Anda di halaman 1dari 48

UKURAN DISPERSI

Ukuran yang menyatakan atau memberikan gambaran tentang penyebaran data.


Kelompok A Kelompok B
65 73 42 77
66 74 54 77
67 77 58 85
68 77 62 93
71 77 67 100

Dari data nilai ujian statistik diatas dapat diperoleh informasi sebagai berikut :
Kelompok A Kelompok B
Mean 71,5 71,5
Median 72 72
Modus 77 77

Dengan melihat mean, median dan modus kedua kelompok tersebut


dapat disimpulkan bahwa kelompok A dan kelompok B memiliki performance
yang sama dalam test statistik, tetapi jika dilihat data sebenarnya hasilnya
tidaklah demikian. Pengamatan hasil tes sebenarnya menunjukkan bahwa nilai
tes kelompok A cenderung lebih menggerombol dibanding nilai kelompok B,
dengan kata lain nilai kelompok B lebih menyebar dibanding kelompok A. Agar
informasi yang diperoleh lebih baik, dalam hal ini diperlukan ukuran
penyebaran atau keragaman data (dispersi).
Ukuran dispersi yang sering digunakan dalam statistik, diantaranya adalah :
range, varians dan simpangan baku.

Range (Rentang)

Range (R) adalah perbedaan (selisih) antara nilai tertinggi dengan nilai
terendah data. Range merupakan ukuran paling sederhana untuk mengukur
keragaman data. Kelemahan utama dari range yaitu tidak dilibatkannya seluruh
nilai observasi

Ñ Data belum dielompokkan

ÿ   : data 10, 11, 12, 13, 15, 16, 18, dan 19

Sehingga R = 19 - 10 = 9.

c
Ñ Data yang dikelompokkan (distribusi frekuensi)

Untuk data berkelompok, range dapat ditentukan dengan :

ccccccccc

H = tepi atas kelas terakhir

L = tepi bawah kelas pertama

ÿ  Distribusi frekuensi nilai ujian calon pegawai :

Nilai Ujian Frekuensi


50 - 54 30
55 - 59 70
60 - 64 80
65 - 69 120
70 - 74 70
75 - 79 10
80 - 84 8
85 - 89 7
R =H - L

R = 89,5 - 50,5 = 39

Varians ( ǔ 2 )

c

c   c    c  c  c cc 

c c c
 c
  
c
  c
c  c

Dari definisi diatas dapat disimpulkan bahwa varians melibatkan seluruh


nilai pengamatan, sehingga relatif lebih baik dari range sebagai ukuran dispersi.

Varians merupakan ukuran dispersi yang paling memenuhi kriteria


statistik, namun satuan yang diperoleh tidak sama dengan satuan data aslinya,
sehingga akan mengalami kesulitan dalam interpretasi data.

Ñ Untuk data belum dikelompokkan

 ü 3
   3
3
 
 
3

Y ~ x

Ñ Untuk data berkelompok

c
c    ü 3
3



Standar deviasi ( simpangan baku )

Standar deviasi merupakan akar dari varians. Ukuran ini sering


digunakan dalam statistik karena memiliki satuan yang sama dengan data
aslinya.

Formula standar deviasai adalah :

Ñ Data belum dikelompokkan

 ü 3
 
c
Y

Ñ Data yang dikelompokkan

3
î     ü
 c
î

mi= nilai tangah kelas ke i

fi= frekuensi kelas ke i

Koefisien Variasi ( KV )

Koefisien variasi mengukur keragaman data relatif terhadap rata-rata data


tersebut. Koefisien ini digunakan untuk membandingkan keragaman beberapa
kelompok (data) yang memiliki rata-rata berbeda.

Ê  x â
ü

Data A dikatakan lebih homogin / seragam dari data B jika dan hanya jika
koefisien variasi data A lebih kecil dari koefisien variasi data B.

ÿ   :

Informasi mengenai volume penjualan dua kelompok salesman sauatu


perusahaan adalah sebagai berikut :

c
Kelompok A B

Rata-rata (mean) 160 120

Simpangan baku 25 20

Jika dilihat simpangan baku, maka dapat disimpulkan bahwa volume


penjualan kelompok B lebih seragam (homogin) dibanding kelompok A, namun
hal itu tidak dapat dijadikan dasar penarikan kesimpulan karena rata-rata kedua
kelompok berbeda. Ukuran yang paling tepat untuk penarikan kesimpulan
mengenai perbedaan keragaman adalah koefisien variasi, sehingga :

3
Ê  x  = = 16 %
ü x

3
Ê  x  = = 17 %
ü x3

Kesimpulan : Karena koefisien variasi kelompok A (KV A) lebih kecil dari KVB
maka volume penjualan kelompok salesman A lebih seragam dibanding
kelompok B.

Standar score ( angka baku ) : Z


Standar score merupakan kelipatan dari simpangan baku dimana suatu
nilai terletak dibawah atau diatas rata-rata (mean). Kegunaan angka baku
diantaranya untuk menentukan posisi suatu nilai apakah secara relatif lebih baik
dibandingkan nilai-nilai lain.

Î ü

c

X = nilai yang akan dibandingkan


Ǎ = rata-rata
ǔ = simpangan baku

ÿ  :

Informasi mengenai volume penjualan dua kelompok salesman sauatu

c
perusahaan adalah sebagai berikut :

Kelompok A B

Rata-rata (mean) 160 120

Simpangan baku 25 20

Misal Andi adalah salesman dari kelompok A dengan volume penjualan 170 unit
dan Budi adalah saleman dari kelompok B dengan volume penjualan 130 unit,
jika ingin dibandingkan siapa yang lebih berprestasi Andi atau Budi, maka dapat
digunakan angka baku, yaitu :

x x
|~  = 0,40
3

x  x3
 ©   = 0,50
3

Dari perhitungan diatas, dapat disimpulkan karena angka baku Budi (Z Budi)
lebih besar dari Z Andi maka secara relatif Budi lebih berprestasi dari Andi.
UKURAN PEMUSATAN DATA

Cara menyajikan data dengan metode numerik yang biasa dilakukan


adalah menentukan ukuran pusat dan ukuran posisi data.
Ukuran pusat yang dipelajari meliputi : rata-rata hitung (arithmetic
mean), median dan modus, sedangkan ukuran posisi meliputi : kuartil, desil dan
persentil.

UKURAN PEMUSATAN
Kumpulan nilai (data) biasanya memiliki kecenderungan untuk memusat
pada satu nilai tertentu yang disebut dengan ukuran pusat. Nilai tersebut cukup
representatif untuk menggambarkan keseluruhan nilai (data). Disebut ukuran
pusat karena pada umumnya nilai tersebut memiliki lokasi dibagian tengah atau
pusat dari distribusi data.

Rata-rata hitung atau mean ( Ǎ )


Sifat keberadaan rata-rata hitung adalah tunggal, artinya dalam
sekelompok nilai observasi (data) hanya ada satu rata-rata hitung. Rata-rata
hitung ini menunjukkan bahwa penyebaran data cenderung berpusat pada nilai
tersebut.
Notasi yang sering digunakan untuk menyatakan rata-rata hitung populasi
adalah Ǎ dan rata-rata sampel adalah .

Cara menentukan rata-rata hitung :

c
Ñ Untuk data mentah (atau belum dikelompokkan)
Mean dihitung dengan menjumlahkan seluruh nilai observasi dibagi dengan
frekuensi observasi.


