STATISTIK DAN PROBABILITAS

BAB I

STATISTIK

Pada mulanya, kata statistik sebenarnya diartikan sebagai keterangan-

keterangan yang dibutuhkan oleh negara dan berguna bagi negara. Keterangan
yang demikian itu umumnya dipergunakan untuk memperlancar penarikan
pajak dan mobilisasi rakyat jelata ke dalam angkatan perang. Tiap akhir bulan
Desember, Caesar Agustus dari zaman Romawi mengeluarkan sebuah dekrit
agar setiap orang kembali ke kota masing-masing dan melakukan registrasi.
Registrasi trsebut meliputi keterangan-keterangan mengenai : Nama, usia,
jenis kelamin, pekerjaan dan jumlah keluarga penuduk negara. Sebenarnya ,
keterangan-keterangan kwantitatif semacam itu kini lebih dikenal dengan
nama sebagai data sensus.

Pada akhir-akhir ini, banyak sarjana statistik yang berpendapat bahwa statistik
sebenarnya merupakan ilmu atau metode penarikan kesimpulan umum dari
data kwantitatif yang terbatas. Bahwa pendapat ini bukanlah pendapat yang
baru, Croxton dan Cowden memberi definisi sbb :

Statistik sebagai metode guna mengumpulkan, mengolah menyajikan,

meneganalisa dan menginterpretasi data yang berwujud angka-angka.
Interpretasi diartikan sebagai : penarikan kesimpulan dari hasil analisa yang
dilakukan atas dasar data kwantitatif yang terbatas.

Contoh :

Sebuah perusahaan industri lampu pijar memiliki kemungkinan untuk

memprodusir lampu pijar selama perusahaan tersebut masih aktif. Bila kita
ingin menyelidiki atau menentukan usia rata-rata lampu pijar yang diprodusir
perusahaan tersebut, jumlah lampu pijar yang harus kita ukur usianya dan
hitung rata-ratanya seharusnya meliputi seluruh lampu pijar yang dapat
dihasilkan oleh perusahaan tersebut. Usia lampu-lampu pijar yang dapat
diprodusir perusahaan yang bersangkutan membentuk data kwantitatif yang
dinamakan data population atau universe. Population sedemikian itu dapat
bersifat terbatas tetapi juga dapat bersifat tidak terbatas.
Dalam hal diatas, populatio bersifat tidak terbatas, karena usia lampu pijar
dapat meliputi : lampu-lapmpu pijar yang telah diprodusir, sedang diprodusir,
maupun yang akan diprodusir.

Karakteristik atau konstante dari population sedemikian itu dinamakan

parameter.

Rata-rata, deviasi standar, ataupun median usia lampu pijar yang dapat
diprodusir oleh perusahaan merupakan parameter universe atau parameter
population.

METODE STATISTIK, TEORI STATISTIK DAN MATEMATIKA

Teori statistik sebenarnya cabang dari matematika yang diterapkan (applied

mathematics). Teorinya berakar pada salah satu bidang ilmu matematika
murni yang dikenal dengan nama teori porbabilita.

Tidak mengherankan, bahwa beberapa statistisi menganggap bahwa suatu

teori statistik yang lengkap seharusnya meliputi teori probabilita, juga harus
meliputi konsekwensi-konsekwensi teoritis dari azas randomisasi, azas-azas
penarikan parameter, dan azas-azas pengujian hipotesis.

Ketiga hal tersebut diatas sebenarnya tidak termasuk dalam teori probabilita
tetapi azas-azasnya pun merupakan aksioma-aksioma yang dapat
memperluas aksioma-aksioma teori probabilita.

Fungsi statistisi ialah memberi peralatan bagi para penyelidik ilmiah. Dari
problem eksperimen yang khusus, statsitisi tersebut membentuk sebuah
model matematis yang mendekati kondisi-kondisi eksperimen tersebut.
Setelah itu ia harus menganalisa model tersebut dengan metode matematika
dan akhirnya memberikan prosedur atau metode guna memecahkan
problemanya. Dalam hal sedemikian itu, statistisi tersebut selalu
berpedoman pada azas-azas teori statistik.

Teori statistik sebenarnya berakar pada teori probabilita yang sudah beratus-
ratus tahun usianya. Sayangnya hampir tiada ahli dibidanag tersebut yang
menaruh perhatian secara khusus, sehingga metode statistik sendiri lahir
karana kebutuhan-kebutuhan eksperimen dibidang ilmu biologi . Alhasil,
pokok-pokok daripada teori statistik pun diperkembangkan oleh sarjana
biologi pada ketika itu.

Quo vadis perkembangan teori statistik dan metode statistik ?

Peranan metode statistik dibidang penyelidikan ilmiah ternyata makin

bertambah dari tahun ketahun. Banyak sekali metode-metode statistik yang
diketemukan, diperkembangkan dan diperbaiki setiap tahunnya. Kemajuan –
kemajuan yang diperolehh dari penyelidikan ilmiah membutuhkan eksperimen
yang sifatnya makin kompleks dan khusus. Dibeberapa bidang penyelidikan,
penyelidik bahkan sukar sekali menguasai peralatan statistik yang seharusnya
berguna bagi dirinya. Hal demikian dapat dimengerti, bila metodenya menjadi
lebih khusus, maka fleksibilitasnya menjadi berkurang. Penggunaanya dalam
ekspeimen yang tertentu menghedaki modifikasi dan perbaikan dan hal
sedemikian itu mutlak membutuhkan pengetahuan tentang teori statistik.

1. Metode statistik dalam kehidupan manusia modern

Perkembangan statistik sebagai metode ilmiah telah mempengaruhi
hampir setiap aspek kehidupan manusia modern.
Pada akhir abad duapuluh ini, manusia sadar atau tidak sadar suka
berfikir secara statistis. Keputusannya diambil atas dasar hasil analisa
dan interpretasi data kwantitatif. Dalam hal sedemikian itu, metode
statistik mutlak dibutuhkan sebagai peralatan manusia dan interpretasi
data kwantitatif.
Bagi manajemen, metode statistik merupakan alat yang penting dalam
berbagai pengambilan keputusan. Keputusan-keputusan seperti itu
meliputi keputusan mengenai pembelian bahan, pergudangan,
penentuan jumlah produksi, pengawasan ongkos produksi,
pengawasan kwalitas produksi, pengawasan administrasi, penaksiran
volume pejualan di masa datang dan lain-lain yang berhubungan erat
dengan kelangsungan hdiup perusahaan yang bersangkutan.
Bagi penyelidik dilaboratorium, metode statistik memberikan peralatan
yang berguna bagi perencanaan eksperimennya dan evaluasi hasil
eksperimen itu sendiri. Dalam merencanakan eksperimen laboratorium,
peneyeliik harus memperhitungkan kemungkinan adanya selisih-selisih
eksperimen (experimental errors). Metode statistik memberikan teknik
penguasan serta pengulangan selisih-selisih (errors) sedemikian itu
 disamping teknik penentuan kombinasi faktor-faktor yang diuji secara
laboratoris. Mungkin, kontribusi terbesar dari metode statistik modern
pada dunia penyelidikan yang bersifat eksperimen ialah perkembangan
cara eksperimen dalam laboratorium dengan kondisi-kondisi yang
terkontrol secara cermat menjadi eksperimen yang bersifat lapangan
(field xperiment) dimana kondisi-kondisi yang terkontrol sedikit demi
sedikit ditinggalkan agar penyelidikan dapat diselenggarakan dalam
kondisi-kondisi yang kurang lebih mendekati kenyataan. Perkembangan
yang pesat dalam cara-cara peneyelidikan dbidang agraris sebenarnya
merupakan konsekwensi dripada perkembangan metode statistik
modern sejak 1925.
Di bidang teknologi modern, metode statistik khususnya perencanaan
eksperimennya juga digunakan secara intensif dalam pelbagai riset di
pabrik-pabrik kertas, tekstl, bahan farmasi, gelas, karet, besi baja dan
cabang-cabang industri kimia serta metalurgi lainnya.
Riset dibidang perasuransian, kesehatan umum, keamanan jalan,
pemasaran, psikologi, sosiologi, anthopologi dan lain-lain, membutuhkan
metode statistik sebagai peralatannya.

2. KEGUNAAN STATISTIK DI PERUSAHAAN INDUSTRI

Analisa kwantitatif sebenarnya soal yang baru bagi pimpinan perusahaan
industri modern. Pimpinan ingin memperoleh gambaran yang bersifat
statistis-kwantitatif tentang segala aspek kegiatan prusahaannya agar
dapat dipakai sebagai bahan dasar pengambilan keputusan mengenai
kegiatan-kegiatan perusahaan di masa yang akan datang.
Analisa kwantitatif semacam itu sering dipakai untuk memecahkan
persoalan-persoalan produksi, pembelanjaan, investasi, pemasaran dan
administrasi.
2.1. Bidang produksi
Penggunaan statistik dalam produksi bertalian erat denga prsoalan
penetapan standar kwalitas, pengawasan kwalitas, pengawasan
terhadap effisiensi kerja dan test terhadap metode atau produk baru.
 2.1.1. Penetapan standar kwalitas dan pegawasan kwalitas.
Penetapan standar bagi kwalitas produk merupakan tanggung
jawab insinyur perusahaan. Persoalan ini meliputi spesifikasi
teknis yang menyarankan kwalitas produk yang dikehendaki
serta batas spesifikasi atas dan batas spesifikasi bawah. serta
batas spesifikasi atas dan batas spesifikasi bawah.serta batas
spesifikasi atas dan batas spesifikasi bawah. serta batas
spesifikasi atas dan batas spesifikasi bawah. Kedua batas
spesifikasi tersebut dipakai sebaai kriteria untk menentukan
diterima atau tidaknya produk yang dihasilkan.
Fungsi daripada pengawasan kwalitas ialah menentukan secara
stattistik apakah proses pembuatan produk benar-benar telah
dijalankan sedemikian rupa sehingga kedua spesifikasi tersebut
dapat dipenuhi. Bila produk yang tidak dapat memenuhi
spesifikasi ternyata melampaui % yang telah ditentukan ,
maka poroses pembuatan harus diperbaiki atau batas
spesifikasi harus diperluas.
2.1.2. Penyelidikan tentang penggunaan waktu.
Penggunaan waktu bagi kegiatan-kegiatan yang tertentu harus
diselidiki secara statistis agar dapat menetapkan waktu standar
guna menyelesaikan pekerjaan yang tertentu.

