HAND OUT

METODE STATISTIKA

Oleh :
Sapon Suryopurnomo, M.Si

UNIVERSITAS ISLAM NEGERI SUNAN KALIJAGA

YOGYAKARTA
2007
Pertemuan ke : 1

Deskripsi Data Statistik

• Pengertian Statistik
• Distribusi frekuensi
– Selang dan lebar kelas
– Frekuensi relatif
– Frek. Kumulatif
• Penyajian Grafik:
Diagram batang, garis, lingkaran

A. Pengertian Statistik

Statistik :
Kumpulan data, baik bilangan atau bukan bilangan, mengenai suatu masalah.

Data dibagi dua:

1. Data kualitatif : data yang tidak berbentuk numerik, misalnya data tentang jenis
mata pencarian penduduk, mutu hasil panen tembakau, dsb.
2. Data kuantitatif : data yang berbentuk numerik yang dibedakan menjadi data diskret
dan data kontinyu.

B. Distribusi Frekuensi
B.1. Selang dan lebar kelas
Perhatikan data konsumsi minyak (liter per bulan) dari 65 keluarga berikut:
27 27 19 7 8 8 22 24 24 29
30 23 25 19 19 36 26 27 34 13
6 28 15 16 10 11 13 14 12 12
35 28 17 17 6 7 31 32 23 28
2 3 17 33 19 4 19 9 12 17
18 18 18 20 20 21 5 13 21 22
22 22 13 24 24
Data di atas kurang memberikan manfaat. Berbeda halnya jika data tersebut disusun sebagai
berikut:

Selang Kelas Batas Kelas Titik tengah Turus Frekuensi

(ltr/bln) Kelas
2-6 1,5 – 6,5 4 //// / 6
7 – 11 6,5 – 11,5 9 //// // 7
12 – 16 11,5 – 16,5 14 //// //// 10
17 – 21 16,5 – 21,5 19 //// //// //// / 16
22 – 26 21,5 – 26,5 24 //// //// // 12
26 – 31 26,5 – 31,5 29 //// //// 9
32 - 36 31,5 – 36,5 34 //// 5

Banyaknya kelas yang disarankan (kriteria Sturges):

k = 1 + 3,322 log n dimana k banyaknya kelas
n banyaknya pengamatan

Lebar kelas :
x  xi
c n dimana c = perkiraan besarnya kelas
k
k = banyaknya kelas
x1,n = nilai pengamatan

B.2. Frekuensi Relasi

Selang Kelas Batas Kelas Titik tengah Frekuensi Relatif (fR) Persentase fR
(ltr/bln) Kelas %
2-6 1,5 – 6,5 4 0,09 9%
7 – 11 6,5 – 11,5 9 0,11 11 %
12 – 16 11,5 – 16,5 14 0,15 15 %
17 – 21 16,5 – 21,5 19 0,25 25 %
22 – 26 21,5 – 26,5 24 0,18 18 %
26 – 31 26,5 – 31,5 29 0,14 14 %
32 - 36 31,5 – 36,5 34 0,08 8%
Jumlah 1,00 100 %

B.3. Frekuensi kumulatif

Kurang dari Lebih dari

Batas Kelas Frekuensi kumulatif (fk) Batas Kelas Frekuensi kumulatif (fk)
(ltr/KK) (ltr/KK)
≤ 1,5 0 ≥ 1,5 65
≤ 6,5 6 ≥ 6,5 59
≤ 11,5 13 ≥ 11,5 52
≤ 16,5 23 ≥ 16,5 42
≤ 21,5 39 ≥ 21,5 26
≤ 26,5 51 ≥ 26,5 14
≤ 31,5 60 ≥ 31,5 5
≤ 36,5 65 ≥ 36,5 0
C. Penyajian Grafik
C.1. Diagram batang & histogram
C.2. Diagram garis (poligon frekuensi) & ogif frekuensi
C.3. Diagram lingkaran

