1.1 Definisi
Statistik adalah ilmu pengetahuan yang merangkum kegiatan- kegiatan antara lain pengumpulan,
pengorganisasian, perangkuman , pemaparan, dan penganalisaan data, serta pengambilan kesimpulan
berdasarkan metode ilmiah yang teruji. Untuk penarikan kesimpulan yang valid serta pengambilan
keputusan yang berdasarkan alasan ilmiah yang kuat dari hasil, analisis tersebut
Statistik dalam arti sempit
Statistik berarti informasi yang berbentuk angka,seperti: Sensus Ekonomi, Sensus Penduduk.dimana
dalam hasil sensus tersebut diantaranya tercantum jumlah penduduk menurutb umur, jumlah yang
masih buta huruf, dan sebagainya. Sedangkan pada hasil sensus ekonomi informasi yang ada
diantaranya jumlah usaha/perusahaan, jumlah asset perusahaan yang dirinci menurut kegiatan ekonomi
yang ada.
2.1. Statistik Deskriptif (descriptive statistics) bagian dari ilmu statistik hanya terbatas untuk
menggambarkan dan mendeskripsikan serta menganalisis suatu kelompok yang menjadi objek penelitian
tanpa melakukan gene-ralisasi atau melakukan penarikan kesimpulan atau inferensi tentang kelompok
yang lebih besar. Statistik deskriptif juga disebut statistikdeduktif
2.2. Statistik Induktif atau Statistik Inferensi (Inferntial Statistics). Jika sebuah sampel yang
representatitive diambil dari suatu populasi, menunjukkan adanya sifat/karakteristik yang ada pada
sampel tersebut, maka kesimpulan tentang populasi dapat ditarik dari analisis sampel tersebut.
Metode dan teknik statistik inferens yang digunakan dalam cabang ilmu statistik, disebut dengan
Decision Theory. Pengetahuan tentang teori ini sangat membantu bagi para manajer terutama dalam
situasi yang tidak menentu. Salah satunya adalah teori probabilita, teori ini berperan penting dalam
pengambilan keputusan.
1
(sampel).Perlu untuk difikirkan jika penelitian akan dilakukan terhadap seluruh objek penelitian (sensus)
maka daya dan dana yang cukup besar harus tersedia, sebaliknya jika penelitian akan dilakukan secara
sampel perlu pertimbangan bahwa didalam penelitian tersebut akan muncul suatu kesalahan yang
disebut sampling error yang secara statistik dapat dihitung, sedangkan dana dan daya relatif kecil.
Variabel adalah sebuah simbol seperti : X ; Y ; Z ; H ; x ; y ; h ; p, dapat menyandang setiap nilai dari
suatu himpunan nilai yang disebut sebagai domain dari variabel tersebut. Jika variabel hanya dapat
menyandang satu nilai maka variabel ini disebut dengan nama konstanta.
Dalam melakukan observasi perlu ditentukan karakteristik-karakteristik yang akan diobservasi dari unit
amatan ( statistical object ). Karakteristik- karakteristik ini merupakan variabel. Variabel dalam
penelitian merupakan atribut dari sekelompok objek yang akan diteliti dengan variasi dari masing-
masing objeknya. Sebuah variabel yang secara teoritis dapat menyandang setiap nilai diantara dari dua
nilai yang diberikan disebut dengan variabel kontinu. Sedangkan variabel yang secara teoritis tidak
dapat menyandang setiap nilai diantara dua nilai yang diberikan disebut dengan variabel diskrit.
5 . Fungsi
Fungsi adalah suatu variabel yang mempunyai keterkaitan dengan satu atau lebih dengan variabel lain
yang mempengaruhi besarnya suatu variabel tersebut. Dengan kata lain jika sebuah nilai diberikan pada
suatu variabel ( katakan variabel X ) dan hal ini dapat memberikan pengaruh terhadap variabel lain
( katakan variabel Y ), maka dapat dikatakan Y adalah fungsi dari X, dan dapat dituliskan dengan
simbol Y = F (X), hal ini ini menunjukkan adanya ketergantungan fungsional antara variabel Y
terhadap variabel X. Selanjutnya variabel Y disebut dengan variabel tak bebas ( dependent variable )
sedangkan variabel X disebut dengan variabel bebas (independent variabel ).
Contoh 1.2
1. Hasil panen merupakan fungsi dari luas panen. Jika hasil panen dinotasikan dengan Y, sedangkan luas
panen dinotasikan dengan X, maka dapat dikatan Y merupakan fungsi dari X, dan dituliskan dengan
Y = F (X )
2. Suatu variabel yang dinotasikan sebagai Y = F ( X ) , maka besarnya nilai Y ditentukan oleh nilai X,
berdasarkan persamaan :
Y = 25 + 27,5 X, nilai Y dapat dihitung jika besarnya nilai X ditentukan, misalnya 2 ; 3 ; 5,5 ; dan
seterusny Demikian pula jika nilai Y ditentukan maka besarnya nilai X dapat dihitung.
Contoh diatas hanya menunjukkan bahwa variabel tak bebas (dependent variable) hanya tergantung
pada satu variabel bebas (independent variable), hal ini tidak selalu terjadi. Secara umum jika variabel
tak bebas tergantung pada beberapa variabel bebas maka fungsinya dapat dituliskan Y = f (x 1, x2,
x3,.........xn), yang selanjutnya dapat dituliskan sebagai berikut : Y = b0 + b1x1+ b2x2 +........+ bnxn.
2
Walaupun dalam contoh ini hanya merupakan contoh persamaan linear, namun pada hakekatnya dapat
juga persamaan non linear.
Untuk mencapai tujuan organisasi tidak mungkin untuk menghindar dari peran perencanaan.
Mengingat perencanaan menunjukkan adanya kejadian yang akan datang maka suatu kondisi saat ini
atau informasi masa lalu perlu untuk dikaji sebagai acuan atau sebagai dasar perencanaan. Kejelasan
informasi baik informasi yang berupa angka, ataupun informasi dalam bentuk lain seperti regulasi dan
aturan-aturan yang berlaku baik dari pemerintah daerah ataupun pemerintah pusat yang berkaitan
dengan tujuan perusahaan perlu untuk dijadikan landasan perumusan perencanaan, sekaligus sebagai
alat kontrol dan alat evaluasi hasil kerja perusahaan.
Mengingat hal tersebut di atas maka peran data dalam perumusan perencanaan serta mewujudkan tujuan
perusahaan akan menjadi sangat penting untuk dijadikan alat ukur tentang kemampuan perusahaan
dalam menentukan tujuan perusahaan.
Dalam dunia bisnis keberadaan data dan informasi yang akurat merupakan ha lyang sulit untuk
dihindarkan mengingat dunia usaha selalu membutuhkan iformasi yang dapat menunjang tujuan usaha,
diantaranya adalah : informasi pasar, informasi harga, informasi demographi, informasi pendidikan,
informasi pendapatan masyrakat, inflasi, nilai tukar, indeks harga.
Dengan demikian dapat disimpulkan bahwa data sangat berperan untuk memperoleh gambara tentang
suatu permasalahan, dan membantu untuk membuat keputusan, serta pemecahan permasalahan.
Sebagaimana halnya dalam dunia bisnis. Institusi Pemerintahan baik pusat maupun daerah yang
mempunyai tugas mengatur pembangunan, bukan hanya berusaha untuk menaikan pendapatan
masyrakat secara riil, namun juga memikirkan pemerataan pembangunan yang adil dan merata. Untuk
semua ini tersedianya data yang tepat tepat waktu serta akurat sangat diperlukan dalam merealisasikan
rencana pembangunan yang tepat guna dan berhasil guna.
a. Data Demographi: Data demographi ini akan mencakup beberapa macam data yang
berkaitan dengan kependudukan, diantaranya tentang: umur penduduk, baik single
year maupun age group, Masih tentang demographi, data ini berisi tentang: tenaga
kerja, pendidikan, keluarga berencana, angka kelahiran, angka kematian, angakatan
kerja, dan lain-lain
3
b. Data perekonomian. Data perekonomian ini diantaranya meliputi data pasar, nilai
tukar rupiah terhadap mata uang asing, indeks harga konsumen, indeks harga konsumen,
inflasi, jumlah perusahaan, GDP, GNP, Nilai eksport, nilai import, dan lain-lain.
c. Data Pertanian. Data pertanian ini meliputi luas lahan pertanian, jumlah petani, luas
panen, produksi padi, jumlah pupuk yang digunakan, jumlah produk pertanian, jumlah
pupuk yang digunakan, luas lahan irigasi dan non irigasi, dan lain-lain
Tidak dapat disangkal lagi bahwa kelengkapan statistikyang paling diperlukan dalam pengolahan data
adalah komputer, karena ternyata penggunaan komputer dalam pengolahan data akan lebih ekonomis
dan menghemat waktu pengolahan, terutama dalam pengolahan data yang cukup besar.
Penghitungan secara manual masih bisa dilakukan tatkala data yang diolah tidak besar dan jenis
pengolahannya tidak terlalu kompleks. Tingkat ketelitian pengolahan data dengan manual masih perlu
untuk dipertanyakan mengingat kemampuan ketelitian seseorang terbatas.
10. Sumber Daya Manusia. Mengingat tenaga ahli dan semi ahli dalam bidang statistik masih sangat
terbatas, maka mereka yang akan bekerja di bidang statistik masih perlu untuk mendapatkan pendidikan
khusus dalam bidang statistik, hal ini diperparah masih terlalu banyak yang tidak tertarik dalam bidang
statistik dibandingkan dengan bekerja di bidang lain.
Peran R&D pada setiap perusahaan tidak bisa dikesampingkan mengingat riset dan pengembangan
merupakan perangkat penting yang harus ada pada setiap perusahaan, terutama perusahaan yang relatif
besar. Peran R&D menjadi sangat terasa tatkala perusahaan memerlukan data statistik yang akan
digunakan oleh perusahaan seperti data kepuasan pelanggan, atau data kekuatan pasar.
1. Dalam dunia usaha tidak terlepas dari kebutuhan data terutama data yang berkaitan yang
berkaitan dengan pemasaran produk mereka. Sebutkan 5 ( lima ) benis data yang
berkaitan dengan pemasaran produk
4
2. Apa yang Saudara ketahui tentang variabel kontinu dan variabel diskrit. Berikan contoh
nyata dalam kehidupan sehari-hari.
3. Jelaskan secara singkat mengapa statistik sangat diperlukan dalam dunia usaha
4. Tunjukkan kegunaan R & D dalam suatu perusahaan. Apa keuntungan dan kerugiannya
seandainya perusahaan tidak memiliki divisi R & D
5
II. PENGUMPULAN DATA
2.1 Metode Pengumpulan Data
Data yang dikumpulkan dalam suatu penelitian diharapkan dapat memenuhi harapan pihak-pihak yang
berkepentingan, diantaranya data tersebut dapat dipercaya dan tepat waktu. Sehubungan dengan hal
tersebut, maka kaidah dan tata cara pengumpulan data harus baik dan sesuai dengan teori dan
mencahup seluruh objek penelitian tanpa adanya lewat cacah ataupun over coverage, yang dapat
mempengaruhi perhitungan statistic. Informasi yang dikumpulkan melalui wawancara atupun cara
lain harus sesuai dengan maksud dan tujuan penelitian. Karakteristik yang dikumpulkan dari objek
penelitian perlu difahami oleh petugas, da mengerti mengapa karakteristik tersebut dikumpulkan.
Dengan demikian maka diharapkan karakteristik yang dikumpulkan sesuai dengan maksud dantujuan
penelitian.
Ada dua cara penelitian yang sering dilakukan dalam penelitian statistic, yaitu cara sensus dan cara
sampling
a. Cara Sensus
Penelitian dengan cara sensus ini dilakukan terhadap seluruh anggota popilasi secara satu
persatu terhadapa objepenelitian. Data yang diperoleh dan setelah dilakukan pengolahan
menggambarkan keadaan sebenarnya (real value atau true value). Sebagai contoh true value
yaitu: hasil sensus penduduk, sensus pertanian, sensus ekonomi dengan segala macam bentuk
penyajian yang menggambarkan keadaan sebenarnya dari seluruh objek penelitian, dan
sebagai konsekuensi cara sensus ini akan menimbulkan non sampling error, yang besarnya
sulit untuk dihitung atau diperkirakan.
Penelitian secara sensus ini biasanya hanya diselenggarakan oleh pemerintah karena biaya
yang dibutuhkan sangat mahal dan melibatkan petugas yang banyak. Disamping itu
pengolahan datanya dapat melibatkan banyak orang sehingga memerlukan ruangan yang
cukup besar dan kelengkapan peralatan yang memadai.
b. Cara Sampling
Pengumpulan data secara sampling penelitiannya dilakukan hanya terhadap objek penelitian
yang terkena sampel dan bukan seluruh objek penelitian dalam populasi. Data yang diperoleh
dari penelitian secara sampel ini pada gilirannya akan dijadikan data perkiraan (estimate
value) terhadap keadaan populasi, dan sebagai konsekuensi pengumpulan data dengan cara
sampling ini akan menimbulkan kesalahan sampling atau disebut dengan sampling error yang
besarnya sampling error ini secara statistic dapat dihitung. Ada beberapa cara penentuan
pengambilan sampel objek penelitian yaitu: sample random sampling, purposive random
sampling, systematic random sampling, .probality sampling, nonprobabity sampling, stratified
sampling Pengambilan sampel dengan cara-cara seperti tersebut di atas sangat tergantung
tujuan dari penelitian, dan tergantung kepada orang yang akan mengumpulkan data, serta alat
analisis yang akan digunakan dalam menganalisis hasilm penelitian.
Keuntungan pengumpulan data secara sampling yang paling menonjol adalah biaya yang
relative murah dibandingkan biaya penelitian secara sensus. Keuntungan lain yang dapat
diperoleh dengan cara sampling ini adalahtidak memerlukan tidak memerluakan ruangan yang
besar, baik untuk pengolahan ataupun gudang penyimpanan dokumen. Walaupun penelitian
dengan cara sampel ini tidak terikat pada jumlah sampel, namun satu hal yang perlu perhatian
khusus adalah jumlah sampel yang memada (representarive sampel)
6
diperlukan perangkat yang memadai dalam melakukan tugas. Perangkat penting yang harus tersedia
untuk mendapatkan hasil yang optimal adalah
a. Buku Pedoman Pencacahan. Buku ini disusun oleh pemangku kepentingan yang memuat daftar
isian (daftar pertanyaan) yang berisi diantaranya definisi atau pengertian tentang istilah yang ada pada
daftar pertanyaan. Disamping itu juga berisi tentang tata cara pengisian daftar pertanyaan, serta kode-
kode yang harus diisikan dalam daftar pertanyaan
b. Daftar Sampel. Daftar sampel ini akan dijadikan pedoman bagi pencacah untuk kunjungan objek
penelitian agar tidak terjadi under coverage ataupun over coverage
c. Peta lokasi. Hal ini dimaksudkan untuk memudahkan pencarian alamat objek penelitian.
d. Alat Tulis dan Blanko Daftar Isian. Perangkat ini mutlak harus dibawa tatkala melakukan
pengumpulan data terhadap objek penelitian.
2.3. Pelatihan Petugas. Untuk memperoleh hasil penelitian yang memadai dan tidak terjadi salah
persepsi dalam menterjemahkan pertanyaan yang ada pada daftar isisan atau menjawab pertanyaan
dari responden, maka penguasaan materi bagi petugas mutlak perlu. Keseragaman pengertian tentang
definisi yang digunakan serta maksud dan tujuan penelitian perlu ditanamkan kepada para petugas.
Untuk maksud tersebut maka pelatihan petugas merupakan jawaban untuk maksud di atas. Durasi
pelatihan sangat tergantung banyaknya materin yang akan diberikan. Pendalaman materi kepada
petugas perlu dilakukan untuk mengetahui daya serap para petugas terhadap materi yang diberikan.
Untuk meyakinkan daya serap para petugas bila perlu dilakukan tryout diwilayah tertentu untuk
menguji daya serap petugas dan kehandalan daftar isian.
7
Contoh 2.1: Objek Penelitian dan Karakteristik Yang Dikumpulkan
Dengan demikian maka pengumpulan data merupakan inti permasalahan dalam penelitian, sehingga
penguasaan materi dan kejelasan definisi harus dikuasai oleh petugas (pencacah) secara paripurna. Ada
8
suatu istilah dalam statistic yaitu jika yang masuk adalah smpah yang keluarpun sampah pula.
Sehubungan dengan masalah tersebut maka peran direktur SDM (yang bertanggung jawab pada
rekuitmen karyawan ) perlu perhatian khusus terhadap mereka yang akan ditempatkan pada divisi
R&D (Research and Development)
b. Unit batching
Tugas unit ini adalah menyusun dan mengelompokkan dokumen menurut keperluan
pengolahan. Pengelompokka dimaksudkanuntuk memudahkan pengelompokkan hasil
pengolahan menurut satuan lokasi (propinsi, kabupsten, kecamatan, atau satuan lokasi lainnya)
sesuai dengan kebutuhan penyajian. Pengelompokkan sedemikian rupa sehingga dalam satu
batch merupakan satuan terkecil dalam pengolahan. Untuk memudahkan pengelompokkan
maka setiap batch diberi kode yang mencerminkan adanya kode lokasi serta nomor batch
untuk setiap lokasi dalam satuan pengolahan terkecil. Dengan demikian tatkala ada
pencabutan dokumen dapat dikembalikan ketempat semula tanpa mengalami kesulitan. Lokasi
tempat penyimpanan dokumen juga diberikan kode sesuai dengan kode batch yang disimpan
pada lokasi penyimpanan tersebut.
9
Tabel: 01.Banyaknya Mahasiswa UMT Menurut
Kelompok Tinggi Badan
KompokTinggi Frekuensi
Badan
150 – 154 10
155 – 159 24
160 – 164 75
165 – 169 24
170 – 174 10
Sumber Data : Sensus Kaki Lima Priov. DKI Jakarta Tahun 2005
Pembuatan tabel 01 dan tabel 02 dapat dilakukan dengan mudah dengan melakukan pemisahan
dokumen secara teliti. Walaupun terlihat mudah namun pengolahan secara manual akan mengalami
kerepotan. Untuk mengatasi kerepotan dan mempertajam ketelitian serta mempercepat waktu
pengolahan dapat dilakukan pengolahan secara elektronik. Hanya saja pengolahan secara elektronik ini
diperlukan programmer, atau menggunakan paket program tertentu, sehingga pengolahan dapat
dilakukan.
10
Tabel 3: Cotoh Produksi Harian Dari Hasil Panen
Komoditas Pertanian (Raw Data)
Contoh 16,2 15,8 15,8 15,8 16,3 15,6
produksi 15,7 16,0 16,2 16,1 16,8 16,0
Komodita 16,4 15,2 15,9 15,9 15,9 16,8
s 15,4 15,7 15,9 16,0 16,3 16,0
Pertanian 15,4 16,6 15,6 15,6 16,9 16,3
Data diatas menunjukkan informasi yang belum mempunyai banyak arti, karena sekedar catatan yang
didapat langsung dari lapangan. Agar data tersebut memberikan informasi yang lebih berarti maka data
data tersebut perlu memerlukan sedikit sentuhan. Beberapa sentuhan yang dapat dilakukan dengan
pengolahan secara manual adalah sebagai berikut:
Dapat dengan cepat dapat mengetahui nilai terendah dan tertinggi dari hasil
panen komoditas tersebut berdasarkan range dari 15,2 sampai dengan 16,9
Kita dapat dengan mudah membagi menjadi bagian-bagian tertentu seperti 5
lima terbawah dan 5 tertinggi. Lima terendah adalah 15,2 sampai dengan 15,6
sedangkan 5 tertinggi adalah 16,4 sampai dengan 16,9, Pembagian dalam
bentuk lain juga dapat dilakukan
Kita dapat juga untuk meliuhat data yang muncul lebih dari satu kali
Dengan berdasakan raw data seperti terlihat pada tabel:3 dengan cara sederhana dapat dibentuk
suatu penyajian dalam bentuk “Tabel Ftekuensi” sederhana dengan mengambil rentang 0,5 maka
tabel frekuensi dapat dibentu sebagai berikut:
11
a. Pengolahan Data Secara Elektronik
Dengan kemajuan dan perkembangan bidang teknologi membawa dampak terhadap
percepatan pengolahan data statistic. Dengan penemuan paket-paket program computer
terbukti dapat mempercepat pengolahan dokumen statistic. Dengan bantuan peralatan
pengolahan serta penemuan-penemuan paket program pengolahan data maka pengolahan
data akan dapat lebih rinci dan lebih teliti.
Walaupun demikian bukan berarti bahwa pengolahan data dengan computer tidak
mengalami kendala. Pembuatan program entry dipelukan untuk memasukan data kedalam
computer. Untuk mempercepat pengolahan dalam mengatasi ketidak konsistenan data
perlu dilakukan edting terhadap daftar pertanyaan sebelum data dimasukkan dalam
computer.Setelah seluruh data dalam kuesioner dimasukkan dalam computer, maka hasil
pengolahan data dapat disimpan dalam media computer, yang selanjutnya pengolahan
lanjutan dapat dilakukan.yaitu penyajian data. Dengan tersimpannya data dalam file
computer akan memudahkan penyajian data, baik berupa tabel, gambar , atau tabel-tabel
khusus untuk analisis
Walaupun terkendala dengan keahlian tertentu seperti penguasaan paket program dalam
pengolahan secara elektronik ini, namun saat ini mau tidak mau pengusaan itu semua
harus dilakukan
12
19 4 1 7 14 6 6 1 1
20 3 2 6 6 6 4 2 2
21 2 1 6 9 4 2 2 2
22 3 1 5 5 5 4 2 1
23 1 2 3 2 4 2 2 2
24 4 1 7 15 6 6 1 1
25 3 2 6 6 5 3 1 2
26 4 1 6 13 6 6 1 1
27 3 2 5 4 5 5 1 1
28 1 2 4 2 3 2 2 2
29 2 1 4 4 5 3 1 2
30 1 1 3 3 7 5 1 2
. Apakah ada korelasi antara durasi penggunaan internet dengan tingkat pendidikan, dengan uraian
dibawah ini:
Durasi penggunaan internet dalam seminggu: Tingkat pendidikan ( 4 kategori)
Rendah : ≤ 5 jam Kode 1 = tidak tamat SMTA
Sedang : : 6 – 9 jam Kode 2 = tamat SMTA
Tinggi : ≥ 10 jam Kode.3 = pernah diperguruan tinggi
Kode 4 = tamat perguruan tingg
13
IV. PENYAJIAN DATA
Penyajian data merupakan lanjutan dari pengolahan data, agar data dapat dimengerti dan
mudah untuk dibaca bagi para stake holder. Penyajian data harus disesuaikan dengan
pengguna data. Penyajian data untuk akademisi akan sangat berbeda dengan penyajian
data untuk Jenis penyajian data bisa dalam bentuk tabel, grafik ataupun gambar
Berikut ini contoh penyajian data:
14
5
4.5
3.5
3
Series 1
2.5 Series 2
Series 3
2
1.5
0.5
0
Category 1 Category 2 Category 3 Category 4
Contoh 4.3: Hasil Penjualan Produk Hasil Pertanian berupa
Pie Diagram
Sales
1st Qtr
2nd Qtr
3rd Qtr
4th Qtr
15
6
Series 1
3
Series 2
Series 3
2
0
Category 1 Category 2 Category 3 Category 4
5
4.5
4
3.5
3
Series 1
2.5
Series 2
2 Series 3
1.5
1
0.5 Series 3
0
Series 2
Category 1
Category 2 Series 1
Category 3
Category 4
16
5
4.5
4
3.5
3
2.5 Series 1
Series 2
2
Series 3
1.5
1
0.5
Series 3
0
Category 1 Series 2
Category 2
Series 1
Category 3
Category 4
Contoh Penyajian Data seperti di atas hanya merupakan visualisasi seni agar secara sepintas dapat
menunjukkan keadaan sesuatu yang menarik perhatian. Berbeda dengan penyajian untuk para analis
dan para akademisi yang biasanya berupa tabel yang sulit dimengerti oleh kaum awam
V. DISTRIBUSI FREKUENSI
Untuk memudahkan dalam membaca dan memahami arti dan maksud data salah satu cara adalah
membuat distribusi frekuensi dari data yang telah dikumpulkan atau telah diolah. Adsa dua kelompok
besar data, yaitu data kuantitatif dan data kualitatif, Berikut ini akan dicontohkan distribusi frekuensi
untuk kedua jenis data tersebut:
17
Data yang disusun dan terangkum dalam tabel distribusi di atas disebut data kelompok atau yang
dikelompokkan. Diakui bahwa didalam pengelompokkan ini akan menghilangkan atau merusak data
yang asli (orisinil).
1). Tentukan bilangan terbesardan terkecil pada data mentah untuk men- cari jangkauan atau kisaran (
yaitu selisih bilangan terbesar dan terkecil
2) Bagilah jangkauan data kedalam sejumlah interval kelas yang memilik ukuran yang
sama .Jika hal ini tidak dapat dilakukan, gunakan interval kelas dengan ukuran yang
berbeda atau interval kelas terbuka. Jumlah interval kelas biasanya antara 5 sampai dengan 20,
tergantung pada datanya. Interval- interval kelas juga dipilih sedemikian tanda kelas hingga
tanda kelas ( titik tengah kelas) berhimpitan dengan data observasi aktual. Hal ini dimaksudkan
untuk memperkecil atau mengurangi kesalahpengelompokkan yang akan muncul dalam analisis
lanjutan. Namun demikian, garis batas kelas tidak boleh berhimpitan dengan data aktual.
Contoh 5.1 :
Data hasil ujian akhir Mata Kuliah Statistika dari 60 orang mahasiswa
18
23 60 79 32 57 74 52 70 82 36 80 77 81 95 41 65 92 85 55 76 52 10 64 75 78 25 80 98 81 67
41 71 83 54 64 72 88 62 74 43 60 78 89 76 84 48 84 90 15 79 34 67 17 82 69 74 63 80 85 61
JAWAB
Data terkecil = 10 dan Data terbesar = 98
Range (r) = 98 – 10 = 88
Jadi jangkauannya adalah sebesar 88
Banyak kelas (k) = 1 + 3,3 log 60 = 6,8
Jadi banyak kelas adalah sebanyak 7 kelas
Lebar kelas (c) = 88 / 7 = 12,5 mendekati 13
Limit bawah kelas pertama adalah 10, dibuat beberapa alternatif limit bawah kelas yaitu 10, 9,
dan 8
Maka batas bawah kelas-nya adalah 9,5 ; 8,5 ; dan 7,5 Batas atas kelas pertama adalah batas
bawah kelas ditambah lebar kelas, yaitu sebesar
9,5 + 13 = 22,5
8,5 + 13 = 21,5
7,5 + 13 = 20,5
Limit atas kelas pertama adalah sebesar
22,5 - 0,5 = 22
21,5 - 0,5 = 21
20,5 – 0,5 = 20
Nilai tengah kelas adalah Frekuensi kelas pertama adalah 3 Distribusi Frekuensi Nilai Ujian
Akhir Mata Kuliah Statistika Interval Kelas Batas Kelas Nilai Tengah Frekuensi
9-21; 22-34 ; 35-47 ; 48-60; 61-73; 74-86; 87-99 (distribusi frekuensi)
8,5-21,5; 21,5-34,5; 34,5-47,5; 47,5-60,5; 60,5-73,5; 73,5- 86,5; 86,5-99,5 (batas kelas)
15; 28; 41; 54 67; 80; 93 (nilai tengah)
Dengan demikian salah satu bentuk tabel frekuensi adalah sebagai berikut:
Jumlah 60
Nilai Mata frekuensi
Kuliah
Statistik
9 – 21 3
22 – 34 4
35 – 47 4
48 – 60 8
61 – 73 12
74 – 86 23
87 – 99 6
19
mewakiliatau bertindak sebagai kode. Berikut ini contoh dari hasil peneliian jenis surat kabar yang
dibaca di suatu daerah tertentu
Sebanyak 60 orang di suatu daerah terbiasa membaca surat kabar berikut ini:
Dengan pencatatan pembaca surat kabar seperti tersebut di atas maka data tersebut kurang
informative. Untuk menjadikan data tersebut dapat dianalisis diperlukan sedikit sentuhan
sebagai berikut:
20
Penyajian data seperti diatas akan lebih berarti dan lebih difahami serta akan lebih pula untuk
dianalisis. Masih banyak lagi jenis penyajian yang lain baik untuk data kualitatif ataupun data
kuantitatif.
Contoh lain untuk jenis data kualitatif adalah tentang “Kepemimpinan” , untuk melihat ciri-ciri
umum seorang pimpinan dapat dilihat dari berbagai sudut. Menurut Rodger D Collons seperti
dikutip oleh Dale Timpe adalah :
Kelancaran berbahasa
Kemampuan untuk memecahkan masalah
Kesadaran akan kebutuhan
Keluwesan
Kecerdasan
Kesediaan menerima tanggung jawab
Ketrampilan Sosial
Kesadaran akan diri dan lingkungan
Ciri-ciri seperti diatas masing-masing diberikan score, yang mempunyai arti sebagai berikut :
Sangat baik 5
Baik 4
Cukup baik 3 Scala Ordinal
Buruk 2
Sangat buruk 1,
Score untuk setiap karakteristik diatas akan diberikan oleh para responden terhadap pimpinan
merekayang pada gilirannya dapat disimpulkan apakah pimpinan termasuk baik apa sangat
buruk, Ciri ini didapat dengan menghitung nilai rata-rata dari setiap penilaian yang dilakukan
oleh responden
6.1.1 Rata;Rata (average): adalah suatu ukuran/nilai yang mewakili sekelompok data atau
merupakan suatu nilai yang bersifat tipikal,atau representative dari suatuhimpunan/kumpulan
data. . Karena nilai tipikal seperti ini memiliki kecenderungan untuk berada di posisi tenganh
atau sentral dari suatu himpunan data yang disusun berdasarkan besarnya, maka rata-rata
sering pula disebut sebagai ukuran tendensi sentral.