2.1.3. Test terhadap metode atau produk baru

Secara statistis, kita dapat menguji penting atau tidaknya arti
perbedaan mtode atau produk baru tersebut jika dibandingkan
dengan yang lama. Bila perbedannya memang sangat berarti,
mak perubahan metode atau produk diatas sangat
menguntungkan.
2.2. Bidang akuntansi
Berkaitan dengan :
1. Auditing
2. Penyesuaian yang bertalian dengan perubahan harga
3. Hubungan antara ongkos dan volume produksi
2.3. Bidang marketing
1. Penyelidikan tentang preferensi konsumen
2. Penaksiran potensi pasaran bagi produk baru
3. Penyelidikan tentang potensi pasaran di daerah baru
4. Penetapan harga
5. Penelitian terhadap effektifnya metode advertensi
6. Test terhadap metode penjualan yang berbeda

PROBABILITAS DASAR

EKSPERIMEN ACAK

Kita semua memahami betapa pentingnya eksperimen dibidang

sains dan engineering. Eksperimen berguna bagi kita, karena kita
dapat mengasumsikan bahwa jika kita melakukan eksperimen-
eksperimen tertentu dalam kondisi-kondisi yang kurang lebih
identik, kita akan memperoleh hasil yang kurang lebih sama. Dalam
kondisi seperti ini kita dapat mengendalikan nilai dari variabel-
variabel yang mempengaruhi hasil dari eksperimen tersebut. Akan
tetapi, dalam beberapa eksperimen, kita dapat memastikan atau
mengendalikan nilai dari variabel-variabel tertentu, sehingga hasil-
hasil dari eksperimen yang pertama akan berbeda dengan
eksperimen sesudahnya, meskipun sebagian besar kondisinya
sama. Eksperimen-eksperimen ini disebut sebagai “ eksperimen
acak (random eperiment).
Contoh 1.1. jika kita melemparkan sebuah koin, maka hasil dari
eksperimen ini adalah akan muncul “ekor “, dinyatakan sebagai
E(atau 0), atau “kepala”, dinyatakan sebagai K (atau 1), dengan kata
lain, salah satu elemen dari himpunan [K,E] ( atau[0,1] ).

Contoh 1.2. jika kita melemparkan sebuah dadu, maka hasil dari
eksperimen ini adalah muncul salah satu dari angka-angka dalam
himpunan [ 1,2 3, 4, 5, 6 ].

Contoh 1.3. jika kita melemparkan sebuah koin dua kali, ada empat
hasil yang mungkin muncul, dinyatakan dengan [ KK,KE, REK, EE],
yaitu keduanya kepala, kepala muncul pertama dan kemudian ekor
dan seterusnya.

Contoh 1.4. jika kita memproduksi baut dengan sebuah mesin,

maka akan ada kemungkinan beberapa diantaranya rusak. Jadi
ketika sebuah baut diproduksi, baut tersebut akan menjadi anggota
dari himpunan { rusak, tidak rusak}.
Contoh 1.5. jika suatu eksperimen dilakukan untuk mengukur “daya
tahan” lampu-lampu bohlam yang diproduksi oleh suatu
perusahaan, maka hasilnya adalah suatu waktu t dalam satuan jam
yang terletak dalam suatu interval-misalnya, 0 < t <
4000 _ dimana kita mengasumsikan bahwa tidak ada lampu yang
dapat menyala lebih dari 4000 jam.

RUANG SAMPEL
SUATU HIMPUAN S (Set ) yang terdiri dari semua hasil (outcome)
yang mungkin dari suatu eksperimen acak disebut sebagai ruang
sampel ( sample space ), dan setiap hasil disebut sebagai titik
sampel (sample point). Seringkali ada lebih dari satu ruang sampel
yang dapat menggambarkan hasil-hasil dari eksperimen, tetapi
biasanya hanya satu yang dapat memberikan informasi paling
lengkap.

Contoh 1.6. jika kita melemparkan sebuah dadu, maka salah satu
ruang sampel, atau himpunan dari semua hasil yang mungkin untuk
eksperimen ini adalah (1, 2, 3, 4, 5, 6) sementara yang lainnya
adalah ( genap, ganjil ) . namun disini jelas bahwa yang terakhir
tidak akan cukup untuk menentukan, misalnya apakah suatu hasil
akan habis dibagi 3.
Seringkali bermanfaat apabila ruang sampel ditampilkan dalam
bentuk grafik.

KEJADIAN
Kejadian (event) adalah salah satu sub himpunan (subset) A dari
ruang sampel S, dengan kata lain kejadian adalah himpunan dari
hasil-hasil yang mungkin. Jika hasil dari suatu eksperimen adalah
suatu elemen dari A, kita mengatakan bahwa kejadian A telah
terjadi. Suatu kejadian yang terdiri dari sebuah titik tunggal dari S
seringkali disebut sebagai suatu kejadian sederhana atau kejadian
elementer.

Contoh 1.8. jika kita melempar sebuah koin sebanyak dua kali,,
kejadian bahwa hanya satu kendala yang muncul adalah
subhimpunan dari ruang sampel yang terddiri dari titik-titik ( 0, 1)
dan ( 1, 0 ),
sebagaimana tampak pada gambar 1.2.

Sebagaimana halnya kejadian-kejadian tertentu, kita memiliki S itu

sendiri, yang merupakan kejadian pasti, karena salah satu elemen
dari S pasti muncul, dan himpunan kosong O, yang disebut
kejadian mustahil karena elemen dari O tidak mungkin muncul.
Dengan menggunakan operasi-operasi himpunan terhadap
kejadian-kejadian dalam S, kita dapat memperoleh kejadian-
kejadian lain dalam S. Sebagai contoh, jika A dan B adalah kejadian
maka :
1. A U B adalah kejadian “salah satu dari A atau B atau keduanya
.”A U B disebuut gabungan (union) dari A dan B.
2. A B adalah kejadian “ baik A maupun B”. A B, disebut irisan
(intersection) dari A dan B.
3. A’ adalah “ bukan A. “ A’ disebut komplemen dari A
4. A – B = A B’ adalah kejadian “A tetapi bukan B.” Lebih
khususya, A’ = S - A
 Jika himpunan A dan himpunan unuk B salaing terpisah, artinya
A B sama dengan O, kita sering mengatakan bahwa kejadian –
kejadian tersebut sa;ang meniadakan (mutuslly exclusive) ini
berarti bahwa keduanya tidak dapat terjadi secara bersamaan.
Kita menyatakan sekumpulan kejadia A1, ......... A2,....... An.
Sebagai saling meniadakan jika setiap pasangan dalam kumpulan
tersebut saling meniadakan.

Contoh 1.9. dengan mengacu pada eksperimen pelemparan sebuah

koin sebanyak dua kali, misalkan A adalah kejdian “setidaknya
muncul satu kepala” dan B adalah kejadian “lemparan kedua
menghasilkan ekor.” Maka A = {KE, EK, KK}, B = {KE,EE }, sehingga
kita memiliki
A B ={ KE,EK,KK,EE } = S A B = { KE }
A ‘ = {EE} A - B = { EK, KK }

KONSEP PROBABILITAS
Dalam eksperimen acak, selalu ada ketidakpastian mengenai
apakah suatu kejadian khusus akan atau tidak akan terjadi. Sebagai
ukuran untuk peluang, atau probabilitas, dimana dengan ukuran ini
kita dapat mengharapkan munculnya kejadian tersebut, akan lebih
mudah apabila digunakan suatu bilangan antara 0 dan 1. Jika kita
yakin atau pasti bahwa kejadian ini akan terjadi, kita mengatakan
bahwa probabilitasnya adalah 100 % atau 1, tetapi jika kita yakin
bahwa kejadian ini tidak akan terjadi, kita mengatakan bahwa
probabilitasnya adalah nol. Jika, misalnya probabilitasnya adalah
¼, kita biasanya mengatakan bahwa ada 255 peluang kejadian
tersebut akan terjadi dan 75 % peluang kejadian tersebut tidak
akan terjadi. Serupa halnya kita dapat mengatakan bahwa peluang
tidak terjadinya kejadian ini adalah 75 % terhadap 25 % atau 3
banding 1.

Terdapat dua prosedur penting untuk menentukan probabilitas dari

suatu kejadian.
1. METODE KLASIK.Jika suatu kejadian dapat terjadi dalam h cara
yang berbeda dari total n cara yang mungkin, maka probabilitas
dari kejadian tersebut adalah h/n.

Contoh 1.10. misalkan kita ingin mengetahui probabilitas

munculnya kepala ketika sebuah koin dilemparkan sekali. Karena
koin ini memiliki dua cara muncul yang kemungkinannya sama
besar- yaitu kepala dan ekor ( dengan mengasumsikan bahwa koin
tidak menggelinding atau berdiri tegak )- dan dari dua cara ini hanya
da satu cara dimana kepala dapt muncul, jelas bahwa probabilitas
yang kita cari adalah ½. Ketika kita melakukan ini, kita
mengasumsikan bahwa koin tersebut adalah koin ideal (fai koin),
artinya tidak berat kesalah satu sisi.

2. METODE FREKUENSI. Jika setelah suatu eksperimen diulang n

kali, di mana n sangat besar, terlihat bahwa suatu kejadian
terjadi sebanyak h kali, maka probabilitas dari kejadian tersebut
adalah h/n. Ini juga disebut sebagai probabilitas empiris dari
kejadian tersebut.

Contoh 1.11. jika kita melempar sebuah koin sebanyak 11000 kali
dan kepala muncul sebanyak 532 kali, maka probabailitas
kemunculan kepala adalah 532/1000 = 0,532.
Baik metode klasik maupun metode frekuensi, keduanya memiliki
kelemahan besar, yang pertama karena kata-kata “kemungkinan
yang sama besar” artinya tidak jelas dan yang kedua karena kata-
kata “yang sangat besar” artinya juga tidak jelas. Karena kesulitan-
kesulitan ini, para ahli matematika terpaksa menggunakan
pendekatan aksimatik dalam menghitung probabilitas.

AKSIOMA-AKSIOMA PROBABILITAS
Misalnya kita memiliki suatu ruang sampel S. Jika S diskrit, semua
subhimpunan akan bersesuaian dengan kejadian-kejadian dan
sebaliknya, tetapi jika S non-diskrit, hnya subhimpuna-
subhimpunan khusus, (yaitu subhimpunan yang terukur) saja yang
bersesuaian dengan kejadian-kejadian. Untuk setiap kejadian A di
dalam kelas kejadian C, kita mengasosiasikan sebuah bilangan riil
P(A). Maka P disebut sebagai fungsi probabilitas, dan P(A) sebagai
probabilitas dari kejadian A, jika aksioma-aksioma berikut dipenuhi.

Aksioma 1. Untuk setiap kejadia A di dalam kelas C, P(A)

≥0
Aksioma 2. Untuk kejadian pasti S di dalam kelas C, P(S)
=1
Aksioma 3 untuk semua kejadian saling meniadakan A1,A2,.....,
didalm kelas C.
P(A1 U A2 U....) = P(A1) + P(A2) + ....
Secara khusus, untuk dua kejadian saling
meniadakan A1, A2,
P( A1 U A2 ) = P (!A1) + P(A2)

BEBERAPA TEOREMA PENTING MENGENAI PROBABILITAS

Dari aksioma-aksioma diatas, kini kita dapat membuktikan berbagai
teorema probabilitas yang penting untuk langkah kita selanjutnya.
Teorema 1-1 : jika A1 C A2, maka P(A1) ≤P(A2) dan P(A2 – A1) =
P(A2) – P(A1).
Teorema 1-2: untuk setiap kejadian A, 0≤ 𝑷(𝑨) ≤ 1
Dengan kata lain, probabilitas terletak antara 0 dan 1.
Type equation here.