ü  
c
~
Xi = nilai observasi ke ² i
n = jumlah observasi

Ñ Untuk data yang disusun dalam distribusi frekuensi

î  
ü  c
î  

fi = frekuensi kelas ke ² i
mi = nilai tengah (mid point) kelas ke ² i
n = jumlah observasi

ÿ  :
Tabel : Distribusi frekuensi upah per-minggu 260 buruh pabrik

Klas Interval Jumlah buruh Nilai Tengah


(ribuan Rp) (fi) (mi) fi . mi
2,0 - 3,9 12 2,95 35,40
4,0 - 5,9 19 4,95 94,05
6,0 - 7,9 39 6,95 271,05
8,0 - 9,9 70 8,95 626,50
10,0 - 11,9 52 10,95 569,40
12,0 - 13,9 24 12,95 310,80
14,0 - 15,9 21 14,95 313,95
16,0 - 17,9 15 16,95 254,25
18,0 - 19,9 8 18,95 151,60
Total 260 - 2.627,00

Keterangan :
Pada tabel diatas sejumlah 12 orang buruh pada klas pertama memiliki
upah per minggunya berkisar 2,0 s/d 3,9 (ribu rupiah), walaupun untuk tiap-
tiap buruh tidak diketahui besar upah per minggunya, oleh karena itu dianggap
bahwa 12 buruh yang memiliki upah per-minggu 2,0 s/d 3,9 memiliki upah
rata-rata 2,95 (ribu rupiah). Perkalian 12 dengan 2,95 (=35,40) adalah merupakan
taksiran jumlah upah perminggu dari 12 buruh tersebut, demikian juga untuk
kelas-kelas lain. Total kolom fi.mi (2.627,00) adalah taksiran total upah per
minggu 260 buruh pabrik tersebut.
Jadi rata-rata upah per-minggu buruh parik tersebut sebesar :per minggunya
adalah 10,10 (ribu rupiah).

c
   33
ü  
  3
= 10,10 (ribu rupiah)

Atau dengan menggunakan rata-rata sementara:


 c c c6 ^

Dimana:
X0 = rata-rata sementara
fi = frekuensi kelas ke i
ui = simpangan kelas ke i terhadap kelas rata-rata sementara
n = banyaknya data
c = interval kelas

Median ( Md )
Sifat keberadaan median dari data adalah tunggal, median merupakan
nilai yang terletak ditengah-tengah serangkaian nilai yang telah diurutkan (dari
terkecil sampai terbesar atau sebaliknya)

p 
  
       
   
     c

Median membagi nilai-nilai observasi (data) menjadi dua bagian sama


besar sehingga 50% terletak dibawah median dan 50% lainnya diatas median.
Kelebihan median adalah tidak dipengaruhi adanya data ekstrim. Median dapat
digunakan bila skala pengukuran datanya minimal skala ordinal. Karena median
belum banyak dikembangkan untuk keperluan inferensia, maka penggunaannya
tidak sepopuler rata-rata hitung.

Cara menentukan median :


Ñ Untuk data mentah (data belum dikelompokkan)
Median dari data yang belum dikelompokkan adalah nilai yang terletak pada
posisi :

~ Mx
c
3
Ñ Untuk data yang disusun dalam distribusi frekuensi
Untuk data yang telah dikelompokkan, pertama kali ditentukan kelas median,
yaitu kelas yang memuat median dengan rumus : (n+1) / 2
Setelah itu nilai median ditentukan dengan pendekatan :

~ 
§3  §
    ^ c
§  §

c
Keterangan :
TB = tepi bawah kelas median
Fk = frekuensi kumulatif sebelum kelas median
f = frekuensi kelas median
c = interval kelas

ÿ  :
Tabel-: Distribusi frekuensi dan frekuensi kumulatif ¶kurang dari· upah per-
minggu 260 Buruh pabrik

Interval Kelas
Jumlah buruh (fi) Frek. Kumulatif
(ribuan Rp)
2,0 - 3,9 12 <1,95 0
4,0 - 5,9 19 <3,95 12
6,0 - 7,9 39 <5,95 31
8,0 - 9,9 70 <7,95 70
10,0 - 11,9 52 <9,95 140
12,0 - 13,9 24 <11,95 192
14,0 - 15,9 21 <13,95 216
16,0 - 17,9 15 <15,95 237
18,0 - 19,9 8 <17,95 252
<19,95 260
Total n = 260
Median terletak pada kelas ke- 4, karena nilai ke (260 +1 ) / 2 = 130,5 ( terletak
pada kelas ke-5), sehingga:
3 
§3  §
    3   3x  x33
§ 3 §

Kesimpulan : 50 % buruh mendapat upah per-minggu kurang dari Rp 12.260,-
dan 50 % sisanya mendapat upah per-minggu lebih besar dari Rp 12.260,-.

Modus (Mo)
Sifat keberadaan modus adalah tidak tunggal, jika data memiliki satu
modus disebut unimodal, dua modus disebut bimodal dan lebih dari dua modus
disebut multimodal. Data dapat juga tidak memiliki modus.

p 
 
          c

Ñ Untuk mencari modus data belum dikelompokkan dapat dilakukan dengan


cara menghitung frekuensi tertinggi dari nilai-nilai observasi. Jika data sudah
dikelompokkan dalam distribusi frekuensi, untuk mencari modus digunakan
langkah-langkah sebagai berikut :
a.c menentukan kelas modus, yaitu kelas yang memiliki frekuensi tertinggi
b.c menentukan modus dengan rumus :

 
  © M  ^ c
M
c
Keterangan :
TB = tepi bawah kelas modus
a = selisih frekuensi kelas modus dengan frekuensi kelas sebelum kelas
modus
b = selisih frekuensi kelas modus dengan frekuensi kelas setelah kelas
modus
c = interval kelas

ÿ  
Data belum dikelompokkan :
Jumlah anggota keluarga dari 10 keluarga yang diobservasi adalah sebagai
berikut :
7, 4, 4, 6, 5, 6, 6, 9, 5 dan 6.
Dari data diatas diperoleh bahwa nilai yang memiliki frekuensi
kemunculan lebih banyak dibanding yang lain yaitu 6 dengan frekuensi
sebanyak 3 (tiga) kali. Jadi modus data tersebut adalah 6.
Data dalam bentuk distribusi frekuensi :

Tabel : Distribusi frekuensi upah per-minggu 260 buruh pabrik

Klas Interval Jumlah buruh


(ribuan Rp) (fi)
2,0 - 3,9 12
4,0 - 5,9 19
6,0 - 7,9 39
8,0 - 9,9 70
10,0 - 11,9 52
12,0 - 13,9 24
14,0 - 15,9 21
16,0 - 17,9 15
18,0 - 19,9 8
Total 260

Kelas modus adalah kelas ke-4, karena memiliki frekuensi tertinggi yaitu 70,
sehingga
a = 70 ² 39 = 31
b = 70 ² 52 = 18
 x 
      3    x 3    33
x x
artinya sebagian besar buruh pabrik tersebut mendapat upah per-minggu
sebesar Rp 9.220,-


Hubungan Antara Mean, Median dan Modus

c
Bila sebuah distribusi data bermodus satu digambarkan dalam sebuah
histogram, ordinat mediannya membagi sebuah histogram dalam 2 bagian yang
sama. Sehingga bila distribusi tersebut simetris, maka rata-rata hitung= median=
modus.
Menurut Karl Pearson, bila distribusi dari variabel yang kontinyu
memiliki modus tunggal serta menceng secara moderat, maka mediannya akan
terletak kira-kira 2/3 dari seluruh jarak yang dihitung dari modus ke arah rata-
rata hitungnya. Dan secara umum hubungan ketiga ukuran tsb dirumuskan
sebagai:

   ö  
Kemudian jika:
mo>med> , maka distribusi data tersebut menceng ke kanan
mo<med< , maka distribuis data tersebut menceng ke kiri

Ê  (q)

Kuartil membagi data (n) yang berurutan atas 4 bagian yang sama banyak.

------|------|-------|-------
Q1 Q2 Q3

Q1 = kuartil bawah (1/4n )


Q2 = kuartil tengah/median (1/2n)
Q3 = kuartil atas (1/4n )

Untuk data yang tidak dikelompokkan terlebih dahulu dicari mediannya,


kemudian kuartil bawah dan kuartil atas.
Untuk data yang dikelompokkan rumusan kuartil identik dengan rumusan
mencari median.
Q1 = L1 + [(1/4n - f1)/fQ1] . c
Q3 = L3 + [(3/4n - f3)/fQ3] . c

 (D)
Desil membagi data (n) yang berurutan atas 10   

 
  (D,, D2,
D3, . . . . . . , D9)
Di = Li + ((i/10)n - fi)/fDi . c

  (P)
Persentil membagi data (n) yang berurutan atas 100   

 
  (P1,
P2, P3, . . . . . . ,P99)
Pi = Li +( i/100 n - fi)/fPi . c
Cara mencari Desil dan Persentil identik dengan cara mencari kuartil.

BAB 1

PENGERTIAN STATISTIK DESKRIPTIF

1.1cArti dan Kegunaan Data


Statistik Deskriptif adalah ilmu yang mempelajari tentang cara:
a.c mengumpulkan data/informasi;

c
b.c mengolah data hasil pengumpulan;
c.c menyajikan data hasil pengolahan;
d.c menganalisis data.

1.2cTipe Skala Pengukuran Data


a.c Skala Nominal

ÿontoh:
•c [aki-laki ; Perempuan (level laki-laki = level perempuan)

b.c Skala Ordinal

Data yang diukur mempunyai urutan kualitas/level

Contoh:
•c ranking 1 ; ranking 2 ; ranking 3
c.c vcc Skala Interval
Contoh:
ukuran temperatur udara 00 Fahrenheit = - 180 Celcius, dan 00 Fahrenheit
bukan berarti tidak ada temperatur
d.c Skala Ratio
Contoh: mengukur panjang, lebar, berat, tinggi, isi, dan sebagainya.

