Materi Statistik 1 PDF

Garis-Garis Besar Program Pengajaran
STATISTIK 1
3 EF 219
YAYASAN WAKAF UMI

UNIVERSITAS MUSLIM INDONESIA
FAKULTAS EKONOMI
PROGRAM STUDI ILMU EKONOMI DAN STUDI PEMBANGUNAN
YAYASAN WAKAF UMI
UNIVERSITAS MUSLIM INDONESIA
FAKULTAS EKONOMI
GARIS-GARIS BESAR PROGRAM PENGAJARAN (GBPP)
Mata Kuliah Statistik 1
Kode Mata Kuliah/SKS 3 EF 219 / 3 sks
Mata Kuliah Prasyarat Ekonomi Matematika ( 3 EF 118 )
Deskripsi Mata Kuliah Mata kuliah ini meliputi pembahasan metode statistic deskriptif yang meliputi distribusi frekuensi, ukuran nilai sentral, ukuran penyebaran, angka
indeks, deret berkala, regresi dan korelasi
Tujuan Instruksional Setelah mengikuti mata kuliah ini, mahasiswa dapat memahami pengertian dan ruang lingkup serta kegunaan statistic deskriptif, memahami
Umum ukuran-ukuran statistik, mengolah dan menyajikan data dengan cara yang benar
Teknis Perkuliahan  Kuliah Mimbar
 Menjawab pertanyaan secara lisan dan tertulis
 Mahasiswa Aktif Mengerjakan Tugas
Komponen Penilaian  Kehadiran tatap muka minimal 80%
 Ringkasan Mata Kuliah 10 %
 Tugas / Pekerjaan Rumah 15 %
 Quis / Partisipasi Kelas 10 %
 Ujian Tengah Semester 30 %
 Ujian Akhir Semester 35 %
Buku Bacaan -- (WW) Wannacolt H. Thomas and Ronald J. Wannacott, 1997. Introductory statistic for business and economics, 2nd Edition.
-- (WR) Wal pole, Ronald E. 1982. Introduction to statistics, Macmilan Publishing, Co.
-- (SP) Supranto, J., 1989. Statistik : Teori dan aplikasi, Jakarta.
-- (NB) Nugroho Budiyuwono, 1991. Pengantar statistic ekonomi dan perusahaan, Jilid 1, BPFE, Yogyakarta
-- (SP) Suharyadi Purwanti, 2003 Statistik Untuk Ekonomi & Keuangan Modern . Jilid I & II, Salemba Empat
2
Minggu Tujuan Instruksional Khusus Pokok Bahasan Sub Pokok Bahasan Waktu Referensi
1 Setelah mengikuti materi ini, mahasiswa Pendahuluan : Pengertian  Pengertian statistik 120 menit WW.Ch.1
akan dapat : statistik dan ruang lingkupnya
 Ruang lingkup statistik WW.Ch.1
-- Menjelaskan pengertian statistik, ruang
lingkup dan kegunaannya  Fungsi statistik WW.Ch.1
-- Dapat mengenai data dan jenis-jenisnya -- Pembagian metode statistik

-- Data dan jenis-jenisnya
2 -- Dapat menyusun data Distribusi frekuensi  Dasar-dasar klasifikasi data 120 menit WW.Ch.2
-- Dapat membuat klasifikasi data  Tabel frekuensi WW.Ch.2
-- Dapat menyusun tabel frekuensi  Grafik dan jenis-jenisnya
3 -- Dapat menjelaskan pengertian nilai Ukuran nilai sentral  Rata-rata hitung 120 menit WW.Ch.2
sentral
-- Rata-rata hitung data yang belum WR.Ch.3
-- Dapat mengenal jenis-jenis ukuran nilai dikelompokkan
NB.Ch.3
sentral
-- Rata-rata hitung data yang
-- Dapat menghitung nilai-nilai sentral dikelompokkan
-- Median
-- Median data yang belum dikelompokkan
-- Median data yang dikelompokkan
4 -- Dapat menjelaskan pengertian nilai Ukuran nilai sentral  Modus (mode) 120 menit WW.Ch.2
sentral
-- Modus data yang belum dikelompokkan WR.Ch.3
-- Dapat mengenal jenis-jenis ukuran nilai
-- Modus data yang dikelompokkan NB.Ch.3
sentral
-- Dapat menghitung nilai-nilai sentral -- Hubungan antara x, median dan modus
-- Rata-rata ukur
-- Rata-rata harmonis
 Rata kuadrat
-- Pengertian rata-rata kuadrat
-- Cara perhitungan rata-rata kuadrat
3
5 -- Dapat menjelaskan pengertian ukuran Ukuran letak  KuartIl 120 menit WW.Ch.2
letak
 Desil WR.Ch.3
-- Dapat menghitung ukuran letak
 ProsentIl NB.Ch.4
6–7 -- Dapat menjelaskan pengertian & Penyebaran (disperasi)  Range 240 menit WW.Ch.2
kegunaan ukuran penyebaran
 Deviasi kuartil (quartile deviation) WR.Ch.3
-- Dapat mengenal jenis-jenis ukuran pe-
nyebaran, serta mampu menghitungnya  Deviasi rata-rata (mean deviation) NB.Ch.5
 Variasi dan Deviasi standar (Varians and

standar deviation)
8 UJIAN TENGAH SEMESTER
9 -- Dapat menjelaskan pengertian angka Angka indeks  Pengertian 120 menit WW.Ch.22
indeks
 Jenis-jenis angka indeks WR.Ch.3
-- Dapat mengenal dan dapat menghitung
-- Indeks sederhana NB.Ch.6
angka indeks
10 – 11 -- Dapat menjelaskan pengertian angka Angka indeks  Indeks tertimbang 240 menit WW.Ch.22
indeks
 Angka indeks laspeyres WR.Ch.3
-- Dapat mengenal dan dapat menghitung
angka indeks  Angka indeks paasche NB.Ch.6
 Indeksi (rumus) Dorbish dan Bowley

 Rumus marshall-edhewonth
 Rumus irving fisher
 Angka indeks berantai (chains indeks)
 Base shifting
 Splicing indeks
12 -- Dapat memahami analisa time series Analisa time series  Pengertian 120 menit WW.Ch.24
-- Dapat mengenal jenis-jenis analisa time  Jenis-jenis time series NB.Ch.7
series
4
-- Dapat menghitung dan menggambar -- Seculer trend

series
-- Seasonal variation
-- Cyclical variation
-- Irreguler variation
13 -- Dapat memahami analisa time series Analisa time series  Metode perhitungan / menggambar trend 120 menit WW.Ch.24
-- Dapat mengenal jenis-jenis analisa time -- Metode kutratis & eksponsial NB.Ch.7
series
-- Dapat menghitung dan menggambar
series
14 -- Dapat memahami pengertian dan Analisa korelasi dan regresi  Pengertian korelasi 120 menit WW.Ch.11,12,15
kegunaan analisa korelasi sederhana
 Teknik perhitungan koefisien korelasi NB.Ch.8
-- Dapat menghitung angka koefisien
korelasi
15 -- Dapat memahami pengertian dan Analisa korelasi dan regresi  Pengertian regresi 120 menit WW.Ch.11,21,15
kegunaan analisa regresi sederhana
 Teknik perhitungan koefisien regresi NB.Ch.8
-- Dapat menghitung angka koefisien
regresi  Koefisien determinasi sederhana
16 UJIAN AKHIR SEMESTER
5
I. PENDAHULUAN
A. Arti dan Ruang Lingkup Statistik

Definisi Statistik  ada 2 yaitu :
 Dalam arti Sempit  Statistik Penduduk, Statistik

Personil, Statistik harga, dll.
 Dalam arti luas  mengumpulkan, mengolah,

menyajikan, menganalisa,
dan menarik kesimpulan
data kuantitatif
Muh. Arif, Fak. Ekonomi UMI

Perbedaan Statistik dan Statistika
 Statistik  kumpulan angka-angka yang disusun

dalam bentuk tabel atau daftar, sering
disertai dengan diagram atau grafik dan
keterangan keterangan lain seperlunya.
 Statistika  pengetahuan yang membahas tentang

cara-cara pengumpulan data serta
penganalisaannya dan membuatan
kesimpulan berdasarkan analisis
tersebut mengenai populasi dari mana
data itu dimbil.

Hubungan antara STAR
statistika deskriptif
dengan statistika Pengumpulan Data
inferens Kuantitatif
Pengolahan,
penyederhanaan dan
penataan data
kuantitatif
Statistika Deskriptif
Penyajian data yang
telah disederhanakan
Penggunaan data
sampel guna menaksir
Data Ya
Statistika Inferens
parameter atau menguji
Sampel asumsi parameter
populasi
bukan
Penggunaan data
Penarikan kesimpulan
sensus (populasi) untuk
tentang karakteristik
analisa karakteristik
populasi (parameter)
(parameter) populasi
yang diselidiki
yang diselidiki

STOP
Jenis-jenis Statistika
Materi:
1. Penyajian data
2. Ukuran pemusatan
3. Ukuran penyebaran
4. Angka indeks
Statistika Deskriptif
5. Deret berkala dan
peramalan
Materi:
STATISTIKA 1. Probabilitas dan teori
keputusan
2. Metode sampling
3. Teori pendugaan
Statistika Induktif 4. Pengujian hipotesa
5. Regresi dan korelasi
6. Statistika
nonparametrik
B. Tujuan Statistik
 Untuk menyederhanakan data

 Untuk membuat ramalan
 Sebagai alat pembantu bagi seorang
manajer/pimpinan
C. Peranan Statistik Dalam Ilmu Pengetahuan
 Exprimen method  Berdasarkan percobaan-
percobaan untuk memper-
oleh data dan membuat
beberapa yang konstan
 Statistik method  Digunakan dalam lapangan
yang tidak memberi kemung-
kinan untuk meneliti suatu
ilmu dengan eksprimen

D. Populasi dan Sampel
POPULASI SAMPEL
Sebuah kumpulan dari semua Suatu bagian dari populasi
kemungkinan orang-orang,
tertentu yang menjadi
benda-benda dan ukuran lain
dari objek yang menjadi perhatian.
perhatian.