PENETAPAN PROBABILITAS
Jika ruang sampel S terdiri dari sejumlah hasl yang finit a1, a2,....,
an, maka,
P(A1) + P(A2) +......+ P(An) = 1 (14)
Dimana A1, A2, . . . . .An adalah kejadian-kejadian elementer yang
dirumuskan sebagai Ai = {ai}.
Maka, kita dapat memilih angka bukan negatif berapa pun sebagai
probabilitas dari kejadian-kejadian elementer ini selama persamaan
(14) dipenuhi. Secara khususs jika kita mengasumsikan semua
kejadian sederhana memiliki probabilitas – probabilitas yang sama,
maka :
P (Ak) = 1/n, k = 1,2,.......,n (15)
Dan jika A Adalah kejadian sembarang yang tersusun dari h
kejadian serhana tersebut, kita memiliki
P(A) = h/n (16)

Contoh 1.12. sebuah dadu dilemparkan sekali. Tentukanlah

probabailitas munculnya 2 atau 5.
Ruang samplnya adalah S = {1, 2, 3, 4, 5, 6}. Jika kita memebrikan
probabilitas yang sama terhadap titik-titik sampel ini, maka berarti
kita mengasumsikan bahaw dadu tersebut adalah dadu ideal, maka
P(1) = P(2) = . . . . .= P(6) = 1/6
Kejadian munculnya 2 atau 5 diberi lambang 2 5. Oleh karena itu,
P(2 5) P (2)+P(5)
= 1/6 + 1/6 = 1/3

PROBABIITAS BERSYARAT
Misal A dan B adaalah dua kejadian ( gambar 1.3) berikut :
Sedemikian rupa sehingga P(A) > 0. Gunakan lambang P(B)\A)
sebagai probabilitas dari B dengan syarat A telah terjadi. Karena A
diketahui telah terjadi, maka A menjadi ruang sampel beru
mengganikan S. Dari sini kita memperoleh definisi :

Gambar 1.3.
Jika dijabarkan dengan kata-kata, (18) mengatakan bahwa
probabilitas terjadinya A da B sama dengan probabilitas terjadinya
A dikaikan dengan probabilitas terjadinya B dengan syarat A telah
terjadi. Kita menyebut P(B\A) sebagai probabilitas bersyarat dari B
jika A, dengan kata lain, probablitas B akan terjadi dengan syarat A
telah terjadi. Dapat dilihat dengan mudah bahwa probabilitas
bersyarat memenuhi aksioma-aksioma .

GAMBARAN UMUMNYA SBB :

Suatu keputusan merupakan hasil proses yang relatif terseleksi dari
beberapa alternatif keputusan yang mugkin dapat diambil.
Keputusan tersebut tentu didasarkan pada pertimbangan yang
rasional dan matang. Jika pengambilan keputusan diterapkan di
bisnis, pertimbanganya antara lain faktor keuntungan dn faktor
sosial. Faktor keuntungan bagi bisnis dapat dikatakan faaktor
utama, walaupun keuntungan yang diperoleh tidak selamanya
berwujud uang, tetapi keuntungan yang bersifat natura lainnya.
Karena di dalam bisnis ada prinsip bahwa dengan keuntungan yang
dicapai suatu usaha dapat mengembangkan diri menjadi lebih
meningkat, baik secara kualitas maupun secara kuantitas dengan
melakukan ekspansi pabrik dan atau ekspansi produk.
Sedangkan faktor sosial menjadi pertimbangan yang tidak kalah
penting bagi pengambil keputusan, terutama dampak sosial yang
neatif, misalkan mendirikan industri di tengah kehidupan
masyarakat, beternak dipinggir sungai, pebuangan limabh yang
berbahaya ditempat umum, dan lain-lain. Jadi setiap keputusan
yang diambil dapat memberikan peluang terjadi peristiwa positif
dan atau negatif. Sehingga perhitungan mengenai peluang atau
kemumngkinan suatu peristiwa terjadi hendaknya benar-benar
diperhatikan. Misalnya efek negatif pembuangan limbah pabrik di
sungai, berapa persen (%) tingkat pencemaran air sungai dan
lingkungan sekitarnya. Beternak skala besar ditengah
perkampungan, berapa persen (%) kemungkinan dampak kerugian
yang ditimbulkan akibat pencemaran udara(bau) dan lingkungan
fisisk bagi masyarakat. Atau berapa persen (%) masyarakat yang
menerima dan menolak pendirian pabrik yang menghasilkan suara
bising ? itulah contoh-contoh penerapan khusus yang diambil dan
pengaruhnya bagi masyarakat serta lingkungannya.
A. PROBABILITAS SUATU PERISTIWA
Jika kita bicara masalah probabilitas atas suatu peristiwa yang
mungkin terjadi, seyogianya terlebih dahulu secar definitif
mengenal probabilitas. Probabilitas adalah pengukuran peluang
suatu peristiwa yang mungkin terjadi secara random atau
sembarang. Artinya bahwa, peristiwa tersebut sebelumnya tidak
direncanakan atau diketahui terlebih dahulu. Karena peristiwa
yang sudah direncanakan bukan termasuk peristiwa random.
Tetapi pristiwa beraturan an ada kemungkinan pasti terjadi.
Probabilitas suatu peritiswa yang dikaitkan dengan hubugan
antar-peristiwa yang mugkin terjadi dapat ditentukan sebagai
berikut :

Jenis hubungan Rumus probabilitas peristiwa Penjelasan peristiwa

Bebas / independen
Saling meniadakan/mutualy axlusice
random
P(A B) = P(A)XP(B)
= irisan (intersection)
P(A B) =P(A) =P(B)-P(A B)
U = Gabungan ( Union )
P(A B) = 0
P(A U B) = P (A)+ P(B)
Probabilitas Peristiwa A daan
Peristiwa B terjadi bersama-sama
Probabilitas peristiwa A atau
peristiwa B akan terjadi.
Probabailitas peristiwa A dan
peristiwa B tidaak mungkin terjadi
bersama-sama.
Probabilitas peristiwa A atau
peistiwa B saja yang terjadi,
karena saling meniadakan.

Bersyarat / conditional event P(A B) = P(A)XP(B/A) Probabilitas pristiwa A dan

peristiwa B terjadi bersama jika
peristiwa A lebih dulu terjadi.

Perlu diingat bahwa besar probabilitas suatu peristiwa terjadi antara 0 % sampai
dengan 100 % atau 0,00 s/d 1,00 dan simbul probabilitas adalah P. Jadi jika P= 0
% atau P = 0 berarti suatu peristiwa random pasti terjadi. Namun kenyataan dalam
kehidupan sifatnya relatif. P = 0 % dan P = 100 % adalah probabilitas sempurna
dari peristiwa pasti tidak terjadi dan peristiwa pasti terjadi. Misal seorang ditanya
mengenai berapa perse % kemungkinan tim sepak bola A akan menang melawan
tim sepak bola B ? jawabnya bersifat relatif, mungkin menang tim A sebesr 50 % :
50 % atau 40 % : 60 % atau 60 % : 40 %, da lain- lain.
Contoh :
Probabilitas untuk hubungan antar-peristiwa yang independen/bebas :
Dua uang logam yang masing-masing mempunyai dua sisiyakni sisi angka (A) dan
sisi gambar (G). Berarti ada dua persitiwa, yaitu angka dan gambar setiap uang
logam. Jika kedua uang logam untuk eksperimen dengan cara dilempar keatas
secara bersamaan, berapakah peristiwa yang mungkin terjadi atas eksperimen
tersebut ?
Jawab :
1. Uang logam I:
 Sisi angka (A) muncul 1 X dengan probabilitas (P) =0,50
 Sisi gambar(G) muncul 1 X dengan probabilitas (P) = 0,50

2. Uang logam II :
 Sisi angka (A) muncul 1 X dengan probabilitas (P) = 0,5
 Sisi gambar (G) muncul 1 X dengan probabilitas (P) = 0,50

Jadi setiap uag logam mempunyai dua peristiwa, yaitu sisi angka dan sisi
gambar. Berarti mmasing-masing mempunyai kemungkinnan muncul sebesar
P=0,50 atau 50 % setiap lemparan keatas. Komposisi muncul sisi angka (A) dan
sisi gambar (G) kedua uang logam tersebut sebagai berikut :

Uang logam komposisi Frekwensi muncul Probabilitas

I II komposisi

A A AA 1X P=1/4=25 %
A G AG 1X P=1/4=25 %
G A GA 1X P=1/4=25 %
G G GG 1X P=1/4=25 %

Sebagai catatan : kedua uang logam tidak berhubungan atau tidak saling

Mempengaruhi satu sama lain ketika dilempar keatas (peristiwa bebas ).

3. Dari data tersebut dapat dihitung probabilitas sesuai kaidah rumus yaitu :
 P(AA) = P (A A) = P(A) X P(A) = 0,50X 0,50 = 0,25 = 25 %.

P( AG) = P(A G) = P(A) X P(G)= 0,50X 0,50 = 0,25 = 25 %

 P(GA)= P(G A) = P(G) X P(A) = 0,50 X 0,50 = 0,25 = 25 %

 P(GG) = P(G G) = P(G)XP(G) = 0,50 X 0,50 = 0,25 = 25 %

Jadi berapakah probabilitas minimal muncul satusisi angka (A) ?

Minmal muncul satu sisi angka berarti pada komposissi AG,GA, dan AA,
maka besar probabilitasnya adalah :
P(1 ≤ A) = P(AG) + P(GA) =P(AA)
=25 % =25 % = 25 % = 75 %
Berapakah probabilitas minimal muncul satu sisi gambar (G) ?.
Brarti pada komposisi AG<GA dan GG, maka besar probabilitasnya adalah
:
P (1 ≤ A) = P (ag)+ P(GA)+ P(GG)
25 % + 25 % + 25 % = 75 %
Dari kedua cara di atas dapat dilakukan perhitungan probabilitas dengan
cara lain, yaitu :
P(AUG) =P(A)+ P(G)- P(A G)
0,50 + 0,50 -,25 = 0,75 atau 75 %
Gambar semesta atau diagram Venn sebagai berikut :

1. Contoh probabilitas untuk hubungan antar-peistiwa yang meniadakan

(mutually exclusive) :sisi gambar bersama-sama
Satu uang logam dilempar ke atas sekali, maka probabilitas muncul sisi
angka (A) dan sisi gambar (G) bersama-sama adalah peristiwa pasti tidak
terjadi. Karena sisi uang logam hanya muncul angka atau gambar saja.
Berarti P( A G) =0, sedangkan probabilitas muncul sisi angka (A) atau sisi
gambar (G) sebesar P(A U G) = P(A) + P(G) = 0,50 + 0,50 = 1,00 atau 100 % .

