameter populasi dan sehubungan depgan kebutuhan inferensianya,
pada umumnya Statistika parametrik membutuhkan data yang skala
pengukuran minimaInya adalah interval (selang). Selain itu penurunan
dari prosedur dan penetapan teorinya berpijak pada asumsi spesifik
mengenai bentuk distribusi populasi yang biasanya diasumaikan
normal.
Oleh : Yunus Yakub
Statistika Nonparametrik
Statistika Nonparametrik merupakan bagian dari Statistika
Induktif (Inferensia) yang tidak memperhatikan nilai dari satu atau
lebih parameter populasi. Pada umumnya validitas pada Statistika Nonparametrik tidak tergantung pada model peluang yang spesifik dari
populasi. Statistika Nonparametrik menyediakan metode Statistika
untuk menganalisa data yang distribusinya tidak dapat diasumsikan
normal. Dalam Statistika Nonpametrik, data yang dibutuhkan lebih
banyak berskala ukur nominal atau ordinal.
1.2. POPULASI DAN SAMPEL

Dalam percakapan,sehari-hari kata populasi dapat diartikan
sebagai sekelompok orang atau penduduk yang menempati suatu
wilayah tertentu, misalnya penduduk kota Semarang. Namun dalam
Statistika kata populasi mengacu pada sekumpulan individu yang
mempunyai karakteristik yang khas yang menjadi perhatian dalam
suatu penelitian. Dengan demikian dalam Statistika populasi
mempunyai arti yang lebih luas yaitu tidak terbatas pada sekelompok
orang, tetapi juga binatang dan benda apa saja yang menjadi perhatian
kita. Sebagai gambaran dicontohkan tentang populasi tanaman yang
terdapat di lingkungan kampus ISTN, populasi, bank swasta di
Indonesia yang meliputi semua bank swasta yang ada di Indonesia.
Masing-masing individu dalam populasi seperti orang tanaman, rumah,
bank dan sebagainya disebut elemen dari populasi
Populasi adalah keseluruhan elemen yang menjadi perhatian
dalam suatu penelitian
Banyaknya elemen dalam populasi didefinisikan sebagai ukuran
populasi. Sebagai contoh, bila bila desa Banjarsari Kecamatan Parakan
Kabupaten Temapggung, Jawa Tengah memiliki 726 kepala keluarga.
Maka populasi kepala keluarga di desa tersebut berukuran 726. Bila
populasi ditlinjau dari ukurannya maka dapaf dibedakan adanya
populasi yang terbatas dan populasi yang tidak terbatas. Contoh
populasi yang terbatas adalah populasi pegawai di ISTN, sedangkan
contoh untuk populasi yang tidak terhatas adalah populasi tanamahn
pengganggu di seluruh dunia,
Dalam situasi
tertentutidak jarang kita mengalami kesulitan
memperoleh informasi dari seluruh elemen populasi disebabkan karena
terbatasnya biaya, waktu dan tenaga yang tersedia. Misalnya
dalam
usaha menentukan rata-rata daya larnpu pijar jenis tertentu, yang
dihasilkan suatu perusahaan, adalah tidak mungkin menguji
semua
lampu pijar sementara kita rnasih ingin menjualnya. Oleh karena itu
Oleh : Yunus Yakub
terpaksa hanva diambil sebagian dari populasi lampu piiar untuk

membantu menarik kesimpulan tentang daya lampu pijar yang
diproduksi perusahaan tersebut. Tentu saja dalam melakukan
pengambilan sebagian harus menuruti prosedurur tertentu agar individu
yang diambil tersebut dapat memberikan informasi mengenai
keseluruhan. Sebagian anggota populasi yang diambil menurut
prosedur, tertentu sehinggp dapat mewakili populasinya biasa dikenal
dengan Sampel (contoh). Penggunaan prosedur tertentu dalam
melakuklan pengambilan sampel didasarkan atas pertimbangan.
1 . Agar diperoleh data yang relevan dengan yang dikehendaki
2. Sejumlah variasi tidak terhindarkan meskipun observasi dilakukan
dibawah kondisi yang mirip ataupun sama. Variasi yang timbul ini
disebabkan karena besar nilai karakteristik individu yang diukur
memang berbeda dan juga karena adanya kesalahan dalam
melakukan, pengukuran. Sealin itu perlu diketahui bahwa umumnya
data hasil pengamat bervariasi, karena di alam tidak ada dua
individu yang 100 % homogen.
Dari hasil pengambilan sampel, kita mencoba menduga besaran
populasi yang sebenarnya. Besaran yang kita peroleh dari sampel ini
dikenal dengan Statistik (bedakan dengan Statistika).
Oleh : Yunus Yakub
BAB II
DATA, PENGUMPULAN & PENYAJIAN DATA
Data mempunyai kaitan yang erat sekali dengan Statistika, hal ini
dapat dilhat dari definisi statistilka yaitu suatu metode yang bertujuan
mengumpulkan, mengplah, menyajikan dan menginterpretasikan data.
Dengan kata lain data merupakan bahan baku atau komponen utama
dalam statistika. Data merupakan bentuk jamak dari datum. Datum
merupakan informasi yang diperoleh dari satu satuan amatan. Bila kita
bicara mengenai si Ali adalah 165 cm, berarti kita mendapatkan datum,
sedangkan bila informasi tinggi yang ada berasal dari lebib satu orang
berarti kita dihadapkan dengan data.
Sebagai bahan baku maka ketepatan suatu data akan sangat
menentukan dalam menghasilkan ketepatan pengambilan suatu
keputusan. Persyaratan data yang baik clan supaya berguna antara lain
sebagai berikut :
data harus obyektif, maksudnya sesuai dengan kenyataan yang
sebenarnva
data harus bisa mewakili (representatif)
variasinya kecil
harus tepat waktu
harus relevan untuk menjawab suatu persoalan yang sedang
menjadi pokok pembahasan.
Data adalah merupakan keterangan yang bisa memberikan gambaran
tentang suatu keadaan atau suatu persoalan.
2.1. JENIS DATA

Data dapat diklasifikasikan menurut jenisnya berdasarkan kriteria
yang disajikan :
Kriteria
1. Sifatnya
2. Sumbernya
3. Cara memperolehnya
4. Waktu Pengumpulan
Jenis
a. Kualitatif
b.
a.
b.
a.
b.
a.
b.
Kuantitatif
Internal
Eksternal
Primer
Sekunder
Cross Section
Times Seris
Keterangan
Data yang bersifat menggolongkan saja
Data yang berbentuk angka
Dalam organisasi
Diluar Organisasi
Dikumpulkan & Diolah Sendiri
Data dalam bentuk jadi
Dikumpulkan waktu tertentu
Dikumpulkan Beberapa tahapan
Oleh : Yunus Yakub
2.2. METODE PENGUMPULAN DATA

Metode pengumpulan data menunjukan cara-cara yang dapat
ditempuh untuk memperoleh data yang dibutuhkan. Dalam
kenyataannya data dapat diperoleh secara langsung (data primer) atau
tidak langsung (data sekunder). Dalam memperoleh data tersebut
umumnya dilakukan observasi pada unit terkecil dari satuan
pengamatan. Sebelum melakukan observasi perlu ditentukan karakter
apa yang akan diobservasi. Sifat atau karakter yang akan diobservasi
tersebut disebut variable (peubah).
Variabel adalah sifat yang dimiliki oleh individu contoh yang berbeda
antara satu (kelompok) individu dengan individu lain.
Beberapa contoh variable :

pada perusahaan : upah pegawai
pada tanaman
: tinggi tanaman, panjang daun, berat buah dsb
pada ikan
: berat badan, panjang ikan dsb.
Berdasarkan bulat atau tidaknya nilai diperoleh, variable dapat dibagi

menjadi : variable kontinu dan diskrit.
Varibael kontinu adalah variable yang besarannya dapat menempati
nilai yang ada dua titik. Pada umumnya variabel kontinu merupakan
hasil pengukuran. Contoh variable kontinu adalah : jumlah bunga dari
tabungan seseorang, diameter buah pepaya, dsb Sedangkan variable
diskrit merupakan variable yang besarannya tidak menempati semua
nilai. Nilai varibael diskrit selalu berupa bilangan bulat. Contoh variable
diskrit adalah : jumlah keluarga petani disuatu desa, jumlah tanaman
cengkeh yang terkena serangan penyakit disuatu desa, dsb.
2.3.1 Metode Pengumpulan Data Primer
Pengumpulan data dengan cara langsung untuk memperoleh data
primer dapat dilakukan dengan 2 cara :
1. Survai
2. Percobaan
Pengumpulan data dengan cara survai dilakukan bila data yang dicari
sebenarntya sudah ada dilapangan atau sasaran penelitian yang
lainnya. Sebagai contoh bila ingin diketahui pendapatan rata-rata
pendapatan petani didaerah Kopeng, maka dapat dilakukan survai,
dengan mengambil beberapa petani yang dapat mewakili keseluruhan
petani di daerah itu.
Oleh : Yunus Yakub
Pengumpulan data pada suatu percobaan data yang ingin diperoleh

belum tersedia, dengan demikian variable yang akan diukur harus
dibangkitkan dahulu dengan percobaan. Setelah percobaan selesai
barulah observasi dilakukan. Sebagai contoh, ingin diketahui apakah
perlakuan
kenaikan
gaji
dengan
berbagai
tingkat
kenaikan
mempengaruhi produktivitas dari karyawan yang semula mempunyai
tingkat pendapatan yang sama ?.
Ada beberapa metode pengumpulan data untuk data primer yang
dapat digunakan olek observatory, dimana pemilihan suatu metode
tertentu sangat dipengaruhi oleh macam data yang dibutuhkan untuk
menjawab persoalan yang ada.
2.3.2 Metode Pengumpulan Data Sekunder
Metode pengumpulan data sekunder sering disebut metode
penggunaan bahan dokumen, karena observator tidak meneliti
langsung dan mengolah sendiri data yang diperoleh dari responden
tetapi meneliti dan rnenyalin data atau dokumen yang dihasilkan oleh
pihak lain.
Data sekunder ini bisa didapatkan dari berbagal sumber antara
lain :
(a). BPS, baik yang dipublikasikan dalam edisi khusus maupun yang
belum dipublikasikan.
(b). Mass media.
(c). Lembaga pemerintah atau swasta.
(d). Lembaga Penelitian maupun Pusat Bank Data.
Apabila dalam suatu penelitian si peneliti sudah menentukan akan
menggunakan data sekunder untuk membahas topik yang dihadapi, hal
yang harus mendapatkan perhatian adalah sumber data karena tidak
jarang masing-masing sumber data sekunder menghasilkan angka yang
berbeda. Perbedaan yang, ada kemungkinan disebabkan karena adanya
perbedaan terhadap batasan konsep yang digunakan dan tingkat
ketelitian dalam pengumpulan data.
2.4. SKALA PENGUKURAN
Sebelum melakukan observasi terhadap peubah, yang,akan diukur
terlebih dahulu perlu ditentukan skala pengukuran yang akan digunakan
karena macam skala pengukuran ini akan mempengaruhi metode
statistika
yang
digunakan.
Diantara
bermacam-macam
skala
pengukuran yang dapat dipergunakan untuk mengukur suatu ciri atau
karakteristik obyek amatan, dalam statistika dapat dilakukan klasifikasi
terhadap skala pengukuran yang mungkin dihasilkan menjadi :
Oleh : Yunus Yakub
1.
2.
3.
4.
Skala
Skala
Skala
Skala
Nominal
Ordinal
Interval atau Selang
Nisbah atau Rasio
Skala pengukuran Nominal dan Ordinal. seringkali digebut sebagai