1.3cPengumpulan dan Pengolahan Data


1.3.1c Pengumpulan Data
a.c Sensus
b.c Survei
c.c Eksperimen (Biasanya dilakukan di laboratorium)
d.c Studi Kasus (Penelitian yang lebih mendalam)
Perbedaan Sensus dan Survei:
Sensus 6 Populasi (Seluruh unit Survei 6 Sampel (yang diteliti
yang diteliti) adalah sebagian dari populasi)
1.c- Waktu 1.c ² Waktu
-c Biaya Besar -cBiaya Kecil
-c Tenaga -cTenaga
2.cMenyeluruh 2.c Tidak menyeluruh
3.cTingkat kesalahan (error) nya 3.c Errornya bisa besar
kecil 4.c Rinci
4.cKurang rinci
Rata-rata (= Î )
Rata-rata (=ü) Variance (=S2) Statistik
Variance (= 2) Parameter Proporsi (=p)

c
Proporsi (=P)

  

x
  


   x M  3 M  M 

x x
ü

   x M  3 M  M  
x Xi = Sebagian dari variabel yang
Xi = Variabel yang diteliti diambil secara random
(seluruhnya) n = Jumlah sampel yang diambil
N = Jumlah seluruh variabel dari populasi
tersebut dalam populasi
Ragam/variance (X)= 2= Ragam/variance (X)= S2=
Y ~

6öÎ
3 3

 x ü 3  3 ü 3  Y ü 3
ö  ü
Îx Î 3 Î3 Î 3 Î Î 3 x 
Î
M MM  x  ~ 
Y Y Y Y ~ ~ ~ ~

Simpangan baku=standard deviasi=


Simpangan baku=standard deviasi=
3 
3

1.3.2c ÿara Pengumpulan Data
•c Wawancara langsung dengan responden
•c Kuesioner/daftar pertanyaan diberikan kepada responden untuk
kemudian diisi oleh responden
1.3.3c Sumber data:
•c Primer, adalah data yang diperoleh langsung dari responden
Contoh: mengumpulkan data produksi kecap. Data diperoleh dari
perusahaan industri kecap
•c Sekunder, adalah data yang diperoleh dari pihak kedua
Contoh: mengumpulkan data produksi kecap yang datanya diperoleh
dari Departemen Perindustrian

Pengolahan Data
Cara mengolah data:
a.c Manual, dengan langkah-langkah sebagai berikut:
b.c Memakai paket program di komputer: SPPS, Minitab, microsoft Excel, dan
sebagainya
Data menurut sifatnya:
a.c Kuantitatif contoh: tinggi badan: 160 cm; 169 cm
b.c Kualitatif, contoh: jenis kelamin: peserta; laki-laki dan peserta
perempuan
Syarat data yang baik: - obyektif
- representatif

c
- reliabilitas
- tepat waktu (9    )
- relevan

1.4 Penyajian Data


a. Tabel:
•c Tabel frekuensi
•c Tabel distribusi frekuensi
b. Grafik:
•c Grafik Batang
•c Grafik Lingkaran
•c Grafik Garis
•c Grafik Gambar

1.4.1 Tabel Frekuensi dan Grafik


a.c Struktur tabel:
1.c Nama (judul) tabel menunjukkan: mengenai apa, dimana, dan kapan.
2.c Badan tabel: terdiri dari beberapa kolom. Setiap kolom mepunyai judul
(dilengkapi dengan unit/satuannya) dan berisikan data.
3.c Sumber data, dicantumkan dibagian bawah tabel.
b.c Tabel:
•c Tabel ikhtisar, biasanya singkat, mudah dimengerti, bisa diperoleh dari
tabel referensi
•c Tabel referensi, merupakan tabel umum yang rinci untuk kepentingan
referensi

c. Jenis tabel frekuensi:


•c Tabel 1 arah
•c Tabel 2 arah
•c Tabel 3 arah atau lebih
DIAGRAM/GRAFIK:
a.c Grafik garis ({   )
b.c Grafik gambar (   f)
c.c Grafik batang (  )
d.c Peta Statsitik (
 { )
e.c Grafik/digram lingkaran (  )

c
1.4.2. Tabel Distribusi Frekuensi dan Grafik
Jenis Tabel:
•c Tabel Distribusi Frekuensi
•c Tabel Distribusi Frekuensi Relatif
•c Tabel Distribusi Frekuensi Kumulatif
•c Tabel Distribusi Frekuensi Kumulatif ´kurang dariµ
•c Tebel Distribusi Frekuensi Kumulatif ´lebih dariµ
Cara membuat tabel distribusi frekuensi
Contoh: n = 67
Dengan nilai data adalah sebagai berikut:
1.c Menentukan jumlah kelas (k)
a. Dengan menggunakan rumus Sturges:
k = 1 + 3,3 log n
= 1 + 3,3 log 67 = 7,04 ! 7
b. Cara lain: 2k = n
2.c Menentukan interval kelas (I)

~  
 ~  ^  3
     !
 
3.c Menentukan batas bawah dan batas atas kelas

1.c Tabel Distribusi Frekuensi Relatif:


Untuk keperluan analisis, selain dari tabel frekuensi bisa juga dari tabel
frekuensi relatif dan kumulatif.

Tabel 7: Distribusi Frekuensi Relatif Pegawai STIS (Staf)


menurut Golongan Umur Tahun 2004

c
Umur (Tahun) Frekuensi (f) F Relatif
(1) (2) (3)
23-27 5 5/67 = 7,463%
28-32 11 11/67 = «%
33-37 21 21/67 = «%
38-42 17 17/67 = «%
43-47 6 6/67 = «%
48-52 5 5/67 = 7,463%
53-57 2 2/67 = «%
Jumlah 67 100
Sumber: Bagian Administrasi Umum STIS
Dari tabel 7 ini dapat dibaca bahwa ada 7,46 % pegawai yang hampir
pensiun.

3. Tabel Distribusi Frekuensi Kumulatif:


Tabel 8: Distribusi Frekuensi Kumulatif Pegawai STIS
menurut Golongan Umur Tahun 2004
Umur (Tahun) Frekuensi (f) F Kumulatif
(1) (2) (3)
23-27 5 5
28-32 11 16
33-37 21 37
38-42 17 54
43-47 6 60
48-52 5 65
53-57 2 67
Jumlah 67
Sumber: Data Tabel 7
Dari tabel 8 ini dapat diketahui bahwa sebagian besar pegawai STIS masih
berumur muda (atau kurang dari 43 tahun)

4. Tabel Distribusi Kumulatif ¶kurang dari·:


Tabel 9: Distribusi Frekuensi Kumulatif ´kurang dariµ
Pegawai STIS menurut Golongan Umur Tahun 2004
Umur (Tahun) F kurang dari
Kurang dari 22,5 0

c
Kurang dari 26,5 5
Kurang dari 32,5 16
Kurang dari 36,5 37
Kurang dari 42,5 54
Kurang dari 46,5 60
Kurang dari 52,5 65
Kurang dari 56,5 67
Sumber: Data Tabel 7

5. Tabel Distribusi Kumulatif ¶lebih dari·:


Tabel 10: Distribusi Frekuensi Kumulatif ´lebih dariµ
Pegawai STIS menurut Golongan Umur Tahun 2004
Umur (Tahun) F lebih dari
Lebih dari 22,5/
22,5 atau lebih 67
26,5 atau lebih 62
32,5 atau lebih 51
36,5 atau lebih 30
42,5 atau lebih 13
46,5 atau lebih 7
52,5 atau lebih 2
56,5 atau lebih 0
Sumber: Data Tabel 7
Dari tabel distribusi kumulatif ¶kurang dari ¶dan ¶lebih dari· dapat dibuat
gambar/grafik yaitu kurva ogive.

KURVA OGIVE

c


Ê
c  c
     

  
  

 



 


 ! c  c


   
       
]    

Dari kurva ogive akan diperoleh frekuensi kumulatif pada kelas interval
data tertentu. Sebagai contohnya, misalnya jumlah pegawai yang umurnya lebih
dari 33 tapi kurang dari 47 tahun sebanyak 62ï7 atau 55 orang.

1.5 Analisis Data


1. Data hasil sensus dapat dianalisis dengan cara deskriptif yaitu
menginterpretasikan data hasil pengolahan
2. Data hasil survey dapat dianalisis dengan cara:
ac Deskriptif
bc Inferensia, yaitu dengan cara melakukan uji statistik
Dari hasil uji statistik dapat diambil kesimpulan tentang parameter
(populasi).