E. Pengertian Data
 Data  Sesuatu yang diketahui atau dianggap dapat

memberikan gambaran tentang suatu
keadaan atau persoalan yang dikaitkan
dengan waktu dan tempat.
 Syarat-syarat data yang baik :

 Data harus objektif
 Data harus bisa mewakili (representatif)
 Data harus relevan
 Data harus tepat waktu
 Kesalahan baku (standar error kecil)

Jenis-jenis Data
Sifatnya
1. Jenis kelamin
2. Warna kesayangan
3. Asal suku, dan lain-lain
Data Kualitatif 1. Jumlah mobil

2. Jumlah staf
3. Jumlah TV, dll
DATA Data Diskret
1. Berat badan
Data Kuantitatif 2. Jarak kota
3. Luas rumah,
dll
Data Kontinu

Sumbernya
Perusahaan :
1. Keuangan
Data Internal 2. Produksi
3. Penjualan
DATA
Perusahaan :
1. Perkembangan Harga
Data Eksternal 2. Daya Beli Masyarakat
3. Konsumsi Masyarakat

Cara Memperolehnya
1. Wawancara langsung
2. Wawancara tidak
Data Primer
langsung
3. Pengisian kuisioner
DATA
Data dari pihak lain:
1. BPS
Data Sekunder 2. Bank Indonesia
3. World Bank, IMF
4. FAO dan lain-lain

Waktu Pengumpulan
Data Cross Section
DATA
Data Time Series

Skala Pengukuran
Skala Nominal Skala Ordinal

Angka yang diberikan hanya Angka mengandung pengertian
sebagai label saja. tingkatan.
Contoh: pria = 1, wanita = 2, dan Contoh: ranking 1, 2, dan 3.
waria = 3. Ranking 1 menunjukkan lebih
tinggi dari ranking 2 dan 3.
Skala Interval Skala Rasio

Angka mengandung sifat ordinal Angka mempunyai sifat nominal,
dan mempunyai jarak atau ordinal dan interval serta
interval. mempunyai nilai absolut dari objek
Contoh: yang diukur.
1. Saham sangat prospektif dengan Contoh: bunga BCA 7% dan bunga
harga Rp 736-878, Mandiri 14%, maka bunga Mandiri
2. Saham prospektif Rp592-735. 2 kali bunga BCA.
F. Pengumpulan Data
Sensus Menyeluruh
DATA
Sampel :
1. Acak Sederhana
2. Acak Berlapis/Berstrata
Sampling
3. Bertahap/Bertingkat
4. Sistematik
5. Bergerombol

E. Penyajian Data
1. Eka Arah
Tabel 2. Dwi Arah
3. Tri Arah
DATA
1. Garis
Grafik 2. Batang
3. Gambar

II. PENYAJIAN DATA
A. Tujuan
Untuk menyajikan data mentah yang diperoleh dari populasi
atau sampel menjadi data yang tertata dengan baik, sehingga
bermakna informasi bagi pengambilan keputusan.
Langkah-langkah dalam Statistik Deskriptif:
(a) Memahami masalah dan jawaban yang diperlukan.
(b) Mengumpulkan data yang sesuai dengan masalah dan tujuan.
(c) Menata data mentah ke dalam distribusi frekuensi.
(d) Menyajikan data distribusi secara grafik.
(e) Menarik kesimpulan mengenai permasalahan.
Muh. Arif, Fakultas Ekonomi UMI

B. Distribusi Frekuensi
Definisi:
 Adalah pengelompokan data ke dalam beberapa

kategori yang menunjukkan banyaknya data
dalam setiap kategori
 Setiap data tidak dapat dimasukkan ke dalam dua
atau lebih kategori

Langkah-langkah Distribusi Frekuensi:
a. Mengumpulkan data
b. Mengurutkan data dari terkecil ke terbesar atau
sebaliknya
c. Membuat kategori kelas
Jumlah kelas k = 1 + 3,322 log n
di mana 2k>n; di mana k= jumlah kelas;
n = jumlah data
d. Menentukan besarnya Range = NT – NR
e. Membuat interval kelas
Range
Ci 
1  3,322 log n
f. Melakukan penghitungan atau penturusan setiap
kelasnya

Contoh :
Tabel 1. Pendapatan Perkapita Masyarakat di Daerah A dari 50 Kepala Keluarga
Pada Tahun 2005 (ratusan ribu rupiah)
60 30 85 52 65 77 84 65 57 74
71 81 35 50 35 64 74 47 68 54
80 41 61 91 55 73 59 53 45 77
41 78 55 48 69 85 67 39 76 60
94 66 95 66 73 42 65 94 89 88

30 41 50 55 61 66 71 76 81 89
35 42 52 57 64 66 73 77 84 91
35 45 53 59 65 67 73 77 85 94
39 47 54 60 65 68 74 78 85 94
41 48 55 60 65 69 74 80 88 95
Penyajian Data Dalam
Tabel Distribusi Frekuensi
Un Grouped data

Pendapatan Perkapita (Xi) Jum. Kepala Keluarga (fi)

30 1
35 2
39 1
41 2
… …
… …
… …
94 2
95 1
Jumlah 50

Grouped data
Membuat tabel distribusi frekuensi untuk grouped

data :
Range
a. k = 1 + 3,322 log n c. Ci 
1  3,322 log n
= 1 + 3,322 log 50 65

= 1 + 3,322 (1,69897) 6,64397834
= 1 + 5,64397834  9,78
= 6,6439834 = 7  10
b. Range = 95 – 30 = 65

Penyajian Data Dalam
Tabel Distribusi Frekuensi
Grouped data

Pendapatan Mid Point Jumlah KK
Tally fk fr fk(-) fk(+)
Perkapita (Ci) (Xi) (fi)
BB – BA 0
30 – 39 34,5 IIII 4 4 0,08 4 50
40 – 49 44,5 IIII II 6 10 0,12 10 46
50 – 59 54,5 IIII IIII 8 18 0,16 18 40
60 – 69 64,5 IIII IIII IIII 12 30 0,24 30 32
70 – 79 74,5 IIIII IIII 9 39 0,18 39 20
80 – 89 84,5 IIIII II 7 46 0,14 46 11
90 – 99 94,5 IIII 4 50 0,08 50 4
Jumlah 50 1
C. Grafik Distribusi Frekuensi
Histogram
Y = Jml KK
14
12
10
0
X = Pend Perkap
29,5 - 39,5 39,5 - 49,5 49,5 - 59,559,5 - 69, 569,5 - 79,5 79,5 - 89,5 89,5 - 99,5

Poligon
Y = Jml KK
14
12
10
0 X = Pend Perkap
34,5 44,5 54,5 64,5 74,5 84,5 94,5

Ogive
Y = Jml KK
60
(+) (-)
50
40
30
Titik
ogive
20
10
0
X = Pend Perkap
29,5 39,5 49,5 59,5 69,5 79,5 89,5 99,5

III. UKURAN PEMUSATAN
Ukuran Pemusatan  Nilai tunggal yang mewakili suatu

kumpulan data dan menunjukkan
karakteristik dari data tersebut.
Ukuran pemusatan menunjukkan
pusat dari nilai data.
Ukuran Pemusatan yang umum digunakan :

A. Rata-rata Hitung ( atau X )
B. Median (Md)
C. Modus (Mo)

A. Rata-rata Hitung
Rata-rata Hitung  Jumlah nilai-nilai data dibagi

dengan banyaknya data.
Un-Group Data
 Rata-rata hitung sampel
 Rata-rata hitung populasi
 
 X i
N
Contoh :
Pendapatan Perkapita Masyarakat di Daerah A dari 50 Kepala Keluarga
60 30 85 52 65 77 84 65 57 74
71 81 35 50 35 64 74 47 68 54
80 41 61 91 55 73 59 53 45 77
41 78 55 48 69 85 67 39 76 60
94 66 95 66 73 42 65 94 89 88
Rata-rata hitungnya :
X1  X 2  X 3  ...  X n
X
n
60  71  80  ...  88

50
3253

50
 65,06
Group Data
 Long Method (Metode Panjang)
X
 fX i i
atau X
 fX
i i
f i n
 Short Method (Metode Pendek)
X  X0 
 fd i i
.Ci
f i

Contoh :
Tabel : Distribusi Pendapatan Perkapita Masyarakat di Daerah A dari
50 Kepala Keluarga Pada Tahun 2005 (ratusan ribu rupiah)

fiXi di fidi
30 – 39 34,5 4 138 -3 -12
40 – 49 44,5 6 267 -2 -12
50 – 59 54,5 8 436 -1 -8
60 – 69 64,5 12 774 0 0
70 – 79 74,5 9 670,5 1 9
80 – 89 84,5 7 591,5 2 14
90 – 99 94,5 4 378 3 12
Jumlah 50 3255 3

 Long Method (Metode Panjang)
X 
fX i i
f i
3255

50
 65,1
 Short Method (Metode Pendek)
X  X0 
 fd i i
.C i
f i
3
 64,5  .10
50
30
 64,5 
50
 64,5  0,6
 65,1
B. Median
Median  Nilai yang terletak di tengah-tengah deretan

data setelah data itu diarraykan.
Un-Group Data
Contoh :
Pendapatan Perkapita Masyarakat di Daerah A dari 50
Kepala Keluarga Pada Tahun 2005 (ratusan ribu rupiah)
Row data
60 30 85 52 65 77 84 65 57 74
71 81 35 50 35 64 74 47 68 54
80 41 61 91 55 73 59 53 45 77
41 78 55 48 69 85 67 39 76 60
94 66 95 66 73 42 65 94 89 88

Jenis-jenis
KepalaStatistika
Keluarga Pada Tahun 2005 (ratusan ribu rupiah)
Array data
30 41 50 55 61 66 71 76 81 89
35 42 52 57 64 66 73 77 84 91
35 45 53 59 65 67 73 77 85 94
39 47 54 60 65 68 74 78 85 94
41 48 55 60 65 69 74 80 88 95
65  66
Md 
2
131

2
 65,5

B.Group
Tujuan Statistik
Data
 Dengan batas bawah

n
 fkm -1
Md  Bb  2 .Ci
fkm 1  fkm -1
 Dengan batas atas
n
 ( n  fkm 1 )
Md  Ba  2 .Ci
fkm 1  fkm -1

Contoh :

fkm
30 – 39 34,5 4 4
40 – 49 44,5 6 10
50 – 59 54,5 8 18
60 – 69 64,5 12 30
70 – 79 74,5 9 39
80 – 89 84,5 7 46
90 – 99 94,5 4 50
Jumlah 50

n
 fkm -1
Md  Bb  2 .Ci
fkm 1  fkm -1
 Dengan batas atas
50
 18 n
 ( n  fkm 1 )
 59,5  2 .10 Md  Ba  2 .Ci
30  18 fkm 1  fkm -1
25  18
 59,5  .10 50
 (50  30 )
12
70  69,5  2 .10
 59,5  30  18
12 25  20
 69,5  .10
 59,5  5,8333 12
 65 ,3333 50
 69,5 
12
 69,5  4,1666
 65,3333
Jenis-jenis
C. ModusData
Modus  Nilai yang paling sering muncul dari

serangkaian data.
Un-Group Data
Contoh :
Kepala Keluarga Pada Tahun 2005 (ratusan ribu rupiah)
30 41 50 55 61 66 71 76 81 89
35 42 52 57 64 66 73 77 84 91
35 45 53 59 65 67 73 77 85 94
39 47 54 60 65 68 74 78 85 94
41 48 55 60 65 69 74 80 88 95
Group Data
f 0  f -1
Mo  Bb  .Ci
(f 0  f -1)  (f 0  f 1)
 Dengan Nilai Xo
f 1  f -1 Ci
Mo  X 0  .
2f 0  f 1 f -1 2