Ada beberapa jenis rata-rata, lima diantaranya yang paling sering atau umum dan biasa
digunakan ialah rata hitung ( aritmathic mean), median, modus (mode), rata-rata ukur
(geometric mean), dan rata- rata harmonis ( harmonic mean)
Rata-rata hitung biasanya dalam praktek hanya disebut denfan”rata-rata” atau sering juga
disebut dengan “mean” sering digunakan sebagai dasar antara dua kelompok atau lebih. Hal
ini dimaksudkan untuk mengetahui siapa diantara mereka yang mempunyai nilai rata-rata yang
paling tinggi. Hal ini dapat diberikan contoh sebagai berikut:
21
Contoh 6.1:
Ada tiga orang mahasiswa yang telah menempuh 5 mata kuliah dengan hasil ujian sebagai
berikut:
Hasil Ujian Ahmad, Ali, Dan Noufal
Hasil Ujian
Mata Ahma Ali Naufal
Kuliah d (X2 (X3)
(X1)
Matematik 80 85 75
Statistik 75 80 85
Ekonomi 70 75 80
Mikro 80 70 75
Pemasaran 85 80 85
Metode 90 85 85
Penelitian
Ekonomi
Manajerial
Jumlah 480 475 485
Rata-rata 80,00 79,17 80,83
Berdasarkan nilai rata-rata tersebut dapat disimpulkan bahwa Naufal memiliki rata-rta lebih baik
dibandingkan dengan dua teman lainnya.
Untuk mendapatkan nilai rata-rata tersebut yang dsimbolkan dengan X̄ yang dirumuskan
N
X 1 + X 2 + X 3 +.. . .. .. . .. .. .. . X N
∑ Xj
= j=1
sebagai berikut X̄ = N N atau =
∑X
N berdasarkan rumus ini maka untuk menghitung nilai rata-rata Naufal adalah sebagai
berikut;
75+85+80+75+85+85
=80 , 83
X̄ = 6
Jika bilangan-bilangan tersebut ( X1 + X2 + X3 + ……………Xk) masing terjadi sebanyak f1, f2, f3,
……………fk kali, maka rumus yang digunakan adalah sebagai berikut:
N
f jXj
f 1 X 1 +f 2 X 2 +. .. . .. .. . .. .. .+ f K X K ∑ ∑ fX = ∑ fX
= j =1K =
f 1 + f 2 +. .. . .. .. . .. .. .+ f K ∑f N
X̄
∑fj
= j=1
22
Contoh 6.2:Seandainya ada bilangan: 9; 7; 5; 8; 6; dan masing-masing muncul atau terjadi dengan
frekuensi 6; 4; 8; 9 maka rata-rata hitungnya adalah:
Dalam penerimaan mahasiswa baru di STIS, materi yang diujikan mempunyai bobot yang berbeda-
beda, yaitu untuk mata pelajaran matematika punya bobot 3, bahasa Inggris 2, dan ilmu pengetahuan
umum 1, jika se-orang calon mahasiswa memperoleh nilai matematika 85, bahasa Inggris 75, dan
pengetahuan 70, maka rata-rata tertimbang dari mahasiswa itu adalah :
255+150+70
X̄ =
6
475
X̄ =
6
X̄ =79,167
Sifat-Sifat Rata-rata Hitung
1. Penjumlahan aljabar dari deviasi suatu himpunan bilangan terhadap rata-rata hitung
sama dengan nol.
Contoh 6.4:
Himpunan Deviasi
Bilangan (X–
(X) X̄ )
8 –2
10 0
9 –1
23
10 0
12 2
11 1
Jumlah:60 0
Rata-rata : 10
2. Jumlah kuadrat deviasidari suatu himpunan bilangan Xj terhadapa sebarang bilangan
a adalah minimum jika dan hanya jika a= X̄
3. Jika bilangan-bilangan f1 memiliki mean m1 , bilangan-bilangan f2 memiliki mean
m2,.........., bilangan fk memiliki mean mk, maka mean dari semua bilangan tersebut
adalah:
f 1 m1 +f 2 m 2 +.. .. . .. .. .. . .+f K mK
X̄ = f 1 +f 2 +.. . .. .. . .. .. . .+f K
Contoh 6.5:
Di dalam suatu perusahaan yang mempekerjakan 80 orang karyawan , 60 di antaranya
memperoleh pendapatan $10,00 per jam sementara sisanya memperoleh pendapatan $13,00
per jam.
Pertanyaannya adalah:
a. Tentukan rata-rata pendapatan per jam
b. Akankah jawaban pada bagian a tetap sama jika ke-60 orang karyawan
memperoleh pendapatan rata-rata upah perjam sebesar $10,00 . Buktikan
jawaban Anda
c. Yakinkah Anda bahwa mean upah per jam adalah tipikal?
Jawaban :
∑ fX = (60)(10 , 00)+(20)(13 , 00 )=10 , 75
a. X̄ = N 60+20
b. Ya, hasil yang diperoleh adalah sama f1 bilangan memiliki mean m1 dan f2
bilangan yang memiliki mean m2. Kita harus menunjukkan bahwa mean dari
semua bilangan itu adalah
f 1 m1 + f 2 m2
X̄ = f 1+ f 2
Selanjutnya jika kita misalkan f1 bilangan dijumlahkan hingga sama dengan M1
dan f2 bilangan dijumlahkan hingga sama dengan M2 maka sesuai dengan definisi
dari mean aritmatik:
24
M1 M2
¿
m1 = falignl ¿1 ¿¿ dan m2 = f 2
Atau M 1=f 1 m 1 dan M 2=f 2 m 2 . Oleh karena seluruh ( f 1 +f 2 )
bilangan yang dijumlahkan akan mencapai (M1 + M2) maka mean aritmatik dari
seluruh bilangan adalah:
M 1 + M 1 f 1 m1 + f 2 m2
=
X̄ = f 1 + f 2 f 1+ f 2
c. Angka rata-rata pendapatan $10,75 per jam merupakan tipikal berdasarkan sisi
pandang bahwa hampir semua atau sebagian besar karyawan memperoleh
pendapatan sebesar $10.00 yang tidak terlalu jauh dari $10,75 per jam. Harus
selalu diingat bahwa setiapkita merangkum data numerik menjadi sebuah
bilangan atau angka tunggal (contohnya dalam mencari rata), maka kita mungkin
akan membuat beberapa kesalahan. Namun demikian tentu hasilnya tidak
menyimpang jauh
Sesungguhnya agar selalu berada dalam daerah aman, estimasi ”sebaran” atau variasi
data tentang mean (atau rata-rata yang lain) haruslah diberikan. Estimasi sebaran ini
disebut dispersi data
4. Jika A merupakan mean aritmatik taksiran (yang dapat merupakan nilai sebarang ) dan
∑X
jika dj = Xj – A adalah deviasi Xj dari A maka rumus X̄ = N akan
menjadi:
N
∑dj ∑ fX = ∑ fX
j =1
=A +
∑d
X̄ = A + N N sedangkan rumus X̄ = ∑f N akan
menjadi
K
∑ f jd j
X̄ =A + j =1K = A+
∑ fd
N
∑f j
j=1
dimana N= ∑ j=1 f j=∑ f Kedua rumus tersebut dapat dirangkum seperti berikut
ini
X̄ = A+ d̄
25
Rata-Rata Hitung untuk Data Berkelompok
Ketika penyajian data dalam bentuk distribusi frekuensi maka semua nilai yang jatuh didalam
suatu interval kelas dianggap berhimpitan dengan tanda kelas,atau titik tengah dari interval kelas
K
∑ f jd j
j =1
= A+
∑ fd
∑ fX = ∑ fX K N
∑f N ∑fj
tersebut. Rumus dan rumus X̄ = A + j=1
valid untuk data kelompok seperti ini jika kita menginterprestasikan X j sebagai tanda
kelas, fj sebagai frekuensi kelas korespondensinya, A sebagai tanda kelas taksiran, dan dj =
Xj –– A , sebagai deviasi Xj terhadap A. Perhitungan dengan menggunakan rumus
K
∑ f jd j
j =1
= A+
∑ fd
∑ fX = ∑ fX K N
∑f N ∑fj
dan rumus X̄ = A + j=1 masing-masing sering
disebut sebagai metode panjang dan pendek.
Jika semua interval kelas memiliki ukuran yang sama , c , maka deviasi d j = Xj –– A seluruhnya
dapat dinyatakan sebagai cuj, dimana uj dapat merupakan bilangan bulat positif atau negative atau
nol
K
∑ f jd j
j =1
= A+
∑ fd
K N
X̄
∑fj
=A+ j=1 ini akan menjadi
K
X̄ =A+
( )
∑ f juj
j=1
N
=A +
∑ fu
( )
N
c
yang ekuivalen dengan persamaan X̄ = A + c ū . Perhitungan nilai mean dengan metode ini
disebut sebagai metode pengkodean (coding method). Metode ini sangat singkat dan harus selalu
digunakan untuk data kelompok dimana ukuran dari interval – interval kelasnya sama. Dalam
metode pengkodean ini nilai-nilai dari variabel X ditransformasikan menjadi nilai-nilai variabel u
berdasar kan persamaan X = A + cu
Contoh 6.6
26
Untuk melakukan perhitumgan rata-rata untuk data berkelompok
melalui tahapan seperti dalam contoh berikut , (lihat Tabel: 3.1)
X
fx
f
15692 ,5
=163 , 46
= 96
Rata-rata Ukur ( Geometric Mean )
Rata-rata ukur ini memang jarang digunakan dalam keseharian, namun dalam dunia bisnis rata-rata
ukur ini serimg kali digunakan untuk mengetahui rata-rata persentase tingkat perubahan dalam satu
periode tertentu. Rumus rata-rata ukur adalah :
n X 1. X 2 . X 3 ........... X n
G=
3 3 3
a.
G=√ X 1 . X 2 . X 3 =√ ( 2 ) ( 4 )( 8 )=√ 64=4 Atau dapat dihitung dengan
27
log G = 0,6021
G = antilog 0,6021
G=4
3 3
b.
G=√3 X 1 . X 2 . X 3 =√ ( 10 ) ( 12 )( 16 )=√ 1920=12 , 43 Atau dapat dihitung dengan cara :
Contoh 6.8
Jika kita mempunyai uang cash sebesar Rp 100 000,- yang kita tabung dengan bunga majemuk
sebesar 5% kita dapat notasikan sebagai berikut:
Jika kita perhatikan perkembangan uang semula, dari tahun pertama ke tahun ketiga adalah:
P0 = 100 000
P1 = 100 000(1,05) = 105 000
P2 = 100 000(1,05)(1,05) = 100 000 (1,05)2 =110 250
P3 = 100 000(1,05)(1,05)(1,05) = 100 000 (1,05)3 = 115 762,500
28
Pn
Dari rumus di atas maka : r= √
n
P0
−1
4
=
1 1 1 1
+ + +
= 2500 4000 5000 10000
= 4210,53
Median
Median suatu ukuran pemusatan ( central tendency ) yang berbeda dengan ukuran pemusatan yang telah
kita pelajari, median adalah nilai tunggal dari sekelompok data yang berada di tengah dan hampir
mendekati pusat dari kelompok tersebut. Untuk menentukan median dari keompok data sebagai berikut :
a. Untuk data yang ganjil: susun data tersebut dari yang terkecil ke yang terbesar, kemudian tentukan
median dengan cara :
“n” adalah banyaknya data, sehingga : n = 2k + 1, jadi k = 1/ 2( n – 1), k bilangan konstan, yang
menunjukkan keberadaan median pada urutan ke k dari deretan data yang telah disusun sebagai mana
yang diterangk pada butir (a).
29
b. Untuk data genap: maka data yang berada ditengah ada dua buah yaitu urutan ke k dan urutan ke k+1,
sehingga data yang data berada urutan tersebut adalah X k dan Xk+1 sehingga besarnya median(Me)
adalah :
Me = 1/2 ( X k + Xk+1 )
n
fi
M e Lo c 2 0
fm di mana :
L0 = nilai batas bawah dari kelas yang mengandung nilai
median
n = banyaknya observasi = jumlah semua frekuensi
( Σf i )0 = jumlah frekuensi dari semua kelas dibawah kelas
yang mengandung median
fm = frekuensi dari kelas yang mengandung median
c = besarnya kelas interval, jarak antara kelas yang satu
dengan kelas yang lainnya
contoh 6.10
___________________________________
Berat Badan (pound) Frekuensi
____________________________________
118 - 126 3
127 - 135 5
136 - 144 9
145 - 153 12Kelas mengandung Me
154 - 162 5
163 - 171 4
172 - 180 2
_________________________________________
Jumlah 40
_________________________________________
Modus
Modus adalah suatu nilai dari sekelompok data yang mempunyai frekuensi Tertinggi. Menentukan
modus untuk data yang tidak berkelompok akan lebih cepat jika dibandingkan dengan menentukan
modus untuk data yang telah dikelompokkan.
Contoh mencari mean, median dan modus untuk data yang tidak berkelompok
30
Contoh 6.11
Carilah Mean, median dan modus untuk himpunan bilangan sebagai berikut:
a). 3 ; 5 ; 2; 6 ; 5 ; 9 ; 5 ; 2 ; 8 ; 6 b). 51,6 ; 48,7 ; 50,3 ; 49,5 ;48,9
Penyelesaian :
a). Disusun berurutan dari yang keil ke yang besar : 2 ; 2; 3 ;5; 5; 5; 6 ; 6; 8 ; dan 9
Mean = 1/10 ( 2 + 2+ 3 + 5 + 5 + 5 + 6 + 6 + 8 + 9 ) = 5,1
Median = ada dua nilai tengah yaitu 5 dan 5 ,maka mediannya = 1/2 ( 5+ 5 ) = 5
Modus = bilangan yang muncul paling sering = 5
b). Diurutkan dari yang kecil ke yang besar : 48,7 ; 48,9 : 49,5 ; 50,3 ; dan 51,6
Mean = 1/5 (48,7 + 48,9 + 49,5 + 50,3 + 51,6 ) = 49,8
Median = nilai tengah yaitu 49,5
Modus = tidak ada
Kelas frekuensi
50,00 - 59,99 8
60,00 - 69,99 10
70,00 - 79,99 16 -----------» frekuensi
80,00 - 89,99 14 yang mengandung modus
90,00 - 99,99 10
100,00 - 109,99 5 Dari data tersebut didapatkan modusnya adalah :
110,00 - 119,99 2 Lo = 1/2 ( 69,99 + 70.00 ) = 69,995 (nilai batas bawah)
Nilai batas atas = 1/2 ( 79,99 + 80,00 ) = 79,995
c = 79,995 – 69,995 = 10 f(mo – 1) = 10, dan f(mo + 1) =
14, maka ( f1 )0 = 16 – 10 = 6
dan ( f2 )0 = 16 -14 = 2
Dengan demikian modusnya adalah ;
f1 0
M 0 Lo C
f1 0 f 2 0 berdasarkan rumus rumus tersebut maka selanjutnya adalah:
31
Mo = 69,995 + 10 {6 / ( 6 + 2) } Mo = 77,50
Jika berbicara tentang Median , maka nilai ini seolah-olah membagi kelompok data menjadi dua
bagian yang sama, artinya 50% dari kelompok data ini (seluruh nilai observasi) mempunyai nilai sama
atau lebih kecil dari median, sedangkan 50% lainnya mempunyai nilai yang sama atau lebih besar dari
median tersebut. Hal ini dapat digambarkan sebagai berikut :
50 % 50 %
Med
˂ ( X≤Median ) ( X≥Median ) ˃
Kuartil
Untuk kelompok data dimana n ¿ 4 , kita tentukan tiga nilai, katakanlah tiga nilai Q 1 ; Q2 ; dan Q3
yang membagi kelompok data tersebut menjadi empat bagian yang sama besar, yaitu setiap bagian
memuat data observasi yang jumlahnya sama. Nilai-nilai tersebut dinamakan:
Q1= kuartil pertama Q2 = kuartil kedua, dan Q3 = kuartil ketiga. Pembagian itu sedemikian rupa
sehingga nilai 25% observasi atau lebih kecil dari Q1, 50% data/observasi sama atau lebih kecil dari
Q2, dan 75% data/observasi sama atau lebih kecil Q 3
i ( n+1 )
Qi = 4 dimana: i = 1; 2; 3
Contoh 6.13
Berikut ini adalah data upah bulanan dari 13 karyawan dalam ribuan rupiah yaitu :
40; 30; 50; 65; 45; 55; 70; 60; 80; 35; 85; 95; 100
Pertanyaan: Cari nilai: Q1 ; Q2 : dan Q3
Penyelesaian: Pertama-tama data diurutkan dahulu dari:
X1 = 30 ; X2 = 35 ; X3 = 40 ; X4 = 45 ; X5 = 50 ; X6 = 55 ; X7 = 60 ; X8 = 65 ; X9 = 70 ; X10= 80
X11 = 85 ; X12 = 95 ; X13 = 100
i ( n+1 )
Berdasarkan rumus : Qi = 4 maka :
1 ( 13+1 )
Q1 = nilai ke 4
= nilai ke: 3½ →nilai yang ke 3½ , berarti rata-rata X 3 dan X4 dengan demikian maka :
32
Q1 = ½ (X3 + X4)
= ½(40 + 45)
= 42,5
2 ( 13+1 )
Q2 = nilai ke 4
= nilai ke 7, nilai X7 berarti X7 = 60.
3 ( 13+1 )
=10
Dengan jalan yang sama maka akan didapat : Q 3 = 4 ½ →nilai ke 10½ adalah:
Q3 = ½(X10 + X11)
= ½ (80 + 85)
= 82,5
Desil
Untuk desil kelompok data dibagi menjadi 10 bagian, yang berarti ada 9 titik yang merupakan batas
dari setiap bagian. Untuk menentukan besarnya nilai desil dalam kelompok tersebut digunakan rumus
sebagai berikut:
i ( n+1 )
Di = 10
i ( n+1 )
dimana: Di = nilai yang ke 10 i = 1,2,3,4...........9
Contoh 6.13 :
Berikut ini adalah data upah bulanan dari 13 karyawan dalam ribuan rupiah yaitu :
40; 30; 50; 65; 45; 55; 70; 60; 80; 35; 85; 95; 100
Pertanyaan : Hitunglah: D1 , D2 dan D9
9 ( 13+1 ) 6 6
=
D9 = nilai yang ke : 10 nilai yang ke 12 10 artinya X12 + 10 (X13 – X12) =
33
6
= 95 + 10 (100 – 95) D9 = 98
Persentil
Untuk kelompokdata dimana n ≥ 100 dapat ditentukan 99 nilai yaitu P1, P2.................P99
Apabila data sudah disusun secara berurutan dari yang terkecil (X 1) sampai yang terbesar
(X99), maka untuk mencari nilai persentil ke i dapat menggunakan rumus sebagai berikut:
i ( n+1 )
Pi = nilai yang ke : 100 dimana i = 1,2,3,........................99
Untuk data yang telah dikelompokkan (data yang telah dibuat tabel frekuensinya ) maka rumus
untuk Kuartil, Desil, dan Persentil relatif sama yaitu:
Rumus Kuartil
in
di mana :
Q i = L0 + c
{ } − f
4 (∑ i )0
fq
, i = 1,2,3
Rumus Desil
in
D i = L0 + c
{ − f
10 (∑ i )0
fd } , i = 1,2,3.........9
Rumus Persentil
34
in
di mana :2
Pi = L0 + c
{ 100
−(∑ f i )0
fP } , i = 1,2,3,..................99
Nilai Kelas f
(1) (2)
72,2 – 72,4 2
72,5 – 72,7 5
72,8 – 73,0 10
73,1 – 73.3 13
73,4 – 73,6 27
73,7 – 73,9 23
74,0 – 74,2 16
74,3 – 74,5 4
Jumlah ∑f = n =
100
Pertanyaan: Hitunglah Q1 , Q3 , D6 dan P50
Penyelesaian:
Untuk menghitung Q1
dijumlahkan frekuensi kelas dibawah kelas yang ke- empat ,yaitu : f 1 + f2 + f3 = 17 ternyata belum
mencapai 25% atau 25 untuk mencapai 25% kita lanjutkan pada kelas ke empat. Dengan demikian
diketahui kelas keempat memuat Q1. Dari data (∑fi)0 = 17 ; n = 100; fq = 13; Nilai batas bawah dan
batas atas dari kels yang memuat Q1, masing-masing adalah : ½ (73,0 + 73,1) dan ½ (73,3 + 73,4).
Dengan demikian nilai c = 73,35 – 73,05 = 0,30. Dengan menggunakan rumus :
in 100
Q i = L0 + c
73,23
{ }− f
4 (∑ i )0
fq
, i = 1,2,3 maka : Q 1 = 73,05 + 0,30
{ }
13
4
−17
Q1 =
Untuk menghitung Q3
35
Dijumlahkan frekuensi kelas dibawah kelas yang ke- enam ,yaitu : f 1 + f2 + f3 + f4 + f5 ternyata belum
mencapai 75% atau 75 untuk mencapai 75% kita lanjutkan pada kelas ke enam, dengan demikian kelas
ke-enam memuat Q3 Dari data tersebut diatas maka : (∑fi)0 =57; n =100 dan
fq = 23 . Nilai batas bawah dan batas atas dari kelas yang mengandung Q 3 masing-masing adalah: ½
(73,6 + 73,7) = 73,65 dan ½ (73,9 + 74,0) = 73,95 sehingga c = 73,95 – 73,65 = 0,30
in
Q3 = 73,65 + 0,30
Q3 = 73,89
{ }
23
4
−57
Untuk menghitung D6
Dijumlahkan frekuensi kelas dibawah kelas yang ke- enam ,yaitu : f 1 + f2 + f3 + f4 + f5 = 57 ternyata
belum mencapai 60% atau 60. Untuk mencapai 60% kita lanjutkan pada kelas ke enam, dengan
demikian kelas ke-enam memuat D 6. Dari data tersebut diatas maka : (∑f i)0 =57; n =100 dan fD = 23 .
Nilai batas bawah dan batas atas dari kelas yang mengandung Q 3 masing-masing adalah: ½ (73,6 +
73,7) = 73,65 dan ½ (73,9 + 74,0) = 73,95.
Dengan demikian c = 73,95 – 73,65 = 0,30 Dengan menggunakan rumus :
in
D i = L0 + c
{ − f
10 (∑ i )0
fd }
600
D6 = 73,65 + 0,30
D6 = 73,69
{ }
10
23
−57
Artinya nilai 60% dari observasi sama atau lebih kecil dari 73,69
36
Dengan demikian c = 73,65 – 73,35 = 0,30 Dengan menggunakan rumus :
in
P i = L0 + c
{ 100
−(∑ f i )0
fP }
5000
P50 = 73,57
artinya 50 % dari observasi mempunyai nilai sama atau lebih kecil dari 73,57
37
VII. DEVIASI STANDAR DAN BERBAGAI
UKURAN DISPERSI YANG LAIN
Jika kita mengetahui tentang adanya rata-rata, maka akan terbayang adanya sekelompok data
disekeliling rata-rata tersebut yang nilainya ada yang lebih besar, ada yang lebih kecil dan ada pula
yang nilainya sama dengan rata-rata tersebut. Hal ini menunjukkan adanya variasi atau dispersi dari
nilai-nilai yang ada pada kelompok data tersebut baik terhadap rata-ratanya, median, ataupun terhadap
modusnya.
Terdapat beberapa ukuran variasi atau dispersi ini, yaitu range (nilai jarak), mean deviation (rata-rata
simpangan), standard deviation (simpangan baku).
Dari ketiga ukuran dispersi tersebut simpangan baku yang paling sering digunakan untuk keperluan
analisis. Dalam penghitungan dispersi juga dibedakan pada data yang tidak berkelompok dan data
berkelompok.
Suatu alasan yang patut dikemukakan mengapa kita mempelajari dispersi adalah karena data numerik
mempunyai kecenderungan untuk menyebar disekitar rata-rata atau sekitar median. Dengan kata lain
mean atau median hanya menitik beratkan pada pusat data, namun kurang memberikan informasi
tentang sebaran nilai pada data tersebut.Kecenderungan untuk menyebar di sekitar rata-rata atau
sekitar median dikenal sebagai disperse/persebaran atau variasi. Sebagai ilustrasi tentang hal ini,
meskipun kita mengetahuin bahwa produksi rata-rata dari dari perusahaan sepeda motor adalah 50
sepeda motor per hari, namun dalam hal ini kita tidak langsung untuk dapat mengatakan bahwa kedua
perusahaan sepeda motor mempunyai tingkat produksi yang identik.Dalam kaitan ini perlu untuk
mengetahui sebaran nilai (jumlah produksi harian) dari kedua perusahaan tersebut. Terdapat berbagai
macam ukuran disperse (atau varias) data diantaranya yang paling umum digunakan adalah: jankauan
data, deviasi mean , jangkauan semi kuartil, jangkauan persentil, dan deviasi standar
Kisaran atau range ialah jarak antara data terbesar dengan data paling kecil. Rumus dari
kisaran ialah sebagai berikut
Contoh 7.1 :
Carilah nilai jarak dari data berikut : 80; 45; 50; 40; 30; 70; 65; dan 85;
maka :
Nilai Jarak (Kisaran) = 85 – 30 = 55
X RS
(X i X)
n
Untuk simpangan selalu kita ambil nilai mutlaknya
38
Contoh 7.2:
Carilah rata-rata simpangan (mean deviation) dari data berikut ini :
_
50; 40; 30; 60; 70 , dari data tersebut akan didapat X = 50, sehingga
RS = 1/5 ( 0 + 10 + 20 + 10 + 20 ) = 12
Contoh 7.3
Berdasarkan tabel dibawah ini
a). Carilah deviasi mean dari tinggi badan100 orang mahasiswa UMT
b).Carilah jangkauan semi interkuartil untuk distribusi tinggi badan mahasiswa UMT
│X– X̄ X̄
Tinggi Badan Tanda Kelas Frekuensi
f│X– │
(inci) (X) (f) Penyelesaian
│=
│X–67,45│ a).Dari olahan data
60 – 62 61 6,45 5 32,25 tersebut diperoleh
63– 65 64 3,45 18 62,10 ∑f│X– X̄ │=
66 – 68 67 0,45 42 18,90
226,50 maka besarnya
69 – 71 70 2,55 27 68,85
72 – 74 73 5,55 8 44,40 rata-rata
simpangan
N=∑f= ∑f│X– X̄ (mean Deviasi)
100 │= adalah:
226,50
X RS
(X i X)
MD= n
226 , 50
=2 , 26
= 100
b). Kuartil bawah dan atas untuk distribusi tinggi badan mahasiswa ini masing-
2
(3 )=65 , 64
masing adalah Q1=65,5 + 42 inci,
10
(3 )=69 , 61
sedangkan Q3 = 68,5 + 27 . Dengan demikian jangkauan
Q3 −Q1 69 , 61−65 , 6 r
=1 , 98
semiinterkuartinya adalah: Q = 2 ,= 2 inci.
Perhatikan bahwa 50% kasus berada diantara Q1 dan Q3, yaitu 50 mahasiswa
memiliki tinggi badan antara 65,64 dan 69,61.
39
Kita dapat beranggapan bahwa ½(Q1 + Q3) = 67,63 inci merupakan ukuran tendensi sentral
(yaitu tinggi badan rata-rata mahasiswa). Selanjutnyan 50% tinggi badan mahasiswa akan
berada pada jangkauan 67,63 ± 1.98 inci
d. Jangkauan Persentil. 10 – 90
Contoh: 7.4
Carilah jangkauan persentil 10–90 untuk tinggi badan mahasiswa UMT dari tabel berikut ini
Penyelesaian
in
Kesimpulan, karena ½ (P10 + P90) = 67,30 inci dan ½ (P90– P10) = 3,97 inci
Maka sebesar 80% mahasiswa memiliki tinggi badan 67,30 ± 3,97 inci
e. Deviasi Standar
Dalam menghitung rata-rata dari sekelompk data tidak berarti data yang ada nilainya akan
sama dengan besarnya rata-ratanya, ada yang lebih besar dan ada pula nilainya lebih kecil dari
nilai rata-ratanya, tetapi ada kalanya nilai rata-ratanya sama dengan nilai data itu sendiri. Hal
ini menunjukkan bahwa terdapat variasi atau elative dalam nilai- nilai tersebut , baik terhadap
nilai rata-rtanya atau terhadap nilai data yang lain atau terhadap nilai median atau modusnya,
Nilai rata-rata yang ada hanya merupakan nilai yang mewakili sekelompok data yang ada, dan
bukan berarti setiap data besarnya akan sama dengan nilai rata-ratanya, mesti elative deviasi
antara realdata nilai rata-ratanya. Besarnya deviasi standar dapat dihitung dengan
menggunakan suatu rumus trertentu, besarnya deviasi standar akan dapat menunjukkan
homogenitas dari kelompok data tersebut,
Ada perbedaan dan cara penghitungan besarnya deviasi standar antara data yang tidak
berkelompok dan data yang berkelompok.
