Anda di halaman 1dari 55

MODUL KOMPETENSI STATISTISI TERAMPIL

MODUL STATISTISI PENYELIA

Oleh :
Tri Isdinarmiati, SST., S.E., M.Si
Budi Subandriyo, SST., M.Stat.

Editor :
Dr. Ahmadriswan Nasution, S.Si., M.T.

Bagian Jabatan Fungsional


Biro Kepegawaian
Badan Pusat Statistik
2018
KATA PENGANTAR

Salah satu syarat untuk bisa memasuki atau naik ke jabatan


fungsional statistisi terampil dengan jenjang statistisi penyelia, adalah
lulus uji kompetensi. Salah satu materi uji kompetensi untuk jenjang ini
adalah penguasaan tatacara penyiapan pelaksanaan kegiatan statistik,
validasi pengolahan data, metode statistik tingkat dasar dan penerapannya
dalam kegiatan analisis.
Dengan adanya modul ini diharapkan para Statistisi Penyelia mampu
memahami dan menguasai kompetensi yang ditentukan.
Semoga bermanfaat.

= Penulis =

Modul Statistisi Penyelia i


DAFTAR ISI

KATA PENGANTAR ...........................................................................................i


DAFTAR ISI .......................................................................................................ii
BAB I PENDAHULUAN ................................................................................... 1
1.1 Latar Belakang .................................................................................. 1
1.2 Deskripsi Singkat .............................................................................. 1
1.3 Hasil Belajar ...................................................................................... 1
1.3 Indikator Hasil Belajar ..................................................................... 2
1.4 Manfaat Pembelajaran ..................................................................... 2
BAB II PENYIAPAN PELAKSANAAN KEGIATAN STATISTIK ....................... 3
2.1 Pengertian Kegiatan Statistik .......................................................... 3
2.2 Tahapan dan Manfaat Penyiapan Kegiatan Statistik ..................... 4
2.2.1. Persiapan Administrasi ..................................................................... 4
2.2.2. Persiapan Teknis ............................................................................... 5
2.3 Rangkuman ....................................................................................... 7
2.4 Latihan Soal....................................................................................... 8
BAB III VALIDASI PENGOLAHAN DATA ........................................................ 9
3.1 Proses Pengolahan Data .................................................................. 9
3.2 Validasi Data ................................................................................... 10
3.3 Tahapan Validasi Data ................................................................... 13
3.3.1. Editing Secara Manual Seluruhnya .................................................... 14
3.3.2. Editing Dengan Komputer .................................................................. 14
a. Prakomputer Editing................................................................................. 15
b. Pascakomputer Editing............................................................................. 16
3.4 Jenis Kesalahan Pada Daftar Isian ................................................. 16
3.5 Rangkuman ..................................................................................... 18

Modul Statistisi Penyelia ii


3.6 Latihan Soal..................................................................................... 19
BAB IV METODE STATISTIK TINGKAT DASAR DAN PENERAPANNYA
DALAM KEGIATAN ANALISIS ...................................................................... 20
4.1. Ukuran Pemusatan ............................................................................. 20
4.1.1. Rata-rata Hitung (Arithmetic Mean) .............................................. 21
4.2. Ukuran Letak (Kuartil, Desil, dan Persentil) .................................... 32
4.3. Ukuran Penyebaran............................................................................ 36
4.3.1. Jenis-jenis Ukuran Penyebaran ...................................................... 37
4.4. Latihan Soal......................................................................................... 47
BAB V PENUTUP............................................................................................ 49
5.1 Rangkuman .........................................Error! Bookmark not defined.
5.2 Evaluasi ...............................................Error! Bookmark not defined.
5.3 Umpan Balik ........................................Error! Bookmark not defined.
5.4 Tindak Lanjut ......................................Error! Bookmark not defined.
DAFTAR PUSTAKA ........................................................................................ 50

Modul Statistisi Penyelia iii


Modul Statistisi Penyelia iv
BAB I
PENDAHULUAN

1.1 Latar Belakang


Peraturan Menteri Pendayagunaan Aparatur Negara dan Reformasi
Birokrasi Nomor 19 Tahun 2013 tentang Jabatan Fungsional Statistisi dan
Angka Kreditnya menyatakan bahwa Jabatan Fungsional Statistisi terdiri
dari Statistisi Terampil dan Statistisi Ahli. Selanjutnya, berdasarkan
Peraturan Menteri Pendayagunaan Aparatur Negara dan Birokrasi
Reformasi (Permenpan RB) Nomor 20 Tahun 2016 tentang Jenjang Jabatan
Fungsional, nomenklatur ini berubah menjadi Jabatan Fungsional Kategori
Keterampilan dan Jabatan Fungsional Kategori Keahlian.
Dalam Kategori Keterampilan, Statistisi dibagi menjadi Statistisi
Terampil, Statistisi Mahir dan Statistisi Penyelia. Modul ini disusun khusus
untuk Statistisi Penyelia. Kompetensi Statistisi Penyelia meliputi
penguasaan tata cara penyiapan pelaksanaan kegiatan statistik, validasi
pengolahan data, metode statistik tingkat dasar dan penerapannya dalam
kegiatan analisis.
Dengan adanya modul ini diharapkan para Statistisi Penyelia
mampu memahami dan menguasai kompetensi yang ditentukan.
1.2 Deskripsi Singkat
Modul ini membahas mengenai tata cara penyiapan pelaksanaan
kegiatan statistik, validasi pengolahan data, metode statistik tingkat dasar
dan penerapannya dalam kegiatan analisis.
1.3 Hasil Belajar
Setelah membaca modul ini Statistisi Penyelia mampu memahami
dan menerapkan tata cara penyiapan pelaksanaan kegiatan statistik,

Modul Statistisi Penyelia 1


validasi pengolahan data, metode statistik tingkat dasar dan penerapannya
dalam kegiatan analisis yang sesuai bidang pekerjaannya.
1.3 Indikator Hasil Belajar
Setelah mempelajari modul ini secara tuntas, Statistisi Penyelia
diharapkan dapat:
i. Menjelaskan pengertian dan menerapkan tata cara penyiapan
pelaksanaan kegiatan statistik .
ii. Melaksanakan validasi pengolahan data dengan benar.
iii. Mengetahui metode statistik tingkat dasar dan penerapannya dalam
kegiatan analisis.
1.4 Manfaat Pembelajaran
Dengan berbekal hasil belajar pada modul ini, Statistisi Penyelia
mampu melakukan penyiapan pelaksanaan kegiatan statistik, validasi
pengolahan data dan mengetahui metode statistik tingkat dasar dan
penerapannya sehingga dapat meningkatkan kinerja instansinya.

Modul Statistisi Penyelia 2


BAB II
PENYIAPAN PELAKSANAAN KEGIATAN STATISTIK

2.1 Pengertian Kegiatan Statistik


Kata statistik berasal dari bahasa latin ”status” yang dalam bahasa
inggris berarti ”state” yang diartikan dalam bahasa indonesia sebagai
”pernyataan” (Johnson and Bhattacharya, 2007). Statistik bersinonim
dengan data, dimana dalam bahasa inggris disebut dengan statistic. Statistik
dalam hal ini juga biasa dikenal dengan informasi, karena telah melalui
proses pengolahan, analisis dan penyajian yang tepat dan menjadi
bermakna. Dalam modul ini selanjutnya kata statistik diartikan sebagai
produk kegiatan statistik.
Statistik penting artinya bagi perencanaan, pelaksanaan,
pemantauan, dan evaluasi penyelenggaraan berbagai kegiatan di segenap
aspek kehidupan bermasyarakat, berbangsa, dan bernegara dalam
pembangunan nasional.
Kegiatan statistik adalah tindakan yang meliputi upaya penyediaan
dan penyebarluasan data, upaya pengembangan ilmu statistik, dan upaya
yang mengarah pada berkembangnya Sistem Statistik Nasional. Kegiatan
statistik bertujuan untuk menyediakan data statistik yang lengkap, akurat,
dan mutakhir dalam rangka mewujudkan Sistem Statistik Nasional yang
andal, efektif, dan efisien guna mendukung pembangunan nasional.
Metadata kegiatan statistik dalam Sistem Informasi Rujukan Statistik
(SIRuSa) atau berdasarkan tujuan pemanfaatannya, dikelompokkan
menjadi tiga jenis, yaitu Statistik Dasar, Sektoral, dan Khusus.
Statistik Dasar adalah statistik yang pemanfaatannya ditujukan
untuk keperluan yang bersifat luas, baik pemerintah maupun masyarakat,

Modul Statistisi Penyelia 3


yang memiliki ciri-ciri lintas sektoral, berskala nasional maupun regional,
makro, dan yang penyelenggaraannya menjadi tanggung jawab BPS.
Statistik Sektoral adalah statistik yang pemanfaatannya ditujukan
untuk memenuhi kebutuhan instansi pemerintah tertentu dalam rangka
penyelenggaraan tugas-tugas pemerintah dan tugas pembangunan yang
merupakan tugas pokok instansi pemerintah yang bersangkutan. Meskipun
program pelaksanaannya menjadi tanggung jawab instansi pemerintah
terkait, dalam praktek pelaksanaan dapat bekerjasama dengan BPS.
Statistik Khusus adalah statistik yang pemanfaatannya ditujukan
untuk memenuhi kebutuhan intern dari suatu instansi/perusahaan swasta
dalam rangka penyelenggaraan riset atau penelitian. Meskipun
pelaksanaannya menjadi tanggung jawab instansi/perusahaan terkait,
dalam praktek pelaksanaan dapat bekerjasama dengan BPS.
2.2 Tahapan dan Manfaat Penyiapan Kegiatan Statistik
Sebelum melakukan kegiatan statistik harus dimulai dengan
penyiapan segala sesuatu yang harus dilakukan. Penyiapan kegiatan
statistik meliputi:
2.2.1. Persiapan Administrasi
Yang meliputi persiapan administrasi dalam menyusun rancangan
kegiatan, seperti kegiatan pengumpulan data adalah:
a. Mempersiapkan jadwal waktu.
Jadwal waktu mencakup seluruh kegiatan dalam hal ini seperti
pengumpulan data merupakan hal yang sangat penting, sekaligus
dapat dipergunakan untuk pemantauan pelaksanaan tahap demi
tahap.
b. Izin resmi.
Perlu diusahakan izin resmi dari wilayah yang menjadi sasaran
penelitian agar pelaksanaan berjalan lancar.

