Buku Ajar Statistik Terapan

BAB I
PENDAHULUAN
1.1 PENGERTIAN ISTILAH STATISTIK DAN STATISTIKA

Banyak sekali definisi tentang statistik, ini disebabkan karena luasnya
ruang lingkup statistik. Untuk keperluan praktis, statistik dapat diartikan
secara sempit dan luas.
Dalam arti sempit, statistik mempunyai fungsi menyajikan data
tertentu dalam bentuk table dan diagram, statistik ini termasuk statistik
deskriptif. Statistik deskriptif ialah susunan angka yang memberikan
gambaran tentang data yang disajikan dalam bentuk table, diagram,
histogram, poligon frekuensi, ogivve, ukuran penempatan (median, kuartil,
desil dan persentil), ukuran gejala pusat (rata-rata hitung, rata-rata ukur, rata-
rata harmonik dan modus), simpangan baku, kurva normal, korealsi dan
regresi linear.
Dalam arti luas, statistik berarti salah satu alat untuk mengumpukan
data, mengolah data, menyajikan data. Menganalisa data, menarik
kesimpulan dan membuat keputusan berdasarkan analisis data yang
dikumpulkan. Statistik dalam arti luas ini disebut juga dengan istilah
statistika ( statistics, statistik inferensial, statistik induktif, statistik
probabilitas).
1.2 PERANAN STATISTIK

Sejak dahulu statistika telah digunaka, dalam bidang biologi, farmasi,
geologi, industri, kedokteran, pendidikan, psikologi, sosiologi, teknik danlain-
lain. Dunia penelitian atau riset dimanapun telah memanfaatkan dan bahkan
harus menggunakan statistik untuk mendapatkan hasil yang diharapkan.
Karena begitu meluasnya penggunaan statistika maka di bidang teknik
khususunya teknik sipil dalam hal ini jalan tol menyadari pentingnya statistika
Statistik Terapan 1
Sem 3 D-IV Jalan Tol
sebagai engineering tools yang dapat dipercaya. Disini statistika sebagai
alat diantaranya :
1. Pengumpulan data yang baik baik secara poplasi maupun sampel.

2. Pengolahan data atau analisa data.
3. Penyajian data baik dalam bentuk laporan manajemen maupun teknis.
4. pengambilan keputusan atau perencanaan
5. evaluasi atau Pengawasan antara data yang dilaporkan dengan
penyimpangan di lapangan
6. Melakukan pemecahan masalah teknis maupun manajerial.
1.3 RANGKUMAN
Statistik deskriptif ialah susunan angka yang memberikan gambaran

tentang data yang disajikan dalam bentuk table, diagram, histogram,
poligon frekuensi, ogivve, ukuran penempatan (median, kuartil, desil dan
persentil), ukuran gejala pusat (rata-rata hitung, rata-rata ukur, rata-rata
harmonik dan modus), simpangan baku, kurva normal, korealsi dan regresi
linear.
Statistika induktif ialah salah satu alat untuk mengumpukan data,

mengolah data, menyajikan. menganalisa data, menarik kesimpulan dan
membuat keputusan berdasarkan analisis data yang dikumpulkan
Statistik Terapan 2
1.4 SOAL-SOAL
1. Apa pengertian statistik dalam arti sempit dan dalam arti luas ?
2. Apa perbedaaan statistik dan statistika.?
3. Mengapa kita perlu statistic ?
4. Bagaimana peranan statistik dalam bidang teknik terutama teknik sipil?
5. Apa yang dimaksud dengn statistik deskriptif dan statistik induktif ?
Statistik Terapan 3
BAB II
PENGUMPULAN DAN PENGOLAHAN DATA
Untuk mendapatkan kumpulan data yang baik dan mencakup seluruh

unit yang menjadi objek penelitian maka data statistik harus dapat dipercaya
dan tepat waktu, sehingga informasi yang dikumpulkan sesuai dengan
keadaan sebenarnya dan dengan metode serta cara yang tepat. Hal-hal yang
perlu diperahatikan sebelum data dikumpulkan adalah sebagai berikut :
1. Harus diketahui untuk apa data itu dikumpulkan.
2. Harus diketahui jenis elemen atau objek yang akan diselidiki.
Elemen adalah unit terkecil dari objek penelitian, misalnya orang, organisasi
atau badan usaha, barang dan lain-lain.
Tujuan darI pengumpulan data adalah untuk mengetahui jumlah
elemen dan karakteristik elemen tersebut.
Karakteristik adalah sifat-sifat, ciri-ciri atau hal-hal yang dimiliki oleh elemen-
elemen, yaitu semua keterangan mengenai elemen. Nilai karakteristik suatu
elemen berupa nilai variabel. Untuk menunjukkan suatu variable
dipergunakan huruf misalnya: X, Y, Z dan sebagainya.
Contoh :
3 perusahaan dengan X = modal perusahaan dalam jutaan rupiah, di mana
X1 = 5, X2 = 7, X3 = 4, berarti perusahaan pertama mempunyai modal Rp 5
juta, perusahaan kedua Rp 7 juta, perusahaan ketiga Rp 4 juta.
2.1. POPULASI DAN SAMPEL

Populasi adalah kumpulan elemen baik hasil perhitungan maupun
pengukuran, baik kuantitatif maupun kualitatif mengenai karakteristik dari
sekelompok objek yang lengkap dan jelas. Sedangkan sampel adalah
sebagian dari populasi yang diambil dengan menggunakan teknik tertentu
yang disebut teknik sampling. Data yang diperoleh dari hasil sampling
Statistik Terapan 4
merupakan data perkiraan (estimate value). Penelitian yang menggunakan
seluruh anggota populasinya disebut sampel total atau sensus. Data yang
diperoleh sebagai hasil pengolahan sensus disebut data sebenarnya (true
value) atau parameter.
Dibandingkan dengan sensus, pengumpulan data dengan cara
sampling membutuhkan biaya lebih murah , waktu lebih cepat, tenaga lebih
sedikit dan menghasilkan cakupan data yang lebih banyak serta terperinci.
Dalam banyak hal pengumpulan data dengan cara sampling lebih disukai
dengan pertimbangan biaya, waktu dan penelitian yang bersifat merusak
objek.
Jika n adalah jumlah elemen sampel dan N adalah jumlah elemen
populasi, maka n<N ( n lebih kecil N).
Populasi yang Sambel diambil dari

karakteristiknya ingin populasi dan
diketahui (N) dianalisis (n)
Kesimpulan dibuat diharapkan berlaku

untuk populasi
GambarData
2.1 Hubungan antara
diskrit yaitu data Populasi dan sampel
yang diperoleh dari
hasil menghitung atau membilang. Data
2.2 TEKNIK PENGAMBILAN SAMPEL (TEKNIK SAMPLING)
kontinu yaitu data yang diperoleh dari hasil
Statistika terbagi menjadi dua yaitu statistik deskriptif dan statistik
pengukuran.
induktif (inferensial).Statistika deskriptif dikerjakan untuk mendapatkan
statistika induktif. Statistika induktif berusaha menyimpulkan tentang
karakteristik populasi berdasarkan sampel yang diambil dari populasi yang
bersangkutan dengan menggunakan metode atau cara tertentu.
Untuk mendapatkan kesimpulan yang dapat dipertanggungjawabkan

haruslah dicari cara-cara yang benar termasuk cara-cara pengambilan
Statistik Terapan 5
sampel atau sampling. Kriteria yang perlu diperhatikan dalam pengambilan
sampel adalah sebagai berkut :
1. Jelas daerah generalisasinya.
2. Batas-batas yang tegas tentang sifat-sifat populasi (karakteristiknya).
3. Sumber-sumber informasi tentang populasi.
4. Rumusan persoalan yang akan diteliti.
5. Keterangan mengenai populasi yang akan diteliti.
6. Teknik sampling dan besar anggota sampel yang sesuai dengan
tujuan penelitian.
7. Definisi unit-unit, istilah yang diperlukan.
8. Unit sampling yang diperlukan
9. Skala pengukuran yang akan dipergunakan
10. Keterangan yang ada kaitannya dengan permasalahan yang akan
dibahas
11. Ukuran sampel yang akan dianalisis
12. Prosedur sampling yang akan digunakan.
13. Teknik pengumpulan data yang akan dipergunakan
14. Metode analisis yang akan digunakan.
15. Sarana dan prasarana yang diperlukan untuk penelitian.
Alasan mengapa populasi tidak dapat dilakukan sehingga digunakan

sampel :
1. Ukuran populasi
Karena ukuran populasi terlalu besar, obyek terlalu banyak sehingga
sulit melakukan penelitian terhadap populasi tersebut.
2. Masalah biaya
Makin banyak obyek yang diteliti maka makin banyak biaya yang
dikeluarkan.
3. Masalah waktu
Statistik Terapan 6
Sensus memerlukan waktu yang lebih lama dibandingkan sampling.
4. Penelitian yang sifatnya merusak
Jika penelitian terhadap obyek sifatnya merusak, maka sampling harus
digunakan.
5. Masalah ketelitian
Makin banyak obyek yang diteliti maka makin kurang ketelitiannya,
sebaliknya jika jumlah obyek lebih sedikit.
6. Faktor ekonomis. Kegunaan dari hasil penelitian sepadan apa tidak
dengan biaya, waktu, dan tenaga yang dikeluarkan. Jika tidak, maka
tidak perlu penelitian dilakukan terhadap sensus.
Pada dasarnya cara pengambilan sampel ada dua cara yaitu :
1. Cara acak (sampling random)

yaitu cara pengambilan atau pemilihan elemen dari populasi untuk
menjadi sampel secara acak sehingga setiap elemen mempunyai
kesempatan yang sama (equal chance) untuk dipilih menjadi anggota
sampel. Pemilihan dapat dilakukan dengan cara lotre/undian, ordinal
atau table bilangan random atau dengan komputer.
Cara ini dianggap objektif, samplingnya disebut probability sampling

yaitu semua elemen mempunyai probabilitas (kemungkinan) yang
sama untuk dipilih.
2. Cara bukan acak (sampling non random)

yaitu cara pengambilan atau pemilihan elemen dari populasi untuk
menjadi sampel dimana setiap elemen tidak mendapat kesempatan
yang sama untuk dipilih menjadi anggota sampel.
Cara ini lebih bersifat subjektif dan samplingnya disebut

nonprobability sampling artinya setiap elemen tidak mempunyai
probabilitas yang sama untuk dipilih.
Statistik Terapan 7
2.3 JENIS DATA
Data adalah hasil pencatatan peristiwa atau karakteristik elemen yang

dilakukan pada tahap pengumpulan data yang jika diolah dengan baik dapat
melahirkan berbagai informasi. Data dapat berupa bilangan (data kuantitatif)
dan dapat berupa kategori (data kualitatif).
Data yang berbentuk bilangan atau data kuantitatif menurut nilainya dibagi
menjadi dua golongan yaitu :
1. Data diskrit yaitu data yang diperoleh dari hasil menghitung atau
membilang.
Contoh : a. Perusahan A mempunyai 5 anak perusahaan
b. PT. Jasa Marga sudah membangun 15 Jalan Tol tahun

2003
2. Data kontinu yaitu data yang diperoleh dari hasil pengukuran

Contoh : a. Luas daerah yang dibebaskan untuk Jalan Tol sebesar
30,5 hektar
b. Kecepatan rata-rata mobil yang melewati Jalan Tol

Jagorawi 110 km/jam.
2.4 PEMBULATAN BILANGAN
Seringkali kita menghadapi angka-angka hasil penyelesaian

perhitungan analisa atau laporan yang panjang sekali, sehingga menyuilitkan
didalam pembacaannya. Oleh karena itu banyak orang yang menghendaki
pencatatan data kuantitatif itu dalam bentuk yang paling sederhana. Salah
satu cara menyederhanakan data kuantitaif yang panjang itu, ialah dengan
cara pembulatan bilangan.
Statistik Terapan 8
Ada beberapa aturan yang dapat digunakan sebagai pedoman dalam
pembulatan bilangan, yaitu :
1. Bila angka terkiri yang harus dihapus adalah 4 atau kurang, maka
angka terkanan yang mendahuluinya tidak berubah.
Contoh :
Rp 49.275,42 dibulatkan hingga ribuan rupiah, menjadi Rp 49.000,-.
Dalam hal ini angka yang harus dihapus adalah mulai angka 2 ke
kanan, maka angka 2 merupakan angka terkiri yang harus dihapus,
sedangkan angka yang mendahului angka 2 adalah angka 9.
2. Bila angka terkiri yang harus dihapus lebih besar 5 atau 5 yang diikuti
oleh angka bukan nol, maka angka terkanan yang mendahuluinya
bertambah dengan satu.
Contoh :
Rp 49.275,42 dibulatkan hingga ratusan rupiah, menjadi Rp 49.300,-.
Dalam hal ini angka yang harus dihapus adalah mulai angka 7 ke
kanan, maka angka 7 merupakan angka terkiri yang harus dihapus,
sedangkan angka 2 merupakan angka terkanan yang mendahului
angka 7.
Rp 49.275,42 dibulat kan hingga puluhan rupiah, menjadi Rp 49.280,-.
Angka yang harus dihapus adalah mulai angka 5 ke kanan. Angka 5
ini diikuti oleh angka yang bulan nol.
3. Bila angka terkiri yang harus dihapus lebih besar 5 atau angka 5 yang
diikuti oleh angka bukan nol, maka terkanan yang mendahuluinya
akan tetap jika ia genap dan bertambah satu jika ia ganjil. Aturan ini
disebut aturan ”genap terdekat”.
Contoh :
27,50 dibulatkan hingga satuan menjadi 28,00
Statistik Terapan 9
Aturan ini dapat pula diambil kebalikannya, yaitu membuat tetap jika ia
ganjil dan bertambah satu jika ia genap. Aturan ini disebut aturan
”ganjil terdekat”
Contoh :
2.5 TEKNIK PENGUMPULAN DATA
Sumber data dibagai menjadi dua yaitu sumber data primer dan
sumber data sekunder. Sumber data primer yaitu data yang didapat dari
observasi langsung oleh peneliti. Sumber data sekunder yaitu data yang
diperoleh melalui wawancara kepada pihak lain tentang obyek atau subyek
yang diteliti. Dari kedua sumber data tersebut sumber data primer lebih dapat
dipertanggung jawabkan dibandingkan sumber data sekunder.
Teknik –tekniik pengumpulan data dapat dilakukan melalui :
1. Wawancara (Interview)
2. Angket (Questionnary)
3. Pengamatan (Observation)
4. Dokumentasi (Dokumentation)
5. Langsung (Participation)
Bagian yang penting dalam pengumpulan data adalah merancang
angket /kuesioner. Kuesioner atau angket adalah satu set pertanyaan yang
tersusun secara sistemetis dan standar sehingga pertanyaan yang sama
dapat diajukan terhadap responden. Yang dimaksud dengan sistematis
adalah bahwa item-item pertanyaan disusun menurut logika sesuai dengan
maksud dan tujuan pengumpulan data. Sedangkan standard adalah setiap
item pertanyaan mempunyai pengertian, konsep dan definisi yang sama.
Statistik Terapan 10
2.6 PENGOLAHAN DATA
Secara umum pengolahan data dapat dibedakan menjadi dua yaitu

pengolahan ata secara manual (manual data processing) dan pengolahan
data secara elektronik (elektronik data processing).
1. Pengolahan data secara manual

Pengolahan data secara manual umumnya dilakukan untuk jumlah
observasi yang tidak terlalu banyak karena pengolahan data secara
manual memerlukan waktu yang sangat lama.
Contoh :
Volume lalu lintas bulan Desember tahun 2002 Jalan Tol Tangerang
Merak untuk Golongan Kendaraan IIA sebagai berikut :
Gerbang Cikupa = 62.060 kendaraan
Gerbang Blaraja Timur = 5.058 kendaraan
Gerbang Balaraja Barat = 23.103 kendaraan
Gerbang Ciujung = 9.380 kendaraan
Gerbang Serang Timur = 43.975 kendaraan
Gerbang Serang Barat = 5.719 kendaraan
Gerbang Cilegon Timur = 18.084 kendaraan
Gerbang Cilegon Barat = 6.501 kendaraan
Gerbang Merak = 28.504 kendaraan
Tentukan jumlah volume lalu lintas, Rata-rata volume lalu lintas per
hari dan persentase gerbang tol yang volume lalu lintasnya kurang dari
10.000 kendaraan di Jalan Tol Tangerang Merak.
Penyelesaian :
Data tersebut dapat diolah secara manual yaitu :
Jumlah volume lalu lintas =62.060+5.058+23.103+…+ 28.504=

