 Statistika adalah Suatu ilmu tentang cara-cara ilmiah

untuk mengumpulkan, menyusun, meringkas dan

menyajikan data penyelidikan.
 Statistik adalah cara untuk mengolah data dan
menarik kesimpulan-kesimpulan yang teliti dan
keputusan- keputusan yang logik dari pengolahan.
 Statistik memungkinkan pencatatan secara paling eksak
data penelitian.
 Statistik menyediakan cara-cara meringkas data dalam
bentuk yang lebih banyak artinya lebih mudah
mengerjakannya.
 Statistik memberi landasasn untuk meramalkan secara
ilmiah tentang bagaimana sesuatu gejala akan terjadi
dalam kondisi-kondisi yang diketahui
 Statistik memungkinkan peneliti
menganalisa,menguraikan ,sebab akibat yang kompleks
dan rumit
 Statistika Deskriptif
Metode yang berkaitan dengan pengumpulan dan
penyajian suatu kumpulan data sehingga memberikan
informasi yang berguna , dan tidak menarik kesimpulan
tentang populasi.
 Statistika Inferensial
Metode yang berhubungan dengan dengan analisis
sebagian data(sampel)untuk kemudian sampai pada
peramalan atau penarikan kesimpulan mengenai
keseluruhan kumpulan data (populasi).
5 Alat Statistik yang digunakan untuk
pengendalian mutu :
1. Distribusi Frekuensi
2. Bagan Kendali
3. Tabel penarikan kesimpulan
4. Metode Khusus
5. Keterandalan
Pengertian Umum :
Merupakan suatu tabel menunjukkan frekuensi kemunculan data
atau frekuensi relatifnya yang berguna untuk meringkas data
numerik maupun kategori.
Khusus Pengendalian Mutu :
Dapat diartikan sebagai tabulasi, atau turus dari banyaknya
kemunculan hasil pengukuran karakteristik mutu tertentu yang
terjadi di dalam sampel produk yang diperiksa
 Untuk data diskret atau data kategori, banyaknya nilai yang
dihitung kemunculannya biasanya sesuai dengan banyaknya
nilai data yang berbeda dari data diskret atau kategori tersebut.
 Untuk data kontinu, biasanya dibuat kelas interval 5-20
banyaknya.
suatu Kabupaten dikumpulkan nilai rapor sebagai berikut:
Mata Pelajaran: Matematik
Siswa: Laki-laki
Jumlah : 72 orang
Nilai-nilai:
7 6 6 6 5 7 6 5 4 6 7 7 6 7 5 6 6 7
6 6 6 6 6 5 6 6 6 7 7 5 7 7 8 5 6 5
5 6 5 6 7 6 7 8 5 6 5 7 5 6 7 8 8 6

Melihat angka-angka yang berderet-deret itu ita tidak memperoleh

gambaran apa-apa, oleh kerena itu perlu mengatur angka-angka itu
menjadi suatu tabel
 Tabel 1
Nilai Matematika 72 Orang Siswa SD Kabupaten
Sleman

Nilai Jari-jari Frekuensi

8 //// 4
7 //// //// //// //// /// 23
6 //// //// //// //// //// /// 28
5 //// //// //// / 16
4 / 1
N = 72
dan nilai terrendah adalah 4, karena hanya mendapat
frekuensi 1. Tabel yang akan disajikan jari-jari tidak perlu
ada, tetapi frekuensi perlu dimuat dalam
Tabel 2
Nilai Matematika 72 Orang Siswa SD Kabupaten Sleman
Nilai (X) Frekuensi (f)
8 4
7 23
6 28
5 16
4 1
Jumlah 72
 Tes : Psikotes
Subyek: Calon mahasiswa
Tahun: 2009-2010
Jumlah 71 orang
18 13 16 4 10 10 15 17 16 16
21 22 20 7 (23) 10 18 (3) 10 8
10 11 10 10 6 11 23 19 19 20
21 12 10 17 7 12 5 9 12 15
12 12 16 20 14 15 14 15 16 15
17 16 16 14 14 15 19 13 15 14
21 8 19 19 19 13 13 19 14 13
20
 Tabel 3
Hasil Psikotes Calon Pegawai Tahun:
2009-2010
Kelompok Nilai Frekuensi (f)

