BAB I

PENDAHULUAN

I.1 Arti kata Statistik

Istilah statistik mempunyai pengertian yang

berbeda-beda bagi orang yang berbeda. Bagi seorang

manajer tim sepak bola, statistik bisa dipahami sebagai

frekuensi kemenangan, draw, atau kekalahan bagi tim yang

di pimpinnya. Sedangkan bagi seorang manajer

perusahaan, statistik bisa dipahami sebagai angka

penjualan dari tahun ke tahun. Bagi seorang peneliti,

statistik seringkali dianggap sebagai alat analisis data.

Sedangkan bagi mahasiswa statistik adalah mata kuliah

1
yang harus dipelajari sebagai dasar untuk membantu

pengolahan data pada saat mengambil tugas akhir.

Pengertian Statistik

Secara etimologis kata “statistik” berasal dari

kata status (bahasa latin) yang mempunyai persamaan arti

dengan kata state (bahasa Inggris) atau kata staat (bahasa

Belanda), dan yang dalam bahasa Indonesia diterjemahkan

menjadi negara. Pada mulanya, kata “statistik” diartika

sebagai “kumpulan bahan keterangan (data), baik yang

berwujud angka (data kuantitatif) maupun yang tidak

berwujud angka (data kualitatif), yang mempunyai arti

penting dan kegunaan yang besar bagi suatu negara.

2
Namun, pada perkembangan selanjutnya, arti kata statistik

hanya dibatasi pada “kumpulan bahan keterangan yang

berwujud angka (data kuantitatif)” saja; bahan keterangan

yang tidak berwujud angka (data kualitatif) tidak lagi

disebut statistik.

Dalam kamus bahasa Inggris akan kita jumpai

kata statistics dan kata statistic. Kedua kata itu mempunyai

arti yang berbeda. Kata statistics artinya “ilmu statistik”,

sedang kata statistic diartika sebagai “ukuran yang

diperoleh atau berasal dari sampel,” yaitu sebagai lawan

dari kata “parameter” yang berarti “ukuran yang diperoleh

atau berasal dari populasi”.

3
 Menurut Kamus Besar Bahasa Indonesia statistik

adalah catatan angka-angka (bilangan); perangkaan; data

yang berupa angka yang dikumpulkan, ditabulasi, digolong-

golongkan sehingga dapat memberi informasi yang berarti

mengenai suatu masalah atau gejala.

Banyak persoalan dinyatakan dan dicatat dalam

bentuk bilangan atau angka-angka. Kumpulan angka-angka

itu sering disusun atau disajikan dalam bentuk daftar atau

tabel. Sering daftar atau tabel tersebut disertai dengan

gambar-gambar, dan disebut dengan statistik. Jadi kata

statistik telah dipakai untuk menyatakan kumpulan data,

bilangan maupun non bilangan yang disusun dalam tabel

dan atau diagram, yang menggambarkan suatu persoalan.

4
Statistik yang menjelaskan sesuatu hal biasanya diberi

nama statistik mengenai hal yang bersangkutan. Misal

statistik penduduk, statistik kelahiran dan lain sebagainya.

Kata statistik juga digunakan untuk menyatakan

ukuran sebagai wakil dari sekumpulan data mengenai

sesuatu hal. Misal 60% siswa nilai matematikanya kurang

dari 6,5 maka nilai 60% ini dinamakan statistik. Misalnya

lagi jika rata-rata nilai keseluruhan dalam rapor seorang

siswa

adalah 7,5 maka rata-rata 7,5 tersebut dinamakan statistik.

Pengertian Statistika :

5
 Menurut kamus Besar Bahasa Indonesia Statistika

adalah ilmu tentang cara mengumpulkan, menabulasi,

menggolong-golongkan, menganalisis, dan mencari

keterangan yang berarti dari data yang berupa

angka; pengetahuan yang berhubungan dengan

pengumpulan data, penyelidikan dan kesimpulannya

berdasarkan bukti, berupa catatan bilangan (angka-angka).

Dari hasil pengamatan atau penelitian, dalam

laporannya sering diperlukan suatu uraian, penjelasan atau

kesimpulan tentang persoalan yang diamati atau diteliti.

Sebelum membuat kesimpulan, keterangan atau data yang

terkumpul terlebih dahulu dipelajari, diolah atau dianalisis,

dan berdasarkan pengolahan data inilah baru dibuat

6
kesimpulan. Mulai dari pengumpulan data, pengolahan data

dan pengambilan kesimpulan haruslah mengikuti cara-cara

yang benar dan dapat dipertanggungjawabkan. Ini semua

merupakan pengetahuan tersendiri yang dinamakan

dengan statistika. Jadi statistika adalah pengetahuan yang

berhubungan dengan cara-cara pengumpulan data,

pengolahan atau penganalisisannya dan penarikan

kesimpulan berdasarkan kumpulan data dan penganalisisan

yang dilakukan.

1.2. Sejarah Statistika

Istilah statistika sudah sangat tua. Statistika

bermula sebagai suatu cara berhitung untuk membantu

7
pemerintah yang ingin mengetahui kekayaan dan

banyaknya warganya dalam usaha menarik pajak atau pun

berperang. William si penakluk memerintahkan

diadakannya survey di seluruh Inggris untuk tujuan pajak

dan tugas kemiliteran. Hasil Survey ini dikumpulkan dalam

sebuah kumpulan yang disebut Domesday Book.

Beberapa abad setelah Domesday Book,

ditemukan suatu penerapan peluang empirik dalam

asuransi perkapalan, yang tampaknya sudah tersedia bagi

kapal-kapal bangsa Flem pada abad ke-14. Perjudian,

dalam bentuk permainan, telah mengantarkan kita ke teori

peluang. Teori ini pertama kali dikembangkan oleh Pascal

8
dan Fermat sekitar abad ke-17, karena mereka tertarik

pada pengalaman-pengalaman judi Chevalier de Mere.

Kurva normal telah terbukti sangat penting dalam

pengembangan statistika. Persamaan kurva ini pertama kali

diumumkan pada tahun 1733 oleh de Moivre. De Moivre

sama sekali tidak tahu bagaimana menerapkan

penemuannya tersebut pada data hasil percobaan, dan

karyanya ini tetap tidak diketahui sampai Karl Pearson

menemukannya di suatu perpustakaan pada tahun 1924.

Walaupun demikian, hasil yang sama dikembangkan

kemudian oleh dua astronom matematik, Laplace, 1749-

1855 dan Gauss, 1777-1855, secara terpisah.

9
 Pada abad ke-19 Charles Lyell telah mengajukan

suatu argumentasi yang pada dasarnya bersifat statistik

terhadap suatu masalah geologi. Dalam periode 1830-1833,

diterbitkan 3 jilid Principles of Geology karya Lyell, yang

mengurutkan batu-batuan zaman Tertier, serta sekaligus

memberi nama pada masing-masing batuan. Bersama

dengan M.Deshayes, seorang ahli biologi dari Prancis,

mereka mengidentifikasikan dan mendaftarkan spesies-

spesies fosil yang terdapat dalam satu atau lebih strata, dan

meramalkan proporsi jenis-jenis yang masih hidup di

bagian-bagian laut tertebtu. Berdasarkan proporsi-proporsi

tersebut mereka memberi nama Pleistosen, Pliosen,

Miosen, dan Eosen. Argumentasi Lyell sesungguhnya

10
bersifat statistika. Sayangnya setelah ditetapkan dan

diterimanya nama-nama tersebut, metodenya segera

dilupakan orang. Hal ini terjadi baik di bidang ilmu-ilmu

biologi maupun fisika.

Pada abad ke-19 pula, perlunya landasan yang

lebih kokoh bagi statistika menjadi semakin jelas. Karl

Pearson, seorang ahli fisika matematik, menerapkan

matematika pada biologi. Pearson melewatkan hampir

setengah abad dalam penelitian statistika yang serius. Di

samping itu, ia juga mendirikan jurnal Biometrika dan

sebuah aliran statistika. Dengan demikian kajian statistika

memperoleh dorongan besar.

11
 Sementara Pearson hanya memperhatikan contoh

besar (large samples), teori sampel besar yang

dikembangkan ternyata tidak memuaskan peneliti yang

selalu berhubungan dengan sampel kecil (small samples).

Di antara mereka adalah W.S. Gosset, 1876-1937, murid

Karl Pearson. Namun kemampuan matematika Gosset

belum memadai untuk mendapatkan sebaran-sebaran pasti

dari simpangan baku sampel, rasio antara rata-rata sampel

dengan simpangan baku sampel, dan koefisien korelasi;

statistik-statistik yang paling banyak diperhatikannya.

Akibatnya, ia terpaksa mendasarkan pada kartu; mengocok,

mengambil, dan kemudian membuat sebaran frekuensi

empiriknya. Makalah yang membuat hasil penelitiannya ini

12
muncul dalam Biometrika pada tahun 1908, dan ia

menggunakan nama student. Sekarang ini sebaran t-

Student merupakan alat dasar bagi statistikawan dan

peneliti; dan me-student-kan merupakan istilah yang lazim

dalam statistika. Kini penggunaan sebaran t-Student begitu

meluas, dan menarik untuk diperhatikan bahwa seorang

astronom Jerman, Helmert, telah mendapatkannya secara

matematika jauh sebelumnya, yaitu pada tahun 1875.

R.A. Fisher, 1890-1962, yang dipengaruhi oleh Karl

Pearson dan Student, memberikan sumbangan yang

sangat banyak dan penting bagi statistika. Ia dan murid-

muridnya memberikan dorongan yang besar bagi

penggunaan prosedur-prosedur statistika dalam banyak

13
bidang, terutama dalam bidang-bidang pertanian, biologi,

dan genetika.

J.Neyman (1895) dan E.S.Pearson (1895),

mengemukakan teori pengujian hipotesis pada tahun 1936

dan 1938. Teori ini merancang sejumlah besar penelitian

dan banyak hasilnya mempunyai kegunaan praktis.

Pada tahun 1902-1950, Abraham Wald menulis

dua buku yang sangat bermanfaat hingga saat ini, yakni

‘Sequential Analysis’ dan ‘Statistical Decision Functions’.

Dalam abad inilah (hingga saat ini) hampir semua metode

statistika yang kini digunakan itu dikembangkan

1.2 Pembagian Statistika

14
 Sebagai mana telah di jelaskan pada sub bab

sebelumnya bahwa statistika adalah pengetahuan tentang

bagaimana memahami data. Untuk memahami data

dibutuhkan beberapa aktifitas terkait dengan data tersebut

yang dimulai dengan mengumpulkan data, menyajikan

data, membuat ringkasan data untuk selanjutnya dilakukan

pengolahan data dan penganalisisan data, membuat

estimasi/pendugaan mengenai ukuran statistik yang pada

akhirnya membuat kesimpulan secara general (populatif)

mengenai ukuran statistik yang diperoleh dari data yang

diambil secara sampling. Berdasarkan kegiatan-kegiatan

tersebut statistika kemudian dibagi menjadi dua bagian

yaitu Statistika Deskriptif dan Statistika Induktif/Inferensial

15
1. Statistika Deskriptif

Statistika deskriptif merupakan metode-metode yang

berkait dengan pengumpulan dan penyajian sekumpulan

data, sehingga dapat memberikan informasi yang berguna.

Perlu kiranya dimengerti bahwa statistika deskriptif

memberikan informasi hanya mengenai data yang dipunyai

dan sama sekali tidak menarik kesimpulan yang lebih

banyak dan lebih jauh dari data yang ada. Kegiatan

memeriksa sifat-sifat penting dari data yang ada itu disebut

analisis data secara deskripsi. Karenanya bagian statistika

demikian dinamakan Statistika Deskriptif. Penyusunan

tabel, diagram, modus, kuartil, simpangan baku termasuk

16
dalam kategori statistika deskriptif. Kegiatan itu dilakukan

melalui:

a. Pendekatan aritmetika yaitu pendekatan melalui

pemeriksaan rangkuman nilai atau ukuran-ukuran

penting dari data. Yang dimaksud rangkuman nilai

di sini ialah penyederhanaan kumpulan nilai data

yang diamati ke dalam bentuk nilai-nilai tertentu.

Setiap rangkuman nilai ini disebut statistik. Jadi,

statistik menerangkan sifat kumpulan data dalam

bentuk nilai yang mudah dipahami, sedangkan

statistika adalah suatu ilmu tentang sekumpulan

konsep serta metode yang dapat digunakan untuk

mengumpulkan, menyajikan dan menganalisis data

17
 serta menarik kesimpulan berdasar hasil analisis

data tersebut.

b. Pendekatan geometrik, yaitu melalui penyajian data

dalam bentuk gambar berupa grafik atau diagram.