202.384 kendaraan
202.384
Rata-rata volume lalu lintas per hari=
31
=6.258 kendaraan
Persentase gerbang tol yang volume lalu lintasnya kurang dari 10.000
4
kendaraan = x 100%= 44,44 %
9
2. Pengolahan data secara elektronik

Pengolahan data secara elektronik dapat dilakukan dengan
menggunakan aplikasi komputer dengan program-program yang
tersedia, misalnya Microsoft Excel, SPSS, Statgraphics dan lain-lain.
2.7 RANGKUMAN
Elemen adalah unit terkecil dari objek penelitian, misalnya orang,

organisasi atau badan usaha, barang dan lain-lain.
Karakteristik adalah sifat-sifat, ciri-ciri atau hal-hal yang dimiliki oleh
elemen-elemen, yaitu semua keterangan mengenai elemen. Nilai
karakteristik suatu elemen berupa nilai variabel. Untuk menunjukkan
suatu variable dipergunakan huruf misalnya: X, Y, Z dan sebagainya.
sekelompok objek yang lengkap dan jelas.
Sampel adalah sebagian dari populasi yang diambil dengan
menggunakan teknik tertentu yang disebut teknik sampling.
Data adalah hasil pencatatan peristiwa atau karakteristik elemen yang
dilakukan pada tahap pengumpulan data yang jika diolah dengan baik
dapat melahirkan berbagai informasi.

sekelompok objek yang lengkap dan jelas. Sampel adalah sebagian dari
populasi
Data diskrit yaitu data yang diperoleh dari hasil menghitung atau
membilang. Data kontinu yaitu data yang diperoleh dari hasil
pengukuran.
Sumber data dibagai menjadi dua yaitu sumber data primer dan sumber
data sekunder.
Sumber data primer yaitu data yang didapat dari observasi langsung
oleh peneliti.
Sumber data sekunder yaitu data yang diperoleh melalui wawancara
kepada pihak lain tentang obyek atau subyek yang diteliti.
Secara umum pengolahan data dapat dibedakan menjadi dua yaitu

pengolahan data secara manual (manual data processing) dan
pengolahan data secara elektronik (elektronik data processing).
2.8 SOAL
1. Apa yang dimaksud dengan elemen? Berikan beberapa contoh!

2. Apa yang dimaksud dengan karakteristik? Berikan beberapa contoh!
3. Apa yang dimaksud populasi dan sampel? Berikan contohnya!
4. Apa perbedan antara sensus dan sampling?
5. Apa keuntungan menggunakan metode sampling dibandingkan
dengan metode sensus.
6. Sebutkan teknik oengambilan sampel.
7. Apa yang dimaksud dengan data kuantitatif dan data kualitatif?
8. Apa yang dimaksud dengan data deskrit dan data kontinu? Berikan
beberapa contoh!
9. Sebutkan jenis sumber data dan jelaskan!
10. Sebutkan teknik-teknik pengumpulan data!
BAB III
DISTRIBUSI FREKUENSI EMPIRIS
Distribusi Frekuensi Empiris adalah suatu daftar yang menunjukkan

penggolongan kumpulan data diamana termasuk penentuan berapa bilangan
yang termasuk ke dalam setiap golongan tersebut .
Tujuan dari penentuan Distribusi Frekuensi adalah untuk menyajikan
data dalam bentuk yang lebih teratur dan ringkas sehingga lebih mudah
untuk dipahami.
3.1 BAGIAN-BAGIAN DARI DITRIBUSI FREKUENSI

1. Variabel Penyelidikan
Variabel Penyelidikan adalah obyek yang diselidiki
2. Nilai Variabel
Nilai variable adalah nilai masing-masing penyelidikan / pengujian.
Contoh :
Apabila seorang ahli beton mengadakan pengujian tentang kekuatan
karakteristik beton dimana untuk mendapatkan kekuatan karakteristik
diperlukan nilai masing-masing pengujian beton
Dari contoh diatas yang merupakan :
Variabel penyelidikan adalah pengujian kekuatan karakteristik beton
dan Nilai variabel adalah nilai masing-masing pengujian beton
Pada Umumnya Pembuatan Distrbusi Dapat Dibagi 3 Tahap :
1. Menentukan jumlah kelas , guna memasukkan angka-angka.
2. Memasukkan angka-angka ke kelas-kelas yang sesuai serta
menghitung frekuensinya.
3. Membuat tabel distribusi frekuensi
Distribusi frekuensi dibagi 2 :
a. Distribusi Frekuensi Tunggal
b. Distribusi Frekuensi Bergolong
DISTRBUSI FREKUENSI TUNGGAL (DFT)

Distribusi Frekuensi Tunggal (DFT) adalah suatu pencaran frekuensi
yang menunjukkan tidak adanya pengelompokkan nilai variabel.
Contoh :
Variabel Penyelidikan :
Penyelidikan tentang nilai mata kuliah Statistik Semester I
Mahasiswa Jurusan Teknik Sipil Politeknik UI tahun akademik 1993/1994 .
Nilai Variabel :
7 6 6 5 7 6 5 4 6 6
6 5 6 6 6 7 7 5 7 7
7 8 5 6 5 7 6 7 8 5
Dari angka-angak tersebut diatas kita tidak dapat memperoleh gambaran
apa-apa. Untuk mendapatkan gambaran dan kesimpulan , kita perlu
mengatur angka-angka itu menjadi suatu tabel .
Penyajian dalam bentukDistribusi Frekuensi Tunggal
Nilai Mata Kuliah Statistik Semester I Mahasiswa Jurusan Teknik Sipil
Politeknik UI tahun akademik 1993/1994 .
No.( i ) Nilai ( Xi ) Frekuensi ( f i )

1 4 1
2 5 7
3 6 11
4 7 9
5 8 2
k 5
i 1
fi 30
k = banyaknya kelas
fi = frekuensi kelas ke i
k 5
 i 1
fi = jumlah indek = 1 s/d k termasuk frekuensi ke 1 dan ke k
Dari tabel tersebut diatas kita dapat mengambil kesimpulan bahwa urutan
data yang mempunyai frekuensi dari tertinggi ke terendah adalah : 6, 7, 5, 8,
4
Jumlah kolom yang ada pada panel yang ada pada tabel bukan merupakan
syarat mutlak, jumlah kolom dalam tabel tergantung pada kebutuhan .
DISTRIBUSI FREKUENSI BERGOLONG (DFB)

Distribusi Frekuensi Bergolong (DFB) adalah suatu pencaran frekuensi
yang menunjukkan adanya pengelompokkan nilai variabel dalam satu kelas.
Batas Kelas ( Xi ) Frekuen

No. Tanda Kelas
si
(i) Semu Nyata ( Mi)
( Fi)
1 3−5 2,5 − 5,5 3 4
2 6−8 5,5 − 8,5 5 7
3 9 −11 8,5 -11,5 11 10
4 12 −14 11,5 −14,5 13 13
k 5

i 1
fi 34
Istilah-istilah Yang Digunakan dalam Distribusi Frekuensi Bergolong :

1. Kelas
Kelas adalah tiap-tiap kelompok nilai variabel.
Contoh :
Dalam tabel diatas terdapat 4 kelas dengan masing-masing kelas yaitu
kelas pertama 3 – 5, kelas kedua 6 – 8, kelas ketiga 9 – 11 dan kelas
keempat 12 – 14.
2. Batas Kelas
Batas Kelas adalah nilai-nilai yang membatasi antara kelas yang satu
dengan kelas yang lain .
Contoh :
Nilai 3 dan 5,6 dan 8,9 dan 11,12 dan 14.
3. Batas Kelas Atas dan Batas Kelas Bawah

Batas Kelas Atas (Upper Limits) adalah nilai tertinggi dalam suatu kelas .
Contoh :
Angka-angka pada deret sebelah kanan batas kelas yaitu 5,8,11 dan 14.
Batas Kelas Bawah (Lower Limits) adalah nilai terndah dalam suatu kelas
Contoh :
Angka-angka pada deret sebelah kanan batas kelas yaitu 3, 6, 9 dan 12
4. Batas Kelas Semu dan Batas Kelas Nyata

Batas Kelas Semu adalah nilai yang terpisah antara batas kelas yang satu
dengan batas kelas yang lain.
Contoh :
Nilai 5 dengan 6, 8 dengan 9, 11 dengan 12.
Batas Kelas Nyata adalah nilai yang sama antara batas kelas yang satu
dengan batas kelas yang lain.
Contoh :
Nilai 2,5 ; 5,5 ; 8,5 ; 11,5 ; 14,5.
B k a s I  B k b s II
Nilai Batas Kelas Nyata =
2
Keterangan :
B k a s I : Batas kelas atas semu prioritas I
B k b s II : Batas kelas bawah semu prioritas II
5. Lebar Kelas / Interval Kelas ( I )

Lebar Kelas / Interval Kelas adalah jumlah nila-nilai variabel dalam tiap
kelas.
Contoh :
Kelas 3 – 5 terdiri dari nilai – nilai variabel 3, 4, dan 5. Jadi tiap – tiap
kelas terdiri dari 3 nilai variabel, sehingga interval kelas = 3
Interval Kelas ( I ) = B k a n – B k b n dalam satu kelas
atau = B k a s II – B k a s I
atau = B k b s II – B k b s I
Keterangan :
Bkan : Batas kelas atas nyata
Bkbn : Batas kelas bawah nyata
B k a s II : Batas kelas atas semu prioritas II
B k a s I : Batas kelas atas semu prioritas I
B k b s II : Batas kelas bawah semu prioritas II
B k b s I : Batas kelas bawah semu prioritas II
6. Titik Tengah / Tanda Kelas / Class Mark (m i )

Titik Tengah / Tanda Kelas / Class Mark adalah nilai variabel yang
terdapat di tengah-tengah antara Batas Kelas Atas dengan Batas Kelas
Bawah atau nilai yang mewakili tiap-tiap kelas .
Contoh :
Pada tabel diatas niali 4, 7, 10 dan13 merupakan tanda kelas.
Bkb s/n - Bks s/n dalam satu kelas
Tanda Kelas (m i) =
2
Keterangan :
Bkb s/n : Batas kelas bawah semu / nyata
Bka s/n : Batas kelas atas semu / nyata
7. Jarak Pengukuran / Range ( R )

Jarak Pengukuran / Range adalah nilai variabel tertinggi dikurangi dengan
nilai variabel terendah dalam suatu pengujian . (Tidak perlu memandang
batas nyatanya).
Hal-hal Yang Perlu Diperhatikan Dalam Pembuatan Diustribusi

Frekuensi Bergolong (DFB) :
1. Menentukan jumlah kelas, guna memasukkan angka-angka atau nilai-nilai
variabel . Biasanya digunakan Aturan Sturges oleh H . A Sturges tahun
1926.
k = 1 + 3,3 log n pembulatan ( 0,0 – 0,9)
Keterangan :
k : Banyaknya kelas
n : Banyaknya data / pengamatan
2. Menentukan interval kelas , guna memasukkan angka-angka atau nila-
nilai variabel yang sesuai serta kemudian menghitung frekuensinya.
R H-L
I 
k k
Keterangan :
I : Interval Kelas
R : Range
H : Nilai Variabel Tertinggi
L : Nilai Variabel Terndah
k : Banyaknya kelas
Contoh :
Hasil pemeriksaan keteguhan tekan beton (benda uji kubus dengan sisi 15
cm) sesudah 28 hari dengan campuran 1 : 1 1/2 : 21/2, yang dilaksanakan di
Laboratorium Pengujian Bahan Politekni UI Depok dalam satuan kg/cm 2 .
157,4 167,8 171,2 174,7 177,4
157,7 168,4 172,4 175,1 178,8
162,2 168,7 173,2 175,5 179,2
164,2 169,9 173,6 176,0 181,3
165,8 170,2 174,7 176,1 185,7
data disusun secara acak satu angka dibelakang koma.
n = 25
H = 185,7 kg/cm2
L = 157,4 kg/cm2
Banyaknya Kelas (k)
k = 1 + 3,3 log n
= 1 + 3,3 log 25
= 5,6132
 6
Interval Kelas ( I )
R H - L 185.7  157.4
I    4.7167 kg/cm 2
k k 6
Penyajian Dalam Bentuk Distribusi Frekuensi Bergolong :
cm) sesudah 28 hari dengan campuran 1 : 2 : 3, yang dilaksanakan di
Kelas Batas Kelas ( Xi) (Kg/Cm2) Tanda Kelas Frekuensi
(i) Semu Nyata (mi) (Kg/Cm2) (fi)
1 157.4 - 162.1 157.35 - 162.15 159.75 2
2 162.2 -0166.9 162.15 - 166.95 164.55 3
3 167.0 - 171.7 166.95 - 171.75 169.35 6
4 171.8 - 176.5 171.75 - 176.65 174.15 9
5 176.6 - 181.3 176.55 - 181.35 178.95 4
6 181.4 - 186.1 181.35 - 186.15 183.75 1
6
i 1
fi 25
DISTRIBUSI FREKUENSI RELATIF (DFR)

Distribusi Frekuensi Relatif adalah pencaran frekuensi yang diperoleh
dengan membagi frekuensi tiap-tiap kelas dengan banyaknya data
pengamatan .
fi
Fri 
n
Keterangan :
Fri = Frekuensi Relatif Kelas ke i
fi = Frekuensi Kelas ke i
n = Banyaknya Data Pengamatan
Frekuensi Relatif bisa juga dibuat dengan bentuk persentase atau disebut
juga Persentase Distribusi yang dapat diperoleh dengan mengalikan
frekuensi relatif dengan 100%.
fi
Fr1 %    100%
n
Contoh :
cm) sesudah 28 hari dengan campuran 1 : 2 : 3, yang dilaksanakan di
Kelas Tanda Kelas Frekuensi Fri Fri (%)
(i) (mi) (Kg/Cm2) (fi)
1 159.75 2 0.08 8
2 164.55 3 0.12 12
3 169.35 6 0.24 24
4 174.15 9 0.36 36
5 178.95 4 0.16 16
6 183.75 1 0.04 4
6
 Fri  1  Fri  100%

6 6
 fi  25
i 1
i 1 i 1
DISTRIBUSI FREKUENSI KOMULATIF (DFK)