2. Contoh probabailitas untuk hubungan antar-peristiwa yang

bersyarat/conditional event.
Si Ahmad kemungkinan di terima di perguruan tinggi untuk jenjang S-1
sebesar 40 %. Setelah diterima di jenjang S-1 , kemungkinan lulus
dijenjang S-1 sebesar 60 % 60 %. Jadi probabilitas si Ahmad di terima
di perguruan tunggi dan lulus s-1 adalah :
a. Peristiwa di terima diperguruan tinggi diberi simbol L
b. Peristiwa lulus jenjang S-1 diberi simbol L
c. P (T dan L) = P (T L) = P(T) X P (L/T)
= 40 % X 60 % = 20 %
Catatan : peristiwa lulus jenjang S-1 disyarati harus di terima di
perguruan tinggi jenjang S-1 (L/T).
3. Contoh hubungan antar-peristiwa dengan matrik peristiwa.

Peristiwa 1 Peristiwa 2 jumlah

C D
A 20 35 55
B 30 15 45
Jumlah 50 50
Hitunglah probabilitas dari :
a. P (A C)
b. P(A U C)
c. P(P D)
 d. P(D U B)
e. P(B C)
Matriks peristiwa di atas merupakan contoh hubungan antar-
peristiwa bebas, saling meniadakan dan bersyarat.
Jawab :
a. P
B. STATISTIK
Disini dapat dibedakan menjadi dua macam yaitu :
1. Statistik Diskriptif, yaitu statistik yang membahas mengenai pengumpulan,
pengolahan, penyajian serta penghitungan nilai-nilai dari suatu data lalu
digambarkan kedalam tabel atau grafik, dan
2. Statistik Induktif, yaitu disebut juga dengan statistik inferen adalah statistik
yang mempelajari tentang bagaimana pengambilan keputusan dilakukan dan
sekaligus mengintrepertasikan data yang sudah ada.

C. Data Statistik
Data statistik adalah keterangan atau fakta mengenai suatu persoalan baik yang
berbentuk ciri khass, kategori atau sifat, maupun berbentuk bilangan atau angka-
angka. Sedangkan data mentah adalah data yang baru dikumpulkan dan belum
pernah mengalami proses pengolahan apapun.
Jenis data statistik di bagi dua , yaitu :
1. Data kuantiatif adalah data yang bentuk bilangan angka-angka. Misalnya :
data bahan baku, data jumlah mahasiswa, data stok beras di gudang, data
gaji/upah karyawan, data tingkat penjualan, data jumlah karyawan, data
jumlah produksi, data biaya promosi.
a. Data diskrit adalah data kuantitatif yang mempunyai satuan bulat atau
utuh. Misalnya data jumlah mahasiswa, data jumlah kursi, data jumlah bus
diterminal, dan data jumlah karyawan.
b. Data kontinu adalah data kuantitatif yang mempunyai satuan pecahan
atau tidak utuh dan dapat mempunyai satuan utuh. Misalnya : data berat
badan, data jarak tempuh, data jumlah bahan baku, jumlah stok beras di
gudang, dataa hasil pertemuan.
2. Data kualitatif adalah data yang berupa kategori, sifat atau ciri khas tertentu,
misalnya :
 Sangat setuju, setuju, netral, tidak setuju, sangat tidak setuju.
 Tinggi, sedang, rendah
 Manis, masam, asin
 Puas, tidak puas
 Sangat baik, baik, tidak baik, sangat tidak baik
 Dan sebagainya

Data dapat diperoleh dengan dua cara yaitu :

1. Mengumpulkan sendiri (data intern) yaitu data yang diperoleh dari sumber
dalam obyek penelitian dan mengenai obyek yang diteliti tersebut.
 Misalnya : survei perusahaan yang diteliti akan diperoleh dari biya produksi,
biaya promosi, tingkat penjualan, jumlah karyawan dan kondisinya, jumlh
bahan baku.
2. Memperoleh data dari sumber yang lain (data ekstern)-, yaitu data yang
diperoleh dari sumber-sumber diluar obyek penelitian. Data ekstern ini
dbagi menjadi dua yaitu :
a. Data ekstern primer adalah data yang dikumpulkan dan dikeluarkan oleh
suatu badan atau lembaga yang sama. Misalnyaa data diambil dari BPS
mengenai jumlah peternak unggas, jumlah prikanan, jumlah peternak
sapi perah, luas perkebunan kering, dan luas lahan pertanian.
b. Data ekstern sekunder adalah data yang dikumpulkan dan dikeluarkan
oleh badan atau lembaga perseorangan yang berbeda. Misalnya : data
diperoleh dari hasil penelitian orang lain, lembaga atau badan lain yang
digunakan sebagai bahan perbandingan dalam penelitian.
3. Manfaat data
Seorang direkt ur atau manajer sebuah perusahaan dalam mengambil
keputusan dan kebijaksanaan, pastinya telah mempertimbangkan data dan
fakta riil yang terjadi. Baik itu data dan fakta riil bersifat kualitatif dan
kuantitatif. Tentu saja kedua sifat data tersebut merupakan suatu hal yang
sangat penting dan berarti untuk mendukung pengambilan keputusan dan
kebijaksanaan pada saat itu guna mengantisipasi perkembangan serta
pengaruhnya terhadap kondisi perusahaan. Walaupun disisi lain ketepatan
pengambilan keputusan dan kebijaksanaan tentu juga dipengaruhi oleh
faktor lain, yaitu faktor peengalaman seseorang, faktor usia, faktor
pendidikan dan faktor-lain yang dapat mempengaruhi kondisi kualitas
sumber daya manusia termasuk seorang direktur atau manajer suatu
perusahaan. Data disini juga sesuatu yang dianggap. Dalam praktik banyak
sekali anggapan atau asumsi yang dipergunakan sebagai dasar pembuatan
keputusan. Misalnya : pemerintah menganggap persediaan beras cukup,
karena produksi pada dalam negeri meningkat, maka diputuskan untuk tidak
mengimpor beras dari negara lain. Disamping itu menurut anggapak
kenaikan harga minyak tidak mempengaruhi harga-harga makanan, maka
harga minyak dinaikkan, karena dana bantuan langsung tunai dianggap
dapat membantu secara riil meningkatkan kesejahteraan hidup keluarga
kategori miskin, maka pemrintah memutuskan untuk melanjutkan program
bantuan langsung tunai (BLT), karena peredaan daging sapi dalam negeri
dianggap kurang memadai atau masih kurang, diputuskan oleh pemerintah
untuk mengimpor sapi dan daging sapi dari negara Australia.
Data dapat berguna bila dikaitkan dengan :
a. Dasar suatu perencanaan sesuai kemampuan yang ada
b. Alat pengendali terhadap pelaksanaan, penyimpangan yang terjadi
sehingga dapat segera dilakukan pebaikan atau koreksi
c. Dasar evaluasi hasil akhir
4. Kebutuhan terhadap statistik, antara lain (Supranto, 2000)
a. Menjabarkan dan memahami suatu hubungan
b. Mengambil keputusan yang lebih baik
c. Menangani perubahan

5. Prosedur Metode Statistik

1. Pembatasan persoalan
2. Mengumpulkan data yang relevan
3. Penyeleksian dan pengumpulan data ekstern
4. Mengklasifikasikan
5. Penyajian
6. Analisis

6. Skala ukuran
Data sebagai fakta yang kita kumpulkan dan dikelompokkan menjadi
beberapa karakteristik tentu saja mempunyai satuan. Bila data tersebut
mengenai jarak, maka jarak dapat diukur dengan satuan kilometer, meter,
desimeter, centimeter, milimeter, jika jarak di laut menggunaka satuan mil.
Data berhubungan dengan berat diukur dengan ton, kuintal, kilo gram, ons.
Sedangkan usia manusia juga dapat diukur dengan satua tahun dan bulan.
Kalau kita mengukur tingkat kecantikan seorang wanita, juga mempunyai
parameter sendiri. Sehingga semua data yang ada atau yang kita peroleh
mempunyai satuan dan satuan ini dapat diberi skala tertentu.
Ada tiga macam skala (_Ritonga, 1997)
1. Skala nominal
2. Skala ordinal
3. Skala interval
7. Populasi dan Sampel
Setiap mendengar kata populasi akan terbayangkan sesuatu yang berupa
data dalam jumlah besar, sangat besar atau bahkan tak terhingga.
Dikarenakan jumlahnya yang sangat besar sehingga terbayang pula tngkat
kesulitan yang akan dihadapi seandainya melakukan suatu penelitian
dengan menggunakan data populasi. Kesulitan-kesulitan tersebut
disebabkan karena data-data yang harus dikumpulkan untuk bahan
penelitian, besarnya biaya yang diperlukan, lamanya waktu yang penelitian,
tenaga dan pikiran serta kesempatan atau peluang (opportunity)-untuk
berusaha dibidang lain menjadi terganggu. Namun penelitian dengan data
populasi sebenarnya tidak menutup kemungkinan untuk dilakukan atau
dilaksanakan hanya tergantung pada kemampuan dan kemauan si peneliti,
serta data-data yang diperlukan untuk diteliti. Namun kendala yang terjadi,
penelitian dengan menggunakan populasi ini jarang dilakukan karena
adanya pertimbangan efektivitas dan efisiensi dalam pengambilan
keputusan serta waktu pelaksanaan. Kebanyakan penelitain menggunakan
sampel yang bersifat representatif dari populasinya.
 Keuntungan penelitian dengan menggunakan sampel :
 Data lebih cepat dikumpulkan
 Biaya atau pendanaan relatif lebih kecil
 Waktu yang dipergunakan lebih cepat
 Tenaga dan pikiran relatif lebih ringan
 Kesempatan atau peluang untuk berusaha/bekerja yang lain masih
terbuka
 Hasil lebih cepat diketahui dan relatif sama dengan penelitian
menggunakan populasi
 Dapat mengambil keputusan dan pelaksanaan lebih cepat dilakukan

Populasi adalah : totalitas semua nilai yang dihasilkan dari penghitungan

atau pengukuran secara kuantitatif maupun kualitatif dari karakteristik
tertentu mengenai sekumpulan obyek yang lengkap dan jelas yang ingin
dipelajari.
Sampel adalah : sebagaian data yang merupakan obyek yang diambil dari
populasi.

PENYUSUNAN DISTRIBUSI FREKUENSI

A. Pengertian Distribusi Frekuensi
Ada beberapa pengertian distribusi frekuensi :
1. Distribusi frekuensi adalah suatu cara penyusunan data , baik data
bersifat diskrit ( -utuh maupun data bersifat kontinu(-tidak utuh) dengan
memasukkan data kedalam kelas kelas-kelas interval dengan tujuan agar
mudah dipahami, dianalisis dan disimpulkan.