Kedua pendekatan mengakibatkan pembedaan

dalam penyajian datanya. Penyajian data pertama

menekankan angka-angka dan yang kedua

menekankan pada gambar.

2. Statistika Inferensial
Statistik inferensial merupakan kebalikan dari
statistika deskriptip, statistika infrensial merupakan statistik
yang berkenaan dengan cara penarikan kesimpulan
berdasarkan data yang diperoleh dari sampel untuk
menggambarkan karakterisktik atau ciri dari suatu populasi.
Dengan demikian dalam statistik inferensial dilakukan suatu

18
generalisasi (perampatan atau memperumum) dan hal yang
bersifat khusus (kecil) ke hal yang lebih luas (umum). Oleh
karena itu, statistik inferensial disebut juga statistik induktif
atau statistik penarikan kesimpulan. Pada statistik
inferensial biasanya dilakukan pengujian hipotesis dan
pendugaan mengenai karakteristik (ciri) dari suatu populasi,
seperti mean dan Uji t (Sugiyono, 2006). Statistika inferensi,
yang berupa kajian tentang penarikan kesimpulan
mengenai keseluruhan objek yang menjadi perhatian
namun hanya atas dasar data sebagian objek inilah yang
disebut Statistika Inferensial atau Statistika Induktif. Dengan
demikian, Statistika Inferensial menyimpulkan makna
statistik yang telah dihitung, dianalisis atau disajikan grafik
atau diagramnya tersebut. Penarikan kesimpulan
tentang keseluruhan populasi populasi didasarkan atas
pengamatan terhadap salah satu bagian populasi disebut
induksi atau generalisasi. Proses induksi atau genarilsasi

19
dalam srtatistika induktif dapat ditemuai dalam berbagai
kegiatan ilmiah dan juga dalam kehidupan sehari-hari.
Misalnya seorang anak kecil sering melihat balok-balok
kayu dapat terbakar, maka ia akan menarik kesimpulan
bahwa semua balok kayu dapat terbakar.

CONTOH PENGGUNAAN STATISTIKA DESKRIPTIF

Sejak tahun 2000, Ina Cookies telah menjual kue kering
dengan berbagai varian rasa. Saat ini ada 8 jenis kue yang
dijual yaitu Nastar, Putri Salju, Coklat, kacang, Keju, Sagu,
Lidah Kucing, dan Semprit. Penjualan yang telah berhasil
dilakukan oleh Ina Cookies mendekati 150 ribu toples
selama tahun 2014 dalam berbagai varian rasa. Ringkasan
data disajikan dalam gambar 1.1 berikut ini:

20
 Gambar 1.1 Volume Penjualan kue kering Ina Cookies

Berdasarkan grafik di atas, secara jelas terlihat

bahwa penjualan Kue Nastar (25%) merupakan penjualan
tertinggi dari berbagai jenis kue yang dijual oleh Ina
Cookies dan diikuti oleh Kue Keju sebesar 19% dan Coklat

21
sebesar 13%. Ketika gambar 1.1 menjelaskan volume
terjual dari berbagai katagori kue, ini merupakan contoh
penggunaan statistika deskriptif.
Penggunaan statistika deskriptif dapat pula
digunakan untuk menjelaskan data yang disajikan dalam
tabel. Contoh penyajian data dalam bentuk tabel disajikan
dalam Tabel 1.1 berikut ini:

Tabel 1.1 Jumlah Pelajar di Daerah A

Jenis Kelamin SD SMP SMA Jumlah

Laki-laki 4758 2795 1459 9012

Perempuan 4032 2116 1256 7404

22
Jumlah 8790 4911 2715 16416

CONTOH PENGGUNAAN STATISTIKA INFERENSIAL

Seorang Dosen suatu perguruan tinggi ingin

mengetahui gambaran bagaimana prestasi mahasiswanya,

seluruh mahasiswa yang terdaftar di perguruan tinggi

tersebut ada sebanyak 5000 orang. Untuk mengukur

prestasi mahasiswa digunakan Indeks Prestasi (IP). Untuk

mendapat gambaran mengenai prestasi mahasiswa

tersebut maka Dosen tersebut harus mengumpulkan data

IP seluruh mahasiswa kemudian diambil rata-ratanya.

Ketika rata-rata IP diperoleh dengan melibatkan semua

data IP mahasiswa, maka dosen tersebut sedang

23
menerapkan statistika Deskriptif. Tapi ketika Dosen tersebut

mengumpulkan data IP sebagian mahasiswa saja sebagai

sampel, sehingga diperoleh nilai dugaan rata-rata IP, dan

nilai dugaan tersebut digunakan untuk menyimpulkan

bagaimana prestasi seluruh mahasiswa perguruan Tinggi

tersebut, maka dosen tersebut sedang menggunakan

Statistika Inferesial.

1.3 POPULASI DAN SAMPEL

POPULASI

Pengertian populasi pada statistika berbeda dengan

pengertian populasi pada disiplin ilmu lainnya. Pada

statistika, totalitas semua nilai yang mungkin, hasil

24
menghitung ataupun mengukur, kuantitatif maupun kualitatif

mengenai karakteristik tertentu dari semua anggota

kumpulan yang lengkap dan jelas yang ingin dipelajari sifat

sifatnya disebut populasi. Pengertian lain mengenai

populasi merupakan keseluruhan (universum) dari objek

penelitian yang dapat berupa manusia, hewan, tumbuh-

tumbuhan, gejala, nilai, peristiwa, sikap hidup, dan

sebagainya yang menjadi pusat perhatian dan menjadi

sumber data penelitian. Apabila kita lihat definisi tersebut,

pengertian populasi bisa sangat beragam sehingga kita

harus mendefinisikan populasi tersebut dengan jelas dan

tepat.

Berikut ini adalah contoh suatu populasi:

25
 ▪ Populasi Mahasiswa STIE Ekuitas

▪ Populasi Mahasiswa Prodi Manajemen

▪ Populasi Mahasiswa Manajemen Angkatan 2013,

STIE Ekuitas

▪ Populasi Mahasiswa Manajemen Kelas A,

Angkatan 2013, STIE Ekuitas

Apabila kita perhatikan contoh populasi di atas,

pengertian populasi di sana bersifat relatif, pendefinisiannya

tergantung dari si Peneliti, apakah dia ingin mengetahui

Populasi Mahasiswa STIE Ekuitas secara keseluruhan

ataukah hanya tertarik pada populasi mahasiswa

Manajemen angkatan 2013 saja.

26
 Kita harus hati-hati dalam mendefinisikan suatu

populasi. Populasi harus didefinisikan dengan jelas dan

tepat. Misalnya, kita ingin mengetahui rata-rata nilai IPK

mahasiswa Universitas X. Berarti parameter/sifat/ciri yang

ingin diketahui adalah rata-rata nilai IPK mahasiswa dan

obyek yang ditelitinya adalah Mahasiswa Universitas X .

Jika kita merumuskan populasi seperti ini, rumusannya

sudah jelas tapi belum tepat. Jelas maksudnya: (1)

parameter yang ingin diteliti sudah jelas, yaitu Nilai IPK

mahasiswa Universitas X dan bukan parameter lain, seperti

tinggi, nilai IQ dan sebagainya (2) populasinya hanya

mahasiswa Universitas X bukan nilai IPK mahasiswa dari

universitas lain. Belum tepat maksudnya, apabila kita

27
berbicara tentang mahasiswa Universitas X cakupannya

cukup luas. Apakah kita akan mendata nilai IPK semua

mahasiswa Universitas X dari semua angkatan, baik yang

masih aktif, non aktif, meninggal, DO, maupun yang sudah

lulus?

Dengan demikian, batasan ruang lingkup dari

populasi yang akan diteliti harus didefinisikan dengan jelas

dan tepat, karena semua kesimpulan yang nantinya akan

diperoleh dari hasil penarikan contoh (sampel) hanya

berlaku untuk populasi yang dimaksud, bukan untuk

populasi yang berada diluar batasan ruang lingkup yang

diberikan.

Perhatikan pendefinisian populasi berikut:

28
 “Populasi dalam penelitian ini adalah Mahasiswa

Manajemen Angkatan 2013, STIE Ekuitas, yang masih

aktif”

Pendefinisian populasi seperti ini sudah jelas batas

ruang lingkupnya, sehingga kesimpulan apapun yang

diberikan terhadap suatu sampel yang diambil dari populasi

tersebut hanya berlaku untuk populasi yang dibatasi oleh

Mahasiswa Manajemen Angkatan 2013, Faperta, Unpad,

yang masih aktif kuliah dan tidak berlaku untuk mahasiswa

lainnya yang berada diluar ruang lingkup tersebut. Jadi

hanya menggambarkan keadaan rata-rata nilai IPK

mahasiswa pada ruang lingkup tersebut.

29
 Populasi dapat dibagi berdasarkan keadaan

(kompleksitasnya) dan berdasarkan ukurannya. Menurut

keadaannya populasi dapat dibagi menjadi dua bagian yaitu

Populasi Homogen, dan Populasi heterogen. Berdasarkan

ukurannya, populasi juga dibagi menjadi dua bagian yaitu

Populasi terhingga, dan Populasi tak terhingga.

a. Populasi berdasarkan keadaannya:

Populasi Homogen: populasi dikatakan homogen apabila

unsur-unsur dari populasi yang diteliti memiliki sifat-sifat

yang relatif seragam satu sama lainnya. Karakteristik

seperti ini banyak ditemukan di bidang eksakta, misalnya

air, larutan, dsb. Apabila kita ingin mengetahui manis

tidaknya secangkir kopi, cukup dengan mencoba setetes

30
cairan kopi tersebut. Setetes cairan kopi sudah bisa

mewakili kadar gula dari secangkir kopi tersebut.

Populasi Heterogen: populasi dikatakan heterogen apabila

unsur-unsur dari populasi yang diteliti memiliki sifat-sifat

yang relatif berbeda satu sama lainnya. Karakteristik seperti

ini banyak ditemukan dalam penelitian sosial dan perilaku,

yang objeknya manusia atau gejala-gejala dalam kehidupan

manusia yang bersifat unik dan kompleks. Misalnya, apabila

kita ingin mengetahui rata-rata IQ mahasiswa Universitas X

angkatan 2013 (berarti rata-rata dari semua Fakultas).

Jelas, rata-rata IQ mahasiswa antar Fakultas kemungkinan

besar bervariasi, IQ mahasiswa Fakultas Kedokteran relatif

lebih tinggi dibanding dengan rata-rata IQ mahasiswa

31
Fakultas lainnya, sehingga kita bisa mengatakan bahwa

populasi tersebut keadaannya heterogen. Untuk mengatasi

populasi yang heterogen dalam melakukan penelitian, perlu

adanya pengelompokan berdasarkan karakteristiknya,

sehingga dari populasi yang ada digrupkan dalam beberapa

kelompok, yang nantinya kelompok-kelompok tersebut akan

hogomen dalam kelompoknya, tetapi kelompok-kelompok

tersebut sangat heterogen diantara kelompkonya. Pada

pemisalan sebelumnya, kelompok identik dengan Fakultas.

b. Populasi berdasarkan ukurannya:

Populasi terhingga: Populasi

dikatakan terhingga bilamana anggota populasi dapat

32
diperkirakan atau diketahui secara pasti jumlahnya, dengan

kata lain, jelas batas-batasnya secara kuantitatif, misalnya:

▪ Banyaknya Mahasiswa Manajemen Kelas A,

Angkatan 2013, STIE Ekuitas

▪ Tinggi penduduk yang ada di kota tertentu

▪ Panjang ikan di sebuah danau

Populasi tak hingga: populasi dikatakan tak

hingga bilamana anggota populasinya tidak dapat

diperkirakan atau tidak dapat diketahui jumlahnya, dengan

kata lain, batas-batasnya tidak dapat ditentukan secara

kuantitatif, misalnya:

▪ Air di lautan

▪ Banyaknya pasir yang ada di Pantai Pangandaran.

33
 ▪ Banyaknya anak yang menderita kekurangan gizi

▪ Kedalaman suatu danau yang diukur dari berbagai

titik

Namun demikian, dalam praktek kehidupan sehari-hari

banyak kita jumpai adanya populasi terhingga dianggap

sebagai populasi tak terhingga, dan hal seperti ini

dibenarkan secara statistika, misalnya banyaknya orang

Indonesia yang merokok, banyaknya penduduk Indonesia

sekarang, dan sebagainya.

