LANDASAN TEORI
Sumber: Suntoyo Yitnosumarto, Dasar-dasar Statistika, (1990, Jakarta: Raja Grafindo), ed. 2
1
Suntoyo Yitnosumarto, Dasar-dasar Statistika, (1990, Jakarta: Raja Grafindo), ed. 2, hlm. 3
2
Suharyadi Purwanto, Statistika untuk Ekonomi & Keuangan Modern, (2003, Jakarta: Salemba Empat),
ed. 1, hlm. 10
Data kualitatif merupakan data non-angka (numerik) seperti jenis kelamin,
warna kesayangan, dan asal suku. Data kualitatif digunakan apabila tertarik melihat
proporsi atau bagian yang termasuk dalam kategori. Contoh warna apa yang disukai
oleh sebagian besar penduduk, perbandingan jenis kelamin dalam suatu perusahaan,
dan lain sebagainya.
Data kuantitatif merupakan data angka atau numerik seperti jumlah mobil
(bisa 0, 1, 2, dan lain-lain), jumlah TV yang terjual dalam suatu toko, berat badan (60
kg, 80 kg, 100 kg, dan lain-lain), jarak Solo-Jakarta (230,5 km) dan sebagainya. Semua
ukuran tersebut berupa angka. Data kuantitatif dibedakan menjadi dua bagian yaitu
data diskret dan data kontinu.
Data diskret merupakan data kuantitatif yang nilainya khusus dan merupakan
hasil perhitungan serta biasanya berupa bilangan bulat. Data diskret seperti jumlah
mobil 0, 1, 2, dan lain-lain. Tidak mungkin jumlah mobil 1,5 atau 2,25 dan sebagainya.
Jadi data diskret biasanya berupa angka bulat.
Data kontinu merupakan data kuantitatif yang nilainya menempati semua
interval pengukuran dan merupakan hasil pengukuran serta bisa berupa bilangan
pecahan dan bulat. Contoh berat badan bisa 60,1 kg; 80,5 kg atau bisa 60 dan 80 kg.
Tinggi badan, luas rumah, panjang jalan dan lain-lain, yang merupakan hasil
pengukuran merupakan data kontinu. Selain pembagian kualitatif, kuantitatif, diskret
dan kontinu, ada yang membagi data dalam data primer dan data sekunder.
Data primer merupakan data yang diperoleh langsung dari sumbernya atau
objek penelitian. Data primer biasanya diperoleh dengan wawancara langsung kepada
objek atau dengan pengisian kuesioner (daftar pertanyaan) yang dijawab oleh objek
penelitian.
Data sekunder merupakan data yang sudah diterbitkan atau digunakan pihak
lain. Contoh data yang diambil dari koran, majalah, jurnal, publikasi lain merupakan
data sekunder.
2.1.2. Statistik3
Statistik adalah ilmu yang mempelajari tentang seluk beluk data, yaitu tentang
pengumpulan, pengolahan, penafsiran, dan penarikan kesimpulan dari data yang
berbentuk angka-angka. Adapun pembagian statistik adalah sebagai berikut.
1. Pembagian Statistik Berdasarkan Cara Pengolahan Datanya
Berdasarkan cara pengolahan datanya, statistik dibagi dua, yaitu:
a. Statistik Deskriptif
Statistik deskriptif atau statistic deduktif adalah bagian dari statistic yang
mempelajari cara pengumpulan dan penyajian data sehingga mudah dipahami.
Statistik deksriptif hanya berhubungan dengan menguraikan atau memberikan
keterangan-keterangan mengenai suatu data keadaan atau fenomena. Dengan
kata lain, statistik deskriptif hanya berfungsi menerangkan keadaan, gejala,
atau persoalan.
b. Statistik Inferensi
Statistik inferensi atau statistik induktif adalah bagian statistik yang
mempelajari penafsiran dan penarikan kesimpulan yang berlaku secara umum
dari data yang tersedia.
Statistik inferensi berhubungan dengan pendugaan populasi dan pengujian
hipotesis dari suatu data keadaan atau fenomena. Dengan kata lain, statistik
inferensi berfungsi meramalkan dan mengontrol keadaan atau kejadian.
2. Pembagian Statistik Berdasarkan Bentuk Parameternya
Berdasarkan atas bentuk parameternya (data sebenarnya), statistik dapat dibagi
atas dua, yaitu:
a. Statistik Parametrik
Statistik parametrik adalah bagian statistik yang parameter dari populasinya
mengikuti suatu distribusi tertentu, seperti distribusi normal dan memiliki
varian yang homogen.