21-23 6
18-20 13
15-17 17
12-14 16
9-11 11
6-8 5
3-5 3

Jumlah 71
Probabilitas adalah sehimpunan kemungkinan, kemungkinan
dapat berubah pada proses produksi didunia industri secara
kasar mempunyai efek yang sama terhadap keragaman suku
cadang seperti halnya faktor peluang.
Ukuran secara aljabar dari distribusi frekuensi
dikarakteristikan sebagai berikut :
Kecenderungan terpusat : Sesuatu yang merupakan nilai yang
respresentatif (terwakili). Untuk keperluan industri ada dua
ukuran yang bernilai yaitu rata-rata dan median.
Bentangan (Pencaran) : Berapa besar keberagaman yang
terdapat disana. Untuk keperluan industri ada dua ukuran yang
bernilai yaitu deviasi standart dan rentang.
 Aksioma :
1. 0 < P(A) < 1 : probabilitas kemungkinan, artinya
kejadian atau peristiwa tersebut dapat atau tidak dapat
terjadi.
2. P (A) = 0 : probabilitas kemustahilan, artinya kejadian
atau peristiwa tersebut tidak akan terjadi.
3. P(A) = 1 : probabilitas kepastian, artinya kejadian atau
peristiwa tersebut pasti terjadi.
Perumusan Probabilitas :
 P(A) : Peluang kejadian A
 P (A∩B) : Peluang kejadian A irisan B
 P(A ∪ B) : Kejadian saling lepas dimana,kejadian A dan B
tidak mungkin terjadi secara bersamaan.
{P(A ∪ B) = P (A) + P(B); P (A∩B) = 0 }.
 P(A’) : Kejadian A’ adalah kumpulan titik sampel yang
merupakan titik sampel S tetapi bukan merupakan titik
sampel A. { P(A’) = 1 - P(A) }.
 P(A ∩ B) = P(A).P(B) : Kejadian saling bebas ( kejadian A
tidak mempengaruhi kejadian B)
A. Rata-rata
Angka rata-rata atau jumlah semua angka/nilai dibagi
dengan jumlah individu.
rumus mean : X1 + X2 + X3. . . Xn-1 + Xn
disingkat M = ∑fX
N N
Mis:lima orang berpenghasilan 10, 12, 13, 15 dan 20 per
hari
maka rata-rata penghasilan : 10 + 12 + 13 + 15 + 20 = 14
5
Interval Nilai Titik Tengah (X) f fX
145 – 149 147 1 147
140 – 144 142 3 426
135 – 139 137 5 685
130 – 134 132 8 1056
125 – 129 127 11 1397
120 – 124 122 17 2074
115 – 119 117 21 2457
110 – 114 112 22 2464
105 – 109 107 24 2568
100 – 104 102 20 2040
95 – 99 97 15 1455
90 – 94 92 12 1104
85 – 89 87 6 522
80 - 84 82 2 164

Jumlah - N = 167 ∑fX= 18559

B. Median
Nilai yang membagi dua sehimpunan hasil
pengukuran yang diatur menurut besarnya nilai-nilai
mereka sehingga jumlah yang sama dari nilai-nilai
berada pada kedua sisi dari nilai pusat
C. Deviasi Standar
Digunakan sebagai ukuran bentang untuk hampir
semua distribusi frekuensi industrial.
SD atau Standar Deviasi selalu dinyatakan dalam
satuan angka kasar, seperti cm, rupiah,
kilogram, hektar, dan sebagainya, yg mana
tergantung pada satuan pengukuran yang
digunakan dalam distribusi.
Nilai Standar mempunyai keistimewaan, yaitu
tidak tergantung kepada satuan pengukuran
seperti cm, rupiah, kilogram, hektar, dan
sebagainya.