BAB 2
PENGUKURAN [ KASI DAN DISPERSI
Ukuran-ukuran statistik yang akan dipelajari antara lain:

Uraian Ukuran Data tidak berkelompok Data berkelompok


Rata-rata hitung
(tertimbang/tidak
Ukuran tertimbang)
Rata-rata hitung
pemusatan Rata- rata ukur
(tertimbang/tidak
tertimbang)

c
Rata- rata harmonis
Nilai tengah/Median Nilai tengah/Median
Modus Modus
Kuartil Kuartil
Ukuran lokasi Desil Desil
Persentil Persentil
Rentang/   Rentang/  
Ragam/   Ragam/  
Ukuran Dispersi
Standart Deviasi Standart Deviasi
Koefisien Variasi Koefisien Variasi

2.1. Penghitungan untuk Data yang belum Dikelompokkan/Data Tunggal


1. Rata-rata Hitung
a. Rata-rata hitung sederhana
Rata-rata hitung ini menunjukkan bahwa penyebaran data cenderung
berpusat pada nilai tersebut.
Notasi yang sering digunakan untuk menyatakan rata-rata hitung populasi
adalah Ǎ dan rata-rata sampel adalah .
Cara menentukan rata-rata hitung :
Rata-rata hitung dihitung dengan menjumlahkan seluruh nilai observasi dibagi
dengan frekuensi observasi.
 
Nilai rata-rata hitung untuk populasi adalah: ü 
Y
îÎ 
Nilai rata-rata hitung untuk sampel adalah: 
~
Xi = nilai observasi ke ² i
N = jumlah observasi populasi

n = jumlah observasi dari sampel


Contoh:

Produksi barang A (x) mulai dari bulan Januari sampai dengan Desember 2002

(dalam ton) sebagai berikut: 3,5 ; 3 ; 4 ; 4 ; 3 ; 4 ; 4 ; 5 ; 4,5 ; 5 ; 3 ; 4 ; 5.; n = 12


 x

 M  M M MM M  M  M  M  M M  
    
~ x3 x3

Jadi rata-rata produksi barang A per bulan ( ) pada tahun 2002 adalah 3,96 ton.

c
b. Rata-rata hitung tertimbang ö

Penimbang (wi) adalah suatu angka pembanding suatu nilai agar lebih
berarti.

Pemilihan angka penimbang (timbangan) adalah angka atau ukuran yang


relatif (ada hubungannya dengan data yang dihitung).

Contoh:

Tabel 11. Jumlah Produksi Barang A menurut Jumlah Hari Kerja per Bulan
Tahun 2002
Bulan Produksi (xi) Hari Kerja (wi) (xi wi)
Januari 3,5 20 70
Februari 3 18 54
Maret 4 22 88
April 4 21 84
Mei 3 19 57
Juni 4 21 84
Juli 4,5 22 99
Agustus 4,5 21 94,5
September 5 21 105
Oktober 3 17 51
November 4 21 84
Desember 5 23 115
Jumlah 246 985,5

  

  x
  
  3 

Jadi rata-rata produksi barang A per bulan ( )adalah 4 ton,dengan penimbang


yang digunakan adalah jumlah hari kerja per bulan.

2.c Rata-rata Ukur (—   M )


Digunakan untuk mengukur rata-rata persentase tingkat perubahan
dalam suatu rentang waktu u      
    
.Misalnya
rata-rata persentase tingkat perubahan hasil penjualan, produksi, harga dan

c
pendapatan selama beberapa tahun tertentu. Rumus untuk menghitung rata-rata
ukur (Gm) adalah sbb:
x

  ~
x  3  ~   x  3  ~
~

x x

  " x  3  ~
x ~
 " x  3  ~  " x M " 3 M  M " ~
~ ~
x ~

   " 
~  x
x ~

  ~ "  " 


~  x
Dimana:
n = Jumlah rentang waktu untuk penghitungan
Xi = Nilai perubahan persentase per satuan waktu

ÿontoh: Untuk mengukur tingkat perubahan pinjaman pertahun

Diketahui:

Jumlah pinjaman tahun 2000 = 1,086 milyar, tahun 2001 = 2,041 milyar, tahun
2002 = 24,669 milyar

P 
  d   2000 ² 2001 = 1,879
Perubahan dari tahun 2001 ² 2002 = 12,086

Sehingga:

n=2 dan X1= 1,879 ; X2= 12,086


x x3   
Rata-rata perubahan = Gm =
Artinya rata-rata tingkat perubahan pinjaman per tahun untuk tahun 2000-2002
adalah 4,765 milyar.

Rata-Rata Ukur Tingkat Bunga Majemuk (ÿ


9 
)
Rata-rata ukur yang digunakan untuk menghitung tingkat perubahan relatif
u   {   suatu nilai. Misalkan untuk menghitung hasil tabungan dengan
suku bunga tertentu. Rumus untuk menghitungnya adalah sbb:






"
Dimana:
r = persentase tingkat perubahan
po = jumlah tabungan/investasi awal tahun
pn = jumlah tabungan/investasi akhir tahun

c
n = banyaknya waktu (tahun)

3.c Median (Me)/ Nilai Tengah

Penggunaan Me akan praktis dan efisien bila n cukup besar. Me biasanya


sangat umum digunakan pada data kualitatif. Pada data kuantitatif, nilai Me
tidak dipengaruhi oleh data yang ekstrim. Data sel diurutkan dari terkecil ke
terbesar.
- Jumlah data genap: x1, x2, x3, x4, x5, x6, x7, x8 f n = 8
Letak nilai median = (n+1)/2 = 9/2 = 4,5 atau letak nilai median adalah nilai ke-
4,5, sehingga median = (xk + xk+1)/2 = (x4 +x5)/2
-c Jumlah data ganjil: x1, x2, x3, x4, x5, x6, x7, x8, x9 f n = 9
Letak nilai median = (k+1)/2=5 atau letak nilai median adalah nilai ke-5,
sehingga median adalah = X5.
4. Modus
Nilai yang mempunyai frekuensi terbanyak
5. Kuartil. Desil dan Persentil
Merupakan ukuran untuk mengetahui nilai data pada urutan sekelompok
data tersebut
Kuartil (Qi)
Kuartil membagi data (n) yang berurutan atas 4 bagian yang sama
banyak.
------|------|-------|-------
Q1 Q2 Q3
Dimana:
Q1= kuartil bawah (1/4n )
Q2 = kuartil tengah/median (1/2n)
Q3 = kuartil atas (1/4n )
Untuk mendapatkan kuartil ke-i (qi)caranya adalah dengan membagi data yang
telah diurutkan dari kecil ke besar menjadi 4 bagian yang sama.
x1 x2 x3 x4 x5 x6 x7 x8

M x
Letak Qi = urutan ; i = 1,2,3

2 5 8 10 11 14 17 20
x
M x x M x 
Letak Q1 = urutan ke = urutan ke = = 2¼

Nilai yang ke 2¼ terletak antara x2 dan x3.

c
  
Jadi Q1 = 5 + = 5,75

3
M x 3 M x x
Letak Q2 = urutan ke = urutan ke = = 4½

Jadi Q2 = 10 + ½ (11 ² 10) = 10,5 = median

Desil (Di)
Untuk mendapatkan desil ke-i (Di) caranya adalah dengan membagi data
yang sudah diurutkan dari kecil ke besar menjadi 10 bagian.

M x
- Letak nilai Di = urutan ke , i = 1, 2, 3, «, 9
x

Contoh: x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15


3x  x 3 3
- Letak nilai D2 = urutan ke  
x x x
3
Jadi D2 =    
x
x M x x
- Letak nilai D9 urutan ke  x
x x x

Jadi D9 =  x M   x   x
x

Persentil (Pi)
Untuk mendapatkan persentil ke-i (Pi) caranya adalah dengan membagi

data yang sudah diurutkan dari kecil ke besar menjadi 100 bagian.


M x
Letak Pi = urutan ke ; i = 1, 2, 3, 4, 5, «, 99
x
 x M x 3
Letak P77 = urutan ke  x
x x

3
Jadi P77 = x xx xx
x

6.c Rentang, simpangan rata-rata, ragam dan simpangan baku


Rentang (R ):

Adalah jenis pengukuran penyebaran/dispersi secara kasar, cepat dan


sederhana, yaitu dengan cara menghitung selisih dari 2 nilai ekstrim besar dan
ekstrim kecil.