Modul Statistisi Penyelia 4


c. Mempersiapkan penerangan/sosialisasi.
Peranan penerangan atau sosialisasi sangat penting agar masyarakat
(responden) membantu pelaksanaan dengan memberikan jawaban
yang benar kepada para petugas (pencacah). Disamping itu,
responden juga akan mengetahui tujuan dari kegiatan yang sedang
dilaksanakan, sehingga petugas pencacah tidak banyak
mendapatkan kesulitan dalam menjelaskan tujuan kedatangannya.
Dalam pelaksanaannya penerangan harus diatur sebaik mungkin
agar tujuan tercapai, dan media penerangannya dapat melalui koran,
majalah, radio, televisi, spanduk, brosur, dan sebagainya.
d. Organisasi, pengawasan dan koordinasi.
Dipersiapkan dan diatur organisasi kegiatan (petugas), supaya
masing-masing mempunyai tanggung jawab dalam tugas. Selain itu
perlu pula direncanakan sistem pengawasannya secara terpadu dari
pimpinan sampai pelaksana di lapangan. Koordinasi tiap tahapan
pekerjaan harus dirancang, dari tahap perencanaan sampai pada
pelaksanaan menurut jadwal waktu kegiatan.
e. Rancangan pembiayaan.
Dalam merencanakan anggaran biaya pengumpulan data, biaya yang
direncanakan meliputi upah, perlengkapan, biaya latihan dan lain
lain.
f. Tenaga kerja dan barang.
Tenaga kerja yang diperlukan antara lain adalah petugas
pencacahan, staf pelaksana yang sesuai dengan kebutuhan,
pengawas, pengolah data. Barang atau peralatan yang amat penting
untuk mengumpulkan data harus pula direncanakan.
2.2.2. Persiapan Teknis
Persiapan yang bersifat teknis dalam kegiatan statistik meliputi:

Modul Statistisi Penyelia 5


a. Mempersiapkan konsep dan definisi
Konsep dan definisi didiskusikan antara penyedia data dan pemakai
data, atau dengan badan yang berkepentingan atau yang memesan
data yang akan dikumpulkan. Konsep dan definisi harus disepakati
bersama terlebih dahulu.
b. Menentukan bentuk kegiatan
Dalam perencanaan ditentukan bentuk pengumpulan data apa saja
yang akan dilakukan. Bentuk kegiatan tentu saja harus disesuaikan
dengan metode dan cara yang dipergunakan dalam pengumpulan
data. Misalnya saja pengumpulan data menggunakan metode
pencacahan lengkap seluruh unit populasi (sensus), bentuk
kegiatannya tentu saja disesuaikan dengan metodenya, yaitu
anggota populasi didaftar secara lengkap dan dikumpulkan sifat-
sifat yang diinginkan dari seluruh anggota populasi. Demikian pula,
apabila cara yang dikehendaki dalam pengumpulan data adalah
melalui pos (mailing system), maka bentuk kegiatan adalah
mempersiapkan segala sesuatunya mengikuti cara yang telah dipilih.
c. Menentukan ruang lingkup
Dalam persiapan teknis, ruang lingkup penelitian lebih ditegaskan
lagi sesuai dengan sasaran yang akan diteliti. Misalnya: dalam
melaksanakan pengumpulan data industri dengan sensus, maka
semua usaha industri termasuk para pengrajin merupakan anggota
populasi yang akan menjadi sasaran penelitian.
d. Perencanaan daftar pertanyaan (kuesioner)
Dalam pengumpulan data statistik dengan cara wawancara, kita
menggunakan daftar pertanyaan untuk mencatat keterangan yang
diperoleh dari responden. Agar keterangan yang diperoleh sesuai

Modul Statistisi Penyelia 6


dengan maksud dan tujuan penelitian, maka daftar pertanyaan perlu
dirancang sebaik mungkin.
e. Mempersiapkan latihan petugas
Dalam kegiatan pengumpulan data yang memerlukan petugas
pengumpul data, maka petugas yang akan melaksanakan kegiatan
tersebut perlu terlebih dahulu dilatih, sehingga ada kesatuan bahasa
serta memahami maksud dan tujuan penelitian di dalamnya.
Perencanaan latihan petugas yang perlu disiapkan antara lain:
 Bahan serta jadwal latihan
 Jumlah petugas lapangan yang diperlukan serta klasifikasi
pendidikan petugas
 Cara-cara penyelenggaraan latihan
f. Rencana pengolahan dan publikasi
Dalam penyiapan pelaksanaan, juga telah dipikirkan pengolahannya,
misalkan apakah akan diolah secara manual atau komputer. Demikian juga
dalam hal rencana publikasi sudah harus dipikirkan bentuk publikasi dan
penyajian datanya. Hal ini berhubungan dengan rancangan daftar
pertanyaan yang akan disusun dalam kegiatan pengumpulan datanya
2.3 Rangkuman
Kegiatan statistik adalah tindakan yang meliputi upaya penyediaan
dan penyebarluasan data, upaya pengembangan ilmu statistik, dan upaya
yang mengarah pada berkembangnya Sistem Statistik Nasional.
Kegiatan statistik bertujuan untuk menyediakan data statistik yang
lengkap, akurat, dan mutakhir dalam rangka mewujudkan Sistem Statistik
Nasional yang andal, efektif, dan efisien guna mendukung pembangunan
nasional.
Statistik berdasarkan tujuan pemanfaatannya, dikelompokkan
menjadi tiga jenis, yaitu Statistik Dasar, Sektoral, dan Khusus.

Modul Statistisi Penyelia 7


Penyiapan kegiatan statistik meliputi persiapan administrasi dan
persiapan teknis
2.4 Latihan Soal
1. Jelaskan apa yang dimaksud kegiatan statistik !
2. Sebutkan tahapan dalam penyiapan kegiatan statistik.
3. Kenapa seorang statistisi penyelia harus mampu melaksanakan
penyiapan kegiatan statistik

Modul Statistisi Penyelia 8


BAB III
VALIDASI PENGOLAHAN DATA

3.1 Proses Pengolahan Data


Proses pengolahan data adalah bentuk kegiatan yang terjadi
sehubungan dilaksanakannya pengubahan data mentah menjadi
data/informasi yang bisa diambil manfaat sesuai yang diharapkan. Dilihat
dari cara pengolahannya, sistem pengolahan data dapat dibedakan menjadi:
Pengolahan data secara manual, yaitu bilamana seluruh proses
pengolahan dilakukan oleh tenaga manusia atau tenaga manusia dibantu
mesin hitung. Pada umumnya pengolahan secara manual ini diperuntukkan
bagi data yang volumenya kecil dan tidak memerlukan penghitungan yang
sulit (kompleks). Biasanya tabel-tabel hasil pengolahan ini tidak termasuk
tabel silang (cross tab). Ciri dalam pengolahan ini adalah adanya bantuan
lembar kerja (worksheet).
Pengolahan data elektronik, apabila pada proses pengolahan data
tersebut selain melibatkan tenaga manusia juga dibantu oleh mesin
elektronik (komputer). Untuk data yang berjumlah besar seperti hasil
sensus, atau data yang memerlukan kecermatan dalam pemeriksaan
validitasnya seperti Susenas atau Survei Biaya Hidup (SBH), sebaiknya
diolah dengan komputer.
Proses pengolahan data dapat dilakukan jika tersedia unsur atau
komponen yang diperlukan dalam sistem, yaitu adanya masukan (input)
yang dapat diolah, proses kegiatan pengolahan, keluaran (output).

Input Proses
Output
(Data atau Hasil Komputer/
Tabel dan Grafik
Survei/Sensus) Manual

Modul Statistisi Penyelia 9


Gambar 1. Sistem Pengolahan Data
Input pada sistem pengolahan data, pada umumnya data primer
yang diperoleh dari sensus maupun survei. Namun demikian input juga bisa
berasal dari data sekunder.
Proses pengolahan data adalah bentuk kegiatan yang terjadi
sehubungan dilaksanakannya pengubahan data mentah menjadi informasi
yang bermanfaat.
Keluaran (output) dari sebuah sistem pengolahan data adalah
informasi yang berbentuk tabel-tabel. Rencana tabulasi (macam dan
bentuknya), sudah dibuat pada awal kegiatan statistik. Sebelum tabel-tabel
ini diserahkan kepada penanggungjawab (subject matter), terlebih dulu
perlu dilakukan pemeriksaan kelayakan isi-isi selnya. Di sini diperlukan
kerjasama yang baik antara pihak pengolah dan penanggung jawab.
3.2 Validasi Data
Validasi menurut Kamus Umum Besar Bahasa Indonesia merupakan
cara untuk mengetahui sejauh mana data penelitian mencerminkan hasil
data yang tepat dan akurat. Jika saja data yang dilaporkan dalam kuesioner
itu lengkap dan konsisten, maka tidak perlu ada pemeriksaan
(penyuntingan) data. Namun dalam kenyataannya, setiap sensus dan survei
isian data dimungkinkan mengandung kesalahan.
Kesalahan itu bisa saja terjadi karena ketidaktelitian petugas pada
waktu menuliskan jawaban responden atau karena jawaban yang tidak
sesuai karena adanya salah pengertian antara petugas dan responden,
kesalahan yang terjadi pada waktu memasukkan data ke media komputer
dan lain-lain.
Oleh karena itu sebelum data diolah perlu dilakukan validasi data
dengan melalui penyuntingan dan perbaikan data terlebih dulu, baik oleh