Contoh :

30 – 39 34,5 4
40 – 49 44,5 6
50 – 59 54,5 8
60 – 69 64,5 12
70 – 79 74,4 9
80 – 89 84,5 7
90 – 99 94,5 4
Jumlah 50

f 0  f 1
Mo  Bb  .Ci
(f 0f 1 )  (f 0f1 )
12  8
 59,5 .10  Dengan Nilai X0
(12 8)  (12 9)
f 1  f 1 Ci
4 Mo  X 0  .
 59,5 .10 2f 0  f 1  f 1 2
43
98 10
 59,5
40  64,5  .
2(12)  9  8 2
7
 59,5 5,7143 1
 64,5  .5
7
 65,2143
5
 64,5 
7
 64,5  0,7143
 65,2143

IV. UKURAN PENYEBARAN
Penyebaran  Adanya variasi nilai-nilai data

 Variasi nilai data satu dengan nilai data lainnya
 Variasi nilai-nilai data dengan rata-ratanya
Penyebaran serangkaian nilai-nilai data :

 Kecil bila nilai-nilai data terkonsentrasi di sekitar rata-ratanya
 Besar bila nilai-nilai data berserakan jauh dari rata-ratanya.
Variasi data dikelompokkan menjadi :

1. Data Homogen (tidak bervariasi)
2. Data Heterogen (sangat bervariasi)
3. Data Relatif Homogen (tidak terlalu bervariasi)

Contoh Variasi Data
Data “X”
XA XB XC
50 50 100
50 40 40
50 30 80
50 60 20
50 70 10
250 250 250
X = 50 X = 50 X = 50

Grafik Variasi Data
100
90
80
70
60
Series1
50
Series2
40 Series3
30
20
10
0
1 2 3 4 5

Ukuran Penyebaran
 Suatu ukuran baik parameter atau statistik

untuk mengetahui seberapa besar penyim-
pangan data dengan nilai rata-rata hitungnya.
 Ukuran penyebaran membantu mengetahui

sejauh mana suatu nilai menyebar dari nilai
tengahnya, apakah kecil atau besar.

Beberapa Bentuk Ukuran Penyebaran
1. Rata-rata sama
10
Penyebaran berbeda
9
8
7
6
5
4
3
2
1
0
2 3 4.6 5 6

Beberapa Bentuk Ukuran Penyebaran
2. Rata-rata berbeda 3. Rata-rata berbeda

Penyebaran berbeda Penyebaran sama
10
10
9
9
8
8
7
7
6
6
5 5
4 4
3 3
2 2
1 1
0 0
2 3 4.6 5 6 2 3 4 5 6 7
Pengukuran Penyebaran dapat
dilakukan dengan cara:
A. Pengukuran Jarak (Range)

B. Pengukuran Deviasi Kuartil (Quartil Deviation)
C. Pengukuran Deviasi Rata-rata (Mean Deviation)
D. Pengukuran Varians dan Deviasi Standar (Varians
and Standard Deviation)

Jenis-jenis
A. PengukuranStatistika
Jarak (Range)
Range  selisih antara nilai data tertinggi dengan nilai

data terendah
Contoh:
 Un-Group Data:
 Untuk X A  Range = 50 – 50 = 0
 Untuk X B  Range = 70 – 30 = 40
 Untuk X C  Range = 100 – 10 = 90

 Group Data:


30 – 39 34,5 4
40 – 49 44,5 6
50 – 59 54,5 8
60 – 69 64,5 12
70 – 79 74,4 9
80 – 89 84,5 7
90 – 99 94,5 4
Jumlah 50
Range = 94,5 – 34,5 = 60
B. Pengukuran Deviasi Kuartil
(Quartil Deviation)
Kuartil  membagi data (frekuensi) menjadi 4

(empat) bagian yang sama (Qi)
 Q1  kuartil pertama
 Q2  kuartil kedua (median)
 Q3  kuartil ketiga
25% 25% 25% 25%
Q1 Q2 Q3
50%
75%

 Rumus:
Q 3  Q1
 Deviasi kuartil: Qd 
2
i(n  1)
 Letak Kuartil ke-i: Q i 
4
Contoh:
 Un-Group Data letak Q  1(5  1)  1,5
1
untuk XB 4
XB (raw) XB (arrey) letak Q  3(5  1)  4 ,5
3
50 30 4
40 40 nilai Q1 = 30 + 0,5 (40 – 30)
30 50 = 35
60 60 nilai Q3 = 60 + 0,5 (70 – 60)
70 70 = 65
Q 3  Q 1 65  35
Jadi : Q d    15
2 2
 Group Data
 Deviasi kuartil:
Q 3  Q1
Qd 
2
 Letak Kuartil ke-i:
i(n  1)
Qi 
4
 Nilai Kuartil ke-i:
in
 fkq 1
Qi  Bb  4 .C i
fkq 1  fkq 1

Contoh :

fkq
30 – 39 34,5 4 4
40 – 49 44,5 6 10
50 – 59 54,5 8 18
60 – 69 64,5 12 30
70 – 79 74,4 9 39
80 – 89 84,5 7 46
90 – 99 94,5 4 50
Jumlah 50
 Letak kuartil ke-i Q i  i(n  1)

4
1(50  1) 51 3(50  1) 153
Q1    12,75 ; Q3    38,25
4 4 4 4
 Nilai Kuartil ke-i:
in
 fkq  1
Qi  Bb  4 .C
fkq 1  fkq  1
i
1(50)
 10 3(50)
4  30
Q1  49,5  .10  69,5  4
18  10 Q 3
39  30
.10
12 , 5  10 37 , 5  30
 49,5  .10  69,5  .10
8 9
25 75
 49,5   69,5 
8 9
 52,625  77,8333
 Jadi besarnya deviasi kuartil:

Q 3  Q 1 77 ,8333  52,625
Qd    12,6042
2 2
C. Pengukuran Deviasi Rata-rata
(Mean Deviation)
 Deviasi rata-rata  rata-rata hitung dari nilai

mutlak deviasi antara nilai
data pengamatan dengan rata-
rata hitungnya.
 Deviasi rata-rata  mengukur besarnya variasi
atau selisih dari setiap nilai
dalam populasi atau sampel
dari rata-rata hitungnya.
 Namun pengrata-rataan deviasi secara absolut
tanpa menghiraukan tanda positif atau negatif
menyulitkan manipulasi secara matematis.
Bentuk Rumus
Deviasi Rata-rata
 Un-Group Data
MD 
 Xi  X
n
Contoh: Untuk data XB


XB XB - X XB  X
X i X
50 0 0 MD 
40 -10 10 n
30 -20 20 60

60 10 10 5
70 20 20  12
∑ = 250 - ∑ = 60
X = 50 - -
 Group Data
MD 
 f i Xi  X
n
Contoh :
Xi  X fi X i  X

Ci Xi fi Xi  X
f i Xi  X
30 – 39 34,5 4 -30,6 30,6 122,4
MD 
40 – 49 44,5 6 -20,6 20,6 123,6 n
50 – 59 54,5 8 -10,6 10,6 84,8 676
60 – 69 64,5 12 0,6 0,6 7,2 
70 – 79 74,5 9 9,4 9,4 84,6
50
80 – 89 84,5 7 19,4 19,4 135,8  13,52
90 – 99 94,5 4 29,4 29,4 117,6
Jumlah 50 676

D. Pengukuran Varians dan Deviasi Standar
(Varians and Standar Deviation)
 Varians dan Deviasi Standar, relatif agak berbeda

dengan deviasi rata-rata, namun keduanya didasarkan
pada deviasi setiap data dengan rata-rata hitungnya.
 Deviasi rata-rata mengabaikan tanda + dan – dengan
melakukan tanda mutlak, maka pada varians, deviasi
dikuadratkan, dengan demikian tanda negatif akan
hilang dan menjadi bilangan positif
 Varians  rata-rata hitung deviasi kuadrat setiap data
terhadap rata-rata hitungnya.
 Deviasi Standar  Sebuah ukuran penyebaran yang
menunjukkan standar
penyimpangan atau deviasi data
terhadap nilai rata-ratanya.

Bentuk Rumus
Varians dan Deviasi Standar
 Un-Group Data
 Varians (S2)

 X i X 
2
S 
2
n  X    X 
2
i i
2
atau
2
S
n 1 n(n  1)
 Deviasi Standar (S)
 X   X    X 
2 2
X
2
n
S
i atau S
i i
n 1 n(n  1)

Contoh: Untuk data XB
XB XB - X (X B  X) 2 X 2B
50 0 0 2500
40 -10 100 1600
30 -20 400 900
60 10 100 3600
70 20 400 4900
∑ = 250 - ∑= 1000 ∑= 13500
= 50 - -
 Varians
n  X    X 
2 2
  atau S2 
i i

2
X X n(n  1)

2 i
S
n 1
2
5(13500) - (250)

1000 5 ( 5  1)
 67500 - 62500
5 1 
20
 250  250
 Deviasi Standar
 X 
2
X
S
i
n 1
 250
 15,8114
atau
S
n  X    X 
2
i i
2
n(n  1)
 250
 15,8114
 Group Data
 Varians (S2)
Long Method: Short Method:
S2 
 f (X i i  X) 2  n
S 2  C i2 .
 f d    f d 
i
2
i i i
2


n 1  n(n  1) 
 

f (X  X)  n  f d    f d  
2 2
2
S  Ci  i i i i 
S
i i
 n(n  1) 
n 1  

Contoh :
Ci Xi fi X i  X (X i  X ) 2 f i (X i  X ) 2 di di2 fidi fidi2

30 – 39 34,5 4 -30,6 936,36 3745,44 -3 9 -12 36
40 – 49 44,5 6 -20,6 424,36 2546,16 -2 4 -12 24
50 – 59 54,5 8 -10,6 112,36 898,88 -1 1 -8 8
60 – 69 64,5 12 0,6 0,36 4,32 0 0 0 0
70 – 79 74,5 9 9,4 88,36 795,24 1 1 9 9
80 – 89 84,5 7 19,4 376,36 2634,52 2 4 14 28
90 – 99 94,5 4 29,4 864,36 3457,44 3 9 12 36
Jumlah 50 - - 14082,00 - - 3 141

 Varians (S2)
S2   f (X i i  X)2  S 2
 C .2
i


n(n  1)

 n  f i d i2   f i d i  2 


 
n 1
 50 141   3  2 
14082 ,00  10 
2

  50(50  1) 