Latihan Soal
1. Bila titik tengah kelas suatu distribusi frekuensi melon adalah 0,9; 1,3; 1,7; 2,1 kg, tentukan:
a. lebar kelas
b. batas-batas kelas
c. limit-limit kelas
2. Bilangan-bilangan berikut menyatakan konsumsi beras dalam satuan liter. Dengan
menggunkan 7 selang dan angka terkecil 26:

36 52 53 32 32 29 29 29 32 33 34 35 40 43 43 47 49 55 56 34
35 35 30 39 40 40 40 59 60 61 62 62 54 52 26 68 54 66 43 37
50 53 36 27 28 30 31 44 45 45 46 32 50 50 56 56 58 58 67 29

a. buatlah distribusi frekuensi

b. buatlah distribusi frekuensi kumulatif
c. buatlah histogram frekuensinya
d. buatlah poligon frekuensinya
e. buatlah ogif frekuensinya
Pertemuan ke: 2

Ukuran Data Statistik

• Ukuran pemusatan
– Rata-rata, Median, Modus
• Ukuran keragaman:
– Jangkauan
– Simpang Rata-rata
– Ragam & Simpang baku

A. Ukuran Pemusatan
63 65 67 70 73 74 77 78 81 81 81 82 84 88
X[1] = statistik minimum
x[14] = statistik maksimum

Ukuran pemusatan: rata-rata, median dan modus

A.1. Rata-rata
A.1.a. Rata-rata hitung
x1  x2    x N x1  x2    xn f1 x1  f 2 x2    f n xn
 , x , x
N n f1  f 2    f n
A.1.b. Rata-rata sementara
f 1 d1  f 2 d 2    f n d n
x  xs 
f1  f 2    f n

 xs 
fd i i

f i
 d = titik tengah dikurangi rata-rata sementara

A.2. Median
Median : data statistik yang berada yang berada di tengah-tengah (setelah data diurut)
Banyak data ganjil → mediannya adalah data di tengah
Banyak data genap → mediannya adalah rata-rata dari dua data di tengah

Dengan rumus :
N  k 
   fi 
2  i 0
Med  L0  (c)
fm

L0 = nilai batas bawah dari kelas selang yang mengandung unsur atau memuat nilai median
 k 
  f i  = Jumlah frekuensi dari semua kelas selang di bawah kelas yang mengandung
 i 0
median
N = banyaknya pengamatan
fm = frekuensi selang kelas yang mengndung median
c = Besarnya selang kelas, jarak antara kelas yang satu dengan lainnya

Contoh:
Data ujian akhir dari populasi mahasiswa adalah sebagai berikut:
63 65 67 70 73 74 77 78 81 81 81 82 84 88
a. Tentukan median populasi hasil ujian tersebut
b. Jika data terakhir (x[14] = 88 ) tidak termasuk, tentukan median populasinya.
Jawab
x[ 7 ]  x[8] 77  78
a. Med    77,5
2 2
b. Median  77
2. Median
a. Kuartil
Median atau kuartil kedua (Q2) → lebih besar dari ½ N nilai pengamatan terkecil dan
kurang dari ½ N nilai pengamatan terbesar
Kuartil pertama (Q1) → median semua pengamatan yang kurang dari Q2
Kuartil ketiga (Q3) → median amatan yang lebih dari Q2
 i  k 
N    fi 
4  i 1  0
Qi  L0  (c) dengan i = 1, 2, 3
fQ
b. Desil
1  k 
N    fi 
10  i 1  0
Di  L0  (c) dengan i = 1, 2, ... , 9
fD
b. Persentil
1  k 
N    fi 
100  i 1  0
Pi  L0  (c) dengan i = 1, 2, ... , 99
fP
3. Modus
Modus → sekumpulan pengamatan data yang mempunyai frekuensi paling tinggi
 1 
M 0  L0  c 
 1   2 
dimana:
δmo = frekuensi dari kelas yang memuat modus (yang nilainya tertinggi)
δmo-1 = frekuensi kelas di bawah kelas yang memuat modus
δmo+1 = frekuensi kelas di atas kelas yang memuat modus
δ1 = δmo – δmo-1
δ2 = δmo – δmo+1