Modul Statistisi Penyelia 10


petugas pendata, pemeriksa, maupun editor. Tahap penyuntingan dan
perbaikan data biasa disebut sebagai tahap pembersihan data.
Setelah dilakukan tahap pembersihan data maka pengolahan data
selanjutnya adalah tahap penghitungan, penggabungan/pengelompokkan
data sehingga untuk selanjutnya dihasilkan informasi yang benar dan
akurat.
Ada beberapa sumber yang mengistilahkan validation sebagai tahap
verification (verifikasi). Dalam proses entry data dengan menggunakan
scanner, dokumen yang sudah discan diperiksa lagi. Apakah data sudah
benar, apakah data yang tertangkap scanner sudah sama dengan isian dari
kuesioner.
Sedangkan sumber lainnya membedakan antara tahap verification
dan validation. Pada tahap verification, image yang tertangkap dan telah
diterjemahkan ke dalam kode ASCII sama dengan image yang
dituliskan/digambarkan pada kuesioner. Operator verifikasi diharuskan
untuk memeriksa dan memperbaiki apabila ada kesalahan penerjemahan
image. Jika data hasil scanning sudah benar-benar bersih maka data siap
dimasukkan ke dalam database untuk dapat diolah lebih lanjut, disebut
tahap release.
Sesudah data di-release ke database selanjutnya tahap validation
dilakukan. Pada tahap validation, kode ASCII hasil scan akan disamakan
dengan image aslinya dengan program aplikasi dan apabila ada kesalahan
yang harus diperbaiki, kesalahan tersebut dapat diperbaiki oleh petugas.
Pemeriksaan validasi meliputi pemeriksaan kelengkapan dokumen,
kelengkapan isian, kebenaran batas nilai, dan kebenaran konsistensi antar-
variabel.
Kegiatan validasi (editing, coding, dan imputasi) atau biasa disebut
penyuntingan data merupakan proses pemeriksaan data yang

Modul Statistisi Penyelia 11


berkesinambungan yang dimulai sejak pengumpulan data dan berakhir
pada waktu data menjelang ditabelkan. Secara umum, tujuan dilakukannya
kegiatan ini adalah:
 Untuk membetulkan isian data yang berada di luar rentang nilai
yang diperbolehkan,
 Memperbaiki isian data yang tidak konsisten,
 Mengganti isian data yang kosong/ekstrim bila dimungkinkan.
Di sini tersirat ada dua fungsi yang dilakukan yaitu mendeteksi dan
memperbaiki kesalahan. Kalau lebih mendalam, tujuan editing akan
bervariasi tergantung sampai tahap mana kegiatan pendataan
dilaksanakan. Atau lebih jelasnya, tujuan editing pada pengumpulan data
akan berbeda dengan tujuan editing pada saat data telah terkumpul.
Ada beberapa aturan permainan yang harus ditaati dalam
melakukan editing data, yaitu:
 Editor tidak boleh menghapus isian (data) asli pada waktu
pembetulan.
 Usahakan agar sesedikit mungkin melakukan perubahan
terhadap data asli.
 Editor dalam membuat pembetulan dan penyesuaian
(adjusment) data harus berdasarkan prosedur yang sudah
ditentukan. Prosedur tertulis yang jelas dari aturan editing,
coding dan inputasi (disebut juga aturan validasi data) adalah
perlu, utamanya untuk mendapatkan akurasi, konsistensi dan
untuk keperluan dokumentasi dari semua perubahan yang
dilakukan terhadap isian data.
Untuk data yang kompleks, kurangi pelaksanaan manual editing dan
perbanyak computer editing, karena lebih cepat dan dapat menguji
beberapa kondisi hampir secara serentak.

Modul Statistisi Penyelia 12


3.3 Tahapan Validasi Data
Bila dilihat dari waktu dilakukannya validasi, dapat dibedakan
menjadi pada tahap pengumpulan data dan tahap setelah pengumpulan
data. Pada tahap pengumpulan data ini sangat penting, bila terjadi
kesalahan yang serius, masih mungkin untuk dibetulkan, yaitu dengan
mendatangi kembali (revisit) ke sumber data yang bersangkutan. Hal ini
berbeda jadinya, kalau saja kesalahan yang sama baru diketahui setelah
data selesai dikumpulkan. Kemungkinan untuk melakukan revisit ke
sumber data akan lebih sulit atau tidak mungkin karena berbagai alasan.
Kesalahan yang dilakukan oleh pencacah harus dideteksi secepat
mungkin, agar pencacah tidak membuat kesalahan yang sama terhadap
responden berikutnya. Ada beberapa jenis editing yang dapat dilakukan
agar kesalahan yang terjadi pada pengisian kuesioner dapat terdeteksi
sedini mungkin, yaitu:
Editing Lapangan (Field Edits), terdapat dua jenis editing yaitu:
Editing oleh pencacah sendiri dan editing (pemeriksaan) oleh pengawas
lapangan.
Editing oleh Staf Kantor (Office Edits), bila komunikasi mudah,
sebaiknya staf kantor melakukan editing awal, agar bila diketemukan
kesalahan yang cukup fatal masih bisa dikembalikan kepada petugas
(pencacah/pengawas) untuk diperbaiki.
Adapun tahap setelah pengumpulan data, untuk memperbaiki
kesalahan lebih sulit dan dengan dasar yang berbeda. Keputusan
perbaikan data biasanya berdasarkan kepada anggapan yang mungkin
terjadi atau masuk akal karena untuk kembali ke sumber data tidak
mungkin lagi. Editing pada tahap ini akan lebih mahal dan sulit, terutama
kalau sistem pengolahan dilakukan dengan komputer. Disini perlunya
aturan validasi (editing, coding, dan imputasi) data yang jelas dan tertulis.

Modul Statistisi Penyelia 13


Karena ini merupakan editing tahap akhir sebelum dilakukan
tabulasi maka prosedur editingnya harus mencakup perlakuan terhadap
kesalahan-kesalahan yang masih tersisa dan juga penanganan
terhadap non respon dan tt (tidak tahu).
Proses validasi bisa digolongkan dalam proses secara manual dan
secara komputerisasi.
3.3.1. Editing Secara Manual Seluruhnya
Apabila seluruh kegiatan editing dilakukan secara manual, maka
perlu berbagai persiapan, yang terdiri dari:
Panduan editing, memuat berbagai jenis kesalahan yang mungkin
terjadi dan cara membetulkannya.
Petugas Editor perlu dilatih untuk memahami isian kuesioner yang
akan diedit, termasuk logika pengisiannya serta konsep dan definisi yang
dipakai. Mereka harus dilatih cara mendeteksi kesalahan dan
membetulkannya dengan berpedoman pada aturan-aturan serta prosedur
editing yang tertulis pada aturan validasi (buku panduan). Instruksi untuk
petugas harus jelas dan rinci.
Pengawas Editor, Tugas pengawas editor adalah mengawasi editor
dalam melaksanakan tugasnya, terutama kalau ada yang kurang jelas
terhadap kasus yang dijumpai dan cara perlakuan terhadapnya atau
berbagai hal lain yang memerlukan penanganan secara khusus.
3.3.2. Editing Dengan Komputer
Tujuan editing dengan komputer adalah untuk mendapatkan
konsistensi data yang lebih baik dan mengurangi timbulnya kesalahan baru
yang dibuat oleh editor. Dengan menggunakan komputer, memungkinkan
dilakukan editing data yang lebih komplek. Validasi suatu isian dapat dicek
dengan pengujian konsistensi dari beberapa kondisi secara hampir
serentak. Misalnya variabel umur, konsistensi/validitas umur dapat dicek

Modul Statistisi Penyelia 14


dengan pendidikan tertinggi yang ditamatkan, status perkawinan, umur
anak pertama yang dilahirkan (bagi perempuan) dan lain-lain data yang
berkenaan dengan umur. Komputer editing dilakukan secara serentak
dengan manual editing.
Hal ini disebabkan tidak semua kesalahan dapat dibetulkan oleh
program komputer. Misalnya kasus-kasus yang belum tertulis pada aturan
validasi data yang digunakan untuk dasar penulisan program. Kalau
dijumpai kasus khusus seperti ini perlakuan harus kembali ke pemeriksaan
manual. Pemeriksaan manual yang menunjang editing komputer terdiri
atas editing prakomputer dan pascakomputer.
a. Prakomputer Editing
Meskipun editing (validasi) data dilakukan dengan komputer namun
tetap harus ada manual editing. Manual editing yang dilaksanakan sebelum
proses disebut Prakomputer editing (Prakom Editing).
Tujuan Prakom Editing adalah untuk menyiapkan daftar isian
(kuesioner) yang “bersih" bagi data entry yaitu yang lengkap dan benar
isiannya. Pada tahap ini pekerjaan pemeriksaan data pada umumnya
mencakup:
 apakah penulisan setiap isian sudah benar,
 apakah pengisian daftar sudah mengikuti alur yang benar,
 apakah beberapa isian yang ada hubungannya sudah
konsisten,
 pada tahap ini juga dilakukan penyandian isian daftar bila
diperlukan.
 semua pekerjaan harus berpedoman pada buku petunjuk
editing prakom.

Modul Statistisi Penyelia 15


b. Pascakomputer Editing
Tujuan editing pada tahap ini adalah untuk melihat dan
memperbaiki berbagai kesalahan yang dihasilkan oleh proses program
validasi yang dituangkan dalam daftar kesalahan (error list). Pada
umumnya meliputi jenis-jenis kesalahan yang tidak dapat diperbaiki oleh
program, karena keputusan perbaikan perlu adanya intervensi manusia.
Tata cara perbaikannya menggunakan buku petunjuk prosedur perbaikan
data.
Contoh:
Pada kuesioner Sensus Penduduk Tahun 2010 terdapat isian sebagai
berikut:
P1 (hubungan dengan kepala RT =1 (kepala RT)
P2 (jenis kelamin) = 2 (perempuan)
P4 (umur) < 5 tahun
P5 (Status perkawinan) = 1 (belum kawin)
P16 s/d P19 (pendidikan) ada isian dan konsistensi
Blok VII (angkatan kerja) = kosong
Blok VIII (fertilitas) ada isian dan konsisten.
Jenis kesalahan seperti ini harus diperiksa dan diperbaiki secara
manual, karena kondisinya yang sulit untuk dirumuskan dengan program
untuk membuat program.
3.4 Jenis Kesalahan Pada Daftar Isian
Jenis kesalahan pada daftar isian secara garis besarnya dapat
dikelompokkan menjadi
3.4.1. Tak terjawab (non respon/missing data).
Kesalahan jenis ini bisa terjadi karena:
 respon tidak dapat/menolak memberi jawaban,
 pencacah lupa menanyakan pertanyaan yang bersangkutan,

Modul Statistisi Penyelia 16


 pencacah lupa mengisikan jawaban ke daftar isian.
 Karena salah menuliskan kode (kode diluar yang ditentukan)
Contoh: 1. Laki-laki 2. Perempuan, maka selain kode 1 atau 2 tidak
diperbolehkan.
3.4.2. Isian tidak konsisten.
Isian yang tidak konsisten ini terjadi, bilamana ada beberapa isian
yang mempunyai kaitan (saling berhubungan) satu sama lain namun
hubungan yang ada secara logika tidak mungkin. Misalnya: seseorang
anggota rumah tangga (ART) yang bukan termasuk angkatan kerja (umur
kurang dari 10 tahun, atau cacat) tetapi pada isian lamanya bekerja dalam 1
minggu yang lalu ada isian (20 jam), atau seorang ART dengan jenis
kelamin laki-laki namun blok fertilitas pada isian lain-lain.
3.4.3. Isian/besaran (jumlah) yang tidak masuk akal.
Hal ini tidak selalu salah, tapi perlu penelitian kembali yang lebih
cermat. Contoh: Pendapatan seorang buruh tani jauh lebih besar dari rata-
rata pendapatan buruh tani yang sama. Meskipun secara garis besar jenis
kesalahan semua daftar isian sama, namun dalam pemeriksaan kesalahan
yang mungkin terjadi, penekanannya bervariasi dari masing-masing
sensus/survei.
Contoh :
 Dalam Survei Kependudukan
Disini perhatian terhadap umur perlu diberikan secara ekstra hati-
hati oleh editor, umur merupakan data kunci bagi validitas berbagai
kegiatan yang dilakukan ART.
Misalnya yang berumur 10 tahun atau lebih maka blok pendidikan
dan angkatan kerja harus ada isiannya. sebaliknya kalau ada umur kurang
dari 5 tahun, maka blok-blok pendidikan, angkatan kerja dan fertilitas
harus kosong.