Distribusi Frekuensi komulaitf adalah pencaran frekuensi yang
merupakan penjumlahan-penjumlahan frekuensi-frekuensi kelas secara
berurutan.
Sebagai akibat dari penjumlahan-penjumlahan antara frekuensi yang
beurutan harus diperhatikan bahwa bentuk kelasnya sudah berubah sesuai
dengan Distribusi Frekuensi Komulatif.
Distribusi Frekuensi Komulatif dibagi 2 :
a. Distribusi Frekuensi Komulatif (DFK) kurang dari
b. Distribusi Frekuensi Komulatif (DFK) lebih dari
Contoh :
a. DFK “kurang dari (<)” hasil pemeriksaan keteguhan tekan beton (benda uji
kubus sisi 15 cm) sesudah 28 hari dengan campuran 1 : 2 : 3 yang
dilaksanakan di Laboratorium Pengujian Bahan Politeknik UI Depok dalam
satuan kg/cm2
Batas Kelas Komulatif “<” Frekuensi Komulatif “<”
(Xki) (Kg/Cm2) (Fki)
Kurang dari 157.35 0
b. DFK “lebih dari (>)” hasil pemeriksaan keteguhan tekan beton (benda uji
dilaksanakan di Laboratorium Pengujian Bahan Politeknik UI Depok
dalam satuan kg/cm2 .
Batas Kelas Komulatif “>” Frekuensi Komulatif “<”
(Xki) (Kg/Cm2) (Fki)
Lebih dari 157.35 25
Lebih dari 176.55 5
Lebih dari 181.35 1
Lebih dari 186.15 0
PENYAJIAN DISTRIBUSI FREKUENSI DALAM BENTUK GRAFIK,
DAN DIAGRAM
Dalam laporan-laporan tertulis, brosur, majalah, buku-buku, dan lain-
lain sering kita lihat Distribusi Frekuensi disajikan dalam bentuk grafik dan
diagram. Atau disajikan bersama-sama table Distribusi Frekuensi.
Guna penyajian Distribusi Frekuensi dalam bentuk grafik dan diagram
adalah :
1. Mempertegas dan memperjelas Distribusi Frekuensi yang telah disajikan
sebagai table/daftar.
2. Sebagai pengganti bagi Distribusi Frekuensi yang berbentuk sebagai
daftar / tabel.
Grafik dan diagram yang sering dipakai untuk melukiskan distribusi
frekuensi adalah :
1. Histogram frekuensi
2. Poligon frekuensi
3. Ogive frekuensi
4. Diagram lingkaran
HISTOGRAM FREKUENSI
Histogram frekuensi adalah suatu bentuk diagram yang terdiri dari
persegi panjang dimana setiap persegi panjang tersebut mewakili/
menerangkan/ menggambarkan sebuah kelas dari distribusi frekuensi.
Contoh :
Histogram frekuensi hasil pemeriksaan keteguhan tekan beton (benda uji
dilaksanakan dilaboratorium pengujian bahan Politeknik UI Depok dalam
satuan kg/cm2.
10
9
8
7
frekuensi
6
5
4
3
2
1
0
157,35 162,15 166,95 171,75 176,55 181,35 186,15
keteguhan tekan beton (kg/cm2)
Skala : x = 2 : 8,72 kg/cm2

y=1:1
POLIGON FREKUENSI
Poligon Frekuensi adalah suatu bentuk grafik yang digambarkan
dengan menghubungkan titik-titik tengah dari garis puncak histogram
dengan memakai garis lurus.
Contoh :
Poligon frekuensi hasil pemeriksaan keteguhan tekan beton (benda uji
kubus sisi 15 cm) sesudah 28 hari engan campuran 1 : 2 : 3 yang
satuan kg/cm2.
10
159,75 164,55 169,35 174,15 178,95 183,75
9
8 9
7
frekuensi
6 6
5
4
4
3 3
2 2
1 1
0
Keterangan :
Untuk melengkapi poligon frekuensi diawal dan diakhir distribusi frekuensi,
masing-masing ditambah satu kelas dengan frekuensi = “ 0/nol “ sehingga
poligon frekuensi komulatif dengan memakai garis lurus.
OGIVE FREKUENSI
Ogive frekuensi adalah suatu bentuk grafik yang merupakan bentuk
penyajian distribusi frekuensi komulatif yang digambarkan dengna
menghubungkan titik-titik dari frekuensi komulatif dengan memakai garis
lurus.
Contoh :
a. Ogive Frekuensi “kurang dari (<)”hasil pemeriksaan keteguhan tekan
beton (benda uji kubus sisi 15 cm) sesudah 28 hari engan campuran 1
: 2 : 3 yang dilaksanakan dilaboratorium pengujian bahan Politeknik UI
Depok dalam satuan kg/cm2.
30
25 24
25
20 20
frekuensi
15
11
10
5 5
2
0 0
157,35 162,15 166,95 171,75 176,55 181,35 186,15
b. Ogive frekuensi “lebih dari (>)”hasil pemeriksaan keteguhan tekan

beton (benda uji kubus sisi 15 cm) sesudah 28 hari engan campuran 1
: 2 : 3 yang dilaksanakan dilaboratorium pengujian bahan Politeknik UI
Depok dalam satuan kg/cm2.
30
25 25
23
20 20
frekuensi
15 14
10
5 5
1
0 0
157,35 162,15 166,95 171,75 176,55 181,35 186,15
Diagram lingkaran adalah suatu bentuk ddiagram yang berbentuk
lingkaran dengan jari-jari yang membagi lingkaran itu menjadi beberapa
daerah yang luasnya sesuai dengan frekuensinya, diman luas tersebut
tergantung dari besar sudut.
( io ) = Fri x 3600
keterangan : ( io ) = sudut pada kelas I
Contoh :
Diagram lingkaran hasil pemeriksaan keteguhan tekan beton (benda uji
kubus sisi 15 cm) sesudah 28 hari engan campuran 1 : 2 : 3 yang
satuan kg/cm2.
Kelas Tanda Kelas Frekuensi Fri Fri (%) α (i)

(i) (mi) (Kg/Cm2) (fi)
1 159.75 2 0.08 8 28.8
2 164.55 3 0.12 12 43.2
3 169.35 6 0.24 24 86.4
4 174.15 9 0.36 36 129.6
5 178.95 4 0.16 16 57.6
6 183.75 1 0.04 4 14.4
6
 Fri  1  Fri  100%

6
6
 fi  25
i 1
i 1
i 1 ( i ) = 360
183.75 (4%) 159.75 (8%)
178.95 (16%)
164.55 (12%)
169.35 (24%)
174,15 (36%)
RANGKUMAN
Distribusi Frekuensi Empiris adalah suatu daftar yang menunjukkan

penggolongan kumpulan data diamana termasuk penentuan berapa
bilangan yang termasuk ke dalam setiap golongan tersebut.
Variabel Penyelidikan adalah obyek yang diselidiki.
pengamatan
berurutan.
Nilai variable adalah nilai masing-masing penyelidikan / pengujian.
Distribusi Frekuensi Tunggal (DFT) adalah suatu pencaran frekuensi
yang menunjukkan tidak adanya pengelompokkan nilai variabel.
Distribusi Frekuensi Bergolong (DFB) adalah suatu pencaran frekuensi
yang menunjukkan adanya pengelompokkan nilai variabel dalam satu
kelas.
pengamatan
berurutan.
Histogram frekuensi adalah suatu bentuk diagram yang terdiri dari
persegi panjang dimana setiap persegi panjang tersebut mewakili/
menerangkan/ menggambarkan sebuah kelas dari distribusi frekuensi.
Ogive frekuensi adalah suatu bentuk grafik yang merupakan bentuk
penyajian distribusi frekuensi komulatif yang digambarkan dengna
menghubungkan titik-titik dari frekuensi komulatif dengan memakai
garis lurus.
Diagram lingkaran adalah suatu bentuk ddiagram yang berbentuk
lingkaran dengan jari-jari yang membagi lingkaran itu menjadi
beberapa daerah yang luasnya sesuai dengan frekuensinya, diman
luas tersebut tergantung dari besar sudut.
3.8 SOAL
1. Apa yang dimaksud dengan distribusi frekuensi empiris?

2. Apa yang dimaksud dengan distribusi frekuensi tunggal?
3. Apa yang dimaksud dengan distribusi frekuensi bergolong?
4. Apa yang dimaksud dengan distribusi frekuensi relatif?
5. Apa yang dimaksud dengan distribusi frekuensi komulatif?
6. Dibawah ini disajikan Data Volume Kendaraan Pada Ruas Jalan Tol
Jakarta-Bogor-Ciawi untuk 50 Hari Kerja Pada Pukul 07.00 S/D 09.00
Pada Bulan Juli - September 2007 (Dalam Ratusan)
46.7 42.6 49.2 35.4 45.6
56.3 28.3 63.4 68.1 73.2
19.4 61.5 32.4 53.4 36.5
38.2 48.4 42.5 52.6 54.3
47.3 47.3 50.8 50.8 45.4
57.5 58.2 64.7 65.4 76.7
25.9 26.8 35.4 35.7 38.1
37.3 50.3 52.1 60.1 57.1
42.3 46.8 48.6 56.8 68.0
40.8 40.1 44.6 44.2 46.9
a. Buatlah distribusi frekuensi bergolong, relatif dan komulatif.
b. Gambarkan histogram, polygon, diagram lingkaran, ogive frekuensi

dari distribusi frekuensi diatas.
BAB IV
UKURAN-UKURAN DISKRIPTIF DALAM STATISTIK
Sebelum kita melangkah lebih jauh pada ukuran lokasi (Mean, Median,
Modus dan sebagainya), mengingat bahwa ukuran lokasi menggunakan
operasi penjumlahan, maka diperlukan cara untuk menyajikan penjulahan
dalam bentuk symbol atau Notasi Summasi (  ).
4.1 SUMMASI (  ).
Misal dalam n pengamatan yang dinyatakan sebagai x1, x2, x3 …….. xn
untuk menyatakan jumlah dapat dinyatakan dengan notasi summasi sebagai
berikut :
n
 xi  x
i 1
1  x2  x3  ...  xn
Keterangan :
 = Operasi Penjumlahan / Summasi
i = Indeks Summasi
n = Batas Indeks Summasi
xi = Data Pengamatan ke i
Pembacaan Notasi :
Jumlah semua data x dari indeks = 1 s/d n termasuk data ke 1dan data ke n.
Contoh :
x1 = 20 ; x2 = 25 ; x3 = 23 ; x4 = 24
4
x i 1
i  x1  x 2  x 3  x 4  20  25  23  24  92
Bila n pengamatan masing-masing dikwadratkan, maka bentuk
penjumlahannya adalah sebagai berikut :
n
x
i 1
i
2
 x 1  x 2  x 3  ...  x n
2 2 2 2
Pembacaan Notasi :
Jumlah semua data x2 dari indeks = 1 s/d n termasuk data ke 1 dan ke n
Contoh :
x1 = 4 ; x2 = 3 ; x3 = 5
3
x
i 1
i
2
 x1  x 2  x 3
2 2 2
 4 2  3 2  5 2  50
Contoh-contoh diatas tidak lepas dari aturan-aturan aljabar yang digunakan

dalam summasi.
ATURAN-ATURAN ALJABAR DALAM SUMMASI :

1. ATURAN I :
Summasi suatu penjumlahan / pengurangan sama dengan jumlah / selisih
dari summasi :
n n n n
 x
i 1
i  yi  zi   x
i 1
i   yi   zi
i 1 i 1
BUKTI :
n
 x
i 1
i  y i  z i   x 1  y i  z i   x 2  y 2  z 2   ...  x n  y n  z n 
n n n
 x
i 1
i   yi   zi
i 1 i 1
2. ATURAN II :
Summasi perkalian antara variable dan konstanta sama dengan perkalian
konstanta dan summasi variable.
n n
 kx
i 1
i  k x i
i 1
BUKTI :
n
 k.x
i 1
i  k.x 1  k.x 2  ...  k.x n
 k x1  x 2  ...  x n 
n
 k xi
i 1
3. ATURAN III :
Summasi konstanta sama dengan konstanta dikali dengan jumlah indeks
dalam summasi.
n
C 
i 1
n.C
BUKTI
n
C  C
i 1
1  C 2  ...  C n
 n.C  (n - 1)C  C
4.2 UKURAN-UKURAN LOKASI / HARGA-HARGA TENGAH

Ukuran-ukuran lokasi / harga-harga tengah adalah merupakan harga-
harga yang dapat menggambarkan distribusi frekuensi pada lokasi/letaknya.
Ukuran-ukuran lokasi meliputi :
1. Rata-rata / Mean
2. Median, Kwartil, Desil dan Persentil
3. Modus
4. Geometric Mean
5. Harmonic Mean
4.2.1 MEAN / RATA-RATA ( )

Mean / Rata-rata adalah jumlah dari semua data dibagi dengan
banyaknya data.
1. MEAN DISTRIBUSI FREKUENSI TUNGGAL

Apabila terdapat n data pengamatan yaitu x1, x2, x3 …….. xn , maka
nilai rata-ratanya :
x 1  x 2  x 3  ...  x n
x
n
atau dapat ditulis :
n
x
i 1
i
x 
n
Apabila terdapat n data pengamatan dimana setiap data frekuensi
lebih dari satu, yaitu :
x1 f1, x2 f2, .... , xk fk
maka nilai rata-ratanya :
x 1 .f 1  x 2 .f 2  ...  x k .f k
x 
f 1  f 2  f 3  ...  f k
k k
x i .f i x i .f i
x  i 1
k
 i 1
f
n
i
i 1
k
1
x 
n
x
i 1
i .f i
Keterangan :
k = Banyaknya data yang terkelompok.
2. MEAN DISTRIBUSI FREKUENSI BERGOLONG

Mean Distribusi Data Bergolong tidak jauh berbeda dengan
Distribusi Frekuensi Tunggal, hanya nilai xi (nilai variable / data
tunggal) diganti / dirubah titik tengah / tanda kelas (mi).
Dimana tanda kelas dianggap mewakili nilai variable-variable yang
terdapat pada masing-masing kelas.
Mean di sini hanya merupakan perkiraaan terdekat saja, maka nilai
rata-rata Distribusi Frekuensi Bergolong dapat dituliskan
m 1 .f 1  m 2 .f 2  m 3 .f 3  ...  m k .f k
x 
f 1  f 2  f 3  ...  f k
k k
 m i .f i
i 1
m
i 1
i .f i
x  k

n
f
i 1
i
Keterangan :
= Nilai Rata-Rata
Kelas Tanda Frekuensi mi . fi
(i) Kelas (fi) (Kg/ Cm2)
(mi) (Kg/
Cm2)
1 92,635 2 185,27
2 101,355 5 506,775
3 110,075 9 990,675
4 118,795 7 831,565
n=Banyaknya Data
mi = tanda kelas ke i
fi = frekuensi ke i
k = Banyaknya Data yang dikelompokkan / Banyaknya kelas.
Contoh:
Hasil pemeriksaan keteguhan tekan beton (benda uji kubus sisi 15
cm) sesudah 28 hari dengan campuran 1 : 2 : 3 yang dilaksanakan
di Laboraturium Pengujian Bahan Politeknik UI Depok dalam
satuan kg / cm2.
5 127,515 4 510,060
6 136,235 3 408,705
6
f
i 1
i  30 3.433,05
1 n
x   m i .f i
n i 1
1
 .3433.05
30
 114.435 kg cm
2
Cara lain menghitung mean Distribusi Frekuensi Bergolong,

yaitu dengan cara KODING / ABRITER / TERKAAN
x  x0  I.u
1 k
  . ui . f i
n i 1
Pembuktian Rumus :
Rumus diatas diambil berdasarkan rumus awal :
n
1
x 
n
m
i 1
i .f i
mi  x0  I.ui
1 k
x   ( x0  I.ui ). f i
n i 1
1 k
  ( x0 . f i  I.ui . f i )
n i 1
1  k k