B. Ukuran Keragaman
1. Nilai Jangkauan
NJ = x[n] – x[1]
2. Simpang Rata-rata
1 n
SR   xi  x
n i 1
n

f i xi  x
untuk data berkelompok SR  i 1
n

f
i 1
i

3. Ragam dan Simpangan Baku

 x  
1
Ragam 2  i
2

N i 1

1 N
Simpangan Baku   xi   2
N i 1

1 n
Ragam contoh : s2    x i  x 2
n  1 i 1
1 n
Simpangan Baku contoh s  xi  x 2
n  1 i 1
Pertemuan ke: 3

Peluang

• Pengertian peluang
• Kejadian majemuk:
– Kejadian tak saling lepas
– Kejadian saling lepas
– Kejadian tak bebas
– Kejadian bebas
– Kaidah Bayes

A. Pengertian Probabilitas
n E 
P E  
nS 
Pendekatan empiris:
ni
P E i  
S
PE1   PE2   ...  PEi   PEk   1
B. Kejadian Majemuk
1. Kejadian tidak saling lepas
Kejadian tidak saling lepas → kejadian yg satu dapat terjadi bersama-sama dengan
kejadian yg lain
PE  F   PE   PF   PE  F  atau

PE  F   PE   PF   PE  F 

2. Kejadian saling lepas
Kejadian saling lepas → tidak mungkin terjadi bersamaan
Misalnya kejadian lahirnya anak laki-laki atau perempuan
PE  F   PE   PF 
PE1  E2    En   PE1   PE2     PEn 
C. Kejadian Tidak Bebas
Dua kejadian tidak bebas → kejadian yang satu dipengaruhi oleh kejadian yang lain
Misalnya : kejadian pengambilan kartu tanpa pengembalian
PE1  E2   PE1   PE2 E1 

PE1  E2    En  
PE1   PE2 E1   PE3 E1  E2     PEn E1  E2    En1 

D. Kejadian Bebas
Dua kejadian bebas → kejadian yang satu tidak dipengaruhi oleh kejadian yang lain
Misalnya kejadian pengambilan kartu dengan pengembalian
PE1  E2   PE1   PE2 

D. Kaidah Bayes

F F’

PF   PE F 
PF E  
PF   PE F   PF '  PE F '

PF1   PE F1 
PF1 E  
PF1   PE F1   PF2   PE F2     PFn   PE Fn 
Pertemuan ke: 4

Praktikum 1

• Deskripsi data statistik

• Ukuran data statistik

A. Mendeskripsikan data statistik konsumsi minyak dengan menggunakan program aplikasi

komputasi, meliputi : diagram Batang, garis dan lingkaran
B. Menghitung ukuran pemusatan data menggunakan aplikasi komputasi, yang meliputi : rata-rata,
median, kuartil, desil, persentil dan modus.
C. Menghitung ukuran keragaman data menggunakan aplikasi komputasi, yang meliputi :
jangkauan, simpangan rata-rata, ragam, dan simpangan baku.
Pertemuan ke : 5