SAMPEL

Dalam statistik inferensial, kita ingin mengetahui gambaran

karakteristik tertentu dari suatu populasi, namun terkadang

hal tersebut terkadang tidak mungkin dan tidak praktis

34
untuk mengamati seluruh obyek/individu yang menyusun

suatu populasi. Pedagang eceran beras hanya meneliti

segenggam beras untuk menentukan kualitas sekarang

beras. Pedagang emas hanya meneliti bekas gosokan dari

perhiasan tersebut untuk menentukan kualitas emas

perhiasan tersebut. Peneliti lingkungan hanya meneliti

beberapa milliliter air untuk menentukan kualitas air pada

suatu sungai atau danau. Pertanyaannya, mengapa tidak

meneliti secara keseluruhan, bukankah hasilnya akan lebih

baik dan lebih tepat?

Mengingat seorang peneliti dalam melakukan penelitian

penuh dengan keterbatasan baik dari segi biaya, waktu,

dan lain sebagainya maka penelitian yang dilakukan untuk

35
mengumpulkan informasi atau data yang diinginkan sesuai

dengan permasalah yang diteliti ditempuh dengan

mengambil sebagian dari populasi, dengan

mempertimbangkan ketebatasan yang ada dari peneliti.

Bagian dari populasi tersebut sebagai tempat untuk

mengumpulkan informasi dinamakan contoh (sampel).

Dengan demikian, sampel merupakan bagian dari populasi

yang dipilih dengan menggunakan aturan-aturan tertentu,

yang digunakan untuk mengumpulkan informasi/data yang

menggambarkan sifat atau ciri yang dimiliki populasi.

Dari definisi tersebut jelas bahwa sampel yang kita ambil

digunakan untuk menggambarkan karakteristik suatu

populasi, atau dengan kata lain, sampel digunakan untuk

36
menggeneralisasi suatu populasi. Dengan demikian,

sampel harus betul-betul bersifat representatif sehingga

dapat mewakili dan mencerminkan karakteristik populasi

dari mana sampel itu diambil.

37
 Gambar 1.2 Ilustrasi Pengambilan Sampel

Seorang peneliti, jarang mengamati keseluruhan populasi

karena dua alasan:

a. Biaya terlalu tinggi dan

b. Populasi bersifat dinamis, yaitu unsur-unsur

populasi bisa berubah dari waktu ke waktu.

Ada tiga keuntungan utama pengambilan sampel:

a. Biaya lebih rendah,

b. Pengumpulan data lebih cepat, dan

Hal ini mungkin untuk memastikan keseragaman dan untuk

meningkatkan akurasi dan kualitas data karena kumpulan

data lebih kecil .

Jenis-Jenis sampel

38
Dalam proses pemilihan sampel ada dua faktor penentu

yang berperan yaitu:

a. Ada atau tidak adanya faktor pengacakan, dan

b. Peran orang yang memilih (mengambil) sampel

tersebut.

Pada proses pengambilan sampel dengan menggunakan

faktor pengacakan didalamnya termasuk unsur-unsur

peluang, sedangkan peran dari orang pemilih sampel dapat

bersifat obyektif dan dapat pula bersifat subyektif.

Yang dimaksud dengan sikap obyektif dalam memilih

sampel adalah suatu cara pemilihan sampel yang

menggunakan metode tertentu yang jelas, sehingga

penarikan sampel tersebut bila dilakukan oleh orang lain

39
akan diperoleh hasil yang tidak jauh berbeda dari penarikan

sampel sebelumnya, dalam menduga sifat atau ciri

populasinya. Jadi dengan pengambilan sampel dengan

menggunakan metode tertentu dan jelas, akan diperoleh

sampel yang konsisten, artinya bila pengambilan sampel

dilakukan secar berulang-ulang terhadap populasi yang

sama hasilnya tetap terkendali dalam arti tetap

menggambarkan sifat atau ciri dari populasinya, walaupun

hasilnya tidak persis sama antara yang satu dengan yang

lainnya.

Sifat subyektif dalam memilih sampel adalah suatu

pemilihan sampel dengan melibatkan pertimbangan pribadi

dari pengambil sampel untuk mengambil sampel yang baik

40
menurut versinya sendiri (versi peneliti). Dengan demikian

sampel yang diperoleh merupakan sampel yang berbias,

apalagi orang yang memilih cotnoh sampel mempunyai

latar belakang yang kurang terhadap konsep statistika

khususnya konsep tentang teori penarikan sampel.

DATA

Pengertian Data Statistik

Dalam analisis suatu persoalan, pasti anda akan

berhadapan dengan data, kenapa?? Karena data menjadi

bahan baku dalam analisis. Jadi setinggi apapun keilmuan

seseorang tentang statistika tanpa data, ia tidak bisa

berkata apa-apa kecuali hanya bergumam belaka. Data

41
selain menjadi bahan baku suatu analisis statistika, juga

menjadi pertimbangan yang sangat penting dalam

pemilihan metode analisis statistika pada suatu pemecahan

permasalahan.

Data berasal dari kata Latin, yaitu datum, yang merupakan

bentuk jamak, datum adalah keterangan atau informasi

yang diperoleh dari suatu pengamatan sedangakan data

adalah segala keterangan atau informasi yang dapat

memberikan gambaran tentang suatu keadaan.

Data statistik merupakan keterangan atau ilustrasi

mengenai suatu hal yang bisa berbentuk kategori ( misal:

rusak, baik, cerah, berhasil, ataupun bilangan)

Tujuan pengumpulan data:

42
 1. Untuk memperoleh gambaran suatu keadaan

2. Untuk dasar pengambilan keputusan

Ciri-Ciri Data

1. Berbentuk angka atau simbol angka, tidak

berbentuk kalimat.

2. Tersusun teratur. Berurutan sesuai dengan aturan-

aturan, kaidah-kaidah, hukum-hukum, rumus-

rumus, dalil-dalil tertentu.

3. Agregat. Seluruh kumpulan nilai-nilai pengukuran

yang merupakan suatu kesatuan dan setiap nilai

pengukuran hanya mempunyai arti sebagai bagian

dari keseluruhan tersebut.

Pembagian Data

43
1. Menurut sumbernya data dibedakan menjadi
a. Data intern : data yang dikumpulkan dari
dalam suatu badan atau lembaga dan
digunakan oleh suatu badan atau lembaga
itu sendiri
b. Data ekstern : data yang dikumpulkan dari
suatu badan atau lembaga tapi digunakan
oleh badan atau lembaga lain. Data
ekstern dibedakan menjadi:
- Ekstern primer
- Ekstern sekunder

2. Menurut bentuknya data dibedakan menjadi:

a. Data Kualitatif : data yang bentuknya
klasifikasi, bukan numeric (angka/bilangan)
b. Data Kuantitatif : data yang bentuknya
numeric (angka/bilangan).

44
 - Diskrit : data yang angkanya
bilangan bulat dan diperoleh dari
hasil menghitung (Contoh :
Banyaknya mahasiswa di PT)
- Kontinu : data yang angkanya
bisa bilangan pecahan dan
diperoleh dari hasil mengukur
(Contoh : Tinggi Badan
mahasiswa)

3. Menurut waktu pengumpulannya data dibedakan

menjadi:
a. Cross section data : Data yang
dikumpulkan pada satu waktu tertentu.

45
 b. Time series data : Data yang dikumpulkan
berdasarkan waktu (tahunan, bulanan,
harian)

4. Menurut cara perolehannya

a. Survei/sampling : Data diperoleh
berdasarkan sampel
b. Sensus : Data diperoleh berdasarkan
populasi

5. Menurut skala pengukurannya

a. Data berskala Nominal
Adalah data yang diperoleh dengan cara
kategorisasi atau klasifikasi.
Ciri data Nominal :
- Posisi data setara/tidak mengandung
peringkat.

46
- Tidak bisa dilakukan operasi matematika.
Contoh :
Jenis pekerjaan, diklasifikasi sebagai :
- Pegawai Negeri diberi tanda 1
- Pegawai swasta diberi tanda 2
- Wiraswasta diberi tanda 3
b. Data berskala Ordinal
Adalah data yang diperoleh dengan cara
kategorisasi atau klasifikasi, tetapi di antara
data tersebut terdapat hubungan.
Ciri data Ordinal :
- Posisi data tidak setara/mengandung
peringkat.
- Tidak bisa dilakukan operasi matematika.
Contoh :
Kepuasan pelanggan, diklasifikasi sebagai :
- sangat puas diberi tanda 5

47
- puas diberi tanda 4
- cukup puas diberi tanda 3
- tidak puas diberi tanda 2
- sangat tidak puas diberi tanda 1

c. Data berskala Interval

Adalah data yang diperoleh dengan cara
pengukuran, di mana jarak dua titik pada skala
sudah diketahui. Titik nol pd skala ini
relative.
Ciri data Interval :
- Tidak ada kategorisasi atau pemberian
kode seperti data kualitatif.
- Bisa dilakukan operasi matematika.
Contoh :

48
- Temperatur suhu ruangan
- Sistem Kalender

d. Data berskala Rasio

Adalah data yang diperoleh dengan cara
pengukuran, di mana jarak dua titik pada skala
sudah diketahui dan mempunyai titik 0 yang
absolut.
Ciri data Rasio :
- Tidak ada kategorisasi atau pemberian
kode seperti data kualitatif.
- Bisa dilakukan operasi matematika
- Mempunyai titik 0 absolut.
Contoh :
- Jumlah buku di kelas.
Jika 5, berarti ada 5 buku, jika 0, berarti tidak
ada buku sama sekali (absolut, benar-benar )

49
50
 BAB II
PENYAJIAN DATA

Penyajian data merupakan salah satu kegiatan

dalam pembuatan laporan hasil penelitan yang telah

dilakukan agar dapat dipahami dan dianalisis sesuai

dengan tujuan yang diinginkan. Data yang disajikan harus

sederhana dan jelas agar mudah dibaca. Penyajian data

juga dimaksudkan agar para pengamat dapat dengan

mudah memahami apa yang kita sajikan untuk selanjutnya

dilakukan penilaian atau perbandingan, dan lain-lain.

Tujuan penyajian data adalah:

51
1. Memberi gambaran yang sistematis tentang

peristiwa-peristiwa yang merupakan hasil penelitian

atau observasi,

2. Data lebih cepat ditangkap dan dimengerti,

3. Memudahkan dalam membuat analisis data, dan

4. Membuat proses pengambilan keputusan dan

kesimpulan lebih tepat, cepat, dan akurat. Cara

penyajian data ada tiga macam, yaitu :

1. Narasi, yaitu penyajian data hasil penelitian dalam

bentuk kalimat.

2. Tabel, yaitu kumpulan angka-angka yang disusun

menurut kategori-kategori. Misalnya berat badan

menurut jenis kelamin, jumlah pegawai menurut

52
 pendidikan, jumlah penjualan menurut jenis barang

dan daerah penjualan, dll.

3. Grafik atau Diagram, yaitu gambar-gambar yang

menunjukkan secara visual data berupa angka atau

simbol-simbol yang biasanya dibuat berdasarkan

data dari tabel yang telah dibuat.

2.1 NARASI

Penyajian secara teks adalah penyajian data hasil

penelitian dalam bentuk kalimat. Misalnya, penyebaran

penyakit malaria di daerah pedesaan pantai lebih tinggi

53
bila dibandingkan dengan penduduk pedesaan

pedalaman. Peyajian data dalam bentuk teks

merupakan gambaran umum tentang kesimpulan

tentang hasil pengamatan. Dalam bidang kesehatan,

penyajian dalam bentuk teks hanya digunakan untuk

member informasi. Penyajian dalam bentuk teks banyak

digunakan dalam bidang sosial, ekonomi, psikologi dan

lain-lain, dan berperan sebagai laporan hasil penelitian

kualitatif, misalnya, untuk mengetahui persepsi

masyarakat tentang suatu produk yang telah

dipasarkan atau penerimaan, pendapat serta

kepercayaan masyarakat terhadap suatu program

pemerintah atau program pelayanan kesehatan pada

54
 masyarakat atau keberadaan petugas kesehatan yang

terdapat didaerah.