50  1  7050  9 
 100  
 287,3878  2450 
 100 (2,873878)
 287,3878

 f (X    f i d i  
n f i d i2 
2
 X) 2
S  Ci 
S  
i i
n(n  1)
 
n 1  10 2,873878
 287,3878  16,9525  10 (1,69525)
 16,9525
UKURAN KECONDONGAN
(SKEWNESS)
Dalam ukuran pemusatan dimana rata-rata hitung, median

dan modus dapat digunakan untuk mengetahui bentuk kurva
poligon. Bentuk kurva poligon bisa berupa kurva normal atau
simetris, condong ke kiri (Skewed negatif), atau condong ke
kanan (Skewed positif).
 Apabila X = Md = Mo, maka kurva berbentuk normal atau

simetris
 Apabila X  Md dan Mo, maka kurva condong ke kanan
 Apabila X  Md dan Mo, maka kurva condong ke kiri.
Bentuk Kecondongan Kurva
Kurva Simetris
X
X=Md=Mo
Kurva Condong Positif
Mo
Md
X
Kurva Condong Negatif

Rumus Ukuran Kecondongan
X  Mo atau 3(X  Md)

Sk  Sk 
S S
Contoh : Berdasarkan contoh soal yang lalu dalam ukuran pemusatan
dalam bentuk group data diperoleh X = 65,1 ; Md = 65,3333 ;
dan Mo = 65,2143, sehingga :
X  Mo 3(X  Md)
Sk  atau Sk  Nilai Sk tersebut ter-
S S lihat bahwa keduanya
65,1  65,2143 3(65,1  65,3333) adalah negatif, jadi
Sk  Sk  kurva condong ke kiri.
16,9525 16,9525 Angka – 0,0067 dan
- 0,1143 3(-0,2333) – 0,0413 mendekati
  nol sehingga kecon-
16,9525 16,9525 dongan kurva tidak
terlalu besar atau
 0,0067424  0,0067 
- 0,6999 mendekati kurva
16,9525 normal
 -0,0412859  - 0,0413
Rumus Ukuran Kecondongan Relatif
Un-group data :
 X 
3
1
X
 
3 n i
S3
Group data :
 f X 
3
1
X
 
3 n i i
S3
Contoh : dari contoh soal yang lalu dalam bentuk group data
diketahui X = 65,1 dan S = 16,9525, maka :
Perkapita (Ci) (Xi) (fi) Xi  X (Xi  X) 3 f i (Xi  X) 3
BB - BA
30 – 39 34,5 4 -30,6 -28652,6160 -114610,4640
40 – 49 44,5 6 -20,6 -8741,8160 -52450,8960
50 – 59 54,5 8 -10,6 -1191,0160 -9528,1280
60 – 69 64,5 12 -0,6 -0,2160 -2,5920
70 – 79 74,4 9 9,4 830,5840 7475,2560
80 – 89 84,5 7 19,4 7301,3840 51109,6880
90 – 99 94,5 4 29,4 25412,1840 101648,7360
Jumlah 50 -16358,4000
Koefisien Kecondongan Relatif
 f X 
3
1
X
 
3 n i i
S3
1
50 ( -16358,400 0)

(16,9525) 3
- 327,1680

4871,9325
 0,06715364   0,06715
Nilai  adalah negatif, jadi kurva condong ke kiri. Angka

3
– 0,0672 mendekati nol sehingga kecondongan kurva tidak

terlalu besar atau mendekati kurva normal.
Gambar Kurva
Y = Jml KK
14
12
10
0 X = Pend Perkap
34,5 44,5 54,5 64,5 74,5 84,5 94,5
UKURAN KERUNCINGAN
(KURTOSIS)
 Ukuran keruncingan  kurtosis.

 Pengukuran keruncingan  dilakukan melalui
perbandingan dengan kurva
normal (simetris)
 Kurva normal  distribusinya tidak mendatar dan

tidak meruncing (mesokurtik)
 Kurva mendatar  distribusi puncak mendatar
(platikurtik)
 Kurva meruncing distribusi puncak yang
meruncing (leptokurtik)
Bentuk Keruncingan Kurva
Keruncingan Kurva
Platykurtic Mesokurtic Leptokurtic

Rumus Ukuran Keruncingan
Un-group data :
 X 
4
1
X
 
4 n i
S4
Group data :
 f X 
4
1
X
 
4 n i i
S4
Contoh : dari contoh soal yang lalu dalam bentuk group

data diketahui X = 65,1 dan S = 16,9525, maka :
Perkapita (Ci) (Xi) (fi) Xi  X (Xi  X) 4 f i (Xi  X) 4
BB - BA
30 – 39 34,5 4 -30,6 876770,0496 3507080,1984
40 – 49 44,5 6 -20,6 180081,4096 1080488,4576
50 – 59 54,5 8 -10,6 12624,7696 100998,1568
60 – 69 64,5 12 -0,6 0,1296 1,5552
70 – 79 74,4 9 9,4 7807,4896 70267,4064
80 – 89 84,5 7 19,4 141646,8496 991527,9472
90 – 99 94,5 4 29,4 747118,2096 2988472,8384
Jumlah 50 8738836,5600
Koefisien Keruncingan
 f X 
4
1
X
 
4 n i i
S4
1
50 (8738836,56 00)

(16,9525) 4
174776,731 2

82591,4351
 2,1162
Koefisien keruncingan 2,1162 lebih kecil dari 3, maka bentuk

kurva adalah platikurtik, sehingga data terdistribusi agak
merata, dimana puncaknya termasuk mendatar. Hal tersebut
menunjukkan tidak adanya frekuensi pada suatu kelas yang
sangat ekstrim dibandingkan dengan frekuensi kelas lainnya.
VI. ANGKA INDEKS
A. Pengertian Angka Indeks

 Angka Indeks  Angka yang secara statistik diharapkan dapat
memberikan informasi tentang perubahan-
perubahan sebuah atau beberapa kelompok
data pada waktu dan tempat yang sama atau
berlainan.
 Penyusunan angka indeks  2 macam waktu
 Waktu (Tahun) Dasar (Basic Priod)
 Waktu (Tahun) Berjalan (Current Priod)
 Pemilihan Tahun Dasar:
 Tahun yang dipilih sebagai tahun dasar menunjukkan
kondisi perekonomian yang stabil
 Tahun dasar diusahakan tidak terlalu jauh dengan tahun
yang dibandingkan, sehingga perbandingannya masih
bermakna
B. Tujuan Angka Indeks
 Membandingkan  hal sama  ditempat sama  waktu berlainan

 Membandingkan  hal sama  waktu yang sama  tempat
berlainan
 Membandingkan perkembangan dari 2 atau lebih hal yang tidak
sama
 Membandingkan berbagai hal dengan satuan yang berlainan
C. Macam-macam Angka Indeks

 Angka Indeks Biaya Hidup
 Angka Indeks Penduduk
 Angka Indeks Harga
 Angka Indeks Produksi
D. Pembagian Angka Indeks
Angka Indeks Tak Tertimbang

1. Angka Indeks Relatif Sederhana
a. Angka Indeks Harga Relatif Sederhana
b. Angka Indeks Kuantitas Relatif Sederhana
c. Angka Indeks Nilai Relatif Sederhana
2. Angka Indeks Agregatif Sederhana

a. Angka Indeks Harga Agregatif Sederhana
b. Angka Indeks Kuantitas Agregatif Sederhana
c. Angka Indeks Nilai Agregatif Sederhana
Angka Indeks Agregatif Tertimbang
1. Indeks Laspeyres
2. Indeks Paasche
3. Indeks Drobisch
4. Indeks Fisher
5. Indeks Marshall-Edgeworth
6. Indeks Wals
a. Angka Indeks Harga Contoh:

Relatif Sederhana Harga beras per kg di Sul-Sel
Menunjukkan perkembangan harga Tahun 2000 – 2006. Hitunglah indeks
relatif suatu barang dan jasa pada harga relatif sederhana dengan tahun
tahun berjalan dibandingkan dengan, dasar 2000
tahun dasar tanpa memberikan
Tahun Harga IHRS Ket.
bobot terhadap kepentingan barang
dan jasa. 2000 1014
1014
100,00 1014
x 100
2001 1112 109,66 1112

x 100
Rumus :
1014
2002 2461 242,70

2461
1014
x 100
2003 2058 202,96 2058

x 100
Ht 1014
IHRS  x 100 2004 2240 220,91

2240
1014
x 100
Ho 2005 2524 248,92

2524
x 100
1014
2006 2777 273,87

2777
1014
x 100
b. Angka Indeks Kuantitas Contoh:

Relatif Sederhana Produksi beras di Sul-Sel
Menunjukkan perkembangan Tahun 2000 – 2006. Hitunglah indeks
kuantitas barang dan jasa pada kuantitas relatif sederhana dengan
tahun berjalan dibandingkan tahun dasar 2000
dengan tahun dasar, tanpa Produksi
memberikan bobot terhadap Tahun
(ribu ton) IKRS Ket.
kepentingan barang dan jasa. 2000 31 100,00 31
x 100
31
2001 30 96,77
30
Rumus : 31
x 100
32
2002 32 103,23 31
x 100
33
Kt 2003 33 106,45 x 100
IKRS 
31
x 100 2004 32 103,23
32
x 100
Ko 31
30
2005 30 96,77 31
x 100
2006 31 100,00
31
31
x 100
c. Angka Indeks Nilai Contoh:

Relatif Sederhana Harga per kg dan produksi beras di Sul-
Menunjukkan perkembangan Sel Tahun 2000 – 2006. Hitunglah
nilai barang dan jasa pada indeks nilai relatif sederhana dengan
tahun berjalan dibandingkan tahun dasar 2000
dengan tahun dasar.
Prod uksi Nilai
Tahun Harga
(ribu ton) Prod. INRS Ket.
2000 1014 31 31434 100,00 31434
x 100
Rumus : 31434
2001 1112 30 33360 106,13 33360

31434
x 100
Vt

78752
INRS x 100 atau 2002 2461 32 78752 250,53 31434
x 100
Vo 2003 2058 33 67914 216,05

67914
x 100
31434
Ht Kt 2004 2240 32 71680 228,03

71680

x 100
INRS x 100 31434
2005 2524 30
75720
Ho K o 75720 240,89 31434
x 100
2006 2777 31 86087 273,87 86087