 . x0 . f i   I.ui . f i 
n  i 1 i 1 
1  k k

 . xo . f i  I ui . f i 
n  i 1 i 1 
1  k

 . x0 .n  I ui . f i 
n  i 1 
 x0  I.u
Keterangan :
= Nilai Rata-Rata
x0 = Nilai Rata-Rata terkaan yang dipilih secara abriter dengan
memilih nilai mi (tanda kelas) dengan asumsi deviasi pada mean
terkaan = 0
I = Interval kelas
ύ = Nilai rata-rata penyimpangan / Deviasi
n = Banyaknya Data pengamatan
ύi = Deviasi ke i
fi = Frekuensi ke i
k = Banyaknya data yang dikelompokkan
Langkah-Langkah Menentukan Mean secara Koding / Abriter /
Terkaan :
1. Menyusun data dalam bentuk Distribusi Frekuensi.
2. Menentukan Mean Terkaan (x0) secara abtriter dari tanda kelas
dengan asumsi deviasi pada mean terkaan = 0.
3. Menentukan nilai deviasi masing-masing kelas mulai dari mean
terkaan. Deviasi diaatas mean terkaan diberi tanda minus (-),
sedangkan dibawah deviasi terkaan diberi tanda plus (+).
Apabila data disusun dari nilai terrendah ke tertinggi.
4. Menentukan nilai rata-rata.
Contoh :
Hasil pemeriksaan keteguhan tekan beton (benda uji kubus sisi 15
cm) sesudah 28 hari dengan campuran 1 : 2 : 3 yang dilaksanakan
di Laboraturium Pengujian Bahan Politeknik UI Depok dalam
satuan kg / cm2.
Kelas Tanda Kelas Frekuensi Deviasi ui . fi
(i) (mi) (Kg/ Cm2) fi (ui)
1 92,635 2 -3 -6
2 101,355 5 -2 -10
3 110,075 9 -1 -9
4 118,795 7 0 0
5 127,515 4 1 4
6 136,235 3 2 6
6

i 1
fi  30 -15
x  x0  I.u
1 k
. 15  0.5
1
u  . u i . f i 
n i 1 30
x  118.795  (0.5).8.72  114.435 kg cm 2
Catatan :
Jika :x0 > maka komponen koreksi (ύ) akan (-)
x0 = maka komponen koreksi (ύ) = 0
x0 < maka komponen koreksi (ύ) akan (+)
4.2.2 MEDIAN ( ~
x)
Median adalah nilai yang membatasi 50% Distribusi Frekuensi
bagian bawah dengan 50% Distribusi Frekuensi bagian atas,
apabila data disusun menurut besarnya.
1. MEDIAN DISTRIBUSI FREKUENSI TUNGGAL
Cara menentukan Median Frekuensi Tunggal :
1. Menyususn data menurut besarnya, dari nilai terendah ke
tertinggi atau sebaliknya.
2. Menentukan harga yang terletak di tengah-tengah urutan
data.
Apabila banyaknya data ganjil nilai median merupakan satu nilai
yang berada di tengah-tengah.
Apabila banyaknya data genap nilai median merupakan data
nilai ditengah dijumlahkan dan dibagi dua.
Contoh :
a. 4, 4, 6, 7, 8, 10, 12, 13, 14
~
x =8
b. 4, 5, 6, 7, 8, 9, 10, 11
~
x = (7 + 8)/2 = 7,5
2. MEDIAN DISTRIBUSI FREKUENSI BERGOLONG
Median Distribusi Frekuensi Bergolong dapat ditentukan dari
grafik atau diagram salah satunya adalah dengan
menggunakan ogive frekuensi kurang dari :
Contoh :
Ogive frekuensi “<” Hasil pemeriksaan keteguhan tekan beton
(benda uji kubus sisi 15 cm) sesudah 28 hari dengan campuran
1 : 2 : 3 yang dilaksanakan di Laboraturium Pengujian Bahan
Politeknik UI Depok dalam satuan kg / cm2.
Skala x = 1 : 8,72 kg / cm2

y = 2:5 y
f.kom.
(f ki) 30
27
25
23
20
E C
15
(1/2 n – fkbx2)
10 fx2
7
5 A D B
2
0
88,275 96,995 105,715 114,435 123,155 131,875 140,595
Keteguhan tekan beton(kg/cm2)
Langkah-langkah menentukan ~
x :
1. Menentukan letak kelas median dengan menentukan 50%
frekuensi.
 fx = ½ . n = ½ . 30 = 15
Kelas median (105,715 – 14,435)
2. Membuat perbandingan A sebagai interpolasi pada kelas
median.
x  Bbnx  AD
 ADE :  ABC
AD AB

AE BC
AD I

1 2.n  fkb x fx
I (1 2.n  fkb x )
AD 
fx
I .(1 2.n  fkb x )
x  Bbn x 
fx
Keterangan :
x = nilai median
Bbnx = Batas Bawah Nyata Kelas Median
I = Interval Kelas
N = Banyaknya Data Pengamatan
fkbx = Frekuensi Komulatif Sebelum Kelas Median
fx = Frekuensi Kelas Median
Contoh :
x  105.715  8.72(15  7)  113.466 kg cm 2

4.2.3 KWARTIL (K)
Kwartil berdasarkan rumus median adalah nilai yang membatasi
setiap kelipatan 25% distribusi frekuensi apabila data disusun
berdasarkan besarnya.
I .(1 4 .n  fkb k 1 )
K 1  Bbn k 1 
f k1
I .( 2 4 .n  fkb k 2 )
K 2  Bbn k 2 
f k2
I .(3 4 .n  fkb k 3 )
K 3  Bbn k 3 
f k3
4.2.4 DESIL (D)

Desil adalah nilai yang membatasi distribusi frekuensi setiap
kelipatan 10% apabila data disusun berdasarkan besarnya.
I .(1 10 .n  fkb D 1 )
D 1  Bbn D 1 
f D1
I .(5 10 .n  fkb D 2 )
D 2  Bbn D 2 
f D2
I .(9 10 .n  fkb D 3 )
D 3  Bbn D 3 
f D3
4.2.5 PERSENTIL (P)

Persentil adalah nilai yang membatasi distribusi frekuensi setiap
100% apabila data disusun berdasarkan besarnya.
I .(1 100.n  fkbP1 )
P1  Bbn P1 
f P1
I .( 25 100.n  fkbP 25 )
P25  Bbn P 25 
f P 25
I .(50 100.n  fkbP 50 )

P50  Bbn P 50 
f P 50
I .(75 100.n  fkbP 75 )
P75  Bbn P 75 
f P 75
I .(99 100.n  fkbP 99 )
P99  Bbn P 99 
f P 99
4.2.6 MODUS ( x̂ )
Modus adalah nilai yang sering timbul dari keseluruhan pengamatan
data/ nilai yang memounyai frekuensi tertinggi.
1. MODUS DISTRIBUSI FREKUENSI TUNGGAL
Contoh :
a. 4, 8, 5, 6, 8, 7, 6, 7, 9, 7, 6, 7, 5
x=7 f=4
b. 4, 8, 6, 4, 7, 4, 7, 9, 7, 6, 7, 5
x = 4 & 7  f = 4 (bimodus/ modus ganda)
c. 4, 5, 6, 7, 8, 9, 10
tidak mempunyai modus sebab masing-masing data mempunyai
frekuensi yang sama jumlahnya.
2. MODUS DISTRIBUSI FREKUENSI BERGOLONG
Modus Distribusi Frekuensi Bergolong dapat ditentukan dengan
menggunakan histogram frekuensi.
Contoh:
Histogram Frekuensi Hasil pemeriksaan keteguhan tekan beton
(benda uji kubus sisi 15 cm) sesudah 28 hari dengan campuran 1
: 2 : 3 yang dilaksanakan di Laboraturium Pengujian Bahan
Politeknik UI Depok dalam satuan kg / cm2.
Skala x = 1 : 8,72 kg / cm2
y = 1:1
y
Kelas Modus (105,715 – 114,435)
Frek. (fi) B b 
x  Bbn x  b
9 c
 AEB :  CED
8 F E G
7
6 D
5
4 A
3
2
1
0
88,275 96,995 105,715 114,435 123,155 131,875 140,595
x=kelas modus Keteguhan tekan beton (kg/cm2)
FE AB

EG CD
b ( f  fbx )
 x
( I  b) ( f x  fsx )
b. y  b.x  I .x
I .x
b
( y  x)
I .( f x  fbx )

( f x  fbx )  ( f x  fsx )
I .( f x  fbx )

(2. f x  fbx  fsx )
 I .(f x  fb x )
x  Bbn x 
(2.f x  fb x  fs x )
Keterangan :

x = nilai modus
Bbnx = Batas Bawah Nyata Kelas Modus
I = Interval Kelas
fx = Frekuensi Kelas Modus
fbx = Frekuensi sebelum Kelas Modus
fsx = Frekuensi setelah Kelas Modus
Contoh :
 105.715  8.70.(9  5)
x   111,528kg cm 2
[( 2.9)  7  5]
4.3 RANGKUMAN
Ukuran-ukuran lokasi / harga-harga tengah adalah merupakan harga-

harga yang dapat menggambarkan distribusi frekuensi pada
lokasi/letaknya.
Mean /Rata-rata adalah jumlah dari semua data dibagi dengan

banyaknya data.
Median adalah nilai yang membatasi 50% Distribusi Frekuensi bagian
bawah dengan 50% Distribusi Frekuensi bagian atas, apabila data
disusun menurut besarnya.
Kwartil berdasarkan rumus median adalah nilai yang membatasi setiap
kelipatan 25% distribusi frekuensi apabila data disusun berdasarkan
besarnya
Desil adalah nilai yang membatasi distribusi frekuensi setiap kelipatan
10% apabila data disusun berdasarkan besarnya.
Persentil adalah nilai yang membatasi distribusi frekuensi setiap 100%
apabila data disusun berdasarkan besarnya.
Modus adalah nilai yang sering timbul dari keseluruhan pengamatan
data/ nilai yang memounyai frekuensi tertinggi
4.4 SOAL
1. Apa yang dimaksud dengan harga-harga lokasi?

2. Sebutkan macam-macam harga lokasi dan jelaskan?
3. Data volume kendaraan pada ruas jalan tol jakarta-bogor-ciawi untuk
30 hari kerja pada pukul 07.00 s/d 09.00 pada bulan agustus -
september 2007
Kelas Tanda Kelas Frekuensi
(dalam ratusan)
1 17 1
2 28 4
3 39 11
4 50 7
5 61 5
6 72 2
a. Hitung nilaimean, median dan modus.
b. Hitung nilai kuartil 3, desil 2 dan persentil 66.
BAB V
UKURAN-UKURAN LOKASI / HARGA-HARGA DEVIASI
Rata-rata dari serangkaian nilai-nilai observasi tidak dapat

diinterpretasikan secara terpisah dari hasil variasi nilai-nilai tersebut sekitar
rata-ratanya. Bila terdapat keseragaman dalam nilai observasi (xi), maka
variasi tersebut = 0 dan x = x.
Contoh :
x1 x2 x3 x4 x5 x6
A 60 65 50 60 65 60 A = 360/60 = 60
B 30 90 50 70 60 60 B = 360/60 = 60
- variasi data A 50 s/d 65
- variasi data B 30 s/d 90
Hasil tersebut menunjukkan bahwa nilai A lebih kecil variasinya
dibandingan B, dengan kata lain nilai A lebih stabil terhadap nilai nya.
Variasi data dari harga tengah idealnya harus kecil. Apabila variasi data
terhadap harga tengah terlalu besar, maka harga tengah tersebut kurang
berguna sebagai nilai yang mewakili atau menggambarkan keadaan datanya.
Macam-Macam Pengukuran Variasi :
1. Range
2. Deviasi Kwartil
3. Deviasi Rata-Rata (Simpangan Rata-Rata)
4. Deviasi Standard (Simpangan Standard ) dan varians.
5.1 RANGE
Range adalah selisih antara data dengan nilai variable tertinggi dan
data dengan nilai variable terendah dari keseluruhan pengamatan data.
R H L
Range merupakan pengukuran disperse (variasi) yang paling sederhana.
Apabila kita ingin memperoleh pengukuran variasi secara kasar dan cepat,
Range dapat digunakan.
Karena kesederhanaannya, maka range banyak sekali digunakan dalam
pengawasan kualitas (Quality Control)
5.2 DEVIASI KWARTIL (SIMPANGAN KWARTIL) (dk)

Deviasi Kwartil adalah pengukuran variasi atas dasar jarak inter
kwartil. Pengukuran didasarkan pada jarak K1 dan K3. Deviasi Kwartil tidak
dipengaruhi oleh dispersi dari seluruh nilai-nilai observasi/pengamatan, tapi
hanya mengikut sertakan disperse nilai-nilai observasi (xi) terhadap
mediannya (x). Jarak antara K1 dan K3 dinamakan Jarak Imter Kwartil. Makin
kecil jarak tersebut, makin tinggi tingkat konsentrasi distribusi tengah, seluas
50%. Pengukuran variasi ini tidak membawa pengauh terhadap xi yang
terdapat dibawah K1 dan xi diatas K3.
Pengukuran deviasi Kwaril dapat dirumuskan:
K 3  K1
dk 
2
Keterangan :
dk = Deviasi Kwartil
K3 = Kwartil 3
K1 = Kwartil 1
Contoh :
I .(1 4 .n  fkbk 1 )
K1  Bbnk 1 
f k1
8,72.(1 4.30  7)
 105,725 
9
 106,199 kg cm 2
K 3  K1
dk 
2
122,532  106,109
  8,167 kg cm 2
2
dk = 8,167 kg/cm2 terhadap x nya
dk digunakan untuk mengukur merata atau tidaknya distribusi pendapatan.
5.3 DEVIASI RATA-RATA ( d x )
Deviasi Rata-Rata adalah harga rata-rata penyimpangan data

terhadap rata-ratanya.
1. d x Distribusi Frekuensi Tunggal
Bila serangkaian nilai observasi x1, x2, ......, xn memiliki rata-rata .
Maka deviasi nilai-nilai observasi terhadap nya secara berturut-turut
dapat dinyatakan sebagai (x1 - ), (x2 - 1), …… (xn - n-1).
Penjumlahan deviasi nilai-nilai observasi terhadap x nya, menjadi :

n
 (x
i 1
i x)
Sedangkan deviasi rata-rata :
1 n
dx  . (x i  x )
n i 1
ternyata rumus ini menjadi nilai dx = 0.
BUKTI :
1 n
dx  . ( x i  x )
n i 1
1 n 1 n
 . x i  . x
n i 1 n i 1
1
 x  .[( n  1)  1].x
n
x x 0
Tujuan pengukuran deviasi adalah mengukur variasi nilai-nilai observasi
dari suatu nilai tertentu ( nya). Pengukuran seperti ini pada umumnya
menitik beratkan pada hasil besar kecilnya deviasi, bukan arah deviasi (+
atau -).
Mengingat tujuan tersebut, maka pengukuran deviasi atas dasar nilai-nilai
absolut, sehingga perumusannya, sebagai berikut :
1 n
dx  . (x i  x )
n i 1
Contoh :
(i) (xi) (xi - ) | (xi - ) |
1 24 - 1,5 1,5
2 25 - 0,5 0,5
3 26 + 0,5 0,5
4 27 + 1,5 1,5
4

i 1
0 4
1 n
x  . x i
n i 1
x  1 4 .( x 1  x 2  x 3  x 4 )
 1 4.( 24  25  26  27)
 25,5
1 n
dx  . (x i  x )
n i 1
 1 4 .4  1
2. dx Distribusi Frekuensi Bergolong
1 n
dx  . m i  x  f i
n i 1
Keterangan :
dx = Deviasi Rata-Rata
n = Banyaknya Data Pengamatan / Nilai Observasi
k = Banyaknya Kelas / Data yang Dikelompokkan
mi = Tanda Kelas ke i
x = Rata-Rata
fi = Frekuensi ke i
Contoh :
Hasil pemeriksaan keteguhan tekan beton (benda uji kubus sisi 15 cm)
sesudah 28 hari dengan campuran 1 : 2 : 3 yang dilaksanakan di
Laboraturium Pengujian Bahan Politeknik UI Depok dalam satuan kg /
cm2.
Kelas Tanda kelas Frekuensi |mi - | - fi
(i) (mi) (kg/cm2) (fi) (kg/cm2)
1 92,635 2 43,6
2 101,36 5 65,4
3 110,075 9 39,24
4 118,795 7 30,52
5 127,515 4 52,32
6 136,235 3 65,4
6

i 1 30 296,48
= 114,435 kg / cm2  rata-rata

x= 113,466 kg / cm2  median
1 n
dx  . mi  x  f i
n i 1
1
 .296,48  9,883kg cm 2 terhadapx
30
dalam kondisi tertentu dapat dihitung terhadap median distribusi sehingga
dapat dirumuskan :
1 n
dx  . m i  x  f i
n i 1
Rumus tersebut digunakan apabila dengan menggunakan x dapat
menghasilkan variasi seminimal mungkin.
d merupakan pengukuran variasi yang lebih baik dibandingkan R atau
dk, karena hasil pengukuran d mencerminkan variasi tiap-tiap nilai
observasi dari nilai nya bukan hanya tergantung pada nilai-nilai
ekstrim.
Tetapi rata-rata deviasi secara absolute tanpa menghiraukan tanda-tanda
(+) atau (-) menyulitkan manipulasi secara mateatika.
Untuk itu sebagai sarana untuk menetukan deviasi yang lebih baik
digunakan standart deviasi dan variasi.
5.4 STANDARD DEVIASI DAN VARIASI