2.1 TABEL ATAU DAFTAR

Tabel adalah bentuk penyajian data ke dalam baris

dan kolom. Bentuk table standar sebagai berikut :

No table Kepala
Judul table
judul kolom
judul kolom

judul Sel sel Sel sel Bada

baris Sel sel Sel sel
judul Sel sel Sel sel
baris Sel sel Sel sel

55
Sumber : Kaki ta
Catatan :

Macam-macam Tabel atau Daftar

1. Tabel klasifikasi tunggal (one way classification table)
: Tabel yang hanya mempunyai satu klasifikasi saja.
2. Tabel Klasifikasi Dua ( Two-way Classification Table) :
Tabel yang mempunyai dua klasifikasi
3. Tabel Klasifikasi Ganda ( Multi-way Classification
Table) : Tabel yang mempunyai lebih dari dua
klasifikasi

Contoh : Tabel Klasifikasi Tunggal

Tabel I.1 Banyaknya mahasiswa

Berdasarkan Jurusan tahun 2005

56
 Banyak
Jurusan
mahasiswa
KEUANGAN 250

BISNIS 200

PERTANAHAN 175

SEKRETARIS 100

JUMLAH 725

Contoh : Tabel Klasifikasi dua

Tabel I.2 Banyaknya mahasiswa

Berdasarkan Jurusan dan Jenis Kelamin tahun 2005

Jenis kelamin
Jurusan Jumlah
Laki-laki Perempuan
Keuangan 100 150 250
Bisnis 125 75 200
Pertanahan 110 65 175
Sekretaris 25 75 100

57
 Jumlah 360 365 725

Contoh : Tabel Klasifikasi Ganda

Tabel I.3 Banyaknya mahasiswa
Berdasarkan Jurusan dan Jenis Kelamin dan Angkatan

Jenis Tahun
Jurusan
kelamin 2004 2005
Laki-laki 85 100
Keuangan
Perempuan 100 150
Laki-laki 115 125
Bisnis
Perempuan 80 75
Laki-laki 100 110
Pertanahan
Perempuan 70 65
Laki-laki 30 25
Sekretaris
Perempuan 55 75
Jumlah 635 725

2.2 DIAGRAM ATAU GRAFIK

58
Diagram atau grafik adalah bentuk lain penyajian data ke
dalam gambar sehingga dapat menjelaskan persoalan
secara visual.

Macam-macam diagram
1. DIAGRAM BATANG (BAR CHART)
Diagram ini tepat digunakan untuk data yang

variabelnya berbentuk katagori atau atribut.

Terdiri dari sumbu datar dan sumbu tegak. Data

yang variabelnya berbentuk kategori sangat tepat

disajikan dalam diagram batang. Data tahunan pun

dapat pula disajikan dalam diagram ini asalkan

tahunnya tidak terlalu banyak. Untuk menggambar

diagram batang diperlukan sumbu datar dan

sumbu tegak yang berpotongan tegak lurus.

59
 Sumbu datar dibagi menjadi beberapa skala bagian

yang sama; demikian pula sumbu tegaknya. Skala

pada sumbu tegak dengan skala pada sumbu datar

tidak perlu sama. Kalau diagram dibuat tegak,

maka sumbu datar dipakai untuk menyatakan

atribut dan waktu. Nilai data diagram pada sumbu

tegak.

a. Diagram batang tunggal

60
 1800
1562
1600
1400
Banyak siswa

1200 1019
1000 818
800
600
400
200
0
SD SMP SMU
Tingkat sekolah

Letak batang yang satu dengan yang lainnya harus terpisah

dan lebarnya digambarkan serasi dengan keadaan tempat

diagram. Di atas batang boleh juga nilai kuantum data

dituliskan.

61
 b. Diagram batang 2 komponen

1000 1800
875
900 1600
800 1400
687
700 1200 687
600 512507
476 Laki-laki 1000
500
342 347 Perempuan 800
400
300 600
400 875
200
85
100 200
0 0
SD SMP SMU SMK SD

2. DIAGRAM GARIS (LINE CHART)

Diagram garis tepat untuk menggambarkan
keadaan yang berkesinambungan (continuous),
atau data yang disusun berdasarkan urutan waktu
(time series) misalnya produksi tiap tahun,

62
 penjualan tiap bulan dll. Terdiri dari sumbu tegak
dan mendatar. Sumbu tegak menyatakan waktu,
sumbu mendatar menyatakan nilai data.

Contoh diagram garis

700
600 58
Banyaknya barang

556
500 524
476
400 412
376
300 310 316
268
200
100
0
1991 1992 1993 1994 1995 1996 1997 1998 1999
Tahun

3. DIAGRAM LINGKARAN DAN DIAGRAM PASTEL

(PIE CHART)

63
Untuk menggambar diagram lingkaran diperlukan

sebuah lingkaran yang dibagi menjadi beberapa

sektor. Tiap sektor melukiskan proporsi suatu

kategori data yang dinyatakan dalam persen atau

jumlah.

64
 F, 8
E, 10 A, 28

D, 22

B, 18
C, 14

65
 F, 8
E, 10 A, 28

D, 22
B, 18
C, 14

4. DIAGRAM LAMBANG
Diagram ini sering dipakai sebagai alat visual bagi orang

awam untuk mendapatkan gambaran secara kasar. Setiap

satuan jumlah tertentu dibuat sebuah simbol sesuai dengan

66
 macam datanya. Misal kalau tentang penduduk, maka

gambarnya adalah orang atau gambar kepala orang. Kalau

tentang hasil perkebunan kelapa gambarnya kelapa.

Contoh:
Daerah Pemakaian Dalam KWH Ribuan KWH

Jawa Madura 175068

Sumatera 18967

Kalimantan 1680

Sulawesi 4629

67
Daerah Pemakaian Dalam KWH Ribuan KWH

5. DIAGRAM PENCAR (SCATTER DIAGRAM)

Diagram ini terdiri dari 2 sumbu yang gambarnya
berupa kumpulan titik-titik yang terpencar. Diagram
ini bisa memperlihatkan pola hubungan antara dua
variabel kuantitatif.

68
 1,8
1,6
1,4
Gaji (juta Rp)

1,2
1
0,8
0,6
0,4
0,2
0 IPK
0 0,5 1 1,5 2 2,5 3 3,5 4

Diagram pencar antara IPK dengan Gaji

69
 BAB III
DAFTAR DISTRIBUSI FREKUENSI

3.1 DAFTAR DISTRIBUSI FREKUENSI

Daftar distribusi frekuensi adalah bentuk penyajian data ke
dalam tabel atau daftar dimana data dikelompokkan ke
dalam kelas-kelas interval tertentu.
Bentuk umum dari Daftar Distribusi Frekuensi (DDF)
disajikan dalam Daftar II(1) berikut ini

Daftar II (1)
Daftar Distribusi Frekuensi

70
 Daftar II (2) Istilah-istilah dalam distri
Nilai Ujian Statistika 1. Kelas interval (31-4
Untuk 80 mahasiswa 2. Frekuensi (f): berap
Kelas Interval Banyak kelas interval (2, 3,
mahasiswa
(Nilai Ujian) (fi) 3. Ujung Bawah (UB)
31 – 40 2 interval/bilangan te

41 – 50 3 4. Ujung Atas (UA) : B

interval/bilangan te
51 – 60 5
5. Panjang
71 interval (p
61 – 70 14
bawah/atas yang b
71 – 80 24 6. Batas kelas interva
3.2 MEMBUAT DAFTAR DISTRIBUSI FREKUENSI
Tahapan untuk membuat daftar distribusi frekuensi dengan
panjang kelas yang sama adalah sebagai berikut:
a. Tentukan Rentang (R) = Range = Jangkauan =
wilayah = Data terbesar – Data terkecil
b. Tentukan banyaknya kelas interval (k) yang
diperlukan dengan menggunakan aturan Sturges
yaitu k = 1 + 3.322 log n ( n = banyaknya data).
R
c. Tentukan panjang kelas interval (p) yaitu p=
k

72
 d. Pilih ujung bawah interval yang pertama yaitu Data
yang terkecil atau data yang lebih kecil dari data
terkecil. (UB1 <= Data min)
e. Buat kelas interval-kelas interval
f. Dengan menggunakan daftar penolong (tally/turus)
hitung frekuensi untuk masing-masing kelas interval

3.3 HISTOGRAM DAN POLIGON FREKUENSI

Histogram merupakan diagram batang yang sisi-sisi

berdekatannya berimpit. Sumbu mendatar pada histogram

diisi dengan BB (batas bawah) kelas interval, sedangkan

sumbu tegak berisi frekuensi

73
Jika titik-titik tengah sisi atas yang berdekatan dihubungkan

dengan garis garis patah, maka didapatkan suatu polygon

frekuensi.

74
75
Contoh 1 : Data di bawah ini merupakan ukuran file dari
50 buah dokumen (dalam Kilo byte)

Daftar II (3)
Daftar Distribusi Frekuensi 1

Daftar II (4)

76
Daftar Distribusi Frekuensi 2

Daftar II (5)
Daftar Distribusi Frekuensi 3

77
Membuat Daftar Distribusi Frekuensi untuk contoh 1:

a. Tentukan Rentang (R) = Data terbesar – Data

terkecil
R = 63 – 16 = 47
b. Tentukan banyaknya kelas interval (k) yang
diperlukan dengan menggunakan aturan Sturges
yaitu k = 1 + 3.3 log n ( n = banyaknya data).
K = 1 + 3.3 log (50) = 6.6 (bulatkan ke atas
menjadi 7)

78
c. Tentukan panjang kelas interval (p) yaitu
R
p= , p = 47/7 = 6.7 (bulatkan ke atas menjadi
k
7)
d. Pilih ujung kelas interval yang pertama yaitu Data
yang terkecil atau data yang lebih kecil dari data
terkecil.
UB1 = 16 (Lihat DF 3) atau 15 (Lihat DF 2)
e. Buat kelas interval-kelas interval
f. Dengan menggunakan daftar penolong (tally)
hitung frekuensi untuk masing-masing kelas interval

79
 3.4 MACAM MACAM DISTRIBUSI FREKUENSI
3.4.1. DISTRIBUSI FREKUENSI RELATIF
Jika frekuensi dinyatakan dalam persen, maka distribusi
frekuensinya disebut distribusi frekuensi relatif. Rumus
mencari frekuensi relatif adalah

fi
f rel =  100
n
Contoh:
Daftar II(2)
Distribusi frekuensi relatif
Untuk Nilai Ujian Statistika

Nilai Banyak
f rel (%) f rel
Ujian mahasiswa
31 – 40 2 2/80 x 100 = 2.5 0,025
41 – 50 3 3/80 x 100 = 3.75 0,0375
51 – 60 5 6.25 0,0625
61 – 70 14 17.5 0,175

80
 71 – 80 24 30 0,3
81 – 90 20 25 0,25
91 – 100 12 15 0,15
Jumlah 80 100 1

3.4.2. DISTRIBUSI FREKUENSI KUMULATIF

Daftar II(3)
Daftar II(4)
Nilai Ujian Statistika
Nilai Ujian Statistika
(Kumulatif kurang dari)
(Kumulatif atau lebih)

Nilai Ujian f kum (F) Nilai Ujian f kum (F)

Kurang dari (<)31 0 31 atau lebih (≥) 80
Kurang dari 41 0+2=2 41 atau lebih 80-2=78
Kurang dari 51 2+3=5 51 atau lebih 78-3=75
Kurang dari 61 5+5=10 61 atau lebih 75-5=70

81
Kurang dari 71 10+14=24 71 atau lebih 70-14=56
Kurang dari 81 24+24=48 81 atau lebih 56-24=32
Kurang dari 91 48+20=68 91 atau lebih 32-20=12
Kurang dari 101 68+12=80 101 atau lebih 12-12=0

3.4.3. OGIVE

90

80

70

60

50

40

30

20

10

0
31 41 51 61 71 81 91 101

Gambar II (3)
Ogive kurang dari

82
90

80

70

60

50

40

30

20

10

0
31 41 51 61 71 81 91 101

Gambar II (4)
Ogive lebih dari

83
90

80

70

60

50

40

30

20

10

0
31 41 51 61 71 81 91 101

Gambar II (5)
Ogive kurang dari dan lebih dari

84
Latihan Soal

1. Bila titik tengah kelas suatu distribusi frekuensi

melon adalah 0,9; 1,3; 1,7; 2,1 kg, tentukan:
a. panjang kelas
b. batas-batas kelas
c. limit-limit kelas
2. Bilangan-bilangan berikut menyatakan konsumsi
beras dalam satuan liter. Dengan menggunakan 8
selang/kelas interval dan angka terkecil 26:

36 52 53 32 32 29 29 29 32 33 34 35
40 43 43 47 49 55 56 34
35 35 30 39 40 40 40 59 60 61 62 62
54 52 26 68 54 66 43 37
50 53 36 27 28 30 31 44 45 45 46 32
50 50 56 56 58 58 67 29

85
a. buatlah distribusi frekuensi
b. buatlah distribusi frekuensi kumulatif
c. buatlah histogram frekuensinya
d. buatlah poligon frekuensinya
e. buatlah ogif frekuensinya

Jawab:

86
87
 BAB IV
UKURAN STATISTIK

Ukuran statistic adalah sebuah bilangan yang diperoleh

melalui perhitungan matematis yang menggambarkan
gejala tertentu dari sekumpulan data. Ukuran statistic yang
diperoleh dari populasi disebut parameter. Sedangkan
ukuran statistic yang diperoleh dari sample disebut statistik.
Gejala yang mungkin dideskripsikan oleh ukuran statistic
antara lain:
- Gejala pemusatan data
- Gejala variasi data
- Gejala kemiringan data
- Gejala asosiasi (hubungan) data
- Dll

88
4.1 UKURAN GEJALA PUSAT (CENTRAL TENDENCY
MEASUREMENT)
Ukuran Gejala pusat adalah ukuran yang menunjukkan
kecenderungan letak pemusatan suatu kelompok data.
Ukuran gejala pusat yang biasa digunakan antara lain:

4.1.1 RATA-RATA (MEAN)

Secara umum rata-rata dibedakan menjadi:
1. Rata-rata utama (major mean) yaitu rata-rata hitung,
median dan modus.
2. Rata-rata minor (minor mean) yaitu rata-rata ukur dan
rata-rata harmonic

Rata-rata hitung (aritmathic mean/average: simbol x =

x bar = x garis)
Rumus yang digunakan menghitung rata-rata hitung
tergantung dari penyajian datanya apakah tidak

89
dikelompokkan atau telah dikelompokkan ke dalam
distribusi frekuensi.

UNGROUPED DATA (DATA TIDAK BERKELOMPOK)

n

x1 + x2 + ... + xn 
Xi
x= = i =1

n n
Contoh : Nilai ujian statistika 5 orang mahasiswa adalah
70, 69,45,80,dan 56. Rata-ratanya adalah
70 + 69 + 45 + 80 + 56
x= = 64
5

GROUPED DATA (DATA BERKELOMPOK)

1. Cara panjang dimana:
k

fX i i
6070
Xi = titik tengah kelas

x= i =1
= = 75,875 fi = frekuensi masing
n 80

90
 Banyak
Nilai Ujian mahasiswa Xi fi.Xi
(fi)
31 – 40 2 35.5 71
41 – 50 3 45.5 136.5
51 – 60 5 55.5 277.5
61 – 70 14 65.5 917
71 – 80 24 75.5 1812
81 – 90 20 85.5 1710
91 – 100 12 95.5 1146
Jumlah 80 6070

2. Cara pendek

  fi ci  dimana:
x = x0 + p 

x0 = titik tengah dimana ci = 0
n p = panjang kelas interval
 
ci = koding
fi = frekuensi kelas interval

91
 Banyak
Nilai Ujian Xi Ci fiCi
mahasiswa

31 – 40 2 35.5 -4 -8
41 – 50 3 45.5 -3 -9
51 – 60 5 55.5 -2 -10
61 – 70 14 65.5 -1 -14
71 – 80 24 75.5 0 0
81 – 90 20 85.5 1 20
91 – 100 12 95.5 2 24
Jumlah 80 3

4.1.2. Rata-rata Ukur

Rata-rata ini cocok digunakan apabila perbandingan tiap
dua data berurutan tetap atau hampir tetap.

UNGROUP DATA (DATA TIDAK BERKELOMPOK)

92
 U = n X 1. X 2 ...X n atau

log U =
 log X i

n
Contoh : Rata-rata ukur untuk X1 = 2, X2 = 4, X3 = 8
adalah U = 3 2  4  8. = 4

GROUP DATA (DATA BERKELOMPOK)

f1 f2 fk
U = k X 1  X 2  ...  X k atau

log U =
 f i log xi
n
dimana Xi = titik tengah kelas interval

Banyak
Nilai
mahasiswa Xi log xi fi log xi
Ujian
(fi)
31 – 40 2 35.5 1.55023 3.10046

93
 41 – 50 3 45.5 1.65801 4.97403
51 – 60 5 55.5 1.74429 8.72146
61 – 70 14 65.5 1.81624 25.4274
71 – 80 24 75.5 1.87795 45.0707
81 – 90 20 85.5 1.93197 38.6393
91 – 100 12 95.5 1.98 23.76
Jumlah 80 149.693

 f log x
log U = i i = log U = 149.693 = 1.871
n 80
U = anti log 1.871 = 74.33

94
4.1.3. RATA-RATA HARMONIK
UNGROUP (DATA TIDAK BERKELOMPOK)
n n
H= atau H =
1 1 1 n 1
+
X1 X 2
+ ... +
Xn

i =1 X i

Contoh:
Andri melakukan perjalanan dengan motor dari kota A ke
kota B yang berjarak 80 km. Sewaktu pergi kecepatan
motornya 20 km/jam sedangkan saat pulang kecepatannya
40 km/jam. Berapa rata-rata kecepatan motor yang
ditumpangi Andri pulang-pergi?
n 2
H= = = 26.67 km/jam
1 1 1 1 1
+ + ... + +
X1 X 2 Xn 20 40

GROUP (DATA BERKELOMPOK)

95
 n 80
H= n
= = 72,4929
fi
X
1.10356
i =1 i

Contoh:

Nilai Banyak fi
Xi
Ujian mahasiswa Xi
31 – 40 2 35.5 0.05634
41 – 50 3 45.5 0.06593
51 – 60 5 55.5 0.09009
61 – 70 14 65.5 0.21374
71 – 80 24 75.5 0.31788
81 – 90 20 85.5 0.23392
91 – 100 12 95.5 0.12565
Jumlah 80 1.10356

96
4.1.2 MEDIAN (NILAI TENGAH=nilai yang terletak di
tengah2 urutan data)
Median merupakan ukuran pemusatan yang tidak
terpengaruh oleh adanya data ekstrim. Rumus untuk
menghitung nilai Median tergantung dari penyajian datanya
apakah dikelompokkan atau tidak dikelompokkan.

UNGROUPED DATA (DATA TIDAK BERKELOMPOK)

- Banyak data (n) ganjil
Me = Data urutan ke (n+1)/2 = X(n+1)/2
- Banyak data (n) genap
Me = [Data urutan ke (n/2) + Data urutan ke
(n/2)+1]/2 = 0,5[X(n/2)+ X(n/2)+1]

GROUPED DATA (DATA BERKELOMPOK)

97
 n −F  b = batas bawah (BB) kelas median→ B
Me = b +  2  p p = panjang interval kelas median
 f  F = penjumlahan frekuensi2 (frek kumul
  f = frekuensi kelas median
kelas median = kelas interval dimana m
letak median = Data urutan ke (n/2) dala
Contoh : Banyak
Nilai mahasiswa F
Ujian (fi)
31 – 40 2 2
41 – 50 3 5
51 – 60 5 10
61 – 70 14 24
71 – 80 24 48
81 – 90 20 68
91 – 100 12 80
Jumlah 80

98
Letak Median = n/2 = 80/2 = 40 (Data ke 40 terletak pada
kelas interval 71 – 80 maka b = 70.5 , p = 10, F =
2+3+5+14 = 24, f = 24
n −F  80 − 24 
Me = b +  2   p = 70.5 +  2   10 =
 f   24 
   
77.167

4.1.3 MODUS

b = batas bawah kelas modus

p = panjang interval kelas modus
 b 
Mo = b + p 1  b1 = beda (selisih) frekuensi kelas modus
 b1+b2  b2 = beda (selisih) frekuensi kelas modus
kelas modus = kelas interval dengan frekue
Contoh :
Nilai Banyak
Ujian mahasiswa
31 – 40 2

99
 41 – 50 3
51 – 60 5
61 – 70 14
71 – 80 24
81 – 90 20
91 – 100 12
Jumlah 80

Letak Mo = terletak pada kelas interval dengan frekuensi

paling banyak yaitu kelas 71 – 80 ) maka b = 70.5 , p = 10,
b1 = 24 -14 = 10, b2 = 24 – 20 = 4
 b   10 
Mo = b + p 1  = 70.5 + 10  = 77.64
 b1+b2   10 + 4 

4.2 UKURAN LETAK (LOCATION MEASUREMENT)

UKURAN LETAK adalah ukuran yang menunjukkan letak
suatu data dalam sekelompok data terurut

100
Ukuran Letak ada tiga :
1. Kuartil : Nilai yang membagi data menjadi 4
bagian yang sama
2. Desil : Nilai yang membagi data menjadi 10
bagian yang sama
3. Persentil : Nilai yang membagi data menjadi 100
bagian yang sama

4.2.1 KUARTIL
UNGROUP DATA (DATA TIDAK BERKELOMPOK)

i ( n + 1)
Letak Ki = Data urutan ke , i = 1,2,3
4

Contoh : Data berikut ini adalah nilai ujian statistika dari

10 mahasiswa

101
 65 78 52 85 80 45 39 70 77 90
n = 10
Hitunglah K1 , K2 dan K3
Jawab:
1. Urutkan data terlebih dahulu !!!
39 45 52 65 70 77 78 80 85 90
1(10 + 1)
2. Letak K1 = Data urutan ke =
4
Data ke 11/4 = Data urutan ke 2,75
3. Nilai K1 = Data ke 2 + 0,75 (Data ke 3 –
Data ke 2)
= 45 + 0,75 (52 – 45) = 50,25
2(10 + 1)
Letak K2 = Data ke = Data ke
4
22/4 = Data ke 5,5
Nilai K2 = Data ke 5 + 0,5 (Data ke 6 –
Data ke 5)

102
 = 70 + 0,5 (77 – 70) = 73,5
3(10 + 1)
Letak K3 = Data ke = Data ke
4
33/4 = Data ke 8,25
Nilai K3 = Data ke 8 + 0,25 (Data ke 9 –
Data ke 8)
= 80 + 0,25 (85 – 80) = 81,25

GROUP DATA (DATA BERKELOMPOK)

in
Letak Ki = Data ke
4
 in − F 
K i = b + p 4 , i = 1,2,3 b = batas bawah kela
 f  p = panjang interval k
 
F = jumlah frekuensi
f = frekuensi kelas Ku
Kelas Kuartil = kelas

103
Contoh : Berdasarkan data mengenai nilai ujian yang
disajikan dalam distribusi frekuensi, hitunglah K1 dan
K3

Jawab:
Banyak mahasiswa
Nilai Ujian F
(fi)
31 – 40 2 2
41 – 50 3 5
51 – 60 5 10
61 – 70 14 24
71 – 80 24 48
81 – 90 20 68

104
91 – 100 12 80
Jumlah 80

in 1(80)
Letak K1 = Data ke = Data ke = data ke 20
4 4
(kelas interval 61 – 70)
 in − F 
K1 = b + p 4  = 60,5 + 10 20 − 10  = 67,64
   
f  14 
 

b = batas bawah kelas Kuartil = 61 – 0,5 = 60,

p = panjang interval kelas Kuartil = 71-61 = 10
F = jumlah frekuensi sebelum kelas Kuartil = 2
f = frekuensi kelas Kuartil = 14

Artinya : - 75% data nilainya lebih dari 67,64

- batas tertinggi dari 25% nilai terendah
adalah 67,64
- batas terendah dari 75% nilai tertinggi
adalah 67,64

105
 in 3(80)
Letak K3 = Data ke = Data ke = data ke 60
4 4
(kelas interval 81 – 90)
 in − F 
K 3 = b + p 4  = 80,5 + 10 60 − 48  = 86,5
   
f  20 
 

b = batas bawah kelas Kuartil = 81 – 0,5 = 80,

p = panjang interval kelas Kuartil = 10
F = jumlah frekuensi sebelum kelas Kuartil = 4
f = frekuensi kelas Kuartil = 20

Artinya : - 25% data nilainya lebih dari 86,5

- batas tertinggi dari 75% nilai terendah
adalah 86,5
- batas terendah dari 25% nilai tertinggi
adalah 86,5