s = √ NxfX²- (fX)²
N x(N-1)
 Distribusi frekuensi yang paling penting
dalam statistika adalah distribusi normal.
Distribusi normal berupa kurva berbentuk
lonceng setangkup yang melebar tak
berhingga pada kedua arah positif dan
negatifnya. Distribusi normal sering pula
disebut Distribusi Gauss untuk menghormati
Gauss (1777 – 1855), yang juga menemukan
persamaannya waktu meneliti galat dalam
pengukuran yang berulang-ulang mengenai
bahan yang sama. (Gauss, 1777)
Karakteristik Kurva Distribusi Normal
 Kurva berbentuk genta (m= Md= Mo)
 Kurva berbentuk simetris
 Kurva normal berbentuk asimptotis
 Kurva mencapai puncak pada saat X= m
 Luas daerah di bawah kurva adalah 1; ½ di sisi kanan nilai
tengah dan ½ di sisi kiri.
Sifat-sifat penting distribusi normal adalah sebagai berikut:
 Grafiknya selalu berada di atas sumbu x
 Bentuknya simetris pada x = µ
 Mempunyai satu buah modus, yaitu pada x = µ
 Luas grafiknya sama dengan satu unit persegi, dengan rincian
◦ Kira-kira 68% luasnya berada di antara daerah µ – σ dan µ + σ
◦ Kira-kira 95% luasnya berada di antara daerah µ – 2σ dan µ + 2σ
◦ Kira-kira 99% luasnya berada di antara daerah µ – 3σ dan µ + 3σ
Pada proses pembandingan bentuk kurva ada beberapa
hal yang perlu diperhatikan.
1. Distribusi probabilitas kurva normal dengan
nilai rata-rata sama dan standar deviasi berbeda.
Semakin besar standar deviasi, maka kurva akan
semakin pendek. Semakin tinggi nilai standar deviasi,
maka kurva akan semakin runcing.
2. Distribusi probabilitas kurva normal dengan
nilai rata-rata berbeda dan nilai standar deviasi sama.
Kedua kurva ini akan memiliki bentuk yang sama,
akan tetapi letaknya yang akan berbeda.
3. Distribusi probabilitas kurva normal dengan
nilai rata-rata berbeda dan nilai standar deviasi yang
berbeda. Kedua kurva ini akan memiliki bentuk yang
berbeda sama sekali.
Persamaan matematika distribusi peluang
peubah normal kontinu bergantung pada dua
parameter μ dan σ yaitu rataan dan
simpangan baku. Jadi fungsi padat x akan
dinyatakan dengan n (x; μ, σ). Begitu μ dan σ
diketahui maka seluruh kurva normal
diketahui. Sebagai contoh, bila μ = 50 dan σ
= 5, maka ordinat n(x ; 50, 5) dapat dengan
mudah dihitung untuk berbagai harga x dan
kurvanya dapat digambarkan. Kedua kurva
bentuknya persis sama tetapi titik tengahnya
terletak di tempat yang berbeda di sepanjang
sumbu datar. (Walpole, 1995)
 Distribusi Normal Standar: adalah distribusi normal
yang telah diubah ke dalam satuan angka standar
sehingga mempunyai mean sama dengan nol dan deviasi
standar sama dengan satu. Satuan angka standar yang
dihasilkan dari koversi ini disebut Skor-z.
 Pengubahan skor mentah menjadi skor-z dilakukan
dengan menggunakan rumusan berikut :
z = (X-M)/s (Saifuddin Azwar, 1996: 44)
atau
z = x/SD (Sutrisno Hadi, 1989:96)
Dengan transformasi tersebut diperoleh distribusi normal Z yang dengan rata-
rata μ = 0 dan simpangan baku σ = 1 atau ditulis N(0,1). Distribusi
normal Z sseperti ini disebut sebagai distribusi normal standard. Dengan
demkian fungsi distribusi f(x) berubah menjadi fungsi distribusi f(Z) yaitu
:
e = 2,71828
π = 3,14159