Penggunaan nilai-nilai absolut bagi pengukuran variasi tidak
memungkinkan manipulasi secara matematis.
Berdasarkan rumus dari d , bila penjumlahan dilakukan terhadap (xi - )2 ,
maka rata-rata hasil penjumlahan diatas tidak akan = 0
1 n
. (x i  x ) 2  perumusan ini dinamakan deviasi kwadrat rata-
n i 1
rata
KARL PERSON menamakannya pengukuran Varians dan dirumuskan
sebagai berikut :
1 n
S  . (x i  x ) 2
2
n i 1
Untuk penyimpangan standard / deviasi standard merupakan akar varians :
1 n
S . (x i  x ) 2
n i 1
Keterangan :
S2 = Varians
S = Standard Deviasi
n = Banyaknya Nilai Observasi / Data Pengamatan
xi = Nilai Observasi ke i
= Nilai Rata-Rata
2
1. S dan S Distribusi Frekuensi Tunggal
Data populasi
1 n
S  . (x i  x ) 2
2
n i 1
1 n
S . (x i  x ) 2
n i 1
Data Sampel
1 n
S  2
. ( xi  x ) 2
n  1 i 1
1 n
S . ( xi  x ) 2
n  1 i 1
Di dalam peraturan beton bertulang Indonesia 1970 ditetapkan bahwa
keteguhan karakteristik dari beton ditentukan dengan n = 20 buah benda
uji. Hal ini adalah didasarkan pertimbangan-pertimbangan berikut :
1. Bahwa pada pangujian mutu dari beton, 20 beton uji sudah cukup
dapat memberikan gambaran yang representatif dari keteguhan
karakteristik.
2. 20 benda uji adalah jumlah terkecil dengan mana secara tepat dapat
diperhitungkan adanya hasil pemeriksaan yang tidak memenuhi syarat
(qi) = 5% yaitu 5% x 20 = 1, artinya diantara 20 hasil pemeriksaan
berturut-turut hanya ada boleh 1 hasil yang tidak memenuhi syarat.
Dengan Rumus:
n
1
S 
2
. ( xi  x ) 2
(n  1) i 1
n
1
S . (x i  x ) 2
(n  1) i 1
Alasan menggunakan pembagian (n-1) bukan n adalah agar varians tidak
kabur. (n-1) biasa disebut dengan derajat kebebasan.
Bentuk Lain Rumus S2 dan S Distribusi Frekuensi Tunggal :
a. Dengan menghilangkan nilai rata-rata :
n
1
S 
2
. ( xi  x ) 2
(n  1) i 1
n
S .( n  1)   ( xi  x ) 2
2
i 1
n
  ( xi  2 x.xi  x 2 )
2
i 1
n n n
  xi  2.x  xi   x 2
2
i 1 i 1 i 1
n n
  xi  2.x  xi  [( n  1)  1]. x 2
2
i 1 i 1
n n
  xi  2.x  xi  n.x 2
2
i 1 i 1
n
  xi  2 x.n.x  n.x 2
2
i 1
n
  xi  2n.x 2  n.x 2
2
i 1
n
  xi  n.x 2
2
i 1
n
1 n 2
  xi  n.[ . xi ]
2
i 1 n i 1
n
1 n 2
  xi  .[ xi ]
2
i 1 n i 1
n
1 1 n
S  .[ xi  .( xi )2 ]
2 2
(n  1) i 1 n i 1
n
1 1 n
S .[ xi  .( xi )2 ]
2
(n  1) i 1 n i 1
b. Dengan menggunakan titik asal deviasi secara abriter / terkaan /
koding
n
1 1 n
S  .[  x i  .(  x i ) 2 ]
2 2
(n  1) i 1 n i 1
n
1 1 n
S  .[  x i  .(  x i ) 2 ]
2
(n  1) i 1 n i 1
Keterangan :
X0 = Titik Asal Deviasi Secara Abriter Dari Data xi
Contoh :
Evaluasi pengukuran lebar block kayu yang akan digunakan sebagai
test kekuatan tekan  serta dalam satuan cm.
lebar (xi - )2 xi 2 (xi–x01) (xi–x01) 2 (xi–x02) (xi–x01) 2
(xi) (cm) (cm2) (cm) (cm2) (cm) (cm2)
(cm)
17,3 6,4009 299,29 0,7 0,49 1,9 3,61
12,4 5,6169 153,76 -4,2 17,64 -3 9
13,6 1,3689 184,96 -3 9 -1,8 3,24
15,4 0,3969 237,16 -1,2 1,44 0 0
14,8 0,0009 219,04 -1,8 3,24 0,6 0,36
16,6 3,3489 275,56 0 0 1,2 1,44
13,9 0,7569 193,21 -2,7 7,29 -1,5 2,25
12,7 4,2849 161,29 -3,9 15,21 -2,7 7,29
16,9 4,5369 285,61 0,3 0,09 1,5 2,25
14,1 0,4489 198,81 -2,5 6,25 -1,5 1,69
147,7 27,161 2208,69 -18,3 60,65 -6,3 31,1
1. Dengan Rumus 1 :
1 n
x  . x i
n i 1
1
 .147,7  14,77cm
10
1 n 1 n
 .[  x i  .(  x i ) 2 ]
2 2
S
n i 1 n i 1
1
 .27,161  2,7161cm 2
10
1 n 1 n
S  .[  x i  .(  x i ) 2 ]
2
n i 1 n i 1
1
 .27,161  1,648cm
10
2. Dengan Rumus 2 :
1 n 2 1 n
S  .[  xi  .(  xi ) 2 ]
2
n i 1 n i 1
1
 .[ 2208,69  1 10 .147,7 2 ]  2,7161cm 2
10
1 n 2 1 n
S .[  xi  .(  xi ) 2 ]
n i 1 n i 1
 1 10 .[60,65  1 10 .(147,7) 2 ]  1,648cm
3. Dengan Rumus 3 :
1 n 1 n
S  .[ (x i  x o 1 )  .[ (x i  x o 1 ) 2 ]]
2 2
n i 1 n i 1
1
 .[60,65  1 10 .( 18,.3) 2 ]  2,7161cm 2
10
1 n 1 n
S  .[ (x i  x o 1 )  .[  (x i  x o 1 ) 2 ]]
2
n i 1 n i 1
1
 .[60,65  1 10 .( 18,.3) 2 ]  1,648cm
10
2. S2 dan S Distribusi Frekuensi Bergolong

Data Populasi
1 n
S2  . (mi  x ) 2 . f i
n i 1
1 n
S  . (mi  x ) 2 . f i
n i 1
Data sampel
n
1
S 2
 . (m i  x ) 2 .f i
n  1 i 1
n
1
S  . (m i  x ) 2 .f i
n  1 i 1
Keterangan :
S2 = Varians
S = Standard Deviasi
n = Banyaknya Data Pengamatan / Nilai Observasi
mi = Tanda Kelas ke i
x = Nilai Rata-Rata
fi = Frekuensi ke i
k = Banyaknya Data yang Dikelompokkan
Bentuk Lain S2 dan S Distribusi Bergolong, Yaitu Dengan Cara

KODING / ABRITER / TERKAAN :
x  x o  u .I
1 k
u  . ui . f i
n i 1
1 k
x  xo  [ . u i . f i ].I
n i 1
mi  xo  u i .I
1 k
S  . (mi  .x ) 2 f i
2
n i 1
(mi  .x )  ( x o  u i .I )  ( x o  u i .I )
 (u i .I )  (u  I )
 I .(u i  u )
1 k
(mi  x )  I .(u i  . u i . f i
n i 1
Disubtitusikan ke rumus S2
1 k
S2  . (m i .x )f i
n i 1
1 k 2 1 k
 . I .(U i  .U i .f i ) 2 .f i
n  1 i 1 n i 1
k
1 1 k
 .I . (U i  .U i .f i ) 2 .f
2
n 1 i 1 n i 1
k
1 1 k 1 k
 .I . (U i  2U i . .U i .f i  .U i .f i ) 2 .f i
2 2
n 1 i 1 n i 1 n i 1
k
1 1 k 1 k
 .I 2 . [U i .f i  2U i .f i . .U i .f i  f i .( .U i .f i ) 2 ]
2
n 1 i 1 n i 1 n i 1
k
1 1 k 1 k
 .I 2 .[ U i .f i  2U i .f i . .U i .f i  n .( .U i .f i ) 2 ]
2
n 1 i 1 n i 1 n i 1
k
1 2 k 1 k
 .I 2 .[ U i .f i  .( U i .f i ) 2  n .( .U i .f i ) 2 ]
2
n 1 i 1 n i 1 n i 1
k
1 1 k
S2  .I 2 .[ U i .f i  .( U i .f i ) 2 ]
2
n 1 i 1 n i 1
k
1 1 k
S  .I 2 .[ U i .f i  .( U i .f i ) 2 ]
2
n 1 i 1 n i 1
Contoh :
Hasil pemeriksaan kekuatan tekan beton ( benda uji kubus sisi 15 cm)
sesudah 28 hari dengan campuran 1 : 2 : 3 yang dilaksanakan di Lab
Uji Bahan Politekik Negeri Jakarta, dalam satuan kg / cm2 .
kelas tanda kelas frek (mi - )2 . fi ui ui - fi ui2 . fi
(i) (mi) (kg/cm2) (fi) (kg / cm2)
1 92,635 2 950,48 -3 -6 18
2 101,355 5 855,432 -2 -10 20
3 101,075 9 171,0864 -1 -9 9
4 118,795 7 133,0672 0 0 0
5 127,515 4 684,3456 1 4 4
6 136,235 3 1425,72 2 6 12
6 4220,1312 -15 63

i 1
Keteguhan tekan beton Rata – rata (’ bm) =

x  bm
 xo  u .I
1 k
u  .U i . f i
n i 1
1
 .( 15)  0,5
30
x  118,795  (0,5).8,72  114,435 kg cm 2  bm
STANDAR DEVIASI (S)
1. Menggunakan Rumus 1
1 k
S 2
. (mi  x ) 2 f i
n  1 i1
1
 .4220,1312  145,52177kg cm 2
30  1
1 k
S . (mi  x ) 2 f i
n  1 i1
1
 .4220,1312  12,603kg cm 2
30  1
2. Menggunakan Rumus 2
k
1 1 k
S2  .I 2 .[ U i .f i  .(U i .f i ) 2 ]
2
n 1 i 1 n i 1
1 1
 .(8,7) 2 .[63  .( 15) 2 ]
30  1 30
 145,52177kg cm 2
k
1 1 k
S  .I .[ U i .f i  .( U i .f i ) 2 ]
2 2
n 1 i 1 n i 1
1 1
 .(8,7) 2 .[63  .( 15) 2 ]
30  1 30
 12,603 kg cm 2
Setelah ’ bm dan S didapat, dapat ditentukan ’ bk (keteguhan tekan
beton karakteristik )
Di Indonesia didalam symposium Beton bulan Januari 1970 dan didalam
seminar ke II Tertib Pembangunan Bulan April 1970 telah dsisepakati
untuk mengikuti jejak dari CEB ( Praktische Richtlynen Voor de
Berekening En Uitvoering Van Gewapend- Beton Konstructies “, Beton
Vereniging, Den Haag 1966.
Apabila harga limit dari keteguhan tekan atau dikenal dengan keteguhan
tekan karakteristik kita menyatakan dengan ’ bk , keteguhan tekan rata
– rata dari sejumlah besar hasil pemeriksaan adalah ’ bm , deviasi
standard adalah S dan loefisien Variasi adalah  .
Maka ketguhan tekan karakteristik beton ditentukan oleh persamaan
’ bk = ’ bm – 1,645 .S
’ bk = ’ bm – ( 1- 1,645 .d )
Dimana possibility ( = risk) terjadinya keteguhan yang kurang dari harga
karakteristik (qi ) terbatas pada 5% (qi = 5%) saja dengan zi = 1,645
(nilai konstanta karena kemungkinan terjadi keteguhan tekan beton
kurang dari harga karakteristik / besaran random).
CONTOH 2 :
 bk   bm  1,645.S
 114,435  1,645.12,063
 94,591kg cm 2
RANGKUMAN
Macam-Macam Pengukuran Variasi :

1. Range
2. Deviasi Kwartil
3. Deviasi Rata-Rata (Simpangan Rata-Rata)
4. Deviasi Standard (Simpangan Standard ) dan varians.
Range adalah selisih antara data dengan nilai variable tertinggi dan
data dengan nilai variable terendah dari keseluruhan pengamatan data.
Deviasi Kwartil adalah pengukuran variasi atas dasar jarak inter kwartil.
Pengukuran didasarkan pada jarak K1 dan K3.
Standard deviasi dihitung berdasarkan Berdasarkan rumus dari d ,

bila penjumlahan dilakukan terhadap (xi - )2 , maka rata-rata hasil
penjumlahan diatas tidak akan = 0
Pengukuran Varians dan dirumuskan sebagai berikut :
1 n
S  . (x i  x ) 2
2
n i 1
Untuk penyimpangan standard / deviasi standard merupakan akar
varians :
1 n
S  . (x i  x ) 2
n i 1
5.6 SOAL
1. Sebutkan macam-macam ukuran variasi?

2. Apa yang dimaksud dengan range, deviasi rata-rata, deviasi kuartil
dan standard deviasi?
3. Apa perbedaan standard deviasi populasi dan sampel? Jelaskan!
september 2007
(dalam ratusan)
1 17 1
2 28 4
3 39 11
4 50 7
5 61 5
6 72 2
a. Hitung deviasi kuartil distribusi frekuensi diatas.
b. Hitung deviasi rata-rata distribusi frekuensi diatas.
c. Hitung standard deviasi dan varians distribusi frekuensi diatas.
BAB VI
SKUNES, MOMEN DAN KURTOSIS
Skunes berasal dari kata ketidaksimetrian atau tidak simetris suatu

distribusi.
Dalam hal ini distribusi yang tidak simetris disebut sebagai distribusi skued.
Pada distribusi simetris nilai mean, median dan modus adalah sama dan
membentuk satu garis.
Mean = median = modus
Jika terjadi distribusi tidak simetris atau skued maka ada 2 (dua)
kemungkinan yaitu :
1. Skued positif
2. Skued negatif
6.1 DISTRIBUSI SKUED POSITIF

Yang dimaksud dengan distribusi skued positif adalah jika niali mean
terbesar, nilai modus yang terkecil dan nilai median berada diantara nilai
harga mean dan nilai modus. Dengan kata lain :
Mean > median > modus
Modus Median Mean

Untuk mudah diingat distribusi skued positif adalah jika ekor dari kurva
landai ke arah kanan.
DISTRIBUSI SKUED NEGATIF

Yang dimaksud dengan distribusi skued negatif adalah jika nilai
modus terbesar sedangkan nilai mean yang terkecil, sedangkan nilai
median berada diantara modus dan mean
Mean < median < modus
Modus Median Mean

Untuk mudah diingat skued negatif jika ekor dari kurva landai ke arah kiri.
Hasil perhitungan skunes akan memberi informasi yang biasanya merupakan
pengganti hasil perhitungan tendensi sentral dan dispersi yang tidak gagal.
Dua distribusi dapat saja memberikan harga mean dan deviasi standard yang
sama, tetapi masih tetap berbeda di dalam formasinya. Informasi ini diberikan
oleh skunes.
6.3 PENGUJIAN SKUNES
Skunes ada di dalam distribusi jika memenuhi beberapa persyaratan
sebagai berikut :Nilai dari harga mean, median dan modus tidak
berdempetan. Kuartil tidak berjarak sama dari median, yang mana adalah :
(K3 – Med) tidak sama dengan (Med – K1)
Jumlah median deviasi positif tidak sama dengan jumlah median deviasi
negatif. Frekuensi modus pada kedua sisi tidak sama. Jika nilai – nilai itu
digambarkan pada kertas grafik tidak membentuk kurva distribusi normal
yang berbentuk seperti bel. Ini berarti jika dibagi dua bagian ditengah-tengah
akan menghasilkan kurva yang tidak sah.
6.3.1 KOEFISIEN SKUNES KARL PEARSON