40
Nilai deviasi standar pada dasarnya merupakan akar kuadrat dari varian, maka rumus yang
digunakan adalah rumus varian, baik untuk data tidak berkelompok ataupun data yang
berkelompok.
Varian (variance) dari suatu himpunan data dapat dirumuskan sebagai berikut
Untuk Data Tidak Berkelompok:
a. Data Populasi
X
2
2
i
1). N
2
X
X 2
n
2
3). n
b. Data Sampel
Distribusi Kai square
X
2
X
2
n
2
2). . n
Contoh 7.5
Carilah besarnya standar deviasi dari data berikut:
a. 12; 6; 7; 3; 15; 10; 18; 5
b. 9; 3; 8; 8; 9; 8; 9; 18
Penyelesaian
2 ∑ ( X− X̄ )2 ∑X
S=
a) Berdasarkan rumus N dan X̄ = N
41
Untuk Data Berkelompok:
Untuk menghitung deviasi standar dari himpunan data yang sudah dikelompokkan, perlu ”
kelas kelompok data” diwakili oleh satu angka yang disebut dengan “tanda kelas” atau juga
disebut dengan nilai tengah (middle class)
umus yang digunakan untuk menghitung varian ataupun deviasi standar adalah
sebagai berikut :
a. Data Populasi
2
f M
fi M i2 i i
N
f M
2
2
i i
2
N atau N
b. Data Sampel
2
2 ( ∑ fM )
∑ fM −
N
σ 2=
N−1
Kelas M M2 f fM fM2
118 - 122 14 884 3 366 44 652
126
127 - 131 17 161 5 655 85 805
135
136 - 140 19 600 9 1 260 176 400
144
145 - 149 22 201 12 1 788 266 412
153
154 - 158 24 964 5 790 124 820
162
163 - 167 27 889 4 668 111 556
171
172 - 176 30 976 2 352 61 952
180
Jumlah – –
f i
40 fM i i
5 879 fM
i i
2
= 871 597
2
f M
fi M i2 i i
N
2
Denganmenggunakan rumus N maka varian dari data tersebut
dapat dihitung sebagai berikut:
42
(5879) 2
871597
40
2
40 = 188,2744. Dengan demilian besarnya deviasi standar
f. Koefisien Variasi
Jika kita berkehendak untuk membandingkan homogenitas suatu kelompok data dengan
kelompok data yang lain dengan sekedar membandingkan besarnya varian ataupun besarnya
nilai deviasi standar belum dapat menjamin bahwa salah satu kelompok data tersebut lebih
elative atau atau heterogr.Untuk keperluan perbandingan dua kelompok atau beberapa
kelompok dapat digunakan ukuran yang disebut dengan koefisien variasi (coeffision
variation). Koefisien variasi (KV) ini bebas dari satuan data asli. Rumus KV untuk data
populasi ataupun data sampel adalah sebagai berikut:
KV 100%
Untuk data populasi: ,
KV 100%
Untuk data sampel : X
Dari contoh tabel diatas dapt dihitung besarnya rata-rata ( μ )dapat dihitung dengan rumus
fM i i 5879
n maka besarnya μ = 40 = 146,975
13,72
×100 %=
Sehingga KV = 146,975 9,335%
Jika kita akan membandingkan dengan kelompok lain, maka yang dibandingkan
adalah KV dari kedua kelompok tersebut. Jika KV1 > KV2 maka kelompok pertama
lebih bervariasi atau lebih heterogen daripada kelompok ke dua.
Contoh 7.7
Harga 5 buah sepeda motor bekas masing-masing adalah Rp.4000 000;
Rp.4 500 000; Rp.5 000 000; Rp.4 750 000; Rp.4 250 000 dan harga
telur per butir masing-masing Rp.600; Rp.800; Rp.900;Rp.550; dan
Rp.1 000,- Carilah / hitunglah simpangan baku harga motor ( σ m) dan simpanganbaku harga
telur ( σt ). Tunjukkan mana yang lebih bervariasiharga motor atau harga telur ?
Penyelesaian:
43
2
σt = √∑ ( x −μ )it t = Rp 172,05
m 353550
KVm = m × 100% , maka: KVm = 4500000 × 100 % = 7,86 % (KV motor)
Dengan cara yang sama dapat dihitung KVt
172,05
KV t = 770 × 100 % = 22,34 %Dengan demikian oleh karena KV t > KVm ini
menunjukkan bahwa harga telur lebih
Bervariasi (heterogen) dibandingkan dengan harga motor.
Contoh 7.8:
Sebuah pabrik tabung televise memproduksi dua jenis tabung, A dan B. Masing-masing
tabung elative ini memiliki rata-rata usia pemakaian X̄ A = 1495 jam dan
X̄ B = 1875, serta standar deviasi SA = 280 jam, sedangkan SB = 310 jam
Pertanyaan :
a). Berapakah besarnya dipersi absolute untuk tabung A dan tabung B
b). Berapakah besarnya elative elative masing-masing tabung
Penyelesaian:
a). Dispersi absolute untuk tabung A adalah 280 jam, sedangkan untuk tabung B, 310
jam
280
b). Koefisien variasinya adalah: Untuk tabung A adalah: KVA= 1495 = 18,7 %
310
Sedangkan KVb = 1875 = 16,5%
Contoh 7.9:
Harga 5 buah sepeda motor bekas masing-masing adalah Rp.4000 000;
Rp.4 500 000; Rp.5 000 000; Rp.4 750 000; Rp.4 250 000 dan harga telur per butir masing-
masing Rp.600; Rp.800; Rp.900;Rp.550; dan Rp.1 000,- Carilah / hitunglah simpangan baku
harga motor ( σm ) dan simpanganbaku harga telur ( σ t ). Tunjukkan mana yang lebih
bervariasi harga motor atau harga telur ?
Penyelesaian:
44
m 353550
KVm = m × 100% , maka: KVm = 4500000 × 100 % = 7,86 % (KV motor)
Dengan cara yang sama dapat dihitung KVt
172, 05
KVt = 770 × 100 % = 22,34 %
Dengan demikian oleh karena KVt > KVm ini menunjukkan bahwa harga telur lebih
Bervariasi (heteriogen) dibandingkan dengan harga motor.
Momen
x x x ........ x
r r r r x i
r
x r
1 2 3
i 1
N
r
X = N N N , yang disebut momrn ke- r
Momen pertama dengan r = 1, adalah mean aritmetik X , momen ke – r dari
X didefinisikan sebagai :
2
1 N
Xi X
Mr = N i 1
Contoh 7.10.
Dari himpunan bilangan 2; 3; 7; 8; 10
Hitunglah
a. Momen pertama
b. Momen kedua
c. Momen ketiga
d. Momen keempat
Penyelesaian
a. Momen pertama atau mean aritmetik adalah:
∑ X = 2+ 3+7+8+10 =6
X̄ = N 5
b. Momen kedua adalah:
45
∑ X 2 = 22+3 2 +72+ 82+10 2 =226 =45 , 2
2
X̄ = N 5 5
c. Momen ketiga adalah:
∑ X 3 = 23+3 3+73 +83 +103 =1890 =378
3
X̄ = N 5 5
4 4 4 4 4 4
∑X =
2 + 3 +7 +8 +10 16594
4
d. X̄ = N 5 = 5 = 3318,8
D, atau disebut juga dengan distribusi Gauss, adalah distribusi probabilitas yang paling
banyak digunakan dalam berbagai analisis statistika. Distribusi normal memodelkan
fenomena kuantitatif pada ilmu alam maupun ilmu sosial, dan kebanyakan estimasi
dan pengujian hipotesis statistik mengasumsikan normalitas suatu data.
Oleh karenanya, sebelum menganalisis data lebih jauh, peneliti umumnya terlebih
dahulu menyelidiki normalitas datanya. Jika kemudian, data (sampel) menunjukkan
distribusi tidak normal, dilakukan penambahan sampel atau transformasi data dengan
transformasi matematik seperti logaritma, mengkuadratkan, mengakarkan atau
transformasi resiprok(1/x)
Skewness dan kurtosis merupakan dua alat ukur dalam menelusuri distribusi data yang
diperbandingkan dengan distribusi normal
46
Mo Me Mean Mean Me Mo
Gambar-1 (miring kanan) Gambar-2 (miring kiri)
Jadi ukuran dari ketidaksimetrisan dapat diperoleh dari selisih atau perbedaan nilai
mean dan modus. Ukuran ini dapat dibuat menjadi ukuran taanpa dimensi atau satuan,
Jika kita membaginya dengan suatu ukuran disperse, seperti misalnya standar deviasi
Dengan demikian dapat kita definisiksn ukuran ketidaksimetrisan tanpa dimensi
sebagai :
mean−mod us X̄ −mod us
=
Kemiringan = stan d . dev s
3 (mean−median ) 3( X̄−median )
=
Kemiringan = s tan d . dev . s
Salah satu ukuran kemiringan lain yang penting adalah menggunakan momen ketiga
di sekitar nilai mean dan dinyatakan dalam bentuk tanpa dimensi, yaitu :
m3 m3 m3
3
= 3
=
Koefisien momen Kemiringan = α3 =
s ( √ m2 ) √m32
Ukuran tingkat kemencengan dapat juga dihitung berdasarkan berdasarkan
momen ketiga seperti dibawah ini :
47
K
M3 1
3
= 3 ∑ f ( M i− X̄ )3
α3 = S nS i=1
k k k k 3
α3 =
c3 1
S {
3 n∑ i i
i=1
1
(
f d 3 −3 ∑ f i d 2i
n i=1
1
∑ )(
n i=1
1
) (
f i d i +2 ∑ f i d i
n i =1 )}
di mana :
α3 = ukuran tingkat kemencengan ; S = simpangan baku
c = besarnya kelas interval ; f i = frekuensi kelas ke-i
di = simpangan kelas ke – i ; k = banyaknya kelas
Contoh 7.11 :
Berdasarkan data seperti dibawah ini , hitunglah tingkat kemencengan (TK)
dan α3.
Penyelesaian :
X̄ =
∑ f i Mi
∑ fi
5879
= 40
= 146,975
fm
L0 = nilai batas bawah dari kelas yang me ngandung nilai median
n = banyaknya observasi = jumlah semua frekuensi
48
( Σf i )0 = jumlah frekuensi dari semua kelas dibawah kelasyang mengandung median
fm = frekuensi dari kelas yang mengandung median
c = besarnya kelas interval, jarak antara kelas yang satu dengan kelas yang lain
dengan demikian akan didapat besarnya M e adalah :
Me = 144,5 + 9
(20−17
12 )
, dengan demikian Me = 146, 75 selanjutnya menghitung
S, dengan rumus sebagai berikut:
2
∑ fdi2 − ∑ f i d i
S=
c √ n (
2
n )
95 −9
= 9
√ −
40 40 ( )
= 13,72
k k k k 3
α3 =
S {
c3 1
3 n∑ i i
i=1
1
n i=1 (
f d 3 −3 ∑ f i d 2i
1
∑
n i=1)( 1
) (
f i d i +2 ∑ f i d i
n i =1 )}
93 95 −9 3
= ( 13 , 72 )
−39
3 49
−3 {
40 40
+2
−9
40( )( ) ( ) }
= 0,282 ( 0,605 )
= 0,17
49
arah nilai negatif (ekor kurva sebelah kiri lebih panjang Rumus skewness adalah
sebagai berikut:
n Xi X
n 1 n 2 S
Skewnesse =
2
Xi X
X
S
20 -3.1553
40 -1.3311
60 -0.3944
80 -0.0493
100 0
130 0.1664
130 0.1664
160 1.3311
180 3.1553
Jumlah – 0.1109
Dalam kasus, ini di dapatkan nilai skewness sebesar -0,0178. Secara manual, angka tersebut
dapat dihitung sebagai berikut:
9
0,1109
Skewness =
9 1 9 2 = - 0,017
Ukuran keruncingan Suatu Distribusi Data (Kurtosis)
S n 2 n 3
Kurtosis = n 1 n 2 n 3
Dalam kasus data kita, di dapatkan nilai kurtosis sebesar -1,1764. Secara manual, angka
tersebut dapat dihitung sebagai berikut
2
Xi X
S
9 9 1 3 9 1
2
(X)
20 4.6279 12, 678
Kurtosis 40 1.4643 =
9 1 9 2 9 3 9 2 9 3
9 10 3 8
2
60 0.2892
12, 678
80
100
0.0181
0 =
8 7 6 7 6
130 0.0915
= – 1,176
130 0.0915
160 1.4643
180 4.6279
50
Jumlah 12.6748
Catatan:
Jika α4 > 3 dihasilkan curva leptokurttis (meruncing)
Jika α4 = 3 dihasilka curva mesokurtis (normal)
Jika α4 < 3 dihasilkan curva platikurtis (mendatar)
Untuk menghitung tingkat keruncingan suatu kurva distribusi digunakan α 4 (moment coefficient of
curtosis) yang rumusnya adalah sebagai berikut :
α4 =
k k k k k 2 k 4
S {
C4 1
i=1
1
(
f d 4 −4 ∑ f i d 3i
4 n∑ i i n i=1
1
∑
n i=1)( 1
) (
f i di +6 ∑ f 1 d 2i
n i=1
1
∑
n i=1 )( 1
) (
f i d i −3 ∑ f i d i
n i=1 )}
di mana :
α3 = ukuran tingkat kemencengan ; S = simpangan baku
c = besarnya kelas interval ; f i = frekuensi kelas ke-i
di = simpangan kelas ke – i ; k = banyaknya kelas
51
Contoh 7.12
Sesuai dengan contoh 7.9, hitunglah tingkat keruncingan kurva dengan menggunakan rumus :
α4 =
k k k k k 2 k 4
C4 1
S {
i=1
1
(
f d 4 −4 ∑ f i d 3i
4 n∑ i i n i=1
1
∑
n i=1)( 1
) (
f i di +6 ∑ f 1 d 2i
n i=1
1
∑
n i=1 )( 1
) (
f i d i −3 ∑ f i d i
n i=1 )}
Penyelesaian:
94 1 95 −9 2 −9 4
α4 = ( 13 , 72 )
4 40{( 563 ) −4 ( )( ) ( )( ) ( ) }
−39 −9
40 40
+6
40 40
−3
40
4
6561
=
35433 ,68 { 2
( )}
14 , 075−4 (−0 , 975 )(−0 ,225 )+6 (2 , 375 ) (−0, 225 ) −3
−9
40
= 0,185 { 14,075 – 4(0,219) + 6(0,120) – 3 (0,00256289)}
= 2,5736
Rumus lainnya disebut Quartile Coefficient of Curtosis (QCK) , yaitu sebagai berikut :
1
Q −Q
2 ( 3 1)
QCK = P 90−P10
a.
Suatu distribusi yang mempunyai nilai QCK = 0,263 dapat didekati dengan fungsi normal
Pertanyaan :
52
a. Tentukan mean pendapatan per jam
b. Akankah jawaban pada pertanyaan (a) tetap sama jika ke 60 orang karyawan
memperoleh pendapatan rata-rata upah per jam sebesar $10,00 ? Buktikan
jawaban anda
c. Yakinkah Anda bahwa rata-rata upah per jam adalah tipikal ?
2. Tingkat bunga pada suatu bank selama tiga tahun berturut-turut adalah sebagai berikut :
Tahun pertama 1%, tahun ke dua 4% , dan tahun ke tiga 16% . Jika ada seorang investor
menanamkan uangnya pada bank tersebut, berapa besarnya keuntungan rata-rata jika dihitung
denganmenggunakan rumus:
a. Rata-rata hitung
b. Rata-rata ukur
c. Rata-rata harmonis
d. Bearapa rate of return investasi itu
Untuk mengetahui maju atau mundurnya suatu kegiatan yang bersifat periodic
diperlukan suatu ukuran yang dapat menggambarkan kondisi suatu kegiatan atau suatu
keadaan. Ukuran ini biasanya dilakukan dengan membandingkan kondisi saat ini
dengan kondisi yang lalu. Maju atau mundurnya hasil penjualan, atau maju atau
mundurnya penerimaan negara, penerimaan devisa dan lainsebagainya. Salah satu alat
untuk memberikan cerminan tentang perubahan baik kemajuan ataupun kemunduran
adalah angka indeks. Kata indeks digunakan secara luas dengan maksud yang
berlainan.
Anka indeks atau sering disebut indeks saja merupakansuatu angka ysang dibuat
sedemikian rupa sehingga dapat digunakan untuk melakukan perbandinganantara
kegiatan yang sama dalam dua waktu yang berbeda Angka indeks digunakan untuk
membandingkan suatu perubahan dari periode ke periode. Periode yang digunakan
dapat berupa tahun, bulan. atau satuan pengukuran waktu yang lain.
Angka indeks hampir digunakan disemua bidang ilmu, seperti bidang pendidikan
dikenal dengan indeks prestasi (IP), dalam bidang psikologi dikenal dengan indeks
kecerdasan (IQ), dalam bidang sosiologi indeks perubahan penduduk, dan lain-lain.
Dalam bidang ekonomi dikenal dengan Indeks Harga Konsumen (IHK), Indeks Harga
53
Produsen (IHP), Indeks Kuantitas, dan Indeks Nilai. Untuk Indeks harga baik IHK
ataupun IHP dicermati perubahan perubahan harga antar periode, demikian pada
Indeks Kuantitas dicermati perubahan kuantitas dari suatu periode ke periode lain,
serta indeks-indeks lain yang berkaitan dengan harga dan kuantitas
Secara garis besar angka indeks dibagi menjadi dua, yaitu Indeks Relatif dan Indeks
Agregatif. Angka indeks relative menggambarkan perubahan kondisi satu komoditi ,
sedangkan angka indeeks agregatif menggambarkan perubahan kondisi sejumlah
komoditi dari satu periode ke periode yang lain. Semua angka indeks dinyatakan
dalam persetase relative dengan indeks pada periode dasar sebesar 100
.Di dalam membuat angka indeks diperlukan dua macam waktu , yaitu waktu dasar
(based period), dan waktu yang bersangkuatan atau waktu yang sedang berjalan
(current period). Waktu dasar adalah waktu dimana suatu kegiatan (kejadian)
dipergunakan sebagai dasar perbandingan, sedangkan waktu yang bersangkutan ialah
waktu dimana suatu kegiatan (kejadian) digunakasebagai dasar pembandingan
terhadap kegiatan (kejadian) pada waktu dasar
Lembaga pemerintah seperti Badan Pusat Statistik (BPS) adalah salah satu lembaga
yang menghitung berbagai macam indeks diantaranya Indeks Harga Konsumen (IHK),
Indeks Harga Produsen, Indeks Pembangunan Manusia (IPM). Sementara itu di
lembaga suasa atau pun perusahaan juga melakukan penghitungan indeks yang
digunakan untuk keperluan perusahaannya .
Angaka indeks relative digunakan bila kita ingin melihat perubahan kondisi suatu
komoditi dari berbagai periode, Dalam hal ini satu komoditi yang menjadi perhatian kita,
artinnya perhitungan indeks harga untuk komoditi yang bersangkutan, dan bukan
mencerminkan perubahan harga secara umum:
Pn
×100
Rumus Indeks Harga Relatif : IR = P0
Dimana :
IR = Indeks relative harga
Pn = Harga periode berjalan
P0 = Harga Periode dasar
Tabel: 1.8
54
Tahu Harga Relatif Indeks
n per ke Relatif
kg Tahun
($) 1990
P
∑ Pn
0
IR = k ; k = banyaknya komoditi
Walaupun angka indeks ditulis dalam persen atau tidak, interpretasi angka indek
adalah peningkatan atau pun penururnanpersentase
55
Tabel berikut data harga dan volume penjualan 5 jenis komoditi pada tahun 2010 dan
2011
Tabel :2.8
Jenis Harga dalam ( $ ) Volume dalam (ton)
Barang 2010 2011 2010 2011
A 100 120 60 55
B 300 301 70 69
C 250 225 90 85
D 260 263 100 105
E 150 160 90 80
Jumlah 1060 1069 410 394
∑ P n ×100 1069
×100
Ip = ∑ P0 Ip = 1060 ; maka: Ip = 100,85
Dalam hal ini ada kenaikan harga ke lima barang sebesar 0,85 % dari tahun 2010 ke
tahun 2011
56
Rumus umum
∑ P n W ×100
a. Indek harga agregat berbobot (tertimbang): I = P0 W ; W = pembobot
Pn
∑ P0
×W
×100
b. Indeks harga rata-rata relative berbobot (tertimbang): I= ∑W
8.3.1. Angka Indeks Laspeyres
Angka Indeks Laspeyres adalah indeks harga yang diboboti kuantitas tahun dasarnya
atau indeks kuantitas yang diboboti harga tahun dasarnya. Karena pembobotnya harga
atau kuantitas barang tahun dasarnya, maka angka indeks ini cenderung lebih besar
(over estimate) karena harga dan kuantitas barang cenderung naik dari waktu ke waktu
57
8.4.2. Indeks Kuantitas Paasche (PQ)
∑ P n Qn ×100
Indeks kuantitas Paasche diperoleh melalui rumus: PQ = ∑ P n Q0
Keterangan : PQ = indeks kuantitas kuantitas Paasche
Contoh Aplikasi:
Berdasarkan data yang tertera pada tabel: 2.8 dapat dicari indeks harga dan kuantitas
menurut Laspeyres dan menurut Paasche. Berikut ini ditampilkan kembali dalam
bentuk yang memadai untuk keperluan penghitungan:
Tabel: 3.8
Catatan: Bila lebih dari satu komoditi bisa juga juga dicarirata-rata indeks relatifnya
sebagai berikut:
58
P
∑ Pn
0
IR = k ; k = banyaknya komoditi
Walaupun angka indeks ditulis dalam persen atau tidak, interpretasi angka indek
adalah peningkatan atau pun penururnanpersentase
Tabel berikut data harga dan volume penjualan 5 jenis komoditi pada tahun 2010 dan
2011
Tabel : 4.8
Jenis Harga dalam ( $ ) Volume dalam (ton)
Barang 2010 2011 2010 2011
A 100 120 60 55
B 300 301 70 69
C 250 225 90 85
D 260 263 100 105
E 150 160 90 80
Jumla 1060 1069 410 394
h
59
Dalam hal ini ada kenaikan harga ke lima barang sebesar 0,85 % dari tahun 2010 ke
tahun 2011
Contoh Aplikasi:
Berdasarkan tabel: 2.8 di atas maka besarnya ideks volume penjualan adalah :
∑ Q n ×100 394
×100
Iq = ∑ Q 0 Iq = 410 ; maka Iq = 96,10
Artinya : dari tahun 2010 ke tahun 2011 terjadi penurunan sebesar 3,9 %
Rumus umum:
∑ P n W ×100
a. Indek harga agregat berbobot (tertimbang): I = P0 W ; W =
pembobot
Pn
∑ P0
×W
×100
b. Indeks harga rata-rata relative berbobot (tertimbang): I= ∑W
8.7.1 Angka Indeks Laspeyres
Angka Indeks Laspeyres adalah indeks harga yang diboboti kuantitas tahun dasarnya
atau indeks kuantitas yang diboboti harga tahun dasarnya. Karena pembobotnya harga
atau kuantitas barang tahun dasarnya, maka angka indeks ini cenderung lebih besar
(over estimate) karena harga dan kuantitas barang cenderung naik dari waktu ke waktu
60
Lp = Indeks harga Laspeyres
Pn = harga pada tahun berjalan
P0 = harga pada tahundasar
Q0 = kuantitas pada tahun dasar
8.7.2.Indeks Paasche
Angka indeks Paasche adalah angka indeks harga yang didiboboti kuantitas tahun
berjalan atau angka indeks kuantitas yang dibobotiharga tahun berjalan. Nilai yang
diperoleh cenderung lebih rendah karena naiknya harga cenderung menurunkan
permintaan barang.
61
Tabel: 5.8
Jika diperhatikan kedua jenis indeks harga tertimbang berdasarkan hitungan menggunakan
rumus Laspeyers dan rumus Paashe terdapat sedikit perbedaan hasil, dan masing-masing
mempunyai kebaikan dan kelemahan. Rumus Laspeyers baik dalam praktek namun lemah
dalam teori, Sebaliknya rumus Paasche baik dalam teori namun sukar dalam penggunaannya
dalam praktek. Dan masing-masing pengguna fanatik mempertahankan argument masing-
masing. Dalam hal ini seorang ahli Irving Fisher menengahi perbedaan ini dengan
menggunakan kombinasi rumus :
I = √ L×P
Pn Q 0 P n Qn
I = √ ×
P0 Q 0 P 0 Qn
×100
%
62
Berbeda dengan Irving Fisher yang menggunakan rata-rata ukur dengan mengalikan indeks
Laspeyers dengan indeks Paasche kemudian mengakarkan hasil perkalian tersebut, maka
Drobisch menggunakan rata-rata hitung dari indeks Laspeyers dan indeks Paasche sebagai
berikut:
L+ P
I= 2 atau I = ½ ( L + P)
Selain rumus-rumus di atas , ada juga rumus Marshal-Edgeworth. Timbangan yang digunakan
oleh Marshal-Edgeworth adalah rata-rata produksi (quantitas) dari tahun (waktu dasar dan
waktu yang bersangkutan yaitu ½ (Q0 + Qn)
1
∑ P n× 2 (Q0 +Qn )
×100 %
1
∑ P 0× 2 (Q0 +Qn )
I=
∑ P n (Q0 + Qn ) ×100 %
I = ∑ P 0 (Q0 + Qn ) (rumus Marshal-Edgeworth)
Contoh-contoh soal;7.8
Data berikut ini adalah harga dari beberapa komoditi ekspor utama Indonesia di pasar
New York
untuk tahun 1993; 1994 ; 1995; 1996 ; dan 1997.
Penyelesaian
∑ P 95 ×100 %
a. Indek Harga Agregatif tahun 1995 : I95/94 = ∑ P 94
63
181 ,50+120 , 38+3 , 26+1, 33
×100%
I95/94 = 131 , 49+120 , 06+2,84+1, 40
I95/94 = 119,81 %
∑ P 96 ×100 %
b. Indek Harga Agregatif tahun 1996 : I 96/94 = ∑ P 94
160 ,66 +80, 06+2, 90+1 ,36
×100%
I 96/94 = 131 , 49+120, 06+2 ,84 +1 , 40
I 96/94 =95,77 %
∑ P 97 ×100 %
c. Indek Harga Agregatif tahun 1996 : I 97/94 = ∑ P 94
143 ,20+65, 83+5,35+1 ,53
×100%
I 97/94 = 131 , 49+120, 06+2 ,84 +1 , 40
I 97/94 = 84,34
In;0 =
n {
∑ Pn ×100 %
0
}
Contoh 8.8
Hitunglah indeks rata-rta harga relative tahun 2011 dengan waktu dasar tahun 2010 dari data
7 jenis barang berikut (harga barang dalam Rp /satuan)
1 P
Contoh 9.8
3.Hitunglah Indeks Marshal-Edgeworth data pada tabel 7.8 dibawah ini:
64
Tabel : 7.8 Harga Dan Jumlah Produksi Barang
Menurut Jenis Barang Tahun 2010 – 2011
Penyelesaian:
∑ P n(Q0+ Qn ) ×100 %
Dengan menggunakan rumus Indeks Marshal-Edgeworth: I = ∑ P 0(Q0+ Qn ) ,
maka:
13077179
×100 %=242 , 30
I= 5397193 %
Contoh 10.8
4. Hitunglah Indeks rata-rata harga relative dengan menggunakan rumus Laspeyers
dan Paasche dari
data yang ada pada tabel 7.8
Penyelesaian:
Rumus yang akan digunakan adalah rumus Laspeyers dan rumus Paasche yang
telah dimodifikasi
Sebagai berikut:
Pn
Ln; 0 =
∑ ( ) v
P0 0
×100 %
∑ v0
65
dimana : v0 = P0Q0 sementara itu timbangan/bobot yang digunakan , hasil kali P 0 dan Q0 sehingga
Pn
Ln; 0 =
∑ ( )P Q
P0 0 0
×100 %
∑ P0 Q 0 (Rumus Indeks Rata-rata Harga Relativ Laspeyers)
Pn
Pn ;0 =
∑ ( )v
P0 n
×100 %
Untuk rumus Paasche adalah sebagai berikut : ∑ vn ; dimana vn= PnQn
Dengan demikian, maka rumus Indeks rata-rata harga relative Paasche adalah ::
Pn
Pn ;0 =
∑ ( ) P Q
P0 n n
×100 %
∑ Pn Q n
Pn
Ln; 0 =
∑ ( ) P Q
P0 0 0
×100 %
∑ P0 Q 0
66
Jumla x x x x x 2268430 5487330,848
h
5487330 ,848
L11;10 = 2268430 ¿ 100 % =241,899 %
Jadi Indeks Rata-Rata Harga Relatif dengan menggunakan rumus Laspeyers adalah : 241,89 %
Jika penghitungan dilakukan dengan menggunakan Indeks Rata-Rata Harga relative Paascha,
yaitu dengan rumus:
Pn
Pn ;0 =
∑ ( ) P Q
P0 n n
×100 %
∑ Pn Q n
Untuk menghitung Indeks Rata-Rata Harga relative Paascha diperlukan penghitungan sebagai
berikut:
Dengan demikian maka penghitungan Indeks Rata-Rata Harga relative Paascha adalah :
Pn
Pn ;0 =
∑ ( ) P Q
P0 n n
×100 %
∑ Pn Q n
18326244 , 58
×100 %=243 , 58
P11;10 = 7523779 %
67
Apabila dibandingkan dengan rumus Laspeyers rumus Paascha memberikan hasil sedikit lebih besar
Dengan demikian maka penghitungan Indeks Rata-Rata Harga relative Paascha adalah :
Pn
Pn ;0 =
∑ ( )P Q
P0 n n
×100 %
∑ Pn Q n
18326244 , 58
×100 %=243 , 52
P11;10 = 7523779 %
Apabila dibandingkan dengan rumus Laspeyers rumus Paascha memberikan hasil sedikit lebih besar.