skala pengukuran kualitatif sedangkan skala pengukuran Interval dan
Rasio,sering dinamakan sebagai skala pengukuran kuantitatif.
2.4.1 Skala Nominal
Nominal berasal dari kata name. Skala pengukuran nominal
merupakan skala pengukuran yang paling sederhana. Skala pengukuran
ini,
digunakan
untuk
mengklasifikasikan
(menggolongkan)
obyek-obyek amatan atau kejadian-kejadian, dalam kelompok
(kategori) yang terpisah untuk menunjukkan kesamaan atau perbedaan
ciri-ciri tertentu dari obyek. Kategori-kategori (kelompok) yang ada
sudah didefinisikan sebelumnya dan dilambangkan dengan kata-kata,
huruf simboL atau angka. Karena fungsi angka disini hanya sebagai
lambang menunjukkan kedalam kelompok mana suatu pengamatan
harus dimasukkan, maka nilai- nilai yang ada sama sekali tidak
menunjukkan besarnya sesuatu yang diukur tadi dan tidak pula
mengungkapkan perbandingan besar tertentu. Dengan demikian pada
skala pengukuran nominal tidak dapat dilakukan pengolahan
matematika, seperti penambahan, penguranoan, perkalian atau
pembagian.
Dengan skala pengukuran nominal setiap observasi harus dimasukkan
hanya ada satu kategori saja tidak boleh lebih atau dengan kata lain
antara kategori
satu dengan lainnya, harus saling bebas (tidak
tumpang tindih). Kategori-kategori atau kelompok- kelompok yang ada
harus dibuat lengkap sehingga dapat menampung semua kemungkinan
yang relevan bagi obyek-obyek atau keiadian yang mungkin.
Oleh : Yunus Yakub
BAB III
DISTRIBUSI FREKUENSI
Sebelum dibahas distribusi frekuensi, di bawah ini dipaparkan
data-data hasil ujian statistik III Mahasiswa..
53.53
63.49
73.55
62.66
52.49
33.88
34.88
45.77
70.51
48.10
58.21
61.50
57.07
65.41
51.61
44.06
60.48
63.48
40.48
56.34
63.14
58.63
50.74
66.60
53.35
52.26
58.87
63.28
56.72
47.83
44.14
50.91
45.41
69.65
47.76
47.54
74.63
43.01
48.67
32.61
49.03
50.84
56.00
59.16
61.61
47.92
59.84
48.75
66.12
56.31
67.48
34.38
71.16
54.96
29.10
50.09
54.31
52.94
66.19
62.98
55.15
51.77
46.28
50.37
55.54
64.00
56.23
69.79
59.06
51.54
58.17
63.85
55.78
52.26
53.02
39.19
55.27
50.75
57.29
45.09
67.79
41.22
46.33
44.82
50.94
58.94
42.59
56.71
44.54
44.88
53.94
36.41
56.57
45.01
73.53
48.97
44.48
51.31
55.05
37.57
54.09
51.13
90.07
51.74
60.36
35.54
54.51
38.87
52.43
27.43
26.87
Jika data-data di atas disusun secara berurutan disebut Erci.

Selisih antara nilai tertinggi dan terendah dinamakan jarak (Range) =
rentang.
Data-data di atas dapat disusun lagi secara berkelompok yang disebut
distribusi frekuensi.
NILAI UJIAN
20,00 - 29,99
30,00 - 39,99
40,00 - 49,99
50,00 - 59,99
60,00 - 69,99
70,00 - 79,99
Jumlah
9
JUMLAH
MAHASISWA
4
9
25
48
20
5
111
Oleh : Yunus Yakub
Dari
hasil
tersebut
tampak
pendistribusian
ke
kelas-kelas
(terdapat 6 kelas) tiap kelas memiliki 2 batas kelas : batas kelas bawah
dan batas kelas atas. Di samping itu terdapat Tepi Kelas. Titik tengah
(Midpoint) : rata-rata hitung dari kedua batas kelas atau tepi kelasnya.
PEMBENTUKAN DISTRIBUSI FREKUENSI
1. Jumlah kelas hendaknya jangan terlalu besar tetapi juga jangan
terlalu kecil. Dengan adanya pembagian kelas, seharusnya dapat
diperoleh
gambaran
yang
sederhana,
jelas
dan
sistematis.
Pengelompokkan data ke dalam jumlah kelas yang lebih kecil dari

lima atau lebih dari 20 kelas jarang sekali terjadi. Menggunakan
kriterium Sturges.
k 1 3,322 log n
k jumlah kelas.
n jumlah angka yang terdapat dalam data.
Perkiraan besarnya interval kelas . rumus :

i
jarak
i internal kelas
1 3,322 log n
Dari contoh yang lalu :

k 1 3,322 log 111
7,79455 atau 8
i
60
7,5
8
Distribusi frekuensi nilai ujian statistik III mahasiswa menjadi :

NILAI UJIAN
20,00 - 27,49
27,50 - 34,99
35,00 - 42,49
42,50 - 49,99
50,00 - 57,49
57,50 - 64,99
65,00 - 72,49
72,50 - 79,99
Jumlah
10
JUMLAH
MAHASISWA
3
5
7
23
40
20
10
3
111
Oleh : Yunus Yakub
2. Besarnya interval kelas untuk tiap-tiap kelas distribusi sebaiknya

diusahakan agar sama semua serta dalam bilangan praktis.
3. Penentuan batas kelas diusahakan agar tidak ada 1 angkapun dari
data asal yang tidak dapat dimasukkan kedalam kelas tertentu.
HAL-HAL YANG HARUS DIPERHATIKAN OLEH SETIAP PENGOLAH
DATA :
1.
Perhitungan jarak guna menentukan jumlah kelas dan besarnya

interval kelas sebaiknya dilakukan atas dasar perbedaan angka
terendah yang telah mengalami pembulatan kebawah dan angka
tertinggi yang telah mengalami pembulatan keatas.
2.
Pengulangan penggunaan batas kelas atas bagi batas kelas bawah

dari kelas berikutnya sebaiknya dihindari.
Setelah pembagian data kedalam beberapa kelas selesai, lalu dengan
memasukkan angkah-angkah kedalam kelas-kelas yang sesuai.
PENGUJIAN GRAFIK FREKUENSI :

Grafik frekuensi yang banyak digunakan :
1. Histrogram
2. Poligon frekuensi
3. Kurva frekuensi yang diratakan.
1.
HISTROGRAM
Fungsi : mengambarkan bedah antara kelas-kelas dalam sebuah
distribusi dari contoh yang lalu :
60
48
50
40
30
25
20
Bahan Kuliah
Statistika & Probabilitas
10
0
9
4
20
11
Oleh : Yunus Yakub

5
Interval kelas selau dihitung dari beda antara dua tepi kelas
karena itu angkah-angkah pada skala X menyatakan tepi kelas,
bukan batas kelas.
Untuk interval kelas yang tidak sama :
Harus
disesuaikan
dalam
ukuran
luas.
Jadi
pengambaran
histrogram frekuensi memberi tekanan pada luas empat persegi

panjang dan bukan pada tinggi persegi panjang.
CONTOH :
Distribusi frekuensi hasil ujian matematika dari suatu kelas.
JUMLAH
MAHASISWA
5
10
5
7
15
8
50
Y = JUMLAH MAHASISWA
HASIL UJIAN
21 - 30
31 - 40
41 - 50
51 - 60
61 - 70
71 - 90
Jumlah
15
15
10
10
8
7
5
12
Oleh : Yunus Yakub
0
20,5
30,5
40,5
50,5
60,5
70,5
90,5
X = HASIL UJIAN
1.
POLIGON FREKUENSI
Untuk membandingkan antara dua atau beberapa distribusi
frekuensi,
dengan
menghubungkan
titik
tengah
tiap-tiap
persegi
panjang lalu menghubungkanya dengan sebuah garis.

KURVA FREKUENSI YANG DIMASUKKAN.
Untuk menghilangkan bentuk yang tidak beraturan.
Caranya :
1. gambarkan polygon frekuensi serta titik tengah tiap-tiap kelas
yang bersangkutan berikan tanda a, b, c, d, e, f, g, h,.. dsb
pada titik-titik tengah tersebut.
2. gambarkan garis linier yang menghubungkan ac, ce, eg, gi, bd,
bf, ph, . Dst.
3. menarik garis tegak lurus melalui titik tengah sedemikian rupa
agar memotong garis ac, ce, eg, gi, bd, bf, ph, . Dst.
4. menentukan titik tengah jarak antara titik tengah interval tengah
dan garis ae, ce, eg, ..
5. mengambarkan secara bebas kurva yang kita inginkan dengan
jalan menghubungkan semua titik tengah jarak diatas.
13
Oleh : Yunus Yakub
Prinsipnya : luas yang terdapat di bawah kurva tersebut

seharusnya kurang lebih sama dengan seluruh luas histogramnya.
30
d
25
20
15
10
f
b
g
0
0
37
42
57
72
87
102
117
132
(DARI DATA LAIN)
DISTRIBUSI KUMULATIF DARI KURVA OGIVE

Kadang-kadang distribusi kumulatif lebih banyak dipakai dari
pada distribusi frekuensi biasa.
CONTOH :
Dari contoh yang lalu (nilai statistik III mahasiswa) dapat dibuat
distribusi kumulatif sbb:
NILAI UJIAN
kurang dari 19,995
kurang dari 27,495
kurang dari 34,995
kurang dari 42,495
kurang dari 49,995
kurang dari 57,495
kurang dari 64,995
kurang dari 72,495
kurang dari 79,995
JUMLAH
MAHASISWA
0
3
8
15
38
78
98
108
111
Penggolongan dapat dilakukan dengan menggunakan batas kelas

maupun tepi kelas.Distribusi di atas dinamakan distribusi kumulatif
kurang dari (Less Than Distribution).
14
Oleh : Yunus Yakub
Distribusi kumulatif atau lebih (More Then Distribution) dapat

dibuat sbb.
JUMLAH
MAHASISWA
0
3
8
15
38
78
98
108
111
NILAI UJIAN
79,995 atau lebih
72,495 atau lebih
64,995 atau lebih
57,495 atau lebih
49,995 atau lebih
42,495 atau lebih
34,995 atau lebih
27,495 atau lebih
19,995 atau lebih
Penyajian secara grafis dari distribusi kumulatif kurang dari

atau atau lebih dapat dilakukan dengan
gambarkan polygon
frekuensinya
120
JUMLAH MAHASISWA
98
108
111
100
78
80
60
38
40
20
15
0
1 10
2 20 3 30 4 40
5 50
60 7 70
8 80 9 90
NILAI
Polygon distribusi
frekuensi kumulatif di atas disebut juga Ogiv penggambarannya
15
Oleh : Yunus Yakub
dilakukan dengan menghubungkan semua titik-titik ordinat dari tepi

kelas.
DISTRIBUSI FREKUENSI RELATIF :
Kadang-kadang analisa data statistik berhubungan erat dengan
soal-soal yang bersangkutpaut dengan perbandingan secara persentasi.
Dalam hal demikian, frekuensi distribusi dinyatakan dalam bentuk
persentasi. Distribusi yang berfrekuensi sedemikian ini dinamakan
distribusi frekuensi relatif atau distribusi persentasi.
CONTOH :
Dari
suatu
desa
terdapat
100
pemuda,
15
diantaranya
mahasiswa, 10 sarjana, 20 wiraswasta sisanya pelajar.
PEKERJAAN
MAHASISWA
SARJANA
WIRASWASTA
PELAJAR
JUMLAH
PEMUDA
15
10
20
55
PERSENTASE
15%
10%
20%
55%
TUGAS I :
Suatu perusahaan memproduksi baut dengan ukuran (dalam
mm), sebagai berikut :
10,00
10,01
10,02
9,98
9,92
10,00
10,00
10,00
9,48
9,90
10,01
10,00
9,98
9,93
9,97
10,20
10,21
10,22
10,00
10,04
9.99
9.98
9.97
10.02
10.03
10.04
10,05
10,06
10,01
10,02
9,90
10,01
10,02
10,09
10,11
10,00
10,00
10,01
10,04
10,05
PERTANYAAN :
16
Oleh : Yunus Yakub
1. Buat distribusi frekuensi.

