Anda di halaman 1dari 24

STATISTIK SOSIAL

Disusun Untuk Memenuhi Tugas Mata Kuliah Statistik Sosial


Dosen Pengampu : Farhan Muntafa, S.Stat.,M.Stat

Disusun Oleh :
Fika Nur Fidiyanti (6661160028)
Gladys Anggriana (6661160066)
Siti Sahati (6661160041)
Ahmad Mahdi (6661160064)

PROGRAM STUDI ADMINISTRASI PUBLIK


FAKULTAS ILMU SOSIAL DAN ILMU POLITIK
UNIVERSITAS SULTAN AGENG TIRTAYASA
AGUSTUS 2018
KATA PENGANTAR

Puji Syukur kami panjatkan kehadirat Allah SWT atas segala limpahan rahmat
dan karunia-Nya sehingga makalah ini dapat diselesaikan tepat pada waktunya.
Makalah ini disusun agar pembaca dapat memperluas pengetahuan tentang Statistik
Sosial.
Kami sadar dalam penyusunan makalah ini masih banyak terdapat kekurangan.
Oleh sebab itu, saran yang membangun sangat diharapkan agar dapat menjadi acuan
dalam penyusunan makalah yang akan datang.
Semoga makalah ini dapat memberikan wawasan yang lebih luas kepada
pembaca. Walaupun makalah ini memiliki kelebihan dan kekurangan. Penyusun
mohon untuk saran dan kritiknya. Terima kasih.
Billahi Taufiq Walhidayah, Wassalamu’alaikum. Wr. Wb

Serang, 28 Agustus 2018

Penyusun
DAFTAR ISI

Kata Pengantar ............................................................................................................. ii


Daftar Isi ...................................................................................................................... iii

BAB I Pendahuluan
1.1 Latar Belakang ........................................................................................................
1.2
BAB II Pembahasan ................................................................................................ 3-22
BAB III Penutup ...........................................................................................................
A. Kesimpulan ..........................................................................................................
B. Saran ....................................................................................................................
BAB I
PENDAHULUAN

1.1 Latar belakang


Secara etimologis kata statistik berasal dari kata status (bahasa latin) yang
mempunyai persamaan arti dengan kata state (bahasa inggris) atau kata staat (bahasa
belanda), dan yang dalam bahasa indonesia diterjemahkan menjadi negara. Pada
mulanya, kata statistic diartikan sebagai kumpulan bahan keterangan (data), baik
yang berwujud angka (data kuantitatif) maupun yang tidak berwujud angka (data
kualitatif), yang mempunyai arti penting dan kegunaan yang besar bagi suatu Negara.
Namun, pada perkembangan selanjutnya, arti kata statistic hanya di batasi pada
kumpulan bahan keterangan yang berwujud angka (data kuantitatif) dan yang tidak
berwujud angka (data kualitatif).
Istilah statistic juga sering diberi pengertian sebagai kegiatan statistic atau
kegiatan persetatistikan atau kegiatan pensetatistikan. Sebagaimana disebutkan dalam
undang-undang tentang statistic (lihat undang-undang No. 7 tahun 1960), kegiatan
statistic mencakup 4 hal, yaitu: (1) pengumpulan data, (2) penyusunan data, (3)
pengumuman dan pelaporan data, dan (4) analisis data.
Mata kuliah statistika bagi mahasiswa sangat diperlukan terutama ketika
seorang mahasiswa harus mengumpulkan, mengolah, menganalisis dan
menginterprestasikan data untuk pembuatan skripsi, thesis atau disertasi. Dalam hal
ini pengetahuan statistik dipakai dalam menyusun metodologi penelitian.
Sebagai suatu ilmu, kedudukan statistika merupakan salah satu cabang dari ilmu
matematika terapan. Oleh karena itu untuk memahami statistika pada tingkat yang
tinggi, terebih dahulu diperlukan pemahaman ilmu matematika.
Di negara maju seperti Amerika, Eropa dan Jepang, ilmu statistika
berkembang dengan pesat sejalan dengan berkembangnya ilmu ekonomi dan teknik.
Bahkan kemajuan suatu negara sangat ditentukan oleh sejauh mana negara itu
menerapkan ilmu statistika dalam memecahkan masalah-masalah pembangunan dan
perencanaan pemerintahannya. Jepang sebagai salah satu negara maju, konon telah
berhasil memadukan ilmu statistika dengan ilmu ekonomi, desain produk, psikologi
dan sosiologi masyarakat.
Sejauh itu, ilmu statistika digunakan pula untuk memprediksi dan
menganalisis perilaku konsumen, sehingga Jepang mampu menguasai perekonomian
dunia sampai saat ini.

1.2 Rumusan Masalah


Berdasarkan uraian pada latar belakang di atas, maka rumusan masalahnya
adalah:
1. Apakah yang dimaksud dengan statistik dan statistika?
2. Apa pengertian dari parameter?
3. Apa yang dimaksud dengan populasi dan sampel?
4. Apa yang dimaksud dengan penaksiran dan estimasi statistik?
5. Apa saja ukuran-ukuran yang ada dalam statistik?