Perhitungan dengan cara sama namun berbeda dalam pembulatan angka seperti pada tabel :
7.9. a dan tabel 7.9.b menghasilkan angka indeks yang berbeda walaupun tidak signifikan
Ada tiga macam indeks harga serta penggunaann, yang sering diaplikasikan dalam
penghitungan inflasi, yaitu Indeks Harga Konsumen, Indeks Perdagangan Besar, dan Implicit
Price Deflator
68
Perlu disadari bahwa Indeks Harga Konsumen bukan suatu ukuran biaya hidup, karena dalam
IHK tidak memasukan semua jenis biaya. Indeks biaya hidup tampaknya sulit untuk
diterbitkan oleh BPS karena Survei Biaya Hidup yang dilakukan oleh BPS rentang waktunya
belum sesuai dengan kebutuhan penyunan indeks , yaitu sekitar sepuluh atau lima tahun sekali.
Perbedaan antara IHK dan Indeks Biaya Hidup (IBH) akan tidak begitu sinifikan tatkala
regulasi pemerintah dalam bidang pajak dan konsumsi tidak berubah. Sebaliknya jika
pemerintah menerapkan regulasi yang mempengaruhi pajak dan konsumsi maka akan bisa
terjadi perbedaan yang cukup berarti antara IHK dan IBH
Untuk mengetahui daya beli rupiah pada suatu periode, maka pengetahuan tentang IHK sangat
diperlukan. Sebagai contoh jika besarnya IHK pada tahun 1986 mencapai 300, dengan IHK
tahun 1978 = 100, maka daya beli rupiah tahun 1986 adalah :
IHK 78 100 1
= =
IHK 86 300 3 ini artinya bahwa Rp1,- yang dibelanjakan pada tahun 1986 hanya
mendapatkan
1
3 dari yang diperoleh atas pembelanjaannya Rp1,- tahun 1978
Pertanyaan:
69
Tentukanlah upah harian dari karyawan tersebut selama tahun 1985–1996 dibanding upah
harian tahun 1985
Penyelesaian:
Oleh karena yang digunakan dalam penghitungan IHK tahun dasarnya adalah tahun
1980,sementara pertanyaan diminta perbandingan upahnya dengan upah harian tahun 1985,
maka kita akan menyusun indeks baru dengan tahun dasar 1985. Berarti indeks pada tahun
1985 = 100 (tahun 1985 sebagai tahun dasar), maka indeks pada tahun yang lain pun
mengalami perubahan seiring dengan perbahan tahu dasar sebagai berikut:
102 ,8
×100 %=107,64
Misalnya untuk tahun 1986, 1987,…….adalah : 95 , 5 ;
101,8
×100%=106,6
95, 5 demikian pula untuk tahun-tahun yang lain.
Sedangkan untuk upah harian akan mengalami perubahan seiring dengan perubahan IHK.
1 , 19
×100=1 , 19
Misal perubahan upah harian pada tahun 1985 adalah sebagai berikut: 100 % .
1,33
=1,24
Sementara untuk upah harian tahun 1986 dapat dihitung sebagai berikut: 107 ,6%
dan seterusnya .
Dengan demikianhasil perhitungannya sebagai berikut :
70
Jika kita berkehendak untuk mengetahui daya beli rupiah berdasarkan tahun dasar 1985, maka
dapat diterangkan sebagai berikut:
Dengan anggapan bahwa tahun dasar (tahun 1985) nilai Rp.1,- adalah benar-benar berdaya
beli Rp1,-
maka caranya adalah dengan jalan membagi Rp.1,- dengan angka indeks yang waktu dasarnya
sudah digeser ke tahun1985tersebut. Misalkan , daya beli rupiah (Rp.1-) untuk tahun 1985 =
1 1 1 1
= =
100 % 100 , untuk tahun 1986 = 107 ,6% 107 ,6 , untuk tahun 1987 =
1 1
=
106,6% 106, 6 ; dan seterusnya
Hasil perhitungan daya beli rupiah dari tahun ke tahun adalah sebagai berikut :
Tahun 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994
1995 1996
Daya 1,00 0,93 0,94 0,93 0,86 0,84 0,83 0,83 0,83 0,82
beliRp.1.
0,79 0,77
-
Contoh:12.8
BPS telah menghitung IHK pada Juni 2012 sebesar 204,7 dengan perhitungan tahun dasar
juni 2008
Pertanyaan:
a. Hitunglah daya beli rupiah pada Juni 2012
b. Pada tingkat IHK berapa daya beli rupiah menjadi ¼
Penyelesaian:
100 100
= =0, 489
a. Daya beli rupiah Juni 2012 adalah: IHK Juni 2012 204 ,7 , artinya Rp.1,- yang
dibelanjakan pada Juni 2012 hanya mendapatkan 0,489 dari yang diperoleh atas pembelanjaan
Rp.1,- pada Juni 2008.
100 1 1 100
b. Daya beli rupiah = IHK jika daya beli menjadi 4 berarti : 4 = IHK tahunn
Maka IHK n = 400
Contoh 13.8
Suatu perusahaan telah menaikan upah karyawannya sebesar 20% sementara Indeks Harga
Konsumen (IHK) pada periode tersebut berubah dari 240 menjadi 270.
Pertanyaan
Apa yang terjadi sebenarnya dengan upah riil tersebut? Jelaskan!
Penyelesaian
270−240
×100 %=12 , 5 %
Kenaikan IHK yaitu 240
Oleh karena kenaikan upah karyawa lebih besar dari kenaikan IHK, maka upah tersebut adalah
riil atau nyata.
71
8.7.4.Indeks Harga Perdagangan Besar (Indeks Harga Produsen)
Fnd
Data harga yang diperoleh untuk menghitung indeks harga produsen diperoleh dari produsen
barang-barang itu sendiri, bukan dari pedagang besar. Perthitungan indeks harga perdagangan
besar juga menggunakan rumus Laspeyers.
Sudah cukup banyak yang diterbitkan oleh BPS tentang Indeks Harga Perdagangan Besar
seperti indeks harga perdangan besar sektor pertanian, sector pertambangan, industry
pengolahan , konstruksi, impor, ekspor non migas, ekspor migas dan lain-lain. Indeks-indeks
ini disajikan dalam bulanan ataupun tahunan.
Penghitungan Implicit Price Deflator ini masih menggunakan rumus Lapeyers. Menghitung
Implicit Price Deflator untuk periode n dengan periode dasar 0 dirumuskan sebagai berikut:
∑ P n Q0 ×100
IPD = ∑ P 0 Q0
Penghitungan IPD sangat berkaitan erat dengan Produk Domestik Bruto (PDB). Produk
Domestik Bruto adalah nilai seluruh barang dan jasa (akhir) yang diproduksi oleh
perekonomian suatu Negara.. Karena PDB merupakan penjumlahan dari nilai, maka
pertumbuhan PDB bisa disebabkan oleh pertumnuhan harga dan atau kuantitas produksi. Jika
ingin diketahui pertumbuhan PDB atas harga pada periode dasar (ingin mengetahui
pertumbuhan kuantitas produksi ), maka harus diketahui PDB tahun yang dipertimbangkan
atas harga pada periode dasar yang lebih dikenal dengan PDB harga konstan
∑ P n Q0 ×100
IPD = ∑ P 0 Q0
Karena PDB menilai seluruh barang dan jasa akhir , maka IPD merupakan suatu ukuran
tingkat harga umum, yang memasukkan lebih banyak barang dan jasa dibanding IHK
72
Kriteria Indeks Yang Baik:
Menurut Fisher ada dua criteria suatu indeks harga yang dianggap baik, yaitu :
n 0
a. Time Reversal Test : Jika suatu indeks harga I 0 untuk tahun n dengan tahun dasar 0 dan I n
adalah indeks harga tahun 0 dengan periode dasar tahun n , maka Time Reversal Test
dilambangkan sebagai : I n0 . I 0n = 1
b, Factor Reversal Test :Jika suatu indeks harga kita simbolkan P , sementara indeks kuantitas kita
simbolkan dengan Q untuk suatu time reference yang sama, yaitu indeks harga P yang
menunjukkan perubahan harga dari periode dasar 0 ke periode n , dan demikian pula halnya
dengan indeks kuantitas Q yang menunnjukkan perubahan kuantitas dari periode dasar 0 ke
periode n , maka Factor Reversal Test menyatakan bahwa perkalian antara indeks harga (P)
dengan indeks kuantitas (Q) akan menunjukkan perubahan nilai dari tahun dasar 0 ke tahun n .
Hal iniu dapat dinyatakan sebagai berikut:
P×Q=
∑ P n×Q n
∑ P0×Q , ternyata kedua criteria ini tidak dapat dipenuhi oleh rumus
Laspeyers
maupun rumus Paasche. Indeks Fisher yang merupakan rata-rata ukur dari indeks harga
Laspeyers
dan Paasche, dapat memenuhi dua kriteria tersebut. Karena itu Indeks Fisher dinamakan
“Fisher’s
Ideal Index” yang dirumuska sebagai berikut:
HIP=
√( ∑ P n Q n ∑ Pn Q n
)(
∑ P 0 Q 0 ∑ P0 Q 0 )
Sebagai tindak lanjut kebaikan atau kesempurnaan angka indeks biasanya dilihat dari
kenyataan apakah indeks yang bersangkutan telah memenuhi test criteria sebagai berikutn :
Pn P0
1. I n; 0 = I 0; n =
P0 ;
Pn
∑ Pn ∑ P0
2. In;0 = ∑ P0 ; I0;n = ∑ Pn
∑ Pn ∑ P0
In;0 ¿ I0;n = P0
∑ ¿ ∑ Pn
=1 Indeks agregatif tidak tertimbang memenuhi time reversal test
73
∑ P n Q0 ∑ P 0 Qn
3. In;0 = ∑ P 0 Q0 ; I = ∑ P n Q n
0;n
∑ P n Q0 ∑ P 0 Qn
In;0 ¿ I = ∑ P 0 Q0
0;n
∑ P n Qn ¿
≠1 Indeks Laspeyers tidak memenuhi timereversal test
In;0 = √ Ln;0×Pn;0
I0;n = √ L0;n×P0;n
In;0 ¿ 0;n
L ×Pn;0
I = √ n;0 √ L0;n×P0;n ¿
= 1
= √
√
∑ P0 Q 0 ∑ P0 Q n ∑ P n Q n ∑ Pn Q 0
=1 Indeks Ideal memenuhi Time reversal test
b. Factor Reversal Test
Langkah awal pengujian pada factor Reversal Test adalah mencari nilai v = P ¿ Q di
mana:
v = nilai
P = harga per satuan
Q = banyaknya barang dalan satuan
Kemudian dicari indeks nilai sederhana dan indeks nilai agregatif, dengan rumus :
v1 P n Qn
×100 % ×100 %
I0;n =
v0 =
P 0 Q0
∑ v n ×100 %= ∑ Pn Q n ×100 %
I0;n = ∑ v0 ∑ P0 Q 0
Telah kita ketahui bahwa ada indeks harga, ada indeks kuantitas, dan indeks nilai. Jika indeks
harga dikalikan dengan indeks kuantitas (quantity index)
Suatu indeks dikatakan memenuhi factor reversal test apabila memenuhi persamaan berikut :
I ( n ;0 ) P×I ( n; 0 ) Q =I ( n ;0 ) v
(indeks harga dikalikan indeks kuantitas = indeks nilai)
74
Pn Qn
I ( n; 0) P = I ( n; 0) Q=
a.
P0 sedangkan
Q0
P n Qn
I ( n; 0) P ×I ( n; 0) Q= ×
b.
P 0 Q0
P n Qn
=
PQ
0 0
= I(n;0)v →indeks harga dan indeks kuantitas memenuhi factor Reversa test
I ( n; 0) P =
∑ Pn I ( n; 0) Q=
∑ Qn
c. ∑ P0 sedangkan ∑ Q0
I ( n; 0) P ×I ( n; 0) Q=
∑ Pn ׿ ¿ ∑ Q n
∑ P0 ∑ Q0
I ( n ;0 ) P ×I ( n; 0 ) Q ≠I ( n ;0 ) v
Indeks harga agregatif dan indeks kuantitas agregatif
tidak memenuhi factor reversal test
75
8.7.6. Indeks Kuantitas Tertimbang
Indeks kuantitas tertimbang dihitung dengan dua rumus, yaitu rumus agregat dan rumus rata-
rata relative. Dalam rumus agregat timbangan yang digunakan adalah harga pada periode
dasar.
Dalam rumus rata-rata relative timbangannya adalah rupiah yang dibelanjakan atau produksi
pada periode dasar.
Indeks kuantitas agregat untuk periode n dengan periode dasar 0 adalah :
∑ P 0×Qn ×100
IK = ∑ P 0×Q0
Sementara Indeks Kuantitas Rata-rata relative untuk periode n dengan periode dasar 0 adalah
:
Qn
∑ {( )
Q0
×100W
}
IK = ∑W
Timbangan Nilai Tambah
Indeks kuantitas metode agregat menggunakan timbangan harga pada periode dasar. Harga itu
menunjukkan peranan masing-masing barang yang dihasilkan. Sering kali harga bukan
merupakan yang tepat karena harga suatu barang terdiri dari komponen-komponen harga
bahan yang digunakan maupun nilai tambah yang diberikan selama proses produksi. Karena
itu penggunaan nilai tamabah sebagai timbangan menjadi lebih baik. Sehingga symbol P 0 pada
rumus agregat tertimbang bukan lagi sebagai harga, tetapi merupakan nilai tambah pada
periode dasar
Misalkan pada periode n suatu perusahaan mempekerjakan sebanyak 2400 jam kerja dengan
menghasilkan sebanyak 3400 sepatu, maka produktivitas pada periode n adalah :
2400jamkerja ¿
3400sepatu ¿ =1,4 ¿
¿ sepatu per jam kerja
76
Jika pada periode dasar dapat menghasilkan jumlah sepatu yang sama yaitu 3400, diperlukan
2550 jam kerja, maka produktivitas periode dasar adalah:
3400 sepatu
=1,3
2550 jamker ja sepatu per jam kerja
Dengan demikian Indeks produktivitas sepatu pada periode n adalah :
Pr oduktivitas periode n
IPJK = Pr oduktivtas Periode dasar ¿ 100
1,4
=1,08
IPJK = 1,3
Pertanyaan:
a. Metode apa yang lebih tepat untuk menghitung angka ideks harga
b. Hitung indeks harganya
Harga Relative:
Pn
Jenis Barang Weight P95 P97 ×100 Harga Relative x W
P0
Stereo Siste 0,25 400000 475000 118,75 29,69
Televisi 0,55 325000 375000 115,38 63,46
Radio 0,20 80000 95000 115,75 23,75
Jumlah 1,00 116,090
77
116,9
Indeks Harga Relative (IHR) = 1,00
. Maka IHR = 116,90
Contoh 13.8
Suatu perusahaan telah menaikan upah karyawannya sebesar 20% sementara Indeks Harga
Konsumen (IHK) pada periode tersebut berubah dari 240 menjadi 270.
Pertanyaan
Apa yang terjadi sebenarnya dengan upah riil tersebut? Jelaskan!
Penyelesaian
270−240
×100 %=12 , 5 %
Kenaikan IHK yaitu 240
Oleh karena kenaikan upah karyawa lebih besar dari kenaikan IHK, maka upah tersebut adalah
riil atau nyata.
Contoh 14.8
Produksi dan jam kerja yang terjadi pada sebuah perusahaan pada tahun 1990 dan 1997
ditunjukan pada tabel berikut :
Pertanyaan:
Hitunglah indeks produktivitas tenaga kerja pada tahun 1997, jika tahun 1990 sebagai tahun
dasar
Penyelesaian
Jenis 1990
Produ Jumla Jam Kerja
k h
Produ
k
A 30 (30/20) x 36 =54
B 40 (40/30) x105 =140
C 55 (55/50) x 100 =
78
110
Jumla x 30
h 4
304
×100
290
Dengan demikian Indeks Produktivitas Tenaga Kerja tahun 1997 adalah :
Pergerakan khas deret waktu dapat dibedakan ke dalam empat tipe yang sering kali
disebut juga sebagai komponen-komponen deret waktu. Dalam model klasik nilai
variabel time series ada empat macam atau empat komponen yaitu :
a. Pergerakan jangka panjang (long term movement or secular trend)
Pergerakan jangka panjang menggambarkan arah perkembangan secara umum dan
mempunyai kecenderungan menaik atau menurun dalam sebuah deret waktu dalam
jangka waktu yang panjang. Pergerakan sekuler atau juga disebut variasi sekuler atau tren
sekuler ini sangat berguna karena tren ini sering digunakan membuat ramalan
(forecasting) yang diperlukan dalam perencanaan
Y
Actual time series
secular trend
79
Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ Time in years
Tren Jangka Panjang
Tipe geraka ini mempresentasikan pergerakan fluktuatif jangka panjang yang bergerak di
sekitar garis atau atau kurva tren. Siklus ini dapat bersifat periodic atau non periodic, yaitu
variasi nilai yang diperlihatkannya bisa saja mengikuti atau tidak mengikuti suatu pola
tertentu dan untuk interval - interval waktu yang tidak tetap. Salah satu contoh pergerakan
siklik adalah apa yang disebut siklus bisnis, yang menggambarkan runtunan masa
kesejahteraan ekonomi, resesi,depresi, dan pemulihan secara bergantian dan berulang-
ulang.(lihat gambar berikut)
Gerakan siklik
T
Trend jangka panjang dan gerakan siklik
c. Pergerakan Musiman atau Variasi Musiman (Seasonal Variation)
Gerakan ini hampir mempunyai pola tetap dari waktu ke waktu, seperti naiknya harga
telur pada saat menjelang Iedul Fitri atau harga pakaian menjelang Iedul Fitri,atau naiknya
harga hewan qurban menjelang Iedul Adha, atau menurunnya harga gabah kering panen
pada saat panen raya. Hal ini tidak berarti bahwa kenaikan atau penurunan hanya terjadi
pada saat seperti itu saja, naik atau turunnya harga dapat terjadi pada peristiwa itu saja,
namun dapat terjadi dalam meingguan, bulanan, ataupun harian. Oleh karena itu
pergerakan musiman ini nyaris sama dengan pergerakan siklik.
80
Tren Jangka Panjang
Y
Tren Jangka Panjang
Analisis deret waktu (analysis of times series) pada umumnya terdiri dari uraian (deskriptif) secara
matematis tentang komponen-komponen pergerakan dalam sebuah deret waktu. Untuk mendapatkan
pengertian yang lebih jelas telah dapat dilihat pada uraian seperti terlihat pada gambar di sub-bab 9.2
Apabila gerakan trend (T), cyclical (C), seasonal (S), dan Irregular (I), maka data berkala Y
merupakan hasil kali dari empat komponen tersbut, yaitu: Y = T ¿ C ¿ S ¿ I
Perlu kita ketahui, ada sebagian ahli statistic lebih memilih untuk menyatakan bahwa variabel deret
waktu Y sebagai hasil penjumlahan dari variabel-variabel dasar T + C + S + I daripada sebagai sebuah
perkalian. Walaupun demikian dekomposisi yang kita lakukan tetap berpegang pada Y = T ¿ C ¿ S
¿ I
Sebagai acuan. Teknik dekomposisi variabel Y sebagai hasil penjumlahan dapat pula memberikan
hasil yang sama baiknya.
Sebagaimana kita ketahui bersama bahwa data berkala dapat digunakan untuk membuat ramalan yang
sangat diperlukan untuk perumusan perencanaan dengan menggunakan garis trend, baik trend linear
ataupun non linear
81
Ada empat metode pembuata trend linear yang sering digunakan menggambarkan garis trend,
diantaranya adalah : metode tangan bebas, metode rata-rata semi, metode rata-rata bergerak
dan metode kuadrat terkecil
Contoh 1.9
Berikut ini adalah data Produk Domestik Bruto tahun 1992 – 1999 atas Dasar Harga Konstan 1983
Berdasarkan data tabel 1.9 ini maka kita dapat menarik garis trend dengan metode ” Tangan Bebas”
Sebagai berikut:
Produk Domestik Bruto tahun 1992 – 1999 atas Dasar Harga Konstan 1983
15000 •
14000 •
13000 •
•
12000 • •
82
11000 • •
10000 •
0 • • • • • • • •
1992 93 94 95 96 97 98 99 2000
Dalam hal ini kita anggap bahwa tahun 1992 sebagai titik asal (X=0) dan tahun 1999 sebagai titik
akhir, maka kita peroleh dua titik koordinat yaitu ( 0; 10 164,9) dan (7; 14 850,1) . Kalau nilai-
nilai ini kita masukkan ke persamaan garis lurus Y= a +bX kita peroleh persamaan berikut :
10 164,9 = a + b(0)
a = 10164,9
14 850,1 = a + b(7)
14850,1 = 10164,9 + 7b
4685 , 2
b= 7 maka b = 669,3
Dengan drmikian maka persamaannya adalah Y = 10 164,9 + 669,3X
b = 669,3 berarti bahwa setiap tahun secara rata-rata terjadi kenaikan PDB sebesar 669,3 milyard
Berdsarkan persamaan trend tersebut maka kita akan bisa meramal PDB pada tahun mendatang
(tahun 2000 atau tahun 2001)
X1 X2 X3 X4 X4 X5 X6
0 1 2 3 4 5 6 titik 4 dihapus
I II
Data ke 3 dihapus, sementara itu 1 dan 5 merupakan absis (tahun ke dua dan keenam )
4). Titik koordinat terdiri dari b) dan c) dimasukkan ke dalam persamaan Y = a + bX untuk
menghitung a dan b ;
Ȳ 1 dan dan Ȳ 2 dipergunakan sbagai nilai Y
Contoh 2.9: Berdasarkan tabel 2.9 buatlah trend dengan rata-rata semi
Penyelesaian:
Dari tabel 1.9 dapat diubah menjadi tabel sebagai berikut (tabel 2.9)
83
Tahun X Y Rata-rata
1992 0 10 164,9
1993 1 11 169,2
1994 2 12 054,6 I 45714 , 1
1995 3 12 325,4 Ȳ 1 = =11428,5
4
1996 4 12 842,2
1997 5 13 511,5
1998 6 14 189,8 II
1999 7 14 850,1 55384 , 6
Ȳ 2 = =13846 ,2
4
Menentukan titik koordinat I ; absis
0+1+ 2+ 3
=1,5
absis = 4
Ordinat = 11 428,5
Dengan demikian titik koordinat I adalah (1,5 ; 11428,5)
4+5+ 6+7
=5,5
Menentukan titik koordinat II ; absis = 4
Ordinat = 13 846,2
11428,5 = a + b(1,5) …………… (1) dari dua persamaan ini akan didapat nilai b = 604,42
13846,2 = a + b(5,5) …………….(2) dan nilai a = 10521,87
84
Apabila rata-rata bergerak dibuat dari data tahunan atau bulanan sebanyak n waktu maka rata-
rata bergerak disebut rata-rata bergerak tahunan atau bulanan dengan orde n (moving average of
order
Contoh 3.9
Berdasarkan data tersebut di atas, buatlah rata-rata bergerak 4 tahun dan lima tahun. Kemudan
gambarkan kurva dari data asli, rata-rata bergerak 4 tahun dan 5 tahun dalam satu gambar.
Penyelesaian
Perhitungan rata-rata bergerak 4 tahun dan 5 tahun dari PT Malvinas
Apabila data asli digambarkan bersama-sama dengan rata-rata bergerak, maka untuk data dari tabel 3.9
akan diperoleh grafik seperti terlihat pada gambar berikut:
Gambar 9.1: Data Bergerak dan Rata-rata Bergerak Hipotetis Dari PT Malvinas
50 -
85
.
40 -
.
.
30 -
0
X
1989 90 91 92 93 94 95 96 97 98 99
artinya untuk membuat garis trend pada dasarnya mencari besarnya koefisien regresi a dan b. Jika
nilai a dan b sudah diketahui maka persamaan garis trend tersebut dapat digunakan untuk
meramal nilai Y
Ada dua cara dalam membuat garis trend dengan metode kuadrat terkecil, yaitu :
Cara 1:
Kita harus membuat nilai variabel X ( variabel waktu) sedemikian rupa agar jumlah variabel X=
n
∑ Xi
0 atau i =1 =0
Ada perbedaan dalam memberikan nilai variabel X jika n ganjil dan n genap.
a. Untuk n genap
Contoh 4.9
Dari data pada tabel1.9, buatlah persamaan garis trend dengan menggunakan metode kuadrat
terkeil (least square method)
Tabel 1.9: PDB atas Dasar Harga Konstan 1983
Tahun 1992 1993 1994 1995 1996 1997 1998 1999
T 0 1 2 3 4 5 6 7
PDB 10 164,9 11 169,2 12 054,6 12 325,4 12 842,2 13 551,5 14 180,8 14 850.1
Untuk menjawab pertanyaan diatas maka tabel 1.9 ini kita ubah menjadi tabel sebagai berikut:
86
Tabel 5.9: Penghitungan Trend Linear dengan n Genap
Tahun X Y XY X2
(kodewaktu) (PDB dalam milyar))
1992 –7 10 164,9 –71 154,3 49
1993 –5 11 169,2 –55 846,0 25
1994 –3 12 054,6 –36 163,8 9
1995 –1 12 325,4 –12 325,4 1
1996 1 12 842,2 12 842,2 1
1997 3 13 551,5 40 534,5 9
1998 5 14 180,8 70 904,0 25
1999 7 14 805,1 103 950,7 49
Jumlah 0 101 098,7 52 741,9 168
Ȳ =
∑ Y =101098 , 7 =12637 ,34
n 8 sesuai dengan rumus yang ada bahwa besarnya a = Ȳ
Dengan demikian a = 12 637,34
∑ XY
b= ∑ X2
52741 ,9
b = 168
dengan demikian b = 313,94
Jadi persamaan trend nya adalah : Y =12 637,34 + 313,94X
Jika kita berkehendak untuk meramal PDB tahun 2000, maka nilai X = 9, sehingga
Y = 12637,34 + 313,94(9) = 15 462,8. Jadi ramalan PDB tahun 2000 adalah 15 462,8 milyar
b. Untuk n ganjil
Contoh 5.9
Dari tabel3.9 buatlah persamaan garis trend linear dan gambarkan kurvanya dari PT
Malvinas.
Untuk keperluan pengolahan maka tabel 3.9 ini perlu dilakukan penyesuaian sebagai berikut:
a= Ȳ = 39,9
∑ XY =−84,4 =−0,77
b= ∑ X 2 110
Jadi persamaan garis trend nya adalah : Y = 39,9 – 0,77X. Jadi perkiraan/ramalan penjualan tahun 2000
adalah:
Y = 39,9 – 0,77(6) =35,28 artinya ramalan hasil penjualan tahun 2000 sebesar Rp 35,28 juta
88
50 - Penjualan Hipotetis PT.Malvinas
Tahun 989-1999
.
-
-
40 -
.
.
30 -
0 Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ Ꞌ X
1989 90 91 92 93 94 95 96 97 98 99
Cara-2
n
∑ Xi
Pada cara 1 kita melakukan usaha agar i =1 = 0, pada cara kedua ini kita tidak perlu
melakukan hal seperti itu, namun walaupun demikian pengkodean waktu (tahun, bulan,dsb) masih
tetapdiperlukan untuk mem udahkan perhitungan. Untuk periode waktu pertama diberikon kode 1
sedangkan untuk periode waktu ke n diberi kode waktu n
Rumus yang digunakan untu menghitung koefisien garis trend linear adalah sebagai berikut
a = Ȳ +b X̄
n ∑ XY −∑ X ∑ Y
2
b=
n ∑ X 2 −( ∑ X )
Conto 6.9
Dari data pada tabel 1.9, buatlah persamaan garis trend dengan metode kuadrat terkecil (cara-2)
Untuk keperluan pembuatan persamaan trend linear, tabel perlu disesuaikan sebagai berikut:
Tahun X Y XY X2
(kode (PDB dalam
89
waktu) milyar))
1992 1 10 164,9 10 164,9 1
1993 2 11 169,2 22 338,4 4
1994 3 12 054,6 36 263,8 9
1995 4 12 325,4 49 301,6 16
1996 5 12 842,2 64 211,0 25
1997 6 13 551,5 81 069.0 36
1998 7 14 180,8 99 265,6 49
1999 8 14 805,1 118 800,8 64
Jumlah 36 101 098,7 481 315,1 204
Rata-rata 4,5 12 637,34 X X
a= Ȳ −b X̄
n ∑ XY −∑ X ∑ Y
2
b=
n ∑ X 2 −( ∑ X )
8(481315 , 1)−(36)(101098 , 7 )
b= 8(204 )−(36 )2 = 627,88
Dengan hasil perhitungan ini,maka persaman trend linear adalah: Y = 9 811,88 + 627,88X
Untuk meramalkan PDB pada tahun mendatang maka kita masukkan nilai X yang mewakili
tahun dari PDB yang akan diramal.