3
Iqbal Hasan, Analisis Data Penelitian Dengan Statistik, (2006, Jakarta: Bumi Aksara), hlm. 1-3
b. Statistik Nonparametrik
Statistik nonparametrik adalah bagian statistik yang parameter dari
populasinya tidak mengikuti suatu distribusi tertentu atau memiliki distribusi
yang bebas persyaratan dan variannya tidak perlu homogen.
2.1.3. Statistika
4
Statistika merupakan ilmu pengetahuan yang berhubungan dengan metode-
metode untuk pengumpulan, pengorganisasian, perangkuman, pemaparn dan
penganalisisan data di samping terkait pula dengan metode-metode untuk penarikan
kesimpulan yang valid serta pengambilan keputusan yang berdasarkan alasan-alasan
yang ilmiah dan kuat yang diperoleh dari hasil analisis tadi.
5
Metode statistika adalah prosedur-prosedur yang digunakan dalam
pengumpulan, penyajian, analisis, dan penafsiran data. Metode statistika
dikelompokkan kedalam dua kelompok besar, yaitu statistika deskriptif dan statistika
inferensia.
6
Statistik deskriptif adalah metode statistika yang digunakan untuk
menggambarkan atau mendeskripsikan data yang telah dikumpulkan menjadi sebuah
informasi. Statistika inferensia adalah metode yang digunakan untuk mengetahui
tentnag sebuah populasi berdasarkan suatu sampel atau contoh dengan menganalisis
dan menginterpretasikan data menjadi sebuah kesimpulan.
Populasi adalah sebuah kumpulan dari semua kemungkinan orang-orang,
benda-bendam dan ukuran dari objek yang menjadi perhatian. Sedangkan sampel
adalah suatu bagian dari populasi tertentu yang menjadi perhatian.
4
Murray R. Spiegel, Teori dan Soal-Soal Statistik, (2007, Jakarta: Erlangga), hlm. 1
5
Ronald E. Walpole, Pengantar Statistika, (1998, Jakarta: Gramedia), ed. 3, hlm. 2
6
Suharyadi Purwanto, Statistika untuk Ekonomi & Keuangan Modern, (2003, Jakarta: Salemba Empat),
ed. 1, hlm. 7-9
2.2. Peubah acak
7
Karakteristik suatu individu atau obyek yang dapat diamati dan yang berbeda
dengan individu yang lain dalam suatu populasi (contoh) disebut peubah (variable).
Sedangkan pengamatan-pengamatan itu sendiri merupakan nilai-nilai spesifik dari
sebuah peubah.
8
Umumnya peubah dilambangkan dengan huruf Latin dari A sampai Z (huruf
besar atau kecil) walaupun biasanya 3 huruf terakhir, yaitu X, Y atau Z. Bila peubah X
mempunyai 10 pengamatan, maka nilai-nilai pengamatan tersebut dicatat dengan X1,
X2, X3 dan seterusnya sampai X10 (1, 2, 3 sampai 10 merupakan nomor urut
pengamatan). Oleh karena peubah berkaitan erat dengan nilai-nilai pengamatan atau
data, maka peubah dapat dibedakan menurut jenis data dan ruang contoh.
Ruang contoh terbagi dua, yaitu Ruang Contoh Diskret dan Ruang Contoh
Kontinu. Ruang contoh diskret adalah bila suatu ruang contoh mengandung jumlah titik
contoh yang terhingga atau suatu barisan unsur yang tidak pernah berakhir tetapi yang
sama banyaknya dengan bilangan cacah, maka ruang itu disebut ruang contoh diskret.
Ruang contoh kontinu adalah bila suatu ruang contoh mengandung tak hingga
banyaknya titik contoh yang sama dengan banyaknya titik pada sebuah ruas garis, maka
ruang itu disebut ruang contoh kontinu.
Peubah acak yang didefinisikan di atas ruang contoh yang diskret dan kontinu
masing-masing disebut peubah acak diskret dan peubah acak kontinu. Dalam
prakteknya, peubah acak kontinu digunakan untuk data yang diukur, misalnya tinggi,
bobot, suhu, jarak, atau umur. Sedangkan peubah acak diskret digunakan untuk data
yang berupa cacahan, misalnya banyaknya produk yang cacat, banyaknya kecelakaan
per tahun di suatu provinsi.