1.3 Tujuan
1. Untuk mengetahui pengertian dari statistik dan statistika
2. Untuk mengetahui pengertian parameter
3. Untuk mengetahui tentang populasi dan sampel
4. Untuk mengetahui tentang penaksiran dan estimsi statistik
5. Untuk mengetahu ukuran-ukuran yang ada dalam statistik
BAB II
PEMBAHASAN

1. PENGERTIAN STATISTIK VS. STATISTIKA


Tempo dulu statistik hanya digunakan untuk menggambarkan keadaan dan
menyelesaikan problem-problem kenegaraan saja seperti perhitungan penduduk
dan lainnya. Pengertian statistik itu sendiri berasal dari kata state (Yunani) yaitu
negara dan digunakan untuk urusan negara. Dari uraian ini dapat dikatakan bahwa
statistik adalah rekapitulasi dari fakta yang berbentuk angka-angka disusun dalam
bentuk tabel dan diagram yang mendeskripsikan suatu permasalahan.
Dalam perkembangannya untuk menyelesaikan suatu masalah dapat
digunakan beberapa pendekatan antara lain statistika dalam arti sempit dan
statistika dalam arti luas (sutrisno hadi, 1994:221). Statistika dalam arti sempit
(statistik deskriptif) ialah statistika yang mendeskripsikan atau menggambarkan
tentang data yang disajikan dalam bentuk tabel, diagram, pengukuran tendensi
sentra (rata-rata hitung, rata-rata ukur, dan rata-rata harmonik), pengukuran
penempatan (median, kuartil, desil dan persentil), pengukuran penyimpangan
(range, rentangan antar kuartil, rentangan semi antar kuartil, simpangan rata-rata,
simpangan baku, varians, koefisien varians dan angka baku), angka indeks serta
mencari kuatnya hubungan dua variabel, melakukan peramalan (prediksi) dengan
menggunakan analisis regresi linier, membuat perbandingan (komparatif).
Statistik dalam arti luas disebut juga dengan statistik inferensial/statistika
induktif/statistika probabilitas ialah suatu alat pengumpul data, pengolah data,
menarik kesimpulan, membuat tindakan bersasarkan analisis data yang
dikumpulkan atau statistika yang digunakan menganalisis data sampel dan
hasilnya dimanfaatkan untuk populasi. Hal ini sesuai dikatakan oleh Sudjana,
(1992:3) bahwa "statistika (statistic) adalah ilmu terdiri dari teori dan metoda
yang merupakan cabang dari matematika terapan dan membicarakan tentang
bagaimana mengumpulkan data, bagaimana meringkas data, mengolah data
menyajikan data, bagaimana menarik kesimpulan dari hasil analisis, bagaimana
menentukan keputusan dalam batas-batas resiko tertentu berdasarkan startegi
yang ada.
Jadi dapat disimpulkan bahwa statistik adalah suatu ilmu pengetahuan yang
berhubungan data statistik dan fakta yang benar. Atau suatu kajian ilmu
pengetahuan yang dengan teknik pengumpulan data, teknik pengolahan data,
teknik analisis data, penarikan kesimpulan, dan pembuatan kebijakan/keputusan
yang cukup kuat alasannya bersasarkan data dan fakta yang benar.

2. PENGERTIAN PARAMETER
Parameter merupakan ukuran-ukuran yang berlaku pada populasi. Simbol
parameter θ (baca: tetha), sedangkan statistik merupakan ukuran-ukuran yang
berkenaan dengan sampel. Parameter juga memiliki pengertian sekumpulan angka
angka yang dapat memberikan gambaran mengenai keadaan suatu keadaan/gejala.
Yang membedakan Statistik dan Parameter adalah adalah data awal yang diolah
untuk dijadikan Informasi. Statistik menggunakan Sampel sebagai data awalnya,
sedangkan parameter menggunakan populasi. Anggapan-anggapan dasar yang
berlaku hendaklah dipenuhi terlebih dahulu sebelum melakukan pengujan
hipotesis. Langkah-langkah ialah sebagai berikut ; data yang diuji harus
berdistribusi normal dan peniliti menyatakan secara tegas dan jelas bahwa data
yang akan diuji tersebut berasal dari populasi atau sampel. Jika menggunakan
data populasi, maka rata-rata populasi μ (baca: myu ), standar deviasi populasi σ
(baca: sigma) dan varians populasi σ2 (baca: sigma kuadrat). Apabila
menggunakan data sampel ..... (baca: eks bar atau eks garis), standar deviasi
sampel (s) dan varians sampel (s2 atau S).
Statistik yang cocok untuk menguji hipotesis tentang parameter populasi
dinamakan statistik parametrik. Jika parameter diuji berdasarkan data sampel,
maka statistik yang digunakan adalah statistik infrerensial (statistik induktif).
statistik parametrik didasarkan atas asumsi yang ketat tentang keadaan populasi.
Asumsi utama adalah populasi atau sampel harus berdistribusi normal, dipilih
secara acak, mempunyai hubungan yang linier dan data bersifat homogen.
Statistik parametrk lebih banyak bekerja dengan data interval dan ratio.
Pasangan dari statistik parametrik adalah staistik non parametrik. Statistik non
parametrik tidak menganut asumsi bahwa data populasi atau sampel harus
berdistribusi normal, dipilih secara acak, mempunyai hubungan yang linier dan
data bersifat homogen. Oleh sebab itu, statistik non parametrik disebut dengan
“statistik bebas distribusi”. Statistik non parametrik lebih banyak bekerja dengan
data ordinal dan nominal.