Distribusi Peluang
• Distribusi peluang diskret
- Distribusi Seragam
- Distribusi Binomial
- Distribusi Hipergeometrik
- Distribusi Poisson
• Distribusi peluang kontinyu
- Distribusi Normal
- Distribusi Student
- Distribusi Chi-kuadrat
- Distribusi F
-
I. DISTRIBUSI PELUANG DISKRET
• Distr. Hipergeometrik
A. Distribusi Seragam
• Distr. Poisson
P  x; k  
1
k
untuk x = x1, x2, ..., xk
B.1. Distribusi Binomial
n
bx; n; p     p x q n  x dengan x = 0, 1, 2, ..., n
 p
Rata-rata
  n p
ragam
 2  n pq
B.2. Distribusi Binomial Negatif
 n  1 x n  x
b  x; n; p     p q dengan x = n, n+1, n+2, ....
 x  1
B.3. Distribusi Multinomial
  n  x1 x2
bx1 , x2 ,, xk ; n; p1 , p2 ,, pk     p1 p2  pkxk
 x1 , x2 ,, xk 
dimana p1 + p2 + ...+ pk = 1
B.4. Distribusi Geometrik
g n; p   pq n1
C. Distribusi Hipergeometrik
 k  N  k 
  
 x  n  x 
hx; N ; n; k   dengan x = 0, 1, 2, ..., n
N
 
n
Rata-rata : μ = np
 N n k  k
Ragam :  2    n 1  
 N 1  N  N
D. Distribusi Poisson
e   x
px;   
x!

II. Distribusi Peluang Kontinyu

Distribusi Normal

N  ,   
1
e
 12  
x 2


 2

1  12  x 2

 2
e dx  1

Pa  x  b   
b
1
e
 12  
x 2


a  2
* Transformasi Normal Baku
x
z


N 0,1 
1  12 z 2
e
2
sehingga
Px1  X  x2   Pz1  Z  z 2 
x1   x2  
dimana z1  dan z2 
 
Distribusi normal menjadi dasar ari distribusi-distribusi kontinyu lainnya seperti distribusi t-
student, distribusi Chi-Kuadrat, dan lainnya.
Pertemuan ke : 6

Distribusi Sampel Statistik

• Distribusi sampel rata-rata

• Teorema Limit Pusat
• Distribusi proporsi
• Distribusi T-Student
• Distribusi Beda dua nilai rata-rata
• Distribusi Chi-Kuadrat

A. Distribusi sampel rata-rata (dengan pemulihan)

X 
1
X 1  X 2    X n 
n
E X    X   X  

1 
 X2   2 → X 
n n
sehingga
X 
Z
/ n

B. Teorema Limit Pusat

Teorema Limit Pusat:
Untuk ukuran sampel semakin besar yang ditarik dari suatu populasi, maka distribusi rata
rata sampel X akan menyebar mendekati distribusi normal dengan rata-rata µ dan

simpangan baku .
n
C. Distribusi Proporsi
Suatu percobaan binom bagi proporsi p = X/n dengan X menyatakan banyaknya percobaan
berhasil (sukses) dalam n percobaan.
 X  np
 pˆ  E  pˆ   E   p
n n

p1  p 
 pˆ 
n

D. Distribusi T-Student
Distribusi T-Student → Bila ragam populasi tidak diketahui sementara sampel yang diambil tidak
cukup besar (kurang dari 30). Distribusi ini menyerupai distribusi normal
baku dengan bentuk kurva yang berbeda-beda bergantung ukuran ukuran
contoh

X 
Peubah acak distribusi t : T
s/ n
 
Peluang contoh acak distribusi t : P  t 2 df n  1  T  t 2 df n  1  1  

E. Distribusi Beda Nilai Rata-rata Sampel

 X  X  1   2
1 2

 12  22
 X X  
1 2
n1 n2

Z
X 1  X 2   1   2 
 12  22

n1 n2

F. Distribusi Chi-Kuadrat
Distribusi Chi-Kuadrat → untuk mengetahui variabilitas populasi

s2 
1 n
 X i  X 2
n  1 i 1

2 
n  1s 2
2
 2  suatu nilai ragam tertentu

G. Distribusi F
 s12  12
F
s 22  22
 22 s12

 12 s 22
 12 df1
 2
 2 df 2
Pertemuan ke : 7

Inferensi Statistik
 Pengertian Inferensi Statistik
 Pendugaan:
- Pendugaan Titik
- Pendugaan Selang
- Pendugaan Nilai rata-rata
- Pendugaan Beda Nilai Rata-rata Populasi
- Pendugaan Proporsi
- Pendugaan Ragam