(∑ Y ) (∑ X 4 )−( ∑ X 2 Y )(∑ X 2 ) ∑ XY
2
a= n ( ∑ X 4 )−( ∑ X 2 ) ; b = ∑ X2 ; c=
n ( ∑ X 2 Y ) −( ∑ X 2 ) ( ∑ Y )
2
n (∑ X 4 ) −(∑ X 2 )
90
Contoh 7.9
Nilai produksi suatu perusahaan selama 5 tahun berturut-turut sejak tahun 2007 sampai dengan
20011 adalah : 12 ; 16 ; 19 ; 21 ; dan 22 , nilai produksi dalam ($000).
Pertanyaan:
Buatlah persamaan trend kuadratik untuk nilai produksi tersebut.
Penyelesaian:
Berdasarkan informasi seperti dala soal dibuat lembar kerja sebagai berikut:
2007 –2 12 –24 4 48 16
2008 –1 16 –16 1 16 1
2009 0 19 0 0 0 0
2010 1 21 21 1 21 1
2011 2 22 44 4 88 16
Jumlah 0 90 25 10 173 34
Dengan demikian maka kita akan menggunakan rumus di atas dan menghasilkan koefisien
trend sebagai berikut :
91
∑ ln Y ∑ ( X ln Y ) −1
a = anti ln n b = anti ln ∑ ( X )2
Dengan menerapkan rumus tersebut kita akan dapat mendapatkan persamaan Y t = a(1+ b )X
Contoh 8.9
PDB harga berlaku dari suatu Negara selama 6 tahun terakhir sejak tahun 1981 sampai dengan
1986 adalah: 47; 58; 68; 77; 92; 119
Pertanyaan:
a. Buatlah persamaan trend eksponensial
b. Hitunglah tingkat pertumbuhan ekonomi rata-rata pertahun
Penyelesaian:
Tabel 10.9 Penghitungan Trend Non Linear
Tahun Tahun PDB lnY XlnY X2
(kode X) (Y)
1981 –2,5 47 3,850 –9,6254 6,25
1982 –1,5 58 4,060 –6,0907 2,25
1983 –0,5 68 4,220 –2,1098 0,25
1984 0,5 77 4,344 2,1719 0,25
1985 1,5 92 4,522 6,7827 2,25
1986 2,5 119 4,779 11,9478 6,25
X X X 25,775 3,0765 17,50
∑ ln Y 25,775
a = anti ln n a = anti ln 6 = 73,39 ;
∑ ( X ln Y ) −1 3,0765
b = anti ln ∑ ( X )2 b = anti ln 17,50
−1
= 0,1922
Jenis metode eksponensial dengan persamaan : Y t = a(1+ b )X akan lebih tepat jika digunakan
untuk variabel diskret. Bagi variabel yang perubahannya kontinyu seperti data kependudukan
akan lebih tepat jika menggunakan metode eksponensial dengan persamaan Y t = a ℮bX
dimana e adalah suatu bilangan yang besarnya
e = 2,71828 (bilangan murni)
92
147,5 ; 150,7 ; 154 ; 157 ; 160 ; 164
Buatlah persamaan trend eksponensial jumlah penduduk, dan berapa tingkat pertumbuhan
penduduk per tahun
Penyelesaian :
Pertumbuhan penduduk merupakan data kontinyu karena terjadi setiap saat. Oleh karena itu trend
yang cocok untuk pertumbuhan penduduk adalah persamaan Yt = a ebX
Untuk menghitung/membuat persamaan trend eksponensial Y t = a ebX langkahnya adalah
sebagai berikut:
Tahun Pendapatan
Tahun (t) (Kode)X Nasional Ln Y X ln Y X2
1980 –2,5 147,5 4,994 12,489 6,25
1981 –1,5 150,7 5,015 6 2,25
1982 –0,5 154 5,037 – 0,25
1983 0,5 157 5,056 7,5229 0,25
1984 1,5 160 5,075 – 2,25
1985 2,5 164 5,100 2,5185 6,25
2,5281
7,6128
12,749
7
Jumlah X X 30,277 0,364 17,50
6
X. Probabilitas (Peluang)
93
Kata probabilitas sering dimaksudkan untuk mengukur kemungkinan atau kans terjadinya
sesuatu pada masa mendatang seperti :
٠ Apakah ada kans atau peluang dimasa mendatang bahwa hasil pen-
jualan akan mengalami kenaikan.
٠ Jika kita menarik sebuah kartu dalam satu set kartu bridge berapa
peluang bahwa yang kita tarik adalah kartu As.
٠ Apakah produksi pada pada musim panen yang akan datang dapat
mengalami kenaikan.
Biasannya untuk menjawab sederet pertanyaan yang berkaitan pada masa mendatang (yang akan
terjadi) seperti pertanyaan di atas pembahasannya ada pada ilmu peluang.
Pengetahuan tentang peluang akan membantu penyelesaian pada hal-hal yang belum pasti,
walaupun tidak akan mencapai kebenaran yang mutlak atau 100% tepat.
Besarnya peluang dapat dinyatakan 0≤ P ≤ 1 dengan kata lain bahwa
Besarnya peluang minimal 0 (nol) dan maksimium 1(satu). Probabilitas merupakan peluang
bahwa sesuatu akan terjadi yang dinyatakan dalam suatu uikuran yang besarnya 0≤ P ≤ 1 .
Secara umum probabilitas didefinisikan sebagai berikut :
“ Probability is measure of likelihood of the accurancy of random event” ( Mendenhall and
Reinmuth , 1982), secara bebas dapat ditrjemahkan : “ Probabilita ialah suatu nilai yang
digunakan untuk mengukur tingkat terjadinya suatu kejadian y7ang acak”
Berdasarkan besarnya nilai probabilita yaitu 0≤ P ≤ 1, maka semakin dekat nilai probabilitas ke
nilai 0 (nol), semakin kecil kemungkinan suatu kejadian akan terjadi. Namun sebaliknya
semakin dekat nilai probabilitas kenilai 1 (satu) semakin besar kemungkinannya (peluang) akan
terjadi.
nh h
1
q = atau E , sehingga Pr ( E ) = n n = 1- p = 1- Pr (E)
Contoh:1.10
94
Produk suatu pabrik telah dinyatakan oleh kepala bagian produksi bahwa dari 200 barang hasil
produksinya ada 25 barang yang tidak memenuhi standar. Jika barang yng tidak memenuhi
standar itu tetap dijual dipasaran dengan kemasan yang sama, kemudian seorang pembeli
mengambil satu barang secara acak . Berapa probabilitanya bahwa pembeli tersebut
mendapatkan barang yang rusak
Penyelesaian:
Dari soal tersebut, maka jika E adalah peristiwa mendapatkan barang yang tidak memenuhi
standar , n = 200 ; h = 25. Dengan demikian maka:
h
Pr(E) = n
25
= 200 = 0,125
Jadi besarnya probabilita untuk memperoleh barang yang rusak adalah
0,125 atau 12,5 %
95
fi
n
P(Xi) =
Contoh 2.10
Pada suatu penelitian terhafdap 75 karyawan yang bekerja di suatu perusahaan suatu
karakteristik yang ditanyakan adalah besarnya pengeluaran rumahtangganya setiap bulan
.Hal ini dimaksudkan untuk acuan bagi direksi dalam pemberian tunjangan khusus bagi
karyawannya.
Gambaran hasil penelitian adalah sebagai berikut :
Jika pada suatu saat bertemu dengan salah satu karyawan perusahaan tersebut berapa
besarnya probabilita bahwa pengeluaran bulanan karyawan tersebut sebesar Rp 650 ribu ?
Contoh 3.10
Untuk data yang dikelompokkan.
Diketahui bahwa hasil ujian mata kuliah Ekonomi Manajerial pada Universitas
Muhammadiyah Tangerang Fakultas Ekonomi adalah sebagai berikut :
96
25 15
P(25< X<50) = 100 = 0,25 atau 25% dan P(X ≥ 75) = 100 = 0,15 atau 15%
Dalam pendekatan subjektif probabilitanya didasarkan atas penilaian kepercayaan seseorang dalam
menyatakan tingkat kepercayaan. Besarnya peluang suatu kejadian ditetukan atas dasar intuisi.
keyakinan diri, maupun informasi tidak langsung lainnya. Jika tidak ada pengalaman / pengamatan
masa lalu sebagai dasar untuk penghitungan probabilitas,maka pernyataan probabilitas tersebut bersifat
subjektif. Sebagai contoh adalah dalam pertandingan tinju ataupun pertandingan lainnya, peluang
menang antara sang juara dengan penantangnya yang belum terkenal pasti banyak orang yang
menyatakan bahwa sang juara akan memenangkan pertandingan dengan perbandingan 80% dan 20%
untuk kemenangan sang juara.
Angka 80% ini menunjukkan besarnya peluang bagi sang juara untuk memenangkan pertandingan ,
sementara sang penantang hanya mempunyai peluang 20% untuk memenangkan pertandingan.
Dalam menghitung peluang suatu kejadian perlu dilakukan identifikasi secara cermat terhadap
kejadian dari suatu percobaan . Kalau suatu percobaan dilakukan melemparkan mata uang logam
(coin) Rp 500,- sebanyak dua kali, maka hasil percobaan itu adalah seperti berikut ini :
HH ; HT ; TH ; TT dimana :
1 2 3 4
Kejadian paling sederhanayang merupakan hasil suatu eksperimen disebut kejadian dasar atau titik
sampel, dalam contoh ini ada empat hasil yang berbeda, jadi ada empat titik sampel .sedangkan
himpunan dari seluruh kemungkinan hasil disebut ruang sampel.
Dalam tindakan melempar sebuah dadu yang mempunyai enam sisi, dan masing-masing sisi
mempunyai mata dadu satu sampai dengan enam, maka hasil yang diperoleh dari percobaan ini adalah
adalah munculnya salah satu sisi dari mata dadu tersebut, yang disebut dengan kejadian dasar atau titik
sampel, Sebagairuang sampelnya adalah adalah banyaknya sisi dadu yaitu enam. Demikian pula
halnya, jika dua dadu kita lempar mmaka akan kita peroleh ruang sampel sebagai berikut :
Tabel 3.10: Ruang Sampel Untuk Eksperimen Pelemparan Dua Buah Dadu
II 1 2 3 4 5 6
I
1 1;1 1;2 1;3 1;4 1;5 1;6
2 2;1 2;2 2;3 2;4 2;5 2;6
3 3;1 3;2 3;3 3;4 3;5 3;6
4 4;1 4;2 4;3 4;4 4;5 4;6
5 5;1 5,2 5;3 5;4 5;5 5;6
97
6 6;1 6;2 6;3 6;4 6;5 6;6
Dua syarat yang perlu dipenuhi pada ruang sampel pada suatu eksperimen yaitu :
1. Dua hasil atau lebih tidak dapat terjadi secara bersamaan, misalnya
melempar sebuah mata uang (coin) satu kali maka hasilnya akan
muncul H atau T. Tidak mungkin akan muncul HT secara bersamaan.
Namun jika mata uang tersebut dilempar dua kali maka hasilnya akan
muncul HH atau HT atau TH atau TT
Misalnya kita melemparkan mata uang logam Rp500, satu kali.Jika muncul gambar bunga melati
(H),kejadian ini diberi nilai 1 (satu), dan kalau bukan gambar bunga melati atau diistilahkan dengan
H dibaca H- bar, kita beri angka 0 (nol), Jadi X = {1;0}. Kalau mata uang logam tersebut dilempar
sebanyak 3 (tiga) kali maka akan diperoleh ruang sampel sebagai berikut :
(S= HHH ; HHT ; HTH ; HTT; THH ; THT ; TTH ; TTT), yang berarti mempunyai delapan (8)
anggota (n=8).
Kalau X = jumlah gambar bunga melati (H) untuk tiga (3) kali lemparan tersebut maka dapat
digambarkan sebagai berikut :
HHH X = 3 HHT X=2 THH X=2
HTT X = 1 HTH X=2 THT X=1
TTH X = 1 TTT X=0
Tabel:4.10
X F fr Kalau kita cari probabilitas untuk semua nilai variabel, maka nilai
1 semua probabilitas tersebut bersama- sama dengan nilai variabel
0 1 masing-masing dinamakan distribusi probabilitas
8 = 0,125 Pelemparan Mata Uang
3 Sebanyak Tiga kali Pelemparan
1 3
8 = 0,375
Contoh 4.10 distribusi probabilitas
3 Buatlah tabel distribusi probabilita, jika sebuah dadu dilemparkan
2 3
8 = 0,375 sebanyak dua kali
1 Penyelesaian :
3 1
8 = 0,125
Jumlah 8 1,00
98
Kalau kita melempar sebuah dadu sebanyak dua kali, atau melempar dua buah dadu dengan sekali
lempar dan kalau X adalah jumlah mata dadu tersebut yang muncul maka akan diperoleh:gambaran
(lihat tabel: 9.3), dan akan diperoleh kesimpulan sebagai berikut:
X = 2 terjadi 1 kali (1;1) X = 8 terjadi 5 kali (62;53;44;35;26)
X = 3 terjadi 2 kali 1;12) X = 9 terjadi 4 kali (63;54;45;36)
X = 4 terjadi 3 kali (31;22;13) X = 10 terjadi 3 kali (64;55;46)
X = 5 terjadi 4 kali (41;32;23;14) X = 11 terjadi 2 kali (65;56)
X = 6 terjadi 5 kali (51;42;33;24;15) X = 12 terjadi 1 kali (6;6)
X = 7 terjadi 6 kali (61;52;48;34;25;16)
Pelemparan sebuah dadu sebanyak dua kali dapat pula diartikan dengan pelemparan dua buah dadu
satu kali, yang disimpulkan hasil pelemparannya seperti di atas.
Berdasarkan hasil tersebut maka tabel frekuensi dan distribusi probabilitas dapat dibuat
Sebagai berikut:
Dari dua contoh tersebut maka akan dengan mudah mencari probabilita dari suatu kejadia X. Jika kita
berkehendak mengetahui besarnya probabilita 3 H akan muncul pada 3 kali pelemparan mata uang ,
yang berarti P(X=3), berdasarkan tabel 9.5 dimana X=3 akan dapat diperoleh besarnya P(X=3) , yaitu
= 0,125.
Demikian halnya jika kita berkehendak mengetahui besarnya probabilita jumlah mata dadu yang
muncul itu adalah 10 (sepuluh), yang berarti P(X=10) maka dengan mudah kita dapat melihat pada
tabel 9.6 dimana X = 10 akan dapat diperoleh besarnya P(X=10) yaitu = 0,083
99
10.4. Notasi Himpunan
Untuk memudahkan pengenalan himpunan dengan anggota himpunan (elemen) dipandang perlu
memberikan notasi pengenalan tentang hal tersebut. Jika S merupakan himpunan maka objek yang
terkandung didalamnya disebut dengan anggota himpunan atau elemen yang dinotasikan
Sebagai berikut. Misalnya S = {x1, x2, x3, x4, x5}, maka x1, x2, x3, x4, dan
X5 masing-masing merupakan angota dari himpunan S atau elemen dari S. Sebuah dadu dilemparkan
keatas satu kali maka S = {1,2,3,4,5,6} maka mata dadu 1,2,3,4,5,6 adalah anggota atau elemen S.
Anggota S dapat berupa variabel diskrit dan kontinyu.
Diskrit : S = {x : x = 0, 1, 2, 3}
Simbol (:) yang memisahkan variabel dengan nilai dalam himpunan dibaca sedemikian rupa sehingga
(s.r.s). Jadi S = {x : 0 ≤ x ≤ 1} merupakan himpunan yang diwakili oleh variabel x, sedemikian rupa
sehingga x dapat mengambil nilai mulai dari 0 (satu) sampai dengan 1 (satu). Sering terjadi bahwa X =
{x: x A dan x B}. Artinya, sebagai anggota X, x juga anggota (A) dan anggota (B)
Miasalkan X adalah himpunan mahasiswa FE-UMT yang pernah ikut Menwa. Jika A adalah
mahasiswa FE-UMT, B adalah mahasiswa UI yang pernah ikut Menwa, maka
X= {x: x A dan x B}.
Himpunan Kosong
Himpunan dari seluruh kejadian yang ada disebut himpunan semesta (universal set)
Himpyuan bagian yang paling kecil dari suatu himpunan disebut himpunan kososng
(noll set).dengan simbol ø.
Himpunan kososng adalah himpunan yang tidak mempunyai anggota atau elemen, miasalkan orang
tidak akan mungkin hidup dan mati dalam satu kejadian sekaligus.
Ø = {x : x = hidup dan x =mati}
Contoh :5.10
Suatu penelitian dilakukan terhadap 150 buah dari suatu produk tertentu , ternyata terdapat 15 buah
produk yang tidak memenuhi standar, maka :
S = seluruh barang yang diteliti
A= barang yang tidak memenuhi standar ( =15)
A = barang yang memenuhi standar (150-15 = 135)
Berdasarkan rumus ,
15
maka P( A ) = 1- 150 = 0,90
Contoh 6.10
100
Dalam suatu penelitian upah terhadap karyawan suatu perusahaan dapat dikelompokkan menjadi dua
grup, yaitu para karyawan yang upahnya ≥ Rp 200 000,- per minggu dan para karyawan yang upahnya
< Rp 200 000,-. Dalam kaitan ini dapat dituliskan sebagai berikut :
S = ruang sampel ( seluruh karyawan suatu perusahaan)
A = karyawan perusahaan yang upahnya ≥ Rp 200 000,- per minggu
A = karyawan perusahaan yang upahnya < Rp 200 000,- per minggu
Dengan demikian maka :
R = { x : x A, atau x A }
Dapat ditunjukkan bahwa A dan A selain exhausive, juga mutually exclusive
Contoh 8.10:
A = {x: 0 ≤ x ≤ 150 000 }
B = {x: x ≥ 150 000}
A B = {x: x = 150 000)
Contoh 10.10:
A = { x: 3 ≤ x ≤ 7}, B = { x: 8 ≤ x ≤ 14}, maka A B = { x : 3 ≤ x ≤ 14 }
Dengan demikian maka jelaslah perbedaan antara interseksi dan union dari dua kejadian
101
A (B C) = ( A B) (A C)
Aturan Penjumlahan
Kejadian Saling Meniadakan (( mutually exclusive)
Ada dua jenis kejadian yang perlu diperhatikan dalam aturan penjumlahan ini yaitu apakah kejadian
tersebut bersifat saling meniadakan ( mutually exclusive) ataukah tidak saling meniadakan .
Contoh 11.10:
Jika sebuah dadu dilempar, munculnya mata dadu 4 dan 5 tidak bisa terjadi secara bersamaan,
sehingga munculnya mata dadu 4 akan meniadakan munculnya mata dadu yang lain.
Jika dua kejadian A dan B bersifat mutally exclusive maka aturan penjumlahan menyatakan bahwa
probabilitas terjadinya A dan B sama dengan aturan penjumlahan dari masing-masing nilai
probabilitanya, dan dituliskan dalam rumus sebagai berikut:
Contoh 12.10
Sebuah perusahaan perdagangan dalam pengkemasan gula curah menjadi kemasan gula dalam paket,
menunjukkan bahwa sebagian besar kantong plastik berisi gula tersebut
beratnya sesuai dengan standar yang telah ditentukan. Walaupun demikian karena ada sedikit variasi
dalam ukuran kemasan, maka terjadi variasi dalam timbangan , ada yang lebih berat dan ada yang
lebih ringan dari berat standar. Pengecekan dilakukan terhadap 5000 paket gula kemasan menunjukkan
hasil seperti dibawah ini:
Tabel 6.10. Hasil Penimbangan Berat Gula
Berat Kejadian Jumlah Paket Probabilitas
Lebih ringan A 200 200
5000 = 0,04
Standar B 4500 4500
5000 = 0,90
Lebih Berat C 300 300
5000 = 0,06
Jumlah 5000 1,00
102
Hitung berapa probabilitanya sebuah paket tertentu beratnya akan lebih berat atau lebih ringan dari
berat standar ?
Penyelesaian:
Kejadian A menunjukkan paket yang lebih ringan
Kejadian C menunjukkan paket yang lebih berat
Sesuai dengan peraturan penjumlahan sebagaimana rumus 9.3 maka:
Kejadian di atas adalah kejadian yang saling meniadakan,artimyasebuah paket tidak dapat memenuhi
lebi berat, standar, atau lebih ringan, namun harus salah satu dari ketiga kriteria tersebut.
Contoh 13.10
Dalam suatu penelitian terhadap 200 wisatawan yang mengunjungi Jakarta , ternyata diperoleh bahwa
ada 120 orang wisatawan telah mengunjungi Taman Mini Indonesia Indah (TMII), dan ada 100 orang
yang mengunjungi Taman Impian Jaya Ancol (TIJA).Jika aturan penjumlahan pada kejadian saling
meniadakan diterapkan maka maka probabilita seorang wisatawan terpilih telah pergi ke TMII adalah
120
200 = 0,60 , dan probabilitas seorang wisatawan telah berkunjung ke Taman Impian Jaya Ancol
100
adalah 200 = 0,50, sehingga jumlah probabilita dari dua kejadian tersebut adalah 0,60 + 0,50
>1,00, hal ini tidak mungkin Dari hasil penelitian ini ternyata ada 60 orang yang disamping
mengunjungi Taman Mini juga mengunjungi Taman Impian Jaya Ancol. Sehingga untuk menjawab
berapa probabilita seorang wisatawan terpilih mengunjungi TMII atau Taman Impian Jaya Ancol
adalah jumlah probabilita di atas (0,60 + 0,50) dikurangi dengan nilai probabilita wisatawan
mengunjungi ke dua tempat wisata tersebut. Dengan demikian maka :
P(TMII atau TIJA) = P(TMII) + P(TIJA)- P(TMII dan TIJA}
120 100 60
= 200 + 200 - 200 = 0,80
Jika ada dua kejadian saling berinterseksi (intersection event) probabilitanya disebut probabilitas
bersama (joint probability). Dan hal ini dapat dirumuskan sebagai berikut:
103
Jika E1 dan E2 adalah dua peristiwa, maka probabilita E2 terjadi diasumsikan bahwa E1 telah terjadi.
Atau dengan perkataan lain probabilita E2 setelah kejadian E1., dan dinyatakan sebagai P(E2|E1), dan
disebut sebagai probabilita bersyarat (Conditional Probability) dari E2 jika E1 telah terjadi
P(AB) = P(A).P(B)
= (0,7)(0,5) = 0,35
Contoh 15.10 .
Misalkan sebuah kotak berisi 3 buah bola putih dan 2 bola hitam Jika E 1 adalah peristiwa “bola yang
diambil pertama adalah bola hitam “ dan E2 adalah peristiwa “bola yang ditarik kedua adalah hitam”
dan dalam peristiwa ini bola yang telah diambil tidak dikembalikan lagi kedalam kotak, maka
peristiwa E1 dan E2 merupakan peristiwa takbebas.
2 2
Probabilita bahwa bola yang ditarik pertama adalah hitam adalah P(E 1) = 3 2 5
Probabilitas bola yang diambil kedua juga berwarna hitam, jika bola yang ditarik pertama berwarna
1 1
hitam adalah P(E2|E1) =
3 1 4
. Jadi probabilita bahwa kedua bola yang diambil berwarna
hitam adalah:
P(E1E2) = P(E1). P(E2|E1)
104
2 1
= 5 4
= 0,1
Contoh 16.10 :
Peluang pesawatpenerbangan reguler berangkat tepat waktu adalah 0,83.
Peluang penerbangan mendarat tepat waktu adalah 0,92, dan peluang penerbangan berangkat dan
mendarat tepat waktunya adalah 0,78
Penyelesaian:
A = kejadian pesawat berangkat tepat waktu, P(A) = 0,83
B = kejadian pesawat mendarat tepat waktu, P(B) = 0,92
P(A B) = 0,78
P A B 0, 78
P A
a. P(B|A) = = 0,83 = 0,94
P A B 0, 78
P B
b. P(A|B) = = 0,92 = 0,85
Contoh 17.10
Untuk menghindari terjadinya suatu kebakaran pada suatu bangunan besar yang diakibatkan oleh
kebakaran kabel, pimpinan proyek telah menghitung peluang beberapa komponen yang dapat menjadi
pemicu kebakaran yaitu:
a. Peluang terjadinya kelalaian pemasangan jaringan kabel pada suatu bangunan besar
adalah 0,025
b. Peluang terjadinya kebakaran kabel akibat ada kelalaian dalam pemasangan jaringan
adalah 0,20
c. Peluang terjadinya kebakaran kabel yang diakibatkan faktor lain (bukan karena
kelalaian pemasangan jaringan adalah 0,015
Pertanyaan : Berapa peluang akan terjadi kebakaran akibat kelalaian pada pemasangan
jaringan.
Penyelesaian:
105
Jika kejadian kelalaian pemasangan kabel disebut A, maka P(A) = 0,025, dengan demikian P( A ) =
1- P(A) = 1- 0,025, sehingga P( A ) = 0,975
Kejadian terjadinya kebakaran kabel disebut B, maka P(B) = 0,20
Kejadian terjadinya kebakaran kabel akibat faktor lain (bukan karena faktor A)
P(B| A ) = 0,015
Peluang posterior yang kita notasikan dengan P(A|B), adalah yang akan dihitug dengan teorema Bayes
atau rumus Bayes sebagai berikut:
P A P B A
P(A|B) =
P A P B A P A P B A
0, 025 0, 20
=
0, 025 0, 20 0,975 0, 015
= 0,255
Contoh 18.11 :
Untuk memproduksi sejenis alat rumahtangga suatu pabrik menggunakan mesin sebanyak empat
buah. Produksi harian dari keempat mesin yersebut masing-masing sebanyak 1000, 1200, 1800, dan
2000 buah. Produksi dari mesin pertama, kedua, ketiga, dan keempat masing-masing mempunyai
tingkat kerusakan 1%; 0,5 %; 0,5 %,dan
1%. Jika hasil produksi dipilih secara acak dan ternyata rusak.
Pertanyaan:
Berapa probabilita bahwa barang yang dipih tersebut dari mesin pertama, kedua, ketiga, dan keempat?
Penyelesaian:
Jika: R = barang rusak
S = 1000 + 1200 + 1800 + 2000 = 6 000 (ruang sampel)
Besarnya probabilita bahwa barang yang diambil itu dari mesin pertama, kedua, ketiga,
dan keempat adalah sebagai berikut:
1000 1 1200 1 1800 3 2000 1
P(M1) = 6000 6 ; P(M2) = 6000 5 ; P(M3) = 6000 10 ; P(M4) = 6000 3
=
1
6 (0,01) +
1 3
5 (0,005) + 10 (0,005) +
1
3 (0,00333)
= 0,00166 + 0,001 + 0,0015 + 0,00333
P(R) = 0,00749
Dengan demikian maka besarnya probabilita barang tersebut rusak dari mesin pertama,
Dari mesin kedua, dari mesin ketiga, dan dari mesin keempat adalah:
106
a. Besarnya probabilita barang rusak dari mesin pertama
P M1 P R M1 0, 00167
P R
P(M1|R) = = 0, 00749
= 0,22 3
b. Besarnya probabilita barang rusak dari mesin kedua
P M2 P R M2
P R
P(M2|R) =
0, 001
= 0, 00749
= 0,1335
c. Besarnya probabilita barang rusak dari mesin ketiga
P M3 P R M3
P R
P(M3|R) =
0, 0015
= 0, 00749
= 0,200
d. Besarnya probabilita barang rusak dari mesin keempat
P M4 P R M4
P R
P(M4|R) =
0, 0033
= 0, 00749
= 0,441
Probabilita bersarat
Probabilita bersyarat adalah probabilitas suatu peristiwa (X) akan terjadi dengan syarat ada suatu
peristiwa Y telah terjadi.
Contoh 19.10
Hitunglah probabilitas wanita yang memilih Partai G. Jumlah pemilih dapat dicerminkan pada
Tabel7.10 sebagai berikut:
Penyelesaian
Jumlah wanita menurut Tabel 7.10 sebanyak 80,dari jumlah ini 40 memilih partai G, sehingga
probabilitas yang diinginkan adalah :
107
40
P(G│W) = 80 = 0,5
Sebaliknya, ingin diketahui probabilitas yang memilih partai G adalah wanita. Tabel 7.10 menujukkan
ada sebanyak 70 yang memilih partai G, dari jumlah ini ada 40 adalah wanita, sehingga probabilitas
yang diinginkan adalah:
40
=0 , 57
P(W│G) = 70
Dari kedua contoh dapat disimpulkan bahwa P(G│W) mempunyai makna yang berbeda
denganP(W│G). namun besarnya P(G│W) dan P(W│G). kadang-kadang bisa sama, namun dalam
contoh inihasilnya berbeda, yaitu 0,5 dibanding 0,57
P(GW ) 0,2 40
= =0,2
P(G│W) = P(W ) 0,4 = 0.5 ; Keterangan: P(GW) = 200 sedangkan
80
P(W) = 200 = 0,4
P(WG ) 0,2 40
= = =0,2
P(W│G) = P(G) 0 ,35 0,57 ; Keterangan: P(WG ) = 200 sedangkan P(G)
70
=
= 200 0,35
P( XY )
P(X│Y) = P(Y ) , jika di kedua ruas dikalikan dengan P(Y) maka probabilitas peristiwa
bersama
adalah
P(XY): = P(Y)P(X│Y) dan = P(X)P(Y│X)
P(YX)
Contoh 20.10
Sebuah kotak yang akan dikirim berisi 12 barang, 9 di antaranya baik dan sisanya cacat.