Rentang antar kuartil = Q3  Q1

c
Simpangan rata-rata (  )

Merupakan pengukuran dispersi yang lebih baik dibanding  karena


pengukurannya dengan cara menghitung dispersi setiap nilai observasi dari
rata-ratanya.
x
 
    dimana: xi = nilai hasil observasi

 = rata-rata hitung

Contoh:
Pengamatan kelompok 1 : x1i = 10 ; 5 ; 3 ; 6 f  x = 6

Pengamatan kelompok 2 : x2i = 6 ; 5 ; 7 ; 6 f  3 = 6

Rata-rata hitung masing-masing kelompok sama yaitu sebesar 6, namun untuk


rata-rata hitung yang lebih representative atau mewakili hasil observasinya
dapat dilihat dari tingkat dispersinya.
x
Dari hasil pengamatan kelompok 1 :   ö MxM  M 3

x x
Dari hasil pengamatan kelompok 2 :   ö MxMxM 
3

Dengan demikian hasil observasi ke 2 lebih baik dibanding hasil observasi ke 1


karena nilai M observasi ke 2 lebih kecil dari nilai M observasi ke 1.

Fluktuasi/deviasi hasil pengamatan kelompok 2 hanya ½ besarnya dari rata-


ratanya.
Variasi dari data hasil observasi penting diperhatikan untuk melihat
seberapa jauh/besar deviasi nilai-nilai hasil observasi dari rata-ratanya. Misalnya
mengenai nilai ujian mahasiswa pada mata kuliah tertentu, hasil produksi suatu
komoditas di beberapa kota, dan sebagainya.

Ragam(‰

Varians merupakan ukuran dispersi yang paling memenuhi kriteria


statistik, namun satuan yang diperoleh tidak sama dengan satuan data aslinya,
sehingga akan mengalami kesulitan dalam interpretasi data.
3
Ragam populasi disimbolkan dengan dan ragam sampel disimbolkan
dengan s2.

 ü 3
Nilai ragam bagi populasi adalah: 3
 

Y
3  
3

  

3 
 
3



~
~ x ~ x
c
Nilai ragam bagi populasi adalah:

Untuk nilai ragam sampel, dipergunakan pembagi n ² 1 bila sampel (n)


diambil dalam jumlah yang kecil agar estimasi 2 tidak bias. Namun apabila
sampel yang diambil dalam jumlah yang besar pembagi yang digunakan adalah
n.

Simpangan baku (½dd d )


Simpangan baku merupakan akar dari varians. Ukuran ini sering
digunakan dalam statistik karena memiliki satuan yang sama dengan data
aslinya. Simpangan baku populasi disimbolkan dengan , dan simpangan baku
sampel disimbolkan dengan s.
3
Nilai simpangan baku bagi populasi adalah: 
Nilai simpangan baku bagi sampel adalah:  3

2.2. Penghitungan untuk Data yang Dikelompokkan


1.c Rata-rata Hitung


   

  

Dimana:
fi = frekuensi kelas ke i
xi = nilai tengah kelas ke i
i = 1, 2, 3, «, k
2. Rata-rata ukur (Gm)

 
x x
x 3   ~

   x 3  
~
] 

x x
"# 

6"  

6" 
Dimana:
xi = nilai tengah kelas ke i
fi = frekuensi kelas ke i

3. Median

~ 
3    x 
   © M   
c     x 


Dimana:
Be = tepi bawah kelas Mc;
kelas Me = kelas yang nilai kumulatifnya mencakup nilai n/2
Ie = interval kelas Me

ru    9 
9
9{ 
 {9
 {
 
Fe = frekuensi kumulatif di kelas median

4. Modus (Mo)

    x 
   © M   

     x M      Mx 

Dimana:
Bo = tepi bawah kelas yang memuat Mo;
kelas yang memuat Mo = kelas yang frekuensinya terbanyak
Io = interval kelas Mo
fo = frekuensi kelas yang memuat Mo
fo-1 = frekuensi kelas sebelum kelas Mo
fo+1 = frekuensi kelas sesudah kelas Mo

5. Kuartil (Qi), Desil (Di), dan Persentil (Pi)


a. Quartil (Qi)

~ 
  x 
   ©  M   
   x 




     {
9  {  

Kelas kuartil ke-i = kelas yang nilai kumulatifnya mencakup nilai

Iqi = interval
Fqi-1 = frekuensi kumulatif sebelum kelas kuartil
Fqi = frekuensi kumulatif kelas kuartil ke-i

c
b. Desil (Di)


$M x 
 & M % M x 
$M $M x 


c. Persentil (Pi)



$  x 
'  &  %  x 
$  $  x 



6.c Rentang, simpangan rata-rata, ragam dan simpangan baku


a. Rentang ( )
R = X1 ² Xk
Dimana:
X1 = nilai tengah kelas ke-1
Xk = nilai tengah kelas terakhir

b. Simpangan rata-rata
x
 
    
dimana:
fi = frekuensi kelas ke i
xi = nilai tengah kelas ke i
 = rata-rata hitung data berkelompok

c. Ragam (‰  ) Sampel (s2)

   
3


3   x

 

dimana:
xi = nilai tengah kelas ke i
 = rata-rata hitung

fi = frekuensi kelas ke i

2.3 Koefisien Keragaman (Koefisien Variasi)

Koefisien Variasi (KV) adalah suatu nilai untuk pengukuran dispersi atas

c
dasar pengertian relatif, bukan absolut. Ukuran ini dipakai untuk
membandingkan tingkat keragaman/variasi beberapa distribusi data yang unit
pengukurannya berbeda (baik ukuran sampel yang digunakan sama atau
berbeda).

Contohnya:

Untuk membandingkan keragaman harga ayam (Rp/ekor atau Rp/kg) dan


harga minyak tanah (Rp/liter) dalam beberapa hari di suatu pasar.

Karena unit harga ayam adalah per ekor atau per kilogram sedangkan unit
harga minyak tanah adalah per liter maka untuk membandingkan jenis barang
mana yang harganya bervariasi dipakai cara pengukuran koefisien variasi.

Ê  x 

Jika KVAyam lebih kecil daripada KVMinyak Tanah maka yang lebih bervariasi
adalah harga komoditas minyak tanah.

BAB 3

PENGUKURAN KEMENÿENGAN DAN KERUNÿINGAN

Selain dari ukuran pemusatan dan penyebaran data, secara deskriptif kita
juga dapat menganalisis persebaran data dari ukuran kemencengan dan
keruncingan data. Pengukuran kemencengan dan keruncingan digunakan untuk
mengetahui kesimetrisan distribusi data.

3.1 Pengukuran Kemencengan(Sk  ½½


Pengukuran kemencengan suatu distribusi data dapat diketahui dengan
beberapa cara, antara lain:
a.c Memperhatikan hubungan antara rata-rata hitung, median dan modus
Jika dari suatu hasil observasi frekuensi/kemunculan nilai yang lebih
kecil dari rata-rata hitungnya lebih banyak daripada dari nilai yang lebih besar
dari rata-rata hitung, maka bentuk distribusinya menceng ke kanan. Hal ini
menunjukkan nilai Mo<Me< Î , dan diilutrasikan seperti gambar berikut:

c
Mo Me Î X
Sebaliknya jika frekuensi/kemunculan nilai-nilai yang lebih kecil dari
rata-rata hitungnya lebih sedikit dari nilai-nilai yang lebih besar, rata-rata
hitungnya maka bentuk distribusinya menceng ke kiri atau nilai Î <Me<Mo.

Î Me Mo X

Namun apabila nilai Î = Me = Mo, maka bentuk distribusi nilai hasil


observasi simetris atau setangkup. Hal tersebut menunjukkan frekuensi nilai
yang lebih besar dari nilai Me atau Î atau Mo sama dengan banyaknya nilai
yang kurang dari nilai Me atau Î atau Mo.