Cara menghitung koefisien skunes menurut Karl Pearson didasar
pada fakta bahwa pada :
1. distribusi simetris, mean = modus
2. skued positif, mean > modus
3. skued negatif, mean < modus
mean  mod us
Koefisien Skunes =
Sd
Jika modus sulit ditemukan pada distribusi frekuensi tertentu, maka dapat
digunakan rumus modus empiris untuk rumus diatas :
Modus empiris = 3 median = 2 mean
Dengan demikian maka ;
mean  mod us mean  3median  2mean

Koefisien Skunes = =
Sd Sd
3mean  3median 3mean  median
= =
Sd Sd
3(mean  median)
Koefisien Skunes =
Sd
Hasil perhitungan Koefisien Skunes dengan menggunakan cara ini akan
memberikan kuantiats nilai dan arah dari skunes yang diberikan di dalam
distribusi.
Secara praktis nilai dari koefisien ini akan berada pada nilai -1 (skued
negatif) dan +1 (skued positif). Untuk nilai distribusi simetris koefisien
skunes = 0.
6.4 MOMEN
Momen adalah suatu perangkat yang digunakan untuk melakukan
penelitian dalam statistik, yaitu untuk mempelajari distribusi statistik skunes
dan kurtoris.
Momen dari suatu distribusi adalah perhitungan menengah dari variasi
pangkat deviasi cacah yang berupa bilangan.
Untuk data dalam bentuk deretan individu, momen ke r di sekitar harga
rata-rata di beri lambing µr, yang dinyatakan sebagai berikut :
n
( X1  X )
i 1
r
(X  X )
r
µr = =
n n
Dengan r = 1,2,3,…
Dimana x1, x2,x3, …xn adalah nilai kuantitas variable yang memenuhi
persamaan diatas.
Untuk dalam bentuk distribusi frekuensi digunakan hubungan sebagai berikut
: n
 fi( X 1  X )
i 1
r
 fi( X  X )
r
µr = =
n n
Dimana fi adalah frekuensi dari (1 < I < n)
Jika nilai variable diketahui dalam bentuk kelas maka titik menengahnya
diambil sebagai variable (x). Dari definisi maka :
µ1 = =
 (X  X ) 0
= 0
n n
Oleh karena penjumlahan cacah deviasi rata-rata adalah selamanya = 0.
Untuk setiap distribusi µ1 = 0, maka,
(X  X )
2
µr = =
n
Pada dasarnya µ2 adalah Standard Deviasi pangkat dua (Sd2) atau =
Varians.Dengan demikian untuk setiap distribusi µ2 = Varians.
6.5 KURTOSIS
Untuk suatu distribusi walaupun sudah dapat ditentukan tendensi
sentral, dispersi dan skunes, pada dasarnya belum diperoleh gambaran
lengkap dari distribusi yang diberikan. Pada kenyataannya masih diperlukan
satu lagi perhitungan yang menurut Karl Pearson disebut sebagai Kurva
Flatness atau Kurva Convexity atau Kurva Kurtosis. Kurtosis dapat memberi
gambaran tinggi rendahnya bentuk kurva normal atau distribusi normal
apakah itu berbentuk seperti lonceng ataukah landai seperti bukit,
sehubungan dengan ini KarPearson memberi koefisien ß2.
Leptokurtik ß2 > 3
Normal (Mesokurtik) ß2 = 3
Platikurtik ß2 < 3
Koefisien kurtosis =
ß2 = ( m4/m22 )
Dimana :
m4 = momen 4
m2 = momen 2
Pengujian normalitas data dengan koefisie kurtosis persentil dihitung dengan
rumus :
!/ 2( K 3  K1)
K=
P90  P10
Dimana =
K3 = kuartil ketiga
K1 = Kuarti kesatu
P10 = Persentil kesepuluh
P90 = Persentil ke – 90
Kriteria :
Jika K = 0,263 atau mendekati 0263 maka datanya berdistribusi
normal atau mendekati distribusi normal.
6.6 RANGKUMAN
Skunes berasal dari kata ketidaksimetrian atau tidak simetris suatu

distribusi. Distribusi yang tidak simetris disebut sebagai distribusi
skued.
Distribusi skued positif adalah jika niali mean terbesar, nilai modus
yang terkecil dan nilai median berada diantara nilai harga mean dan
nilai modus.
Distribusi skued negatif adalah jika nilai modus terbesar sedangkan
nilai mean yang terkecil, sedangkan nilai median berada diantara
modus dan mean
3(mean  median)
Koefisien Skunes =
Sd
Momen adalah suatu perangkat yang digunakan untuk melakukan

penelitian dalam statistik, yaitu untuk mempelajari distribusi statistik
skunes dan kurtoris.
Kurtosis dapat memberi gambaran tinggi rendahnya bentuk kurva
normal atau distribusi normal apakah itu berbentuk seperti lonceng
ataukah landai seperti bukit, sehubungan dengan ini KarPearson
memberi koefisien ß2
6.7 SOAL
1. Apa yang dimaksud dengan distribusi skued?

2. Bagaimanakah hubungan antara mean, median dan modus pada
distribusi skued positif dan skued negatif!
september 2007
(dalam ratusan)
1 17 1
2 28 4
3 39 11
4 50 7
5 61 5
6 72 2
a. Hitung koefisien skunes distribusi frekuensi diatas.
b. Bagaimanakah gambaran bentuk kurva normal dari distribusi

frekuensi diatas.
BAB VII
DISTRIBUSI NORMAL
Histogram seperti ditunjukan dalam contoh-contoh terdahulu tidak

memberikan kesempatan pada kita untuk dapat mengadakan interprestasi
secara seksama, oleh sebab itu fungsi tangga tersebut direalisasikan menjadi
fungsi teoritis menurut suatu persamaan matematik tertentu.
Didalam matematik statistik dikenal berbagai fungsi distribusi hasil
pemeriksaan, dimana fungsi Distribusi Normal adalah yang sering digunakan.
Distribusi Normal atau Distribuai Gauss ditemukan oleh Gauss dan
dipublikasikan tahun 1809 hingga sekarang. Distribusi normal merupakan
hukum probabilitas yang mendasari semua Variable Kontinu. Suatu variable
random kountinu xi dikatakan berdistribusi normal dengan mean dan
2
varians S . Apabila variable itu mempunyai fungsi probabilitas yang
berbentuk :
1  1 S 2 .( x i .x ) 2
 f .(x i ).dx i 
2 .S 2
.e
2
2 ( x i .x )
11 S .
 f .(x i ).dx i 
S .e
2 .
Keterangan :
xi = nilai variable ke i
S2 = variansi
S = standard deviasi
= nilai rata-rata
e = 2,718
 = 3,14
Jika fungsi probabilitas itu digambar, maka kita peroleh grafik yanng
dinamakan kurva normal, seperti dibawah ini :
f (xi)
100 %
xi
Dengan memperhatikan kurva kita peroleh sifat-sifat kurva, sebagai berikut :

1. Harga Modus, yaitu harga sumbu x dengan kurvanya, maksimum
terletak pada x = .
2. Kurva normal simetris terhadap sumbu vertikal melalui .
3. Kurva normal mempunyai titik belok pada x =  S.
4. Kurva normal memotong sumbu mendatar secara ASIMITOSIS.
5. Luas daerah diantara kurva normal dan sumbu mendatar = 1 atau
100% (secara singkat dikatakan luas kurva normal = 1)
Luas bagian-bagian kurva normal merupakan harga probabilitas , yang akan
mendapatkan harga xi yang membatasi luas bagian itu.
Luas bagian-bagian kurva normal merupakan dapat dihitung dengan
menghitung harga integral f (xi) dalam batas harga-harga x.
Misalnya luas kurva normal seluruhnya, yaitu luas antara x = -  dan x = 
(x i .x ) 2
11 S .2
adalah:  f .( x i ).dx i 
S .e
2 .
Luas bagian kurva normal antara xi = a dan xi = b atau probabilitas harga x
antara a dan b yang dapat ditulis P (a  x  b), adalah:
a
P . (a  x  b) = 
b
f (xi) . dxi
Kurva normalnya, sebagai berikut:
f (xi)
a b xi
Integral ini selalu dapat dihitung dengan x dan S diketahui.
Tetapi menghitung P (a  x  b) dengan cara integral fungsi diatas tidak
praktis.
Maka untuk itu ditemukan suatu cara lain yang lebih mudah, yaitu dengan
menggunakan tabel luas kurva normal standard yang mempunyai = 0 dan
S = 1 atau disebut “Distribusi Normal Standard ”
Apabila suatu kurva normal dengan  0 dan S  1 untuk menggunakan
tabel (Tabel A) maka skala kurva normal xi harus diubah menjadi skala zi
(besaran random variable tidak berdimensi yang mengikuti distribusi normal
dari GAUSS dengan x = 0 dan S = 1).
Rumus :
xi x
zi 
S
z dapat dilihat di tabel A
Contoh :
= 114, 435 kg/cm2
S = 12,063 kg/cm2
Pa Pb
x a = 100 b = 120 xi kg/cm2

= 114, 435
S = 12,063
P (100  xi  120) kg/cm2 = Pa + Pb
a  x 100  114,435
Za    1,20
S 12,063
 Pa = 0,3849
= 38,49%
b  x 120  114,435
Zb    0,46
S 12,063
 Pb = 0,1772
= 17,72%
2.
Pa Pb
x a=120 b=135 xi kg/cm2
= 114, 435
S = 12,063
P (120  xi  135) kg/cm2 = Pa - Pb
b  x 135  114,435
Zb    1,70
S 12,063
 Pb = 0,4554
= 45,54 %
a  x 120  114,435
Za    0,46
S 12,063
 Pa = 0,1772
= 17,72%
P (120  xi  135) = 45,54 % - 17,72 %
= 27,82 %
3.
Pa
a = 100
x xi kg/cm2
= 114, 435
S = 12,063
P (xi  100) kg/cm2 = 50 % - Pa
a  x 100  114,435
Za    1,20
S 12,063
 Pa = 0,3849
= 38,49%
P (xi  100) = 50 % - 38,49 %
= 11,51%
4.
Pa
a = 100
x xi kg/cm2
= 114, 435
S = 12,063
P (xi  100) kg/cm2 = 50 % + Pa
a  x 100  114,435
Za    1,20
S 12,063
 Pa = 0,3849
= 38,49%
P (xi  100) = 50 % + 38,49 %
= 88,49 %
7.1 CARA MEMBUAT LENGKUNG DISTRIBUSI NORMAL

Garis lengkung yang menggantikan suatu histogram dinyatakan dengan
persamaan
1 (x i .x ) 2
.1  1 2 . .e
f (x i )  Y  S S
2
yi = Dapat Dilihat Pada Tabel B
I = Interval Kelas
Lengkung Distribusi Normal :
f (xi) = Yi = I / S . yi
xi = - zi . S xi = - zi . S
Menentukan ordinat lengkung Distribusi Normal dari Histogram yang
diketahui.
xi = - zi . zi yi Yi = I / S . yi
S
0
0,5
1
1,5
2
Keterangan :
zi = Besaran random variable tak berdimensi yang mengikuti distribusi
normal dan GAUSS dengan = 0 dan S = 1 dalam urutan absis ke
i.
yi = Ordinat dari fungsi distribusi normal dalam urutan absis ke i
Yi = Dimulai dari 0 dan seterusnya, diambil dengan interval yang sama,
semakin kecil interval zi semakin kecil teliti lengkung distribusi
normal.
Sehubungan bentuk lengkung distribusi normal adalah simetris, maka
dalam pembuatan legkung distribusi normal cukup dihitung ordinatnya ½
bagian, yaitu untuk zi positif atau negative.
=114, 435 kg/cm2, S=12,063 kg/cm2, I=8,720 kg/cm2
Contoh :
’ bi = xi
Lengkung Distribusi Normal dan Histogram hasil pemeriksaan keteguhan
tekan beton (benda uji kubus sisi 15 cm) sesudah 28 hari dengan
campuran 1 : 2: 3 yang dilaksanakan di laboraturium Pengujian Bahan
Politeknik UI dalam satuan kg/cm2.
’ bi =T’bm + zi . S zi yi Yi = I / S . yi
(kg/cm2 )
’ b1 = 114,435 + 0 . 12,063 = 0 0,399 Y1 = 8,72 / 12,063 . 0,399 =
114,435 0,29
’ b2 = 114,435 + 0,5 . 12,063 = 0,5 0,352 Y2 = 8,72 / 12,063 . 0,352 =
120,4665 0,25
’ b3 = 114,435 + 1 . 12,063 = 1 0,242 Y3 = 8,72 / 12,063 . 0,242 =
126,498 0,17
’ b4 = 114,435 + 1,5 . 12,063 = 1,5 0,1295 Y4 = 8,72 / 12,063 . 0,1295 =
132,5295 0,09
’ b5 = 114,435 + 2 . 12,063 = 2 0,054 Y5 = 8,72 / 12,063 . 0,054 =
138,561 0,04
’ b6 = 114,435 + 2,5 . 12,063 = 2,5 0,0175 Y6 = 8,72 / 12,063 . 0,0175 =
144,5925 0,01
0,30 0.29
0,25 0.25
0,20
frekuensi
0.017
0,15
0,10 0.09
0,05 0.04
0.01
0,00
114,435 120,467 126,498 132,530 138,561 144,593
Luas antara lengkung Distribusi Normal dengan garis ’ bi = 1 atau
100%.Kalau dikembalikan lagi pada rumus keteguhan tekan beton
karakteristik
’ bk = ’ bm – zi . S , dimana zi = 1,645 (dari tabel C).
Pki Pka
Pi qi = ½ . (100 – Pi) qi
qi
’ bki = ’ bm – zi . S x = ’ bm ’ bka = ’ bm + zi . S
Nilai zi = 1,645 disebabkan resiko terjadinya keteguhan tekan beton yang

kurang dari harga karakteristik q = 5 %, maka prosentasi jatuhnya hasil
pemeriksaan Pi = 90 %.
Pi (’ bki  ’ bi  ’ bka) kg/cm2 = Pki + Pka
 b ki   b m  z i .S
 114,435  1,645.12,063
 94,591kg cm 2
 b ki   b m  z i .S  114,435  1,645  12,063
 134,279 kg cm 2
Pi (94,59  ’ bi  134,279) kg/cm2 = Pki + Pka
 b ki   b m 94,591 114,435
z ki    1,645
S 12,063
 Pki = 0,4505
= 45,05 %
 b ka   b m 134,2791 114,435
z ka    1,645
S 12,063
 Pka = 0,4505
= 45,05 %
Pk i  Pk a
Pi (94,59  ’ bi  134,279) kg/cm2  45,05%  45,05%
 90,10%  90%
q i  1 2 .(100  Pi )%
 1 2 .(100  90)%
 5%
7.2 RANGKUMAN
Distribusi normal merupakan hukum probabilitas yang mendasari

semua Variable Kontinu. Suatu variable random kountinu xi dikatakan
berdistribusi normal dengan mean dan varians S2.
Garis lengkung yang menggantikan suatu histogram dinyatakan
dengan persamaan
1 (x .x ) 2
.1  1 2 . i .e
f (x i )  Y  S S
2
7.3 SOAL
1. Apa yang dimaksud dengan distribusi normal?