Pertanyaan:
a. Jika diambil dua barang , berapa probalitas yang pertama baik dan yang kedua cacat
b. Kotak akan ditolak jika diambil 3 barang yang sedikitnya ada satu yang cacat, berapa probabilitas
kotak ditolak.
Penyelesaian :
108
Peristiwa baik kita simbolkan dengan B dan C berarti cacat
9 3
×
a. P(BC) P(B)P(C│B) = 12 11 = 0,2045
b. P (sekurang-kurangnya satu Cacat) = 1 – P(tak ada yang cacat)
= 1 – P(semua baik)
= 1 – P(BBB)
= 1 – P(B).P(B│B).P( B│BB)
= 0,61818
Pada yang lalu telah dibicarakan tentang distribusi frekuensi yang merupakan hasil dari suatu
eksperimen. Distribusi frekuensi dapat digunakan sebagai acuan dan pembanding dari suatu hasil
observasi/eksperimen.Distribusi frekuensi yang sebenarnya diperoleh melalui eksperimen/observasi
memerlukan dana yang tidak murah dan juga banyak kendala sehingga terkadang sulit dilakukan,
namun disisi lain distribusi frekuensi banyak keuntungannya karena banyak hasil yang dapat diperoleh
melalui observasi tersebut. Distribusi probabilita sangat berkaitan dengan distrbusi frekuensi, yang
pada kenyataannya distribusi probabilita juga sebagai suatu distrbusi frekuensi teori. Distrbusi
probabilitasangat berkaitan dengan ekspektasi ataupun model yang sangat berguna dalam ekspektasi
pada suatu kondisi yang kurang menentu.
Beberapa distribusi probabilita yang akan dibahas antara lain : Distribusi Binomial (Binomial
Distribution),Distribusi Hipergeometris (Hipergrometrc distribution),Distribusi Poisson, Distribusi
Normal (Normal distribution),Distribusi t (t-Distribution), Kai-Kuadrat (Chi-Square),dan Distribusi-F
(F- Distribution)
a. Jika ada suatu kejadian dan dihadapkan hanya pada dua alternatif, yaitu “sukses” dan “tidak
sukses”, maka akan dapat dihitung besarnya peluang“sukses” dan “tidak sukses” dalam sekian
kali percobaan.
c. Semua percobaan independen secara statistic, artinya peristiwa dari suatu percobaan tidak
mempengaruhi atau dipengaruhi
109
Rumus distribusi Binomial dapat ditulis sebagai berikut :
N!
C XN p X q N X p X qN X
P(X) = X !( N X )! , dimana X= 1; 2; 3; 4; ......N (10.1)
N! = N(N-1)(N-2)..............(3)(2)(1)
Contoh 1.11:
Probabilitas untuk mendapatkan 2 kali tanda gambar (bunga melati) dalam 6 kali pelemparan mata
uang (coin) Rp500,- adalah :
2 6 2
C26 1 1
P(2) = 2 2 = 0,2344
Catatan: N=6 ; X=2; dan p = q = ½
Contoh 2.11 :
Hitunglah probabilta untuk mendapatkan paling sedikitnya 4 kali tanda gambar bunga melati dalam 6
kali pelemparan sebuah koin Rp500,-
Penyelesaian : Untuk mendapatkan paling sedikitnya 4 kali tanda gambar bunga melati dalam 6 kali
pelemparan berarti munculnya sebanyak 4 kali atau 5 kali atau 6 kali. Untuk menghitung nya adalah
sebagai berikut:
Contoh 3.11:
Dalam 100 kali pelemparan sebuah coin Rp500,- mean (rata-rata) banyaknya kemunculan tanda
gambar (bunga melati) adalah : µ = Np = 100 (½) = 50 , angka ini menyatakan banyaknya tanda
gambar yang diperkirakan atau diharapkan akan muncul dalam 100 kali pelemparan coin tersebut.
110
σ =
2 12
100 1
=5
Contoh 4.11 :
Seorang pengusaha mengatakan bahwa seluruh barang yang diproduksi yang telah dibungkus dengan
standar pengepakan ada yang kualitasnya dibawah standar minimum (cacat) sebanyak 20 %, jika ada
seorang pembeli sebanyak 8 unit yang dipilih secara acak. Jika X adalah banyaknya barang yang
memenuhi standar (tidak cacat):
Penyelesaian:
Tabel Probabilita tersebut diatas dihitung berdasarkan rumus (10.1), dengan N= 8, dan p= 0,80 dan
q =1- 0,80 = 0,2
Untuk menjawab pertanyaan a : lihat tabel diatas kolom (3), sedangkan untuk untuk menjawab
pertanyaan b lihat kolom (4); F(x) (probabilita komulatif)
c. untuk menjawab pertanyaan c ada 5 yang cacat, berarti ada 3 yang bagus ( sesuai standar), lihat tabel
di atas dimana x =3 berarti P(x=3) = 0,0092
d.Sedangkan untuk menjawab pertanyaan d dapat menggunakan tabel di atas.
Contoh 5.11
111
Misalnya, suatu kotak terdiri dari 100 barang, 90 di antaranya baik dan sisanya cacat. Kemudian
dilakukan pengambilan sampel sebanyak 6 buah barang dari kotak tersebut
Pertanyaan:
Dengan demikian oleh karena n > 5% maka penyelesaiannya adalah sebagai berikut:
90 100−90
C 4 C6−4
100
=0 , 0965
P (r =4) = C6
Berikut ini perbandingan perhitungan probabilitas hasil perhitungan dengan Probabilitas
hipergeometris dan dengan menggunakan Probabilitas Binomial
Perlu diingat bahwa jika sampling dilakukan dengan with replacement , maka syarat independensi dan
probabilitas konstan akan dipenuhi, sehingga rumus binomial harus diterapkan, meskipun n > 0,05N
Distribusi ini sering muncul atau sering digunakan dalam kegiatan manajemen, tidak jarang distribusi
Poisson ini diterapkan pada bidang jumlah pasien yang datang di rumah sakit, banyaknya para
nasabah yang datang di suatu bank, jumlah kecelakaan yang terjadi di suatu ruas jalan, dan lain
sebagainya . Beberapa proses kejadian dan kedatangan seperti yang disebutkan di atas itu belum pasti
mengikuti distribusin Poisson, Jika pola kejadiannya diasumsikan mengikuti proses Poisson, maka
rumus proses Poisson dapat digunakan untuk menghitung probabilita banyaknya “kedatangan”dalam
suatu selang waktu tertentu. Distribusi Poisson sering digunakan untuk pendekatan distribusi Binomial
untuk menyelasaiakan persoalan binomial dalam keadaan tertentu.
112
Distribusi Poisson Sebagai Pendekatan Distribusi Binomial
Rumus Poisson dapat digunakan untuk mendekati probabilitas jumlah sukses dalam sejumlah
percobaan, juika banyaknya percobaan (n >20) dan probabilita sukses p < 0,05 atau p > 0,95. Secara
umum, jika n makin besar, dan probabilita sukses mendekati 0 atau 1, penggunaan rumus Poisson akan
semakin baik. Rumus Poissonuntuk pendekatan probabilitas, jumlah sukses dalam sejumlah percobaan
adalah :
−μ r
ℓ μ
P(r)= r!
Contoh 6.11
Sebuah perusahaan mempunyai 20 buah desktop . Kemungkinan setiap laptop tidak berfungsi pada
hari tertentu adalah 0,02.
Pertanyaan:
a. Berapa probabilitas 3 buah desktop harus diperbaiki karena tidak berfungsi
b. Berapa probabilitas 3 buah desktop harus diperbaiki, jika perusahaan memiliki 50
laptopdan kemungkinan setiap desktop tak berfungsi pada hari tertentu adalah 0,01
−μ r
ℓ μ
n r n−r
Pendekatan Poisson : P( r ) = r! Rumus Binomial : P( r ) = Cr p q
ℓ−0,4 (0,4 )3
3! 20!
a. P(3) = (0,02)3 (0,98)17
a. P(3) = 17!3!
= 0,0072 = 0,0065
Proses Poisson
Rumus proses Poisson member jawaban tentang berapa probabilitas kedatangan dalam suatu interval
waktu , jika kedatangan itu mengikuti proses Poisson yang mempunyai ciri seperti berikut:
113
2. Tingkat kedatangan rata-rata per satuan waktu adalah konstan. Ini berarti jika dalam satu
jam ada 100 kedatangan , maka dalam 30 menit terjadi 50 kedatangan , dan dalam 10
menit terjadi 16,7 kedatangan
3. Banyaknya kedatangan dalam suatu selang waktu tidak dipengaruhi oleh apa yang terjadi
dalam selang waktu sebelumnya. Independensi antar kedatangan menyebabkan proses
Poisson dikatakan tidak punya ingatan (no memory)
4. Probanbilitas suatu kedatangan dalam selang waktu yang sangat pendek adalah sangat
kecil sehingga probabilitas lebih dari satu kedatangan dalam selang waktu yang pendek
akan mendekati nol
Jika proses kedatangan memenuhi syarat –syarat seperti di atas, maka rumus proses Poisson dapat
digunakan untuk menjelaskannya. Probabilitas terjadinya sejumlah kedatangan yang mengikuti proses
Poisson dirumuskan:
ℓ−λt ( λt ) x
P(x) = x!
dimana :
t = banyaknya satuan waktu
λ = tingkat kedatangan rata-rata per satuan waktu
x = banyaknya kedatangan dalam t satuan waktu
Contoh 7.11:
Kedatangan pasien rata-rata di ruang gawat darurat adalah 5 per hari. Jika kedatangan mengikuti
proses Poisson
Pertanyaan:
a. Berapa probabilitas kedatangan 3 pasien per hari
b. Berapa probabilitas kedatangan 3 pasien pada malam hari saja
Penyelesaian:
a). t = 1 ; λ = 5 ; x = 3
ℓ−5( 1) (5. 1)3
P(3) = 3! = 0,14042
12
b), t = 24 = 0,5 ; λ = 5 ; x = 3
Contoh 8.11
Suatu mesin diturunkan untuk diperbaiki rata-rata 3 kali sebulan. Penurunan mesin lebih dari
6 kali
Menyebabkan rencana produksi tak tercapai. Jika penurunan mesin mengikuti Poisson ,
Pertanyaan:
Berapa probabilita rencana produksi tak tercapai
114
Penyelesaian:
Rencana produksi tidak tercapai jika mesin diturunkan lebih dari 6 kali. Kita tahu bahwa
P(x ˃ 6) = 1 – P(x ≤ 6)
6
∑ P( x )
= 1 – x=1 → lihat tabel
= 1– 0,9665
= 0,0335
Salah satu bentuk distribusi probabilita yang dianggap paling penting adalah distribusi normal atau
distribusi Gauss. Data hasil observasi/eksperimen mengikuti distribusi normal. Beberapa contoh hasil
eksperimen seperti nilai hasil ujian, berat badan, tinggi mahasiswa distribusinya mengikuti distribusi
normal. Hasil pengukuran tinggi badan mahasiswa disajikan dalam bentuk tabel seperti dibawah ini :
Jika variabel kontinu X mengikuti fungsi normal dengan rata-rata µ ,dan standar deviasi σ, biasanya
ditulis seperti : X = N(µ,σ), sedangkan fungsinya ditulis:
2
1 x
1
e 2
f(x) = 2 dimana :
π = 3,14159 ; σ = standar deviasi ; µ = rata-rata X ; e = 2,71828
2
1 x
1
2
e 2
= dx = 1
Luas total area yang dibatasi oleh kurva dengan persamaan yang ditulis pada rumus (10.2) adalah
1(satu), sehi8ngga luas areal dibawah kurva yang berada diantara dua ordinat X = a dan X = b dimana
a < b akan mempresentasikan probabilita bahwaX berada diantara a dan b Probabilita ini dinyatakan
sebagai P(a <X < b)
115
4. Ekor kanan dan kiri dari kurva distribusi probabilita normal merupakan asimptot dari
sumbu X, sehingga tidak akan pernah menyentuh sumbu X
Untuk memudahkan dalam penyelesaian masalah yang menggunakan persamaan
2
1 x
1
e 2
f(x) = 2 seorang ahli matematika telah menstandarkan menjadi :
1
1 z2
X
e 2
µ X
( µ-σ) (µ+σ)
(µ-2σ) (µ+2σ)
(µ-3σ) (µ+3σ)
–
-1 -2 -1 μ=0 1 2 3 Z
116
Untuk keperluan perhitungan probanilita luas kurva normal disamakan
dengan satuan 100%, dan luass area dibawah ada pada tabel distribusi normal. (lihat tabel
Distribusi Normal Standar)
Penentuan Milai Peluang Pada Kurva Normal
Bagi data yang berdistribusi normal dengan menggunakan kaidah empiris diperoleh kondisi sebagai
berikut :
Sebanyak 68 % data berada pada batas X 1 Std
Sebanyak 95 % data berada pada batas X 2 Std
Sebanyak 99 % data berada pada batas X Gambaran kurva Normal dengan skala biasa ( = X ) dan
skala baru (= Z ) sebagai berikut :
50 % 50 %
X
μ-3σ μ-2σ μ- 1σ μ μ+1σ μ+2σ μ+3σ
Z
0
68,26% ׀
95,46 %
Z = N(0;1)
99,74% disebut variabel
Normal Baku
117
Sehingga : P (50 ≤ X ≤ 62 ) = P ( 0 ≤ Z ≤ 0,48 ), dan hal ini dapat dilihat pada tabel :P ( 0 ≤ Z ≤ 0,48 )
= 0,1844
55 50
b. P ( X ≥ 55 ) → Z55 = 25 = 0,2 , maka P ( X ≥ 55 ) = P ( Z ≥ 0,2 )
Perhatikan bahwa P ( Z ≥ 0,2 ) = 0,50 - P ( Z≤ 0,2 )
= 0,50 – 0,0793
= 0,4207
40 50
0, 4
c. P ( X≤ 40 ) → Z40 = 25 maka: P ( X≤ 40 ) = P ( Z>- 0,4 )
= 0,50 – P ( 0 ≤ 0,4 )
= 0,50 – 0,1554
= 0,3446
45 50 60 50
d. P (45 ≤ X < 60 ) → Z45 = 25 = - 0,2 sedangkan Z60 = 25 = 0,4
maka P (45 ≤ X < 60 ) = P (- 0,2 ≤ Z ≥ 0,4 )
= P (0 ≤ Z ≥ 0,2 ) + P (0 ≤ Z ≥ 0,4 )
= 0,0793 + 0,1554
= 0,2347
Contoh:
Seorang pemilik pabrik ban ingin mendapatkan perkiraan tentang rata-rata panjang jalan yang dapat ditempuh
(dalam ribuan km) oleh ban merek baru, sampai ban tersebut rusak. Asumsinya ban tersebut dipergunakan
secara wajar dalam kondisi jalan yang relatif sama. Untuk keperluan tersebut, telah dilakukan penelitian terhadap
400 ban merek baru yang telah sampai rusak. Hasil penelitian dapat disajikan dalam tabel dibawah ini :
Distribusi Frekuensi Umur Ban Merek Baru:
Batas Kelas
Jalan yang telah Banyaknya
ditempuh Ban
(1000 km) (f)
13 - 15 20
16 - 18 40
19 - 21 50
22 - 24 70
25- 27 80
28 - 30 60
31 - 33 40
34 -36 30
37 -39 10
Jumlah 400
Pertanyaan:
Buatlah distribusi normal kumulatif standar Z (Standardize Normal)
Penyelesaian:
Untuk menjawab pertanyaan tersebut perlu langkah-langkah berikut :
Perlu dibuat tabel sebagai berikut :
Batas Kelas
Jalan yang telah Nilai Tengah Banyaknya Ban Frekuensi Relatif Frekuensi
ditempuh (X) (f) Kumulatif
(1000 km) P (X ≤ x)
13 -15 14 20 0,050 0,050
16 -18 17 40 0,100 0,150
19 -21 20 50 0,125 0,275
22 -24 23 70 0,175 0,450
118
25 -27 26 80 0,200 0,650
28 -30 29 60 0,150 0,800
31 -33 32 40 0,100 0,900
34 -36 35 30 0,075 0,975
37 -39 38 10 0,025 1,000
Jumlah 400 1,000 -
Selanjutnya agar dapat menggunakan Tabel Distribusi Normal , maka diperlukan transformasi nilai-nilai
X
kedalam nilai- nilai Z, dan transformasinya adalah sebagai berikut Z = dengan menggunakan rumus ini
akan didapat tabel sebagai berikut :
Batas Kelas
Jalan yang telah Nilai Tengah Nilai Z Distribusi Normal Frekuensi
ditempuh (X) Kumulatif Kumulatif f (k)
(1000 km) F(X) (observasi)
13 -15 14 -0,185 0,0322 0,050
16 -18 17 -1,36 0,869 0,150
19 -21 20 -0,87 0,1922 0,275
22 -24 23 -0,38 0,3520 0,450
25 -27 26 0,11 0,5438 0,650
28 -30 29 0,61 0,7291 0,800
31 -33 32 1,10 0,8665 0,900
34 -36 35 1,59 0,9441 0,975
37 -39 38 2,08 0,9812 1,000
Distribusi Kai Square adalah distribusi untuk variabel kontinu χ2 yang besarnya sama dengan jumlah kuadrat dari
sejumlah nilai Z untuk X yang menyebut Normal,
n 1 S 2
2 2
X
2
2
atau 2
Nilai Kai Square berawal dari nol sampai tak terhingga. Bentuk kurva kai square bermacam-macam tergantung
dari derajat bebasnya. Semakin besar derajat bebasnya semakjn simetri bentuk kurvanya Tabel distribusi kai
square diperlukan untuk menduga besarnya ragam populasi atas dasar sampel yang terambil secara acak. Selain
itu juga banyak digunakan pada statistik non para metrik, terutama untuk datayang berskala ukur nominal. Kai
square juga dapat digunakan untuk mengetahui korelasi data kualitatif dengan menggunakan koefisien bersyarat:
Cc (Contengensy Coefficient).
Untuk mengetahui korelasi data kualitatif akan menggunakan cara koefisien bersyarat Cc
(cotingency coefficien ) yang mempunyai pengertian yang sama seperti koefisien korelasi.
Digunakan untuk mengukur kuatnya hubungan data kualitatif dimana Cc sebesar nol, yang berarti tidak ada
hubungan. Besarnya Cc tidak akan sama dengan satu , namun tergantung pada fungsi banyaknya kategori
r 1
( baris dan kolom ). Batas tertinggi / batas atas nilai Cc ialah : r , dimana nilai r adalah banyaknya baris
atau kolom. Jika banyaknya baris tidak sama dengan benyaknya kolom pilih nilai terkecil .
Sedangkan untuk menghitung Cc digunakan rumus sebagai berikut :
119
p q p q p q
x2 n fij ni. n. j nij
Cc = x 2 n , dimana i 1 j 1 i 1 j 1 i 1 j 1
(6.3)
n = jumlah observasi
f eij
2
p q
ij
e
χ 2 = i 1 j 1 ij , (6.4)
di mana: fij = nij = frekuensi atau banyaknya observasi baris i kolom
i = 1,2,3,..................................., p
j = 1,2,3,..................................., q
χ 2 (chi- square) dibaca kai square.
Cara penghitungan χ 2 sama dengan test hipotesis χ 2 hanya saja terbatas pada perbandingan antara perhitungan
Cc dengan batas atas saja. Jika Cc dibagi dengan batas atas lebih kecil dari 0,50 , maka hubungan dikatakan
lemah.
Berikut ini langkah-langkah untuk menghitung korelasi data kualitatif
a. hitung nilai χ2
x2
b. Hitung nilai Cc = x2 n
c. hitung batasn atas nilai Cc dengan menggunakan rumus sebagai berikut:
r 1
Batas atas Cc = r
x2 r 1
d. Bandingkan Cc dengan batas atas Cc atau x 2 n dibagi dengan r
jika hasilnya < 0,50 maka dikatakan hubungan lemah, sebalikmya jika
hasil dari perbandingan tersebut lebih dari 0,50 hubungan data kualitatif
tersebut dikatakan cukup kuat. Untuk menghitung χ2 diperlukan lembar kerja sebagai berikut :
120
Keterangan :
II 1 2 .... j ........ q Jumlah
I
(1) (2) (3) (4) (5) (6) (7) (8)
1 f11 f12 ........... f1j .......... f1q n1.
(e11) (e12) (e1j)
2 f21 f22 ........... f2j ........... f2q n2.
(e21) (e22) (e2j) (e2q)
. ..........
. ..........
q p q q p q
j 1
fij ni . n
i
i 1
f ij n. j n
j 1
n
i 1 j 1
ij n
ni. = n.j = , maka n.j =
Kalau nilai perbandingan Cc dengan batas tertinggi < 0,50 maka hubungan lemah, terletak antara 0,50 dan 0,75
maka hubungan sedang / cukup, antara 0,75 dan 0,90 maka hubungan kuat, antara 0,90 dan 1 maka hubungan
sangat kuat, sama dengan 1 (satu) maka hubungan sempurna.
Contoh 1:
Untuk mengetahui apakah ada hubungan antara tingkat pendidikan ibu rumah tangga dengan tingkat pemberian
ASI kepada anak mereka , dilakukan penelitian yang hasilnya seperti dalam tabel berikut:
121
Dari data seperti dalam tabel hitunglah Cc untuk mengukur hubungan antara tingkat pendidikan ibu rumahtangga
dengan pemberian ASI kepada anak mereka.
Dalam lembar di atas setiap cell terdiri dari dua angka , yaitu angka frekuensi kategori dan angka frekuensi
harapan ( expected frequency) yang berada dalam kurung .
f eij f eij
2 2
p q 3 3
ij ij
2 i 1 j 1 eij 2 i 1 j 1 eij
χ = ; berdasarkan rumusm ini maka χ = , maka;
f eij
2
3 3
ij
i 1 j 1 eij
χ 2=
f11 e11 f12 e12 f13 e13 f 33 e33
2 2 2 2
χ 2=
e11 +
e13 +
e13 + ..............+
e33
122
Selanjutnya dihitung dihitung nilai koefisien bersyarat (contingency coefficient) dengan rumus sebagai berikut :
x2 45,54
Cc = x2 n Cc = 45,54 527 Cc = 0,28
r 1
Kemudian dihitung batas atas Cc dengan rumus Cc = r , oleh karena jumlah baris dan jumlah kolom
3 1
sama, maka batas atas Cc = 3 = 0,82. Dengan membandingkanContingency Coefficient (Cc) dengan batas
0, 28
atas Cc yaitu 0,82 = 0,34.
Karena hasilnya lebih kecil dari 0,50, maka dapat dikatakan korelasi (hubungan) antara tingkat pendidikan ibu
rumahtangga dan tingkat pemberian ASI dapat dikatakan lemah
Ada atau tidaknya hubungan antara tingkat pendidikan dengan pemberian ASI pada anaknya dapat dilakukan
test hipotesis sebagai berikut, berdasarkan perhitungan seperti yang telah dilakukan diatas, maka hipotesisnya
adalah:
Fungsi distribusi Kai Square dapat juga digunakan untuk menduga parameter ragam (varian). Karena jika sampel
acak berukura n diambil dari populasi normal dengan varian sebesar σ 2 tetapi nilainya tidak diketahui maka
penduga titik σ2 adalah S2 dan ragamnya akan menyebar mengikuti distribusi Kai Square ( χ 2 ) dengan fungsi
n 1
2
S2
2
2
Dengan selang kepercayaan ( 1- α ) bagi σ2 adalah :
n 1 S 2 2
n 1 S 2
2
21
,v ,v
2 2
dengan derajat bebas v = n-1
Contoh 2.
Data berikut adalah volume (desi liter) 10 kaleng buah yang diproduksi oleh sebuah mesin otomatis:
Untuk mengetahui konsistensi mesin tersebut, buatlah selang kepercayaan 90% bagi ragam populasi volume
kaleng
123
Dari Tabel Kai Square ( χ 2 )akan diperoleh
Penyelesaian
S2 = 0,2862
n = 10
α = 0,10
9 0, 2862 9 0, 2862
2
16,919 3,325
0,1552≤ σ2 ≤ 0,7748
Distribusi t Student
Distribusi t selain digunakan untuk menguji suatu hipotesis juga dapat digunakan untuk membuat dugaan interval
(interval estimate). Biasanya distribusi t digunakan untuk menguji hipotesis mengenai nilai parameter dari
paling banyak dua populasi. (jika lebih dari dua populasi, harus digunakan distribusi F dan menggunakan tabel F
) dari sampel yang tidak begitu besar (small sample size) mialnya <100, bahkan sering kali ≤ 30 Untuk n yang
yang relatif besar ( n ≥ 100, atau > 30 ) dapat digunakan distribusi normal, artinya tabel normal dapat digunakan
sebagai pengganti tabel t.
Kalau Z = N(0,1) dan χ2 = Chi Square dengan derajat kebebasan v, maka variabel dapat diperoleh dengan cara
seperti dibawah ini:
X X
SX S
t= n
Variabel t dapat dapat mengambil nilai negatif maupun positif, oleh karena pada dasarnya variabel t ini
berasal darivariabel normal. Telah kita ketahui bahwa variabel normal selain mengambil nilai positif juga nilai
negatif. Variabel t ini juga mempunyai kurva yang simetris terhadap t dimana t = 0
Pendugaan Parameter .
Pendugaan bisanya dilakukan jika kita menghadapi suatu masalah yang segera diputuskn, sebagai dasar
pengambilan keputusan. Dalam statistika inferensia kita juga melakukan pendugaan. Pendugaan yang dilakukan
adalah pendugaan karakteristik populasi dengan menggunakan informasi karakteristik sampel, dan pendugaan ini
disebut pendugaan parameter .
Tipe Pendugaan
Ada dua tipe pendugaan mengenai karakteristik populasi, yaitu pendugaan titik (point estimate) dan pendugaan
interval (interval estimate). Kelemahan pendugaan titik kita dihadapkan pada masalah nilai tunggal yang mau
tidak mau kita disadarkan oleh ada suatu kienyataan benar atau salah, dengan demikian pendugaan nilai tunggal
tidak cukup, sehingga kita memerlukan suatu pendugaan dengan interval tertentu dan hal ini biasa disebut
dengan interval selang. Pada tipe pendugaan selang ini ada dua istilah yang sering digunakan yaitu tingkat
kepercayaan dan selang kepercayaan
Tingkat kepercayaan adalah persentase dugaan selang yang memenuhi parameter tang diduga, bila dilakukan
pengambilan sampel berulang.
Selang kepercayaan adalah batas-batas nilai yang memenuhi pendugaan sesuai dengan tingkat kepercayaan yang
dibuat. Disadari bahwa tingkat kepercayaan ini tidak diketahui, tetapi diganti dengan suatu nilai yang
124
disimbolkan dengan α, sehingga α = 1- (tingkat kepercayaan). Bila tingktingkat kepercayaan 95% berarti α = 5%
dan seterusnya.
Statistik sampel yang digunakan untuk menduga parameter populasi disebut penduga bagi parameter populasi;
X adalah penduga bagi rata-rata populasi (μ)
S adalah penduga bagi standar deviasi populasi σ
p adalah penduga bagi proporsi populas P
Dalam kaitan ini hanya akan dibahas pendugaan terhadap pendugaan parameter rata-rata, parameter proporsi dan
parameter ragam
ˆ X X
Penduga titik bagi bagi rata-rata populasi adalah: n
Penduga selang rata-rata bila standar deviasai populasi diketahui (berdasarkan pengalaman atau penelitian
terdahulu adalah :
X Z X Z X Z
2 n 2 n 2 n
atau ditulis dengan
Keterangan:
X = rata-rata sampel
α = 1 – (tingkat kepercayaan)
Z
2= nilai Z dari tabel Z
σ = standar deviasi populasi
n = banyaknya anggota sampel
Contoh penerapan 1
Sebuah perusahaan meluncurkan sebuah produk baru “Slimtrim” yaitu sebuah produk yang mengeluarkan
aroma untuk mengurangi berat badan . Untuk mengetahui efektifitas produk tersebut dilakukan penelitian
terhadap 7 orang wanita sebagai sampel. Berat badan ke tujuh wanita tersebut sebelum dan sesudah
menggunakan “Slimtrim” selama duaminggu adalah sebagai berikut
d = 3,5571
Sd = 2,7760
t (0,025; 6) = 2,447
Selang 95% untuk rata-rata
125
2, 7760
3,5571 ± 2,447 7 maka: 0,9897 ≤ μd ≤ 6,1246
Artinya kita yakin 95% bahwa penurunan berat badan selama dua minggu setelah menggunakan “Slimtrim”
adalah antara 0,9897 sampai 6,1246 kg. Karena nilai nol tidak masuk dalam selang maka dapat disimpulkan
bahwa “Slimtrim” efektif
Contoh Penerapan 2 :
Suatu studi tentang pertumbuhan tanaman kaktus jenis tertentu menunjukkan bahwa dari 50 tanaman yang
dianggap sebagai sampel rata-rata tumbuh 44,8 mm dengan standar deviasi sebesar 4,7 mm selama jangka waktu
12 bulan.