Modul Statistisi Penyelia 17


 Survei konsumsi (Susenas/Survei biaya hidup).
Yang perlu diperhatikan antara lain keseimbangan antara
penerimaan dan pengeluaran rumah tangga, blok-blok pengeluaran yang
mutlak harus ada isian (seperti blok pengeluaran untuk makanan,
perumahan, penyelenggaraan rumah tangga dan lain-lain).
 Survei/sensus yang berkaitan dengan produksi, seperti
sensus/survei industri dan pertanian.
Pada jenis pendapatan ini yang perlu ditekankan antara lain:
konsistensi antara input dan output dari produk yang dihasilkan yang
diantaranya mencakup: bahan mentah, tenaga, peralatan dan perawatan
alat-alat (merupakan input), dan output-nya yaitu nilai dari hasil produksi
yang menggunakan faktor input tersebut. Kalau terjadi biaya (input) lebih
besar dari output (meskipun kasus seperti ini tidak selalu salah) maka hal
ini perlu diperiksa ulang.
3.5 Rangkuman
Proses pengolahan data dapat dilakukan jika tersedia unsur atau
komponen yang diperlukan dalam sistem, yaitu adanya masukan (input)
yang dapat diolah, proses kegiatan pengolahan, keluaran (output) dari
pengolahan, dan tenaga dari sarana yang diperlukan. Sebelum data diolah
perlu dilakukan validasi data dengan melalui penyuntingan dan perbaikan
data terlebih dulu, baik oleh petugas pendata, pemeriksa, maupun editor.
Kegiatan validasi (editing, coding, dan imputasi) atau biasa disebut
penyuntingan data merupakan proses pemeriksaan data yang
berkesinambungan yang dimulai sejak pengumpulan data dan berakhir
pada waktu data menjelang ditabelkan.
Bila dilihat dari waktu dilakukannya validasi, dapat dibedakan
menjadi pada tahap pengumpulan data dan tahap setelah pengumpulan
data

Modul Statistisi Penyelia 18


Proses validasi bisa digolongkan dalam proses secara manual dan
secara komputerisasi
Jenis kesalahan pada daftar isian secara garis besarnya dapat
dikelompokkan menjadi tidak terjawab (non respon/missing data), isian
tidak konsisten, isian/besaran (jumlah) yang tidak masuk akal.
3.6 Latihan Soal
1. Jelaskan apa yang dimaksud dengan proses validasi
2. Sebutkan dan jelaskan tahapan validasi berdasarkan waktu
pengumpulan data.
3. Apakah yang dimaksud dengan editting Prakomputer dan
Pascakomputer.

Modul Statistisi Penyelia 19


BAB IV
METODE STATISTIK TINGKAT DASAR DAN PENERAPANNYA DALAM
KEGIATAN ANALISIS

Salah satu tahapan kegiatan statistik adalah bagaimana cara


mendeskripsikan data melalui penyajian (grafik, tabel frekuensi atau
gambar) yang lebih mudah dipahami dan dimengerti. Akan tetapi penyajian
data seperti itu bagi sebagian orang, misalkan pelaku bisnis dan ekonom
atau pengambil keputusan belumlah cukup. Untuk keperluan analisis
misalnya, mereka perlu mengetahui lebih jauh, mereka ingin mengetahui
sebuah nilai yang dapat mewakili sekelompok atau serangkaian data.
Berikut tiga klasifikasi metode numerik untuk mendeskripsikan data
kuantitatif yaitu ukuran pemusatan, ukuran letak dan ukuran penyebaran.
4.1. Ukuran Pemusatan
Dalam kehidupan sehari-hari sering didengar perkataan rata-rata,
misalnya: rata-rata pendapatan perkapita; rata-rata gaji perbulan pegawai
negeri; rata-rata tingkat kecelakaan perbulan di DKI Jakarta; atau dalam
keluarga kita sering mendengar seorang ibu menanyakan nilai rata-rata
pelajaran tertentu di kelas anaknya , dan lain-lain.
Rata-rata merupakan nilai yang mewakili sekelompok data, yang
memiliki kecenderungan terletak ditengah (memusat) kelompok data yang
disusun menurut besar atau kecilnya nilai. Sering disebut sebagai ukuran
kecendrungan memusat (measures of central tendency). Beberapa jenis
rata-rata yang sering dipergunakan adalah rata-rata hitung (arithmetic
mean), rata-rata ukur (geometric mean), dan rata-rata harmonis (harmonic
mean).
Ukuran pemusatan secara sederhana, digunakan untuk melihat
gambaran pola atau cerminan secara umum dari data. Nilai ini sebatas

Modul Statistisi Penyelia 20


informasi sederhana, yang mana belum bisa untuk dianalisis secara
komprehensip.
4.1.1. Rata-rata Hitung (Arithmetic Mean)
Rata-rata hitung dikenal dalam kehidupan sehari-hari dengan kata
yang singkat yakni rata-rata. Rata-rata dari sekumpulan nilai
pengamatan/observasi samadengan jumlah seluruh nilai pengamatan
tersebut dibagi dengan jumlah pengamatannya (observasinya).
Dalam kehidupan sehari-hari penggunaan rata-rata, misalnya: rata-
rata pendapatan perkapita; rata-rata gaji pegawai negeri perbulan; rata-
rata produksi beras per tahun; dan lain-lain.
Kita membedakan tiga macam rata-rata hitung dimana cara
perhitungannya yang berbeda yakni:
a. Rata-rata hitung untuk data tidak berkelompok;
b. Rata-rata hitung untuk data berkelompok;
c. Rata-rata hitung tertimbang (Weighted Arithmetic Mean).
a. Rata-rata Hitung Data Tidak Berkelompok
Rata-rata hitung adalah ukuran lokasi yang dapat menunjukkan nilai
rata-rata dari setiap individu. Dirumuskan sebagai berikut :
a.1. Rata-rata sebenarnya (populasi)
𝑁
1
μ = ∑ 𝑋𝑖
𝑁
𝑖=1

dimana :
μ dibaca “myu” simbol rata-rata sebenarnya yang disebut parameter.
a.2. Rata-rata perkiraan (sampel)
𝑛
1
𝑋̅ = ∑ 𝑋𝑖
𝑛
𝑖=1

𝑋̅ dibaca “X bar”, simbol rata-rata, yang merupakan perkiraan μ

Modul Statistisi Penyelia 21


𝑋𝑖 = 𝑋1, 𝑋2 , 𝑋3 , … , 𝑋𝑛
𝑋𝑖 = hasil pengamatan atau nilai karakteristik individu ke i, dan i = l,2,3, .... n
(n = banyaknya individu).
Contoh:
Berikut data hasil penjualan (X) perusahaan A selama 10 bulan
dalam jutaan rupiah.
X1 = 50 X3 = 60 X5 = 40 X7 = 70 X9 = 80
X2 = 90 X4 = 100 X6 = 65 X8 = 75 X10 = 85
a. Hitung rata-rata hasil penjualan sebenarnya.
b. Ambil sampel sebanyan n=5, setelah diambil sampel secara acak
diperoleh X3, X6, X7, X9, dan X10
Jawab.
a. Rata-rata sebenarnya
10
1
μ= ∑ 𝑋𝑖
10
𝑖=1
1 50+90+⋯+80+85 715
μ = 10 ∑10
𝑖=1 𝑋𝑖 = = = 71,5
10 10

Jadi rata-rata hasil penjualan per tahun = Rp71,5 juta.


b. Rata-rata perkiraan
1 60+65+70+80+85 360
𝑋̅ = 5 ∑5𝑖=1 𝑋𝑖 = = 5 = 72,0 (mendekati rata-rata
5

sebenarnya)

b. Rata-rata Hitung Data Berkelompok


Data berkelompok adalah bahwa nilai-nilainya tidak lagi merupakan
nilai-nilai individu, melainkan sudah dikelompokkan dalam kelas-kelas
tertentu dalam suatu distribusi frekuensi.

Modul Statistisi Penyelia 22


Apabila data sudah dalam bentuk tabel frekuensi, dimana X1 terjadi
𝑓1 kali, X2 terjadi 𝑓 2 kali, sampai Xn terjadi 𝑓n kali, maka rata-rata dari data
tersebut adalah :
∑𝑛𝑖=1 𝑓𝑖 𝑋𝑖
𝑋̅ =
∑𝑛𝑖=1 𝑓𝑖
Atau
∑𝑛𝑖=1 𝑓𝑖 𝑖
𝑋̅ =
∑𝑛𝑖=1 𝑓𝑖
Dimana Μ𝑖 = nilai tengah kelas interval ke-I (untuk data
berkelompok)
Contoh:
Tabel 1. Menghitung Rata-rata Upah per Minggu dari 260 Buruh Pabrik A.
Kelas interval Jumlah buruh Nilai tengah
f.M
(ribuan Rp) (f) (M)
2,0 - 3,9 12 2,95 35,4
4,0 - 5,9 19 4,95 94,05
6,0 - 7,9 39 6,95 271,05
8,0 - 9,9 70 8,95 626,5
10,0 - 11,9 52 10,95 569,4
12,0 - 13,9 24 12,95 310,8
14,0 - 15,9 21 14,95 313,95
16,0 - 17,9 15 16,95 254,25
18,0 - 19,9 8 18,95 151,6
Jumlah 260 - 2.627,00

Dari perhitungan rata-rata di atas, mempunyai anggapan bahwa nilai


tengah dari setiap kelas adalah nilai rata-rata dari semua individu yang
termasuk dalam kelas tersebut.