4.2.2 DESIL

106
 UNGROUP DATA (DATA TIDAK BERKELOMPOK)

i ( n + 1)
Letak Di = Data ke , i=
10
1,2,…,9

Contoh : Data berikut ini adalah nilai ujian statistika dari

10 mahasiswa
66 78 52 85 80 45 39 70 77 90
n = 10
Hitunglah D4 dan D8 !
Jawab : Urutan data 39 45 52 65 70 77 78 80 85
90
4(10 + 1)
Letak D4 = Data ke = Data ke 4,4
10
Nilai D4 = Data ke 4 + 0,4 (Data ke 5 – Data ke 4)
= 65 + 0,4 (70 – 65) = 65 + 2 = 67
Artinya : - 40% data nilainya kurang dari 67

107
 - Batas tertinggi dari 40% nilai terendah
adalah 67
- Batas terendah dari 60% nilai tertinggi
adalah 67
8(10 + 1)
Letak D8 = Data ke = Data ke 8,8
10
Nilai D8 = Data ke 8 + 0,8 (Data ke 9 – Data ke 8)
= 80 + 0,8 (85 – 80) = 80 + 4 = 84
Artinya : - 80% data nilainya kurang dari 84
- Batas tertinggi dari 80% nilai terendah
adalah 84
- Batas terendah dari 20% nilai tertinggi
adalah 84

108
GROUP DATA (DATA BERKELOMPOK)
in
Letak Di =
10

b = batas bawah
 in − F  p = panjang inter
Di = b + p 10 ,
 i = 1,2,…,9 F = jumlah frekue
f f = frekuensi kela
 

Contoh : Berdasarkan data mengenai nilai ujian yang

disajikan dalam distribusi frekuensi, hitunglah D4!
Banyak mahasiswa
Nilai Ujian F
(fi)
31 – 40 2 2
41 – 50 3 5
51 – 60 5 10
61 – 70 14 24
71 – 80 24 48
81 – 90 20 68

109
 91 – 100 12 80
Jumlah 80

in 4(80)
Letak D4 = Data ke = Data ke = data ke 36
10 10
(kelas interval 71 – 80)
 in − F 
Di = b + p 10  = 70,5 + 10 36 − 24  = 75,5
  
f  24 
 
Artinya : - 40% data nilainya kurang dari 75,5
- Batas tertinggi dari 40% nilai terendah
adalah 75,5
- Batas terendah dari 60% nilai tertinggi
adalah 75,5

4.2.3 PERSENTIL
UNGROUP DATA (DATA TIDAK BERKELOMPOK)

110
 i ( n + 1)
Letak Pi= Data ke , i = 1,2,…,99
100
Contoh : Data berikut ini adalah nilai ujian statistika dari
10 mahasiswa
67 78 52 85 80 45 39 70 77 90
n = 10
Hitunglah P 62 !

Jawab : Urutan data 39 45 52 65 70 77 78 80 85

90
62(10 + 1)
Letak P62 = Data ke = Data ke 6,82
100
Nilai P62 = Data ke 6 + 0,82 (Data ke 7 – Data ke 6)
= 77 + 0,82 (78 – 77) = 77 + 0,82 = 77,82

Artinya : - 62% data nilainya kurang dari 77,82

- Batas tertinggi dari 62% nilai terendah
adalah 77,82

111
 - Batas terendah dari 38% nilai tertinggi
adalah 77,82

GROUP DATA (DATA BERKELOMPOK)

in
Letak Pi =
100
 in − F  b = batas bawah
Pi = b + p 100 
, i = 1,2,…,99 p = panjang inter
f
  F = jumlah frekue
f = frekuensi kela

Contoh : Berdasarkan data mengenai nilai ujian yang

disajikan dalam distribusi frekuensi, hitunglah P80!
Banyak mahasiswa
Nilai Ujian F
(fi)
31 – 40 2 2
41 – 50 3 5
51 – 60 5 10
61 – 70 14 24

112
 71 – 80 24 48
81 – 90 20 68
91 – 100 12 80
Jumlah 80

in 80(80)
Letak P80 = Data ke = Data ke = data ke
100 100
64 (kelas interval 81 – 90)
 in − F   64 − 48 
Pi = b + p 100  = 80,5 + 10  = 88,5
f  20 
 
Artinya : - 80% data nilainya kurang dari 88,5
- Batas tertinggi dari 80% nilai terendah
adalah 88,5
- Batas terendah dari 20% nilai tertinggi
adalah 88,5
LATIHAN

113
1. Tinggi badan 10 orang setelah diukur adalah 165 cm,
170 cm, 169 cm, 175 cm, 170 cm, 160 cm, 163 cm, 176
cm, 172 cm, 167 cm.
a. Carilah mean, median dan modus dari tinggi
badan ke-10 orang tersebut!
b. Carilah kuartil K1 dan K3
c. Carilah desil ke 4 dan ke 7 atau D4 dan D7
d. Carilah persentil ke 30 dan ke 80 atau P30 dan
P80
2. Berat badan 80 siswa SMK kelas I seperti dalam tabel
berikut ini.

114
a. Carilah mean, median, dan modus dari berat badan 80
siswa SMK kelas I tersebut!
b. Carilah K1, D8, dan P70
3. Diagram di bawah ini menyatakan kesenangan siswa
sebuah kelas yang terdiri dari 40 orang terhadap program
diklat. Jumlah siswa yang menyenangi program diklat
matematika sebanyak….

115
4. Nilai rataan dari data pada diagram adalah ……

5. Nilai median dari data pada gambar adalah ….

Frekuensi
10

116
6. Median dari data berkelompok pada tabel di bawah ini
adalah….

Nilai Frekuens
50 – 54 4
55 – 59 8
60 – 64 14
65 – 69 35
70 – 74 27
75 – 79 9
80 – 84 3

7. Median dari distribusi frekuensi di bawah adalah ….

117
 Berat Frekuen
Badan (kg)
50 – 52 4
53 – 55 5
56 – 58 3
59 – 61 2
62 – 64 6

8. Dari 100 siswa yang mengikuti tes matematika

diperoleh nilai seperti pada tabel di bawah. Modus data
dibawah ini adalah

Nilai Freku
55 – 59 3
60 – 64 9
65 – 69 14
70 – 74 37
75 – 79 25
80 – 84 8
85 – 89 4

9. Modus dari data pada tabel adalah …..

118
 Ukuran Frekuensi
34 – 38 5
39 – 43 9
44 – 48 14
49 – 53 20
54 – 58 16
59 – 63 6

10. Rataan hitung (rata-rata, median dan modus data pada

tabel dibawah berturut-turut
adalah … Nilai Frekuensi
4 2
5 9
6 12
7 8
8 6
9 3

11. Histogram di bawah menyajikan data berat badan

(dalam kg) 30 orang siswa. Modus dari data tersebut
adalah …..

f
12 11

119
12. Modus data pada histogram dibawah ini dalah …..

120
13. Tabel di bahwa ini menunjukan besarnya uang saku
siswa suatu SMA dalam ribuan rupiah.
Uang saku Frekuensi
(ribuan rupiah)
1–3 13
4–6 25
7–9 40
10 – 12 10
13 – 15 12

4.3 UKURAN VARIASI (VARIATION MEASUREMENT)

4.3.1 Rentang (R) / JANGKAUAN/ WILAYAH/ RANGE

Rentang digunakan untuk melihat atau menentukan

perbedaan antara data yang paling besar dengan data yang

paling kecil. Jika data merupakan upah para pekerja suatu

industri, maka Rentang dapat digunakan untuk melihat

perbedaan upah antara upah tertinggi dan upah terendah.

121
Contoh 1

Jika nilai matematika suatu kelas yang tertinggi adalah 95

dan yang terendah adalah 40, maka jangkauannya adalah

95 - 40 = 55.

Rentang = data terbesar - data terkecil

4.3.2. RATA-RATA SIMPANGAN

Rata-rata simpangan adalah Jarak antara tiap data dengan

mean dinyatakan dengan X i − X

Rata-rata simpangan adalah jumlah jarak tiap data dengan

mean dibagi dengan banyak data.

Rata-rata simpangan rumusnya adalah

122
 RS =
X i −X
n

4.3.3. SIMPANGAN BAKU/ DEVIASI STANDAR

/STANDARD DEVIATION (SD)
Simpangan baku merupakan ukuran simpangan yang

paling banyak digunakan. Rumus simpangan baku ada 2

macam, yaitu untuk data tidak dikelompokkan dan data

yang dikelompokkan.

Notasi : Standard deviation = s = simpangan baku

sampel
UNGROUPED DATA (DATA TIDAK DIKELOMPOKAN)

 (X − X)
2

s=
i

n −1

n X i2 − ( X i )
2

s=
n(n − 1)
123
 Contoh : Dari data berikut hitung simpangan bakunya
8, 7, 10, 11, 4,

Xi2
Xi Xi - X (Xi – X )2
s=
 (X i − X )
8 8-8=0 0 64 n −1
7 7-8= -1 1 49
10 2 4 100 n X i2 − (
s=
11 3 9 121 n( n − 1
4 -4 16 16 1750 − 160
=
40 30 350 5(5 − 1)

GROUPED DATA (DATA YANG DIKELOMPOKKAN)

Cara Panjang

124
 n f i X i2 − ( f i X i )
2

s= =
n(n − 1)

80(476650) − (6070)
2

= 14.27
80(80 − 1)

125
 Nilai Banyak
Xi fi.Xi fi.Xi2
Ujian mahasiswa
31 – 40 2 35.5 71 2520.5
41 – 50 3 45.5 136,5 6210.75
51 – 60 5 55.5 277,5 15401.3
61 – 70 14 65.5 917 60063.5
71 – 80 24 75.5 1812 136806
81 – 90 20 85.5 1710 146205
91 – 100 12 95.5 1146 109443
Jumlah 80 6070 476650

Cara pendek

n f i ci2 − ( f i ci )
2

s = p
n(n − 1)

126
 80(161) − (3)
2

= 10  = 14.27
80(79)

Banyak
Nilai Ujian Ci fi.ci ci2 fi ci2
mahasiswa
31 – 40 2 -4 -8 16 32
41 – 50 3 -3 -9 9 27
51 – 60 5 -2 -10 4 20
61 – 70 14 -1 -14 1 14
71 – 80 24 0 0 0 0
81 – 90 20 1 20 1 20
91 – 100 12 2 24 4 48
Jumlah 80 3 161

4.3.4. Simpangan Kuartil (SK)

1
SK = (K3 – K1)
2

127
4.3.5 Angka Baku ( Standard score)/ Z score
Angka baku adalah angka yang tidak mempunyai
satuan yang biasanya digunakan untuk
membandingkan dua keadaan atau lebih pada suatu
Xi = nilai data
waktu tertentu. Angka baku dinotasikan dengan Z.
X = rata-rata
X −X S = simpangan baku
Z= i
s
Interpretasi Z
Z > 0, positif artinya keadaan pada saat itu
berada di atas rata-rata.
Z < 0, negatif artinya keadaan pada saat itu
berada di bawah rata-rata
Z = 0, keadaan pada saat itu sama dengan
rata-rata

128
4.3.6 Koefisien Variasi (KV)
Koefisien Variasi adalah ukuran variasi relative yang
biasa digunakan untuk membandingkan dua keadaan
atau lebih dengan dasar pengukuran yang berbeda.

129
 s
KV = x 100%
x
jika terdapat data ekstrem
SK
KV = x 100%
Me
CONTOH:

130
LATIHAN

1. Berat badan 12 orang siswa (dalam kg) adalah: 60, 55,

57, 81, 78, 72, 69, 62, 60, 52, 49, 45.
Hitunglah:
a. Rentang antar kuartil = (K3-K1) b. Simpangan
kuartil, c. simpangan baku,
d. rata-rata simpangan, e. koefisien
variasi, f. nilai standar utk nilai siswa 69.
2. Berikut ini adalah data umur 100 pengunjung suatu
pertemuan.

131
Hitunglah: a. Rentang antar kuartil, b. Simpangan kuartil, c.
simpangan baku, d. koefisien variasi.

132
 BAB V
ANGKA INDEKS (INDEX NUMBER)

5.1 Pengertian Angka Indeks

Angka Indeks angka yang menunjukkan perubahan
perubahan sebuah atau lebih karakteristik (harga,
jumlah atau nilai) pada waktu dan tempat yang sama
atau berlainan bila dibandingkan pada periode dasar
(base periods).