Contoh :
Kasus 1. Kita ingin mengetahui rata-rata tinggi badan Mahasiswa di suatu
kampus yang berjumlah 50 ribu mahasiswa. Karena untuk mengukur 50 ribu
mahasiswa memerlukan waktu dan tenaga yang sangat banyak, maka kita bisa
memilih beberapa (misal seribu mahasiswa) yang dianggap mewakili 50 ribu
mahasiswa tersebut. Nah Populasi dari kejadian tersebut adalah 50 ribu
mahasiswa, Sampelnya adalah seribu mahasiswa yang diukur, dan rata-rata yang
diperoleh dari pengukuran seribu mahasiswa tersebut merupakan rata-rata
Statistik.
Kasus 2. Kita ingin mengetahui rata rata pendapatan Kepala Keluarga (KK) di
suatu perumahan yang berjumlah 20 KK. Populasinya adalah 20 KK yang berada
di perumahan tersebut. Karena jumlah populasinya hanya 20, jadi kita bisa
menghitung langsung rata-rata dari data populasi. Nah rata-rata tersebut
merupakan rata-rata dari Parameter.
Nah itu contoh kasus yang biasa kita temui tentang kapan kita menggunakan
parameter dan kapan kita menggunakan statistik. Dari contoh kasus di atas dapat
kita tarik kesimpulan bahwasanya umumnya Parameter digunakan jika
memungkinkan untuk mengukur semua objek yang akan kita teliti. Biasanya
parameter digunakan jika Populasi dari objek kajian kita cenderung sedikit. Jika
Populasi dari objek kajian kita tidak memungkinkan untuk diukur semuanya, kita
bisa menggunakan Statistik yang hanya memerlukan ukuran sampel untuk
mendekati ukuran populasi. Namun yang perlu digaris bawahi adalah tidak
semua kasus dimana objek kajiannya banyak menggunakan statistik. Kalau dia
mengukur seluruh populasi dari objek kajian, maka yang digunakan tetaplah
Parameter, walau kasus seperti itu sangat jarang terjadi. Selain dari pengertian dan
penggunaannya, Statistik dan Parameter juga mempunyai perbedaan pada simbol-
simbol yang digunakan dalam perhitungannya. Simbol untuk statistik merupakan
simbol yang berbentuk huruf alfabet sedangkan simbol untuk parameter
merupakan simbol yang berbentuk huruf Yunani. Berikut contoh beberapa simbol
dari statistik dan parameter.

3. PENGERTIAN POPULASI DAN SAMPEL


3.1 Populasi
Populasi merupakan subyek penelitian. Menurut Sugiyono (2010:117)
populasi adalah wilayah generalisasi yang terdiri atas obyek/subyek yang
mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk
dipelajari dan kemudian ditarik kesimpulannya. Jadi populasi bukan hanya orang,
tetapi juga obyek dan benda-benda alam yang lain. Populasi juga bukan sekedar
jumlah yang ada pada obyek/subyek yang dipelajari, tetapi meliputi seluruh
karakteristik/sifat yang dimiliki oleh subyek atau obyek itu.
Adapun pengertian Populasi menurut Nawawi (1985) menyebutkan bahwa
Populasi adalah : “Totalitas semua nilai yang mungkin, baik hasil menghitung
ataupun pengukuran kuantitatif maupun kualitatif dari karakteristik tertentu
mengenai sekumpulan objek yang lengkap”. Sedangkan Riduan dan Tita Lestari
(1997) mengatakan bahwa Populasi adalah: “Keseluruhan dari karakteristik atau
Unit hasil pengukuran yang menjadi objek penelitian”.
Dari beberapa pendapat di atas, maka dapat ditarik kesimpulan bahwa
“Populasi merupakan Objek atau Subjek yang berada pada Suatu Wilayah dan
Memenuhi Syarat – Syarat tertentu berkaitan dengan Masalah Penelitian.”
3.2 Sampel
Sampel (menurut Sugiyono, 2003 ; 56) adalah sebagian dari jumlah dan
karakteristik yang dimiliki oleh populasi tersebut. Bila populasi besar, dan
peneliti tidak mungkin mempelajari semua yang ada pada populasi, maka peneliti
dapat menggunakan sample yang diambil dari populasi itu. Semua yang dipelajari
dari sample itu, kesimpulannya akan diberlakukan untuk Populasi. Oleh karena
itu, Sampel yang diambil dari Populasi harus benar – benar Representatif.
Sedangkan Suharsimi Arikunto (2002, 109) mendefinisikan Sampel adalah
Bagian dari Populasi yaitu sebagian atau wakil dari Populasi yang diambil
sebagai sumber data dan dapat mewakili seluruh populasi.
Dari beberapa pendapat tersebut di atas, dapat disimpulkan bahwa sampel
adalah Sebagian dari Populasi yang memiliki ciri-ciri atau keadaan tertentu yang
akan diteliti.