Modul Statistisi Penyelia 23


Sebagai contoh, dalam tabel di atas sejumlah 12 orang buruh pada
kelas pertama upah per minggunya berkisar 2,0 - 3,9 (ribu rupiah), tetapi
untuk tiap-tiap buruh kita tidak tahu besar upah perminggunya, oleh
karena itu dianggap bahwa 12 buruh yang mempunyai upah per minggu 2,0
- 3,9 mempunyai upah rata-rata 2,95 (ribu rupiah). Perkalian 12 dengan
2,95 (=35,40) adalah merupakan taksiran jumlah upah per minggu dari 12
buruh tersebut, sedangkan jumlah keseluruhan dari kolom f x M (2.627,00)
adalah taksiran jumlah keseluruhan upah per minggu dari 260 buruh di
pabrik tersebut.
𝑛
∑ 𝑓𝑖 𝑖
𝑋̅ = ∑𝑖=1
𝑛 𝑓
𝑖=1 𝑖

2672
𝑋̅ = 260 = 10,10

Jadi rata-rata upah per minggunya adalah 10,10 (ribu rupiah).


c. Rata-rata Hitung Tertimbang
Sering kali dalam suatu kasus, nilai memiliki nilai bobot/tibangan
tertentu. Misal X1 dengan timbangan W1, X2 dengan timbangan W2, dan
seterusnya Perhitungan rata-rata hitung tertimbang dilakukan dengan
mengkalikan tiap-tiap data yang akan dicari rata-ratanya dengan
timbangan yang ditentukan. Jumlah hasil perkalian tersebut kemudian
dibagi dengan jumlah timbangannya.
Dinyatakan dalam rumus adalah sebagai berikut:
∑𝑛𝑖=1 𝑋𝑖 . 𝑊𝑖
𝑋̅ =
∑𝑛𝑖=1 𝑊𝑖
dimana 𝑊 adalah timbangan yang ditentukan
Contoh :
Seorang mahasiswa Fakultas Ekonomi Universitas Y,menempuh ujian mata
pelajaran Metode riset (3 kredit), Akuntansi (5 kredit), Teori Ekonomi (3
kredit), dan Bahasa Inggris (1 kredit). Hasilnya adalah Metode riset = 85,

Modul Statistisi Penyelia 24


Akuntansi = 86, Teori Ekonomi = 90, dan Bahasa Inggris = 70. Hitung rata-
rata hasil nilai ujian mahasiswa tersebut.
Diketahui X1 = 82, X2 = 86, X3 = 90, X4 = 70, W1 = 3, W2 = 5, W3 = 3, W4 = 1
∑ 𝑛
𝑋𝑖 .𝑤𝑊𝑖
𝑋̅ = 𝑖=1
∑𝑛 𝑊 𝑖=1 𝑖

̅ = 3(82)+5(86)+3(90)+1(70)
3+5+3+1
̅ = 84,67

Jadi rata-rata nilai ujian mahasiswa tersebut = 84,67

4.1.2. Median
Median ini disebut juga rata-rata letak (positional measure) karena
perhitungan median didasarkan pada letak dari nilainya. Median
didapatkan dengan menyusun nilai-nilai variabel dalam bentuk array
(urutan) dan kemudian mendapatkan nilai tengahnya. Median adalah
ukuran rata-rata juga atau ukuran tendensi sentral.
a. Median Data Tidak Berkelompok
Setelah semua nilai kita susun dari yang kecil ke yang besar, maka posisi
median dapat kita tentukan sebagai berikut:
a.1. Untuk jumlah pengamatan (n) ganjil:
Kalau 𝑘adalah suatu bilangan konstan dan 𝑛 ganjil, maka dapat ditulis:
𝑛 = 2𝑘 + 1
atau
𝑛−1
𝑘=
2
sehingga
Median (Md) = 𝑋𝑘+1
7−1
Misal, n= 7 maka 𝑘 = =3
2

Modul Statistisi Penyelia 25


Contoh
Umur dari 5 pasien diabetes dari sebuah klinik adalah: 50, 74, 76, 89, dan
52. Hitunglah mediannya.
Disini n = 5 (ganjil), Jadi Md sama dengan X ke-(5+1)/2= X3. Setelah
diurutkan datanya sebagi berikut : 50, 52, 74, 76, 89. Dari data tersebut X3
adalah 74. Jadi median adalah 74.
a.2 Untuk jumlah pengamatan (n) genap:
Kalau 𝑘adalah suatu bilangan konstan dan 𝑛 genap, maka dapat ditulis :
𝑛 = 2𝑘
Atau
𝑛
𝑘=
2
1
Median (Md) = (𝑋𝑘 + 𝑋𝑘+1 )
2

Contoh:
Dari delapan orang karyawan, upah mereka dalam ribuan rupiah adalah
sebagai berikut : 20, 80, 75, 60, 50, 85, 45, 90.
Tentukan nilai mediannya ?
Semua nilai di atas setelah diurutkan:
X1 = 20, X2 = 45, X3 = 50, X4=60, X5=75, X6=80, X7=85, X8=90
Karena n = 8 (genap), k = 4
1 1
Median (Md) = 2 (𝑋4 + 𝑋5 ) = 2 (60 + 75) = 67,5

Berarti nilai median adalah = Rp67.500

b. Median Data Berkelompok


Apabila tiap-tiap nilai individunya tidak diberikan, tetapi hanya diberikan
kelompok-kelompok nilai dalam kelas seperti dalam distribusi frekuensi,

Modul Statistisi Penyelia 26


maka cara mencari nilai median tidak bergitu sederhana lagi seperti
mencari nilai median untuk data tidak berkelompok.
Perhitungan median untuk data berkelompok, berbentuk distribusi
frekuensi dimana diperoleh dengan jalan interpolasi (penyisipan) di dalam
salah satu klas-kelas dari distribusi itu.
Contoh :
Tabel 5. Berat badan 100 orang mahasiswa fakultas ekonomi Universitas X
tahun 2008
Berat Badan Banyaknya Mahasiswa
(Kg) (𝑓)
60 – 62 5
63 – 65 18
66 – 68 42
69 – 71 27
72 – 74 8
Jumlah 100

Tentukan median dari data di atas.

Adapun formula/rumus median untuk data berkelompok adalah:


𝑛
− (∑ 𝑓𝑖 )0
𝑀𝑑 = 𝐿0 + 𝑐 {2 }
𝑓𝑚

Dimana :
Md = nilai median yang hendak kita hitung.
𝐿0 = nilai batas bawah dari kelas yang mengandung nilai median
c = besarnya kelas interval, jarak antara kelas yang satu dengan
lainnya, atau besarnya kelas interval yang mengandung median.
n = banyaknya observasi = jumlah semua frekuensi

Modul Statistisi Penyelia 27


(∑ 𝑓𝑖 )0 = jumlah frekuensi dari semua kelas di bawah kelas yang
mengandung median (kelas yang mengandung median tidak
termasuk)
𝑓𝑚 = frekuensi dari kelas yang mengandung median

100
Berdasarkan data di atas, setengah dari observasi = = 50, 𝑓1 + 𝑓2 = 23,
2

untuk mencapai 50 kurang 27, perlu ditambah 𝑓3 . Jadi Median terletak di


Kelas ketiga, yaitu kelas 66 – 68, setelah dikoreksi menjadi 65,5 – 68,5
sehingga c = 68,5 – 65,5 = 3.
𝑛
𝐿0 = 65,5 ; 2 = 50 ; (∑ 𝑓𝑖 )0 = 𝑓1 + 𝑓2 = 23 ; 𝑓𝑚 = 42
𝑛
−(∑ 𝑓𝑖 )0
𝑀𝑑 = 𝐿0 + 𝑐 { 2 }
𝑓𝑚

50−23
𝑀𝑑 = 65,5 + 3 { }
42

𝑀𝑑 = 65,64

4.1.3. Modus (Mode)


Perkataan modus berasal dari kata "Mode". Dalam pengertian
sehari-hari diartikan sebagai nilai variabel yang tercatat berjumlah paling
banyak. Kata ini kiranya sudah tidak asing lagi pada masa sekarang ini.
Dalam dunia kewanitaan misalnya kita mengenal mode pakaian, mode
potongan rambut, artinya adalah pakaian atau potongan rambut yang
sedang banyak penggemarnya, sesuatu yang sedang disukai (in fashion).
Juga dalam ilmu statistik kata "modus atau mode" menunjukkan
pengertian yang kurang lebih sama dengan pengertian dalam kehidupan
sehari-hari, yakni menunjukkan sesuatu karakteristik yang banyak
frekuensinya dan karena karakteristik itu dinyatakan dalan bilangan (nilai),
maka kira-kira modus/mode dapat diberi batasan sebagai berikut:

Modul Statistisi Penyelia 28


"Mode dari suatu kumpulan nilai adalah suatu nilai dari kumpulan nilai
tersebut yang paling sering terjadi".
a. Modus Data Tidak Berkelompok
Untuk data diskrit, modus/mode adalah nilai variabel yang paling sering
terjadi.
Contoh:
Carilah modus/mode dari besarnya keluarga dari sepuluh rumahtangga
sebagai berikut: 7, 4, 4, 6, 5, 6, 6, 9, 5 dan 6.
Kita nyatakan dalam bentuk yang lebih sederhana:
Besar keluarga Frekuensi
4 2
5 2
6 4
7 1
9 1
Total 10

Dari tabel tersebut diketahui bahwa yang paling banyak frekuensinya


adalah nilai 6. Jadi nilai modus = 6.
b. Modus Data Berkelompok
Jika data sudah dikelompok dalam bentuk tabel frekuensi, maka dalam
mencari modus dipergunaakn rumus sebagai berikut :

(𝑓1 )0
𝑀𝑜 = 𝐿0 + 𝑐 { }
(𝑓1 )0 + (𝑓2 )0
Dimana:
Mo = nilai modus yang hendak dihitung.
𝐿0 = nilai batas bawah dari kelas yang mengandung nilai modus
c = besarnya jarak antara nilai batas atas dan nilai batas bawah dari
kelas interval yang mengandung modus.