7
Suntoyo Yitnosumarto, Dasar-dasar Statistika, (1990, Jakarta: Raja Grafindo), ed. 2, hlm. 8
8
Ronald E. Walpole, Pengantar Statistika, (1998, Jakarta: Gramedia), ed. 3, hlm. 114-116
2.3. Fungsi Kepadatan Probabilitas9
Fungsi kepekatan probabilitas atau bisa disebut juga dengan fungsi kepekatan
peluang. Fungsi kepadatan peluang sangat berkaitan dengan sebaran peluang kontinu.
Karena sebaran peluang kontinu tidak dapat disajikan dalam bentuk tabel, tetapi
sebaran ini dapat dinyatakan dalam bentuk rumus. Rumus itu merupakan fungsi nilai-
nilai peubah acak kontinu X, sehingga dapat digambarkan oleh kurva. Fungsi ini
biasanya disebut fungsi kepekatan peluang. Fungsi f disebut fungsi kepekatan peluang
bagi peubah acak kontinu X bila luas daerah di bawah kurva dan di atas sumbu-x sama
dengan 1, dan bila luas daerah di bawah kurva antara x = a dan x = b menyatakan
peluang X terletak antara a dan b.
9
Ronald E. Walpole, Pengantar Statistika, (1998, Jakarta: Gramedia), ed. 3, hlm. 119-120
10
Ibid., hlm. 152
2.4.2. Distribusi Binomial11
Dalam sebuah eksperimen binomial dengan n percobaan (trial), di mana p
adalah probabilitas sukses dari 1 = 1-p adalah probabilitas gagal dalam sekali
percobaan, jika suatu variabel acak X menyatakan banyaknya sukses yang terjadi pada
n percobaan tersebut, dapat dibentuk suatu distribusi probabilitas binomial dengan
fungsi probabilitasnya :
Pb (x; n, p) = nCxpx (1-p)n-x = nCxpxqn-x
X = 0, 1, 2, …, n
N = 1, 2, 3, …
0 ≤ p ≤1
Di mana :
n Cx = Kombinasi dari n objek di mana untuk setiap pemilihan diambil x objek.
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, (2014, Surabaya:ITS)
Gambar 2.3. Histogram Peluang Berdasarkan Distribusi Binomial
11
Harinaldi, Prinsip-Prinsip Statistik untuk Teknik dan Sains, (2005, Jakarta: Erlangga), hlm. 78
2.4.3. Distribusi Hypergeometric12
Jika variabel acak X menyatakan jumlah x sukses dalam suatu sampel
berukuran n yang dipilih secara acak dari populasi berukuran N yang memiliki M
sukses dan N – M gagal, maka dapat dibentuk distribusi probabilitas hipergeometrik
yang fungsi probabilitasnya adalah :
(M Cx ) (N-M Cn-x )
Pn (x ; n, M, N)=
1N Cn
X = 0, 1, 2, 3, …, n
Fungsi distribusi kumulatif dari distribusi probabilitas hipergeometrik di atas
dapat dinyatakan sebagai.
x x
(M Cx ) (N-M Cn-x )
Fn (x ; n, M, N)= ∑ Ph (k;n,M,N)= ∑
1N Cn
k=0 k=0
X = 0, 1, 2, 3, …, n
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, (2014, Surabaya:ITS)
Gambar 2.4. Histogram Peluang Berdasarkan Distribusi Hipergeometrik
12
Ibid., hlm. 85
2.4.4. Distribusi Binom Negatif13
Bila ulangan yang bebas dan berulang-ulang dapat menghasilkan keberhasilan
dengan peluang p dan kegagalan dengan peluang q = 1 - p, maka sebaran peluang bagi
peubah acak X, yaitu banyaknya ulangan sampai terjadinya k keberhasilan, diberikan
menurut rumus :
𝑥 − 1 𝑘 𝑥−𝑘
𝑏 ∗ (𝑥; 𝑘, 𝑝) = ( )𝑝 𝑞
𝑘−1
Untuk x = k,k + 1,k + 2, …
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, (2014, Surabaya:ITS)
Gambar 2.5. Histogram Peluang Berdasarkan Distribusi Binom Negatif
13
Ronald E. Walpole, Pengantar Statistika, (1998, Jakarta: Gramedia), ed. 3, hlm. 172
14
Ibid., hlm. 172
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, (2014, Surabaya:ITS)
Gambar 2.6. Histogram Peluang Berdasarkan Distribusi
Hipergeometrik
Sedangkan dalam hal ini 𝜇 adalah rata-rata banyaknya hasil percobaan yang
terjadi selama selang waktu atau dalam daerah yang dinyatakan, dan e = 2,71828…
15
Ibid., hlm. 174
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, (2014, Surabaya:ITS)
Gambar 2.7. Histogram Distribusi Probabilitas Poisson
Atau
PB (x ; p)=Px (1-p)1-x
X = 0,1
0≤p≤1
Dengan memperhatikan bentuk fungsi probabilitas Bernoulli pada persamaan
di atas, dapat dipahami bahwa fungsi tersebut adalah fungsi dengan satu buah
parameter yaitu p.