2. Distribusi frekuensi adalah

pengelompokan data kedalam beberapa
kelompok kelas dan kemudian dihitung
banyaknya data yang masuk ke dalam
setiap kelas. Dari kedua pengertian
tersebut diatas dapat dsimpulkan
bahwa: adanya pengelompokkan data
ke dalam kelas-kelas interval yang
merupakan usaha mempermudah
membaca, memahami, menganalisis,
dan memberi interpretasi terhadap
 sekelompok data tersebut dapat berupa
data kualitatif maupun data kuantitatif.

B. Komponen Tabel Distribusi Frekuensi

1. Kelas interval
2. Frekuensi
3. Nilai tengah kelas atau titik tengah kelas
interval
Titik tengah kelas suatu kelas interval
adalah :
BKB + BKA
M = ---------------
2
Keterangan :
M = titik tengah kelas interval
BKB = batas kelas bawah
BKA = batas kelas atas
4. Tepi kelas > tepi kelas adalah batas kelas
atas kelas interval berada ditambah
batas kelas bawah kelas interval
berikutnya dibagi dua, atau :
Rumus :
 TK = BKA + BKB
2

5. Frekuensi Kumulatif Kurang Dari (FKKD)

6. Frekuensi Kumulatif Lebih Dari (FKLD)

C. Grafik Distribusi Frekuensi

Selain komponen-komponen tabel
distribusi frekuensi diatas untuk
mendukung pemahaman dan interpretassi
data observasi yang telah dikelompokkan
ke dalam kelas-kelas interval, perlu pula
ditampilkan grafik atau kurva berdasarkan
kelas-kelas interval tersebut. Adapun grafik
atau kurva yang perlu ditampilkan
meliputi grafik histogram (berupa segi
empat/balok)-, grafik poligon (berupa
garis), dan grafik kurva ogive berupa garis
lengkung hasil pertemuan dari frekuensi
kumulatif kurang dari (_FKKD) dan
frekuensi kumulatif lebih dari (FKLD).
Untuk grafik histogram dan grafik poligon,
skala vertikal dapat mempergunakan nilai
frekuensi absolut atau frekuensi relatif.
Sedangkan skala horizontal atau empat
skala, dapat dipilih salah satu, yaitu tepi
kelas, batas kelas, batas kelas bawah,
batas kelas atas, batas kelas bawah (BKB)
dan batas kelas atas (BKA). Khusus kurva
ogive, skala vertikalnya menggunakan
skala frekuensi kumulatif kurang dari
(FKKD) dan frekuensi kumulatif lebih dari
(FKLD) dan skala horizontal memakai tepi
kelas setiap kelas interval.
Contoh grafik histogram

TK/BKB/BKA

Gambar 2.1. Grafik Histogram Skala

TK/BKB/BKA
Gambar 2.1. di atas menunjukkan bahwa
skala horizontal menggunakan tepi kelas,
batas kelas bawah, atau batas kelas atas
memberi efek grafik histogram yang sama
yaitu kotak segi empat kelas nterval satu
engan kelas interval lain saling berhimpit
walaupun nilai masing-masing skalanya
berbeda. Hal yang membuat kotak segi
emapt saling berimpit karena setiap kelas
interval mempunyai dua nilai sebagai batas
kelas interval yakni dua tepi kelas ( tepi
kelas bawah dan tepi kelas atas ), dua
batas kelas (batas kelas bawaah dan batas
kelas atas). Dengan demikian, penggabaran
grafik histogram dengan skala horizontal
daapat dilakukan cukup satu grafik
histogram saja, dan memilih salah satu
skala di antara tiga skala tersebut.
BKB & BKA
Gambr 2.2. grafik Histogram Skal BKB &
BKA

Gambar 2.2 diatas dengan skala horizontal

batas kelas bawah dan batas kelas atas
menunjukkan efek grafik histogram yang
berbeda. Dimana letak perbedaannya ada
pada kotak segi empat tiap kelas interval
tidak saling beimpit. Masing-masing kotak
sedikit bergeser saling renggang. Hal ini
disebabkan oleh tidak samanya batas kelas
bawah dan batas kelas atas antar kelas-
kelas interval, yaitu BKB dan BKA kelas
interval berada mempunyai jarak atau
selisih dengan BKB dan BKA kelas interval
sebelum dan sesudah kelas interval berada
tersebut. Jadi terjadinya selisih nilai BKB
dan BKA antar kelas-kelas interval ini
mengakibatkan pada tidak berimpitnya
kotak segi empat masing-masing kelas
interval. Tetapi jarak atau range antar
kotak segi empat ini tidak berpengaruh
pada interpretasi atas data observasi dan
interpretasi ini hasilnya sama dengan
interpretasi pada grafik histogram dengan
skala horizontal tepi kelas, batas kelas
bawah, batas kelas atas (Gambar 2.1.)

Contoh grafik poligon :

Titik tengah (M)

Gambar 2.3. grafik poligon skala titik
tengah (M)

Dari gambar 2.3. terlihat jelas bahwa skala

titik tengah masing-masing kelas interval
yang ditunjukkan M1, M2,. . . .M7
merupakan tempat di mana bertemunya
garis-garis penghubung pembentuk grafik
poligon sesuai frekuensinya. Jika
diperhatikan engan seksama, garis-garis
antar titik tengah kelas interval
membentuk sebuah kurva yang
cenderung miring ke kiri, ditengarai kaki
kurva relatif lebih lebih panjang kearah kiri
kurva. Tetapi pada dasarnya grafik atau
kurva poligon diatas ada tanda-tanda
termasuk kriteria grafik atau kurva normal.
BKB & BKA
Gambar 2.4 Grafik Poligon Skala BKB &
BKA

Gambar 2.4. diatas menggunakan skala

batas kelas bawah (BKB) dan batas kelas
atas (BKA) sehingga histogramnya tidak
berimpit, namun garis-garis penghubung
pembentuk grafik tetap pada pertengahan
kotak segi empat, di mana letak titik
tengah kelas interval berada. Di sini dapat
sebagai bukti bahwa kedua grafik poligon
yang terbentuk dengan skala horizontal
menggunakan titik tengah (M) serta BKB
dan BKA, tetap memberikan bentuk
grafik/kurva yang relatif sama bentuknya
yaitu kecenderungan berbentuk normal.

Contoh kurva ogive :

Tepi kelas
Gambar 2.5. Kurva Ogive
Kurva Ogive terbentuk melalui dua garis
frekuensi kumulatif kurang dari (FKKD)
dan frekuensi kumulatif lebih dari (FKLD)
dengan bersakala horizontal tepi kelas
interval. Pada saat FFKD berada di titik nol,
FKLD justru dipuncak kurva,FKLD berada di
titik nol. Ataau dengan kata lain, garis
kurva FKKD dari arah kiri bawah ke kanan
atas, sedangkan garis kurva FKLD dri kiri
atas ke kanan bawah. Akibat dari
berlawanan arah tersebut menimbulak
kedua garis FKKD dan FKLD saling
berpotongan tepat di tengah-tengah kurva.
Berarti nilai di mana titik potng berada
 disebut nilai sentral dan diharapkan nilai
sentral dari suatu data dapat merupakan
repesentratif dari keseluruhan data
observasi. Berapa besar nilai sentral
tersebut ? untuk mengetahui dan
menghitung besarnya nilai sentral akan
dibahas tersendiri.

D.Penyusunan Distribusi Frekuensi

Berdasarkan jenis datanya, terbagi
menjadi data kualitatif dan data
kuantitatif. Maka dalam penyusunan tabel
distribusi frekuensi pun mengalami
perbedaan. Jika data kualitatif langsung
dilakukan perhitugan secara individu data
setelah dimasukkan ke dalam tabel
distribusi frekuensi. Selanjutnya dipahami,
analisis dan diinterpretasikan. Namun
untuk data kuantitatif perlu dilakukan
klasifikasi data menurut kelompoknya atau
kelas-kelas interval yang dapat dibuat
dengan sistematika yang telah ditentukan
dengan langkah-langkah tertentu.
1. Data Kualitatif
Telah disebutkan dimuka bahwa tabel
ditribusi frekuensi untuk data bersifat
kualitatif langsung dilakukan
perhitungan secara individu data.
Sehingga , ditinjau dari kepraktisannya,
pembuatan tabel distribusi frekuensi
dengan data kualitatif relatif lebih
mudah daripada pembuatan tabel
distribusi frekuensi data kuantitatif.
Contoh seorang peneliti menanyakan
kesukaan produk sebuah sabun mandi
kepada 100 responden. Merek sabun
mandi yang diteliti ada lima, yaitu merek
Lux, Lifebuoy< Shinzui, Asepso, Dental.
Hasil penelitian menunjukkan hal
sebagai berikut :

Tabel 2.1. data penelitian sabun mandi

resp Merek resp Merek resp Merek resp Merek
sabun sabun sabun sabun
1 Lux 26 Shinzui 51 asepso 76 lifebuoy
2 Life 27 shinzui 52 asepso 77 asepso
buoy
3 Shinzui 28 asepso 53 shinzui 78 asepso
4 Asepso 29 asepso 54 shinzui 79 lifebouy
5 Dental 30 dental 55 shinzui 80 dental
6 Lifebouy 31 dental 56 asepso 81 dental
7 Lifebouy 32 dental 57 dental 82 asepso
8 Lifebouy 33 lifebouy 58 dental 83 asepso
9 Lux 34 Lifebouy 59 shinzui 84 lifebouy
10 Lux 35 asepso 60 shinzui 85 lux
11 Lux 36 asepso 61 shinzui 86 lux
12 Dental 37 lifebouy 62 lifebouy 87 asepso
13 Dental 38 Lifebouy 63 lifebouy 88 asepso
14 Dental 39 shinzui 64 lifrbouy 89 asepso
15 Lux 40 shinzui 65 dental 90 lux
16 Lux 41 shinzui 66 dental 91 lux
17 Lifebouy 42 lux 67 shinzui 92 lux
18 Lifebouy 43 lux 68 shinzui 93 lux
19 Dental 44 dental 69 lifebouy 94 lifebouy
20 Lifebouy 45 lifebouy 70 lifebouy 95 lifebouy
21 Asepso 46 lifebouy 71 dental 96 asepso
22 Asepso 47 dental 72 dental 97 asepso
23 Asepso 48 shinzui 73 asepso 98 lifebouy
24 Lifebouy 49 shinzui 74 asepso 99 lifebouy
25 Lifebouy 50 lux 75 asepso 100 Lifebouy