Nilai Z (standard units) = angka yang menunjukkan penyimpangan suatu

variabel acak X dari mean (μ) di -hitung dalam satuan standar deviasi (σ).
Untuk mengetahui berbagai luas dibawah lengkungan kurva normal standar
sudah tersedia tabel luas kurva normal standar.
Berdasarkan fungsi distribusi Z, Probabilitas nilai -nilai Z terletak antara
z1<Z<z2 ditunjukkan ol eh luas daerah yang diarsir.
 Masalah peluang/probabilitas adalah masalah
frekuensi sesuatu kejadian. Peluang/probabilitas
munculnya suatu gejala atau peristiwa biasa dilam-
bangkan dengan huruf p dan dinyatakan dalam
bentuk proporsi atau persen.
Misal: p = 0,05; atau 5%, ini berarti bahwa peristiwa
/kejadian tsb mempunyai kemungkinan/peluang
muncul 5 kali di antara 100 kejadian, 10 kali di
antara 200 kejadian atau 50 kali di antara 1000
kali,
PT Dua Kelinci yang memproduksi wafer
roll dengan merk DeKa. Produk wafer roll dari PT Dua
Kelinci tersebut diproduksi sebanyak 30
bungkus dalam setiap jamnya. Setiap penimbangan
beratnya, produk wafer roll tersebut mempunyai bruto
yang berbeda-beda dengan tara sebesar 0,5 gram.
Selesai diproduksi produk tersebut langsung masuk ke
dalam tahap penimbangan yang
bertujuan untuk menimbang berat bersih atau netto dari
produk tersebut. Berdasarkan penimbangan tersebut
diketahui berat bersih yang berbeda-beda.
Hasil penimbangan tersebut dimuat dalam tabel sebagai berikut:
Hasil penimbangan tersebut dimuat dalam tabel sebagai berikut:
 Berdasarkan studi kasus dan tabel data
pengamatan di atas,dapat dihitung:
1. Rata-rata berat bersih waferroll deka
2. Simpangan baku berat bersih waferroll deka
3. Peluang berat bersih waferroll deka kurang dari
11,9 gram
4. Peluang berat bersih waferroll deka lebih dari
10,9 gram
5. Peluang berat bersih waferroll deka antara 9
gram sampai 11,9 gram
1. Rata-rata
M = ∑fX = 331 = 11,0333333
N 30

2. Standar Deviasi
SD = = √N x fX² - (fX)²
N x( N-1)
= √30 x 3654,6 – (331)^2
30 x 29
= 0,29749915
3. Peluang berat bersih waferroll deka kurang dari 11,9 gram
z = x – M = 11,9 – 11,03 = 2,93
SD 0,297
P(x < 11,9) = P(z < 2,93) = 0,9983