5.2.1 Macam macam Angka Indeks

a. Indeks Harga : angka yang memperlihatkan
perubahan-perubahan mengenai harga-harga
barang baik satu macam mapun berbagai macam
pada waktu atau tempat yang sama atau berlainan.
b. Indeks Kuantitas (jumlah) : angka yang
memperlihatkan perubahan-perubahan mengenai

133
 kuantitas (jumlah) barang baik satu macam mapun
berbagai macam pada waktu atau tempat yang
sama atau berlainan.
c. Indeks Nilai : angka yang memperlihatkan
perubahan-perubahan mengenai nilai-nilai barang
baik satu macam mapun berbagai macam pada
waktu atau tempat yang sama atau berlainan.

5.2 Metode Perhitungan Angka Indeks

Angka Indeks untuk satu produk disebut dengan indeks

sederhana (simple index), sedangkan Angka Indeks yang
mencakup lebih dari satu produk disebut dengan indeks
gabungan(composite index/aggregative index)
5.2.1 Angka Indeks Sederhana : Angka Indeks yang
hanya melibatkan satu macam barang saja
Pt Pt = Harga barang pada waktu t
It /0 =  100
P0 P0 = Harga barang pada waktu dasar
It/0 = Indeks Harga pada waktu t di bandi

134
 Qt
It /0 =  100 Qt = Banyaknya barang pada waktu t
Q0 Q0 = Banyaknya barang pada waktu das
It/0 = Indeks Kuantitas pada waktu t di ba
Vt Vt = Nilai barang pada waktu t
It /0 =  100 V0 = Nilai barang pada waktu dasar
V0
It/0 = Indeks Nilai pada waktu t di bandin

Contoh :
Pada tahun 2005 harga rata-rata beras jenis Setra Ramos
adalah Rp 5000,00/kg. Sedangka pada tahun 2006 harga
rata-rata beras jenis yang sama mencapai Rp 6000,00/kg.
Berapakah perubahan harga beras pada tahun 2006
dibandingkan dengan tahun 2005?
Jawab:
P2006 6000
I06/05 =  100 =  100 = 120
P2005 5000

135
Artinya : Terjadi kenaikan harga rata-rata beras jenis Setra
Ramos pada tahun 2006 dibandingkan dengan tahun 2005
sebesar (120-100)% = 20%.

5.2.2 Angka Indeks Agregatif (Gabungan)

Angka Indeks yang melibatkan lebih dari satu macam
barang.
a. Angka Indeks Agregatif Tidak Di bobot
(unweighted)
Pt = Jumlah Harga barang-barang

It / 0 =
 Pt  100 P0 = Jumlah Harga barang-baran
It/0 = Indeks Harga pada waktu t di
 P0 pada waktu dasar.

It / 0 =
 Qt  100 Qt = Jumlah dari banyaknya bara
Q0 = Jumlah dari banyaknya bara
 Q0 It/0 = Indeks Kuantitas pada waktu
pada waktu dasar.

136
 It / 0 =
 Vt  100 ΣVt = Nilai barang pada waktu t
ΣV0 = Nilai barang pada waktu das
 V0 It/0 = Indeks Nilai pada waktu t di ba
pada waktu dasar.
Contoh : Tabel berikut ini menunjukkan harga rata-rata
per kg dan banyaknya produksi rata-rata setiap bulan
dari 3 jenis sayuran di daerah Ciwidey.

Jenis Harga (Rp/kg) Kuantitas (kg)

sayur 2005 (P0) 2006 (Pt) 2005 (Q0) 2006 (Qt)
Wortel 2500 3000 150 100
Tomat 3000 2750 200 250
Kentang 4000 5000 200 175
Jumlah Po=9500 Pt=10750 Qo=550 Qt=525

Pertanyaan : Bagaimana perubahan yang terjadi pada

3 jenis sayuran di daerah Ciwidey pada tahun 2006
dibandingkan dengan tahun 2005?
Jawab :

137
I 2006 / 2005 =
P
2006
 100 =
P
2005

3000 + 2750 + 5000 10750

 100 =  100 =113,16
2500 + 3000 + 4000 9500
Artinya : Terjadi kenaikan harga dari ke tiga jenis
sayuran di daerah Ciwidey pada tahun 2006
dibandingkan dengan tahun 2005 sebesar 13,16%

I 2006/ 2005 =
Q
2006
 100 =
Q
2005

100 + 250 + 175 525

 100 =  100 = 95,45
150 + 200 + 200 550

Artinya : Terjadi penurunan produksi tiga jenis

sayuran di daerah Ciwidey pada tahun 2006
dibandingkan dengan tahun 2005 sebesar (100%-
95.45%)=4.55%

b. Angka Indeks Agregatif Dibobot (weighted)

138
 Rumus umum untuk angka indeks agregatif ini
adalah

It / 0 =
P w
t
100 , w = weight =
P w
0

bobot/timbangan
Berdasarkan bobot/timbangannya, rumus indeks
agregatif dibobot dibedakan menjadi

Rumus Laspeyres (bobotnya adalah kuantitas

pada waktu dasar w = Q0)

L =
 PQ t 0
 100 = 2000000  100 =11
PQ 0 0 1775000

2.68

Harga (Rp/kg) Kuantitas (kg)

PtQ0
2005 (P0) 2006 (Pt) 2005 (Q0) 2006 (Qt)

139
 2500 3000 150 100 450000
3000 2750 200 250 550000
4000 5000 200 175 1000000
Po=9500 Pt=10750 Qo=550 Qt=525 PtQo=2000000 PoQ

Rumus Paasche ( bobotnya adalah kuantitas pada

waktu yang diperbandingkan w = Qt)
 P Qt
P = t  100 =
1862500
 100 =
P Q 1700000
0 t
109.55

nis Harga (Rp/kg) Kuantitas (kg)

PtQt P
ur 2005 (P0) 2006 (Pt) 2005 (Q0) 2006 (Qt)
el 2500 3000 150 100 300000 25

140
t 3000 2750 200 250 687500 75
ang 4000 5000 200 175 875000 70
ah 9500 10750 550 525 1862500 170
Rumus Fisher (Ideal)

PQ    P Qt 
F = L P =  t 0 
 100   t  100
  P0Q0    P0Qt 

= 112.68 109.55 = 111.1

Rumus Drobisch

D=
1
L + P
2
1   Pt Q0    Pt Qt 
=   100  +   100  =
2   P0 Q0    P0 Qt 
111.12

Rumus Marshall Edgeworth

141
 ME =
 P (Q
t 0 + Qt )
100 =
3862500
100 = 111.15
 P (Q
0 0 + Qt ) 3475000

Jenis Harga (Rp/kg) Kuantitas (kg)

Q0 + Qt
sayur 2005 (P0) 2006 (Pt) 2005 (Q0) 2006 (Qt)
Wortel 2500 3000 150 100 250
Tomat 3000 2750 200 250 450
Kentang 4000 5000 200 175 375
Jumlah 9500 10750 550 525

142
5.3 PERUBAHAN TAHUN DASAR
100
IB =  IL
IA
IB = Indeks Baru dengan tahun dasar yang baru
IA = Indeks Asal yang tahunnya dijadikan tahun dasar yang
baru = 140
IL = Indeks Lama dengan tahun dasar yang lama
Contoh
Tahun Indeks Indeks
(1995 = 100) (1998 = 100)
1995 100 71.43
1996 115 82.14
1997 125 89.29
1998 140 100
1999 150 107.14
2000 160 114.29

Indeks Baru untuk tahun 1995 dihitung dengan cara

143
 100 100
I1995 baru =  100 = 71.43 I1996 baru =  115 =
140 140
82.14 dst

UPAH NYATA (REAL WAGE)

Upah no min al
UPAH NYATA = x 100
Indeks Biaya Hidup

Indeks Biaya Hidup (Cost of Living Index) adalah Indeks

Harga Gabungan dari biaya-biaya yang dikeluarkan
seseorang untuk menjalani kehidupannya. Ada berbagai
komponen harga yang biasa dimasukan ke dalam
perhitungan indeks biaya hidup ini, diantaranya adalah
biaya untuk makan. Pakaian. Pendidikan, rekreasi dll.
Biaya-biaya itu sangat tergantung dari harga-harga barang-
barang yang biaya dikonsumsi. Jika harga barang-barang
itu mengalami kenaikan, maka Indeks Biaya hidup akan

144
mengalami kenaikan juga. Hal itu yang mendasari
penetapan berapa Upah Minimum yang biasanya
ditetapkan di masing-masing daerah oleh pemerintah
dengan didasarkan Indeks Biaya Hidup yang berlaku.

Contoh:
Tahun Indeks Upah Upah Nyata
Biaya Hidup Nominal
1995 100 500.000 500.000
1996 115 575.000 500.000
1997 125 600.000 480.000
1998 140 630.000 450.000
1999 150 685.000 456.667
2000 160 750.000 468.750

145
LATIHAN SOAL

146
 BAB VI
ANALISIS REGRESI DAN KORELASI

6.1 Analisis Regresi

Analisis regresi adalah analisis yang mengkaji
pola/bentuk hubungan antara 2 variabel atau lebih
yaitu antara variabel bebas (independent variable - X)
dan variable tak bebas/terikat (dependent variable - Y)
yang dinyatakan dalam suatu bentuk persamaan
matematis yaitu persamaan regresi yang tujuannya
adalah untuk meramalkan nilai variable tak bebas (Y)
atas dasar variable bebas (X) tertentu.

Analisis Regresi ada 2 yaitu:

1. Regresi Sederhana (simple regression) yaitu
analisis regresi yang hanya melibatkan 1 variabel
X.

147
 a. Regresi Linier : Regresi dengan
bentuk persamaan garis lurus
b. Regresi Non Linier : Regresi dengan
bentuk persamaan kuadratik, logaritmik,
eksponensial,
dll.
2. Regresi Berganda (multiple regression) yaitu
analisis regresi yang melibatkan lebih dari 1
variabel X.

Analisis Regresi Linier Sederhana (Simple Linear

Regression)

148
 Y Regression Plot

Y = a + bX
Yi

Error:
i { } b = Slope

a = Intercept
}
X
Xi

Bentuk persamaan regresi linier sederhana (simple linear

regression):
Y = a + bX
a = intercept = Nilai Y pada X = 0
b = koefisien regresi = rata-rata perubahan Y jika X
bertambah 1 unit
X = Variabel Bebas = variabel independen = prediktor
Y = Variabel Tak Bebas = variabel dependen = variabel
tergantung = response

149
Menghitung koefisien regresi

Berdasarkan metode Least Square atau metode Kuadrat

Terkecil diperoleh rumus sebagai berikut:

n XY −  X  Y
b=
n X 2 − ( X )2

a =Y −b X =
Y − b  X
n
Contoh:

150
 SS x = n x 2 − (
X Y X2 XY Y2 = 12(5153) −
12 18 144 216 324 SS xy = n xy − (
13 24 169 312 576 = 12(7192) −
14 20 196 280 400 SS n
17 25 289 425 625 b = XY =
SS
18 23 324 414 529 X
20 23 400 460 529 = 4605 = 1.2
3755
21 30 441 630 900
23 34 529 782 1156 a = y −b x = 3
24 31 576 744 961 = 3.6205
25 37 625 925 1369
26 34 676 884 1156 Y = 1.23 X + 3
28 40 784 1120 1600
241 339 5153 7192 10125

6.2 Analisis Korelasi

151
 Analisis Korelasi adalah analisis yang mengkaji kuat
hubungan linier antara 2 variabel yang dinyatakan
melalui koefisien korelasi (r).