Modul Statistisi Penyelia 29


𝑓𝑚0 = frekuensi dari kelas yang mengandung modus
(𝑓1 )0 = 𝑓𝑚0 - 𝑓(𝑚0−1) ; selisih frekuensi kelas yang memuat modus dengan
frekuensi kelas sebelumnya
(𝑓2 )0 = 𝑓𝑚0 - 𝑓(𝑚0+1) ; selisih frekuensi kelas yang memuat modus dengan
frekuensi kelas sesudahnya (atasnya)

Contoh
Cari modus dari tabel frekuensi berikut:
Kelas Frekuensi
30 – 39 4
40 – 49 6
50 – 59 8
60 – 69 12
70 – 79 9
80 – 89 7
90 – 99 4
Jumlah 50

Dari tabel, 𝑓𝑚0 = 12 merupakan frekuensi dari kelas yang memuat modus
(nilai tertinggi). Kelas yang memuat modus, mempunyai nilai batas bawah
59,5 dan nilai batas atas 69,5. Sehingga didapat c = 69,5 – 59,5 = 10.
𝐿0 = 59,5
𝑓(𝑚0−1) = 8 dan 𝑓(𝑚0+1) = 9 sehingga
(𝑓1 )0 = 12 – 8 = 4
(𝑓2 )0 = 12 – 9 = 3
(𝑓1 )0
𝑀𝑜 = 𝐿0 + 𝑐 {(𝑓 ) }
1 0 + (𝑓2 )0

4
𝑀𝑜 = 59,5 + 10 {4 + 3} = 65,214

Modus dari data tersebut adalah 65,214

Modul Statistisi Penyelia 30


4.1.4. Rata-rata Ukur (Geometric Mean)
Rata-rata ukur ini digunakan untuk mengetahui rata-rata persentase
tingkat perubahan sepanjang waktu, misalnya rata-rata persentase tingkat
perubahan hasil penjualan, produksi, harga, dan pendapatan selama 10
tahun yang lalu.
Misal data berkala mengenai hasil penjualan suatu perusahaan
(dalam juta rupiah) sebagai berikut:
Tahun 2004 2005 2006 2007
Penjualan 10 8 12 15

Berapa besarnya rata-rata persentase tingkat perubahan per tahun


dari data penjualan tersebut?
Nilai ini dapat diperoleh dengan menggunakan rumus rata-rata ukur
atau rumus bunga majemuk bersusun (compound interset). Rumus rata-
rata ukur adalah sebagai berikut :
𝐺 = 𝑛√𝑋1 . 𝑋2 … 𝑋𝑛
Rata-rata ukur suatu kelompok nilai merupakan akar pangkat n dari
hasil kali msing-masing nilai kelompok tersebut. Untuk mencari rata-rata
ukur, juga dapat dipergunakan rumus berikut:
∑ log 𝑋𝑖
log 𝐺 =
𝑛
Atau
∑ log 𝑋𝑖
G = antilog ( )
𝑛
Contoh dari data penjualan suatu perusahaan di atas, rata-rata ukurnya
adalah sebagai berikut:
4
𝐺 = 4√𝑋1 . 𝑋2 . 𝑋3 . 𝑋4 = 4√(10)(8)(12)(15) = √14.400 = 10,95

Modul Statistisi Penyelia 31


4.1.5. Rata-rata Harmonis
Rata-rata Harmonis (RH) dari n angka, 𝑋1 . 𝑋2 … 𝑋𝑛 adalah nilai yang
diperoleh dengan cara membagi n dengan jumlah kebalikan dari masing-
masing X tersebut.
Rumusnya adalah sebagai berikut:
𝑛
𝑅𝐻 =
1
∑𝑛𝑖=1
𝑋𝑖
Contoh:
Seorang pedagang batik di Tegal memperoleh hasil penjualan sebesar
Rp100.000 per minggu dengan rincian sebagai berikut:
Minggu pertama : 10 helai dengan harga Rp10.000/helai;
Minggu kedua : 25 helai dengan harga Rp4.000/helai;
Minggu ketiga : 20 helai dengan harga Rp5.000/helai;
Minggu keempat : 40 helai dengan harga Rp2.500/helai.
Berapa harga rata-rata kain tersebut per helai?

Untuk menghitung harga rata-rata kain batik menggunakan rumus rata-


rata harmonis sebagai berikut:
𝑛
𝑅𝐻 = 1
∑𝑛
𝑖=1 𝑋𝑖

4
𝑅𝐻 = 1 1 1 1
+ + +
10000 4000 5000 2500
400000
𝑅𝐻 = = 4210,53
95

Jadi harga rata-rata batik per helai adalah Rp4.210,53

4.2. Ukuran Letak (Kuartil, Desil, dan Persentil)


a. Data tidak berkelompok
Jika sekelompok data dibagi menjadi dua, maka nilai ditengah dua
kelompok tadi adalah median, nilai median merupakan salah satu dari nilai
pengamatan. Untuk kelompok data, dimana 𝑛 ≥ 4 ditentukan tiga nilai Q1,

Modul Statistisi Penyelia 32


Q2, dan Q3, yang membagi kelompok data menjadi empat bagian (kuartil).
Nilai-nilai tersebut dinamakan kuartil pertama, kedua, dan ketiga.
75%

, , ,
25%
Q1 Q2 Q3 Dimana Q2 = median

Bila suatu kelompok data nilai sudah diurutkan dari yang terkecil (X1)
sampai yang terbesar (Xn) maka rumus untuk Qi sebagai berikut:
𝑖(𝑛 + 1)
𝑄𝑖 = 𝑛𝑖𝑙𝑎𝑖 𝑦𝑎𝑛𝑔 𝑘𝑒 − , 𝑖 = 1,2,3
4
Berikut data setelah diurutkan dari terkecil sampai terbesar, cari nilai Q1,
Q2, dan Q3:
X1=30 X2=35 X3=40 X4=45 X5=50
X6=55 X7=60 X8=65 X9=70 X10=80
X11=85 X12=95 X13=100

𝑖(𝑛+1)
𝑄𝑖 = 𝑛𝑖𝑙𝑎𝑖 𝑦𝑎𝑛𝑔 𝑘𝑒 − 4
1(13+1) 1
𝑄1 = 𝑛𝑖𝑙𝑎𝑖 𝑦𝑎𝑛𝑔 𝑘𝑒 − = nilai yang ke-32
4

Berarti rata-rata dari X3 dan X4, yaitu (40 + 42) : 2 = 42,5


2(13+1)
𝑄2 = 𝑛𝑖𝑙𝑎𝑖 𝑦𝑎𝑛𝑔 𝑘𝑒 − = nilai yang ke-7 = 60
4
3(13+1) 1
𝑄3 = 𝑛𝑖𝑙𝑎𝑖 𝑦𝑎𝑛𝑔 𝑘𝑒 − = nilai yang ke-102
4

Berarti rata-rata dari X10 dan X11, yaitu (80 + 85) : 2 = 82,5

Untuk data lebih dari 10 (𝑛 ≥ 10), dapat ditentukan nilai yang membagi
kelompok data tersebut menjadi 10 bagian yang sama (desil), misalnya D1,
D2, …, D9.

Modul Statistisi Penyelia 33


, , …, ,
10%
D1 D2 D9

𝑖(𝑛 + 1)
𝐷𝑖 = 𝑛𝑖𝑙𝑎𝑖 𝑦𝑎𝑛𝑔 𝑘𝑒 − , 𝑖 = 1,2, … , 9
10
Berdasarkan contoh di atas (Kuartil) tentukan D1 dan D9
1(13+1) 4 4
𝐷1 = 𝑛𝑖𝑙𝑎𝑖 𝑦𝑎𝑛𝑔 𝑘𝑒 − = nilai yang ke-110 , berarti X1 +10(X2-X1)
10
4
= 30+10(35-30) = 32
9(13+1) 6 6
𝐷9 = 𝑛𝑖𝑙𝑎𝑖 𝑦𝑎𝑛𝑔 𝑘𝑒 − = nilai yang ke-1210 , berarti X12 +10(X13-X12)
10
6
= 95+10(100-95) = 98

Untuk data lebih dari 100 (𝑛 ≥ 100), dapat ditentukan nilai yang membagi
kelompok data tersebut menjadi 100 bagian yang sama (persentil),
misalnya P1, P2, …, P99.
𝑖(𝑛 + 1)
𝑃𝑖 = 𝑛𝑖𝑙𝑎𝑖 𝑦𝑎𝑛𝑔 𝑘𝑒 − , 𝑖 = 1,2, … , 99
100
b. Data berkelompok
Untuk data berkelompok (dibuat tabel frekuensinya), maka untuk
menentukan kuartil, desil, dan persentil sebagai berikut:
Kuartil :
𝑖𝑛
− (∑ 𝑓𝑖 )0
𝑄𝑖 = 𝐿0 + 𝑐 { 4 }
𝑓𝑞

Desil :
𝑖𝑛
− (∑ 𝑓𝑖 )0
𝐷𝑖 = 𝐿0 + 𝑐 {10 }
𝑓𝑑

Persentil :

Modul Statistisi Penyelia 34


𝑖𝑛
− (∑ 𝑓𝑖 )0
𝑃𝑖 = 𝐿0 + 𝑐 {100 }
𝑓𝑝

Dimana:
𝑄𝑖 , 𝐷𝑖 , 𝑃𝑖 = nilai kuartil, desil, persentil ke-i yang hendak dihitung.
𝐿0 = nilai batas bawah dari kelas yang mengandung nilai kuartil, desil,
persentil ke-i
(∑ 𝑓𝑖 )0 = jumlah frekuensi dari semua kelas sebelum kelas yang
mengandung kuartil, desil, persentil ke-i
c = besarnya jarak antara nilai batas atas dan nilai batas bawah dari
kelas interval yang mengandung kuartil, desil, persentil ke-i.
𝑓𝑞 , 𝑓𝑑 , 𝑓𝑝 = frekuensi dari kelas yang mengandung kuartil, desil, persentil ke-
i
𝑖𝑛 = i kali n