Jadi, peluang berat bersih waferroll deka kurang dari 11,9 gram yaitu
0,9983

4. Peluang berat bersih waferroll deka lebih dari 10,9 gram

z = x – M = 10,9 – 11,03 = -0,44
SD 0,297
P(x > 10,9) = P(z > -0,44) = 1 – 0,33
= 0,67
Jadi,peluang berat bersih waferroll deka lebih dari 10,9 gram yaitu 0,67
5. Peluang berat bersih waferroll deka antara 9 gram sampai 11,9 gram
z1 = x – M = 10 – 11,03 = -3,47
SD 0,297
z2 = x – M = 11,9 – 11,03 = 2,93
SD 0,297
P(9< x < 11,9) = P(-3,11 < z < 1,32)
= P(0 < z < 2,93) – P(-3,47< z < 0)
= 0,9983 - 0,0003
= 0,998
Jadi, peluang berat bersih waferroll deka antara 9 gram sampai 11,9 gram
yaitu 0,998
 Populasi : himpunan keseluruhan objek yang
diamati
 Sampel : himpunan bagian dari populasi
 Sampel Random : sampelyang diperoleh
dengan cara pengambilan sampel yang
sedemikian sehingga setiap elemen populasi
memiliki kemungkinan yang sama untuk
terambil.
 Unit : Anggota (elemen) populasi
 Kerangka sampel : Daftar anggota populasi
 Variebel : Karakteristik dari unit yang diamati
 Parameter : Suatu harga numerik yang
dihitung dari populasi,memberikan
deskripsi/karakteristik dari populasi.
 Macam-Macam Teknik Sampling
1. Probability Sampling
Teknik pengambilan sampel yang memberikan peluang yang sama bagi setiap
unsur/anggota populasi untuk dipilih menjadi anggota sampel.
a. Simple Random Sampling
Pengambilan anggota sampel dari populasi dilakukan secara acak tanpa
memperhatikan strata yang ada.
Dilakukan bila populasi dianggap homogen.
b. Proportionate Stratified Random Sampling
Bila populasi tidak homogen dan berstrata secara proporsional.
Contoh : Karakteristik pegawai suatu departemen :
S-1 = 45 , S-2 = 30, STM = 800, ST = 900, SMEA = 400, SD = 300
 c. Disproportionate Stratified Random Sampling
Digunakan bila populasi berstrata kurang proporsional
Contoh S3 = 3, S2 = 4, S-1 = 90, SMU 800, SMP = 700
Semua sample S-3 dan S-2 diambil semuanya
d. Cluster sampling
Bila objek yang diteliti sangat luas, misal penduduk suatu negara,
propinsi atau kabupaten
Caranya :
Sampel ditentukan bertahap dari wilayah negara sampai kabupaten,
setelah terpilih sampel terkecil baru sampel dipilih secara acak
Contoh : Indonesia terdiri atas 33 propinsi, sampelnya akan diambil
misalnya 15 propinsi secara acak. Setiap propinsi berstrata tidak
sama, ada yang padat ada yang tidak, ada hutannya banyak/tidak,
ada yang barang tambangnya banyak atau tidak, dll
 2. Nonprobability Samling
Teknik pengambilan sampel yang tidak memberi peluang/kesempatan sama
bagi setiap unsur/anggota poulasi untuk dipilih menjadi sampel
a. Sampling Sistematis
Teknik pengambilan sampel berdasarkan urutan yang telah diberi no urut
Misal : anggota populasi yang terdiri dari 100 orang, dan telah diberi no urut
Pengambilan sampelnya bisa no ganjil saja atau genap saja atau kelipatan dari
bilangan tertentu
b. Sampling Kuota
Teknik untuk menentukan sampel dari populasi dengan ciri tertentu sampai
jumlah (kuota) yang diinginkan.
Contoh : penelitian kepuasan layanan mau dilakukan terhadap 100 orang
pembeli mobil avanza, maka selama belum tercapai 100 orang, , penelitian
belum dianggap selesai
 c. Sampling Insidental
Teknik penentuan sampel berdasarkan kebetulan/secara
kebetulan bertemu dengan peneliti dan dipandang cocok.
d. Sampling Purposive
Teknik penentuan sampel dengan pertimbangan tertentu