Rumus koefisien korelasi product moment/pearson

adalah:

n XY −  X  Y
r=
n X 2

− ( X )2  n Y 2 − ( Y )2 
Besarnya koefisien korelasi –1  r  1

Penjelasan:

1. Jika r = 1 atau mendekati 1 maka hubungan antara 2

variabel sangat kuat secara positif yaitu hubungan
yang terjadi searah yaitu apabila nilai X meningkat
maka Y juga akan semakin meningkat dan sebaliknya.
2. Jika r = -1 atau mendekati -1 maka hubungan antara 2
variabel sangat kuat secara negatif yaitu hubungan

152
 yang terjadi berbalik arah yaitu apabila nilai X
meningkat maka akan diikuti dengan penurunan Y atau
sebaliknya.
3. Jika r = 0 atau mendekati 0 maka hubungan antara 2
variabel tidak ada atau lemah maka dapat dikatakan
tidak terdapat hubungan antara X dan Y.
Hubungan yang mungkin terjadi antara X dan Y dapat
dilihat pada Gambar berikut ini:

153
Y r=0

X
Y r = -1

154
Y r=1

X
Y r = -0.8

155
 Y r =0

X
Y
r = 0.8

Koefisien Determinasi (KD)

156
Untuk mengetahui seberapa besar pengaruh variabel X
terhadap variabel Y atau seberapa besar variasi Y dapat
dijelaskan oleh X dapat dihitung melalui Koefisien
Determinasi (KD) dengan rumus :

KD = r2 x 100%

Misalkan : r = 0.8 maka KD = 0.82 x 100% = 64% yang

artinya : Variabel Y dipengaruhi oleh variabel X sebesar
64% sisanya 100-64 = 36% dipengaruhi faktor lain.

LATIHAN

157
 a. Identifikasi variable mana
dan variable dependen!

b. Buatlah persamaan regre

regresi yang diperoleh!

c. Tentukan besar pengaruh

1.
a. Identifikasi variable mana
Penggunaan Horse power dan variable dependen jika d
Bahan Bakar (horsepower) akan mempen
15 3761 consumption
14 3086 (miles per gallon).
24 2372
22 2833 b. Buatlah persamaan regre
18 2774 regresi yang diperoleh!
21 2587 c. Tentukan besar pengaruh
27 2130 bahan bakar!
26 1835

158
 25 2672
24 2430
25 2375
26 2234
21 2648
10 4615
2.

Tinggi badan Berat badan

(lbs) a. Identifikasi variable mana
(inch) independent dan variable d
42.8 40
63.5 93.5 b. Buatlah persamaan regre
37.5 35.5
koefisien regresi yang dipe
39.5 30
45.5 52
c. Tentukan besar pengaru
38.5 17
badan.
43 38.5
22.5 8.5
37 33
23.5 9.5
33.3 21
58.2 79
39.5 23
43 45

159
160
 BAB VII

ANALISIS TREND SEKULER

7.1 Pengertian Trend

Trend : Salah satu factor yang mempengaruhi time series
data yang merupakan gerakan jangka panjang dan
mempunyai kecenderungan menuju pada satu
arah yaitu menaik atau menurun

Apa yang dimaksud time series data?

Time series data adalah data yang dicatat, diurut menurut
waktu. Misalnya: Penjualan bulanan, Produksi harian dll.
Komponen yang mempengaruhi time series data yaitu:
1. Trend
2. Seasonal (musiman)
3. Cyclical (siklis)
4. Irregular (acak)

161
 Monthly S ale s o f S untan Oil G ro s s E arn ing s : A nn ua l Monthly

200
20 11000

10000
s sr
s gn 15 e
g 9000
le i n
rn
a 100
S se
a sa 8000
E 10
P 7000

0 5 6000
J FMAMJ J ASONDJ FMAMJ J ASONDJ FMAMJ J A 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95
Time Year

When a cyclical pattern has a period of one year, it is

usually called seasonal variation. A pattern with a period of
other than one year is called cyclical variation.

Untuk apa mempelajari time series?

Untuk mempelajari pola data masa lalu sebagai dasar untuk
mengetahui pola data di masa mendatang yang mungkin
akan berulang.

Apa tujuan mempelajari time series?

162
Mengidentifikasi dan menghilangkan (mengisolasi) faktor
tertentu (musiman, siklis, dsb) untuk memprediksi pola
tertentu di masa mendatang.

Model Time series

a. Multiplikatif : Y=TxSxMxR
b. Aditif : Y=T+S+M+R
Pola Trend dibedakan menjadi dua bentuk yaitu:
1. Trend Linier : Pola trend yang membentuk garis
lurus
2. Trend non linier : Pola trend yang membentuk garis
lengkung.
- Kuadratik
- Eksponensial

7.1.1 TREND LINIER

163
Pola trend dapat didekati melalui sebuah persamaan yang
disebut sebagai persamaan trend. Untuk Trend Linier,
persamaan trend merupakan persamaan garis lurus yang
berbentuk :
YT = a + b t
YT = Nilai Trend
a = Nilai Trend pada titik origin (waktu dasar, t = 0)
b = Rata-rata perubahan Y setiap 1 satuan waktu
t = satuan waktu dalam koding T = waktu
sebenarnya

164
 t
+b
=a
Y T
b
a

Year Loans Time L e a s t - S q u a r e s L in e f o r D a

1988 833 -7 170 0
1989 939 -5
1990 1006 -3
1991 1120 -1
1992 1212 1 s
1993 1301 3 n
a 120 0
1994 1490 5 o
L
1995 1608 7

70 0

Membuat Persamaan Trend

-8 -3 2

165
I. Metode Semi Average (setengah rata-rata)
a. Untuk banyaknya data waktu genap
Langkah-langkah dalam membuat persamaan trend
1. Bagi data menjadi dua kelompok yang sama
banyak anggotanya.
2. Hitung rata-rata untuk tiap-tiap kelompok ( X I dan

X II )
3. Hitung b dengan menggunakan rumus

xII − xI
b=
k
k = selisih origin dari kelompok I dan II
(origin = median tahun/waktu)
4. a= rata-rata nilai untuk tiap-kelompok
5. Buat persamaan trend → Y = a + bt

Contoh 1. Banyak tahun genap, banyaknya anggota

kelompok ganjil

166
 T Tahun Y Jumlah Rata-rata
-1 2000 10
0 2001 t01= 0 12 37 12.33 ( X I )
1 2002 15
-1 2003 20
0 2004 t02 = 0 28 81 27.00 ( X II )
1 2005 33
x − xI 27 − 12.33
b = II = = 4,89
k 3
k = 2004 -2001 = 3
Persamaan Trend
(i) YT = 12,33 + 4,89 t (origin = 2001)
(ii) YT = 27,00 + 4,89 t (origin = 2004)
Berapa perkiraan Nilai Trend (Y) tahun 2006?
Y2006 = 12,33 + 4,89 t → t = (T – origin) = 2006 – 2001 = 5
= 12,33 + 4,89(5)
= 36,78
atau
Y2006 = 27,00 + 4,89 t → t = (T – origin) = 2006 – 2004 = 2

167
 = 27,00 + 4,89(2)
= 36,78

Contoh 2. Banyak tahun genap, banyaknya anggota

kelompok genap
Rata-
Tahun Y Jumlah rata
2000 10
2001 12
57 14,25
2002 15
2003 20
2004 28
2005 33
147 36,75
2006 40
2007 46

x II − x I 36,75 − 14,25
b= = = 5,625
k 4
k = 2005,5 -2001,5 = 4

168
Persamaan Trend
(iii) YT = 14,25 + 5,625 t (origin = 2001,5)
(iv) YT = 36,75 + 5,625 t (origin = 2005,5)

Berapa perkiraan Nilai Trend (Y) tahun 2008?

Y2008 = 14,25 + 5,625 t → t = 2008 – 2001,5 = 6,5
= 14,25 + 5,625(6,5)
= 50,8125
atau
Y2008 = 36,75 + 5,625 t → t = 2008 – 2005,5 = 2,5
= 36,75 + 5,625 (2,5)
= 50,8125

b. Untuk banyaknya data ganjil

Langkah-langkah dalam membuat persamaan trend

169
1. Bagi data menjadi dua kelompok yang sama
banyak anggotanya.
2. Data yang ada di tengah-tengah bisa dimasukkan
ke dalam kelompok I dan II atau diabaikan.
3. Hitung rata-rata untuk tiap-tiap kelompok ( X I dan

X II )
4. Hitung b dengan menggunakan rumus

xII − xI
b=
k
k = selisih origin tahun dari kelompok I dan
II
5. Buat persamaan trend
Contoh :
- Jika data pada Median tahun (data di tengah)
diabaikan
Tahun Y Jumlah Rata-rata
2000 10 22 11

170
 2001 12
2002 15
2003 20
48 24
2004 28
x II − x I 24 − 11
b= = = 4,33
k 3
k = 2003,5 -2000,5 = 3
Persamaan Trend
(i) YT = 11 + 4,33 t (origin = 2000,5 =
2000/2001)
(ii) YT = 24 + 4,33 t (origin = 2003,5 =
2003/2004)

Berapa perkiraan Nilai Trend (Y) tahun 2006?

Y2006 = 11 + 4,33 t → t = 2006 – 2000,5 = 5,5
= 11 + 4,33(5,5)
= 34,83
atau

171
Y2006 = 24 + 4,33 t → t = 2006 – 2003,5 = 2,5
= 27 + 4,33(2,5)
= 34,83
- Jika data pada Median tahun (data di tengah)
dihitung dua kali
KELOMPOK I KELOMPOK
Tahun Y Jumlah Rata-rata Jumlah Rata
2000 10
2001 12 37 12,33
2002 15
2003 20 63 2
2004 28
x II − x I 21 − 12,33
b= = = 4,33
k 2

k = 2003 -2001 = 2

Persamaan Trend
(iii) YT = 12.33 + 4,33 t (origin = 2001)

172
 (iv) YT = 21 + 4,33 t (origin = 2003)

Berapa perkiraan Nilai Trend (Y) tahun 2006?

Y2006 = 12,33 + 4,33 t → t = 2006 – 2001 = 5
= 12,33 + 4,33(5)
= 33,98
atau
Y2006 = 21 + 4,33 t → t = 2006 – 2003 = 3
= 21 + 4,33(3)
= 33,98
II. Metode Least Square (Kuadrat Terkecil)

b=
 tY
t 2

a=
Y
n
t = koding waktu

173
a. Untuk banyaknya data genap
t Tahun Y t2 tY
-3,5 2000 10 12,25 -35
-2,5 2001 12 6,25 -30
-1,5 2002 15 2,25 -22,5
-0,5 2003 20 0,25 -10
0,5 2004 28 0,25 14
1,5 2005 33 2,25 49,5
2,5 2006 40 6,25 100
3,5 2007 46 12,25 161
jumlah 204 42 227

b=
 tY = 227
= 5,405 (rata-rata kenaikan Y setiap
t 2
42

tahun)

a=
Y =
204
= 25,5
n 8
YT = 25,5 + 5,405 t (origin = t0=2003,5)
Berdasarkan persamaan trend di atas, perkirakan nilai Y
pada tahun 2011?

174
 Y2011 = 25,5 + 5,405 (tahun – origin t0)
Y2011 = 25,5 + 5,405 (2011 – 2003,5)
Y2011 = 25,5 + 5,405 (7,5)
Y2011 = 66,0375

b. Untuk banyaknya data ganjil

t Tahun Y t2 tY
-3 2000 10 9 -30
-2 2001 12 4 -24
-1 2002 15 1 -15
0 2003 20 0 0
1 2004 28 1 28
2 2005 33 4 66
3 2006 40 9 120
Jumlah 158 28 145

b=
 tY = 145 = 5,18 (rata-rata kenaikan Y setiap
 t 282

tahun)

175
 a=
Y =
158
= 22,57
n 7
Y = 22,57 + 5,18 t (origin = 2003)
a. Berdasarkan persamaan trend di
atas, perkirakan nilai Y pada
tahun 2011?
Y = 22,57 + 5,18 t
= 22,57 + 5,18 (tahun – t0) ---
→ t0 = median tahun
= 22,57 + 5,18 (2011-2003)
= 22,57 + 5,18 (8) = 64,61
(perkiraan nilai Y pada tahun
2011)

SOAL LATIHAN

176
1.
Year 1982 1983 1984 1985 1986 1987 1988 1989 1990
Price 121 121 133 146 162 164 172 187 197
Buatlah:
a. Persamaan Trend dengan metode Semi Average!
b. Perkiraan besarnya harga pada tahun 2000!
c. Persamaan Trend dengan metode Least Square!
d. Perkiraan besarnya harga pada tahun 2000!

2. Berikut ini data nilai impor suatu komoditas dari bulan

Januari 2001 sampai Maret 2002.

Bulan Jan Feb Mar Apr May Jun Jul Aug Sep
Nilai import
(Milyar Rp) 6.4 6.8 5.6 5.1 5 4.9 4.2 4.5 4
a. Buatlah persamaan trend untuk nilai impor!
b. Berapakah rata-rata nilai impor dalam 15 bulan?
c. Berapakah rata-rata perubahan nilai impor setiap
bulan?
d. Berapa perkiraan nilai trend pada bulan Mei 2002!

177