2. Tentukan tepi kelas setiap kelas.
3. Gambarkan histogram.
4. Gambarkan poligon frekuensi.
5. Buat distribusi frekuensi relatif.
6. Buat distribusi frekuensi kumulatif.
7. Buat distribusi frekuensi presentase kumulatif,
8. Buat Ogive (kurang dan lebih).
9. Buat kurva yang diratakan.
BAB IV
17
Oleh : Yunus Yakub
UKURAN NILAI PUSAT

4.1. PENDAHULUAN
Dalam rangka.menyajikan kumpulan data kuantitati agar lebih
mudah dipahami, statistika telah menyediakan metode penyusun data
yang sederhana, yaitu dalam bentuk Distribusi Frekuensi . Tetapi dari
pihak pemakai data, distribusi ftekuensi tersebut masih dirasa-kurang
praktis, sebab masih menyajikan banyak data. Agar penyajian lebih
praktis, dapat diucapkan secara singkat, mudah diingat dan yang lebih
penting lagi dapat digunakan untuk membandingkan keadaan berbagai
kumpulan data, maka statistika perlu menyediakan nilai tunggal yang
cukup representatif bagi keseluruhan nilai yang terdapat dalarn data
tersebut.
Suatu kumpulan data biasanya mempunyai kecenderungan untuk
memusat pada nilai tertentu. Nilal tertentu tersebut berupa nilai
tunggal atau nilai tendensi pusat yang sering disingkat Nilai
Pusat.
Disebut sebagai nilai
pusat karena pada umumnya nilai tersebut
berlokasi di bagilan tengah atau pusat dari suatu distribusi. Untuk
memperoleh gambaran tentang pemusatan data, perlu dicari suatu nilai
yang dapat mewakili semua nilai yang ada pada gugus data. Dalam
statistika dikenal ada beberapa macam ukuran nilai pusat, antara lain
rata-rata hitung, rata-rata ukur, rata-rata harmonik, median dan
modus.
4.2 RATA-RATA HITUNG (ARITHMETIC MEAN)
Rata-rata Hitung (Arithmetic Mean) dari suatu populasi biasanya
disimbolkan dengan (miyu), sedangkan untuk sampel siimbolkan
dengan X .
Rumus mean populasi untuk data yang tidak dikelompokkan adalah :
N
X
i 1
dimana N : banyaknya data
Rumus mean sampel untuk data yang tidak dikelompokkan adalah :

n
X
i 1
dimana n : banyaknya data
n
Untuk. memperoleh gambaran mengenai mean contoh akan diberikan
ilustrasi berikut:
18
Oleh : Yunus Yakub
Dari suatu observasi diperoleh informasi rata-rata jam kerja 8 karyawan

PT Pambayun adalah 6 jam perhari. Bila keseluruhan karyawan PT
Pambayun tersebut hanya terdiri dari 8 personil, maka rata- rata jam
kerja tersebut 6 jam disebut sebagai mean populasi (), tetapi jika
jumlah karyawan PT Pambayun ada 15 personil, maka rata-rata 6 jam
tersebut disebut sebagai mean sample ( X ).
1. Contoh soal rata-rata hitung populasi (mean population) :
Sebuah perusahaan menerima lamaran 5 orang sarjana berasal dari 5
Perguruan Tinggi. Setelah diukur IQ mereka didapat hasil 110, 115,
113, 114, dan 112. Maka dengan demikian rata-rata IQ pelamar adalah
N
X
i 1
110 115 113 114 112 464
112,8
5
5
2. Contoh soal rata-rata hitung sampel (mean sample) :

Sebuah perusahaan pembuat lampu telah berhasil memproduksi
sebanyak 50.000 buah. Untuk kepentingan pemasaran, perusahaan itu
harus memberikan informasi kepada konsumen tetntang rata-rata
masa pakai lampu tersebut. Pengujian dilakukan untuk 5 buah lampu
yang dianggap mewakili seluruhnya. Setelah diuji didapat hasil masa
pakainya adalah : 967, 949, 940, 952 dan 922 jam. Maka dengan
demikian rata-rata sample adalah
N
X
i 1
967 949 940 952 922

946
5
Data yang dikelompokkan

Data yang dikelompokan adalah data yang telah mengalami
penyederhanaan, yaitu dalam bentuk distribusi frekuensi.
Data demikian itu telah berubah sifat aslinya,dan yang
nampak sifat kelompoknya.
Rumus
ratarata
sampel
untuk
data yang dikelompokkan adalah :

k
dimana :
fi
Xi
n
k
f .X
i 1
n
= rata-rata sample
= frekuensi kelas ke i
= nilai tengah kelas ke i
= banyaknya sample
= banyaknya kelas
Contoh soal : Dari distribusi frekuensi dibawah ini carilah nilai rataratanya ?
19
Oleh : Yunus Yakub
Nilai Ujian
Frekuensi (fi)
Nilai Tengah (Xi)
fi . Xi
31-40
41-50
51-60
61-70
71-80
81-90
91-100
1
2
5
15
25
20
12
35,5
45,5
55,5
65,5
75,5
85,5
95,5
35,5
91,0
277,5
982,5
1.887,5
1.710,0
1.146,0
Jumlah
80
4.3
6.130
6.130
76,63
80
RATA-RATA UKUR (GEOMETRIC MEAN)

Jika perbandingan tiap-tiap dua data berurutan tetap atau hamper
tetap, rata-rata ukur lebih baik daripada rata-rata hitung. Untuk
data bernilai X1, X2, X3 , X4 . Xn maka rata-rata ukurnya
dihitung dengan rumus :
U n X1.X 2 .X 3 ...........X n
Contoh soal. :
1. Rata-rata ukur untuk X1 = 2; X2 = 4 ; X3 = 8 adalah :
U 3 2 . 4 .8 4
2. Bila tingkat suku bunga 7%, 8%, 10%, 12% dan 18% maka
factor pertumbuhan rata-rata adalah :
U 5 (1,07 . 1,08 . 1,10 . 1,12 . 1,18 1,1093 1,11
4.4
RATA-RATA HARMONIK (HARMONIC MEAN)

Untuk data X1, X2, X3 , X4 . Xn dalam sebuah sample berukuran
n maka rata-rata harmoniknya dihitung dengan rumus :
H
n
1
(X
)
i
Contoh : Rata-rata harmonic untuk kumpulan data 3, 5, 6, 6, 7,

10, 12 adalah :
20
Oleh : Yunus Yakub
7
5,87
1 1 1 1 1 1
1

3 5 6 6 7 10 12
Untuk data dalam distribusi frekuensi,

harmoniknya dihitung dengan rumus :
maka
rata-rata
f
f
(X )
i
i
Contoh soal : Dari distribusi frekuensi dibawah ini carilah nilai rata-rata
harmoniknya ?
Nilai Ujian
Frekuensi (fi)
Nilai Tengah (Xi)
fi/Xi
31-40
41-50
51-60
61-70
71-80
81-90
91-100
1
2
5
15
25
20
12
35,5
45,5
55,5
65,5
75,5
85,5
95,5
0,0282
0,0440
0,0901
0,2290
0,3311
0,2339
0,1256
Jumlah
80
4.5
1,0819
80
73,94
1,0819
MEDIAN
Median merupakan ukuran nilai pusat yang dapat digunakan baik
untuk data yang dikelompokkan maupun data yang tidak
dikelompokkan. Nilai median sangat dipengaruhi oleh letak urutan
dari nilai kumpulan data sehingga median sering disebut sebagai
rata-rata letak (positionan average).
Median adalah nilai yang terletak ditengah bila nilai-nilai
pengamatan disusun secara teratur menurut urutannya,
dari kecil ke besar atau dari besar ke kecil.
21
Oleh : Yunus Yakub
a.
Data yang tidak dikelompokkan

Untuk data yang tidak dikelompokkan nilai median dapat
diperoleh dengan terlebih dahulu mengurutkan nilai-nilai
pengamatan dari kecil ke besar atau sebaliknya.
Posisi median (untuk data ganjil) dapat ditentukan melalui
rumus berikut :
Posisi median =
(n 1)
2
Dimana n menunjukkan jumlah pengamatan secara keseluruhan

Untuk data genap maka nilai median ada dua, maka nilai median
(jumlah dua data yang ditengah)
Adalah : nilai median :
2
b.
Data yang dikelompokkan

Untuk data yang telah disusun dalam distribusi frekuensi,
median dihitung dengan rumus :
Me Bb p (
0,5 n - F
)
f
Dimana : Bb = bata bawah kelas median (median terletak)

P = panjang kelas median
n = banyak data
F = frekuensi kumulatif dibawah kelas median
f = frekuensi kelas median
Contoh soal .
Tentukan median dari distribusi frekuensi berikut ini :
Kelas
Nilai Ujian
Frekuensi (fi)
Frekuensi kumulatif
1
2
3
4
5
6
7
31-40
41-50
51-60
61-70
71-80
81-90
91-100
1
2
5
15
25
20
12
1
3
8
23
48
68
80
Jumlah
80
22
Oleh : Yunus Yakub
Median terletak di =
80
40 , maka median terletak dikelas
2
interval ke- 5; dengan b = 70,5; p = 50-40=10; f = 25; F=23

Me 70,5 10 (
4.6
0,5.80 - 23
) 77,3
25
MODUS
Modus (mode) sangat berguna untuk mengetahui tingkat
keseringan terjadinya peristiwa. Aplikasi dalam keseharian,
modus dapat digunakan untuk mengetahui jenis produk yang
sering diminta oleh konsumen.
Modus adalah nilai data yang mempunyai frekuensi
terbesar dalam suatu kumpulan data.
a.
Data yang tidak dikelompokkan

Untuk data yang tidak dikelompokkan nilai modus dapat
diperoleh dengan menghitung frekuensi dari nilai-nilai
pengamatan dan menentukan nilai pengamatan dengan
frekuensi terbesar.
Contoh : Dari data dibawah ini tentukanlah modusnya ?
1
2
3
4
4
6
7
8
Modus = 4 karena ada 2
b. Data yang dikelompokkan
Untuk data yang telah disusun dalam distribusi frekuensi,
modus dihitung dengan rumus :
Mo Bb p (
b1
)
b1 b2
Dimana : b = bata bawah kelas modus (modus terletak)

P = panjang kelas modus
b1= frekuensi kelas modus dikurangi kelas interval
terdekat sebelumnya
23
Oleh : Yunus Yakub
b2= frekuensi kelas modus dikurangi kelas interval

terdekat berikutnya.
Contoh soal .
Tentukan modus dari distribusi frekuensi berikut ini :
Kelas
Nilai Ujian
Frekuensi (fi)
Frekuensi kumulatif
1
2
3
4
5
6
7
31-40
41-50
51-60
61-70
71-80
81-90
91-100
1
2
5
15
25
20
12
1
3
8
23
48
68
80
Jumlah
80
Modus terletak dikelas interval ke- 5; dengan b = 70,5;

p = 50-40=10; b1 = 25-15=10; b2 =25-20=5
10
Mo 70,5 10 (
) 77,17
10 5
4.7
KUARTIL, DESIL DAN PERSENTIL
jIka sekumpulan data dibagi menjadi 4 bagian yang sarna

banyak, sesudah disusun menurut urutan nilainya, maka bilangan
pernbaginya disebut kuartiL Ada tiga buah kuartil, ialah kuartil 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 :
1) susun data menurut urutan nilainya
2) tentukan letak kuartil
3) tentukan nilai kuartil.
Letak kuartil ditentukan oleh rumus:
Letak Ki = data ke
i (n 1)
dengan i = 1, 2, 3.
4
24
Oleh : Yunus Yakub
Contoh :
Sampel dengan data 75, 82, 66, 57, 64, 56, 92, 94, 86, 52, 60, 70
setelah disusun menjadi: 52, 56, 57, 60, 64, 66, 70, 75, 82, 86, 92,94.
Letak Ki , data ke-
12 1
1
= data ke- 3 , yaitu antara data ke-3 dan
4
4
data ke-4 seperempat jauh dari data ke-3.
1
(data ke-4 - data ke-3)
4
1
3
K1 , = 57 +
(60 - 57) = 57 .
4
4
Nilai K1 , = data ke-3 +
Letak K2 = data ke
2(12 1)
4
= data ke-6
1
2
. Dengan cara seperti di
atas, nilai K2 dapat ditentukan ialah:

K2 = data ke-6 +
K2 = 66 +
1
(data ke-7 - data ke-6).
2
1
(70 - 66) = 68.
2
3(12 1)
3
= data ke-9
4
4
atas, nilai K3 dapat ditentukan ialah:
Letak K3 = data ke
K3 = data ke-9 +
K3 = 82 +
. Dengan cara seperti di
3
(data ke-10 - data ke-9).
4
3
(86 - 82) = 85.
4
Untuk data yang telah disusun dalam daftar distribusi frekuensi, kuartil
K1 (i = 1, 2, 3) dihitung dengan rumus:
in
Ki = Bb + p ( 4
) dengan i = 1, 2, 3.
25
Oleh : Yunus Yakub
dengan b = batas bawah kelas Ki , ialah kelas interval di mana Ki akan

terletak,
p = paniang kelas Ki
F = jumlah frekuensi sebelum kelas Ki
f = frekuensi kelas Ki .
Contoh:
Kembali pada hasil ujian 80 mahasiswa seperti dalam tabel

di bawah ini; maka untuk menentukan kuartil ketiga K3,
diperlukan 3/4 X 80 = 60 data.
NILAI
UJIAN
fi
fk
31 - 40
41 50
51 60
61 70
15
23
71 80
25
48
81 90
20
68
91 100
12
80
Jumlah
80
Dengan demikian K3 terletak dalam kelas

interval ke- enam, dan kelas ini merupakan
kelas K3 . Dari kelas K3 ini didapatlah b =
80,5; p = 50 40 =10; f = 20 dan F = 1
+ 2 + 5 + 15 + 25 = 48. Dengan i = 3 dan
n = 80. Maka K3 diperoleh:
K3 = 80,5 + 10 (
3 x 80
4
48
20
) 86,5
Letak D3=3/10x(80+1)=24,3 di kelas

interval ke-5 dg Bb=70,5; p=10,
F=23; f=25
D3 = 70,5 + 10 (
23
) 70,9
25
3 x 80
10
Ini berarti ada 75% mahasiswa yang mendapat nilai ujian paling tinggi
86,5 sedanglcan 25% lagi mendapat nilai paling rendah 86,5.
Jika kumpulan data itu dibagi menjadi 10 bagian yang sarna, maka
didapat sembilan pembagi dan tiap pembagi dinamakan Desil.
Karenanya ada sembilan buah desil, ialah desil pertama, desil kedua, . .
. , desil kesembilan yang disingkat dengan D1 , D2 , . . . , D9 .
Desil-desil ini dapat ditentukan dengan jalan:
1) susun data menurut urutan nilainya
2) tentukan letak desil
3) tentukan nilai desil.
Letak desil ditentukan oleh rumus:
Letak Di = data ke
i (n 1)
dengan i = 1, 2, .,9.
10
26
Oleh : Yunus Yakub
Contoh: Untuk data yang telah disusun dalam contoh terdahulu, ialah :
52, 56,57, 60, 64, 66, 70, 75, 82, 86, 92, 94,
7(12 1)
data ke-9,1.
Maka letak D7 = data ke
10
Nilai D7 = data ke-9 + (0,1) (data ke-10 - data ke-9)
atau D7 = 82 + 0,1x(86 - 82) = 82,4.
Untuk data dalam daftar distribusi frekuensi, nilai D i ( i= 1,2, . . . , 9)
dihitung dengan rumus:
in
Di = Bb + p ( 10
F
f
) dengan i = 1, 2,,9.
dengan Bb = batas bawah kelas D i , ialah kelas interval di mana D i akan

terletak,
p = paniang kelas Di
F = jumlah frekuensi sebelum kelas Di
f = frekuensi kelas Di .
Contoh:
Jika diminta D3 untuk 80 nilai ujian statistika, maka kita
perlu 30% X 80 = 24 data. Dapat dilihat bahwa kelas D 3 berimpit
dengan kelas interval ke-4.
Karenanya b = 60,5; p = 10; f = 15 dan F = 1 + 2 + 5 = 8, Dengan
i= 3 dan n = 80, maka didapat :
D3 = 60,5 + 10 (
3 x 80
10
15
) 71,2
Ada 70% dari mahasiswa paling sedikit mendapat nilai ujian 71,2 dan
30% lagi mendapat nilai paling benar 71,2.
Akhirnya, sekurnpulan data yang dibagi menjadi 100 bagian yang sama
akan menghasilkan 99 pembagi yang berturut-turut dinamakan
Persentil pertama, persentil kedua, . . . , persentil ke-99. Simbul yang
digunakan berturut-turut P1, P2 , . . . , P99 .
Karena cara perhitungannya sama seperti perhitungan desil, maka di
sini hanya diberikan rumus-rumusnya saja. Letak persentil P i (i = 1,2,
..,99) untuk sekumpulan data ditentukan oleh rumus :
27
Oleh : Yunus Yakub
Letak Pi = data ke
i (n 1)
dengan i = 1, 2, .,99.
100
sedangkan nilai Pi untuk data dalam daftar distribusi frekuensi dihitung

dengan:
in
100
Pi = Bb + p (
F
f
) dengan i = 1, 2,,9.
dengan Bb = batas bawah kelas P i , ialah kelas interval di mana P i akan

terletak,
p = paniang kelas Pi
F = jumlah frekuensi sebelum kelas Pi
f = frekuensi kelas Pi .
Mudah dilihat bahwa untuk i = 10, 20, 30, ., 90, maka jelas bahwa
untuk i = 50, akan didapat rumus median.
28
Oleh : Yunus Yakub
BAB V
UKURAN VARIASI
5.1. PENDAHULUAN
Ukuran pemusatan dapat digunakan untuk menampilkan ringkasan data
dalam suatu nilai tunggal yang menunjukkan rata-rata distribusi.
Meskipun demikian bila nilai pusat tersebut ditampilkan dalam suatu
nilai tunggal akan diperoleh gambaran yang tidak lengkap tentang
gugus data yang dihadapi sehingga dapat menyebabkan kesalahan
interprestasi. Hal ini disebabkan karena dua distribusi data atau lebih
mungkin memiliki nilai pusat yang sama, tetapi variasinya berbeda.
Sebagai gambaran perhatikan tiga gugus data berikut :
20
20
70
20
10
10
20
0
50
20
30
-10
20
40
-20
Rata-rata hitung
Rata-rata hitung
Rata-rata hitung
=
=
=
20
20
20
Walaupun ketiga gugus data diatas mempunyai nilai pusat yang sama,
tetapi pada gugus data yang pertama, nilai pusat dapat mewakili gugus
data secara tepat, sedangkan pada gugus data kedua nilai pusat tidak
dapat mewakili secara tepat karena datanya bervariasi, dan pada gugus
data ketiga datanya paling bervariasi dibandingkan gugus data pertama
dan kedua. Bila digambarkan dalam bentuk kurva, maka dapat dilihat
tiga macam kurva yang mempunyai nilai pusat (mean) yang sama
tetapi mempunyai penyebaran (variasi) yang berbeda.
Kurva A
Kurva B
Kurva C
Gambar 5.1 Tiga kurva dengan nilai mean yang sama tetapi
mempunyai variasi yang berbeda
29
Oleh : Yunus Yakub
Tiga kurva diatas mempunyai mean yang sama

yaitu 20, tetapi
penyebaran data (variasi) pada kurva A lebih kecil dari kurva B.
Demikian pula penyebaran data pada kurva B lebih kecil dari kurva C,
sehingga jika melihat gugus data hanya dari nilai pusatnya saja, dalam
hal ini mean, akan diperoleh penafsiran yang keliru.
Dengan demikian untuk memberikan gambaran yang lengkap tentang
gugus data yang dihadapi, setelah menentukan nilai pusat dari suatu
distribusi data perlu ditentukan juga suatu besaran yang dapat
menggambarkan variasi.
Ukuran Variasi (Measure of Variation) adalah ukuran
yang menyatakan seberapa jauh nilai pengamatan yang
sebenarnya menyimpang atau berbeda dengan nilai
pusatnya.
5.2. KEGUNAAN UKURAN VARIASI
Variasi adalah suatu ciri yang sangat penting dari suatu data. Berikut ini
diberikan suatu ilustrasi mengenai kegunaan ukuran variasi. Misalnya
jika suatu perusahaan memproduksi baut, variasi yang berlebihan dari
diameter baut yang dihasilkan mengindikasikan akurasi mesin yang
dipergunakan rendah. Kondisi yang demikian ini tentunya tidak
dikehendaki. Sebaliknya jika menggunakan nilai ujian untuk menyeleksi
calon karyawan yang akan diterima, tentu tidak dikehendaki adanya
variasi yang kecil karena akan menyulitkan dalam menentukan calon
karyawan yang lebih baik dibandingkan dengan calon yang lain. Darei
liustrasi yang diberikan, dapat difahami mengapa variasi penting untuk
diketahui dan diukur.
5.3. TIPE UKURAN VARIASI
Ukuran penyebaran terhadap suatu niali pusat disebut sebagai ukuran
dispersi,
ukuran variasi ( ukuran penyebaran) atau ukuran
penyimpangan. Ukuran variasi dibedakan menjadi dua macam, yaitu
ukuran variasi absolut dan ukuran variasi relatif.
Ukuran variasi absolut digunakan untuk membandingkan suatu ukuran
variasi dengan ukuran variasi yang laindalam suatu populasi yang sama.
Biasanya ukuran variasi absolut ini dinyatakan dalam suatu ukuran yang
sama (seperti rupiah, kg, ton). Sedangkan ukuran variasi relatif pada
umumnya digunakan untuk membandingkan beberapa ukuran variasi
dari beberapa populasi dengan unit pengukuran yang berbeda. Macam
ukuran variasi antara lain, range (jangkauan), deviasii rata-rata,
variansi dan standard deviasi, koefisien variasi dan sebagainya.
5.4. RANGE (JANGKAUAN)