Contoh
Berdasarkan data berikut, hitunglah 𝑄1 , 𝐷6 , dan 𝑃50
Nilai 𝑓
72,2 – 72,2 2
72,5 – 72,7 5
72,8 – 73,0 10
73,1 – 73,3 13
73,4 – 73,6 27
73,7 – 73,9 23
74,0 – 74,2 16
74,3 – 74,5 4
Jumlah 100

Untuk menghitung 𝑄1: 𝑓1 + 𝑓2 + 𝑓3 = 17, belum mencapai 25. Agar mencapai


25 harus diikutkan 𝑓4 , dengan demikian diketahu kelas ke-4 memuat 𝑄1.
Sehingga diketahui (∑ 𝑓𝑖 )0=17; n=100; 𝑓𝑞 =13. Nilai batas atas dab batas

Modul Statistisi Penyelia 35


1
bawah dari kelas yang memuat 𝑄1, masing-masing adalah 2(73,0+73,1) =
1
73,05 dan 2(73,3+73,4) = 73,35. Jadi c = 73,35 – 73,05 = 0,30
100
−17
𝑄1 = 73,05 + 𝑐 { 4
} = 73,23
13

Analog dengan cara diatas untuk menghitung 𝐷6 (jumlah frekuensi harus


mencapai 60), diketahui yang memuat angka tersebut ada di kelas ke-6.
Sehingga didapat sebagai berikut :
600
−57
𝐷6 = 73,65 + 0,30 { 1023 } = 73,69

Sedangkan 𝑃50
5000
−30
𝑃50 = 73,35 + 0,30 { 10027 } = 73,57

4.3. Ukuran Penyebaran


Konsep lain yang sangat penting dalam statistik adalah ukuran
penyebaran/ dispersi/variasi. Mean, median dan modus hanya
menunjukkan ciri-ciri karakteristik dari distribusi frekuensi, yaitu tendensi
sentral. Ukuran penyebaran (dispersi) adalah suatu ukuran yang
menyatakan atau memberikan gambaran tentang penyebaran sekelompok
data.
Contoh
Tiga kelompok data terdiri dari:
a. 50, 50, 50, 50, 50 (homogen) rata-rata hitung = 50
b. , 40, 30, 60, 70 (heterogen) rata-rata hitung = 50
c. 100, 40, 80, 20, 10 (heterogen) rata-rata hitung = 50
Kelompok c lebih heterogen dibandingkan kelompok b
Ukuran penyebaran dapat membantu kita dalam mempelajari sifat
yang penting dari suatu distribusi, yaitu sampai seberapa jauh data

Modul Statistisi Penyelia 36


tersebut bervariasi satu dengan yang lain dan dari rata-ratanya. Untuk
memperoleh gambaran tentang keadaan suatu kelompok data, maka tidak
cukup hanya dengan mempelajari/mengetahui ukuran lokasinya saja,
tetapi diperlukan juga ukuran dispersi.
Dalam kehidupan sehari-hari sering mendengar data statistik, misal
rata-rata upah bulanan karyawan suatu perusahaan makanan adalah Rp
2.000.000,-. Setiap mendengar kata rata-rata, maka akan membayangkan
sekelompok nilai “di sekitar” rata-rata tersebut. Ada yang sama dengan
rata-rata, ada yang lebih kecil, dan ada yang lebih besar dari rata-rata
tersebut. Dengan kata lain, ada penyebaran atau dispersi dari nilai-nilai
tersebut, baik terhadap nilai lainnya maupun terhadap rata-ratanya
(terhadap rata-rata hitung, median, atau modus). Contoh di atas belum
memberikan gambaran yang jelas dari upah para pegawai tersebut.
Beberapa orang mungkin hanya menerima upah Rp 1.500.000,- sedangkan
beberapa orang lainnya akan menerima Rp 3.000.000,- atau lebih. Pada
beberapa distribusi, kasus-kasusnya mungkin menggerombol disekitar nilai
rata-rata, sedangkan pada distribusi lainnya kasus-kasusnya menyebar
secara luas/lebar. Oleh karena itu, perlulah ditentukan penyebaran dari
nilai-nilai individual yang menyebar di atas dan di bawah tendensi
sentralnya.
4.3.1. Jenis-jenis Ukuran Penyebaran
Ada beberapa macam ukuran dispersi, misalnya nilai jarak (range),
simpangan baku (standard deviation), dan koefisien variasi (coefficient of
variation). Diantara ukuran dispersi tersebut simpangan baku yang sering
dipergunakan, khususnya untuk keperluan analisis data.
A. Range (Nilai Jarak)
a. Range Data Tidak Berkelompok

Modul Statistisi Penyelia 37


Di antara ukuran variasi yang paling sederhana dan paling mudah dihitung
adalah nilai jarak (range). Apabila suatu kelompok nilai (data) sudah
disusun menurut urutan yang terkecil (X1) sampai dengan yang terbesar
(Xn), maka untuk menghitung nilai jarak dipergunakan rumus berikut:
NJ = Xn – X1
𝑁𝐽 = 𝑋𝑛 − 𝑋1
dimana:
NJ = nilai jarak (range)
Xn = Nilai maksimum
X1 = Nilai minimum

Contoh:
Carilah range dari data berikut:
50 40 30 60 70
Urutkan data dari terkecil sampai terbesar menjadi:
30 40 50 60 70
diperoleh: X1 = 30 dan X5 = 70
sehingga,
NJ = X5 – X1 = 70 – 30
= 40

b. Range Data Berkelompok


Sedangkan untuk data yang berkelompok, maka perhitungan nilai jarak
(range) dapat dihitung dengan dua cara:
a. NJ = nilai tengah kelas terakhir – nilai tengah kelas pertama
b. NJ = batas atas kelas terakhir – batas bawah kelas pertama
Contoh
Hitung nilai jarak dari berat badan 100 mahasiswa

Modul Statistisi Penyelia 38


Modul Statistisi Penyelia 39
Banyaknya Mahasiswa
Berat Badan (kg)
(f)
60 - 62 5
63 - 65 18
66 - 68 42
69 - 71 27
72 – 74 8

72  74
Cara I. Nilai tengah kelas terakhir adalah  73 kg
2
60  62
Nilai tengah kelas pertama  61 kg
2
Maka:
NJ = nilai tengah kelas terakhir – nilai tengah kelas pertama
= 73 – 61
= 12 kg
Cara II. Batas atas kelas terakhir = 74,5, batas bawah kelas pertama = 59,5
NJ = batas atas kelas terakhir – batas bawah kelas pertama
= 74,5 -59,5
= 15 kg
Catatan: cara I cenderung menghilangkan kasus-kasus ekstrim

B. Simpangan Baku (Standar Deviasi)


Simpangan baku merupakan salah satu ukuran dispersi yang paling
banyak dipergunakan, sebab mempunyai sifat-sifat matematis
(mathematical property) yang sangat penting dan berguna sekali untuk
pembahasan teori dan analisis.
Simpangan baku merupakan salah satu ukuran dispersi yang
diperoleh dari akar kuadrat varians positif. Varians adalah rata-rata hitung
dari kuadrat simpangan setiap pengamatan terhadap rata-rata hitungnya.

Modul Statistisi Penyelia 40


Jika mempunyai suatu populasi dengan jumlah elemen sebanyak N
dan sampel sebanyak n elemen, selanjutnya nilai suatu karakteristik
tertentu dikumpulkan (umur, hasil penjualan, harga barang, produksi
barang, nilai ujian), maka diperoleh sekumpulan nilai observasi sebagai
berikut:
Populasi : X1, X2, … , Xi, … , XN
1
μ = 𝑁 ∑𝑁
𝑖=1 𝑋𝑖 , , rata-rata sebenarnya dari X (rata-rata populasi)

Sampel : X1, X2, … , Xi, … , Xn


1
𝑋̅ = 𝑛 ∑𝑛𝑖=1 𝑋𝑖 , rata-rata perkiraan (estimasi) dari X (rata-rata sampel)

X adalah perkiraan dari 

a. Simpangan Baku Data Tidak Berkelompok


Simpangan baku (varians) terbagi ke dalam varians populasi dan varians
sampel. Simbol dari varians populasi adalah  2 yang merupakan varians
sebenarnya dari X. Rumusnya adalah:
1
𝜎2 = ∑(𝑋𝑖 − 𝜇)2
𝑁
dimana (𝑋𝑖 − 𝜇) adalah simpangan (deviasi) dari observasi terhadap rata-
rata sebenarnya. Sedangkan varians sampel (𝑆 2 ) dirumuskan sebagai
berikut:
𝑛
1
𝑆 = 2
∑(𝑋𝑖 − 𝑋̅)2
𝑛±1
𝑖=1

atau,
𝑛
1
𝑆 = ∑(𝑋𝑖 − 𝑋̅)2
2
𝑛
𝑖=1

Modul Statistisi Penyelia 41


Dimana (𝑋𝑖 − 𝑋̅) adalah simpangan (deviasi) dari observasi terhadap rata-
rata sampel. Rumus dan simbol dari simpangan baku populasi adalah:

∑𝑁
𝑖=1(𝑋𝑖 − 𝜇)
2
𝜎= √
𝑁

Atau,

𝑁
1 2 (∑𝑁
𝑖=1 𝑋𝑖 )
2
𝜎= √ {∑ 𝑋𝑖 − }
𝑁 𝑁
𝑖=1

Dimana 𝜎 merupakan simpangan baku dari X.