31434
x 100
a. Angka Indeks Harga Agregatif Sederhana

Angka indeks yang menunjukkan perbandingan antara jumlah harga kelompok
barang dan jasa pada periode berjalan dengan periode dasarnya.
Rumus : IH AS 
 H t
x 100
H o
Contoh :
Harga per kg kelompok produk pertanian di Sul-sel Tahun 2001-2006
Jenis Prod.
2001 2002 2003 2004 2005 2006
Dari data tersebut,
Pertanian hitunglah indeks
Beras 1112 2461 2058 2240 2524 2777 harga agregatif
Jagung 465 500 627 662 1294 1650 sederhana kelompok
Kedelai 1215 1151 1148 1257 1380 1840 produk pertanian di
Kacang Hijau 1261 1288 1630 1928 3687 3990 Sul-sel dengan tahun
Kacang Tanah 2095 2000 2288 2233 2540 3100 dasar 2004 !
Ketela Pohon 205 269 261 243 551 650
Ketela Rambat 298 367 357 351 789 980
Kentang 852 824 937 1219 2004 2450
Jawab :
a. Langkah pertama menjumlahkan harga semua jenis produk pertanian
Harga per kg kelompok produk pertanian di Sul-sel Tahun 2001-2006

Jenis Prod.
2001 2002 2003 2004 2005 2006
Pertanian
Beras 1112 2461 2058 2240 2524 2777
Jagung 465 500 627 662 1294 1650
Kedelai 1215 1151 1148 1257 1380 1840
Kacang Hijau 1261 1288 1630 1928 3687 3990
Kacang Tanah 2095 2000 2288 2233 2540 3100
Ketela Pohon 205 269 261 243 551 650
Ketela Rambat 298 367 357 351 789 980
Kentang 852 824 937 1219 2004 2450
Jumlah 7503 8860 9306 10133 14769 17437
b. Langkah kedua menghitung angka indeks
Indeks harga agregatif sederhana kelompok produk pertanian di

Sul-sel dengan tahun dasar 2004
Harga Jenis
Tahun
Produk Pertanian IHAS Ket.
7503
2001 7503 74,05 10133
x 100
2002 8860 87,44

8860
10133
x 100
2003 9306 91,84

9306
10133
x 100
2004 10133 100,00

10133
10133
x 100
2005 14769 145,75 14769

10133
x 100
2006 17437 172,08

17437
10133
x 100
b. Angka Indeks Kuantitas Agregatif Sederhana

Angka indeks yang menunjukkan perbandingan antara jumlah kuantitas
kelompok barang dan jasa pada periode berjalan dengan periode dasarnya.
Rumus : IK AS 
 K t
x 100
K o
Contoh :
Kuantitas Produk pertanian (ribu ton) di Sul-sel Tahun 2001-2006
Jenis Prod.
2001 2002 2003 2004 2005 2006
Dari data tersebut,
Pertanian hitunglah indeks
Beras 30 32 33 32 30 31 kuantitas agregatif
Jagung 6,2 6,7 6,2 7,9 6,5 6,8 sederhana kelompok
Kedelai 1,3 1,5 1,6 1,9 1,7 1,6 produk pertanian di
Kacang Hijau 0,2 0,3 0,2 0,5 0,6 0,3 Sul-sel dengan tahun
Kacang Tanah 0,6 0,7 0,7 0,8 0,6 0,6 dasar 2004 !
Ketela Pohon 17,1 15,8 15,9 16,5 17,3 15,7
Ketela Rambat 2,2 1,9 2,1 2,2 2,1 1,8
Kentang 0,1 0,3 0,4 0,5 0,6 0,5
Jawab :
a. Langkah pertama menjumlahkan kuantitas semua jenis produk pertanian
Kuantitas Produk pertanian (ribu ton) di Sul-sel Tahun 2001-2006

Jenis Prod.
2001 2002 2003 2004 2005 2006
Pertanian
Beras 30 32 33 32 30 31
Jagung 6,2 6,7 6,2 7,9 6,5 6,8
Kedelai 1,3 1,5 1,6 1,9 1,7 1,6
Kacang Hijau 0,2 0,3 0,2 0,5 0,6 0,3
Kacang Tanah 0,6 0,7 0,7 0,8 0,6 0,6
Ketela Pohon 17,1 15,8 15,9 16,5 17,3 15,7
Ketela Rambat 2,2 1,9 2,1 2,2 2,1 1,8
Kentang 0,1 0,3 0,4 0,5 0,6 0,5
Jumlah 57,7 59,2 60,1 62,3 59,4 58,3
b. Langkah kedua menghitung angka indeks
Indeks kuantitas agregatif sederhana kelompok produk pertanian di

Sul-sel dengan tahun dasar 2004
Kuantitas Jenis
Tahun
Produk Pertanian IKAS Ket.
57,7
2001 57,7 92,62 62,3
x 100
59,2
2002 59,2 95,02 62,3
x 100
60,1
2003 60,1 96,47 62,3
x 100
62,3
2004 62,3 100,00 62,3
x 100
59,4
2005 59,4 95,35 62,3
x 100
58,3
2006 58,3 93,58 62,3
x 100
c. Angka Indeks Nilai Agregatif Sederhana

Menunjukkan perkembangan nilai sekelompok barang dan jasa pada
tahun berjalan dibandingkan dengan tahun dasar.
Rumus : IN AS 
V t
x 100 atau IN AS 
H K t t
x 100
V o H K o o
Contoh :
Harga dan Kuantitas Produk Pertanian di Sul-Sel Tahun 2004 dan 2006
Jenis Prod. Tahun 2004 Tahun 2006
Pertanian Harga Kuantitas Harga Kuantitas Dari data tersebut,
Beras 2240 32 2777 31 hitunglah indeks
Jagung 662 7,9 1650 6,8 nilai agregatif
Kedelai 1257 1,9 1840 1,6 sederhana dengan
Kacang Hijau 1928 0,5 3990 0,3 tahun dasar 2004 !
Kacang Tanah 2233 0,8 3100 0,6
Ketela Pohon 243 16,5 650 15,7
Ketela Rambat 351 2,2 980 1,8
Kentang 1219 0,5 2450 0,5
Jawab :

Ho K o H tK t
Pertanian Ho Ko Ht Kt
Beras 2240 32 71680,00 2777 31 86087,00
Jagung 662 7,9 5229,80 1650 6,8 11220,00
Kedelai 1257 1,9 2388,30 1840 1,6 2944,00
Kacang Hijau 1928 0,5 964,00 3990 0,3 1197,00
Kacang Tanah 2233 0,8 1786,40 3100 0,6 1860,00
Ketela Pohon 243 16,5 4009,50 650 15,7 10205,00
Ketela Rambat 351 2,2 772,20 980 1,8 1764,00
Kentang 1219 0,5 609,50 2450 0,5 1225,00
Jumlah 87439,70 116502,00
IN AS 
 H K t t
x 100 
116502 ,00
x 100  133,24
H K o o 87439 ,70
Angka Indeks Tertimbang
1. Indeks Laspeyres
Indeks Harga Indeks Kuantitas
IL 
 HK t o
x 100 IL 
 KH t o
x 100
H K o o K H o o
Contoh :
Pertanian Harga Kuantitas Harga Kuantitas
Dari data tersebut,
Beras 2240 32 2777 31
hitunglah indeks
Jagung 662 7,9 1650 6,8
Harga Tertimbang
Kedelai 1257 1,9 1840 1,6
dengan rumus
Kacang Hijau 1928 0,5 3990 0,3
Laspeyres, gunakan
Kacang Tanah 2233 0,8 3100 0,6
tahun dasar 2004 !
Ketela Pohon 243 16,5 650 15,7
Kentang 1219 0,5 2450 0,5
1. Indeks Laspeyres
Jawab :

H tK o Ho K o
Beras 2240 32 2777 31 88864,00 71680,00
Jagung 662 7,9 1650 6,8 13035,00 5229,80
Kedelai 1257 1,9 1840 1,6 3496,00 2388,30
Kacang Hijau 1928 0,5 3990 0,3 1995,00 964,00
Kacang Tanah 2233 0,8 3100 0,6 2480,00 1786,40
Ketela Pohon 243 16,5 650 15,7 10725,00 4009,50
Ketela Rambat 351 2,2 980 1,8 2156,00 772,20
Kentang 1219 0,5 2450 0,5 1225,00 609,50
Jumlah 123976,00 87439,70
IL 
 H K t o
x 100 
123976,00
x 100  141,78
H K o o 87439 ,70
2. Indeks Paasche
IP 
 HK t t
x 100 IP 
 KH t t
x 100
H K o t K H o t
Contoh :
Dari data tersebut,
Beras 2240 32 2777 31
hitunglah indeks
Jagung 662 7,9 1650 6,8
Harga Tertimbang
Kedelai 1257 1,9 1840 1,6
dengan rumus
Kacang Hijau 1928 0,5 3990 0,3
Paasche, gunakan
Kacang Tanah 2233 0,8 3100 0,6
tahun dasar 2004 !
Ketela Pohon 243 16,5 650 15,7
Kentang 1219 0,5 2450 0,5
2. Indeks Paasche
Jawab :

H tK t Ho K t
Beras 2240 32 2777 31 86087,00 69440,00
Jagung 662 7,9 1650 6,8 11220,00 4501,60
Kedelai 1257 1,9 1840 1,6 2944,00 2011,20
Kacang Hijau 1928 0,5 3990 0,3 1197,00 578,40
Kacang Tanah 2233 0,8 3100 0,6 1860,00 1339,80
Ketela Pohon 243 16,5 650 15,7 10205,00 3815,10
Ketela Rambat 351 2,2 980 1,8 1764,00 631,80
Kentang 1219 0,5 2450 0,5 1225,00 609,50
Jumlah 116502,00 82927,40
IP 
 H K t t
x 100 
116502,00
x 100  140,48
H K o t 82927,40
3. Indeks Drobisch
Indeks Harga
 Ht Ko   Ht Kt 
 
x 100   x 100
IL  IP   H o K o   H K
  o t


ID  
2 2
Indeks Kuantitas
  K tHo    KtHt 
 
x 100   x 100 
IL  IP   K o H o
 


  KoHt 

ID  
2 2
Contoh : Dari hasil perhitungan IL dan IP di atas, hitunglah indeks Harga
Tertimbang dengan rumus Drobisch !
Jawab : IL  IP 141,78  140,48
ID    141,13
2 2
4. Indeks Fisher
Indeks Harga
 Ht Ko   H t K t 
IF  IL x IP   x 100 x 100
 H K   H K 
 o o  o t 
Indeks Kuantitas
  K tHo   K t H t 
IF  IL x IP   x 100   x 100 
K H   K H 
 o o  o t 
Contoh : Dari hasil perhitungan IL dan IP di atas, hitunglah indeks Harga

Tertimbang dengan rumus Fisher !
Jawab :
IF  IL x IP  (141,78) x (140,48)  141,12
5. Indeks Marshal-Edgeworth
IME 
 H (K t o  Kt )
x 100 IME 
 K t (H o  H t )
x 100
 H (K o o  Kt ) K o (H o  H t )
Contoh :
Dari data tersebut,
Beras 2240 32 2777 31
hitunglah indeks
Jagung 662 7,9 1650 6,8
Harga Tertimbang
Kedelai 1257 1,9 1840 1,6
dengan rumus
Kacang Hijau 1928 0,5 3990 0,3
Marshal-Edgeworth,
Kacang Tanah 2233 0,8 3100 0,6
gunakan tahun
Ketela Pohon 243 16,5 650 15,7
dasar 2004 !
Kentang 1219 0,5 2450 0,5
5. Indeks Marshal-Edgeworth
Jawab :