30
Oleh : Yunus Yakub
Range adalah ukuran variasi yang paling mudah diperoleh dan paling
sederhana. Meskipun demikian ukuran ini merupakan ukuran
penyebaran data yang paling rendah kecermatannya. Dari nilai yang
diperoleh dapat diketahui ukuran keragaman dari suatu distribusi secara
kasar. Bila nilai range yang diperoleh kecil, berarti tingkat keragaman
data rendah., nilai-nilai observasi banyak terkosentrasi disekitar nilai
pusat. Sebaliknya bila nilai range yang diperoleh besar, maka tingkat
keragaman data besar, nilai-nilai observasi yang diperoleh saling
berjauhan. Karena tingkat kecermatannya rendah, maka pada
umumnya rang dipergunakan pada tahap penjajagan.
Range adalah selisih antara nilai maksimum dengan
nilai minimum dalam suatu gugus data.
Untuk memperoleh nilai range, terlebih dahulu kita perlu menentukan
nilai minimum dan nilai maksimum dari gugus data yang dihadapi.
Untuk data yang dikelompokkan, range dihitung melalui batas kelas dan
nilai tengah.
1. Range = batas kelas tertinggi batas kelas terendah
2. Range = nilai tengah tertinggi nilai tengah terendah
5.5. DEVIASI RATA-RATA (MEAN DEVIATION)
Deviasi rata-rata adalah jumlah harga mutlak penyimpangan setiap nilai
pengamatan terhadap mean diabagi banyaknya pengamatan. Deviasi
rata-rata mencerminkan rara-rata selisih mutlak nilai data terhadap
meannya.
Cara memperoleh nilai deviasi rata-rata bagi data dikelompokkan dan
data yang tidak dikelompokkan adalah sebagai berikut :
1. Untuk data yang tidak dikelompokkan, deviasi rata-rata dihitung
dengan rumus :
N
MD =
X
i 1
untuk populasi
N
N
MD =
X
i 1
n
Dimana MD : deviasi rata-rata
Xi : nilai data ke i
: rata-rata populasi
Contoh :
untuk sampel
: rata-rata sampel
N : banyak data populasi
n : banyak data sampel
X
Tabel 5.1. Perhitungan deviasi rata-rata bagi banyaknya

pesawat terbang yang mendarat di Bandara Udara Adi
31
Oleh : Yunus Yakub
Sumarmo Surakarta selama

dibawah ini
12 bulan seperti pada table
Deviasi
Xi -
Deviasi absolut
Xi -
January
Jumlah
(Xi)
95
February
87
-6
March
93
April
92
-1
May
104
11
11
June
90
-3
July
94
August
94
September
90
-3
October
93
November
91
-2
December
98
Bulan
12
Xi
12
1.121
i 1
i 1
35
12
Nilai rata-rata () =
Xi
i 1
12
1121
93
12
Deviasi rata-rata (MD) =
X
i 1
35
2,92
12
2. Untuk data yang dikelompokkan, deviasi rata-rata dihitung

dengan rumus :
32
Oleh : Yunus Yakub
MD =
i 1
. fi
untuk populasi
N
k
MD =
i 1
X . fi
untuk sampel
n
Dimana MD : deviasi rata-rata
Xi : nilai tengah kelas ke i
fi : frekuensi kelas ke - i
: rata-rata sampel
X
Contoh 1. Dari data tabel dibawah ini, carilah deviasi rata-rata untuk
populasi
Tabel 5.2 Perhitungan Deviasi Rata-rata untuk Populasi
fi
Xi
fi . X i
Xi
Xi . fi
39
49
59
69
79
89
99
4
6
8
12
9
7
4
34,5
44,5
54,5
64,5
74,5
84,5
94,5
138
267
436
774
670,5
591,5
378
30,6
20,6
10,6
0,6
9,4
19,4
29,4
122,4
123,6
84,8
7,2
84,6
135,8
117,6
Jumlah
50
Kelas
30
40
50
60
70
80
90
3255
676
12
f .X
i 1
50
3255
65,1
50
X
i 1
.f i
676
13,52
50
Contoh 2. Dari data tabel dibawah ini, carilah deviasi rata-rata untuk
sampel
Tabel 5.3 Perhitungan Deviasi Rata-rata untuk Sampel
33
Oleh : Yunus Yakub
Kelas
fi
Xi
fi . X i
Xi X
24
57
8 10
11 13
14 16
17 - 19
2
4
5
3
2
1
3
6
9
12
15
18
6
24
45
36
30
13
6,35
3,35
0,35
2,65
5,65
8,65
Jumlah
17
159
Xi X
.fi
12,71
13,41
1,76
7,94
11,29
8,65
55,76
Nilai rata-rata ( X ) =
f .X
i 1
17
X
i 1
159
9,35
17
X .f i
55,76
3,28
17
5.6. VARIANSI DAN DEVIASI STANDAR (STANDARD DEVIATION)

Deviasi atau ukuran simpangan yang paling banyak digunakan adalah
deviasi standar (simpangan baku).
Pangkat dua dari deviasi standar disebut Variansi (Variance)
Variansi
adalah
jumlah kuadrat
selisih
Bahan Kuliah
Statistika
& Probabilitas
Oleh :dari
Yunus
Yakubnilai data
34
observasi dengan nilai rata-rata
dibagi banyaknya
data observasi.
Deviasi standar adalah akar dari variansi
Deviasi standar untuk populasi disimbolkan dengan dan untuk sample

disimbolkan S
Rumus untuk variansi adalah :
1.
Untuk data yang tidak dikelompokkan, variansi dihitung dengan

rumus :
N
2 =
(X
i 1
)2
untuk populasi
N
N
(X i X) 2
i 1
n -1
: variansi utk populasi

2
Dimana
S : variansi utk sampel

Xi : nilai data ke i
2
2.
Untuk
rumus :
data
yang
untuk sampel
X : rata-rata sampel
dikelompokkan,
Untuk populasi
variansi
f i . (X i ) 2
S2 =
i 1
f i . ( X i X) 2
i 1
N
Dimana
dengan
Untuk sampel
dihitung
n -1
Rumus untuk deviasi standar adalah :

1. Untuk data yang tidak dikelompokkan, deviasi standar dihitung
dengan rumus :
N
(X i ) 2
i 1
untuk populasi
35
Oleh : Yunus Yakub
(X
S =
i 1
X) 2
untuk sampel
n -1
2. Untuk data yang dikelompokkan, deviasi standar dihitung dengan
rumus :
N
f i . (X i ) 2
i 1
untuk populasi
N
N
S =
i 1
i.
(X i X) 2
untuk sampel
n -1
Dimana
Untuk mempermudah perhitungan maka rumus diatas dapat disederhanakan sebagai berikut ini :
N
f
i 1
i.
X i2
( f i . X i ) 2
i 1
untuk populasi
N
N
S =
f
i 1
i.
X i2
( f i .X i2 ) 2
i
untuk sampel
n -1
Contoh-contoh Soal
Contoh 1. : Tabel 5.4 Perhitungan Variansi dan deviasi standar bagi
banyaknya pesawat terbang yang mendarat di Bandara
Udara Adi Sumarmo Surakarta selama 12 bulan seperti
pada table dibawah ini
(Xi)2
Deviasi
Xi -
Deviasi absolut
(Xi - )2
January
Jumlah
(Xi)
95
9.025
February
87
7.569
-6
36
Bulan
36
Oleh : Yunus Yakub
March
93
8.649
April
92
8.464
-1
May
104
10.816
11
121
June
90
8.100
-3
July
94
8.836
August
94
8.836
September
90
8.100
-3
October
93
8.649
November
91
8.281
-2
December
98
9.604
104.9
29
25
(X i )2
i 1
211
12
Xi
i 1
1.121
12
12
Xi
i 1
12
1121
93,41
12
( X i ) 2 211
17,58
Variansi ( ) =
N
12
i 1
12
Deviasi Standar ()
2 17,58 4,19
Contoh 2. Dari data tabel 5.5 dibawah ini, carilah deviasi rata-rata
untuk sampel
Tabel 5.5 Perhitungan Deviasi Rata-rata untuk Populasi dan Sampel
Kelas
fi
Xi
fi . X i
(Xi)2
(Xi)2. f i
24
57
8 10
11 13
14 16
17 - 19
2
4
5
3
2
1
3
6
9
12
15
18
6
24
45
36
30
13
9
36
81
144
225
324
18
144
405
432
450
324
37
Oleh : Yunus Yakub
Jumlah
17
159
Nilai Variansi Populasi (2) =

Deviasi Standar () =
f i .(X i ) 2
i 1
1773
1773 [(159) 2 / 17]

16,82
17
16,82 4,10
1773 [(159) 2 / 17]

17,86
Nilai Variansi Sampel (S ) =
16
2
Deviasi Standar (S) =
17,86 4,23
Deviasi Standar dapat digunakan untuk menentukan letak nilai

distribusi frekuensi terhadap nilai rata-rata (mean). Menurut teori yang
dirumuskan oleh ahli matematika Rusia P.L. Chebyshev (1821-1894),
apapun bentuk distribusi dari gugus data, paling tidak 75% nilai data
akan jatuh kurang lebih 2 deviasi standar di sekitar nillai mean dan
paling tidak 89% nilai data akan jatuh kurang lebih deviasi standar di
sekitar mean.
Secara lebih tepat persentasi nilai data yang jatuh di sekitar nilai mean
dapat dilihat dalam gambar distribusi normal dibawah ini :
Gambar 5.1 Presentase Distribusi Normal

Dari distribusi normal tersebut dapat diperoleh gambaran
- 68,26% nilai data akan terletak dalam interval
- 95,46%,nilai data akan terletak dalam interval 2
38
Oleh : Yunus Yakub
- 99,72% nilai data akan terletak dalam interval 3

Sebagai contoh rata-rata pesawat terbang yang datang di Bandara Adi
Sumarmo - Surakarta adalah 93 dan mempunyai deviasi standar 4
maka kemungkinan 68% nilai data yang sebenarnya akan terletak
dalam interval : atau 93 4 atau 89 hingga 97
Dari tabel 5.4, terlihat ada 9 nilai data yang terletak antara 89 hingga
97 sedangkan banyaknya data seluruhnya 12 maka nilai data yang
terletak diantara
adalah sebesar
9
0,75 atau 75% .
12
Deviasi standar mempunyai peranan yang besar dalam distribusi normal

sehingga merupakan ukuran variasi yang paling sering digunakan untuk
mengetahui apakah nilai mean dapat mencerminkan nilai data yang
sebenarnya. Deviasi standar tak terlepas adanya kelemahan
dibandingkan dengan ukuran variasi yang lain, yaitu dari segi
perhitungan lebih sulit dan sangat tergantung pada nilai mean.
Dari kurva distribusi normal di atas dapat terlihat bahwa 6 mencakup
hampir keseluruhan data dari suatu distribusi (dari nilai terendah
hingga nilai tertinggi). Dengan demikian secara estimasi diperoleh
hubungan antara deviasi standar denzan Range sebagai berikut :
Range (R) = 6 , maka
1
R
6
Hubungan tersebut dapat digunakan untuk memeriksa kebenaran suatu

deskripsi, sebagai contoh bila diperoleh nilai range = 10 dan deviasi
standar 12, maka hasil yang diperoleh jelas salah, karena nilai deviasi
standar tidak mungkin lebih besar dari nilai range.
BAB VI.
UKURAN KEMENCENGAN DAN KERUNCINGAN
6.1. UKURAN KEMENCENGAN.
Bentuk distribusi suatu gugus data, dapat ditampilkan dengan
menggunakan histogram dan poligon. Hasil distribusi yang diperoleh
secara umum dapat dibedakan menjadi distribusi yang simetris dan
tidak simetris. Suatu distribusi dikatakan simetris bila belahan sebelah
kiri setangkup dengan belahan sebelah kanan (bila distribusi data yang
dimaksud dilipat dibagian tengah distribusi sepanjang sumbu
vertikalnya). Demikian juga sebaliknya suatu distribusi dikatakan tidak
simetns bila belahan sebelah kiri tidak setangkup dengan belahan
sebelah kanan.
39
Oleh : Yunus Yakub
Ukuran Kemencengan digunakan untuk menunjukan simetris tidak-nya

bentuk kurva yang dihasilkan dari distribusi suatu gugus data.
Karena bentuk suatu kurva merupakan pencerminan dari macam
distribusi suatu gugus data, maka kemencengan suatu kurva dapat
dilihat dari perbedaan letak antara Mean, Median dan Modus.
Distribusi darl kumpulan data dikatakan simetris bila Mean, Median dan
Modus terletak dalam suatu titik atau dengan kata lain ketiga ukuran
nilai pusat tersebut mempunyal nilai yang sama.
Sebagai ilustrasi berikut akan diberikan contoh suatu gugus data yang
mempunyai distribusi data yang simetris.
Tabel 6.1. Ilustrasi Gugus Data Yang Mempunyai Distribusi Simetris
Kelas
Frekuensi
(fi)
Frekuensi
kumulatif
(fk)
Nilai Tengah
(Xi)
fi.Xi
30-39
34,5
172,5
40-49
10
15
44,5
445,0
50-59
20
35
54,5
1090,0
60-69
10
45
64,5
645,0
70-79
50
74,5
372,5
50
f x .X i
2725
Dengan menggunakan formula perhitungan yang telah dijelaskan pada

bab ukuran pemusatan, dapat diperoleh nilai mean, median dan modus
sebagai berikut:
7
Nilai rata-rata ( X ) =
f .X
i 1
17
Me Bb p (
2725
54,5
50
0,5.50 - 15
0,5 n - F
) 49,5 10 (
) 54,5
f
20
Mo Bb p (
b1
10
) 49,5 10 (
) 54,5
b1 b2
10 10
Berdasarkan hasil perhitungan yang diperoleh berdasarkan gugus data

pada table 6. 1. di atas dapat diketahui bahwa distribusi data dari
kumpulan data yang ada akan membentuk kurva simetris karena mean,
median dan modus mempunyal nilai yang Sama yaitu sebesar 54,5.
40
Oleh : Yunus Yakub
Gambar 6.1 Distribusi Simetris