4. PENGERTIAN ESTIMASI, PENAKSIR, DAN TAKSIRAN STATISTIK


4.1 Estimasi
Beberapa pengertian estimasi adalah sebagai berikut:
a. Estimasi merupakan suatu metode dimana kita dapat memperkirakan
nilai Populasi dengan memakai nilai sampel.
b. Estimasi merupakan kegiatan penarikan kesimpulan statistik yang berawal dari ha
l-hal yang bersifat umum ke hal– hal yang bersifat khusus, agar penarikan
kesimpulan dapat dibenarkan dan mampu mendekati kebenaran maka dibutuhkan
suatu alat untuk memproses data secara benar, jika kegiatan estimasi dapat
dilakukan secara benar maka semua keputusan yang berkaitan dengan estimasi
dapat dilakukan juga dengan benar dan dapat untuk mengatasi segala persoalan
statistik.
c. Estimasi adalah menaksir ciri-ciri tertentu dari populasi atau memperkirakan nilai
populasi (parameter) dengan memakai nilai sampel (statistik).
Beberapa macam estimasi adalah sebagai berikut:
a. Estimasi Parameter
Salah satu persoalan penting dalam kesimpulan statistik adalah estimasi
parameter-parameter populasi atau singkatnya parameter (misalnya mean dan
varians populasi) dari statistic sampel atau singkatnya statistik (misalnya mean
dan varian sampel) korespondensinya.
b. Estimasi Tak Bias
Jika mean dari distribusi sampling suatu statistik sama dengan parameter
populasi korespondensinya, maka statistik ini disebut sebagai estimator tak bias
dari parameter tersebut. Kebalikannya, jika mean dari distribusi sampling suatu
statistik tidak sama dengan parameter populasi korespondensinya, maka statistik
ini disebut sebagai estimator bias dari parameter tersebut. Nilai-nilai
korespondensi dari statistik-statistik semacam ini masing-masing disebut sebagai
estimasitak bias atau estimasi bias.
c. Estimasi efisien
Jika distribusi sampling dari dua statistik memiliki mean atau ekspektasi yang
sama, maka statistik dengan varians yang lebih kecil disebut sebagai estimator
efisien dari mean, sementara statistik yang lain disebut sebagai estimator tak
efisien. Adapun nilai-nilai yang berkorespondensi dengan statistik-statistik ini
masing-masing disebut sebagai estimasi efisien dan estimasi tak efisien. Jika kita
amati semua kemungkinan statistik yang distribusi samplingnya memliki mean
yang sama, maka statistik dengan varians terkecil kadang kala disebut sebagai
estimator paling efisien, atau terbaik, dari mean ini.
d. Estimasi titik dan estimasi interval
Estimasi dari sebuah parameter populasi yang dinyatakan oleh sebuah
bilangan tunggal disebut dengan estimasi titik dari parameter tersebut. Sedangkan
estimasi dari parameter populasi yang dinyatakan oleh dua bilangan di antara
posisi parameternya diperkirakan berada disebut sebagai estimasi interval dari
parameter tersebut.
Estimasi interval mengindikasikan tingkat kepresisian, atau akurasi, dari
sebuah estimasi sehingga estimasi interval akan dianggap semakin baik jika
mendekati estimasi titik.

4.2 Penaksiran
Secara umum, parameter populasi akan diberi simbol 0 (baca: theta). Jadi 0
bisa merupakan rata-rata µ, simpangan baku α, proporsi π dan sebagainya. Jika 0,
yang tidak diketahui harganya, ditaksir oleh harga Ô (baca: theta topi), maka Ô
dinamakan penaksir. Jelas bahwa sangat dikehendaki Ô=0, yaitu bisa mengatakan
harga 0 yang sebenarnya. Tetapi ini merupakan keinginan yang boleh dibilang
ideal sifatnya.
a. Menaksir 0 oleh Ô terlalu tinggi, atau
b. Menaksir 0 oleh Ô terlalu rendah.
Keduanya ini jelas tidak dikehendaki. Karenanya kita menginginkan penaksir
yang baik. Yang bagaimana?
Di bawah ini diberikan kriteria untuk mendapatkan penaksir yang baik, yaitu :
tak bias, mempunyai varians minimum dan konsisten.

Beberapa definisi:
1) Penaksir Ô dikatakan penaksir tak bias jika rata-rata semua harga Ô yang
mungkin akan sama dengan 0. Dalam bahasa ekspektasi ditulis ε (Ô) = 0.
Penaksir yang tidak tak bias disebut penaksir bias.
2) Penaksir bervarians minimum ialah penaksir dengan varians terkecil di antara
semua penaksir untuk parameter yang sama. Jika Ô1 dan Ô2 dua penaksir
untuk 0 di mana varians untuk Ô1 lebih kecil dari varians untuk Ô2 maka Ô1
merupakan penaksir bervarians minimum.
3) Misalkan Ô penaksir untuk 0 yang dihitung berdasarkan sebuah sampel acak
berukuran n. Jika ukuran sampel n makin besar mendekati ukuran populasi
menyebabkan Ô mendekati 0, maka Ô disebut penaksir konsisten.
4) Penaksir yang tak bias dan bervarians minimum dinamakan penaksir terbaik.

5. UKURAN DATA STATISTIK


Kegiatan pengumpulan data dimaksudkan untuk mengetahui karakteristik dari
data-data itu. Ada banyak macam ukuran statistik yang digunakan untuk menjelaskan
dan menguraikan data-data yang berhasil dikumpulkan. Karakteristik yang dimaksud
umumnya berbentuk parameter misalnya rata-rata, persentase, simpangan baku dan
lain-lain maupun sifat-sifat, ciri-ciri atau hal lain yang dimiliki data tersebut.
Terminologi yang sering dipakai dalam statistik dalam mengolah data sepenuhnya
bergantung pada apakah data merupakan suatu populasi atau suatu penarikan contoh
yang diambil dari populasi.
Untuk menguraikan karakteristik populasi diperlukan data. Cara memperoleh data
yang diperlukan keseluruhannya bergantung pada kondisi dasarnya. Bila kondisi
memungkinkan, pengumpulan data dilaksanakan secara sensus. Ini terjadi bila setiap
individu yang membentuk populasi yang sedang diamati dicatat untuk dilakukan
penelitian, akan tetapi bila tidak memungkinkan, biasanya dilakukan dengan
pencuplikan contoh terhadap sebagian yang diambil dari populasi.