A. Pengertian Inferensi Statistik

Inferensi Statistik → Pengambilan keputusan tentang suatu parameter berdasarkan contoh yang
diambil dari populasi, yang meliputi dua hal penting yaitu pendugaan
parameter dan pengujian hipotesis

B. Pendugaan
1. Pendugaan Titik
a. Ketakbiasan:

ˆ  E ˆ  

Bias E ˆ    → kesalahan pada waktu melakukan penarikan sampel atau kesalahan lain
seperti manusia, cuaca, alat kaliberasi, dll

b. Efisiensi → penduga dengan ragam yang paling kecil

 2ˆ
Efisiensi relatif ˆ1 terhadap ˆ2  1

 2ˆ
2

c. Penduga Tak Bias Linier Terbaik (best linear unbiased estimation, BLUE)
BLUE → yaitu penduga linier tak bias dengan ragam terkecil
 Linier → penduga ˆ merupakan fungsi linier
d. Konsisten → nilai dugaan sama dengan parameter yang diduga dengan bertambahnya ukuran
contoh sampai tak terhingga

e. Pendugaan Maksimum Likelihood → f x1 , x2 ,..., xn ,    f x1 ,    f x2 ,   f xn ,  

2. Pendugaan Selang
Pendugaan titik ˆ → dipastikan tidak mungkin sama dengan 
Pendugaan selang
 
P ˆ1    ˆ2  1  
Dengan normal baku Z
P z / 2  Z  z / 2   1  

3. Pendugaan Nilai Rata-rata

 
a. Ragam populasi diketahui : X  z / 2    X  z / 2
n n
s s
b. Ragam populasi tidak diketahui : X  z / 2    X  z / 2
n n
c. Ragam populasi tidak diketahui dan ukuran sampel kurang dari 30 :
 
X  t / 2    X  t / 2
n n
4. Pendugaan Beda Nilai Rata-rata populasi
a. Ragam populasi diketahui:

 12  22  12  22
X 1  X 2   z / 2   1   2   X 1  X 2   z  / 2 
n1 n2 n1 n2

b. Ragam populasi tidak diketahui :

X 1  X 2   t / 2 Sp
1 1
  1   2  X 1  X 2   t / 2 Sp
1 1

n1 n2 n1 n2

n1  1s12  n2  1s 22

Sp 
n1  n2  2

5. Pendugaan Proporsi

pˆ 1  pˆ  pˆ 1  pˆ 
pˆ  z / 2  p  pˆ  z / 2
n n
6. Pendugaan Ragam
n  1s 2 2 
n  1s 2
 2 / 2 12 / 2
 Pertemuan ke : 8

Praktikum 2
 Distribusi peluang
 Distribusi sampel statistik
 Pendugaan parameter:
- Pendugaan titik
- Pendugaan selang
- Pendugaan nilai rata-rata

A. Membangkitkan data distribusi peluang dengan menggunakan program aplikasi komputasi,

yang meliputi : distribusi seragam dist. normal
Pertemuan ke : 9

Pengertian Uji Hipotesis

• Hipotesis statistik
• Dua jenis kesalahan dalam uji hipotesis
• Nilai kritis & kuasa pengujian dalam uji
hipotesis

A. Hipotesis Statistik
Tiga macam parameter:
1. Hipotesis mengandung pengertian minimum
2. Hipotesis mengandung pengertian maksimum
3. Hipotesis mengandung pengertian sama

B. Dua Jenis Kesalahan

Kesalahan jenis I (galat α) → H0 benar, tetapi berdasarkan hasil penelitian kita menolak
Kesalahan jenis II (galat β) → H0 salah, tetapi berdasarkan hasil penelitian kita menerima