Tabel 2.2. distribusi Frekuensi Kesukaan Konsumen

Merek sabun Frekuensi absolute Frekuensi relatif %
(Responden) (Responden)
Lux 15 15 %
Lifebouy 28 28 %
Shinzui 16 16 %
Asepso 23 23 %
Dental 18 18 %
Jumlah 100 100 %

Berdasarkan tabel 2.2. diatas konsumen sebagai responen dalam

penelitian ini mempunyai pilihan dan kesukaan merek sabun mandi yang
berbeda-beda. Secara absolut dan relatif kisarannya pun mengalami
perbedaan. Sabun mandi merek Lux disukai oleh konsumen sebanyak 15
orang atau 15 % dari seluruh konsumen yang diteliti. Begitu juga sabun
mandi merek lifebouy disukai sebanyak 28 5 orang atau 28 %, merek
shinzui dipilih sebanyak 16 orang atau 16 %, merek Asepso dipilih
sebanyak 23 orang atau 23 % dan sabun mandi meek dental disukai
sebanyak 18 orang atau 18 %. Hal ini menunjukkan bahwa selera
konsumen berbeda satu sama lain. Dengan adanya perbedaan selera
konsumen, menurut pihak produsen sabun mandi berbagai merek
tersebut menentukan strategi pemasaran yang paling tepat, karena telah
mengetahui posisi merek dan berapa persen market share yang
dikuasainya.
Tabel 2.3. Rangking Merek Sabun Mandi Kesukaan Konsumen

Merek sabun Rangking posisi

Frekuensi absolute rangking

Lifebouy 28 1
ASEPSO 23 2
Dental 18 3
Shinzui 16 4
Lux 15 5

Tabel 2.3. menggambarkan rangking posisi masing-masing merek sabun

mandi yang menjadi pilihan konsumen. Rangking pertama ditempati oleh
sabun mandi merek lifebouy dengan frekuensi 28 orang atau 25 %,
rangking kedua sabun mandi merek Asepso dengan frekuensi 23 orang
atau 23 %, rangking ketiga merek sabun mandi Dental dengan frekuensi 18
orang atau 18 %, rangking keemapt sabun mandi merek Shinzui dengan
frekuensi 16 orang atau 16 % dan sabun mandi merek Lux dengan
frekuensi 15 orang atau sebesar 15 %.
Jika kondisi frekuensi dan rangking merek sabun mandi digambarkan ke
dalam grafik, hasilnya sebagai berikut :

Gambar 2.6. grafik histogram kesukaan merek sabun mandi berdasarkan

data absolut
 Gambar 2.7. grafik histogram kesukaan merek sabun mandi berdasarkan
frekuensi relatif

______________________________________________________________

Gambar 2.8. grafik histogram kesukaan merek sabun mandi

Berdasarkan rangking

______________________________________________________________

2. Data Kuantitatif
Penyusunan tabel distribusi frekuensi
data bersifat kuantitatif atau berupa
bilangan/angka memerlukan langkah-
langkah sistematis dengan rumusan
matematika tertentu. Sehingga berbeda
dengan penyusunan tabel distribusi
frekuensi untuk data kualitatif. Berikut
ini langkah-langkah membuat tabel
distribusi frekuensi :
 Menentukan rentang kelas (range = R)
 R= data terbesar-data terkecil
 Menentukan banyak kelas interval (BK)
 Yaitu menentukan berapa banyak kelas
interval diperlukan agar semua data
masuk dikelas-kelas interval tersebut.
Rumus Sturges sebagai berikut :
 BK = 1 +(3,3 Log n)
Keterangan : n = banyak data.
 Menentukan panjang kelas interval (P)
R
Rumusnya : P =-----
BK
 Memilih nilai ujung bawah kelas interval
pertama
Untuk memulai membuat atau
menyusun tabel distribusi frekuensi
adalah menentukan nilai awal/batas
kelas interval pertama dengan dua cara :
1. Menggunakan nilai data terkecil dan
2. Menggunakan nilai bebas, tetapi kelas
interval yang terbentuk dapat
menampung semua data.
 Contoh :
Sebuah wartel di Yogyakarta selama dua
minggu melakukan pencatatan mengenai
umur pengunjung wartel(tahun
usia/umurdari 80 pengunjung)
52 65 38 39 36 27 28 23 27 13
53 60 37 39 35 28 29 23 24 15
55 49 47 31 35 27 30 24 25 17
60 41 47 31 34 24 27 23 26 18
56 41 46 32 34 26 26 25 26 17
70 42 43 32 34 25 27 24 26 21
52 42 43 32 33 29 23 25 13 20
53 43 43 33 33 28 25 25 14 20

Pertanyaan : buatlah tabel distribusi

frekuensi secara lengkap ?
Jawab :
1. Untuk menyusun tabel distribusi
frekuensi kita menggunakan langkah-
langkah di atas, yaitu :
 Menentukan rentang kelas interval (R)
 R = data terbesar – data terkecil
R = 70 - 13 = 57
 Menentukan banyak kelas interval (BK)
Rumus Sturges :
 BK = 1 +(3,3 log n)
BK = 1+(3,3 log 80)
= 1 +(3,3X1,903)
= 1 + 6,2799
= 7,29999 atau 8 (pembulatan ke
atas)
 Menentukan panjang kelas interval
(dihitung )

Range
P = ―― = 57
Banyak kelas 8
= 7,125
 Memilih nilai ujung bawah kelas interval
ada dua cara :
- Menggunaka nilai data terkecil yaitu
13
- Menggunakan nilai bebas, yang
terpenting seemua data terakomodasi.
Cara ini sebaiknya dilakukan jika telah
lebih memahami distribusi frekuensi
dengan baik
 2. Menyusun distribusi frekuensi
Tabel 2.4.distribusi umur pengunjung wartel
Kelas Kelas Data Frekuensi Frekuensi Frekuensi
ke interval yang absolut relatif persen
masuk
1 13-20 IIIII IIII 9 9:80=0,01125 11,25%
2 21-28 IIIII IIIII 28 28:80=0,3500 35,00%
IIIII IIIII
IIIII III
3 29-36 IIIII IIIII 17 17:80=0,2125 21,25%
IIIII II
4 37-44 IIIII IIIII 14 14:80=0,1750 17,50%
IIII
5 45-52 IIII 4 4:80=0,0500 5,00 %
6 53-60 IIIII I 6 6:80=0,0750 7,50 %
7 61-68 1 1 1:80=0,0125 1,25%
8 69-76 1 1 1:80=0,0125 1,25 %
Jumlah 80 1,00 100 %
Berdasarkan tabel 2.4 diatas dapat dijelaskan bahwa umur pengunjung
wartel sebagai brikut :
l. antara 13-20 tahun sebanyak 9 orang atau 11,25 %
2.antara 21-28 tahun sebanyak 28 orang atau 35 %
3.antara 29-36 tahun sebanyak 17 orang atau 21,25 %
4.antara 37-44 tahun sebanyak 14 orang atau 17,50 %
5.antara 45-52 tahun sebanyak 4 orang atau 5 %
6.antara 53-60 tahun sebanyak 6 orang atau 7,50 %
7.antara 61-68 tahun sebanyaak 1 orang atau 1,25 %
8.antara 69-76 tahun sebanyak 1 orang atau 1,25 %

Kesimpulan : Pengunjung wartel tersebut paling banyak berumur

antara 21-28 tahun sebanyak 28 orang atau 35 %.

Dalam angka menggambar grafik, yaitu grafik histrogram, grafik

poligon dan grafik ogive, masing-masing diperlukan titik tengah kelas
interval (M), tepi kelas interval (TK), frekuensi kumulatif kurang dari
(FKKD), dan frekuensi kumulatif lebih dari (FKLD)

 Menghitung titik tengah kelas interval (M)

Rumusnya : M = BKB + BKA

2
 Tabel 2.5. perhitungan titik tengah (M)
Kelas ke Kelas interval Frekuensi Titik tengah (M)
absolut
1 13-20 9 (13+20)/2=16,5
2 21-28 28 (21+28)/2=24,5
3 29-36 17 (29+36)/2=32,5
4 37-44 14 (37+44)/2=40,5
5 45-52 4 (45+52)/2=48,5
6 53-60 6 (53+60)/2=56,5
7 61-68 1 (61+68)/2=64,5
8 69-76 1 (69+76)/2=72,5

 Menghitung tepi kelas interval (TK)

 Perlu diketahui bahwa setiap kelas interval mempunyai dua tepi kelas,
yaitu tepi kelas bawah (TKB) dan tepi kelas atas (TKA). Rumus menghitung
tepi kelas suatu kelas interval sebagai berikut :

TK =BKA kelas sebelumnya + BKA kelas sesudahnya

2
Berikut tabel perhitungannya : tabel 2.6 disesuaikan dg .....
Tabel 2.6 perhitungan tepi kelas interval
Kelas Kelas Frekuensi Perhitungan Tepi kelas
ke interval absolut
TKB=20,5-8=12,5 12,5
1 13-20 9

TKA=(20+21)/2=20,5 20,5
TKB=(20+21)/2=20,5
2 21-28 28

TKA=(28+29)/2=28,5 28,5
TKB=(28+29)/2=28,5

3 29-36 17

TKA=(36+37)/2=36,5 36,5
TKB=(36+37)/2=36,5

4 37-44 14

TKA=(44+45)/2=44,5 44,5
TKB=(44=45)/2=44,5

5 45-52 4

TKA=(52+53)/2=52,5 52,5
TKB=(52+53)/2=52,5

6 53-63 6

TKA=(60+61)/2=61,5 61,5
TKB=(60+61)/2=61,5

7 61-68 1

TKA=(68+69)/2=68,5 68,5
TKB=(68+69)/2=68,5

8 69-76 1

TKA= 68,5 +8 =76,5 76,5

 Menghitung frekuensi kumulatif kurang dari : (FKKD)
Dengan diketahuinya tepi kelas masing-masing kelas interval langkah
selanjutnya menghitung FKKD, dimana FKKD menentukan banyaknya data
yang besarnya kurang dari tepi kelas interval. Berikut ini tabel
perhitungannya. :
Tabel 2.7. perhitungan FKKD
Kelas Kelas interval Frekuensi TK FKKD
Ke absolut
12,5 0
1 13 – 20 9
20,5 9

2 21 - 28 28
28,5 37

3 29 - 36 17
36,5 54

4 37 - 44 14
44,5 68

5 45 - 52 4
52,5 72

6 53 - 60 6

60,5 78

7 61 - 68 1

68,5 79

8 69 - 76 1
76,5 80

Maksudnya data yang kurang dari tepi kelas, baik tepi kelas bawah maupun

Tepi kelas atas.