5.1 Ukuran Pemusatan


Jika ada sekelompok atau kumpulan data-data kuantitatif, maka untuk
menyebutkan ukuran numerik sebagai wakil dari data sering dipakai nilai rata-rata
baik terhadap populasi maupun terhadap contoh. Rata-rata ini merupakan ukuran
pemusatan bila kumpulan data diurutkan dari yang terkecil sampai yang terbesar.
Seperti contoh, tinggi badan rata-rata 165 cm dapat dipandang sebagai nilai yang
menunjukkan pusat dari nilai-nilai lainnya. Dengan demikian bila segugus data
diurutkan dari yang terkecil sampai dengan yang terbesar disebut ukuran pemusatan.
Ukuran pemusatan lain yang banyak digunakan dalam ilmu statistik adalah median
dan modus. Di samping itu ada parameter lain seperti rata-rata ukur (geometric mean)
dan rata-rata harmonis, yang semuanya bergantung pada arah dan tujuan pemakainya.
Perhatikan angka-angka hasil ujian akhir berikut ini: 67, 70, 78, 74, 81, 88, 81, 63,
73, 65, 81, 77, 81 dan 84. Tidak banyak yang dapat disimpulkan dari hasil ujian di
atas hanya dengan memperhatikan gugusan datanya. Untuk itu perlu dilakukan
pengurutan nilai ujian dan angka terkecil ke angka terbesarnya.
63, 65, 67, 70, 73, 74, 77, 78, 81, 81, 81,82, 84, dan 88

Banyaknya data yang diamati sama dengan N, maka nilai N disebut ukuran
kumpulan data (populasi). Sedangkan data yang telah diurutkan dari yang terkecil
sampai yang terbesar dinamakan statistik peringkat. Data yang nilainya terkecil
adalah statistik peringkat pertama atau statistik minimum yang ditulis X[1] dan pada
contoh di atas nilainya X[1] = 63. Data terbesar disebut statistik peringkat ke-N atau
statistik maksimum X[N] = X[14] = 88. Kedua statistik ini bersama-sama sebagai
statistik-statistik ekstrim.

5.1.1 Rata-Rata
5.1.1.1 Rata-Rata Hitung
Rata-rata (mean) adalah ukuran pemusatan lokasi yang banyak digunakan dalam
statistika. Ukuran ini mudah dihitung dengan memanfaatkan semua data yang
dimiliki. Namun demikian, kekurangan dari ukuran pemusatan rata-rata ini sangat
dipengaruhi nilai ekstrim.
Jika ada sekelompok data, maka untuk menyebut ukuran numeric sebagai wakil
dari data sering dipakai nilai rata-rata (hitung) baik terhadap populasi maupun
terhadap contoh. Rata-rata hitung (sering disebut rata-rata saja) dapat ditentukan
dengan cara membagi jumlah nilai data oleh banyaknya data.
5.1.1.2 Rata-Rata Sementara
Menghitung nilai rata-rata dapat dilakukan dengan menggunakan rata-rata
sementara. Rata-rata hitung ͞x yang diperoleh dari jumlah rata-rata sementara dan
simpangan rata-rata dirumuskan:
𝑓𝑖 .𝑑𝑖
x= xs +
Σ𝑓𝑖

Variabel ͞xs merupakan rata-rata sementara. Nilai simpangan d diperoleh dari

setiap titik tengah dikurangi rata-rata sementaramya x i - x S.

5.1.1.3 Rata-Rata Tertimbang


Dalam hal tertentu sebuah nilai variabel statistik mempunyai timbangan. Bila kita
merata-ratakan n buah data X1, X2,…..Xn, tetapi dengan asumsi bahwa sebagian lebih
penting dari lainnya dapat dilakukan dengan member timbangan w1, w2, w3,….., wn
pada nilai-nilai tersebut. Oleh karena itu rata-rata tertimbangnya adalah:
𝑊1. 𝑋1 +𝑊2 .𝑋2 +⋯+𝑊𝑛 .𝑋𝑛
͞xw=
𝑊1 +𝑊2 +⋯+𝑊𝑛

5.1.1.4 Rata-Rata Gabungan


Misalkan ada k buah populasi terhingga dengan ukuran populasi N1, N2,…..Nk dan
mempunyai rata-rata populasi µ1, µ2,…, µk maka rata-rata gabungan µg dari semua
populasi adalah :
𝑁1 . µ1 + N2 . µ2 + ⋯ Nk µk
µg =
𝑁1 + 𝑁2 + ⋯ 𝑁𝑘

Apabila dari populasi berukuran N1, N2, …, dengan cara tertentu hanya diambil
sebagian saja sehingga yang terukur nilainya hanya N1, N2, …, Nk. bila masing-
masing mempunyai rata-rata ͞ x 1, x 2, …, x k maka rata-rata contoh gabungan adalah:

𝑛1 . x 1 +n2 . x 2 +⋯nk x k
x g=
𝑛1 +𝑛2 +⋯𝑛𝑘
5.1.1.5 Rata-Rata Geometrik
Dalam banyak hal, nilai rata-rata sering kali memerlukan data berkala (time series)
untuk mengetahui kecenderungan misalkan indeks ekonomi, tingkat pendapatan
nasional, tingkat produksi, rata-rata penjualan tiap tahun dan lain-lain. Berapa besar
rata-rata persentase tingkat perubahan per tahun? Yang ditanyakan dalam hal ini
adalah nilai konstanta yang dapat menjelaskan tingkat perubahan per tahunnya. Nilai
konstanta ini dapat dicari dengan menggunakan rata-rata geometrik.
Rata-rata geometric bagi nilai n bilangan positif X1, X2,…, Xn, adalah akar pangkat
n dari hasil kali semua bilangan itu. Jadi ,
G= 𝑛√𝑋1. 𝑋2 … 𝑋𝑛
G merupakan rata-rata geometric dari X1, X2,…,Xn. nilai dari X1, X2,…,Xn
menunjukkan rata-rata relative. Selanjutnya gunakan logaritma pada masing-masing
ruas :
1
Log G=𝑛 ( ∑𝑛𝑖=1 log 𝑋𝑖 )

Rata-rata geometric G diselesaikan dengan mengambil antilogaritmanya :


1
G = antilog 𝑛 ( ∑𝑛𝑖=1 log 𝑋𝑖 )

5.1.1.6 Rata-Rata Harmonik


Dalam praktek nilai rata-rata harmonik H, paling sering digunakan untuk merata-
ratakan kecepatan jarak tempuh, menentukan harga rata-rata komoditi tertentu,
menghitung investasi sejumlah uang tertentu setiap periode dan lain-lain.
Rata-rata harmonik bagi nilai n bilangan positif X1, X2,..., Xn, adalah n dibagi
dengan jumlah kebalikan bilangan-bilangan itu. Jadi,
𝑛
H= 1 1 1
𝑋
+ 𝑋 +⋯+𝑋
1 2 𝑛
5.1.2 Median
Sekumpulan data statistic sebanyak N telah diurutkan dari yang terkecil sampai
yang terbesar atau sebaliknya. Data statistik yang berada di tengah-tengah disebut
median (Med). Bila banyaknya pengamatan data ganjil, data yang di tengah-tengah
adalah mediannya atau bila banyaknya pengamatan genap, rata0rata kedua
pengamatan yang di tengah adlah mediannya. Median selalu ditentukan dengan
membagi kumpulan data menjadi dua bagian fraksi yang sama. .
Perhatikan kembali nilai ujian mahasiswa yang telah diurutkan dari nilai yang
terkecil sampai nilai yang terbesar: 63, 65, 67, 70, 73, 74, 77, 78, 81, 81, 82, 84, dan
88. Nilai statistic minimumnya 63, nilai statistic maksimumnya 88 dan nilai
mediannya adalah 77,5.
Bila datanya berkelompok atau disusun dalam kelas-kelas selang, maka rumus
mediannya dihitung dengan cara interpolasi.
𝑁
2
− (∑𝑘
𝑖=1 𝑓𝑖 )
Med = Lo+(c)
𝑓𝑚
Dengan :
Lo = nilai batas bawah dari kelas selang yang mengandung unsure atau
memuat nilai median
∑ 𝑓𝑖 )0 = jumlah frekuensi dari semua kelas selang dibawah kelas yang
mengandung median (kelas yang mengandung median tidak dihitung)
N = Banyaknya pengamatan
fm = Frekuensi selang kelas yang mengandung median
c = Besarnya selang kelas, jarak antara kelas yang satu dengan lainnya.

5.1.2.1 Kuartil
Pengurutan data seperti yang telah disinggung, selain untuk menentukan statistic
ekstrim, juga berguna untuk membagi statistic peringkat menjadi bagian-bagian
(fraksi) dalam lompatan 25% dari keseluruhan data yang diamati. Median atau kuartil
kedua (Q2) dapat ditentukan sebagai suatu nilai lebih besar dari 1/2N nilai pengamatan
terkecil dan kurang dari 1/2N nilai pengamatan terbesar. Kuartil pertama (Q1) adalah
median semua pengamatan yang kurang dari Q2. Artinya nilai-nilai kuartil ketiga Q3
adalah median amatan yang lebih dari Q2. Artinya nilai-nilai kuartil mempunyai sifat
bahwa 25% data jatuh di bawah Q1, 50% jatuh di bawah Q3.
Misalkan di atas ada N pengamatan dan sudah diurutkan dari nilai yang terkecil
sampai nilai yang terbesar, peringkat kuartilnya adalah:
1
Q1 pada peringkat 4 (𝑁 + 1)
2
Q2 pada peringkat 4 (𝑁 + 1)
3
Q3 pada peringkat 4 (𝑁 + 1)

Perlu diperhatikan bahwa penentuan median selalu membagi kumpulan data


menjadi dua bagian fraksi yang sama. Akan tetapi pada penentuan kuartil pertama
dan kuartil ketiga rasio yang terjadi tidaklah sama 1 : 3. Kuartil pertama
menghasilkan fraksi bawah 3 nilai dan fraksi atas dengan 11 nilai. Rasionya 3 : 11
hanya mendekati rasio yang diharapkan yaitu 1 : 3. Oleh karena itu untuk
menentukan kuartil pertama dan kuartil pertama dan kuartil ketiga perlu dilakukan
interpolasi agar hasilnya lebih cermat.
𝑖
4
𝑁−(∑𝑘
𝑖=1 𝑓𝑖 ) 0
Kuartil Qi = Lo + (c) dengan i=1,2,3
𝑓𝑄