Ko + Kt Ht(Ko + Kt) Ho(Ko + Kt)
Beras 2240 32 2777 31 63,00 174951,00 141120,00
Jagung 662 7,9 1650 6,8 14,70 24255,00 9731,40
Kedelai 1257 1,9 1840 1,6 3,50 6440,00 4399,50
Kacang Hijau 1928 0,5 3990 0,3 0,80 3192,00 1542,40
Kacang Tanah 2233 0,8 3100 0,6 1,40 4340,00 3126,20
Ketela Pohon 243 16,5 650 15,7 32,20 20930,00 7824,60
Ketela Rambat 351 2,2 980 1,8 4,00 3920,00 1404,00
Kentang 1219 0,5 2450 0,5 1,00 2450,00 1219,00
Jumlah 240478,00 170367,10
IME 
 H (K t o  Kt )
x 100 
240478,00
x 100  141,15
 H (K o o  Kt ) 170367,10
6. Indeks Wals
IW 
 H t KoK t
x 100 IW 
 K t Ho H t
x 100
H o KoK t K o Ho H t
Contoh :
Dari data tersebut,
Beras 2240 32 2777 31
hitunglah indeks
Jagung 662 7,9 1650 6,8
Harga Tertimbang
Kedelai 1257 1,9 1840 1,6
dengan rumus Wals,
Kacang Hijau 1928 0,5 3990 0,3
gunakan tahun
Kacang Tanah 2233 0,8 3100 0,6
dasar 2004 !
Ketela Pohon 243 16,5 650 15,7
Kentang 1219 0,5 2450 0,5
6. Indeks Wals
Jawab :

Ko Kt Ko K t Ht Ko K t Ho Ko K t
Beras 2240 32 2777 31 992,00 31,50 87464,48 70551,11
Jagung 662 7,9 1650 6,8 53,72 7,33 12093,50 4852,06
Kedelai 1257 1,9 1840 1,6 3,04 1,74 3208,15 2191,65
Kacang Hijau 1928 0,5 3990 0,3 0,15 0,39 1545,32 746,71
Kacang Tanah 2233 0,8 3100 0,6 0,48 0,69 2147,74 1547,07
Ketela Pohon 243 16,5 650 15,7 259,05 16,10 10461,77 3911,09
Ketela Rambat 351 2,2 980 1,8 3,96 1,99 1950,18 698,48
Kentang 1219 0,5 2450 0,5 0,25 0,50 1225,00 609,50
Jumlah 120096,14 85107,68
IW 
 H t K oK t
x 100 
120096,14
x 100  141,11
H o K oK t 85107,68
VII. ANALISA DERET BERKALA
A. Pengertian Deret Berkala

Deret berkala (time series)  sekumpulan data yang
dicatat dalam satu
periode waktu untuk
menggambarkan suatu
perkembangan kegiatan
atau kejadian, seperti:
produksi, harga, hasil
penjualan, pertumbuh-
an ekonomi, dll

B. Komponen Deret Berkala
1. Trend  suatu gerakan kecenderungan naik atau turun dalam jangka

panjang yang diperoleh dari rata-rata perubahan dari waktu
ke waktu dan nilainya cukup rata (smooth). Trend data
berkala bisa berbentuk trend yang meningkat (trend
positif), dan trend yang menurun (trend negatif).
Grafik:
Y (data time series)
Garis Trend
Time Series
X (periode tahun)
2. Variasi Musim  gerakan yang berulang secara teratur
selama kurang lebih satu tahun dalam
musim-musim tertentu, dan gerakan itu
naik turun sekitar trend dan mempunyai
amlitudo yang sama.
Grafik:
Garis Trend
Time Series
X (periode tahun)

3. Variasi Siklus  gerakan yang berulang dan beraturan, dimana
gerakan ini naik dan turunnya yang sama, gerakan
ini biasanya mempunyai periode tertentu untuk
kembali ketitik asal, misalnya siklus perekonomian
dari resesi, pemulihan (recovery), ledakan
(boom), dan krisis.
Grafik:
Garis Trend
Time Series
Kemakmuran
Pemulihan
Kemunduran
Resesi
X (periode tahun)
4. Gerak Berulang dan Tidak Beraturan  perubahan berupa
kenaikan dan penurunan
yang tidak beraturan
baik dari segi waktu dan
lama dari siklusnya.
Perubahan seperti ini
sukar diterka karena
tidak dapat diperkirakan
sebelumnya.

C. Analisis Trend
Analisis Trend Linier

Bentuk Persamaan Umum Garis Trend Linier :
Y’ = a + bX
dimana:
Y’= nilai trend periode tertentu
a = nilai trend periode dasar
b = perubahan trend tahunan
X = periode tahun yang dihitung dari periode dasar
Untuk melakukan peramalan dengan analisis trend linier dapat
dilakukan dengan cara:
1. Metode Semi Rata-rata (Semi Average Mathod)
2. Metode Kuadrat Terkecil (Least Square Method)

Ad. 1. Metode Semi Rata-rata
Langkah-langkah dalam menentukan persamaan garis

trend linier dengan metode ini adalah:
1. Mengelompokkan data menjadi dua bagian. Jika datanya
ganjil, maka nilai yang ditengah dapat dihilangkan atau
dihitung dua kali, yaitu dimasukkan dalam kelompok pertama
dan juga dimasukkan dalam kelompok kedua.
2. Menghitung rata-rata kelompok pertama (K1) dan kelompok
kedua (K2). K1 diletakkan pada tahun yang terletak ditengah-
tengah kelompok 1 dan K2 diletakkan pada tahun yang terletak
ditengah-tengah kelompok 2
3. Menghitung selisih K2 - K1
4. Nilai perubahan trend (b) diperoleh dengan cara:
K 2  K1
b
tahun dasar 2 - tahun dasar 1
Contoh:
Tabel: Harga Barang “Z” di Kota Makassar Tahun 1997-2006 (ratusan ribu
rupiah) sebagai berikut:
Tahun 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Harga 3 9 14 12 10 11 23 24 18 26
Pertanyaan:
a. Buatlah persamaan garis trend linier harga barang tersebut
b. Hitunglah perkiraan harga barang Z tahun 2010 dan 2013
c. Gambarkan grafiknya
Jawab:
a. Persamaan garis trend:
Y’ = a + bX

Nilai X Nilai X
Semi rata-
Tahun Harga Semi Total untuk tahun untuk tahun
rata
dasar 1999 dasar 2004
1997 3 -2 -7
1998 9 -1 -6
1999 14 K1 48 9,6 0 -5
2000 12 1 -4
2001 10 2 -3
2002 11 3 -2
2003 23 4 -1
2004 24 K2 102 20,4 5 0
2005 18 6 1
2006 26 7 2

K1 = a1999 = 9,6
K2 = a2004= 20,4
K 2  K1
b
tahun dasar 2 - tahun dasar 1
20,4  9,6

2004 - 1999
10,8
  2,16
5
Jadi persamaan garis trend liniernya:

Y’ = a + bX
1. Y’ = 9,6 + 2,16 X dengan tahun dasar 1999 atau
2. Y’ = 20,4 + 2,16 X dengan tahun dasar 2004

b. Perkiraan harga barang Z tahun 2010 dan tahun 2013
Tahun 2010
Apabila menggunakan tahun dasar 1999, nilai X = 11
Y’ = 9,6 + 2,16 X = 9,6 + 2,16 (11) = 33,36
Y’ = 20,4 + 2,16 X = 20,4 + 2,16 (6) = 33,36
Jadi perkiraan harga barang “Z” tahun 2010 sebesar Rp. 3.336.000
Tahun 2013
Y’ = 9,6 + 2,16 X = 9,6 + 2,16 (14) = 39,84
Y’ = 20,4 + 2,16 X = 20,4 + 2,16 (9) = 39,84

c. Grafiknya:
Y = Harga
30
25 Garis Trend
Time Series
20
15
10
0 X = tahun
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Ad. 2. Metode Kuadrat Terkecil
Analisis trend linier dengan metode kuadrat terkecil

diperoleh dengan menentukan garis trend yang
mempunyai jumlah terkecil dari kuadrat selisih data asli
dengan data pada garis trend. Apabila Y menggambarkan
data asli dan Y’ merupakan data trend, maka metode
kuadrat terkecil adalah ∑(Y – Y’ )2.
* Metode Panjang (syarat: ∑X ≠ 0)
Bentuk Persamaan umumnya: Y’ = a + bX
Persamaan Normalnya:
I. ∑Y = na + b ∑X
II. ∑XY = a ∑X + b ∑X2

Contoh:
Tahun 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Harga 3 9 14 12 10 11 23 24 18 26
Pertanyaan:
c. Hitunglah nilai trend setiap tahunnya
d. Gambarkan grafiknya
Jawab:
Y’ = a + bX

Harga
Tahun X XY X2 Y’ = 5,348 + 2,145 X
(Y)
1997 3 0 0 0 5,348
1998 9 1 9 1 7,493
1999 14 2 28 4 9,638
2000 12 3 36 9 11,783
2001 10 4 40 16 13,928
2002 11 5 55 25 16,073
2003 23 6 138 36 18,218
2004 24 7 168 49 20,363
2005 18 8 144 64 22,508
2006 26 9 234 81 24,653
Jumlah 150 45 852 285 -

I. ∑Y = na + b ∑X  150 = 10a + 45b x 4,5 675 = 45a + 202,5b
II. ∑XY = a ∑X + b ∑X2  852 = 45a + 285b x 1 852 = 45a + 285b (-)
-177 = - 82,5b
-82,5b = - 177
 177
b
 82,5
= 2,145
I. ∑Y = na + b ∑X
150 = 10a + 2,145 (45)
150 = 10a + 96,525
10a = 150 – 96,525
10a = 53,475
a = 5,348
Jadi Persamaan Garis Trend Liniernya :
Y’ = a + bX
Y’ = 5,348 + 2,145 X

Tahun 2010, nilai X = 13

Y’ = 5,348 + 2,145 X
= 5,348 + 2,145 (13)
= 5,348 + 27,885
= 33,233

Y’ = 5,348 + 2,145 X
= 5,348 + 2,145 (16)
= 5,348 + 34,32
= 39,668
c. Nilai trend tiap tahunnya (Lihat dalam tabel di atas)

d. Grafiknya:
Y = Harga
30
25 Garis Trend
Time Series
20
15
10
0 X = Tahun
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