Pertanyaan:
Buatlah interval konfiden 95% untuk rata-rata pertumbuhan tahunan yang sesungguhnya dari jenis kaktus
tersebut.
Penyelesaian:
n = 50 X = 44,8 mm S = 4,7 mm
Konviden Interval 95% untuk pertumbuhan tahunan yang sesungguhnya dari jenis kaktus tersebut sebagai
berikut:
Rumus selang kepercayaan bagi rata-rata populasi, dimana n > 30 dan σ (populasi) tidak diketahui:
S S
x Z x Z
2 n 2 n
n x
N M maka penduga titik adalah : p = p
126
dimana :
pq pq
P p Z 2
p – Z α/2
n n
dimana :
Contoh aplikasi
Berdasarkan hasil pemeriksaan terhadap 400 unit sampel ban mobil ternyata 40 unit diantaranya tidak memenuhi
standar kualitas. Buatlah selang kepercayaan 95% bagi proporsi ban yang tidak memenuhi standar kualitas
Penyelesaian
X = 40 ; n = 400
p = 40/400 = 0,1 ; maka q = 1- 0,1 = 0,90
Selang kepercayaan 95% :
(0,1)(0,9)
0,1 ± 1,96 400 0,1 ± 0,0294
0,0706 ≤ P ≤ 0,1294
Artinya ban mobil yang tidak memenuhi standar kualitas sebesar7,06 sampai 12,94 persen
P1
P2
N1
N2
Penduga bagi titik (P1- P2) adalah ( p1- p2 ). Bila jumlah sampel besar maka selisih proporsi ini akan menyebar
mengikuti distribusi Normaldengan rata-rata P1- P2 dan standar deviasi
sebesar :
p1q1 p2 q2
Sp1-p2 = n1 n2
127
Bila jumlah n besar ( n > 30 ), maka selang (1- α ) 100% bagi proporsi adalah :
p1q1 p2 q2
Z
(p1-p2) ±
2
n1 n2
Contoh aplikasi
Suatu jajag pendapat dilakukan untuk mengetahui perbedaan pendapat penduduk kota dan pinggir kota atas
keberadaan suatu pasar swalayan. Dari penduduk kota diambil sampel sebanyak 2000 orang, dan 1200
diantaranya setuju. Dari penduduk pinggir kota diambil sampel secara acak sebanyak 5000 orang, diantaranya
2400 orang setuju
Pertanyaan:
Buatlah selang kepercayaan 95% bagi selisih proporsi pendapat setuju antara penduduk kota dan penduduk
pinggir kota
Penyelesaian:
P1 P2
N1 N2
0, 6 0, 4 0, 48 0,52
0,12 ± 1,96 2000 5000
0,12 ± 1,96(0,013)
0,12 ± 0,0255 sehingga : 0,0945 ≤ ( P1-P2) ≤ 0,1455
Artinya kita yakin 95% bahwa selisih penduduk kota dan pinggir kota yang setuju terletak antara 9,45 % sampai
14,55%
Dalam suatu penelitian salah satu hal yang harus dipertimbangkan adalah jumlah sampel yang harus ditentukan,
karena besarnya sampel akan sangat mempengaruhi biaya yang harus dikeluarkan untuk menghasilkan informasi
128
yang akurat. Dalam menentukan besarnya sampel ini diperlukan pendekatan berapa besarnya tingkat kesalahan
X Z
2 n
yang masih dapat ditolerir. Pendekatan tersebut adalah : , hal ini analog X ± e
2
Z
2
2
Z Z2
Dimana e =
2 n sehingga: e2 = 2 n maka : n = e
karena besarnya standar deviasi sering tidak diketahui, maka besarnya standar deviasi populasi diperkirakan
melalui tiga pendekatan, yaitu :
a. Dari penelitian yang sudah ada sebelumnya
b. Diambil beberapa sampel untuk menduga standar deviasi populasi
c. Bila dimungkinkan untuk mengetahui nilai pengamatan terkecil dan terbesar, maka
Range
standar deviasi populasi dapat didekati dengan: σ = 4
Contoh aplikasi:
Suatu sampel diambil untuk menduga gaji para eksekutif di PT. AIMTY dengan selang toleransi sebesar $500( e
= 500 )serta tingkat kepercayaan 98 %. Sebelumnya telah diketahui bahwa gaji terbesar dan terkecil dari para
eksekutif di perusahaan tersebut adalah $40000dan $26000. Berapa ukuran sampel yang dibutuhkan pada
penelitian ini.
Penyelesaian:
Diketahui :
e = 500
40000 26000
3500
σ= 4
α/2 = 0,01, maka Z0,01 = 2,33
Dengan demikian ukuran sampel yang dibutuhkan adalah:
2,33(3500)
n= 500
n = 266, 02 dan dibulatkan menjadi 267 unit sampel
Dengan demikian sampel yang dibutuhkan agar mencapai tingkat kepercayaan sebesar 98%, adalah sebesar 267
responden
Pengujian Hipotesis
129
Untuk mengetahui konsep-konsep dalam pengujian hipotesis perhatikan ilustrasi mengenai
keputusan apakah pemerintah menyetujui peluncuran jenis obat baru. Jenis obat ini menurut
produsennya mampu menurunkan tingkat kolesterol darah Departemen Kesehatan (POM)
akan menyetujui peluncurannya bila terbukti bahwa obat itu efektif. Untuk mengetahui khasiat
obat tersebut, dilakukan percobaan terhadap sampel acak yang terdiri 100 orang pria setengah
umur. Setiap peserta sampel diberi obat dengan dosis yang dianjurkan pada selang waktu
tertentu dan secara berkala kadar kolesterol mereka diukur. Pada akhir percobaan perubahan
kadar kolesterol itu dicatat. Dari ilustrasi di atas pemerintah harus memutuskan satu dari dua
alternative:
1. Batalkan (dan membutuhkan penelitian lanjutan)
2. Menyetujui peluncuran obat baru untuk umum
Dari tabel di atas ada dua tipe kesalahan yang mungkin terjadi pada pengujian hipotesis:
1. Salah jenis I (α) yaitu kesalahan akibat menerima Ha padahal sesungguhnya H0 yang
benar. Pada pengujian hipotesis, tipe ini bisa dikontrol sekecil mungkin. Dengan
begitu, ketika menerima Ha kita tahu tingkat kesalahannya. Inilah salah satru sebab
mengapa Ha diharapkan diterima
2. Salah jenis II (β) yaitu kesalahan akibat menerima H 0 padahal sesungguhnya Ha yang
benar. Tipe kesalahan ini tidak bisa dikontrol pada pengujian hipotesis. Salah jenis II
ini cenderung besar. Itulah sebabnya peneliti berharap menolak H 0, sehingga kalaupun
dalam pengujian hipotesis kita menerima H0, tidak disebut bahwa H0 benar, melainkan
“tidak cukup bukti menerima Ha”
130
Pengujian Hipotesis Untuk Suatu Parameter Rata-rata (μ)
Dalam setiap pengujian hipotesis ada beberapa langkah yang harus diikuti :
1. Formulasikan H0 dan Ha , yang disebut jenis pengujian. Ada dua bagian besarjenis
pengujian ini, yaitu pengujian satu sisidan pengujian dua sisi.
Dari berbagai alternative pengujian ini dipilih satu saja sesuai dengan permasalahan
yang ada
2. Tentukan taraf nyata (α) yang akan digunakan yaitu tingkat kesalahan apabila
menerima Ha yang salah
3. Tentukan Statistik yang sesuai
Untuk kasus yang berbeda, bisa berbeda statistik ujinya
4. Cari nilai kritis dari tabel yang dibutuhkan
5. Bandingkan statistic uji dengan nilai kritis (nilai tabel)
6. Buat kesimpulan berdasarkan hasil perbandingan pada butir 5
Pengujian Rata-rata Bila Sampel Berukuran Besar ( n > 30 ) Atau Ragam Populasi (σ 2)
Diketahui
131
b.2 Pengujian sisi kanan
H0 : μ = μ0
Ha : μ > μ0
Nilai kritisnya adalah: Z(α)
Tolak H0 bila Zhitung > Z(α)
Contoh Aplikasi 1
Rata-rata hasil sebuah mesin lama adalah 2200 kg/hari. Sebuah mesin baru diuji dalam 200
hari, ternyata hasil produksinya menyebar normal dengan rata-rata produksinya 2280 kg/hari
dengan σ = 520 kg/hari. Apakah data ini membuktikan bahwa mesin baru meningkatkan
produksi ?
Ujilah dengan α = 5%
Penyelesaian:
H0 : μ = 2200
Ha : μ > 2200
Taraf nyata α = 5%
X̄−μ0 2280−2200
=2 .1757
σ 520
Statistik yang sesuai : Zhitung = √n Zhitung = √200
Nilai kritis Z(α) = Z(0,05) = 1,65
Zhitung > Z(α=0,05) sehingga tolak H0
Kesimpulan : Cukup bukti yang menyatakan adanya kenaikan produksi setelah menggunakan
mesin baru
Contoh Aplikasi 2 (latihan)
Dari catatan bagian penjualan perusahaan listrik menunjukkan bahwa sebelum ada perubahan tegangan dari
110V menjadi 220V, konsumsi rata-rata untuk setiap langganan adalah 84 Kwh per bulan. Setelah tegangan
diubah menjadi 220V diadakan survai terhadap 100 langganan dan menunjukkan konsumsi rata-rata menjadi
86,5 Kwh dengan standard deviasi 14 Kwh. Berdasarkan data tersebut jika kita ingin menguji pendapat yang
menyatakan bahwa perubahan tegangan tersebut mempunyai pengaruh yang kuat di dalam pertambahan
pemakaian listrik dengan level of significance 5%.
132
X̄−μ0
S
thitung = √n
b. Nilai kritis dilihat dari tabel tabel t-student : t (α, v) ; v = n-1
Contoh Aplikasi:
Seorang pengusaha rokok membantah keluhan pihak-pihak yang menyebutkan bahwa kadar tar produknya di
atas 3,5 ppm. Lembaga konsumen membuat penelitian untuk membuktikan kebenran pernyataan pengusaha .
Sampel acak sebanyak 15 batang rokok produknya diteliti , ternyata rata-rata kandungan tar sebesar 4,2 ppm dan
standar deviasi 1,4 ppm . Buatlah pengujian hipotesa untuk membuktikan kebenaran pernyataan pengusaha
tersebut dengan tingkat kesalahan 1%
Penyelesaian:
H0 : μ = 3,5
Ha : μ > 3,5
X̄−μ0 4,2−3,5
S 1,4
thitung = √n = √15 = 1,9365
133
b. H0 : μ1 – μ2 = D0
Ha : μ1 – μ2 > D0
c. H0 : μ1 – μ2 = D0
Ha : μ1 – μ2 ≠ D0
Pengujian Selisih Dua Rata-rata Bila Sampel Berukuran Besar (n > 30) atau Bila Standar Deviasi
Populasi Diketahui
Zhitung = √( +
n 1 n2 )
b. Nilai kritis dilihat dari tabel Z
Contoh Aplikasi
Sebuah perusahaan perakit mobil membutuhkan plat baja sebagai bahan bakunya. Ada dua pemasok plat baja
yang akan dipilih sebagai rekanan, yaitu pemasok A dan B. Untuk memilih, dilakukan pengujian terhadap
kekuatan produk masing-masing pemasok, diukur dari daya tahan pada suatu beban (kg). Hasil penelitian
menunjukkan data berikut:
Pemasok A Pemasok B
n1 = 50 n2 = 50
X̄
= 80,2 kg X̄ = 86,7 kg
Ujilah dengan α = 0,05, apakah baja dari pemasok B lebih kuat daripa
S1 = 5,61 kg S2 = 6,28 kgda pemasok A
Penyelesaian:
Jenis Pengujian Hipotesis
H0 : μ1 – μ2 = 0
134
Ha : μ1 – μ2 < 0
Taraf nyata = 5%
Statistik Uji yang sesuai
( x̄1 − x̄2 )− D0
(80 , 2−86 , 7 )−0
σ 21 σ 22
Zhitung = √( +
n 1 n2 ) √( =
5,62 6 ,28 2
+
50 50 ) = – 5,4581
Contoh Soal
Sebuah penelitian dilakukan untuk mengetahui efektivitas metode baru.
Sebanyak 12 karyawan dipilih secara acak dan diminta bekerja dengan
135
metode biasa. Hasilnya menunjukkan pekerjaan diselesaikan dengan rata-
rata waktu 85 menit dan standar deviasi 4 menit. Kemudian 10 karyawan
lain diminta mengerjakan hal yang sama dengan menggunakan metode
baru, dan hasilnya menunjukkan rata-rata waktu penyelesaian 81 menit
dan standar deviasi 5 menit. Gunakan α = 0,05 dengan asumsi kedua
populasi normal dan mempunyai ragam yang sama.
Penyelesaian
H 0 : μ 1 – μ2 = 0
H a : μ1 – μ2 > 0
Taraf nyata = 5%
Statistik Uji yang sesuai
2 2
X̄ 1 − X̄ 2 81−85
=−2 ,07
1 1
thitung =
Sp
√( +
n1 n2 ) = √(
4 , 478
1 1
+
10 12 )
Nilai kritis adalah –t(α,v) = – t(0,05; 20) = –1,725
thitung < – t(0,05; 20) , dengan demikian tolak H0
Kesimpulan : Cukup bukti bahwa metode baru memepe
rkecil waktu kerja (lebih efisien)
d̄−D 0
Sd
thitung = √n
d̄ = rata-rata selisih pasangan
Sd = standar deviasi selisih pasangan
H0 : μd = D0
Ha : μd
< D0
Nilai kritisnya adalah –t(α,v)
136
Tolak H0 bila thitung < –t(α,v)
H0 : μd = D0
H a : μ1 > D 0
Nilai kritisnya adalah t(α,v)
Tolak H0 bila thitung > t(α,v)
Contoh Soal
Kita ingin mengetahui apakah pemberian kridit mikro kepada para pedagang kecil dapat meningkatkan
pendapatan mereka dibanding sebelum menerima kridit mikro. Untuk itu diambil sampel secara acak
sebanyak 8 orang pedagang kecil yang menerima kridit mikro untuk diwawancarai. Hasilnya adalah
sebagai berikut:
Ujilah dengan taraf signifikansi 5% bahwa kridit usaha mikro dapat meningkatkan keuntungan para
pedagang kecil yang menerima kridit usaha mikro.
Penyelesaian
d̄=
∑ d =540 =67 , 5
n 8
137
2
√ ( 540 )2
(∑ d )
Sd =
H0 :
∑d −
μ2 =μ1
2
n−1
atau
n
=
μd =0
√ 52600−
8−1
8
(D = 0)
=48 ,033
H1 :
μ2 >
μ1 atau
μd
> 0 (D>0)
Nilai t-tabel: t(0,05; 8-1) = 1,895 (pengujian sisi kanan)
H0 diterima apabila thitung < 1,895
H0 ditolak apabila thitung >1,895
d̄−D 0 67 , 5
=3 , 975
Sd 48 ,033
thitung = √n thitung = √8
Dengan demikian oleh karena thitung > tabel maka H0 ditolak, maka dapat disimpulkan bahwa kridit mikro dapat
meningkatkan keuntungan rata-rata pada tingkat α = 0,05
P−P 0
p0 q0
a.
b.
Statistik uji yang sesuai : Zhitung =
Nilai kritis dilihat dari tabel normal Z
√ n dengan q0 = 1– p0
Contoh Aplikasi
Sebuah perusahaan sabun mengklaim pangsa pasarnya 60 %. Dalam upaya meningkatkan penjualan (menguasai
pasar)perusahaan tersebut meningkatkan iklan besar-besaran. Setelah itu perusahaan mengadakan penelitian
secara acak terhadap 400 pelanggan sabun. Ternyata 280 diantaranya pemakai sabun perusahaan tersebut.
Dengan melakukan pengujian hipotesa (α = 0,05)
Pertanyaan : Adakah peningkatan pangsa pasar setelah melakukan iklan secara besar-besaran
138
Penyelesaian:
H0 : P = 0,6
Ha : P > 0,6
Taraf nyata α = 0,05
Statistik uji yang sesuai
0,7−0,6
=4 ,08
280
P = 400
=0,7
; Zhitung = √ (0,6 )(0,4 )
400
Nilai kritis Z(α) = Z(0,05) = 1,65 Zhitung > Ztabel dengan demikian maka H0 ditolak
Kesimpulan : Cukup bukti akan adanya kenaikan pangsa pasar setelah melakukan iklan besar-besaran
Seperti halnya pada pengujian parameter rata-rata, pengujian ini dilkukan bila kita ingin
membandingkan proporsi dua populasi. Untuk mengetahui apakah proporsi populasi I lebih
besar dari populasi II atau sebaliknya
Contoh Aplikasi
Sampel acak mengenai satu jenis barang telah diambil dari dua kumpulan yang dihasilkan mesin A dan
mesin B. Dari mesin A diambil diambil 200 produk, 19 produk rusak. Dari mesin B diambil 100
produk, da 5 produk rusak. Ujilah dengan α = 0,01. Apakah ada perbedaan kualitas produk yang
dihasilkan mesin A dan mesin B
139
Penyelesaian:
Jenis Pengujian
H 0 : P 1 = P2
H a : P 1 ≠ P2
Pembuat keputusan sering dihadapkan pada pertanyaan seberapa jauh variasi dari suatu populasi ,
misalnya variasi waktu dalam mengerjakan sesuatu. Ketelitian alat laboratoriumdiukur dengan rata-
ratanya, disamping akurasinya, juga diukur varian-nya. Pada pembahasan ini dilakukan pengujian bagi
suatu ragam populasi serta pengujian bagi perbandingan dua ragam populasi
Pengujian hipotesis tentang varians, pada dasarnya sama seperti tentang rata-rata dan proporsi, Seperti
kita ketahui,kalau suatu sampel acak ditarik dari suatu populasi dengan distribusi normal, maka rasio:
(n−1 )S 2 2
= χ (n−1)
σ2 yaitu mengikuti fungsi distribusi fungsi Chi-Square (Kai-Kuadrat) dengan derajat
bebas (n-1)
Rasio tersebut digunakan sebagai dasar pengujian hipotesis seperti halnya dengan rata-rata dan
proporsi adalah sebagai berikut:
(n−1)S 2
χ 2hitung =
a. Statistik uji yang sesuai adalah: σ2
2
b. Nilai kritis dilihat dari tabel χ (α , v) ; v = n-1
c. Bila pengujian sisi kiri:
2
H0 : σ2 = σ 0
2 2
Ha : σ < σ0
2
Nilai kritisnya adalah χ (1−α , v )
140
2 2
Tolak H0 bila χ <
hitung χ (1−α , v )
d. Bila pengujian sisi kanan
2
H0 : σ2 = σ 0
2 2
Ha : σ > σ0
2
Nilai kritisnya χ (α , v)
Contoh Aplikasi
Sebuah perusahaan aki mobil menyatakan umur aki yang diproduksa mempunyai standar deviasi 0,9
tahun Bila pemeriksaan terhadap 10 aki sampel acak menghasilkan standar dviasi 1,2 tahun, apakah
menurut anda standar deviasi aki sebenarnya > dari 0,9 tahun ( uji dengan α = 0,05)
dengan X
> SS within Juga ditulis dengan SSerror , merupakan variasi nilai Y akibat variasi dalam setiap kategori
X.
Variasi ini adalah variasi yang tidak dijelaskan oleh X
> SSy. Total vatriasi dalam Y adalah SSy
Analisis Umum Dalam Menguji Beberapa Rata-Rata Populasi
141
Lembar Kerja Untuk Membuat Tabel ANOVA
Populasi Total
1 2 ................ .k
Sampel X11 X22 .......................Xk2
X12 X22 ........................Xk2
...... ...... .......
........ .... ......
X1n X2n........ ....... ....Xkn
Total T1 T2 ............ Tk T
Ukuran n1 n2 nk N
Rata-rata X1 X 2 ............... X k
Jenis Pengujian
H0 : μ1 = μ2 = μ3 =........... μk
Ha : Tidak semuanya sama (setidaknya ada μi ≠ μ j ) untuk i ≠ j
Keputusan untuk menolak atau menerima H 0 bisa ditentukan dengan membuat tabel
ANOVA sebagai berikut:
Ti 2 T 2
ni N
JKK (Jumlah kuadrat antar kolom) =
T2
X ij N
2
142
Contoh Aplikasi
Sebuah penelitian dilakukan untuk mengetahui apakah ada pengaruh perbedaan metode kerja pada
tingkat produktivitas. Ada tiga metode kerja yang akan diuji. Dari masing-masing metode kerja
diambil sampel sebanyak 5 orang karyawan untuk mengerjakan pekerjaan,selanjutnya dicatat waktu
yang digunakan sebagai berikut:
Metode Kerja Yang Diuji
Metode I Metode 2 Metode 3
(menit) (menit) (menit)
21 17 31
27 25 28
29 20 22
23 15 30
25 23 24
125 100 135
Dari tabel di atas dapat dihitung total keseluruhan nilai adalah 360
( 125 )2 ( 100 )2 ( 135 )2 ( 360 )2
+ + − =130
JKK = 5 5 5 15 JKT = (21) 2 + ((27)2 +....................+ (24)2 –
3602
15 = 298
JKS = 298 – 130 = 168
Tabel ANOVA
Sumber Derajat Jumlah Varian Fhitung Ftabel Pengujian Hipotesis
Varian Bebas Kuadrat (Ragam H0 : μ1 =μ 2 =μ 3
) Ha : Tidak semuanya sama (paling
Antar Kolom 2 130 65 4,64 F(2;12) tidak ada satu μ yang tidak sama)
Sisa/error 12 168 14 3,89
Total 14 298 Statistik uji Fhitung = 4,64
Karena Fhitung > Ftabel maka H0 ditolak
Kesimpulan ada pengaruh perbedaan metode kerja pada durasi waktu yang digunakan.
ntuk mengetahui penyebab rata-rata mana yang menyebabkan perbedaan, uji lanjutan yaitu uji Tukey
(sering disebut Honestly Significace differences)
Langkah-langkah metode Tukey adalah sebagai berikut:
a. Hitung rata-rata tiap perlakuan
b. Hitung harga mutlak selisih setiap pasangan perlakuan
√ MSE
c. Hitung kriteria Tukey dengan Bandingkan rumus: T = qα √ ni
d. qn adalah nilai kritis q, dapat dilihat pada tabel Studentized range distribution dengan db r dan
n-r
r = banyaknya perlakuan, MSE varian sisa (lihat tabel ANOVA )
x̄ − x̄ x̄ − x̄
e. Bandingkan │ i j │dengan T, bila │ i j │ T simpulkan bahwa kondisi yang
dibandingkan menunjukkan adanya perbedaan yang signifikan
Dari contoh di atas untuk mengetahui metode kerja mana yang saling berbeda adalah sebagai berikut:
143
a. Rata-rata Metode kerja 1, X̄ 1 = 25
Rata-rata Metode kerja 2, X̄ 2 = 20
Rata-rata Metode kerja 3. X̄ 3 = 27
c. α =0,05
qα = q(0,05; 3;12) = 3,77
Untuk pasangan 1 dan 2 selisih mutlak adalah 5,
Untuk pasangan 1 dan 3 selisih mutlak adalah 2
Untuk pasangan 2 dan 3 selisih mutlak adalah 7
√14
Sedangkan nilai T untuk semua pasangan adalah sama yaitu T = 3.77 √5 = 6,31
karena ukuran sampel tiap perlakuan sama
ANOVA dua arah dimaksudkan untuk menganalisis kejadian adanya dua faktor yang mempengaruhi
sumber keragaman.faktor Dalam ini hal perlu diperhatian agar pengaruh faktor lain itu dapat dihitung
dan dianalisis. Faktor lain ini bisa berupa perlakuan lain atau yaang sudah terkondisikan..
Pertimbangan memasukkan faktor kedua sebagai sumber keragaman ini perlu bila faktor itu
dikelompkkan ( blok), sehinggs keragaman antar kelompok sangat besar , tetapi kecil dalam
kelompoknya sendiri. Untuk memberikan wacana yang lebih jelas dapat dilihat pada tampilan table
berikut ini:
Populasi
Blok 1 2 3 4………………K Total Ukuran
1 X11 X12 X13 X14………… Xqk B1 K1
B2
2 X21 212 X23 X14………… X2k K2
B3
144
3 X11 X12 X13 X14………… Xqk K3
B4
4 X41 X42 X43 X44………… X3k K4
. --
. .
. . ..
. Br
r .Xr1 Xr2 Xr3 Xr4………… Xrk Kr
Total T1 T2 T3 T4…………… Tk T
Ukuran n1 n2 n3 n4……………nk N
Antar Kolom )2
k-1 JKK S22
2 F(V2; V3)
Sisa (k-1)(r-1) (S 2/ S 3 )2
2
S 23
JKS
Total rk – 1 JKT
Keterangan :
k = jumlah populasi
N = Banyaknya pengamatan = n1 + n2 + n3 + n4+..……+ nk
T2
(∑ X 2j )− N
JKT =
JKB
S 21 = v1
JKK
S 22 =
v2
145
JKS
S 23 = v3
Statistik Uji yang digunakan adalah Fhitung
Contoh Aplikasi
Suatu studi mengenai preferensi konsumen melakukan tiga rancangan kemasan yang dijual
pada empat pasar swalayan. Hasil penjualan selama satu bulan pengamatan adalah sebagai
berikut : dalam unit penjualan
Bentuk Kemasan
Pasar Swalayan A B C
I 17 34 23
II 15 26 21
III 1 23 8
IV 6 22 16
:
Dengan menggunakan α = 0,05 , buatlah pengujian hipotesis untuk mengetahui
Penyelesaian
2122
− =
JKT = 172 + 152 +………+ 162 12 940,67
146
TABEL ANOVA
Total 11 940,67
H0 : µ 1 = µ 2 = µ 3
Ha : : µ1 ≠ µ2 ≠ µ3
Kesimpulan ada pengaruh dari perbedaan bentuk kemasan pada tingkat penjualan
H0 : µ 1 = µ 2 = µ 3
Kesimpulan ada pengaruh dari perbedaan pasar swalayan pada tingkat penjualan
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (measures of association). Pengukuran asosiasi
merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik
bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua variabel.
Diantara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi
yang sangat populer sampai sekarang, yaitu Korelasi Pearson Product Moment dan
Korelasi Rank Spearman. Selain kedua teknik tersebut, terdapat pula teknik-teknik
147
korelasi lain, seperti Kendal, Chi-Square, Phi Coefficient, Goodman-Kruskal, Somer,
dan Wilson. Pengukuran asosiasi mengenakan nilai numerik untuk mengetahui
tingkatan asosiasi atau kekuatan hubungan antara variabel. Dua variabel dikatakan
berasosiasi jika perilaku variabel yang satu mempengaruhi variabel yang lain. Jika
tidak terjadi pengaruh, maka kedua variabel tersebut disebut independen. Korelasi
bermanfaat untuk mengukur kekuatan hubungan antara dua variabel (kadang lebih dari
dua variabel) dengan skala-skala tertentu, misalnya Pearson data harus berskala
interval atau rasio; Spearman dan Kendal menggunakan skala ordinal; Chi Square
menggunakan data nominal. Kuat lemah hubungan diukur diantara jarak (range) 0
sampai dengan 1. Korelasi mempunyai kemungkinan pengujian hipotesis dua arah
(two tailed). Korelasi searah jika nilai koefesien korelasi diketemukan positif;
sebaliknya jika nilai koefesien korelasi negatif, korelasi disebut tidak searah. Yang
dimaksud dengan koefesien korelasi ialah suatu pengukuran statistik kovariasi atau
asosiasi antara dua variabel. Jika koefesien korelasi diketemukan tidak sama dengan
nol (0), maka terdapat ketergantungan antara dua variabel tersebut. Jika koefesien
korelasi diketemukan +1. maka hubungan tersebut disebut sebagai korelasi sempurna
atau hubungan linear sempurna dengan kemiringan (slope) positif. Jika koefesien
korelasi diketemukan -1. maka hubungan tersebut disebut sebagai korelasi sempurna
atau hubungan linear sempurna dengan kemiringan (slope) negatif. Dalam korelasi
sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua variabel mempunyai
hubungan linear yang sempurna. Artinya variabel X mempengaruhi variabel Y secara
sempurna. Jika korelasi sama dengan nol (0), maka tidak terdapat hubungan antara
kedua variabel tersebut. Dalam korelasi sebenarnya tidak dikenal istilah variabel bebas
dan variabel tak bebas.Biasanya dalam penghitungan digunakan simbol X untuk
variabel pertama dan Y untuk variabel kedua. Dalam contoh hubungan antara variabel
remunerasi dengan kepuasan kerja, maka variabel remunerasi merupakan variabel X
dan kepuasan kerja merupakan variabel Y. Kegunaan Pengukuran asosiasi berguna
untuk mengukur kekuatan (strength) hubungan antar dua variabel atau lebih.