Sedangkan bila suatu distribusi mempunyai nilai mean, median dan
modus yang tidak terletak pada satu titik yang sama maka akan
diperoleh distribusi yang tidak simetris. Pada distribusi yang tidak
simetris, data akan terkonsentrasi pada salah satu sisi kurva sehingga
bentuk kurva yang diperoleh akan menceng.
Gambar 6.2 Gambar Mean, Median dan Modus Menceng Kekiri dan Kekanan
Pada distribusi yang menceng ke kanan data cenderung terkonsentrasi

pada nilai yang rendah, sebaliknya pada distribusi yang menceng ke
kiri, data cenderung terkonsentrasi pada nilai yang tinggi.
Untuk mengetahui apakah bentuk kurva dari suatu distribusi, simetris,
menceng ke kiri atau menceng ke kanan ada dua jenis pengukuran
yang dapat digunakan yaitu koefisien Pearson dan Alpa tiga ( 3).
6.1.1. Koefisien Pearson (Pearsonian Coefficient of Skewness)
Sk =
Dimana :
(X M o )
S
Sk = koefisien kemencengan Pearson

X = mean
Mo= Modus.
S = deviasi standar
Secara empiris dapat ditunjukan bahwa dalam suatu gugus data

terdapat hubungan antara ketiga nilai pusat sebagai berikut:
X - Mo = 3 ( X - Md). Dengan adanya hubungan tersebut maka
formula di atas, akan berubah menjadi :
41
Oleh : Yunus Yakub
Sk =3
(X M d )
S
Ada tiga kemungkinan yang dapat dihasilkan dari perhitungan koefisien

kemencengan Pearson yaitu :
1) Sk = 0, berarti distribusinya simetris
2) Sk > 0, berarti distribusinya tidak simetris
3) SK < 0, berarti distribusinya tidak simetris
Sk > 0 atau positif maka distribusi akan menceng ke kanan, data
cenderung menumpuk pada nilai rendah
Sk < 0 atau negatif maka distribusi akan menceng ke kiri, data
cenderung menumpuk pada nilai tinggi.
Tabel 6.2. Ilustrasi Dari Kumpulan Data Yang Mempunyai Distribusi

Menceng Ke Kanan
Kelas
fi
fk
Xi
(Xi)2
fi.Xi
fi.(Xi)2
30-39
34,5
1190,25
172,5
5951,25
40-49
20
25
44,5
1980,25
490,0
39605,00
50-59
15
40
54,5
2970,25
817,5
44553,75
60-69
47
64,5
4160,25
451,5
29121,75
70-79
50
74,5
5550,25
223,5
16650,75
50
f x .X i
2555
135.882,5
Mean =
2555
51,1
50
Median = 49,5 10.

Modus = 39,5 10.
(0,5.50 25)
49,5
15
15
47,0
15 5
42
Oleh : Yunus Yakub
Dari nilai mean, median dan modus diatas, nampak bahwa ketiganya
mempunyai nilai yang berbeda-beda sehingga dapat dikatakan bahwa
distribusi data tidak simetris (menceng), dalam hal ini distribusi
menceng kekanan seperti yang ditunjukkan oleh hasil Sk > 0
Deviasi Standar :
N
S =
f
i 1
i.
X i2
( f i .X i2 ) 2
i
)
135.882,5 ( 2555
50
10,32
49
n -1
Sk =
(X M o ) 51,1 47,0
0,4
S
10,32
Gambar 6.3 Distribusi Menceng Kekanan

Tabel 6.3. Ilustrasi Dari Kumpulan Data Yang Mempunyai Distribusi
Menceng Ke Kiri
Kelas
fi
fk
Xi
(Xi)2
fi.Xi
fi.(Xi)2
30-39
34,5
1190,25
103,5
3570,75
40-49
10
44,5
1980,25
311,5
13861,75
50-59
15
25
54,5
2970,25
817,5
44553,75
60-69
20
45
64,5
4160,25
1290
83205
70-79
50
74,5
5550,25
372,5
27751,25
50
f x .X i
2895
172.942,50
43
Oleh : Yunus Yakub
Mean =
2895
57,9
50
Median = 59,5 10.

Modus = 59,5 10.
(0,5.50 25)
59,5
20
5
62,0
5 15
( X M o ) 57,9 62,0
0,4
S
10,32
Sk =
Nilai koefisien kemencengan (Sk) negative sehingga kurva menceng

kekiri.
Gambar 6.4 Distribusi Menceng Kekiri

6.1.2. Alpha 3 (Moment Coefficient of Skewness)
Pada dasarnya ukuran kemencengan alpha 3 ini merupakan
penyederhanaan dari koefisien Pearson.
i3
3 3
s
dimana :
f .(d
i
)3
f .(d
i
)2

f .d
i
f .d
i
3 = ukuran kemencengan Alpha 3

i = interval kelas
S = deviasi standar
fi = frekuensi kelas ke i
di = deviasi kelas ke I terhadap titik asal asumsi
n = jumlah data sampel
Tabel 6.4. Input Perhitungan Ukuran Kemencengan Menggunakan Alpha 3.
Kelas
fi
Xi
di
fi.di
44
fi.(di)2
Oleh : Yunus Yakub
fi.(di)3
30-39
34,5
-2
-10
20
-40
40-49
20
44,5
-1
-20
20
-20
50-59
15
54,5
60-69
64,5
70-79
74,5
12
24
50
17
59
29
Keterangan : di = 0 didasarkan pada kelas yang terletak paling tengah
Deviasi standar diketahui = 10,32 maka kemencengan suatu kurva

dengan menggunakan alpha 3 dapat dihitung sebagai berikut :
i3
3 3
S
f i .(d i ) 3
n
10 3
3
10,32 3
f i .(d i ) 2 f i .d i
29
59 17
17
3

2
50 50
50
50
f i .d i
n
0,496
Dari hasil perhitungan diperoleh nilai alpha 3 besar dari nol, maka
kumpulan data mempunyai distribusi menceng ke kanan.
6.2. UKURAN KERUNCINGAN

Ukuran Keruncingan adalah suatu ukuran yang digunakan untuk
menentukan runcing tidaknya suatu kurva distribusi sehingga
dapat diketahui apakah kumpulan data terkosentrasi disekitar
Mean atau menyebar.
Ada
tiga
bentuk keruncingan kurva distribusi yaitu distribusi leptokurtic,

distribusi mesokurtik dan distribusi platikurtik. Ukuran keruncingan
tersebut dapat dikatakan juga sebagai ukuran untuk menentukan
bentuk keruncingan distribusi.
45
Oleh : Yunus Yakub
Gambar 6.5. Bentuk Keruncingan

a. Distribusi Leptokurtik, distribusi ini menunjukan frekuensi menumpuk pada interval tertentu sekitar Mean sedikit yang tersebar lebih
jauh dari mean
b. Distribusi Mesokurtik, distribusi ini menunjukan distribusinya adalah
simetris sehingga dianggap menggambarkan distribusi normal
c. Distribusi Platikurtik, distribusi ini menunjukan frekuensi tersebar
keseluruh daerah kurva.
Ukuran keruncingan yang biasa digunakan adalah Alpha 4 yang disebut
Moment Coefficient of Kurtosis atau sering disebut Koefisien Kurtosis
saja.
Koefisien Kurtosis dapat diperoleh dengan menggunakan rumus sebagai
berikut :
a. Untuk data yang tidak dikelompokan.
4 =
1
n
(X i X ) 4
S4
dimana : 4 = koefisien kurtosis

n = jumlah dta
Xi = nilai data observasi
X = mean
S = deviasi standar
b. Untuk data yang dikelompokan.
4
i4
S 4
f i .(d i ) 4
n
f i .(d i ) 3 f i .d i
n
f i .(d i ) 2 ( f i .d i ) 2
n
( f i .d i ) 4
dimana : 4 = koefisien kurtosis

n = jumlah dta
di = deviasi kelas ke I terhadap titik asal asumsi
fi = frkuensi kelas - i
S = deviasi standar
Ada tiga kemungkinan hasil ukuran keruncingan yang diperoleh melalui

perhitungan koefisien kurtosis, yaitu :
1. Nilai 4 < 3 maka distribusinya dapat digolongkan pada platikurtik
2. Nilai 4 = 3 maka distribusinya dapat digolongkan pada mesokurtik
3. Nilai 4 > 3 maka distribusinya dapat digolongkan pada leptokurtik
46
Oleh : Yunus Yakub
Tabel 6.5. Input Perhitungan Ukuran Keruncingan Menggunakan Koefisien

Kurtosis.
Kelas
fi
Xi
di
fi.di
fi.(di)2
fi.(di)3
fi.(di)4
30-39
34,5
-2
-10
20
-40
80
40-49
20
44,5
-1
-20
20
-20
20
50-59
15
54,5
60-69
64,5
70-79
74,5
12
24
48
50
17
59
29
155
Jika diketahui deviasi standar = 10,32 maka nilai dari koefisien kurtosis
dapat dihitung sebagai berikut :
4
10 4 155
(29) (17)
59 (17) 2
(17) 4
3
2,72
10,32 4 50
50
50
50 50
50
Karena nilai 4 < 3 maka distribusinya dapat digolongkan pada

platikurtik. Kurva mempunyai bentuk yang tidak runcing atau mendatar.
Data terdistribusi keseluruh daerah dibawah kurva. Jika digunakan nilai
rata-rata untuk mewakili kumpulan akan tidak mencerminkan nilai data
yang sebenarnya.
47
Oleh : Yunus Yakub
BAB VI.
TEORI PELUANG
1. PENDAHULUAN
Salah satu tujuan dari Statistika adalah menarik kesimpulan
mengenai populasi berdasarkan informasi yang didapat dari sampel.
Mengingat sampel hanya menyediakan sebagian informasi tentang
populasi maka untuk itu dibutuhkan suatu metode yang dapat
digunakan untuk menarik kesimpulan yang berlaku pada populasi
berdasarkan informasi yang ada pada sampel dengan memanfaatkan
sifat-sifat peluang.
Jacob Bernoullie (1654 - 1705), Abraham de Moivre (1966-1754),
Thomas Bayes (1702-1761) dan Yoseph Lagrange (1736-1876) adalah
orang yang menemukan Teknik dan Formula peluang. Pada abad 19,
Pierre Simon, Marquis de Laplace (1749-1827), menyatakan ide awal
tersebut dan menyusunnya dalam Teori peluang. Adapun penerapan
teori ini dipelopori oleh usaha asuransi semenjak abad 19 dengan
tujuan mengetahui resiko kerugian yang ditanggungnya sehingga dapat
menentukan premi asuransinya. Teori ini semakin berkembang dengan
pesat sejalan dengan perkembangan dunia perjudian saat itu.
Dengan dipergunakannya teori peluang sebagai dasar penerapan
statistika, dewasa ini semakin banyak orang mempelajari teori peluang
sebagai alat untuk mengerti phenomena sosial dan memecahkan
permasalahan dari berbagai disiplin ilmu. Selain itu semakin disadari
bahwa sesungguhnya peluang merupakan bagian yang tak terpisahkan
dari kehidupan kita setiap hari karena dalam kehidupan setiap orang
akan berhadapan dengan masalah-masalah ketidak pastian. Sebagai
contoh seorang pengusaha akan dihadapkan pada masalah berhasil
tidaknya usaha yang dikelolanya, seorang mahasiswa akan dihadapkan
masalah berhasil tidaknya ujian yan sedang ditempuh, dan sebagainya.
Demikian banyaknya masalah-masalah ketidak pastian yang kita hadapi
48
Oleh : Yunus Yakub
dalam kehidupan sehari-hari dan masalah ketidak pastian ini dicoba