16
Harinaldi, Prinsip-Prinsip Statistik untuk Teknik dan Sains, (2005, Jakarta: Erlangga), hlm. 76
Sumber:Suprayogi, Distribusi Probabilitas Teoritis Diskrit, (2015, Bandung: ITB)
Gambar 2.8. Histogram Distribusi Probabilitas Bernoulli
1 (x-μx)2
fN (x; μx , σx ) = e- -∞ < x < ∞
σx √2π 2σ2x
Dimana:
𝜇𝑥 = rata-rata
𝜎𝑥 = standar deviasi
17
Ibid., hlm.92
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, 2014, Surabaya:ITS
Gambar 2.9. Histogram Distribusi Probabilitas Normal
Bila demikian halnya, permasalahan itu berhadapan dengan sebaran statistik T yang
nilai-nilainya adalah
x-μ
t = s/
√n
18
Ronald E. Walpole, Pengantar Statistika, (1998, Jakarta: Gramedia), ed. 3, hlm. 215-216
Sumber: Ronald E. Walpole, Pengantar Statistika, (Jakarta: Gramedia, 1998), ed. 3
Gambar 2.10. Histogram Distribusi Probabilitas T
19
Nova Kristianto, The Parameter Estimation Of Three-Parameter Generalized. F Distribution By
jUsing Method Of Probability Weighted. Moment (Pwm), (2016, Lampung: Unila)
d1
d 2 d1
(d1 ) -1
f(x) = 2 x2 ,x≥0
d d d1 +d2
B( 21 , 22 ) d1 2
(1+ d x)
( ) 2
20
Harinaldi, Prinsip-Prinsip Statistik untuk Teknik dan Sains, (2005, Jakarta: Erlangga), hlm. 105-108
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, 2014, Surabaya:ITS
Gambar 2.12. Histogram Distribusi Probabilitas Chi-Kuadrat
21
Ibid., hlm. 106
Sumber: Maulida Yanti dan Sarini, Distribusi Weibull Power Series, (2012, Depok: UI)
Gambar 2.13. Histogram Distribusi Probabilitas Weibull
22
Ibid., hlm. 108
Sumber: Harinaldi, Prinsip-Prinsip Statistik untuk Teknik dan Sains, (2005, Jakarta: Erlangga)
Gambar 2.14. Histogram Distribusi Probabilitas Lognormal
23
Rini Kurniasih dan Getut Pramesti, Distribusi Erlang Dan Penerapannya, (Surakarta: UNS, 2013)
24
Harinaldi, Prinsip-Prinsip Statistik untuk Teknik dan Sains, (2005, Jakarta: Erlangga), hlm. 102-103
Fungsi Padatan Probabilitas eksponensial
-λx
fe (x;λ)= { λe x≥0
0 yang lain
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, 2014, Surabaya:ITS
Gambar 2.15. Histogram Distribusi Probabilitas Eksponensial
25
Ibid., hlm. 100
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, 2014, Surabaya:ITS
Gambar 2.16. Histogram Distribusi Probabilitas Gamma
26
RC Sundara, BAB II Tinjauan Pustaka, (Lampung: UNILA, 2014)
27
Maman Suherman, Pengantar Statistika Matematis (2006, Bandung: UPI)
Catatan:
α dan β adalah parameter-parameter untuk distribusi beta, jika α = β = 1 Maka
distribusi beta berupa peubah uniform X : U (1,0)
Teorema:
Jika peubah acak X berdistribusi beta dengan parameter α dan β, maka rerata
dan variansnya adalah:
α
(1) μ= α + β
αβ
(2) σ2 = (α+β)2
(α+β+1)
Silahkan buktikan teorema ini, dengan petunjuk gunakan fungsi beta, yaitu:
1
Γα Γβ
∫ xα-1 (1-α)β-1 dx=
0 Γ(α+β)
28
Ribety Apriyani, Distribusi Triangular dan Sifat-sifatnya, (Yogyakarta: UNY, 2009)
29
Nazhmal Huda, Sifat-Sifat Dasar Fungsi Karakteristik Dari Distribusi Cauchy, (Padang: Unand)
Agnesi (1748). Akhirnya, pada tahun 1853, Augustin Louis Cauchy memperkenalkan
distribusi Cauchy baku dengan fungsi kepadatan peluang, f(x) = π−1 (1 + x2 )−1 dengan
x ∈ R.