Î = Me = Mo

b.c Menggunakan koefisien Pearson,


Koefisien Pearson (Ê { 

ÿ   ).
 Î 
 

Apabila diperoleh nilai Sk = + (positif), maka distribusi data menceng ke


kanan (
 

positif) atau ekor sebelah kanan distribusi lebih menjulur


dibandingkan ekor sebelah kirinya. Dan sebaliknya jika Sk bernilai negatif, maka
data berdistribusi menceng ke kiri.
c.c Menggunakan moment ketiga
Ukuran kemencengan dengan moment ketiga biasanya disimbolkan
dengan „3, dimana pada umumnya nilai ini berkisar antara -3 sampai dengan 3
kemudian apabila data berdistribusi normal maka „3=0. Nilai „3 yang positif
menunjukkan bahwa kurva distribusi menceng ke kanan dan jika „3 bernilai

c
negatif maka kurva menceng ke kiri. Makin besar nilai „3, kurva suatu distribusi
semakin meceng atau miring,
Cara menghitung nilai moment ketiga („3) adalah sebagai berikut:
Data tidak berkelompok: Data berkelompok:
~ 
x  x 
  
~

~

 
   x

  x



Dimana: Dimana:
Xi = data hasil observasi Xi = nilai tengah kelas ke-i
Î = rata-rata hitung Î = rata-rata hitung

s = simpangan baku fi = frekuensi kelas ke-i


s = simpangan baku
d.c Menggunakan Diagram Kotak-Garis (  {   

Penggambaran kemencengan distribusi melalui diagram kotak garis,
untuk distribusi yang menceng ke kiri ditunjukkan dengan letak garis penunjuk
median berada di sebelah atas diagram kotak. Atau diilustrasikan seperti
berikut:

ü3(c

Y   

Untuk distribusi yang menceng ke kanan ditunjukkan dengan letak garis


penunjuk median berada di sebelah bawah diagram kotak. Atau diilustrasikan
seperti berikut:

c
ü3(c



c  

Sedangkan untuk penggambaran distribusi data yang simetris, garis penunjuk


nilai median akan tepat berada di tengah diagram kotak, atau dengan ilustrasi
sebagai berikut:

ü3(c

Y   

3.2 Pengukuran Keruncingan (K ½½


Dari hasil suatu observasi, distribusi nilai-nilai variabel yang diperoleh
dapat digambarkan kurvanya,seperti yang diuraikan diatas. Sedangkan bentuk
kurva normal menurut keruncingannya adalah sebagai berikut:
•c Distribusi normal leptokurtik
Puncaknya tinggi/runcing artinya frekuensi yang terbanyak ada pada/
terkonsentrasi pada bagian tengah distribusi.
Contoh:
Kelas Frekuensi
1 3
2 4
3 16

c
4 54
5 16
6 4
7 3
Jumlah 100

Kalau digambarkan kurvanya adalah sebagai berikut:

•c Jika frekuensi terbanyak terdapat pada 3 kelas bagian tengah distribusi


disebut normal platikurtik.
Contoh:
Kelas Frekuensi
1 1
2 7
3 26
4 32
5 26
6 7
7 1
Jumlah 100

Gambar kurvanya sebagai berikut:

•c Distribusi normal (mesokurtik) adalah distribusi yang puncaknya


tidak runcing juga tidak mendatar.
Pengukuran keruncingan suatu distribusi data dihitung melalui nilai „4
dengan cara sebagai berikut:
Data tidak berkelompok: Data berkelompok:

c


x x

6 Î Î

6  Î Î
  x   x

Dimana: Dimana:
Xi = data hasil observasi Xi = nilai tengah kelas ke-i
Î = rata-rata hitung Î = rata-rata hitung

s = simpangan baku fi = frekuensi kelas ke-i


s = simpangan baku
Interpretasi:
Jika „4>3 6 kurva berbentuk leptokurtik
Jika „4<3 6 kurva berbentuk platikurtik
Jika „4=3 6 kurva berbentuk mesokurtik (normal)
BAB 4
ANGKA INDEKS
4.1 Kegunaan Angka Indeks
Angka indeks merupakan angka yang dapat digunakan untuk melakukan
perbandingan suatu kegiatan yang sama dalam 2 waktu yang berbeda. Dengan
angka indeks akan dapat diketahui maju/mundurnya suatu kegiatan seperti
maju atau mundurnya kegiatan produksi, ekspor, penjualan, jumlah uang yang
beredar dan lain sebagainya.
Beberapa indeks:
a.c Indeks Bahan Pokok
b.c Indeks Biaya Hidup dan Harga Konsumen
c.c Indeks Perdagangan Besar.
d.c Indeks Harga Yang Dibayar Petani dan Indeks Harga Yang Diterima Petani
e.c Indeks Ekspor/Impor
f.c Indeks Pendapatan Nasional
g.c Indeks Bursa Efek
h.c Indeks Pembangunan Manusia (IPM)
i.c Indeks Pembangunan Jender (IPJ)

Sama seperti IPM tetapi IPJ dirinci menurut jenis kelamin.


j.c Indeks Pemberdayaan Jender (IPJ)

k.c Indeks Kemiskinan Manusia (IKM)

4.2. Teknik Penyusunan Angka Indeks

c
4.2.1c Indeks Sederhana

Indeks sederhana adalah indeks yang membandingkan suatu hal dalam

suatu periode waktu (harga suatu jenis barang), misalnya indeks harga dan
indeks kuantitas suatu jenis barang.

Indeks Harga tahun t dengan Periode Indeks Kuantitas tahun t dengan


Dasar 0: Periode Dasar 0:

 
  x    x 


Dimana: Dimana:

Pt = harga pada periode tertentu Qt = kuantitas pada periode


tertentu
Po = harga pada periode dasar
Qo = kuantitas pada periode dasar

4.2.2. Indeks Agregatif Sederhana (Tak Tertimbang)


Indeks agregatif adalah indeks dari beberapa jenis barang (2 atau lebih).

 
   x 
 
Kelemahan indeks agregatif sederhana yaitu sangat dipengaruhi komoditas yang
bernilai tinggi.

4.2.3. Indeks Agregatif Tertimbang


Jenis Indeks Harga Indeks Kuantitas
     
Laspeyres    x    x 
     

      
Paasche    x    x 
     

Fisher        

Catatan:
1.c Indeks Laspeyres menggunakan penimbang keadaan tahun dasar. Indeks ini
hanya baik bila fluktuasi penimbang relatif rendah seperti pola konsumsi
masyarakat yang lambat pertumbuhannya.

c
2.c Indeks Paasche menggunakan penimbang keadaan tahun yang sedang
berjalan. Sangat baik untuk perhitungan indeks yang penimbangnya
berubah-ubah cukup drastis. Sayangnya biaya pengumpulan data
·penimbang· cukup mahal.
3.c Indeks lainnya merupakan modifikasi dari Laspeyres dan Paasche, hanya
Fisher yang sering dipakai.

Indeks yang baik adalah


a.c Yang tertimbang, sehingga setiap komoditas sesuai dengan peranannya.
b.c Tergantung dari fluktuasi penimbang, bila relatif konstan pakailah indeks
tertimbang Laspeyres, dan bila  pakailah Paasche.
c.c Secara teori, indeks tertimbang Fisher yang terbaik.
Menguji Indeks:
•c Factor reversal test
%cc%)cc%c Iv = indeks nilai
c

 )"  )"   ) 
Laspeyres:  
 ")"  )""  ")"

Laspeyres tidak memenuhi syarat.


6 )  6 ) 6  ) 
Paasche:  
6 ")  6 )" 6 ")"

Paasche tidak memenuhi syarat.

  )"  )     ")   )    )


Fisher:    
 ")"  )  "  ")"  )"   ")"

Fisher memenuhi syarat   


{
.
•c Time reversal test
Ito = Indeks dengan tahun dasarnya t
%"%" xc
Iot = Indeks dengan tahun dasarnya o
6  )" 6 ") 
Laspeyres:  1
6 ") " 6  ) 

Laspeyres tidak memenuhi syarat.


  )   ")"
Paasche:  1
 ")    ) "

6  )" 6 )  6 ")  6 )""


Fisher     x 6 Konsisten
6 ")" 6 ) " 6  )  6 )"

c
Fisher memenuhi syarat time reversal test.

Indeks Berantai
Tahun dasar dibuat berurutan, artinya tahun dasar berubah-ubah. Cara
ini mempermudah menilai perkembangan dari tahun ke tahun, tetapi karena
tahun dasar yang berubah-ubah mengakibatkan ada kemungkinan tahun dasar
tidak terletak pada keadaan ¶normal·; juga disebut perhitungan indeks komposit
(

   
.
Contoh:
Jenis 1998 1999 2000 1998 1999 2000
barang po p1 p2 qo q1 q2
A 5 6 9 4 4 3
B 7 8 12 4 5 4
Jumlah 12 14 21 8 9 7

Indeks ¶agregatif sederhana untuk harga·:


I1999 = (14/12)x100=116,67 6 tahun dasar 1998
I2000 = (21/14)x100=150 6 tahun dasar 1999
(Harga-harga tahun 1999 naik sebesar 16,67% dari tahun 1998 dan harga-harga
tahun 2000 naik 50% dari tahun 1999).
Indeks Laspeyres
Biasa Berantai
 x)"  x)"
%x  % " %x  % "
 ")"  ")"

= (56/48)X100% IL1 = 116,67%


= 116,67%
6  3) " 6 3)"
% 3  % " % 3  %x
6 ")" 6 x)"

= (84/48)x100% = (84/56)x116,67%
= 175% = 175%

(Indeks berantai Laspeyres ternyata tidak ¶bias· bila dibandingkan dengan


indeks biasa).