* Metode Pendek (syarat: ∑X = 0)
Bentuk Persamaan umumnya: Y’ = a + bX
I. ∑Y = na + b ∑X
II. ∑XY = a ∑X + b ∑X2
Karena ∑X = 0, maka kedua persamaan normal di atas dapat

disederhanakan:
I. ∑Y = na  a
 Y
n
II. ∑XY = b ∑X  b 
2  XY
 X2

Contoh:
Tahun 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Harga 3 9 14 12 10 11 23 24 18 26
Pertanyaan:
Jawab:
Y’ = a + bX

Harga
Tahun X XY X2 Y’ = 15 + 1,073 X
(Y)
1997 3 -9 -27 81 5,343
1998 9 -7 -63 49 7,489
1999 14 -5 -70 25 9,635
2000 12 -3 -36 9 11,781
2001 10 -1 -10 1 13,927
2002 11 1 11 1 16,073
2003 23 3 69 9 18,219
2004 24 5 120 25 20,365
2005 18 7 126 49 22,511
2006 26 9 234 81 24,657
Jumlah 150 0 354 330 -

a
 Y 150
  15 b
 XY 354
  1,073
n 10  X 330
2
Jadi Persamaan Garis Trend Liniernya:

Y’ = a + bX
Y’ = 15 + 1,073 X

Y’ = 15 + 1,073 X
= 15 + 1,073 (17)
= 33,241
Y’ = 15 + 1,073 X
= 15 + 1,073 (23)
= 39,679
d. Grafiknya:
Y = Harga
30
25 Garis Trend
Time Series
20
15
10
0 X = Tahun
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Analisis Trend Non Linier
(Trend Kuadratis)
Bentuk Persamaan Umum Garis Trend Kuadratis :

Y’ = a + bX + cX2
dimana:
Y’ = nilai trend periode tertentu
a = nilai trend periode dasar
b, c = perubahan trend tahunan
X = periode tahun yang dihitung dari periode dasar
I. ∑Y = na + b ∑X + c ∑X2
II. ∑XY = a ∑X + b ∑X2 + c ∑X3
III. ∑ X2 Y = a ∑X2 + b ∑X3 + c ∑X4
Dengan metode kuadrat terkecil
Untuk metode pendek, maka dari persamaan nomal di atas
dapat dicari a, b, dan c dengan rumus sebagai berikut:
YX  X YX  4 2 2
a
nX   X  4 2 2
b
 XY
X 2
c

n  X2Y    X  Y 2
n  X    X 4 2 2

Contoh:
Tabel: Jumlah Pelanggan PT. Telkom Tahun 2001-2006 (jutaan) sebagai
berikut:
Tahun 2001 2002 2003 2004 2005 2006
Pelanggan 4,2 5,0 5,6 6,1 6,7 7,2
Pertanyaan:
a. Buatlah persamaan garis trend kuadratis pelanggan PT. Telkom tersebut
b. Hitunglah perkiraan pelanggan PT. Telkom tahun 2010 dan 2013
Jawab:
Y’ = a + bX + cX2

Tabel: Jumlah Pelanggan PT. Telkom Tahun 2001-2006 (jutaan) sebagai
berikut: :
Pelanggan Y’ = 5,862 + 0,294 X

Tahun X XY X2 X 2Y X4
(Y) – 0,007 X2
2001 4,2 -5 -21 25 105 625 4.217
2002 5,0 -3 -15 9 45 81 4.917
2003 5,6 -1 -5,6 1 5,6 1 5.561
2004 6,1 1 6,1 1 6,1 1 6.149
2005 6,7 3 20,1 9 60,3 81 6.681
2006 7,2 5 36 25 180 625 7.157
Jumlah 34,8 0 20,6 70 402 1414 -

 Y  X    X Y  X 
4 2 2
a
n  X    X  4 2 2

34 ,8 1414   402 70 
6 1414   70 
2
c 
n  X Y    X  Y 
2 2
n  X    X 
49207 , 2  28140
 4 2 2
8484  4900
21067 , 2 6  402    70 34 ,8 
 
6 1414    70 
3584 2
 5,862
2412  2436

b 
 XY 8484  4900
X 2

 24
20 , 6 3584
  0 , 294  - 0,007
70
Jadi Persamaan Garis Trend Kuadratisnya:
Y’ = a + bX + cX2
Y’ = 5,862 + 0,294 X – 0,007 X2
b. Perkiraan Pelanggan PT. Telkom tahun 2010 dan tahun 2013

Y’ = 5,862 + 0,294 X – 0,007 X2
= 5,862 + 0,294 (13) – 0,007 (13)2
= 5,862 + 3,822 – 1,183
= 8,502
Jadi perkiraan Pelanggan PT. Telkom tahun 2010 sebesar 8.502.000

pelanggan.

Y’ = 5,862 + 0,294 X – 0,007 X2
= 5,862 + 0,294 (19) – 0,007 (19)2
= 5,862 + 5,586 – 2,527
= 8,921
Jadi perkiraan Pelanggan PT. Telkom tahun 2013 sebesar 8.921.000

pelanggan.
d. Grafiknya:
Y = Pelanggan
8.0
7.0
6.0
5.0
4.0
3.0
2.0
1.0
0.0
X = Tahun
2001 2002 2003 2004 2005 2006

a. Untuk n ganjil  n = 2k + 1
2k = n – 1
n 1
k 
2
Xk + 1 = 0
n 1 5 1
n=5 k   2
2 2
Xk + 1 = 0
X2+ 1 = 0
X3 = 0
Jarak antara dua waktu diberi nilai satu satuan. Di atas nol diberi tanda
– dan di bawah nol diberi tanda + ( -2, -1, 0 1, 2)

b. Untuk n genap n = 2k
n
k 
2
X  k  ( k 1 )   0
 
 2 
n 6
n=6 k   3
2 2
X  3  ( 3 1 )   0
 
 2 
X 7  0
 
2
X 3 , 5  0
Jarak antara dua waktu diberi nilai dua satuan. Di atas nol diberi tanda
– dan di bawah nol diberi tanda + (-5, -3, -1, 1, 3, 5)

VIII. ANALISA KORELASI DAN
REGRESI LINIER SEDERHANA
A. Korelasi Linier Sederhana

Korelasi  suatu studi yang membahas tentang
derajat hubungan antara variabel-
variabel (misalnya antara X dan Y).
Ukuran yang dipakai untuk mengetahui
derajat hubungan, terutama untuk
data kuantitatif dinamakan koefisien
korelasi (r).
Nilai Koefisien Korelasi  -1 sampai dengan +1
(-1  r  +1), sehingga:
1. Jika r = +1,  hubungan linier positif (searah) dan sempurna
antara variabel X dan variabel Y
Grafiknya:
Y
S
r = (+) 1
X
0

2. Jika r = -1,  hubungan linier negatif (berlawanan arah) dan
sempurna antara variabel X dan variabel Y
Grafiknya:
Y
r = (-) 1
X
0

3. Jika r = 0,  tidak ada hubungan linier antara variabel X dan
variabel Y
Grafiknya:
Y
r =0
X
0

Untuk menentukan koefisien korelasi dapat digunakan rumus:
nXi Yi   Xi Yi 

r
 2
i 
n X  Xi  n Y  Yi 
2
 i
2
 2
Contoh:
Tabel: Pengeluaran untuk pakaian, dan total pengeluaran (ratusan ribu
rupiah) dari 10 responden sebagai berikut:
Pengeluaran
3,5 4,3 5,0 6,0 7,0 9,0 8,0 10,0 12,0 14,0
untuk Pakaian
Total
15 20 30 42 50 54 65 72 85 90
Pengeluaran
Pertanyaan:
Hitunglah besarnya hubungan (koefisien korelasi) antara pengeluaran untuk
pakaian dan total pengeluaran dari 10 responden tersebut, serta jelaskan
hasil perhitungannya.
Jawab:
Pengeluaran Total
u/ Pakaian Pengeluaran XiYi Xi2 Yi2
(Yi) (Xi)
3,5 15 52,5 225 12,25
4,3 20 86 400 18,49
5,0 30 150 900 25,00
6,0 42 252 1764 36,00
7,0 50 350 2500 49,00
9,0 54 486 2916 81,00
8,0 65 520 4225 64,00
10,0 72 720 5184 100,00
12,0 85 1020 7225 144,00
14,0 90 1260 8100 196,00
78,8 523 4896,5 33439 725,74

Koefisien korelasinya:
n  X i Yi    X i  Yi 
r
n  X    X 
2
i i
2
n  Y    Y 
i
2
i
2
10(4896,5)  (523 )( 78 ,8 )

10 (33439 )  (523 ) 2 10(725,74)  ( 78,8) 2
48965  41212 , 4

334390  273529 7257,4  6209,44
7752 ,6

60861 1047,96
7752 ,6

(246,7002) (32,3722)
7752 ,6

7986,2315
 0.9707
Ini berarti terdapat hubungan linier positif dan sangat kuat antara antara
total pengeluaran (X) dengan pengeluaran untuk pakaian (Y), yaitu
sebesar 0,97.
Sedangkan untuk mengetahui besarnya pengaruh atau koefisien determinasi
(r2) adalah:
r2 = (r)2
= (0,9707) 2
= 0,9423
Ini berarti variasi naik turunnya pengeluaran untuk pakaian (Y)
0,9423 atau 94,23% ditentukan oleh variasi naik turunnya total
pengeluaran (X), sedangkan 5,77% ditentukan oleh variabel lain.
Koefisien determinasi (r2)  dapat pula dicari dengan menggunakan rumus:
bn  X i Yi    X i  Yi 
r 
2
n  Y    Y 
i
2
i
2
b = koefisien regresi

B. Regresi Linier Sederhana
Analisis regresi linier sederhana  dibahas tentang pengaruh satu

variabel bebas (independent)
terhadap variabel terikat
(dependent).
Bentuk hubungan fungsional:
Y = f(X)
dimana: Y = Variabel dependent, dan
X = Variabel independent
Persamaan garis regresi liniernya:

Yi = a + bXi + ei atau

Y i  a  bXi
dimana: Yi = Variabel dependent, dan
Xi = Variabel independent
a = konstanta (intercept) garis regresi
b = koefisien (slope) garis regresi
ei = variabel pengganggu (error term)

Persamaan normalnya:
I. na + b∑Xi = ∑Yi
II. a∑Xi + b∑Xi2 =∑ XiYi
Persamaan normalnya tidak dapat disederhanakan seperti halnya dalam

persamaan garis trend linier, karena nilai-nilai X umumnya tidak berspasi
sama. Namun untuk mencari koefisien a dan b dari persamaan di atas dapat
digunakan rumus:
n  X i Yi    X i  Yi 
b
n  X    X 
2
i i
2
a
 Y i  b X i
atau a  Y  b X
n