C. Nilai Kritis dan Kuasa Pengujian

Latihan Soal untuk memahami nilai kritis dan kuasa pengujian
Pertemuan ke : 10

Uji Hipotesis

• Pengujian nilai rata-rata

• Pengujian beda nilai rata-rata populasi
• Pengujian proporsi populasi
• Pengujian ragam populasi

A. Latihan Soal Pengujian Nilai Rata-rata

1. Ragam populasi diketahui
2. Ragam populasi tidak diketahui
B. Latihan Soal Pengujian Beda Nilai Rata-rata Populasi
1. Ragam populasi diketahui
2. Ragam populasi tidak diketahui
C. Latihan Soal Pengujian Proporsi Populasi
D. Latihan Soal Pengujian Ragam Populasi
Pertemuan ke : 11

Regresi dan Korelasi

• Analisis Regresi linier sederhana

• Analisis Korelasi Sederhana

A. Analisis Regresi Linier Sederhana

Analisis Regresi → Teknis analisis yang mencoba menjelaskan bentuk hubungan anrata dua
peubah atau lebih khususnya hubungan antara peubah-peubah yang
mengandung sebab akibat

Persamaan regresi → Persamaan matematik yang memungkinkan melakukan peramalan nilai-nilai

suatu peubah tak bebas dari satu atau lebih peubah bebas

Persamaan Garis Regresi Sampel : Yˆ  a  bX

1. Regresi linier sederhana

a. Metode Kuadrat Terkecil
Yi  a  bX i  ei

n X i Yi   X i  Yi
b
n X i2   X i 
2
 a
 X Y   X  X Y
i
2
i i i i

n X   X  2 2
i i

b. Pendugaan parameter regresi

Garis linier yang menghubungkan dua peubah dengan bentuk yang sebenarnya :
Yi    X i  i
Nilai harapan :
E Yi   E   X i  i 
 E   X i   E i 
   X i
c. Ragam Kuadrat Terkecil

Yˆi  ˆ  ˆX i

1 X2 
s2ˆ   2   
n
 X i  X  
2
 
2
s  2
ˆ
 X  X
n
2
i
i 1

Jika  2 tidak diketahui, maka diduga dengan s e2

 Y  Yˆi  2


2 i
s
n2
e

2. Inferensi Koefisien Regresi

1 X2 1 X2
a  t / 2 s e     a  t s 
n  X i  X 2 n  X i  X 2
 /2 e

se se
b  t / 2    b  t / 2  b  t / 2 s ˆ    b  t / 2 s ˆ
 X  X  X  X
2 2
i i

3. Peramalan dalam analisis regresi

Penduga titik Yˆ0  a  bX 0 untuk menduga ˆ 0    X 0

Selang kepercayaan (1-α)100% bagi nilai rata-rata µ0 :

Yˆ0  t / 2 s e
1

X 0  X     Yˆ  t s 1  X 0  X  2 2

n  X i  X 2 n  X i  X 2
0 0  /2 e
B. Analisis Korelasi Sederhana
Analisis korelasi → menyelidiki ada tidaknya hubungan dua peubah atau lebih
Koefisien korelasi → untuk mengukur tingginya derajad hubungan
Korelasi linier → hubungan peubah acak X dan Y yang membentuk garis lurus. Arah hubungan
peubah ini dapat bernilai positif, negatif atau nol
1. Koefisien Korelasi populasi
cov X , Y   XY
 
 XY  XY
cov(X,Y) = E[(X-µX)( Y-µY)] dan -1 ≤ ρ ≤ 1
2. Koefisien Korelasi sampel
n XY   X  Y
r
n X 2   X  n Y 2   Y 
2 2
Pertemuan ke : 12

Praktikum 3

• Uji hipotesis
• Regresi dan Korelasi sederhana

A. Melakukan uji hipotesis menggunakan program aplikasi komputasi

B. Melakukan penghitungan regresi dan korelasi menggunakan program aplikasi komputasi