5.1.2.2 Desil
Dalam 2 pasal sebelumnya dibahas ukuran lokasi pemusatan yaitu median dan
kuartil. Ada beberapa ukuran lokasi lain yang menunjukkan lokasi sebagian data
relative terhadap sekelompok data. Ukuran lokasi yang akan diberikan ini adalah
desil dan persentil.
Desil adalah nilai-nilai yang membagi sekelompok data pengamatan menjadi 10
bagian yang sama. Dalam ilmu statistic, desil sering dituliskan sebagai D1, D2,…, D8
dan D9 yang mempunyai sifat bahwa 10% data jatuh di bawah D1, 20% data jatuh di
bawah D2,… dan 90% data jatuh dibawah D9.
Cara menghitung desil sama persis dengan menghitung kuartil. Bila ada N
pengamatan dan sudah diurutkan dari nilai yang terkecil sampai yang terbesar, maka
rumus desil adalah :
𝑁−(∑𝑘
𝑖
𝑖=1 𝑓𝑖 ) 0
Desil Di = Lo + (c) 10
dengan i=1,2,3,…9
𝑓𝐷

Dengan :
Lo= nilai batas bawah dari kelas selang yang membangun desil

5.1.2.3 Persentil
Persentil adalah nilai-nilai yang membagi sekelompok data pengamatan menjadi
100 bagian yang sama yang disebut persentil. Persentil sering disimbolkan sebagai
P1, P2,…, P98 dan P99 yang mempunyai sifat bahwa 1% data jatuh di bawah P1, 2% data
jatuh di bawah P2,… dan 99% data jatuh di bawah P99.
Cara menghitung persentil sama persis dengan perhitungan kuartil maupun desil
dari data asalnya, akan tetapi karena data sudah dikelompokkan dan telah dihilangkan
identitasnya, maka lebih mudah bila ditentukan langsung dari sebaran frekuensinya.
Bila ada N pengamatan dan sudah diurutkan dari nilai yang terkecil sampai nilai yang
terbesar, maka rumus persentilnya:
𝑖
100
𝑁−(∑𝑘
𝑖=1 𝑓𝑖 ) 0
Persentil Pi=Lo+(c) dengan i=1,2,…,99
𝑓𝑃

5.1.3 Modus
Sekumpulan pengamatan data yang nilai terjadinya sering muncul atau yang
mempunyai frekuensi paling tinggi disebut modus (Mo, atau nilai yang paling banyak
di dalam satu kelompok nilai.
Suatu distribusi mungkin tidak mempunyai modus, dengan kata lain modus tidak
selalu ada. Hal ini bila semua pengamatan hanya mempunyai satu frekuensi saja.
Untuk data-data tertentu kemungkinan muncul beberapa nilai dengan frekuensi yang
sama dan hal ini dimungkinkan kumpulan data mempunyai lebih dari satu modus.
Untuk kumpulan data yang berukuran cukup kecil modus ini tidak mantap sehingga
hanya bermanfaat untuk dijadikan penciri kumpulan data yang berukuran besar.
Dalam bidang pemasaran, ukuran modus juga sering digunakan untuk mengetahui
barang apa yang paling disukai konsumen. Artinya barang apa yang telah menjadi
mode. Mode pakaian, mode sepatu, rambut gondrong, celana belel dan lain-lain
merupakan suatu mode. Potongan rambut “cepak” ala “Demi Moore” yang paling
digemari pun disebut mode. Jenis film opera “sabun” yang sering ditonton pemirsa
TV merupakan mode.
Apabila data dikelompokkan dalam kelas-kelas selang dan disajikan dalam tabel-
tabel frekuensi tertentu, maka dalam mencari modus dapat dipergunakan rumus
sebagai berikut:
𝛿1
M0=Lo + c (𝛿 )
1 + 𝛿2

Dengan :
Lo = Nilai batas bawah dari kelas yang mengandung unsure nilai unsure atau
membuat nilai modus.

5.2 Ukuran Keragaman


Nilai rata-rata, median (kuartil, desil, persentil) dan modus adalah nilai-nilai yang
mewakili pemusatan sekelompok data. Akan tetapi ketiga ukuran pemusatan yang
telah dibahas ternyata belum memberikan gambaran yang mencukupi bagi
sekelompok data.
Data dari suatu pengamatan selain memiliki kecenderungan memusat juga
memiliki kecenderungan mencapai nilai yang berbeda. Hal ini disebut kecenderungan
memencar. Yaitu seberapa jauh hasil-hasil pengamatan menyebar di “sekitar” rata-
ratanya. Ada yang sama dengan rata-rata, ada yang lebih kecil atau lebih besar
dengan rata-rata tersebut. Dengan kata lain ada keragaman atau disperse dari data-
data itu.
Bila seluruh data dari suatu kelompok data sama satu sama lain dikatakan
kelompok data homogeny (tidak bervariasi). Perhatikan hasil pengamatan 2
kelompok data berikut, dalam miligran kadar tar dalam rokok filter dan kretek.
Rokok Filter 30 31 28 30 29 29 32 30 32 29 mg
Rokok Kretek 33 29 30 31 34 28 29 29 27 30 mg
Rata-rata kandungan tar kedua rokok sama yaitu 30 mg. tetapi terlihat bahwa pada
rokok filter kandungan tar-nya lebih seragam daripada rokok kretek. Maksudnya
tingkat keragaman pengamatan rokok filter dari nilai rata-ratanya lebih kecil daripada
rokok kretek. Oleh sebab itu, kita lebih percaya bahwa kandungan tar lebih mendekati
pada rokok filter.
Ada beberapa macam ukuran keragaman atau dispense, misalnya nilai jarak, rata-
rata simpangan, simpangan baku, dan koefisien variasi.