untuk diukur atau dikuantifikasi dengan konsep peluang.
Nilai peluang dari suatu kejadian (P) berkisar antara 0 dan 1. P = 0
menunjukkan suatu peristiwa yang tidak mungkin terjadi
sedangkan
P = 1 menunjukkan suatu peristiwa yang pasti
terjadi.
Dalam realita kondisi ekstrim dengan peluang 0 atau 1 jarang sekali
didapati, yang sering terjadi adalah peluang munculnya, peristiwa
antara 0 dan 1. Misalnya P = 0,70, berarti peluang munculnya suatu
peristiwa adalah 70%. Konsep peluang ini diharapkan dapat digunakan
untuk mendekati masalah-masalah yang menganduq ketidakpastian.
Ada beberapa konsep menyangkut peluang yang perlu dijelaskan antara
Peristiwa adalah satu atau lebih hasil yang mungkin dari suatu kegiatan.
lain konsep peristiwa dan ruang sampel.
Sebagai contoh bila ada suatu kejadian melemparkan sebuah uang
logam (koin rupiah) maka kemungkinan akan didapatkan sisi gambar
atau sisi angka. Kemungkinan mendapatkan sisi gambar adalah
merupakan suatu peristiwa, sedangkan peristiwa yang lain adalah
munculnya sisi angka dari koin rupiah. Himpunan dari seluruh
terjadinya peristiwa atau jumlah seluruh frekuensi disebut sebagai
ruang sample.
7.2. PENDEKATAN PELUANG
Ada tiga cara dasar untuk mengkasifikasikan peluang. Perbedaan
ketiganya terletak pada pendekatan konseptual dalam mempelajari
teori peluang. Dalam praktek para ahli banyak yang tidak menyetujui
adanya perbedaan tersebut karena penggunaan dari ketiga pendekatan
tersebut sebenarnya sama.
Pendekatan dalam teori peluang meliputi :
Pendekatan Klasik
Pendekatan frekuensi relatif
Pendekatan subyektif
7.2.1. Pendekatan Klasik
Teori peluang berkembang di Perancis pada abad 19. Bersamadengan
dunia
perjudian,
teori
ini
mengalami
perkembangan
yang
pesat,,sehingga tidak mengherankan bila dalam menjelaskan teori
peluang banyak mengambil contoh alat-alat judi misalnya kartu, dadu
dan sebagainya.
49
Oleh : Yunus Yakub
Menurut pendekatan klasik terjadinya suatu peristiwa (P) adalah ratio

antara peristiwa yang menguntungkan dengan seluluh
yang
mungkin dimana semua peristiwa mempunyai kesempatan yang
sama.
P (A) =
Dimana
P(A)
x
n
:
:
:
x
n
peluang terjadi peristiwa A

Peristiwa yang menguntungkan
jumlah seluruh peristiwa
Sebagai contoh kita dapat mengetahui peluang keluarnya "biji satu" dari
suatu dadu yang dikocok karena kita telah mengetahui semua
kemungkinan yang dapat muncul. Kita tahu bahwa dadu dalam dunia
perjudian adalah alat perjudian yang berbentuk kubus dan bersisi 6,
masing-masing sisi mempunyai nilai 1, 2, 3, 4, 5 dan 6.
Keluarnya biji satu (x = 1) merupakan salah satu kemungkinan yang
dapat terjadi dari ke enam kemungkinan yang dapat muncul (n = 6,
dengan demikian peluang munculnya biji satu dalam satu lemparan
dadu adalah 1/6.
7.2.2.Pendekatan Frekuensi Relatif
Pendekatan Frekuensi relatif didasarkan pada:
(1) Pengamatan Frekuensi relatif dari suatu peristiwa dalam
percobaan yang dilakukan berulang kali.
(2) Proporsi waktu dari suatu peristiwa dalam jangka panjang bila
kondisi stabil.
Pendekatan frekuensi relatif ini menunjukan seringnya sesuatu
terjadi pada masa lalu dan digunakan untuk prediksikan peluang
bahwa sesuatu tersebut akan terjadi lagi masa datang.
Contoh :
Seandainya Perusahaan Asuransi mengetahui dari data masa lalu
bahwa angka kematian adalah 100.000 orang per tahun, dan 60 orang
diantaranya adalah laki-laki yang berusia 40 tahun.
Dengan menggunakan pendekatan ini, maka perusahaan
meramalkan peluang kematian laki-laki dari kelompok umur tersebut
adalah :
P
60
0,0006 0,06%
100.000
Contoh 2 :
Menurut catatan Kepolisian Bagian Lalu Lintas, selama 1 tahun
telah terjadi kecelakaan lalu lintas sebanyak 150 kali. Dari catatan
50
Oleh : Yunus Yakub
diperoleh informasi bahwa 75 diantara peristiwa kecelakaan disebabkan

karena pengemudi belum mempunyai SIM. Maka dapat disimpulkan
bahwa peluang terjadinya peristiwa kecelakaan akibat pengemudi tidak
mempunyai SIM adalah :
P
75
0,50 50%
150
7.2.3. Pendekatan Subyektif

Pendekatan subyektif adalah pendekatan yang didasarkan pada tingkat
kepercayaan individu yang membuat dugaan terhadap suatu peluang.
Kepercayaan individu tersebut bisa berasaldari pengalaman terjadinya

suatu peristiwa pada masa lalu atau hanya terkaan saja.
Tingkat kepercayaan individu dalam membuat dugaan peluang
suatu peristiwa dapat clikelompokan menjadi dua :
(1) Pandangan yang optimis bahwa periswa itu akan terjadi sehingga
peluangnya mendekati 1, misal P = 0,90.
(2) Pandangan yang pesimis bahwa
peristiwa itu akan terjadi
sehingga peluangnya mendekati 0, misal P = 0,20.
Pada hakekatnya semua pendekatan tidak bisa melepaskan
adanya unsur subyektivitas. Banyak peristiwa yang menuntut adanya
pertimbangan pribadi dalam menentukan peluangnya. Cara pendekatan
demikian telah dikembangkan dan dipadukan dengan hasil statistik
yang disebut "Statistical Decision Analysis.
7.3. ASSAS-ASSAS PERISTIWA
7.3.1. Peristiwa Mutually Exclusive
Dua atau lebih peristiwa dikatakan "Mutually. Exclusive" apabila kedua
atau lebih peristiwa itu tidak dapat teijadi bersama-sama . Hal ini
berarti terjadinya peristiwa yang satu sekaligus menghapuskan
kemungkinan terjadinya peristiwa yang lain.
Misalkan peristiwa A adalah mandi dan peristiwa B adalah makan.

Peristiwa A clan B tidak dapat terjadi bersama-sama artinya kalau A
terjadi, yaitu mandi maka pada saat yang bersamaan tidak mungkin
terjadi peristiwa B yaitu makan.
Peluang terjadinya peristiwa A atau B dapat dihitung melalui rumus
berikut :
P(A atau B) = P(A) + P(B)
51
Oleh : Yunus Yakub
atau
P(A B) = P(A) + P(B)
Dengan menggunakan diagram Venn peristiwa mutually exclusive
dapat dilukiskan sebagai berikut :
Diagram Venn
AB
Contoh :
Ada 5 calon yang mempunyai kemampuan relatif sama yaitu Ali, Kobil,
Silia, Dali dan Ani, melamar untuk menjadi staf salah satu perusahaan
multinasional, padahal perusahaan tersebut hanya membutuhkan satu
staf saja. Bila perusahaan tersebut memutuskan untuk menerima salah
satu dari ke lima calon tersebut, maka
(a) Berapa peluang Ali akan diterima menjadi staf ?
(b) Berapa peluang Silia atau Ani terpilih menjadi staf ?
Pemecahan :
a) P(Ali) =
1
5
b) P(Silia atau Ani) = P(Silia) + P(Ani) =
1
1
2
+
=
= 0,4
5
5
5
7.3.2. Peristiwa Non Exclusive

Dua atau lebih peristiwa dikatakan "Non exclusive" apabila kedua atau
lebih peristiwa itu dapat terjadi secara bersama-sama. Akan tetapi
perlu dicatat bahwa kedua peristiwa itu tidak harus selalu muncul
bersama-sama.
Gambar Diagram Venn Peristiwa Non Exclusive

52
Oleh : Yunus Yakub
Rumus untuk peristiwa non exclusive adalah :

P(A atau B) = P(A) + P(B) P(AB)
atau
P(A B) = P(A) + P(B) P(A B)
Dimana : P(A) : Peluang terjadinya A
P(B) : Peluang terjadinya B
P(AB) : Peluang A dan B bersama-sama
Contoh : Dari satu set kartu bridge diambil secara acak sebuah kartu,
berapa peluang yang terambil adalah kartu AS atau kartu jantung.
Peristiwa A adalah terambilnya kartu AS, jadi P(A)=4/52
Peristiwa B adalah terambilnya kartu jantung, Jadi P (B) = 13/52.
Sedangkan peristiwa A dan B adalah terambil kartu AS dan jantung,
jadi :
P(A B) = 1/52
Dengan demikian
P (A U B) = 4/52 + 13/52 - 1/52 = 16/52 = 0,33
53
Oleh : Yunus Yakub
BAB VII
DISTRIBUSI PELUANG
1. PENDAHULUAN
Distribusi peluang mempunyai hubungan yang erat dengan
distribusi frekuensi. Frekuensidalam distribusi frekuensi diperoleh
berdasarkan hasil percobaan atau hasil observasi, sedangkan dalam
distribusi peluang merupakan hasil yang diharapkan jika percobaan
atau pengamatan dilakukan, sehingga distribusi peluang ini sering kali
disebut sebagai distribusi teoritis.
Berikut akan diberikan oontoh yang dapat memperjelas
pemahaman tentang konsep distribusi peluang. Suatu tindakan
melemparkan satu keping mata uang logam bersisi dua (angka dan
gambar) akan menghasilkan salah satu dari dua macam kejadian yang
mungkin, yaitu munculnya sisi angka atau gambar. Bila bobot kedua sisi
mata uang sama, maka dlharapkan baik sisi gambar maupun sisi
angka mempunyai kesempatan yang sama. Bila dilakukan percobaan
pelemparan uang sebanyak dua kah secara adil, maka hasil yang
mungkin dari percobaan dua kali pelemparan mata uang logam tersebut
dapat disajikan dalam table berikut :
54
Oleh : Yunus Yakub
DISTRIBUSI BINOMINAL
Pada
umumnya
suatu
eksperimen
(percobaan)
dikatakan
eksperimen binominal bila mempunyai 4 syarat sebagai berikut :

1.
Banyak eksperimen merupakan bilangan tetap.
2.
Setiap eksperimen mempunyai 2 hasil yang dikategorikan menjadi

sukses dan gagal. Dalam aplikasinya harus dijelaskan apa yang
disebut sukses.
Misalkan : senang (sukses) tidak senang (gagal).
3.
Probabilitas sukses sama pada setiap eksperimen.
4.
Eksperimen tersebut harus bebas (independent) satu sama lain,

artinya eksperimen yang satu tidak mempengaruhi lainnya.
CONTOH :
Satu mata uang dilemparkan 10 kali, maka n = 10, yang disebut sukses
misalnya hasil muka dan yang disebut gagal hasil belakang.
P (sukses) P (muka)
1
2
P dan q tetap pada setiap lemparan serta hasil setiap lemparan bebas
satu sama lain.
Misalnya
banyaknya
R X 0, 1, 2, ..........., n
sukses
dalam
kita
55
percobaan
akan
Oleh : Yunus Yakub
binominal
menghitung
P X k , k 0, 1, 2, 3, .........., n
kejadian
jadi
k sama dengan
banyaknya
titik
sampel
dalam
n
k
kn!P q n k
nk
n
k
P X k P q
k !nk k!
(distribusi binominal b (n, P)), k 0, 1, 2, ........., n