Contoh:
Pengeluaran
3,5 4,3 5,0 6,0 7,0 9,0 8,0 10,0 12,0 14,0
untuk Pakaian
Total
15 20 30 42 50 54 65 72 85 90
Pengeluaran
Pertanyaan:
1. Buatlah persamaan garis regresi liniernya, dan jelaskan arti koefisien
regresi yang anda peroleh!
2. Berapa perkiraan pengeluaran untuk pakaian jika total pengeluaran
mencapai Rp. 10.000.000,-
Jawab:
1. Persamaan garis regresi liniernya:

Y i  a  bXi

Pengeluaran u/ Total
Pakaian Pengeluaran XiYi Xi2
(Yi) (Xi)
3,5 15 52,5 225
4,3 20 86 400
5,0 30 150 900
6,0 42 252 1764
7,0 50 350 2500
9,0 54 486 2916
8,0 65 520 4225
10,0 72 720 5184
12,0 85 1020 7225
14,0 90 1260 8100
78,8 523 4896,5 33439

n  X i Yi    X i  Yi   Y  b X i
b a
i
n  X    X 
2
i i
2
n
10(4896,5)  (523)( 78,8) 78 ,8  0,1274 (523 )
 
10 (33439 )  (523) 2 10
78 ,8  66,6208
48965  41212 ,4 
 10
334390  273529
12,1792
7752 ,6 
 10
60861
 1, 2179
 0,1274
Jadi persamaan garis regresi liniernya:

Y i  1,2179  0,1274 X i
a = 1,2179, artinya jika total pengeluaran (Xi) konstan, maka
diperkirakan pengeluaran untuk pakaian (Yi)sebesar
Rp. 121.790
b = 0,1274, artinya jika total pengeluaran (Xi)naik sebesar
Rp. 1.000.000, maka diperkirakan pengeluaran (Yi) untuk
pakaian mencapai Rp. 127.382
2. Perkiraan pengeluaran untuk pakaian jika total pengeluaran
sebesar Rp. 10.000.000:

Y i  1,2179  0,1274 X i
 1,2173  0,1274(100)
 1,2173  12,74
 13,9573
artinya, jika total pengeluaran (Xi) mencapai Rp. 10.000.000, maka
diperkirakan pengeluaran untuk pakaian (Yi)sebesar Rp. 1.395.730

Regression
Descriptive Statistics
Mean Std. Deviation N

Pengeluaran u/ Pakaian 7.880 3.412 10
Total Pengeluaran 52.30 26.00 10
Correlations
Pengeluaran Total
u/ Pakaian Pengeluaran
Pearson Correlation Pengeluaran u/ Pakaian 1.000 .971
Total Pengeluaran .971 1.000
Sig. (1-tailed) Pengeluaran u/ Pakaian . .000
Total Pengeluaran .000 .
N Pengeluaran u/ Pakaian 10 10
Total Pengeluaran 10 10
b
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
1 Total
Pengeluar
a
. Enter
an
a. All requested variables entered.
b. Dependent Variable: Pengeluaran u/ Pakaian

b
Model Summary
Change Statistics
Adjusted Std. Error of R Square Durbin-W
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change atson
1 .971 a .942 .935 .869 .942 130.762 1 8 .000 1.958
a. Predictors: (Constant), Total Pengeluaran
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 98.754 1 98.754 130.762 .000 a
Residual 6.042 8 .755
Total 104.796 9
a. Predictors: (Constant), Total Pengeluaran
a
Coefficients
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 1.218 .644 1.891 .095
Total Pengeluaran .127 .011 .971 11.435 .000
a. Dependent Variable: Pengeluaran u/ Pakaian

a
Casewise Diagnostics
Pengeluaran Predicted
Case Number Std. Residual u/ Pakaian Value Residual
1 .427 3.5 3.129 .371
2 .615 4.3 3.766 .534
3 -.045 5.0 5.039 -3.94E-02
4 -.654 6.0 6.568 -.568
5 -.675 7.0 7.587 -.587
6 1.040 9.0 8.097 .903
7 -1.723 8.0 9.498 -1.498
8 -.448 10.0 10.389 -.389
9 -.052 12.0 12.045 -4.54E-02
10 1.516 14.0 12.682 1.318
a
Residuals Statistics
Minimum Maximum Mean Std. Deviation N

Predicted Value 3.129 12.682 7.880 3.313 10
Residual -1.498 1.318 -2.22E-16 .819 10
Std. Predicted Value -1.434 1.450 .000 1.000 10
Std. Residual -1.723 1.516 .000 .943 10

Penurunan Rumus
Regresi Linier Sederhana
Yi = a + bXi + ei

Y i  a  bX i

Yi  Y i  e i

e i  Yi  Y i
 Yi  a  bX i
Dengan kriteria kuadrat terkecil, maka:

2
  
 i  i
e 2
  Y  Y i 

  Yi  a  bX i 
2

Apabila kita memperhatikan  e  adalah  e = f(a,b) yaitu
2
i
2
i
jumlah kesalahan kuadrat merupakan f(a,b) artinya nilai

tergantung dari a dan b. Untuk nilai a dan b yang berlainan  e  2
i
juga nilainya berlainan. Dengan metode kuadrat terkecil kita

akan memperoleh a dan b yang membuat  e  sama dengan 2
i
minimum.
Menurut teori kalkulus, untuk membuat  e  minimum, maka 2

i
digunakan diferensial parsial, baik  e  terhadap a, maupun

2
i
 e  terhadap b dan menyamakannya dengan nol:

2
i
  e i2
 0  2 (Yi  a  bX i )(a 11 )  0
a
- 2 (Yi  a  bX i )(1)  0....................(1)
  e i2
 0  2 (Yi  a  bX i )(b11 X i )  0
b
- 2 (Yi  a  bX i )(X i )  0.................(2)
setelah persamaan tersebut di atas disederhanakan sedemikian
rupa, maka:
  Yi  na  b  X i  0
na  b  X i   Yi ............... .........(3)
  X i Yi  a  X i  b  X i2  0
a  X i  b  X i2   X i Yi ........(4)
persamaan (3) dibagi dengan n

na  b  X i   Yi
n
 X i  Yi
ab 
n n
a  bX  Y
a  Y  bX
Nilai a disubtitusikan ke persamaan (4)
a  X i  b  X i2   X i Y i
Y  b X   X i  b  X i2   X i Y i
  Yi  Xi 
 b   X i  b  X i   X i Yi
2
 n n 
 X i  Yi ( X i ) 2
b  b  X i2   X i Y i
n n
 X i  Yi  ( X i ) 2 
 b    X i2    X i Y i
n  n 
( X i ) 2  X i  Yi
b Xi  b 2
  X i Yi 
n n
 ( X i ) 2   X i  Yi
b   X i 2
   X i Y i 
 n  n
 X i  Yi
 X i Yi 
b  n
( X i ) 2
 Xi 
2
n
n  X i Yi   X i  Yi
b 
n  X i2  (  X i ) 2
Jadi Persamaan Garis
Regresi Linier Sederhana
Yi = a + bXi + ei
a  Y  bX
n  X i Yi   X i  Yi
b
n  X i2  ( X i ) 2

Materi Statistik 1 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Materi Statistik 1 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Garis-Garis Besar Program Pengajaran

YAYASAN WAKAF UMI

-- Dapat mengenai data dan jenis-jenisnya -- Pembagian metode statistik

 Variasi dan Deviasi standar (Varians and

8 UJIAN TENGAH SEMESTER

 Indeksi (rumus) Dorbish dan Bowley

-- Dapat menghitung dan menggambar -- Seculer trend

16 UJIAN AKHIR SEMESTER

A. Arti dan Ruang Lingkup Statistik

 Dalam arti Sempit  Statistik Penduduk, Statistik

 Dalam arti luas  mengumpulkan, mengolah,

Muh. Arif, Fak. Ekonomi UMI

 Statistik  kumpulan angka-angka yang disusun

 Statistika  pengetahuan yang membahas tentang

Muh. Arif, Fak. Ekonomi UMI

Muh. Arif, Fak. Ekonomi UMI

 Untuk menyederhanakan data

Muh. Arif, Fak. Ekonomi UMI

Muh. Arif, Fak. Ekonomi UMI

 Data  Sesuatu yang diketahui atau dianggap dapat

 Syarat-syarat data yang baik :

Muh. Arif, Fak. Ekonomi UMI

Data Kualitatif 1. Jumlah mobil

Muh. Arif, Fak. Ekonomi UMI

Muh. Arif, Fak. Ekonomi UMI

Muh. Arif, Fak. Ekonomi UMI

Data Cross Section

Data Time Series

Muh. Arif, Fak. Ekonomi UMI

Skala Nominal Skala Ordinal

Skala Interval Skala Rasio

Muh. Arif, Fak. Ekonomi UMI

Muh. Arif, Fak. Ekonomi UMI

(b) Mengumpulkan data yang sesuai dengan masalah dan tujuan.

(c) Menata data mentah ke dalam distribusi frekuensi.

(d) Menyajikan data distribusi secara grafik.

(e) Menarik kesimpulan mengenai permasalahan.

Muh. Arif, Fakultas Ekonomi UMI

 Adalah pengelompokan data ke dalam beberapa

Muh. Arif, Fakultas Ekonomi UMI

Muh. Arif, Fakultas Ekonomi UMI

Tabel 2. Pendapatan Perkapita Masyarakat di Daerah A dari 50 Kepala Keluarga

Tabel 3. Pendapatan Perkapita Masyarakat di Daerah A dari 50 Kepala Keluarga

Pendapatan Perkapita (Xi) Jum. Kepala Keluarga (fi)

Muh. Arif, Fakultas Ekonomi UMI

Membuat tabel distribusi frekuensi untuk grouped

Muh. Arif, Fakultas Ekonomi UMI

Tabel 4. Pendapatan Perkapita Masyarakat di Daerah A dari 50 Kepala Keluarga

30 – 39 34,5 IIII 4 4 0,08 4 50

40 – 49 44,5 IIII II 6 10 0,12 10 46

50 – 59 54,5 IIII IIII 8 18 0,16 18 40

60 – 69 64,5 IIII IIII IIII 12 30 0,24 30 32

70 – 79 74,5 IIIII IIII 9 39 0,18 39 20

80 – 89 84,5 IIIII II 7 46 0,14 46 11

90 – 99 94,5 IIII 4 50 0,08 50 4

Muh. Arif, Fakultas Ekonomi UMI

Muh. Arif, Fakultas Ekonomi UMI

Muh. Arif, Fakultas Ekonomi UMI

Ukuran Pemusatan  Nilai tunggal yang mewakili suatu

Ukuran Pemusatan yang umum digunakan :

Muh. Arif, Fakultas Ekonomi UMI

Rata-rata Hitung  Jumlah nilai-nilai data dibagi

 Rata-rata hitung populasi