5.2.1 Nilai Jangkauan


Di antara ukuran keragaman yang paling sederhana dan paling mudah
dihitung adalah nilai jangkauan (NJ). Nilai jangkauan sekumpulan data adalah
beda pengamatan data terbesar dengan data terkecil dalam sekumpulnya data
tersebut. Bila suatu kumpulan data sudah disusun menurut urutan yang terkecil
(statistik minimum X[1]) sampai yang terbesar (statistik maksimum X[n], maka nilai
jangkauannya adalah:
NJ = X[1] – X[1]
Nilai jangkauan bukan merupakan ukuran keragaman yang baik karena
nilai ini hanya memperhatikan kedua nilai ekstrim dan tidak mengatakan apa-apa
mengenai sebenarnya. Sebagai gambaran lihatlah sebaran kandungan tar rokok di
atas. Rokok filter mempunyai nilai rata-rata dan median sama yaitu sebesar 30 mg
dan bilangan-bilangannya bervariasi dari 28 sampai 32 mg. Pada rokok kretek,
rata-rata dan mediannya sama 30 mg tetapi nilai bilanginnya sangat bervariasi dari
27 sampai 34 mg.

5.2.2 Simpangan Rata-Rata


Simpangan sebuah pengamatan dari rata-ratanya diperoleh dengan
mengurangkan pengamatan tersebut dengan nilai rata-rata. Bila
sekelompok data X1, X2, …, XN menyusun sebuah populasi terhingga
berukuran N, maka simpangan dari nilai rata-rata populasinya :
X1-µ,X2-µ,…,XN-µ.
Jumlah semua simpangan rata-ratanya selalu sama dengan nol. Dan ini
berlaku untuk sembarang data. Untuk mengatasi hal ini kita dapat
menentukan ukuran keberagaman simpangan rata-rata dengan mengambil
harga mutlaknya. Jadi simpangan rata-rata suatu contoh dari sejumlah n
pengamatan didefinisikan sebagai jumlah harga mutlak masing-masing
simpangan bagi banyaknya pengamatan :
1
SR=𝑛 ∑𝑛𝑖=1 |𝑋𝑖 − x |

Untuk data berkelompok yang tersebar dalam tabel frekuensi fi dan


titik tengah x:, simpangan rata-rata dinyatakan sebagai :

∑𝑛
𝑖=1|𝑋𝑖 − x |
SR = ∑𝑛
𝑖=1 𝑓𝑖

5.2.3 Ragam dan Simpangan Baku


Dalam praktik simpangan rata-rata jarang sekali digunakan.
Penggunaan harga-harga mutlak dalam simpangan rata-rata sangat sulit dan
merepotkan secara matematis. Untuk memanipulasi hal itu telah digunakan
kuadrat semua simpangan yang disebut ragam.
Bila sekelompok data X1, X2,…XN menyusun sebuah populasi
terhingga berukuran N yang mempunyai rata-rata µ, maka ragam populasi
yang dilambangkan sebagai σ2 (sigma kuaudrat) adalah :
1
σ2 = 𝑁 ∑𝑁
𝑖=1(𝑋𝑖 − µ)2.

Ragam suatu populasi mempunyai satuan kuadrat dari satuan hasil


pengamatan. Misalkan satuan hasil amanat waktu, panjang, maka ragam
mempunyai satuan hukum kuadrat atau panjang kuadrat. Oleh karena itu agar
diperoleh ukuran keragaman yang sama dengan satuan amanat asalnya kita tarik
ulur akar ragamnya. Ukuran yang diperoleh terakhir ini disebut simpangan baku,
yaitu :
1
σ = √ 𝑁 ∑𝑁
𝑖=1(𝑋𝑖 − µ)
2

5.3 Koefisien Variasi


Dalam suatu investasi, resiko ditunjukkan oleh besar-kecilnya simpangan baku
dari nilai rata-rata atau hasil yang diharapkan. Oleh karena itu resiko untuk tingkat
pengembalian akan diukur dari seberapa besar tingkat pengembalian riil akan lebih
kecil dari tingkat yang diharapkan dengan membandingkan besaran simpangan
bakunya. Akan tetapi karena simpangan baku merupakan pengukuran variabilitas
yang absolut, maka jika digunakan untuk mengevaluasi proyek investasi yang
nilainya berbeda, hasilnya kurang tepat. Atas dasar pemikiran ini, sebaiknya
digunakan metode koefisien variasi (coefficient of variation, CV) yaitu simpangan
baku yang dinormalisir: dihitung dari simpangan baku dibagi dengan rata-rata atau
tingkat pengembalian yang diharapkan. Bila simpangan baku mempunyai satuan
mengikuti satuan data asalnya, maka koefisien variasi tidak mempunyai satuan.
Secara matematis rumus koefisien variasi dinyatakan dalam formulasi berikut ini:
σ
CV= µ × 100%

Bila data merupakan contoh, gantilah parameter populasi µ dengan rata-rata


statistik ͞X dan simpangan baku populasi σ dengan simpangan baku contoh s.
BAB III
PENUTUP

3.1 KESIMPULAN
3.2 SARAN

Anda mungkin juga menyukai