Catatan:

c
a.c Perhitungan dengan cara biasa lebih lengkap 6 lebih baik, asalkan barang
dalam 
 belum banyak berubah.
b.c Perhitungan menggunakan ¶berantai· lebih baik, terutama bila ratio
senantiasa dapat digantikan dengan komoditas yang gerakannya
searah/semacam.

Penggantian Tahun Dasar


Penggantian tahun dasar dapat dilakukan karena beberapa sebab:
c sudah terlalu lama (>10 tahun)
c penimbang sudah 9  
c tersedia data penimbang baru
c keadaan pada periode baru juga stabil/normal

Contoh: Bila data aslinya masih ada


Macam 1998 1998 1999 1999 2000 2000
barang po qo p1 q1 p2 q2
A 10 5 15 4 20 3
B 8 4 10 4 15 4

Bila 1998=100
 x M x 
 x   
x   x  x 3 
  
x  M 

 3  M x
 3  3 
x   x  xx3
  
x  M 

Bila kemudian digeser tahun 2000=100


x  
 x  x â  xâ
3  x
x M x 
 x  x    
3  M x

BAB 5

ANA[ISIS K RE[ASI DAN REGRESI SEDERHANA

5.1. Pengertian tentang Hubungan antara Dua Variabel

c
Analisis korelasi adalah suatu cara untuk mengukur dan mengetahui ada
atau tidak adanya hubungan linier antara dua atau lebih variabel. Apabila dari
dua atau lebih variabel tersebut terdapat hubungan linier maka perubahan-
perubahan yang terjadi pada salah satu variabel (X) akan mengakibatkan
terjadinya perubahan pada variabel lainnya (Y). Bentuk hubungan korelasi yang
terjadi antara dua variabel dapat berupa korelasi positif, korelasi negatif, atau
tidak ada korelasi.
1.c Korelasi positif
Korelasi ini terjadi apabila variabel X meningkat maka variabel Y cenderung
untuk meningkat pula.
2.c Korelasi negatif
Korelasi ini terjadi apabila variabel X meningkat maka variabel Y cenderung
menurun.
3.c Tidak ada korelasi
Korelasi ini terjadi apabila kedua variabel (X dan Y) tidak menunjukkan
adanya hubungan
4.c Korelasi sempurna
Korelasi ini terjadi apabila kenaikan/penurunan variabel X selalu sebanding
dengan kenaikan/penurunan variabel Y (berada pada satu garis lurus).
Nilai korelasi antara dua variabel tersebut maksimal 1 dan minimal -1 (-1
Ú r Ú 1).
Teknik untuk mengetahui ada tidaknya korelasi antara 2 variabel dapat
dilakukan melalui beberapa cara, yaitu membuat diagram pencar, dan
menghitung koefisien korelasinya.

c Diagram Pencar
Untuk menunjukkan ada tidaknya korelasi (hubungan) antara dua
variabel (X dan Y) dapat menggunakan diagram pencar yaitu tebaran nilai-nilai
dari variabel-variabel tersebut pada sumbu x dan y.
Tujuan dari diagram pencar adalah untuk mengetahui apakah titik-titik
kordinat pada sumbu x dan y tersebut membentuk pola tertentu. Dari diagram
pencar tersebut, dapat dibuat sebuah garis yang kira-kira membagi dua titik-titik
koordinat pada kedua sisi garis. Dari garis tersebut dapat diketahui korelasi

c
antara kedua variabel tersebut. Jika garis naik berarti korelasi positif, jika arah
garis menurun berarti korelasi negatif, jika tidak dapat dibuat sebuah garis
berarti tidak ada korelasi, dan jika titik-titik tepat melalui garis berarti
korelasinya sempurna.
Diagram pencar dari beberapa jenis korelasi:

Y «. Y . ..
. «. .. «
. «. «. ..
«. «.. «. .
«.. «..

Korelasi Positif X Korelasi Negatif X

Y Y •
•
c
•
•
•

Tidak ada korelasi X Korelasi sempurna X

c Koefisien Korelasi
Untuk mengetahui ada/tidak adanya hubungan antara kedua variabel (X
dan Y) dan seberapa erat hubungan kedua variabel tersebut, dapat diketahui
dengan menghitung koefisien korelasi dari kedua variabel. Jika koefisien korelasi
bertanda positif (+) maka dapat disimpulkan hubungan kedua variabel positif
dan begitu juga halnya bila koefisien korelasi bertanda negatif (-).
Berdasarkan nilainya koefisien korelasi dapat dikategorikan menjadi
sebagai berikut:
a.c r = 1, jika korelasi positif sempurna
b.c r = -1, jika korelasi negatif sempurna
c.c 0,8 Ú r < 1, berarti korelasi sangat kuat positif
d.c 0,6 Ú r < 0,8, berarti korelasi cukup kuat positif
e.c 0 Ú r < 0,6, berarti korelasi lemah positif

c
5.2. Koefisien Korelasi Pearson
Apabila antara dua variabel ( X dan Y) yang masing-masing mempunyai
skala pengukuran interval atau rasio dan hubungannya merupakan hubungan
linier, maka keeratan hubungan antara kedua variabel itu dapat dihitung dengan
menggunakan formula korelasi pearson yang diberi simbol dengan ryx atau rxy
untuk sampel dan ǒyx atau ǒxy untuk populasi.
Koefisien korelasi Pearson antara dua variabel yang datanya tidak
berkelompok:
~

6 Î  Î ð ð
~ 6 Îð 6 Î 6ð
ryx atau rxy =  x

~

6 Î Î 3
~

6 ð ð 3 ö 6Î 3
öÎ ö 6 ð öð
3 3 3

 x  x

Koefisien korelasi Pearson antara dua variabel yang datanya


berkelompok:

ryx atau rxy =



ö6  ö6   ö6  

ö6  3  ö6   3
ö6  3  ö6   3
Dimana:
u = skala baru dari X
v = skala baru dari Y

5.3. Koefisien Korelasi Spearman


Untuk mengukur keeratan hubungan antara dua variabel X dan Y yang
kedua-duanya mempunyai skala pengukuran sekurang-kurangnya ordinal
dapat dihitung dengan menggunakan formula korelasi Spearman.
Koefisien korelasi Spearman antara Y dan X atau X dan Y:
a)c Jika tidak ada data kembar

 6 M 3
x
*  x


Dimana:
di = selisih ranking variabel X dengan ranking variabel Y
n = banyaknya data
b)c Jika ada data kembar

+ M +*

 
    3  3
x
*  (Siegel dan Castellan, 1988)

 
3  + M +* 
 
M + +*

Penafsiran Koefisien Korelasi


Untuk menentukan keeratan hubungan bisa digunakan kriteria Guilford (1956),
jika:
1.c 0 Ú rxy /ryx < 0,1 Hubungan antara X dan Y sangat kecil dan bisa
diabaikan
2.c 0,1 Ú rxy /ryx < 0,4 Hubungan antara X dan Y kecil (tidak erat)
3.c 0,4 Ú rxy /ryx < 0,7 Hubungan antara X dan Y moderat
4.c 0,7 Ú rxy /ryx < 0,9 Hubungan antara X dan Y erat
5.c 0,9 Ú rxy /ryx < 1 Hubungan antara X dan Y sangat erat

5.4. Hubungan [inier antara Dua Variabel


Sebuah variable hasil observasi besaran data yang diperoleh sangat

mungkin dipengaruhi oleh variabel lainnya. Misalnya tinggi dan berat badan

seseorang. Untuk suatu tinggi tertentu ada besaran berat badan yang

mempengaruhi atau sebaliknya. Contoh lain misalnya produksi padi yang

dipengaruhi oleh luas lahan yang ditanami, jenis pupuk yang dipakai,

banyaknya pupuk yang dipakai dsb. Seberapa erat hubungan antara jumlah

produksi padi dengan jumlah pupuk yang dipakai (hubungan 2 variabel) dapat

diketahui dengan menghitung koefisien korelasi dari 2 variabel tersebut. Jika

hubungan 2 variabel tersebut merupakan hubungan yang linier

(positip/negatip) maka dua variabel tersebut dapat dianalisis selanjutnya

dengan analisis regresi.