CONTOH :
1. Jika 20 % baut yamg diproduksi oleh mesin adalah rusak.
Tentukan probabilitas bahwa dari 4 baut yang dipilih secara acak :
a. 1.
b. 0.
c. Paling banyak 2 baut akan rusak.
JAWAB :
Probabilitas baut rusak : P 0,2 tak rusak : q 1 P 0,8
a. P (1) 4 C (0,2) (0,3)
3 0,4096
(0) 4 C 0 (0,2) 0 (0,8) 4 0,4096
b.
c.
P (2) 4 C 2 (0,2) 2
(0,8) 2 0,1536
P (paling banyak 2) P (0) P (1) P (2) 0,4096 0,4096 0,1536

0,9728
56
Oleh : Yunus Yakub
2. Kemungkinan
seorang
calon
mahasiswa
dapat
diterima
di
perguruan tinggi, nilainya 0,4. tentukan nilai kemungkinan bahwa

dari 5 calon mahasiswa :
a. Tak ada.
b. 1.
c. Paling sedikit 1 diterima.
JAWAB :
a. P (0) 5 C 0 (0,4) 0 (0,6) 5 0,07776 atau 0,08
b. P (1) 5 C1 (0,4)1 (0,6) 4 0,2592 atau 0,26
c. P (paling sedikit 1) 1 P (0) 0,92
SOAL SOAL :
1. Dari 2000 keluarga dengan 4 anak masing-masing, berapa
banyak yang dapat diharafkan bahwa :
a. Paling sedikit terdapat anak laki-laki ?.
b. 2 anak laki-laki ?.
c. 1 atau 2 perempuan ?.
d. Tidak ada perempuan ?.
2. Carilah probabilitas menebak secara tepat paling sedikit 6 dari 10
jawaban ujian B S.
DISTRIBUSI POISSON
Distribusi poisson digunakan untuk menghitung probabilitas
terjadinya kejadian menurut satuan waktu ataupun ruang. Pandanglah
distribusi binominal b (n, P)
nk
n
k
n P (X K) P q , k 0,1 2,. . . ,n
k k
57
Oleh : Yunus Yakub
Ruas terakhir dapat ditulis :

k 1
1
2
n 1 1 1
k
(n P)
nP
n
n
n
k!
n
1 P k
Jika P kecil sekali dan n besar sehingga

terhingga > 0) maka :
k n

k 1
k! n
maka Lim n 1
n
sehingga n P
nP
( ialah bilangan
dan jika n besar
n
e
maka :
jadi untuk P kecil sekali dan n besar,
k
k!
, k 0,1, 2, ........., n
(disebut
distribusi poisson) k menuju tak terhingga. Jumlah k untuk semua

k 0, 1, ...........
k
e
e 1
k e
k 0
k 0 k!
Distribusi
probabilitas dari
Poisson
dapat
digunakan
untuk
menghitung
X sukses dalam eksperimen, jika misalnya dalam
satuan luas tertentu, satuai isi tertentu, internal, waktu tertentu, satuan
panjang tertentu, misalnya :
a. Banyaknya bakteri dalam satu tetes air atau satu liter air.
b. Banyaknya
rumah
terbakar
dari
10.000
rumah
yang
diasuransikan selama bulan Desember.

c. Banyaknya kecelakaan mobil di Monas selama minggu
pertama pada tahun baru.
d. Banyaknya penggunaan telepon permenit.
e. Banyaknya ketik perhalaman laporan tahunan.
f. Banyaknya pesanan yang masuk perminggu.
Distribusi Poisson dipakai, di mana banyaknya percobaan yang
bebas n adalah besar dan dimana nilai kemungkinan untuk sukses P
kecil sekali. Missal kita ambil suatu sampel kecil dari suatu cairan yang
berisi bakteri untuk setiap bakteri yang berada dalam cairan tersebut,
58
Oleh : Yunus Yakub
bila kita mengadakan suatu eksperimen acak dengan hasil bakteri akan
termasuk atautidak termasuk dalam sampel dan P (termasuk dalam
sampel) adalah kecil sekali. Jadi banyaknya bakteri dalam sampel
tersebut memenuhi distribusi poisson.
CONTOH :
Menurut pengalaman karyawan suatu yayasan penerbit, sebuah
mesin stensil merk X setiap menstensil 1000 lembar kertas akan
membuat kerusakan 1 lembar kertas. Pada suatu waktu kita akan
menstensilkan sebanyak 250 lembar. Berapa nilai kemungkinan akan
terdapat kerusakan sebanyak ?.
a. Kurang dari 5 lembar.
b. Antara 3 dan 5 lembar.
JAWAB :
Kemungkinan rusak p = 0,001; n = 250; = nP = 0,25, P kecil
k
e
dibandingkan n dipakai distribusi poisson. k
k!
a. P ( k ( 5 ) = P ( 0 ) + P (1) + P ( 2 ) + P ( 3 ) + ( 4) =
0,9911
b. P ( 3 k 5) = p (3) + P(4)+P(5) = 0,002
DISTRIBUSI NORMAL
Salah satu dari distribusi kemungkinan yang kontinu yang paling
penting yaitu Distribusi Normal atau Distribusi Gauss.
CONTOH :
Tinggi mahasiswa, berat badan, hasil ujian dll.
Jika variable kontinyu X mengikuti fungsi normal
dan simpangan baku atau standar deviasi
dengan rata-rata
maka bentuk fungsinya :
X N ( , )
59
Oleh : Yunus Yakub
f (X)
Dimana :
1
e2
x 2

= Simpangan Baku.
= Rata- rata X.
e = 2,71828..
P ( X ) P ( X )
2
1 x
e 2
dx 1
Kalau Varibel kontinu X mengikuti fungsi normal maka sebagian

besar nilai X kelompok medekati rata-rata
dan makin sedikit nilai
extrim yang besar maupun yang kecil. Bila jarak masing-masing nilai
X diukur dengan satuan simpangan baku

berjarak 1
, 95
maka kira-kira 68
berjarak 2 ,dan 99 berjarak 3 .
Misalkan jika X menyatakan nilai ujian Statistik dari mahasiswa

sebuah perguruan tinggi dengan rata-rata
6, simpangan baku
maka berarti :
-3
-2
-1
-3 -2
68,26%
60
68,46%
99,74%
2
3 X
+2 +3
Oleh : Yunus Yakub
Jika variable X dinyatakan dalam standar unit, Z

bentuk standar persamaan distribusi normal :
1
2
X
, maka
1 Z2
2
luas di
bawah kurva normal standar dari 0 sampai Z dapat dibuat tabel.

CONTOH :
1. Dengan menggunakan table distribusi normal, hitunglah :
a. P (- 2,17 < Z < 0).
b. P (- 1,61 < Z < 1,61).
c. P ( Z
> 1,61).
d. P (0,50 < Z < 2,15).

e. P (- 0,50 < Z < 1,00)
JAWAB :
a. P ( 2,17 Z 0 ) P ( 0 2,17 ) L ( 2,17 ) 0,4850
-2,17
b. P ( 1,61 Z 1,61 ) 2 P ( 0 Z 1,61 2 0,4463 0,8926
- 1, 61
61
0
Oleh : Yunus Yakub
1,61
c. P ( Z
1,61 ) 2 x ( 0,5 0, 4463) 2 0,0537 0,1074
d. P ( 0,50 Z 2,15 ) L ( 2,15 ) L (0,50 )
0,50
0,4842 0,1915 0,2927
2,15
e. P ( 0,5 Z 1,000 ) L ( 1,00 ) L ( 0,50 ) 0,3413 0,1915 0,5328
- 0, 5
1,0
2. a. Tentukan nilai Z jika P (Z < z) = 0,8023.

b. Tentukan Z jika P ( Z > z ) = 0,0040.
JAWAB :
a. L ( Z ) 0,8023 0,5000 0,3023

Z 0,85
62
Oleh : Yunus Yakub
b. L ( Z ) 0,5000 0,0040 0,4960

Z 2,6585
-Z
63
Oleh : Yunus Yakub

BHN Statistikyy 1

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

BHN Statistikyy 1

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB I

1.1 DEFINISI STATISTIKA

Oleh : Yunus Yakub

keadaan. Informasi ini pada umumnya diperoleh melalui observasi yang

Bahan Kuliah Statistika & Probabilitas

Oleh : Yunus Yakub

1.2. POPULASI DAN SAMPEL

Oleh : Yunus Yakub

terpaksa hanva diambil sebagian dari populasi lampu piiar untuk

Bahan Kuliah Statistika & Probabilitas

Oleh : Yunus Yakub

2.1. JENIS DATA

Bahan Kuliah Statistika & Probabilitas

Oleh : Yunus Yakub

2.2. METODE PENGUMPULAN DATA

Beberapa contoh variable :

Berdasarkan bulat atau tidaknya nilai diperoleh, variable dapat dibagi

Oleh : Yunus Yakub

Pengumpulan data pada suatu percobaan data yang ingin diperoleh

Oleh : Yunus Yakub

Skala pengukuran Nominal dan Ordinal. seringkali digebut sebagai

Bahan Kuliah Statistika & Probabilitas

Oleh : Yunus Yakub

Jika data-data di atas disusun secara berurutan disebut Erci.

Pengelompokkan data ke dalam jumlah kelas yang lebih kecil dari

Perkiraan besarnya interval kelas . rumus :

Dari contoh yang lalu :

Distribusi frekuensi nilai ujian statistik III mahasiswa menjadi :

Bahan Kuliah Statistika & Probabilitas

Oleh : Yunus Yakub

2. Besarnya interval kelas untuk tiap-tiap kelas distribusi sebaiknya

Perhitungan jarak guna menentukan jumlah kelas dan besarnya

Pengulangan penggunaan batas kelas atas bagi batas kelas bawah

PENGUJIAN GRAFIK FREKUENSI :

distribusi dari contoh yang lalu :

Oleh : Yunus Yakub

histrogram frekuensi memberi tekanan pada luas empat persegi

Bahan Kuliah Statistika & Probabilitas

Oleh : Yunus Yakub

panjang lalu menghubungkanya dengan sebuah garis.

Bahan Kuliah Statistika & Probabilitas

Oleh : Yunus Yakub

Prinsipnya : luas yang terdapat di bawah kurva tersebut

(DARI DATA LAIN)

DISTRIBUSI KUMULATIF DARI KURVA OGIVE

Penggolongan dapat dilakukan dengan menggunakan batas kelas

Bahan Kuliah Statistika & Probabilitas

Oleh : Yunus Yakub

Distribusi kumulatif atau lebih (More Then Distribution) dapat

Penyajian secara grafis dari distribusi kumulatif kurang dari

frekuensi kumulatif di atas disebut juga Ogiv penggambarannya

Bahan Kuliah Statistika & Probabilitas

Oleh : Yunus Yakub

dilakukan dengan menghubungkan semua titik-titik ordinat dari tepi

mahasiswa, 10 sarjana, 20 wiraswasta sisanya pelajar.

Oleh : Yunus Yakub

1. Buat distribusi frekuensi.

Oleh : Yunus Yakub

UKURAN NILAI PUSAT

dimana N : banyaknya data

Rumus mean sampel untuk data yang tidak dikelompokkan adalah :

dimana n : banyaknya data

Oleh : Yunus Yakub