a. Data yang besarnya kurang dari 12,5 ada 0

b. Data yang besarnya kurang dari 20,5 ada 9
c. Data yang besarnya kurang dari 28,5 ada 37
d. Data yang besarnya kurang dari 36,5 ada 54
e. Data yang besarnya kurang dari 44,5 ada 68
f. Data yang besarnya kurang dari 52,5 ada 72
g. Data yang besarnya kurang dari 60,5 ada 78
h. Data yang besarnya kurang dari 68,5 ada 79
i. Data yang besarnya kurang dari 76,5 ada 80
 Menghitung frekuensi kumulaif lebih dari (FKLD)
Maksudnya data yang besarnya lebih dari tepi kelas, baik tepi kelas atas
maupun tepi kelas bawah kelas interval. Berikut ini tabel perhitungannya :
Tabel 2.8. perhitungan FKLD
Kelas ke Kelas Frek TK FKKD FKLD
interval absolut
12,5 0 80
1 13 - 20 9
20,5 9 71
2 21 - 28 28
28,5 37 43
3 29 - 36 17
36,5 54 26
4 37 - 44 14
44,5 68 12
5 45 - 52 4
52,5 72 8
6 53 - 60 6
60,5 78 2
7 61 - 68 1
68,5 79 1
8 69 - 76 1
76,5 80 0

 Keterangan :
 Data yang besarnya lebih dari 12,5 ada 80
 Data yang besarnya lebih dari 20,5 ada 71
 Data yang besarnya lebih dari 28,5 ada 43
 Data yang besarnya lebih dari 36,5 ada 26
 Data yang besarnya lebih dari 44,5 ada 12
 Data yang besarnya lebih dari 52,5 ada 8
 Data yang besarnya lebih dari 60,5 ada 2
 Data yang besarnya lebih dari 68,5 ada 1
 Data yang besarnya lebih dari 76,5 ada 0

Dengan telah selesainya penyusunan dan perhitungan tabel distribusi

frekuensi yang meliputi frekuensi absolut dan relatif, titik tengah kelas
(M), tepi kelas (TK), frekuensi kumulatif kurang dari(FKKD) dan frekuensi
kumulatif lebih dari (FKLD), maka dapat disusun tabel frekuensi secara
lengkap sebagai berikut :
Tabel 2.9. tabel distribusi frekuensi absolut lengkap
Kelas ke Kelas Frek M TK FKKD FKLD
interval absolut
12,5 0 80
1 13 - 20 9 16,5
20,5 9 71
2 21 - 28 28 24,5
28,5 37 43
3 29 - 36 17 32,5
36,5 54 26
4 37 - 44 14 40,5
44,5 68 12
5 45 - 52 4 48,5
52,5 72 8
6 53 - 60 6 56,5
60,5 78 2
7 61 - 68 1 64,5
68,5 79 1
8 69 - 76 1 72,5
76,5 80 0

Tabel 2.10. tabel distribusi frekuensi relatif lengkap

Kelas ke Kelas Frek M TK FKKD FKLD
interval relatif
12,5 0 1,0000
1 13 - 20 0,1125 16,5
20,5 0,1125 0,8875
2 21 - 28 0,3500 24,5
28,5 0,4625 0,5375
3 29 - 36 0,2125 32,5
36,5 0,6750 0,3250
4 37 - 44 0,1750 40,5
44,5 0,8500 0,1500
5 45 - 52 0,0500 48,5
52,5 0,9000 0,1000
6 53 - 60 0,0750 56,5
60,5 0,9750 0,0250
7 61 - 68 0,0125 64,5
68,5 0,9875 0,0125
8 69 - 76 0,0125 72,5
76,5 1,0000 0
 Adapun penggambaran grafik tabel distribusi frekuensi pengunjung wartel d

Dilakukan sebagai berikut :

1. Grafik histogram
a. Memakai skala tepi kelas dan frekuensi absolut
2. Grafik Poligon

E. Diagram Lingkaran
Selain diagram batang, distribusi frekuensi dapat digambarkan ke dalam
lingkaran dengan mengubah distribusi frekuensi absolut menjadi distribusi
frekuensi relatif yang dinyatakan dalam persen.

Tabel 2.11.tabel distribusi frekuensi relatif

Kelas ke Kelas interval Frekuensi relatif Frekuensi persen
1 13 – 20 0,1125 11,25
2 21 – 28 0,3500 35,00
3 29 – 36 0,2125 21,25
4 37 - 44 0,1750 17,50
5 45 – 52 0,0500 5,00
6 53 – 60 0,0750 7,50
7 61 – 68 0,0125 1,25
8 69 – 76 0,0125 1,25

Grafik lingkaran (Pie)

F. Kurva Ogive
Yaitu menggambar grafik garis dengan menggunakan skala frekuensi kumulatif
kurang dari (FKKD) dan frekuensi kumulatif lebih dari (FKLD) serta tepi kelas.

Kelas ke Kelas Frek M TK FKKD FKLD

interval Absolut
12,5 0 80
1 13 – 20 9 16,5
20,5 9 71
2 21 – 28 28 24,5
28,5 37 43
3 29 - 36 17 32,5
36,5 54 26
4 37 – 44 14 40,5
44,5 68 12
5 45 – 52 4 48,5
52,5 72 8
6 53 – 60 6 56,5
60,5 78 2
7 61 – 68 1 64,5
68,5 79 1
8 69 - 76 1 72,5
72,5 80 0

KURVA OGIVE

Dri kurva ogive diatas ditunjukkan kedua garis yang berlawanan arah antara
FKKD dan FKLD yang mengakibatkan kedua garis tersebut berpotongan.
Perpotongan kedua garis FKKD dan FKLD berada tepat ditengah skala
frekuensi yaitu skala 40, sedangkan skala tepi kelas belum dapat diketahui
secara pasti. Sehingga kita harus mencarai berapa besar skala tepi kelas yang
tepat di perpotongan kedua garis tersebut dengan nilai sentral dan( nilai
sentral ini akan dibahas tersendiri ).
G. Kesalahan Penyusunan Distribusi Frekuensi
Sebelum kita menyusun tabel distribusi
frekuensi, terlebih dahulu kita lakukan langkah-
langkah koreksi terhadap semua perhitungan
penentuan rentang kelas, banyak kelas interval,
frekuensi absolut dan frekuensi relatif, titik
tengah kelas, tepi kelas, frekuensi kumulatif
kurang dari (FKKD), dan frekuensi kumulatif
lebih dari(FKLD). Jika semua hasil perhitungan
telah lengkap dan benar, hal ini sangat
membantu dalm pembuatan grafik-grafik yang
diperlukan. Berikut ini penyusunan tabel
distribusi frekuensi yang salah :
Kelas ke Kelas interval
1 13 – 20
2 20 – 28
3 28 – 36
4 36 – 44
5 44 – 52
6 52 – 60
7 60 – 68
8 68 – 76
Peringkasan kelas-kelas interval yang
mempunyai frekuensi kecil atau sangat kecil
dapat dilakukan dengan cara menggabungkan
antara kelas interval tersebut. Contoh
menggabungkan kelas interval yang ke -7 dan
 ke-8 menjadi satu kelas interval dengan total
frekuensi menjadi 2.

Kelas ke Kelas interval Frek. Absolut

1 13 - 20 9
2 21 - 28 28
3 29 - 36 17
4 37 - 44 14
5 45 - 52 4
6 53 - 60 6
7 61 - 68 1
8 69 - 76 1
Menjadi tabel distribusi frekuensi baru :
Kelas ke Kelas interval Frekuensi
absolut
1 13 - 20 9
2 21 - 28 28
3 29 - 36 17
4 37 - 44 14
5 45 - 52 4
6 53 - 60 6
7 61 - 76 2

Dengan digabungkannya kedua kelas

interval, maka untuk penggambaran
Grafik histogram, frekunsinya dibagi 2
kelas yang merupakan rata-rata dan
menjadi lebih lebar daerah segi
empatnya.gambar grafiknya sbb :
H. Tabel Distribusi Frekuensi Data Kontinu
Contoh penyusunan distribusi frekuensi diatas
menggunakan data diskrit(satuan,utuh), lalu
bagaimana jika menggunakan data kontinu yaitu data
yang mempunyai satuan pecahan atau tidak utuh.
Untuk jelasnya digunakan data agaji per bulan
karyawa PT Astra Motor Cabang Jogyakarta yang
diberi tambahan dua angka dibelakang koma :
27,5 53,59 46,15 63,10 54,29 58,43 58,08 50,61 59,90 85,62
42,91 62,25 35,60 69,20 64,65 42,56 64,27 45,09 65,51 84,32
52,12 69,18 38,24 94,61 72,80 73,90 75,39 75,44 77,49 81,51
62,33 92,18 47,37 39,21 40,67 64,57 43,10 65,28 50,23 79,21
66,21 89,60 53,01 47,80 48,12 56,20 49,75 58,24 60,71 60,40

Langkah-langkahnya :
 Rentang kelas = 94,61-27,45 = 67,16
 Banyak kelas interval= 1 + (3,3 log 50) = 6,61
dibulatkan jadi 7 kelas
 Panjang kelas = 67,16/7 = 9,59

Seperti yang terjadi pada contoh diatas, panjang kelas

digunakan pembulatan kelas yaitu 10. Misal
ditentukan data bebas sebagai batas kelas bawah
interval pertama, yang terpenting semua data dapat
masuk ke dalam kelas interval, misal digunakan (27)
atau yang lainnya.
Tabel 2.12 Distribusi Frekuensi Gaji per bulan
Karyawan PT Astra Motor Indonesia Cabang
Jogyakarta dengan data kontinu
Gaji karyawan Frekuensi
27 – 36,99 2
37 - 46,99 8
47 – 56,99 12
57 – 66,99 14
67 – 76,99 6
77 – 86,99 5
87 – 96,99 3
Jumlah 50

Jika frekuensi yang digunakan dalam penggambaran

grafik adalah frekuensi relatif, maka hasilnya adalah
sebagai berikut :
 Gaji F F M TK FRKKD FRKLD
karyawan Absolut Relatif
26,995 0% 100 %
27 – 36 2 4% 31,995
36,995 4% 94 %
37 – 46 8 16 % 41,995
46,995 20 % 80 %
47 – 56 12 24 % 51,995
56,995 44 % 56 %
57 – 66 14 28 % 61,995
66,995 72 % 28 %
67 - 76 6 12 % 71,995
76,995 84 % 16 %
77 - 86 5 10 % 81,995
86,995 94 % 6%
87 - 96 3 6% 91,995
96,995 100 % 0%

jumlah 50 100 % - - - -

Catatan :
FRKKD = Frekuensi Relatif Kumulatif Kurang Dari
FRKLD = Frekuensi Relatif Kumulatif Lebih Dari
Sehingga diperoleh gambar sbb : (gambar 2.9)
Grafik Histogram dengan data kontinu