2. Bagaimanakah cara membuat distribusi normal?
september 2007
Kelas Tanda Kelas (mi) Frekuensi
(dalam ratusan)
1 17 1
2 28 4
3 39 11
4 50 7
5 61 5
6 72 2
c. Gambarkan distribusi normal dari distribusi frekuensi diatas.
d. Hitung persentase distribusi
- (xi < 60)
- (xi > 60)
- (30>xi > 60)
BAB VIII
ANALISIS REGRESI
Salah satu tujuan analisa data ialah untuk memperkirakan
/memperhitungkan besarnya efek kuantitatif atau hubungan dari perubahan
suatu variable lainnya.
Contoh nyata dari hubungan tersebut dalam kehidupan sehari – hari antara
lain :
1. Besarnya biaya perawatan kendaraan sebagai akibat dari banyaknya
kilometer yang sudah dijalani.
2. Banyaknya perjalanan perhari yang dilakukan suatu rumah tangga
sebagai akibat dari pemilikan kendaraan dan jumlah orang dewasa di
dalam rumah tangga tersebut.
3. Produktifitas kerja dalam taraf tertentu tergantung pada efisiensi dan
efektivitas kerja.
Berdasarkan contoh diatas terlihat mana :
1. Variabel Bebas : yang mempengaruhi → Independent variable/variable
predictor → lambang “x”
2. Variable terikat → yang dipengaruhi → dependent variable/variable
kriterium → lambang ”y”
Untuk membuat ramalan (forecasting) x dan y diukur dengan suatu
nilai yang disebut koefisien korelasi, sedangkan besarnya pengaruh x dan y
diukur dengan koefisien regresi. Hubungan yang diperoleh antara variable-
variable tesebut dinyatakan dalam persamaan matematik yang dinyatakan
hubungan fungsional
Hubungan fungsional antara :
1. Satu variable predictor dan satu variable kriterium disebut analisis regresi
tunggal
2. Lebih dari satu variable disebut analisis regresi ganda
Fungsi analisis regresi
1. Untuk mendapatkan hubungan fungsional antara dua variable atau lebih
atau untuk mendapatkan pengaruh antara variable predictor terhadap
variable kriterium.
2. Untuk meramalkan pengaruh variable predictor terhadap variable kriterium
8.1 PERSAMAAN ANALISIS REGRESI

Dalam statistika untuk unutk menyimpulkan data populasi biasanya
digunakan data sampel. Dalam analisis regresi hubungan fungsional yang
diharapkan berlaku untuk populasi berdasarkan data sampel yang diambil
dari populasi yang bersangkutan → hubungan fungsional tersebut dalam
persamaan matematis disebut persamaan regresi. Regresi dengan x
merupakan variable bebas dan y merupakan variable tak bebas →
dinamakan regresi y atas x, sebaliknya regresi x atas y
yˆ  a: b.x
Dimana
Ŷ (baca ye topi) = variable kriterium
X = variable predictor
a = bilangan konstan
b = koefisien arah regresi linier
Koefisien arah regresi dinyatakan dengan huruf b yang juga menyatakan
perubahan rata-rata variable y untuk setiap variable x sebesar satu bagian.
Bila harga b positif → variable y akan mengalami kenaikan atau pertambahan
Bila harga b negatif → variable y akan mengalami penurunan
8.2 METODE TANGAN BEBAS

Metode ini menggunakan metode kira-kira menggunakan diagram
pencar berdasarkan hasil pengamatan. Data digambarkan dengan sumbu
datar → x dan sumbu tegak → y. Bentuk regresi diperkirakan berdasarkan
letak titik-titik. Jika letak titik-titik sekitar garis lurus cukup beralasan menduga
regresi linier. Jika letak regresi sekitar garis lengkung cukup beralasan
menduga regresi non linier. Regresi linier ditarik secocok mungkin dengan
letak titik-titik → persamaan ditentukan dengan menggunakan 2 (dua) titik
yang dilalui.
Contoh :
y
Vol. . x
kend .
. .
. .
. .
y
a . . y b
x
. .
regresi linier . .
ŷ = a + b.x
0 Kecepatan Kendaraan x
Diagram pencar menunjukkan model lengkung, regresi digambarkan

secocok mungkin dengan ketak titik-titik dengan persamaan parabola,
pangkat dua atau bentuk lain.
Regresi ini memberikan perkiraan yang berbeda sesuai dengan
pertimbangan pribadi
y Regresi lengkung
.
. . . .
. .
. . . .
. . . .
.
0 x
8.3 METODE KUADRAT TERKECIL (LEAST SQUARE METHODE)

Metode kuadrat terkecil merupakan metode persamaan regresi yang
biasanya digunakan untuk mencari hubungan garis lurus. Cara ini berpangkat
pada kenyataan bahwa jumlah pangkat 2 (kuadrat dari jarak antara titik-titik
dengan garis regresi yang sedang dicari harus sekecil mungkin.Untuk sebuah
variable bebas “x” dan variable tak bebas “y” didapat persamaan regresi
untuk model regresi linier populasi :
. y.x  1   2 .x
Akan ditaksir harga θ1 dan θ2 oleh a dan b. Sehingga didapat persamaan

regresi menggunakan model regresi data sampel :
→ regresi x atas y
yˆ  a  b.x
Data hasil pengamatan dicatat dalam susunan seperti di bawah ini.
Variablet ak Variable
bebas (y) bebas(x)
y1 X1
y2 X2
. .
. .
. .
yn Xn
Koefisien-koefisien regresi a dan b untuk regresi linier dapat dihitung

dengan rumus :
Koefisien regresi x atas y
 yi xi    xi xi. yi

2
a
n. xi    xi
2 2
n. xi. yi   xi yi

b
 
n.  xi 2   xi
2
Jika koefisien b dihitung terlebih dahulu, maka koefisien a dapat dihitung

dengan rumus :
a  y  b.x
Dimana :
ỹ = rata-rata variable tak bebas
x = rata-rata variable bebas
Persamaan regresi y atas x
xˆ  c  d. y
Koefisien regresi y atas x :
 xi yi    yi xi. yi

2
c
n. yi    yi 2 2
n. xi. yi   xi yi

d
 
n.  yi 2   yi
2
Estimasi Dari Varians “S2 Y. X”

Varians dari komponen kesalahan, S2 y. x mempunyai pengaruh
terhadap ketelitian dari parameter regresi. Besarnya varians, S2 y. x semakin
besar kesalahan prediksi parameter dan semakin tidak teliti prediksi y
sebagai fungsi variable x. Dalam kebanyakan kasus, S2 y. x tidak diketahui
besarnya, untuk mengestimasi harga tersebut maka S 2 y. x dapat dihitung :
  yi  yî 
2
S 2 y.x  Se 2 
n2
Dimana : n – 2 = derajat kebebasan untuk kesalahan

Contoh :
Tentukan nilai regresi dan nilai varians kekuatan geser sebagai fungsi linier
dari kedalaman.
No. Benda Kedalaman (ft) Kekuatan geser (kst)
uji xi yi
1 6 0.28
2 8 0.58
3 14 0.50
4 14 0.83
5 18 0.71
6 20 1.01
7 20 1.29
8 24 1.50
9 28 1.29
10 30 1.58
Σ= 182 9.57
1. ŷ = a + b.x
n. xi. yi   xi yi

b
2.
 
n.  xi 2   xi
2
3. a  y  b.x
  yi  yî 
2
4. S y.x  Se
2 2

n2
1
5. x  182  18.2
10
1
6. y  9.57  0.957
10
No. xi.yi xi2 yi2 ŷi = a + b xi (yi – ŷi) (yi – ŷi)2
1 1.68 36 0.078 0.325 -0.045 0.0020
2 4.64 64 0.336 0.429 0.151 0.0228
3 7.00 196 0.250 0.739 -0.239 0.0571
4 11.63 196 0.689 0.739 0.091 0.0083
5 12.78 324 0.504 0.946 -0.236 0.0557
6 20.20 400 1.020 1.049 -0.039 0.0015
7 25.80 400 1.662 1.049 0.241 0.058
8 36.00 576 2.250 1.257 0.243 0.0590
9 36.10 784 1.662 1.463 -0.173 0.0299
10 47.40 900 2.445 1.566 0.014 0.0002
Σ = 203.23 3876 10.946 0.2945
10.203.32  1829.57
b  0.0516
10.3876  182
2
a  y  b.x
= 0.957 – (0.0516)(18.2)
= 0.018
Persamaan regresi kekuatan geser sebagai fungsi kedalaman adalah :
Ŷ = 0.018 + 0.0516 x
0.2945
S 2 y.x   0.0368 → Estimasi Varians
10  2
Sy.x  0.368  0.192 → estimasi standar deviasi (simpangan baku)
Kesalahan Prediksi = 0.192
Persamaan regresi bisa digunakan untuk menaksir kekuatan geser dari
kedalaman 6 kaki sampai 30 kaki.
Persamaan ini dapat digunakan untuk kedalaman > 30 kaki jika
kecenderungan linier dapat dipertanggungjawabkan → berdasarkan alasan
fisik (misal : jenis tanah sama)
Secara grafis, garis linier yang dapat ditunjukkan oleh garis berikut.
Jika dituluskan kisaran + Sy.x dari garis ini menghasilkan suatu pita selebar
satu deviasi standar (simpangan baku) dari setiap garis tepi garis linier.
y
k
e
k
u
a 2
t . .
a 1.5 . . ŷ = 0.018 + 0.0516
n . .
1 . .
g .
e 0.5 . . Sy.x = 0.192
s . .
e .
r x
0 10 20 30
Kedalaman (ft)
8.4 TES DAN EVALUASI MODEL REGRESI

Persamaan regresi yang dihasilkan dari metode kuadrat terkecil dapat
dites terhadap beberapa keadaan :
1. Apakah variable bebas x betul mempunyai koreksi yang baik dengan
variable tak bebas y. Jika x tidak mempunyai koreksi yang dekat dengan y
maka x tidak menyumbang informasi apapun terhadap prediksi harga y →
kemiringan dari regresi b = 0, untuk melihat kemungkinan tersebut perlu
diadakan tes untuk melihat apakah b = 0.
2. Evaluasi terhadap b dapat dilakukan dengan menghitung “confidence
intervalnya”

3. Kegunaan model regresi (goodness of fit). Dilihat dari koefisien korelasi
diantara tiap-tiap variable dan koefisien variasinya.
1. Interval Kepercayaan Sehubungan Dengan Regresi Linier /
Confidence Interval (Distribusi T / Student)
Confidence interval untuk parameter a / 100.(1-  )% CI
a  t .S a  Analisa varians 1 arah
Confidence interval untuk parameter b / 100.(1-  )% CI
b  t .Sb  Analisa varians 1 arah
t didasarkan atas degree of freedom / derajat kebebasan (df) = (n-2)

dan  = 5% = 0.05  taraf signifikan
Jika semua interval b positif ini berarti bahwa harga b akan positif 
harga Y yang diharapkan akan bertambah besar apabila X bertambah
Contoh :
t dilihat dari table

 = 5 % = 0.05
t
di dapat  = 2.306
df = (n-2) = (10 – 2) = 8
Jadi :
a  t .S a = 0.018  2.306 . 0.16

batas bawah = 0.018 – 2.306 . 0.16 = -0.35
batas atas = 0.018 + 2.306 . 0.16 = 0.39
b  t .Sb = 0.0516  2.306 . 8.06 . 10-3

batas bawah = 0.0516 - 2.306 . 8.06 . 10-3 = 0.033

batas atas = 0.0516 + 2.306 . 8.06 . 10-3 =0.07
Nilai a = 0.018 memenuhi kriteria interval batas
Nilai b = 0.0516 memenuhi kriteria interval batas
2. Menguji Independent X Dan Y, Tepatnya Pengujian Hipotesa / H0 : B

=0, Dapat Ditempuh Dengan Menggunakan Analisis Varians 
Dengan Distribusi F (Flourence)
Jumlah kuadrat semua nilai individu Y  Y 2 , dipecah menjadi 3

bagian sumber yaitu :
 Yi 
2

 b.  X i  X  . Yi  Y    Yi  Yî 
2
Yi 2 
n
(1) (2) (3)

b  X i .Yi 
 X i  . Yi  

 n 
Dimana :
Yi 2 = jumlah kuadrat-kuadrat total

(1) = Jumlah kuadrat-kuadrat karena regresi a
(2) = Jumlah kuadrat-kuadrat karena regresi b|a
(3) = Jumlah kuadrat-kuadrat residu / penyimpangan sekitar regresi
Rumus diatas dapat ditulis
Yi 2  JK a  JK  b a   JK Re s
Tiap jumlah kuadrat-kuadrat (JK) mempunyai derajat kebebasan (dk)
masing-masing yaitu :

n  Yi 2 jika tiap JK dibagi oleh dk – nya masing-
masing,
1  JK a maka dapat diperoleh  kuadrat tengahnya

(KT)
1  JK  b a  untuk tiap sumber variasi
(n - 2)  JK Re s
Untuk memudahkan perhitungan dibuat daftar analisa varians (ANOVA)
untuk regresi linier sederhana
Sumber variasi dk JK KT F
Regresi (a) 1  Yi 
2
n
Regresi (b|a) 1
JK  b a  Sreg  JK  b a  2
S Re g
2
S Re
 
2
 Yi  Yˆ
s
S Re s 
   n  2
2
Residu (n-2)  Yi  Yî
Jumlah n Yi 2 - -
2
SRe
F 2
g
ternyata berdistribusi F dengan dk pembilang 1 dan dk
SRe s
penyebut (n-2)  berdasarkan hipotesa H0 : b = 0 ditolak jika F  F1 (1-
 ) (1.n-2) dan diterima jika sebaliknya

Contoh :
Sumber Dk JK KT F
variasi
Regresi 1  Yi  9.572
2
(a) 
n 10
Regresi
JK  b a 
1 1.49 2
SRe
(b|a) 1.49
  40  F
g
2
S Re s 0.0368
 
2
Residu
8  Yi  Yî 0.0368
Jumlah 10 Yi 2 - -
9,57
Regresi (a) → n = 10 →  0.957
10
 182  9,57  1,49
Regresi (b/a) → 0,0516203,23  
 10 
Residu → 0,0368
S 2 reg 1,49
2
  40
S res 0,0368
Nilai F  F1 (1-  ) (1.n-2) dilihat dari table di dapat nilai F = 5.32
Ternyata 40 > 5.32  F  F1 (1-  ) (1.n-2)
Maka : H0 dengan B=0 ditolak berarti regresi linier
3. Koefisien korelasi
Untuk menentukan seberapa kuat hubungan fungsional antara variable-
variable pada persamaan regresi maka perlu ditentukan derajat
hubungan variable-variable. Studi yang membahas tentang derajat
hubungan antara variable-variable dikenal dengan nama analisis
korelasi. Ukuran yang dipakai untuk mengetahui derajat hubungan
terutama untuk data kuantitatif disebut koefisien korelasi

Korelasi dalam regresi linier
Koefisien korelasi r berdasarkan sekumpulan data (xi, yi) berukuran n
dapat digunakan rumus :
n xi. yi   xi  yi 
r
n xi 2

  xi  n yi 2   yi 
2 2

Bentuk lain dapat digunakan
r  1  S 2 y.x S 2 y
r2 = koefisien determinasi
Jika persamaan regresi linier y atas x telah ditentukan dan sudah
didapatkan koefisien arah b, maka koefisien determinasi r2, dapat
ditentukan dengan rumus sbb :
r2 

b n xi. yi   xi yi 
n yi 2   yi
2
Dari rumus diatas dapat diturunkan rumus koefisien korelasi :
r  b.Sx / Sy
Koefisien korelasi r merupakan akar dari koefisien determinasi r2

Dari rumus diatas berlaku 0 < r2 < 1
Sehingga untuk koefisien korelasi -1 < r < +1
Harga r = -1 → hub. Linier sempurna tak langsung
Harga r = +1 → hub. Linier sempurna langsung
Harga r = 0 → tidak terdapat hub. Linier
Harga – harga r lainnya bergerak antara -1 dan +1
Tanda negatif → korelasi tak langsung

Tanda positif → korelasi langsung
Estimasi dari varians → ssti simpangan baku → kesalahan prediksi
  yi  yî 
2
S y.x  S .e
2 2

n  2
Dimana :
yi = variable tak bebas hasil pengamatan
ŷi = di dapat dari regresi berdasarkan sampel
n = Ukuran sampel
S2y.x dapat ditulis :
 n 1  2
S 2 y.x   
 S y b S x
2 2

n2
Dimana :
S2y = Varians untuk variabel y
S2x = Varians untuk variabel x
Setelah estimasi dari varians atau rata-rata kuadrat penyimpangan
sekitar regresi / rata-rata kuadrat residu, Se2 diketahui maka-maka
varians – varians lain untuk regresi linier sederhana dapat ditentukan
Varians koefisien regresi b
S 2 y.x
S 2b 
 xi  x 
2
Varians koefisien regresi a
1 x2 
S a  S y.x  
2 2

  xi  x  
2
n

Varians ramalan rata-rata y untuk Xo yang diketahui
1  xo  x  
2
S yˆ  S y.x  
2 2

 n  xi  x  
2
Varians ramalan individu y untuk Xo yang diketahui
 1  xo  x  
2
S yˆ i 
2
 S y.x 1  
2

  xi  x  
2
n
Contoh :
Analisis regresi populasi penduduk cibubur
No tahun populasi xi.yi yi2