5.5. Regresi [inier Sederhana


Analisis regresi linier sederhana adalah analisis regresi yang hanya
menggunakan 1 variabel independen dan mempunyai hubungan linier dengan
variabel dependennya.
Pada contoh produksi padi dan jumlah pupuk yang dipakai, variabel
independennya adalah jumlah pupuk (X), dan variabel dependennya adalah

c
produksi padi (Y). Dengan demikian produksi padi merupakan fungsi dari
jumlah pupuk yaitu y=f(x), dimana y=produksi padi dan x = jumlah pupuk.
Dalam regresi linier sederhana hubungan variabel tersebut dapat
dituliskan dalam bentuk model persamaan linier:
Untuk populasi:
Y = r0+r1X+ i

dimana:
Y = variabel dependen/variable respon
X = variabel independen / variabel penjelas
r0 = koefisien intercept = titik potong garis regresi dengan sumbu y
r1 = koefisien regresi (slope)
= error / kekeliruan
Untuk sampel:
*, = b0 + b1x

dimana:
*, = nilai ramalan y untuk sejumlah x tertentu

b0 = koefisien intercept
b1 = slope
x = variabel independen/variabel penjelas
Nilai r0, r1 dalam model regresi linier tersebut dapat diestimasi/
diperkirakan melalui b0, b1 melalui Metode Kuadrat Terkecil.

5.6. [angkah-langkah membuat Regresi [inier Sederhana


1.c Tentukan terlebih dahulu variabel independen (x) dan variabel dependennya
(y)
2.c Membuat diagram pencar dari data x dan y
3.c Dari diagram pencar tersebut akan diperoleh gambaran pola tebaran x dan y,
apakah membentuk hubungan yang linier? Jika ya, maka model regresinya
adalah regresi linier sederhana.
4.c Menghitung koefisien intercept (b0)
 

ö  ö ð 
 ð  ~ ð  

 
~ 

x
3 ö 
3
~
3
 ö
3

  
~

c
dimana:
Y = variabel dependen ke-i
X = variable independen ke-i
i = 1, 2, ,3, .., n
n = banyaknya observasi
Diperoleh persamaan garis ,  M x

5.c Menghitung ,  M x

*, = estimasi harga y jika x disubtitusikan kedalam persamaan regresi

6.c Membuat garis ,  M x pada sumbu x dan y.

Contoh:
Hasil observasi di desa A diperoleh data jumlah pupuk yang dipakai dan jumlah
produksi padi yang dihasilkan pada 8 petak sawah sebagai berikut:

No. Petak Jumlah pupuk yang Produksi padi (Ton)


Sawah dipakai
(1) (2) (3)
1 1 2
2 2 4
3 4 5
4 5 7
5 7 8
6 9 10
7 10 12
8 12 14
Jumlah 50 62

Diagram pencar:

c 
- 
" c

c
 c
c
c c
c
c
c
c
c c c c
Xc

c
Cara menghitung garis regresi:

Jumlah pupuk Produksi


No. Petak
yang dipakai padi Xi2 XiYi *,
Sawah
(kwintal)=Xi (ton)=Yi
(1) (2) (3) (4) (5) (6)
1 1 2 1 2 2,29
2 2 4 4 8 3,33
3 4 5 16 20 5,41
4 5 7 25 35 6,45
5 7 8 49 56 8,53
6 9 10 81 90 10,61
7 10 12 100 120 11,65
8 12 14 144 168 13,73
Jumlah 50 62 420 499

 3
  3 ; *   
 
ö  ö ð     3
  ð   
 ~    x
x
3

ö 
3
3 
 3
 
~ 

     x 3  x3


*, =1,25+1,04x

Dimana:
x = 0, artinya: jika tidak diberi pupuk maka produksi = 1,25 ton
x =1, artinya: jika diberi pupuk 1 kwintal maka produksi akan bertambah
sebanyak 1,04 kwintal
Diagram pencar:

ðc c
c *,
c c
cccccccccccccccccccccccccccccccccccccccccccc¦c
c
ccccccccccccccccccccccccccccccccccccccccccccccccccc
c !
ccccccccccccccccccccccccccccccccccccccccccccccccc c
!
ccccccccccccccccccccccccccccccccccccc
c c
c
c
cccccccccccccccccc ccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccc
ccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccc
c
c c c c c c c c
ccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccc

BAB 6

c
ANA[ISIS DERET WAKTU

6.1. Pengertian tentang Data Deret Waktu


Data deret waktu adalah serangkaian data hasil observasi dengan
menggunakan runtun waktu (t) sebagai variabel. Fluktuasi data ini dipengaruhi
oleh perpaduan komponen-komponen trend sekuler, variasi musim, gerakan
sikli dan variasi random.
YM = T x S x C x I atau YM = T + S + C + I atau Y=f (T;S;C;I)
Dimana:
T = Trend sekuler
S = Variasi musim
C = Variasi sikli
I = Variasi random
YM = Garis trend

6.2. ÿara Menentukan Trend dari Komponen Trend Sekuler, antara lain:
1)c Metode rata-rata bergerak
2)c Metode kuadrat terkecil

1.c Metode rata-rata bergerak


Penggunaan rata-rata bergerak bertujuan untuk mengisolir fluktuasi
musim, sikli, dan random yang ada dalam data asal.
a. Sederhana
Rata-rata
Harga Jumlah Bergerak
Tahun Bergerak
Rata-rata Selama 3 Tahun
Per 3 tahun
(1) (2) (3) (4)
1995 3000
1996 9000 26000 8666,67
1997 14000 36000 12000,00
1998 13000 40500 13500,00
1999 13500 40250 13416,67
2000 13750 41250 13750,00
2001 14000 41750 13916,67
2002 14000

c
Diagram Pencar:




 













     
]

b. Tertimbang

Sebagai penimbangnya adalah koefisien Binomial. Koefisien Binomial


digunakan sebagai pengali untuk menghitung jumlah bergerak 3 tahun dan
jumlah koefisien digunakan sebagai pembagi untuk menghitung rata-rata
bergerak tertimbang per 3 tahun. Koefisien pengali untuk 3 tahunan adalah: 1, 2,
dan 1 dan jumlah koefisiennya = 1+2+1 = 4.

Rata-rata Bergerak
Harga Jumlah Bergerak
Tahun Tertimbang Per 3
Rata-rata 3 Tahun
tahun
1995 3000
1996 9000 35000 8750
1997 14000 50000 12500
1998 13000 53500 13375
1999 13500 53750 13437,5
2000 13750 55000 13750
2001 14000 55750 13937,5
2002 14000

Diagram Pencar:

c



 


 







     
] 

2c Metode Kuadrat Terkecil


Bentuk umum model: y·=a+bx
 *  !

ð 
ö  ö ð 
 
~ ö  öð ð
 
3

ö 
3
ö 
3

 
~
Untuk mempermudah perhitungan, maka waktu (tahun) diberi skala baru (x)
sedemikian sehingga xi=0 dan Î   .
Contoh untuk n genap:
Tahun xi Harga Rata-rata (yi) xi yi xi 2 y·
1995 -7 3000 -21000 49 9358,65

1996 -5 9000 -45000 25 9964,30

1997 -3 14000 -42000 9 10569,95

1998 -1 13000 -13000 1 11175,60

1999 1 13500 13500 1 12386,90

2000 3 13750 41250 9 12992,55

2001 5 14000 70000 25 13598,20

2002 7 14000 98000 49 14203,85

Jumlah 0 94250 101750 168


 3
  xxx  3 = nilai trend periode dasar (akhir tahun 1998 (31

Desember) atau awal tahun 1999 (1 januari1999 ))
x x
!    =pertambahan per setengah tahun ; Xi = unit ½ tahun
x

c
y·=11781,25+85,23xi dengan tahun dasar 1998 ² 1999 = 0 (31 Des;98 atau 1
Jan ·99).
y·1999=11781,25+85,23(1)=12386.90, merupakan trend tahun 1999.
Setelah nilai Y· diperoleh untuk tahun 1995 s.d. tahun 2002, kemudian
dibuat garis trendnya.

Diagram garis untuk menggambarkan nilai trend:

]  


 


 


  



 

  


 







        
] 

Contoh untuk n ganjil:


Tahun xi Harga Rata-rata (yi) xi yi xi 2 y·
1995 -4 3000 -12000 16 8013.32
1996 -3 9000 -27000 9 9022.49
1997 -2 14000 -28000 4 10031.66
1998 -1 13000 -13000 1 11040.83
1999 0 13500 0 0 12050.00
2000 1 13750 13750 1 13059.17
2001 2 14000 28000 4 14068.34
2002 3 14000 42000 9 15077.51
2003 4 14200 56800 16 16086.68
Jumlah 0 108450 60550 60

c
x  
  x3  = nilai trend periode dasar (pertengahan tahun 1999

(Juni-Juli 1999))
 
 x x =pertambahan per tahun ; Xi = unit 1 tahun

y·=12050+1009,17xi dengan tahun dasar 1999 = 0.
Setelah nilai Y· diperoleh untuk tahun 1995 s.d. tahun 2002, kemudian dibuat
garis trendnya.