Pada prakteknya, pengumpulan data yang hanya didasarkan atas sampel
tidak menghasilkan varians atau simpangan baku yang sebenarnya, tetapi
hanya suatu perkiraan saja dengan rumus sebagai berikut:

∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝑆=√
𝑛

Atau,
∑𝑛 ̅ 2
𝑖=1(𝑋𝑖 −𝑋)
𝑆=√ 𝑛−1

Catatan: S = simpangan baku perkiraan (S perkiraan dari )/ simpangan


baku sampel
Contoh
Hitung simpangan baku upah perminggu dari 11 buruh suatu perusahaan
(ribuan rupiah)
Upah Upah
Buruh (𝑋𝑖 − 𝑋̅)2 Buruh (𝑋𝑖 − 𝑋̅)2
(X) (X)
A 11,10 10,9501 G 14,00 0,1674
B 11,50 8,4628 H 16,00 2,5310
C 12,00 5,8037 I 17,25 8,0708
D 12,20 4,8801 J 18,50 16,7355

Modul Statistisi Penyelia 42


E 12,45 3,8380 K 20,00 31,2583
F 13,50 0,8264
Jumlah 158,50 93,5241

Simpangan data dari tabel di atas sebagai berikut:


∑𝑛 ̅ 2
𝑖=1(𝑋𝑖 −𝑋) 93,5241
𝑆=√ =√ = 3,06
𝑛 11

b. Simpangan Baku Data Berkelompok


Untuk data yang berkelompok, rumus yang digunakan untuk menghitung
simpangan baku populasi adalah sebagai berikut:

∑𝑘 𝑓𝑖 (𝑀𝑖 − 𝜇)2
𝜎 = √ 𝑖=1
𝑁

𝑀𝑖 = Nilai tengah dari kelas ke-i, i=1,2,...,k


Atau untuk kelas interval yang sama
2
∑𝑘𝑖=1 𝑓𝑖 𝑑𝑖 2 ∑𝑘𝑖=1 𝑓𝑖 𝑑𝑖
𝜎=𝑐 √ ±[ ]
𝑁 𝑁

Dimana:
c = besarnya kelas interval.
𝑓𝑖 = frekuensi dari kelas ke-i
𝑑𝑖 = deviasi = simpangan dari kelas ke –i terhadap titik asal asumsi
Untuk kelas interval yang tidak sama

𝑘
1 2 ∑𝑘𝑖=1 𝑓𝑖 𝑀𝑖 2
𝜎 = √ {∑ 𝑓𝑖 𝑀𝑖 − }
𝑁 𝑁
𝑖=1

𝑀𝑖 =nilai tengah kelas ke-i


Untuk data sampel diperoleh simpangan baku sampel sebagai berikut:
Untuk kelas yang sama

Modul Statistisi Penyelia 43


2
∑𝑘𝑖=1 𝑓𝑖 𝑑𝑖 2 ∑𝑘𝑖=1 𝑓𝑖 𝑑𝑖
𝑆=𝑐 √ −[ ]
𝑛±1 𝑛−1

dan untuk kelas yang tidak sama

𝑘
1 2 ∑𝑘𝑖=1 𝑓𝑖 𝑀𝑖 2
𝑆=√ {∑ 𝑓𝑖 𝑀𝑖 − }
𝑛−1 𝑛−1
𝑖=1

Contoh
Modal dari 40 populasi perusahaan (dalam jutaan rupiah) adalah sebagai
berikut:
138 164 150 132 144 125 149 157
146 158 140 147 136 148 152 144
168 126 138 176 163 119 154 165
146 173 142 147 135 153 140 135
161 145 135 142 150 156 145 128
Kemudian data dikelompokkan dan disajikan dalam bentuk tabel frekuensi
sebagai berikut:
Modal Nilai Tengah Frekuensi (f)
118 - 126 122 3
127 - 135 131 5
136 - 144 140 9
145 - 153 149 12
154 - 162 158 5
163 - 171 167 4
172 – 180 176 2
Jumlah 40

Hitunglah simpangan baku terhadap data yang berkelompok.


Untuk data berkelompok: perhatikan jarak antara kelas yang satu dengan
kelas berikutnya atau selisih nilai tengah yang satu dengan nilai tengah
lainnya. Dari tabel di atas, diperoleh nilai tengah yang sama yaitu (131-122)
= (140-131) = ... = 9, jadi c = 9. Tentukan titik asal asumsi M = 149 yaitu

Modul Statistisi Penyelia 44


kelas 145-153, kelas yang dipilih adalah kelas yang mempunyai frekuensi
terbesar. Sehingga dapat diperoleh nilai simpangan baku dari setiap nilai
tengah terhadap titik asal asumsi sebagai berikut:

Modal Nilai Tengah Frekuensi (f)


118 - 126 122 3
127 - 135 131 5
136 - 144 140 9
145 - 153 149 12
154 - 162 158 5
163 - 171 167 4
172 – 180 176 2
Jumlah 40
Dari data tersebut didapat:
Kelas 𝑓 𝑑 𝑑2 𝑓𝑑 𝑓𝑑 2
118 - 126 3 -3 9 -9 27
127 - 135 5 -2 4 -10 20
136 - 144 9 -1 1 -9 9
145 - 153 12 0 0 0 0
154 - 162 5 1 1 5 5
163 - 171 4 2 4 8 16
172 – 180 2 3 9 6 18
Jumlah 40 0 28 -9 95
2 2
∑𝑘
𝑖=1 𝑓𝑖 𝑑𝑖 ∑𝑘
𝑖=1 𝑓𝑖 𝑑𝑖
𝜎 = 𝑐√ −[ ] ,
𝑁 𝑁

95 −9 2
𝜎 = 9√40 − [ 40 ] = 13,72

C. Koefisien Variasi
Untuk membandingkan tingkat homogenitas dari dua jenis data
dengan satuan yang berbeda, ataupun satu data dengan rata-rata yang
berbeda, maka pemakaian simpangan baku kurang baik, dan dalam
keadaan demikian maka dipakai ukuran lain yaitu koefisien variasi, dan
ukuran ini tidak mempunyai satuan, tidak seperti satuan data aslinya.

Modul Statistisi Penyelia 45


Simpangan baku (Standard Deviasi) yang baru saja kita bahas
mempunyai satuan yang sama dengan data aslinya. Hal ini merupakan
suatu kelemahan kalau kita ingin membandingkan dua kelompok data,
misalnya modal dari 10 perusahaan besar di wilayah Jakarta Selatan
dengan yang ada di Jakarta Utara; harga 10 mobil (jutaan rupiah) dengan
harga 10 ekor ayam (ribuan rupiah); berat 10 ekor gajah dengan berat 10
ekor semut. Walaupun nilai simpangan baku (Standard Deviasi) untuk
berat gajah atau harga mobil lebih besar, belum tentu lebih heterogen atau
lebih bervariasi daripada berat semut dan harga ayam.
Untuk keperluan perbandingan dua kelompok nilai dipergunakan
Koefisien Variasi (KV), yang bebas dari satuan data asli.
Rumus:
𝜎
𝐾𝑉 = × 100%, untuk populasi
𝜇
𝑆
𝐾𝑉 = × 100%, untuk sampel
𝑋̅
Jika dua kelompok data dengan KV1 dan KV2 dimana KV1 > KV2 maka
kelompok pertama lebih bervariasi atau lebih heterogen daripada
kelompok kedua.

Contoh
Harga 5 mobil bekas masing-masing adalah Rp 4.000.000; Rp 4.500.000; Rp
5.000.000; Rp 4.750.000; Rp 4.250.000; dan harga 5 ayam, masing-masing
adalah misalnya Rp 600; Rp 900; Rp 550; Rp 1.000. Mana yang lebih
bervariasi (heterogen) harga mobil atau harga ayam ?

Untuk mobil bekas:


1
m = 5(4.000.000 + ... + 4.250.000) = 4.500.000

Modul Statistisi Penyelia 46


1
𝜎𝑚 = √5 ∑ 𝑋𝑖 − 𝜇𝑚 = 353.550

Untuk mobil ayam:


1
𝜇𝑎 = 5 (600 + 800 + ⋯ + 1.000) = 770

1
𝜎𝑎 = √5 ∑ 𝑋𝑖 − 𝜇𝑎 = 172,05
𝜎 353.550
Untuk mobil, 𝐾𝑉𝑚 = 𝜇𝑚 × 100% = 4.500.000 x 100% = 7,86%
𝑚

𝜎𝑎 172,05
Untuk ayam, 𝐾𝑉𝑎 = 𝜇 × 100% = x 100% = 22,34%
𝑎 770

Kesimpulan: Karena 𝐾𝑉𝑎 > 𝐾𝑉𝑚 , ini berarti harga ayam lebih bervariasi
(heterogen) dibandingkan dengan harga mobil.

4.4. Latihan Soal


1. Apa yang dimaksud dengan ukuran pemusatan?
2. Sebutkan jenis-jenis ukuran pemusatan!
3. Apa yang dimaksud dengan median dan modus?
4. Dari data pengeluaran sebulan (dalam ribuan rupiah) dari 30 rumah
tangga berikut, hitunglah rata-rata pengeluaran tiap rumah tangga
serta modus dari data tersebut.
30 40 35 25 35 50
40 45 40 20 45 45
20 35 45 25 40 30
25 33 20 20 20 45
35 34 15 30 25 40

5. Nilai ujian suatu mata kuliah A dari mahasiswa FE Universitas X,


adalah:
Banyak Mahasiswa
Nilai
(f)
30 – 39 9

Modul Statistisi Penyelia 47


40 – 49 32
50 – 59 43
60 – 69 21
70 – 79 11
80 – 89 3
90 – 100 1
a. Hitung Kuartil pertama dan ketiga
b. Hitung Desil pertama dan ketujuh
c. Hitung Persentil kedua puluh lima dan ketujuh puluh lima

Modul Statistisi Penyelia 48


BAB V
PENUTUP

Dalam modul ini telah dibahas materi berkaitan dengan tata cara
penyiapan pelaksanaan kegiatan statistik, validasi pengolahan data, metode
statistik tingkat dasar dan penerapannya dalam kegiatan analisis.
Masih banyak materi yang belum terjabarkan dengan sempurna.
Oleh karena perlunya pengayaan referensi dengan mengacu pada literatur
yang banyak tersedia berkaitan dengan materi ini.
Belajar dengan melakukan pendalaman dengan praktek langsung di
lapangan, serta mengerjakan latihan soal, sangat dibutuhkan untuk lebih
mengusai materi.

Modul Statistisi Penyelia 49


DAFTAR PUSTAKA

Badan Pusat Statistik, Modul Diklat Fungsional Statistisi Tingkat Ahli, Edisi
Kedua, 2013
Johnson dan Bhattacharyya, Statistics, Principles and Methods, John Wiley &
Sons, 6th edition, 2010
Sukestiyarno, Statistika Dasar, Andi, 2014
Supranto, Statistik Teori dan Aplikasi, Erlangga, Edisi Ketujuh, 2008
Sri Mulyono, Statistik Untuk Ekonomi dan Bisnis, FE UI, Edisi ketiga, 1990

Modul Statistisi Penyelia 50

Anda mungkin juga menyukai