Contoh : penelitian tentang kualitas makanan, maka
sampelnya harus ahli makanan.
e. Sampling Jenuh (sensus)
Teknik penentuan sampel bila semua anggota populasi
digunakan sebagai sampel. Sering digunakan jika populasinya
kurang dari 30
f. Snowball Sampling
Teknik pengumpulan sampel, yang mula-mula jumlahnya kecil
kemudian membesar
Contoh : meneliti provokator kerusuhan/jaringan teroris
Roscoe dalam buku Research Methods for Business (1982 : 253)
memberikan saran-saran tentang ukuran sampel untuk penelitian
seperti berikut ini :
1. Ukuran sampel yang layak dalam penelitian adalah 30 sampai
dengan 500.
2. Bila sampel dibagi dalam kategori (missal : pria wanita, pegawai
negeri swasta, dan lain-lain) maka jumlah anggota sampel setiap
kategori minimal 30.
3. Bila dalam penelitian akan melakukan analisis dengan multivariate
(korelasi atau regresi ganda misalnya), maka jumlah anggota sampel
minimal 10 kali dari jumlah variable yang diteliti. Misal variable
penelitiannya ada 5 (independen + dependen), maka jumlah anggota
sampel = 10 x 5 = 50.
4. Untuk penelitian eksperimen yang sederhana, yang menggunakan
kelompok eksperimen dan kelompok control, maka jumlah anggota
sampel masing-masing antara 10 sampai dengan 20.
Contoh Menentukan Ukuran Sampel
 Akan dilakukan penelitian untuk mengetahui tanggapan kelompok masyarakat
terhadap pelayanan yang diberikan pemerintah daerah tertentu. Kelompok
masyarakat itu terdiri 1000 orang, yang dapat dikelompokkan berdasarkan
jenjang pendidikan, yaitu lulusan S1 = 50, Sarjana Muda = 300, SMK = 500, SMP
= 100, SD = 50 (populasi berstrata).
 Dengan menggunakan Tabel 3.1 bila jumlah pupulasi = 1000, kesalahan 5%, maka
jumlah sampelnya = 258, karena populasinya berstrata, maka sampelnya juga
berstrata. Stratanya ditentukan menurut jenjang pendidikan. Dengan demikian
masing-masing sampel untuk tingkat pendidikan harus proporsional sesuai
dengan pupulasi. Berdasarkan perhitungan dengan cara berikut ini jumlah sampel
untuk kelompok S1 = 13, Sarjana Muda (SM) = 77, SMK = 129, SMP = 26, dan SD
= 13.
 S1 = 50/1000 × 258 = 12,9 = 13
 SM = 300/1000 × 258 = 77,4 = 77
 SMK = 500/1000 × 258 = 129 = 129
 SMP = 100/1000 × 258 = 25,8 = 26
 SD = 50/1000 × 258 = 12,9 = 13
 Jumlah 258 = 258
 Jadi jumlah sempelnya = 12,9 + 77,4 + 129 + 25,8 + 12,9 = 258. Jumlah yang
pecahan bisa dibulatkan, sehingga jumlah sampel menjadi 13 + 77 + 129 + 26 +
13 = 258.
 Pada perhitungan yang menghasilkan pecahan (terdapat koma) sebaiknya
dibulatkan ke atas sehingga jumlah sampelnya lebih 259. Hal ini lebih aman
daripada kurang dari 258.
 Sifat 1 : Apabila sampel-sampel random dengan n elemen masing-masing
diambil dari suatu populasi yang mempunyai mean μ dan variansi σ2,
maka distribusi sampling mean akan mempunyai mean μ x = μ dan
variansi

Sifat 2 : Apabila populasi (dalam sifat 1) berdistribusi normal,maka

distribusi sampling untuk mean juga berdistribusi normal.
Sifat 3 : Apabila sampel-sampel random diambil dari suatu populasi yang
berdistribusi sembarang yang mempunyai mean μ dan variasi σ2,maka
untuk n besar,distribusi sampling untuk mean dapat dianggap mendekati
normal dengan μ x = μ dan variansi
sehingga :

Mendekaati normal standar.

 Diketahui suatu populasi dengan mean 82 dan deviasi standar 12. Jika
suatu sampel random berukuran 64 diambil, berapa peluang bahwa mean
sampel akan terletak antara 80,8 dan 83,2 ?