I.
BAB 3 : PENGUKURAN SENTRAL

A. Pengertian Nilai Sentral

Pengukuran nilai sentral erat kaitanya dengan tabel distribusi frekuensi,
khususnya kurva ogive, karena pada kurva tersebut terdapat titik
pertemuan antar frekuensi kumulatif kurang dari (FKKD) dan frekuensi
kumulatif lebih dari (FKLD), disitulah letak nilai sentral yang akan diukur
dan berapa besarnya nilai sentral yang sebenarnya. Hasil pengukuran
diharapkan dapat memberikan gambaran yang lebih jelas dan rasional
atas populasi tertentu serta menjadi salah satu pertimbangan dalam
pengambilan keputusan. Sehingga resiko tingkat kesalahan yang akan
terjadi akibat pelaksanaan dari keputusan yang telah diambil dapat
diminimalkan, maka penyusunan tabel distribusi frekuensi sebagai
pendahuluan harus tepat.
Jadi, apa sebenarnya nilai sentral itu ? Nilai sentral adalah suatu nilai
yang dapat mewakili atau bersifat representatif dari sekumpulan data.
Jadi pengukuran nilai sentral atau gejala pusat adalah pengukuran dan
ukuran yang digunakan untuk menunjukkan nilai sentral atau gejala
pusat dari suatu distribusi frekuensi yang dapat mewakili keseluruhan
populasi. Pengukuran nilai sentral dikatakan baik jika mempunyai syarat
sebagai berikut :
Bersifat representatif terhadap sekumpulan data atau populasi, dan
mempunyai rumus dan langkah-langkah yang jelas sehingga mudah
dipahami.
Data-data yang dicari nilai sentral atau gejala pusat banyaknya sangat
bervariasi tergantung kebutuhan dan kemampuan si peneliti. Akibat
banyak sedikitnya data yang akan diukur, maka guna memudahkan
perhitungan dan pemahaman dalam pengukuran nilai sentral atau
gejala pusat, data dibagi dua yaitu :
 Data yang tidak dikelompokkan, adalah data yang nilainya
diperhitungkan secara individual dan tidak perlu menyususn
tabel distribusi frekuensi.
 Data yang dikelompokkan adalah data yang nilainya
diperhitungkan secara berkelompok dengan interval
tertentu dan perlu menyususn tabel distribusi frekuensi.
Kapan data dikelompokkan dan data tidak dikelompokkan ?

Sebenarnya tidak ada batasan khusus atau pasti berapa banyak data
dikelompokkan atau tidak dikelompokkan, tergantung tingkat kesulitan dan
keperluan. Namun begitu, semakin banyak data, akan relatif semakin sulit dan
kompleks permsalahaannya. Oleh karena itu sangat perlu dilakukan
pengelompokkan data menurut ukuran dan kreteria tertentu guna
mempermudah penilaian, penganalisisan serta peengambilan kesimpulan dan
keputusan.

B. Perhitungan Nilai Sentral.

Nilai sentral yang kita bahas pada bab n berkaitan dengan prtemuan
frekuensi kumulatif kurang dari (FK KD) dan frekuensi kumulatif lebih
dari ( FKLD) dengan nilai frekuensi absolut pada kurva ogive. Dimana
letak dari nilai sentral di prpotongan kedua garis frekuensi tersebut.
Nilai sentral dapat diukur melalui enam cara , yaitu :
 Rata- rata hitung (Arithmetic mean) dalam pembahasan
cukup dengan mean ( rata-rata) saja,
 Modus atau mode (Mo)
 Median (Me)
 Rata-rata kuadrat (RK) atau quadtratic mean
 Rata-rata harmoni (RH) atau hamonic mean
 Rata – rata ukur (RU) atau geometric mean
1. Rata-rata
Dalam penerapan istilah rata-rata hitung (arethmetic mean) dapat juga
disederhanakan menjadi rata-rata (mean) saja. Pengertian rata-rata
adalah nilai yang mewakili himpunan atau sekelompok data. Nilai rata-
rata cenderung terletak ditengah suatu kelompok data yang di susun
menurut besar kecilnya nilai. Simbul rata-rata dalam materi ini adalah
Ẋ ( baca : eks bar ) jika itu sampel dan µ ( baca : myu ) jika data berupa
populasi. Kebaikan dan kelemahan rata-rata/men :
 Kebaikan :
= mudah diingat, dimengerti, dipahami, dan dihitung
= tingkat perubahan data tidak terlalu mempengaruhi
 Prosedur perhitungan
= berdasarkan populasi/sampel yang ada
 Kelemahan :
= nilai ekstrem besar pengaruhnya
= kelas terbuka sulit ditentukan rata-ratanya
a. Data tidak dikelompokkan.
Data ini berarti nilainya diperhitungkan secara individual dan tidak
diperlukan tabel distribusi frekuensi. Misal ada sejumlah data yaitu :
Χ₁ , Χ₂, Χ₃, Χ₄, .......Χn. untuk menghitung nilai rata-rata dan tidak
dikelompokkan ada tiga cara, yaitu :
= rata-rata sederhana
= rata-rata berdasarkan frekuensi
= rata-rata berdasarkan bobot.
1. Rata-rata sederhana
Perhitungan nilai rata-rata sederhana hanya mendasarkan jumlah
data ( Χ ₁,₂,₃...n ) dibagi dengan banyak data. Secara matematis
dapat dirumuskan sebagai berikut :

_ _
Χ= Χ₁+Χ₂+Χ₃ + .............+ Χn atau Χ
n
keterangan :
X₁ = nilai data kesatu
Χ₂ = nilai data kedua
Χ₃ = nilai data ketiga
Χn = nilai data ke –n
n = banyak data
_
X = rata-rata/mean
 Contoh :
CV Al Fatah yang bergerak dalam bidang pembuatan tempe kemasan
plastik merek Kedelai Emas dan menguasai pasar di kota Jogyakarta
dengan omzet penjualan selama tahun 2014 sebagai berikut :

Tahun 2014 (bulan)

1 2 3 4 5 7 6 8 9 10 11 12
Penjualan 40 37 39 44 35 30 40 42 41 50 35 39
(Juta Rp)
Tentukan : rata-rata penjualan setiap bulannya selama tahun 2014 ?
Diketahui penjualan bulan :
 ke -1 (januari) atau X₁ = Rp 40.000.000,-
 Ke -2 (Februari) atau X₂ = Rp 37.000.000,-
 Ke -3(Maret) atau X₃ = Rp 39.000.000,-
 Ke -4 (April) atau X₄ = Rp 44.000.000,-
 Ke – 5 (Mei) atau X₅ = Rp 35.000.000,-
 Ke -6 (Juni) atau X₆ = Rp 30.000.000,-
 Ke – 7 (Juli) atau X₇ = Rp 40.000.000,-
 Ke – 8 (Agustus) atau X₈ = Rp 42.000.000,-
 Ke – 9 (September) atau X₉ =Rp 41.000.000,-
 Ke -10 (Okyober) atau X₁₀ = Rp 50.000.000,-
 Ke- 11 (Nopember ) atau X₁₁ = Rp 35.000.000,-
 Ke -12 (Desember) atau X₁₂ = Rp 39.000.000,-
Maka perhitungannya adalah sebagai berikut :

......................

2. Rata-rata berdasarkan frekuensi

Perhitungan nilai rata-rata berdasarkan frekuensi ini bukan hasil
pengelompokan suatu data tertentu (maksudnya tidak harus
menyusun distribusi frekuensi terlebih dahulu), tetapi medasrkan
banyaknya kemunculan data. rumusnya sebaga berikut :

......................
 Contoh :
Berikut ini data mengenai besar keuntungannetto para edagang
krajinan di jalan Malioboro Jogyakarta yang dihitung suatu hari
sebagai berikut :
Keuntungan netto (Xi) Banyak pedagang (Fi) Jumlah (Fixi)
Rp 500.000,- 10 Rp 5.000.000,-
Rp1.000.000,- 20 Rp 20.000.000,-
Rp 1.250.000,- 5 Rp 6.250.000,-
Rp 1.600.000,- 4 Rp 6.400.000,-
Rp 2.000.000,- 1 Rp 2.000.000,-
Total 40 Rp 39.650.000,-

Maka keuntungan nettonya :

.............................

Jadi rata-rata besar keuntungan netto per pedagang di jalan

Malioboro, Jogyakarta disuatu hari adalah Rp 991.250,-

3. Rata-rata berdasarkan bobot :

Variasi lain perhitungan rata-rata dapat dilakukan denegan
mempertimbangkan adanya suatu bobot tertentu berdasarkan
kepentingan atau skala prioritas atas suatu kejadian. Rumusnya
hampir sama dengan rata-rata berdasarkan frekuensi, hanaya diganti
dengan bobot (weight = W) sebagai berkut :
Contoh :
Seorang pimpinan perusahaan memberikan penilaian terhadaap para
pegawainya dengan beberapa kriteria, yaitu disiplin kerja, prestasi
kerja, dan semangat kerja dengan pembobotan yang berbeda.
Berikut ini nilai yang dicapai oleh seorang pegawainya :
Kriteria penilaian Bobot (Wi) Nilai (Xi)
Disiplin kerja 60 % 80
Prestasi kerja 20 % 60
Kerja sama 15% 70
Semangat kerja 5% 90
Total 100 %
NB. : nilai dengan skala 0 s/d 100
 Nilai rata-rata pegawai tersebut adalah :
Kriteria Bobot (Wi) Nilai (Xi) WiXi
penilaian
Disiplin kerja 60 % 80 48
Prestasi kerja 20 % 60 12
Kerja sama 15 % 70 10,5
Semangat kerja 5 % 90 4,5
Total 100 % 75
b. Data yang dikelompokkan
1. Rata-rata berdasarkan distribusi frekuensi
Jika datanya relatif banyk prlu dikelompokkan kedalam tabel
distribusi frekuensi. Dalam statistik jika banyak dari atau kurang dari
atau sama dengan 30 tidak prlu dikelompokkan. Yag prlu
dikelompokkan menurut statistik jika banyak data lebih dari 330.
Karena data dikelompokkan seperti tabel distribusi frekuensi dan titik
tengah (M0 dalam menghitung nilai rata-rata data berkelompok
rumusnya :

Contoh :
Selama tahun 2014 total premi per nasabah yang dibayar oleh
kenenam puluh nasabah baru dapat didistribusikan sbgai berikut :
Total premi ( x Rp 1.000,-) Nasabah baru
Rp 10.000,- - Rp 19.999 6
Rp 20.000,- - Rp 29.999 9
Rp 30.000,-- Rp 39.999 10
Rp 40.000,- -Rp 49.999 20
Rp 50.000,- -Rp 59.999 10
Rp 60.000,- -Rp 69.999 5
Tentukan rata-rata premi per nasabah yang dibayarkan para nasabah
baru tersebut ?

Rata-rata berdasarkan kode

REFERENSI :

1. STATISTIK INDUSTRI, AKHMAD FAUZY, Penerbit ERLANGGA

2. STATISTIK Edisi Ketiga, MURRAY R.SPEIGEL
DAN LARRY J.STEPHENS
3. DASAR-DASAR STATISTIKA, Dr.RIDUWAN, M.B.