(xi) (yi)
1 2000 58.045 116090000 3369222025
2 2001 58.165 116388165 3383167225
3 2002 58.878 117873756 3466618884
4 2003 59.160 118497480 3499905600
5 2004 59.577 119392308 3549418929
10010 293.825 588241709 17268332663
Korelasi
n (∑ x i y i ) - (∑ x i ∑ y i ) 5.( 588.241.709 ) - ( 10010 x 293.825 )

b= = = 405.9
n (∑ xi )- (∑ yi )
2 2
5.(20.040.030) - (10010)2
n =5
∑Xi.Yi = 588.241.709
∑Xi. = 10010
∑Yi = 293.825

∑Yi² = 17.268.332.663
b(n.∑ Xi.Yi) - (∑ Xix ∑ Yi)

r2 =
(nx ∑ Yi 2 ) - (∑ Yi )2
r² = 0.964
r = 0.9825
Harga r = +1 → hub. Linier sempurna langsung
8.5 REGRESI NON LINIER

Jika persamaan regresinya non linier maka perlu memperbaikinya
dengan persamaan regresi non linier. Beberapa model persamaan regresi
non linier :
1. Parabolik Kuadratik
yˆ  a  b.x  c.x 2
Dengan menggunakan metode kuadrat terkecil maka a, b dan c dapat
dihitung dari sistem persamaan :
 yi  n.a  b xi  c xi
2
 xi. yi  a xi  b xi  c xi 2 3
 xi . yi  a xi  b xi  c xi
2 2 3 4
b. Parabolik Kubik
yˆ  a  b.x  c.x 2  d .x 3
Untuk menentukan koefisien a, b, c dan d digunakan persamaan

sebagai berikut :

 yi  n.a  b xi  c xi  d  xi
2 3
 xi. yi  a xi  b xi  c xi  d  xi
2 3 4
 xi . yi  a xi  b xi  c xi  d  xi
2 2 3 4 5
 xi . yi  a xi  b xi  c xi  d  xi
3 3 4 5 6
c. Model Exponen
yˆ  a.b X
Dalam logaritma, persamaannya menjadi :
log yˆ  log a  log b.x
Maka a dan b dapat dicari dari :
log a 
 log yi  log b  xi 
n  n 
 
n xi. log yi    xi log yi 
log b 
n xi 2   xi
2
Model exponen sering pula disebut model pertumbuhan, model

persamaannya menjadi :
yˆ  a.e bx
e = bilangan pokok logaritma = 2.7183
Persamaan diatas menjadi :
ln yˆ  ln a  b.x → linier dalam x dan ln y

Sehingga a dan b dapat dihitung sbb :
log yˆ  log a  0.4343b.x
d. Model Geometrik
yˆ  a.x b
Jika diambil logaritmanya, maka :
log yˆ  log a  b log x
Koefisien a dan b dapat dicari dari :
log a 
 log yi  b  log xi
n n
n log xi. log yi    log xi  log yi 
e. Model Logistik
b
 
n  log 2 xi   log xi 
2
1
yˆ 
a.b x
untuk ŷ ≠ 0 maka persamaan diatas dapat ditulis :
1
 a.b x
yˆ

Jika diambil logaritmanya, maka :
1
log   log a  log b x
 yˆ 
f. Model Hiperbola
1
yˆ 
a.  b.x
Untuk ŷ ≠ 0 maka persamaan di atas dapat ditulis :
1
 a  b.x
yˆ

8.6 RANGKUMAN
Analisis regresi digunakan untuk mendapatkan hubungan fungsional
antara dua variable atau lebih atau untuk mendapatkan pengaruh
antara variable prediktor terhadap variable kriterium.
Persamaan regresi dengan x merupakan variable bebas dan y
merupakan variable tak bebas dinamakan regresi y atas x,
yˆ  a  b.x
Metode ini menggunakan metode kira-kira menggunakan diagram

pencar berdasarkan hasil pengamatan. Data digambarkan dengan
sumbu datar → x dan sumbu tegak → y. Bentuk regresi diperkirakan
berdasarkan letak titik-titik..
Metode kuadrat terkecil merupakan metode persamaan regresi yang
biasanya digunakan untuk mencari hubungan garis lurus.
. y.x  1   2 .x
Akan ditaksir harga θ1 dan θ2 oleh a dan b.
Jika persamaan regresinya non linier maka perlu memperbaikinya
dengan persamaan regresi non linier.
Persamaan regresi yang dihasilkan dari metode kuadrat terkecil dapat
dites terhadap beberapa keadaan :
1. Untuk melihat kemungkinan Apakah variable bebas x betul
mempunyai koreksi yang baik dengan variable tak bebas y. Jika x
tidak mempunyai koreksi yang dekat dengan y maka x tidak
menyumbang informasi apapun

terhadap prediksi harga y → kemiringan dari regresi b = 0, diadakan
tes untuk melihat apakah b = 0.
2. Evaluasi terhadap b dapat dilakukan dengan menghitung “confidence

intervalnya”
3. Kegunaan model regresi (goodness of fit). Dilihat dari koefisien
korelasi diantara tiap-tiap variable dan koefisien variasinya.
Beberapa model persamaan regresi non linier.
1. Parabolik Kuadratik
2. Parabolik Kubik
3. Model Exponen
4. Model Geometrik
5. Model Logistik
6. Model Hiperbola

8.7 SOAL
1. Apa yang dimaksud dengan analisis regresi?

2. Sebutkan fungsi analisis regresi?
3. Apa yang dimaksud dengan variabel bebas dan tak bebas?
4. Dibawah ini disajikan pertumbuhan kota Palembang :
PDRB
Tahun Penduduk PC Bus Truk
(jutaan rp)
1997 4670319 1184608 3158 2409 21569
1998 6809872 1198224 3200 2417 20367
1999 7941073 1199783 1729 2428 20471
2000 8924252 1460224 2811 2475 20594
2001 10269137 1489370 3175 2791 22261
2002 12348540 1530578 3250 2901 22689
a. Tentukan persamaan regresi yang mempunyai hubungan

fungsional antara tahun pertumbuhan dengan jumlah bus.
b. Hitung kesalahan prediksi atau kesalahan residu dari persamaan
regresi tersebut.
c. Gambarkan garis persamaan regresi dengan skala yang benar,
dan bandingkan hasilnya dengan garis persamaan regresi dengan
metode tangan bebas.
d. Uji dan evaluasi persamaan regresi yang dihasilkan dengan :
- Confidence interval
- Menguji hipotesa nol (b = 0).
- Koefisien korelasi.

DAFTAR PUSTAKA
- Anto Dajan, Pengantar Metoda Statistik Jilid I, LP3ES, Jakarta, 1972

- Alan Marino, Ar. Alvinsyah., Heddy R. Agah., Sutanto, Meng., Suyono
Dikun, Tri Tjahyono, Analiisis Statistika dalam Perencanaan Lalu
Lintas dan Transportasi, Jakarta
- Raymond, H. Myers dan Ronald, E. Wolpole, Ilmu Peluang dan
Statistika Untuk Insinyur dan Ilmuwan Terbitan Kedua, Penerbit ITB,
1986
- Sudjana, Metoda Statistik Edisi Kelima, Penerbit Tarsito Bandung,
1989.
- Sudjud, R. Karjasaputradan Wiratman Wangsadinata, Evaluasi dan
Klasifikasi Beton Sehubungan Dengan Peraturan Beton Bertulang
Indonesia, Jakarta, 1970
- Zainal Mustafa, Pengantar Statistik Deskriptif Edisi Kedua, Bagian
Penerbitan Fakultas Ekonomi Universitas Islam Indonesia Yogyakarta,
1992

BUKU AJAR
STATISTIKA TERAPAN
Untuk Mahasiswa Semester 3
D-IV Jalan Tol
Disusun oleh :
Nunung Martina, ST, Msi

PRAKATA
Penyusunan Buku Ajar Statistik Terapan untuk ini dimaksudkan untuk

membantu para mahasiswa semester 3 D-IV Jalan Tol untuk mengambil
mata kuliah Statistik Terapan. Hal ini karena penulis menyadari bahwa di
Jurusan Teknik Sipil khususnya D-IV Jalan Tol belum ada buku pegangan
tersebut.
Isi buku ini terdiri dari 8 bab yang tiap bab diakhiri dengan rangkuman
dan soal-soal latihan untuk memahamkan setiap bab yang diberikan.
Penulisan buku ini dimulai dari Pendahuluan, Pengumpulan dan Pengolahan
Data, Distribusi Frekuensi Empiris, Ukuran-ukuran Deskriptif Dalam Statistik,
Ukuran-ukuran Lokasi, Skunes, Momen dan Kurtosos, Distribusi Normal dan
Analisis Regresi.
Penyusunan buku ini telah diusahakan sedemikian rupa dimulai dari
pengertian dasar hingga pembahasan dan contoh-contoh terapan sehingga
mahasiswa dapat memperoleh manfaatnya.
Mudah-mudahan, karya kecil ini mampu menjadi sumbangsih guna
meningkatkan kualitas belajar mengajar, khususnya mahasiswa Politeknik
Negeri Jakrta.
Depok, Oktober 2007

Penyusun

DAFTAR ISI
PRAKATA i
DAFTAR ISI ii
BAB I PENDAHULUAN 1
1.1 Pengertian istilah statistik dan statistika 1
1.2 Peranan statistik 2
1.3 Rangkuman 3
1.4 Soal latihan 3
BAB II PENGUMPULAN DAN PENGOLAHAN DATA 4
2.1 Populasi dan Sampel 5
2.2 Teknik pengambilan sampel 6
2.3 Jenis data 9
2.4 Pembulatan bilangan 9
2.5 Teknik Pengumpulan data 11
2.6 Pengolahan data 12
2.7 Rangkuman 14
2.8 Soal latihan 16
BABIII DISTRIBUSI FREKUENSI EMPIRIS 17
3.1 Bagian-bagian dari distribusi frekuensi 17
3.2 Distribusi frekuensi tunggal 18
3.3 Distribusi frekuensi bergolong 20
3.4 Distribusi frekuensi relatif 25
3.5 Distribusi frekuensi komulatif 26
3.6 Penyajian distribusi frekuensi dalam 28
bentuk grafik dan diagram
3.7 Rangkuman 34
3.8 Soal latihan 36

BAB IV UKURAN-UKURAN DESKRIPTIF DALAM 37
STATISTIK
4.1 Summasi 37
4.2 Ukuran-ukuran lokasi/ harga-harga tengah 40
4.3 Rangkuman 53
4.4 Soal latihan 54
BAB V UKURAN-UKURAN LOKASI 56
5.1 Range 57
5.2 Deviasi kuartil 57
5.3 Deviasi rata-rata 58
5.4 Standard deviasi dan variasi 62
5.5 Rangkuman 73
5.6 Soal latihan 74
BAB VI SKUNES, MOMEN DAN KURTOSOS 76
6.1 Distribusi skued positif 76
6.2 Distribusi skued negatif 77
6.3 Pengujian skunes 78
6.4 Momen 79
6.5 Kurtosis 81
6.6 Rangkuman 82
6.7 Soal latihan 83
VII DISTRIBUSI NORMAL 84
7.1 Cara membuat lengkung distribusi normal 91
7.2 Rangkuman 96
7.3 Soal latihan 96
VIII ANALISIS REGRESI 98
8.1 Persamaan analisis regresi 99
8.2 Metode tangan bebas 100

8.3 Metode kuadrat terkecil 102
8.4 Tes dan evaluasi model regresi 107
8.5 Regresi non linier 115
8.6 Rangkuman 119
8.7 Soal latihan 120
DAFTAR PUSTAKA 122


Buku Ajar Statistik Terapan

Diunggah oleh

Informasi Dokumen

Deskripsi 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

Buku Ajar Statistik Terapan

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB I

1.1 PENGERTIAN ISTILAH STATISTIK DAN STATISTIKA

1.2 PERANAN STATISTIK

1. Pengumpulan data yang baik baik secara poplasi maupun sampel.

Statistik deskriptif ialah susunan angka yang memberikan gambaran

Statistika induktif ialah salah satu alat untuk mengumpukan data,

Untuk mendapatkan kumpulan data yang baik dan mencakup seluruh

2.1. POPULASI DAN SAMPEL

Populasi yang Sambel diambil dari

Kesimpulan dibuat diharapkan berlaku

Untuk mendapatkan kesimpulan yang dapat dipertanggungjawabkan

Alasan mengapa populasi tidak dapat dilakukan sehingga digunakan

1. Cara acak (sampling random)

Cara ini dianggap objektif, samplingnya disebut probability sampling

2. Cara bukan acak (sampling non random)

Cara ini lebih bersifat subjektif dan samplingnya disebut

Data adalah hasil pencatatan peristiwa atau karakteristik elemen yang

b. PT. Jasa Marga sudah membangun 15 Jalan Tol tahun

2. Data kontinu yaitu data yang diperoleh dari hasil pengukuran

b. Kecepatan rata-rata mobil yang melewati Jalan Tol

2.4 PEMBULATAN BILANGAN

Seringkali kita menghadapi angka-angka hasil penyelesaian

2.5 TEKNIK PENGUMPULAN DATA

Teknik –tekniik pengumpulan data dapat dilakukan melalui :

Secara umum pengolahan data dapat dibedakan menjadi dua yaitu

1. Pengolahan data secara manual

Gerbang Cikupa = 62.060 kendaraan

Gerbang Blaraja Timur = 5.058 kendaraan

Gerbang Balaraja Barat = 23.103 kendaraan

Gerbang Ciujung = 9.380 kendaraan

Gerbang Serang Timur = 43.975 kendaraan

Gerbang Serang Barat = 5.719 kendaraan

Gerbang Cilegon Timur = 18.084 kendaraan

Gerbang Cilegon Barat = 6.501 kendaraan

Gerbang Merak = 28.504 kendaraan

Data tersebut dapat diolah secara manual yaitu :

Jumlah volume lalu lintas =62.060+5.058+23.103+…+ 28.504=

2. Pengolahan data secara elektronik

Elemen adalah unit terkecil dari objek penelitian, misalnya orang,

Populasi adalah kumpulan elemen baik hasil perhitungan maupun

Secara umum pengolahan data dapat dibedakan menjadi dua yaitu

1. Apa yang dimaksud dengan elemen? Berikan beberapa contoh!

Distribusi Frekuensi Empiris adalah suatu daftar yang menunjukkan

3.1 BAGIAN-BAGIAN DARI DITRIBUSI FREKUENSI

DISTRBUSI FREKUENSI TUNGGAL (DFT)

No.( i ) Nilai ( Xi ) Frekuensi ( f i )

DISTRIBUSI FREKUENSI BERGOLONG (DFB)

Batas Kelas ( Xi ) Frekuen

Istilah-istilah Yang Digunakan dalam Distribusi Frekuensi Bergolong :

3. Batas Kelas Atas dan Batas Kelas Bawah

4. Batas Kelas Semu dan Batas Kelas Nyata

5. Lebar Kelas / Interval Kelas ( I )

6. Titik Tengah / Tanda Kelas / Class Mark (m i )

7. Jarak Pengukuran / Range ( R )

Hal-hal Yang Perlu Diperhatikan Dalam Pembuatan Diustribusi

DISTRIBUSI FREKUENSI RELATIF (DFR)

 Fri  1  Fri  100%

DISTRIBUSI FREKUENSI KOMULATIF (DFK)

Skala : x = 2 : 8,72 kg/cm2

b. Ogive frekuensi “lebih dari (>)”hasil pemeriksaan keteguhan tekan

Kelas Tanda Kelas Frekuensi Fri Fri (%) α (i)

 Fri  1  Fri  100%

Distribusi Frekuensi Empiris adalah suatu daftar yang menunjukkan