Secara umum, distribusi Cauchy merupakan distribusi peluang kontinu yang
dinotasikan dengan X ∼ Cauchy(a, b), dimana X adalah peubah acak dan a, b adalah
parameter, memiliki fungsi kepadatan peluang sebagai berikut.
b
fx(x) = 2
π (b + (x-a)2 )
untuk setiap −∞ < x < ∞, −∞ < a < ∞, dan b > 0.
Distribusi Cauchy tidak memiliki nilai harapan, variansi, skewness, kurtosis,
dan fungsi pembangkit momen, tetapi hanya memiliki fungsi karakteristik sebagai
pencirinya.
30
Murray R. Spiegel, Teori dan Soal-Soal Statistik, (2007, Jakarta: Erlangga), hlm. 30-31
terorganisasi dan terangkum dalam distribusi frekuensi disebut sebagai data kelompok
(data yang dikelompokkan).
Berikut adalah contoh distribusi frekuensi dari tinggi badan (yang tercatat
dalam satuan inchi terdekat) dari 100 mahasiswa Universitas XYZ.
Sumber: Murray R. Spiegel, Teori dan Soal-Soal Statistik, (2007, Jakarta: Erlangga)
Gambar 2.17. Grafik Histogram
31
Suharyadi Purwanto, Statistika untuk Ekonomi & Keuangan Modern, (2003, Jakarta: Salemba Empat),
ed. 1, hlm. 25-36
Grafik poligon hampir sama dengan histogram, perbedaannya histogram
menggunakan balok, sedangkan poligon menggunakan garis yang menghubungkan
titik-titik yang merupakan koordinat antara nilai tengah kelas dengan jumlah frekuensi
pada kelas tersebut.
45
40
35
30
25
20
15
10
5
0
60-62 63-65 66-68 69-71 72-74
Sumber: Murray R. Spiegel, Teori dan Soal-Soal Statistik, (2007, Jakarta: Erlangga)
Gambar 2.18. Grafik Poligon
32
Murray R. Spiegel, Teori dan Soal-Soal Statistik, (2007, Jakarta: Erlangga), hlm. 177
Prosedur yang memungkinkan kita menemukan apakah hasil-hasil yang
teramati pada sampel berbeda secara signifikan dari hasil-hasil yang diperkirakan, yang
dengan demikian akan menolong kita untuk memutuskan apakah akan menerima atau
menolak hipotesis yang diberikan, disebut sebagai uji hipotesis atau uji signifikansi.
Uji hipotesis yang biasanya digunakan adalah uji chi-square dengan menggunakan
software SPSS, Microsoft Office Excel, dan lain sebagainya.
2.8. P-Value33
P-Value adalah salah satu uji hipotesis yang akan memberikan nilai
setidaknya se-ekstrim nilai statistik yang sudah diteliti ketika hipotesis nul (H0) adalah
benar. Oleh karena itu, P-Value menyampaikan banyak informasi tentang bobot
kepercayaan melawan H0, jadi pembuatan keputusan dapat menggambarkan sebuah
kesimpulan di setiap spesifik level.
P-Value adalah tingkat signifikansi terkecil yang akan mengarah kepada
penolakan hipotesis nul (H0) dengan data yang diberikan. Biasanya, anggap uji
hipotesis signifikansi ketika hipotesis nol (H0) ditolak. Oleh karena itu, kita dapat
menganggap P-Value sebagai level terkecil dimana data-data signifikan. Dengan kata
lain, P-Value adalah tingkat signifikansi yang diamati. Begitu P-Value diketahui,
pembuat keputusan dapat menentukan seberapa signifikan data tanpa analisis data
secara formal memaksakan tingkat signifikansi yang telah dipilih sebelumnya
33
Douglas C. Montgomery, Applied Statistics and Probability For Engineers, hlm. 203