Contoh 1.12
Mengukur hubungan antara variabel: · Motivasi kerja dengan produktivitas · Kualitas
layanan dengan kepuasan pelanggan · Tingkat masing-masing kasus akan menghasilkan
keputusan, diantaranya: · kedua variabel cukup kuat · Hubungan kedua variabel kuat ·
Hubungan kedua variabel sangat kuat Penentuan tersebut didasarkan pada kriteria yang
menyebutkan jika hubungan mendekati 1, maka hubungan semakin lemah.
a. Kisaran Korelasi Kisaran (range) korelasi mulai dari -1 sampai dengan 1. Korelas dapat
b. P==ositif dan dapat pula Negatif
b. Korelasi Sama Dengan Nol: Korelasi sama dengan 0 mempunyai arti tidak ada hubungan antara
ini variabel X dan variabel Y
c. Korelasi Sama Dengan Satu; Korelasi sama dengan + 1 artinya kedua variabel mempunyai
hubungan linier sempurna (membentuk garis lurus) positif. Korelasi sempurna seperti ini mempunyai
makna jika nilai X naik, maka Y juga naik
148
d, Korelasi Sama Dengan minus Satu; Korelasi sama dengan -1 artinya kedua variabel mempunyai
hubungan tolak belakang yang sempurna korelasi. Korelasi yang seperti ini mempunyai maknvariabel
X naik variabel Y akan turun
Berdasarkan uraian diatas maka koefisien korelasi nilainya terletak antara -1 dan +1 . Sebagai
simbol krelasi adalah ρ ( baca “ rho”) untuk populasi dan “ r “ untuk sampel. Baik “ ρ “ ataupun
“r” nilainya dapat dituliskan sebagai berikut 1 ρ 1 atau 1 r 1 Untuk
menghitung besarnya korelasi dapat menggunakan rumus yang akan dijelaskan kemudian.
Hubungan keeratan antara dua variabel yang terjadi bisa positif ataupun negatif. Misalkan variabel
X dan Y, dikatakan mempunyai hubungan positif apabila kenaikan ataupun penurunan variabel X
\secara umum diikuti oleh kenaikan / penurunan variabel Y.Hal ini dapat dicontohkan sebagai berikut
:
149
n n n
n X iYi X i Yi
r i 1
2
i i 1
2
n
n n
n
n X X i
i
2
n Yi Yi 2
i 1 i 1 i 1 i 1
Xi Yi X2 Y2 XY
1 2 1 4 2
2 4 4 16 8
4 5 16 25 20
5 7 25 49 35
7 8 49 64 56
9 10 81 100 90
10 12 100 144 120
12 14 144 196 168
ΣX=50 ΣY=62 ΣX2=420 ΣY2=598 ΣXY=499
n n n
n X iYi X i Yi
r i 1
2
i i 1
2
n
n n
n
n X i2 X i n Yi 2 Yi
i 1 i 1 i 1 i 1
x y i i
r i 1
n n
x y 2
i
2
i X
1 n
Xi
i 1 i 1
dimana: xi X i X dan n i 1 (6.2)
1 n
Y Yi
yi Yi Y dan n i 1
Dari hasil perhitungan tersebut menunjukkan adanya hubungan keeratan
yang sangat kuat yaitu ( r = 0,99 ), dengan menguadratkan “ r “ akan dapat dilihat Koefisien Penentu
( coefficient determination ) sebesar r2
KP = 0,99, artinya jika Y sebagai variabel tak bebas sedangkan X sebagai variabel bebas, maka dapat
dikatakan peranan X terhadap Y sebesar 99 %.
Perhitungan koefisien korelasi tersebut dan rumus yang digunakan hanya
tebatas untuk data kuantitatif
150
12.2.2. Koefisien Kontingensi (Contingency Coefficient)
Untuk mengetahui korelasi data kualitatif akan menggunakan cara koefisien bersyarat C c ( cotingency
coefficient ) yang mempunyai pengertian yang sama seperti koefisien korelasi.
Digunakan untuk mengukur kuatnya hubungan data kualitatif dimana Cc sebesar nol, yang berarti
tidak ada hubungan. Besarnya Cc tidak akan sama dengan satu , namun tergantung pada fungsi
r 1
banyaknya kategori ( baris dan kolom ). Batas tertinggi / batas atas nilai C c ialah : r , dimana
nilai r adalah banyaknya baris atau kolom. Jika banyaknya baris tidak sama dengan benyaknya kolom
pilih nilai terkecil .
Sedangkan untuk menghitung Cc digunakan rumus sebagai berikut :
p q p q p q
x2 n f ij ni. n. j nij
Cc = x 2 n , dimana i 1 j 1 i 1 j 1 i 1 j 1
(6.3)
n = jumlah observasi
f eij
2
p q
ij
e
χ 2 = i 1 j 1 ij , (6.4)
di mana: fij = nij = frekuensi atau banyaknya observasi baris i kolom j
i = 1,2,3,..................................., p
j = 1,2,3,..................................., q
χ 2 (chi- square) dibaca kai square.
Cara penghitungan χ 2 sama dengan test hipotesis χ 2 hanya saja terbatas pada perbandingan antara
perhitungan Cc dengan batas atas saja. Jika Cc dibagi dengan batas atas lebih kecil dari 0,50 , maka
hubungan dikatakan lemah.
Berikut ini langkah-langkah untuk menghitung korelasi data kualitatif
a. hitung nilai χ2
x2
b. Hitung nilai Cc = x2 n
c. hitung batasn atas nilai Cc dengan menggunakan rumus sebagai berikut:
r 1
Batas atas Cc = r
x2 r 1
d. Bandingkan Cc dengan batas atas Cc atau x 2 n dibagi dengan r
jika hasilnya < 0,50 maka dikatakan hubungan lemah, sebalikmya jika
hasil dari perbandingan tersebut lebih dari 0,50 hubungan data kualitatif
tersebut dikatakan cukup kuat.
Untuk menghitung χ2 diperlukan lembar kerja sebagai berikut
151
1 f11 f12 ........... f1j .......... f1q n1.
(e11) (e12) (e1j)
2 f21 f22 ........... f2j ........... f2q n2.
(e21) (e22) (e2j) (e2q)
. ..........
. ..........
Keterangan :
fij = frekuensi kategori i dan j
eij = frekuensi harapan kategori i dan j
ni. n. j
eij = n frekuensi harapan (expected frequency)
q p q q p q
f
j 1
ij ni. n
i
f
i 1
ij n. j n
j 1
n
i 1 j 1
ij n
ni. = n.j = , maka n.j =
Kalau nilai perbandingan Cc dengan batas tertinggi < 0,50 maka hubungan lemah, terletak antara 0,50
dan 0,75 maka hubungan sedang / cukup, antara 0,75 dan 0,90 maka hubungan kuat, antara 0,90 dan 1
maka hubungan sangat kuat, sama dengan 1 (satu) maka hubungan sempurna.
Contoh :
Untuk mengetahui apakah ada hubungan antara tingkat pendidikan ibu rumah tangga dengan tingkat
pemberian ASI kepada anak mereka , dilakukan penelitian yang hasilnya seperti dalam tabel berikut:
Dari data seperti dalam tabel hitunglah Cc untuk mengukur hubungan antara tingkat pendidikan ibu
rumahtangga dengan pemberian ASI kepada anak mereka.
152
(1) (2) (3) (4) (5)
1 82 65 12 n1 = 159
(53,70) (81,76) (23,53)
2 59 112 24 n2 = 195
( 65,86) (100,28) (28,86)
3 37 94 42 n3 = 173
(58,43) (88,96) (25,61)
Jumlah n.1 = 178 n.2 = 271 n.3 = 78 n = 527
Dalam lembar di atas setiap cell terdiri dari dua angka , yaitu angka frekuensi kategori dan angka
frekuensi harapan ( expected frequency) yang berada dalam kurung .
159 178
159 271 159 78
e11 = 527 53,70 ; e12 = 527 = 81,76 ; e13 = 527 = 23,53
ij ij
2 i 1 j 1 eij 2 i 1 j 1 eij
χ = ; berdasarkan rumusm ini maka χ = , maka;
f eij
2
3 3
ij
i 1 j 1 eij
χ 2=
f11 e11 f12 e12 f13 e13 f 33 e33
2 2 2 2
153
r 1
Kemudian dihitung batas atas Cc dengan rumus Cc = r , oleh karena jumlah baris dan jumlah
3 1
kolom sama, maka batas atas Cc = 3 = 0,82. Dengan membandingkanContingency Coefficient
0, 28
(Cc) dengan batas atas Cc yaitu 0,82 = 0,34.
Karena hasilnya lebih kecil dar 0,50, maka dapat dikatakan korelasi (hubungan) antara tingkat
pendidikan ibu rumahtangga dan tingkat pemberian ASI dapat dikatakan lemah
Ada atau tidaknya hubungan antara tingkat pendidikan dengan pemberian ASI pada anaknya dapat
dilakukan test hipotesis sebagai berikut, berdasarkan perhitungan seperti yang telah dilakukan diatas.
H0 : ρ = 0 tidak ada korelasi antara tingkat pendidikan ibu rumahtangga dengan
pemberian ASI
Ha : ρ ≠ 0 terdapat korelasi yang nyata antara tingkat pendidikan ibu dengan
pemberian ASI
dengan α = 1 %, maka didapat nilai χ2 {0,01; (3-1)(3-1) } = 13,277 (batas critical region)
Oleh karena χ2 hasil perhitungan sebesar 45,54 lebih besar dari pada χ 2 {0,01; (3-1)(3-1) } = 13,277, maka H0
ditolak. Yang berarti Ha diterima , dengan demikian dapat disimpulkan bahwa terdapat korelasi yang
signifikan antara tingkat pendidikan ibu rumahtangga dengan pemberian ASI kepada anaknya.
Koefisien korelasi Spearman ini juga disebut dengan korelasi rank, korelasi ini digunakan untuk
mengetahui derajat keeratan antara dua variabel yang memiliki skala pengukuran minimal ordinal.
Pada penghitungan koefisien korelasi Pearson yang menjadi objek penghitungan korelasinya adalah
data observasinya. Penghitungan koefisien korelasi Spearman dirumuskan sebagai berikut :
6 di2
1
n n 2 1
rrank = , dimana: (6.5)
rrank = koefisien korelasi Spearman
di = selisih dari pasangan ke - i
n = banyaknya pengamatan contoh :
Untuk mengetahui adanya korelasi ( rank correlation ), antara tingkat kualitas udara dan penyakit
ISPA maka dilakukan survei di 11 kota. Peringkat kualitas udara yang paling bagus diberikan nilai 11
(sebelas) dan untuk Peringkat kualitas udara yang paling buruk diberikan nilai 1 (satu). Demikian pula
dengan penyakit ISPA mempunyai rank yang sama dengan peringkat kualitas udara. Hasil penelitian
adalah sebagai berikut ini:
154
E 2 1 1 1
lF 10 11 -1 1
G 3 2 1 1
H 5 10 -5 25
I 6 8 -2 4
J 8 6 2 4
K 11 9 2 4
Best rank :11
Wosrtrank=1
d 2
=58
6 di2
1
n n 2 1
Dengan menggunakan rumus : rrank = , maka dapat dihitung
6 58
11 121 1
rrank = 1- , maka : rrank = 1- 0,2636, sehingga rrank = 0,7364
Dengan menggunakan test dua sisi dan menggunakan tabel Spearman’s Rank Correlation (r s ), maka ,
akan didapatkan critical region rs sebesar 0,6091, ini menunjukkan rrank yang mempunyai nilai
0,7364 berada didaerah rejected area. Dengan demikian maka hipotesis nol (H 0) yang menyatakan
bahwa ρ = 0, ditolak, dan sebaliknya Ha diterma, Kesimpulan bahwa ada hubungan peringkatantara
kualitas udara dengan penyakit ISPA.
Tabel Spearman’s Rank Correlation terbatas untuk sampel yang besarnya tidak lebih dari
30,sedangkan untuk sampel yang besarnya lebih dari 30 digunakan tabel normal dengan
rs 0 1
rs rs
Z= dimana n 1
155
10 93 95 5,5 4,5 1 1,00
11 119 112 29 25,5 3,5 12,25
12 115 117 28 30 -2 4,00
13 87 94 1 3 -2 4,00
156
Hasil penelitian IQ Terhadap Suami dan Pasangannya
Contoh test hipotesis dari rank correlation coefficients dengan besarnya sampel > 30
Apakah terdapat rank correlation yang signifikan dari IQ pasangan suami istri pada 32 pasangan yang
diambil sampel secara acak dengan hasil dalam tabel seperti di atas.
Selanjutnya untuk mengetahui apakah secara statistik ada hubungan peringkat kecerdasan seseorang
dengan dengan peringkat kecerdasan pasangannya ,perlu dilakukan test hipotesis sebagai berikut:
157
Zh= 4,503 standardized sample rank correlation coeffcient
Pada bab terdahulu telah dibicarakan maslah korelasi yang berkaitan dengan dua variabel yang
sifatnya kuantitatif ataupun kualitatif. Pada bab ini akan membahas permasalahan yang sangat erat
kaitannya dengan masalah korelasi yaitu masalah regresi yang akan mempresentasikan derajat
keeratan hubungan antara variabel bebas ( independent variable) dengan variabel tak bebas (
dependent variable ). Masalah korelasi akan dapat mencerminkan baik atau tidaknya suatu persamaan
regresi linear atau persamaan matematika lainnya dalam menggambarkan dan mempresentasikan
hubungan yang ada di antara variabel-variabel tersebut.
Apabila persamaan dapat dibentuk berdasarkan variabel-variabel tersebut dan dapat memenuhi secara
nyata dan dapat dipertanggung jawabkan secara ilmiah oleh semua nilai variabel yang ada maka dapat
dikatakan variabel-variabel tersebut berkorelasi secara sempurna.
Pada hakekatnya korelasi bukan hanya satu variabel terhadap satu variabel yang lain, namun dapat
juga lebih dari dua variabel.
Ketika korelasi hanya melibatkan dua variabel disebut dengan korelasi sederhana atau regresi
sederhana, sedangkan jika korelasi melibatkan lebih dari dua varibel disebut korelasi berganda atau
regresi berganda
Jika X dan Y merupakan dua variabel yang menentukan lokasi titik-titik dalam sistem koordinat
diawali dari (X1;Y1), (X2;Y2),............,(Xn;Yn). Jika semua titik-titik terletak disekitar/ didekat sebuah
garis, maka korelasi kedua variabel X dan Y dapat dikatakan bersifat linear akan dapat dibentuk
persamaan linear
Y Y
٠ ٠
٠ ٠ ٠ ٠ ٠
٠ ٠ ٠ ٠ ٠ ٠
٠ ٠ ٠ ٠ ٠٠ ٠ ٠ ٠ ٠
٠ ٠ ٠ ٠ ٠ ٠ ٠ ٠
٠ ٠ ٠ ٠
158
٠ ٠ ٠ ٠ ٠ ٠ ٠
٠ ٠ ٠ ٠ ٠
٠ ٠ ٠ ٠
٠
X X
(a) Korelasi linear positif (b) Korelasi linear negatif
Jika nilai X bertambah dan nilai Y secara umum cenderung naik seiring bertambahnya nilai X, maka
korelasinya disebut sebagai korelasi positif , hal ini dapat dilihat pada gambaf (a), sebaliknya jika nilai
Y cenderung turun seiring dengan bertambahnya nilai X, maka korelasinya disebut korelasi negatif,
hal ini dapat ditunjukkan pada gambar (b).
Gambaran dan perhitungan korelasi yang sifatnya kuantitatif telah dijelaskan pada bab VI, yaitu butir
Korelasi ini akan lebih berarti jika dikaitkan dengan masalah regresi, jika kita berkehendak melihat
dampak kuantitatif adanya perubahan suatu variabel terhadap variabel yang lain. Gambaran seberapa
jauh dampak perubahan akibat perubahan variabel tertentu terhadap variabel lain dapat dilihat secara
sederhana dalam persamaan Y = b0 + b1X , yang dalam hal ini Y sebagai fungsi dari X dan
disimbolkan Y = f (X )
Berikut ini rumus-rumus pencarian Koefisien Korelasi Pearson dan pembentukan persamaan regresi
sederhana:
Rumus untuk mencari Koefisien Korelasi Pearson adalah seperti yang telah ditulis pada rumus (6.1)
Di dalam pembentukan persamaan regresi linear sederhana Y = b 0 + b1X ,
maka didahului dengan penghitungan koefisien regresinya, yaitu b 0 dan b1
dengan menggunakan rumus sebagai berikut
n XY X Y
XY nXY xy
X X
2
= =
2
n X nX 2 2
x 2
b1 = atau b1 atau b1 (7.1)
x X n X
2 2 2
dimana : i dan xy XY n X Y
Y b X
1
b0 = n , atau b0 = Y b1 X (7.2)
n Y
Untuk selanjutnya diperlukan perhitungan:
y Y 2 2 2
Pendugaan model regresi linear sederhana dengan satu variabel bebas dengan perhitungan seperti di
atas perlu dilakukan pengujian terhadap koefisien-koefisien regresi,termasuk pengujian terhadap
koefisien korelasi. Dengan didapatkannya nilai koefisien regresi maka dapat dihitung pula koefisien
determinasi (Coefficient Determination), dengan rumus sebagai berikut :
159
xy
r2 b
y 2
(7.3)
Selanjutnya akan dibandingkan tobservasi dengan tα(n-2),maka akan dapat ditentukan apakah H0 (hipotesis
nol) diterima atau ditolak. tobservasi atau thitung dirumuskan sebagai berikut:
1 r2 1 r2
2
Var (r) =
r
n 2 , sehingga σ = n 2 , dengan demikian maka :
r n2
tobservasi =
1 r , mengikuti fungsi t dengan d.o.f = n-2
2
Koefisien regresi (b0 dan b1) hasil dari perhitungan sebagaimana telah diterangkan pada awal bab ini
perlu dilakukan pengujian terhadap koefisien regresi tersebut, langkah-langkah pengujian ini adalah
sebagai berikut :
X i Y i
S 2
e 2
e
n2 (7.5)
f). Hitung galat baku (standard error) dari koefisien b0 dan b1 dengan
S X
2
e
2
n x 2
rumus sebagai berikut : Sb0 = (7.6)
160
Se2
H 0 : b0 = 0
Ha : b0 0
demikian pula dengan b1
H 0 : b1 = 0
Ha : b1 0
Taraf signifikan α %
b0 b
tb 0 tb1 1
Sb 0 dan Sb1
Kriteria pengujian koefisien regresi dilakukan dengan membandingkan nilai mutlak t b0 dan tb1
terhadap nilai t dalam tabel dengan taraf signifikan α % dengan derajat bebas (n-2). Jika nilai t b0 dan
tb1 lebih besar dari t(α; n-2) menunjukkan bahwa parameter/ koefisien-koefisien regresi (b 0 dan b1)
signifikan secara statistik artinya H 0 ditolak dan menerima Ha. Dan jika nilai mutlak tb0 dan tb1 lebih
kecil dari nilai t dalam tabel ( t(α; n-2) ) pada taraf signifikan α % , maka dikatakan koefisien-koefisien
regresi itu tidak signifikan secara statistuk artinya nilai parameter dianggap sama dengan nol.
Contoh 1.13
Data berikut ini menunjukkan hubungan antara kuantitas produk (Y) dalam unit dan harga produk (X)
dalam $/unit
X 5 7 6 6 8 7 5 4 3 9
Y 100 75 80 70 50 65 90 100 110 60
Pertanyaan ;
a. Buatlah pendugaan fungsi permintaan empirik dengan menggunakan
persamaan regresi sederhana dengan X sebagai variabel bebas dan Y
sebagai variabel tak bebas.
b. Buktikan fungsi permintaan tersebut telah memenuhi konsep ekonomi
bahwa slope fungsi tersebut negatif atau slope < 0
c. Ujilah bahwa koefisien regresi tidak sama dengan nol
Penyelesaian:
Untuk menjawab pertanyaan tersebut diperlukan lembar kerja yang berupa tabel sebagai berikut :
Y X XY Y2 X2
100 5 500 10 000 25
75 7 525 5 625 49
80 6 480 6 400 36
70 6 420 4 900 36
50 8 400 2 500 64
65 7 455 4 225 49
90 5 450 8 100 25
161
100 4 400 10 000 16
110 3 330 12 100 9
60 9 540 3 6900 81
Σ = 800 Σ = 60 Σ= 4 500 Σ = 67 450 Σ = 390
Y = 80 X =6 ----- ----- ----
Untuk menjawab pertanyaan butir a) dan butir b), perlu dilakukan perhitungan dan
lamgkah-langkah sebagai berikut :
a. lakukan perhitungan perhitungan berikut :
Σ x2 = Σ X2 - n X 2 = 390 – (10)(6)2 =390 – 360 = 30
2
Σ y2 = ΣY2 - n Y = 67 450 - (10)((80)2 = 3 450
Σ xy = Σ XY - n X Y = 4 500- (10) (6)(80) = - 300
xy 300
=
2
x
b. b1 = 30 = -10 dan b0 = Ȳ−b 1 X̄ = 80 – (-10) (6) = 140
Dengan telah didapatkan koefisien regresi, maka pendugaan persamaan regresi
sederhananyaadalah :
Y =140– 10 X selanjutnya perlu dilakukan pengujian
terhadap koefisien regresinya , untuk mengetahui kehandalan koefisien regresinya
c, Hitung koefisien determinasi ( r2 ) dengan rumus sebagai berikut
xy
r2 b 10 300 0,870
y 2
= 3450
d, Hitung jumlah kuadrat sisa dengan rumus sebagai berikut
Σ e2 = (1- r2)(Σy2) = (1- 0,870) (3 450) = 448,50
2
e. Hitung varian galat (error variance), Se , dengan rumus sebagai berikut
S 2
e 2
448,50
n 2 = 10 2 = 56, 0625
e
f. Hitung galat baku (standard error) dari koefisien regresi b 0 dan b1 sebagai berikut
S X
2
e
2
56, 0625 390 72,88125
n x 2
10 30
Sb0 = = = 8,537
2
S e 56, 0625
1,86875
Sb1 = x
=
2
30 = 1,367
g. Selanjutnya dilakukan uji signifikansi koefisien regresi b0 dan b1 untuk mengetahui
apakah parameter yang diduga itu dapat diandalkan. Dalam pengujian ini akan
menggunakan uji t- student sebagai berikut
H0 : b0 = 0
Ha : b0 0
demikian pula dengan b1
H0 : b1 = 0
Ha : b1 0
162
Taraf signifikan 5 %
Nilai t dalam tabel t-student dengan derajat bebas (n-2) = 8 pada tingkat kesalahan
α = 5 % adalah sebesar 2,3060. Nilai t b0 = 16,399 dan nilai mutlak t b1 = - 7,315 yang berarti lebih
besar daripada t (5%; 8) maka H0 ditolak dan menerima Ha dengan demikian dapat disimpulkan bahwa
kedua koefisien regresi tersebut ( b0 dan b1) adalah signifikan secara statistik pada tingkat kesalahan
5%
Pada Bab VII telah dbahas tentang hubungan linear dari dua buah variabel X dan Y yang
menggunakan persamaan linear sederhana Y = b0 + b1X . Dari persamaan ini maka timbul suatu
pertanyaan apakah benar variabel Y hanya tergantung pada variabel tunggal X . misalnya hubungan
antara hasil panen padi (Y) yang hanya dipengaruhi oleh luas panen (X), sebenarnya ada faktor-faktor
lain yang mempengaruhi hasil panen seperti ; bibit, sistem pengairan, penggunaan pupuk, pengunaan
pestisida yang secara nyata berpengaruh pada hasil panen. Jika demikian maka hubungan linear dapat
dinyatakan dalam bentuk persamaan
Y = b0 + b1X1 + b2X2 +.......................+ bkXk , selanjutnya untuk menghitung koefisien regresi b0, b1,
b2, ............bk, dapat digunakam metode Least Of Square (LOS) , atau juga biasa disebut dengan
metode kuadrat terkecil yang menghasilkan persamaan normal sebagai berikut :
Persamaan ini dapat diselesaikan dengan Metode Algoritma Doolittle atau metode lain dan
selanjutnya akan mendapatkan nilai koefisien b0, b1, b2, b3,.........................bk, dan selanjutnya akan
dapat diperoleh persamaan regresi linear berganda. Sebelum persamaan regresi tersebut digunakan
sebagai alat forcasting maka diperlukan test hipotesis terhadap koefisien regresinya. Jika hasil test
hipotesis tersebut menunjukkan adanya indikasi yang tidak memenuhi syarat, yang berarti bahwa ada
koefisien regresi yang secara statistik sama dengan nol, maka variabel bebas yang mempunyai
koefisien regresi sama dengan nol itu tidak cocok untuk dipakai dalam persamaan regresi yang telah
dibentuk. Jika variabel bebas yang mempunyai koefisien regresi sama dengan nol cukup banyak ada
kemungkinan model yang dibentuk (regresi linear berganda) tidak cocok sebagai alat proyeksi dari
data hasil penelitian. Untuk itu maka perlu melakukan pembentukan model lain yang bukan
163
merupakan persamaan linear.Sebaliknya jika koefisien regresi setelah dilakukan test hipotesis
memenuhi persyaratan, yang berarti secara statistik koefisien regresinya tidakm sama dengan nol maka
persamaan regresi tersebut dapat digunakan sebagai alat proyeksi dengan syarat jika nilai X 1, X2,
X3, ....Xk
Sebagai vriabel bebas telah diketahui.
Untuk k = 2 maka persamaan regresinya menjadi Y = b0 + b1X1 + b2X2, satu
variabel tidak bebas (Y), dan dua variabel bebas (X1 ban X2) maka koefisien regresinya ( b0, b1, b2),
dapat dengan mudah dihitung dengan menggunakan persamaan normal sebagai berikut:
dengan tiga persamaan dan tiga bilangan yang tidak diketahui, maka dengan menggunakan
penyelesaian aljabar sederhana dapat dihitung nilai b 0, b1, dan b2 yang selanjutnya persamaan linear
regresi berganda dapat dibentuk, yaitu Y = b0 + b1X1 +b2X2
Untuk mencari/menghitung koefisien regresi dari hasil penelitian dibawah ini:
Xi X11 X12 X13..............................................X1n ΣX1
X2 X21 X22 X23..............................................X2n ΣX2
Y Y1 Y2 Y3.............................................. Yn ΣY
dapat juga menggunakan rumus sebagai berikut:
b
x y x x y x x
1
2
2 2 1 2 x y x x y x x
2
2
1 1 1 2
x x x x x x x x
1 2 2
2 2 2 2
1 2 1 2 1 2 1 2
dan b2 =
n X1 x n X2 n Y
x X = y Y
2 2 2 2 2 2 2 2
1 1 2 X 2 2
, ,
x y X Y nX Y , x y X Y n X Y , x x X X
1 1 1 2 2 2 1 2 1 2 nX 1 X 2
X1
X 1
, X2
X 2
Y
Y
n , nn
Dengan telah dihitungnya koefisien regresi yaitu: b0, b1, dan b2, maka persamaan garis linear berganda
telah terbentuk yaitu:
Y = b0 + b1X1 + b2X2, namun persamaan ini belum layak untuk digunakan
sebagai alat proyeksi besarnya Y walaupun nilai X 1 dan X2 telah ditetapkan,
sebelum melakukan test hipotesa terhadap koefisien regresi tersebut sebagaimana telah dituliskan pada
uraian terdahulu.
14.2. Koefisien Determinasi Berganda Dan Korelasi Parsial
164
Pada Bab VI, telah dibahas tentang korelasi yang berkaitan dengan dua variabel X dan variabel Y yang
belum dikaitkan dengan persamaan regresi linear sederhana. Sementara pada Bab VII korelasi dua
variabel X (variabel bebas) dan variabel Y (variabel tak bebas) telah dikaitkan dengan persamaan
regresi linear sederhana.
Di dalam Sub bab 8.2 ini akan dibahas hubungan yang terjadi pada variabel Y (variabel tak bebas), dan
dua variabel bebas X1 dan X2 yang dicerminkan dalam persamaan Y = b0 + b1X1 + b2X2 .
Koefisien determinasi (Coefficient of Determination), yang disimbolkan dengan r2 (CD) dirumuskan
sebagai berikut:
Ry2.12
KP atau CD =
Dan apabila dikalikan dengan 100 % akan peroleh sumbangan X 1 dan X2 terhadap naik atau turunnya
nilai Y.
Penghitungan Koefisien Penentuan (KP) dapat juga diperoleh melalui persamaan regresi linear
berganda Y = b0 + b1X1 + b2X2 yaitu :
b1 x1 y b2 x2 y
y
2
R y .12
2
KP = =
dimana :
x y X Y nX Y x y X Y n X Y , y Y n Y
2 2 2
1 1 1 2 2 2
,
165
1. Koefisien korelasi parsial X1 dan Y ,jika X2 konstan maka rumusnya adalah:
r1 y r2 y r12
1 r22y 1 r122
r1y.2 =
3. Koefisien korelasi parsial X1dan X2, jika Y konstan maka rumusnya adalah:
r12 r1 y r2 y
1 r12y 1 r22y
r12.y =
Pertanyaan:
a. Buatlah fungsi permintaan empirik dengan menggunakan model linear
untuk fungsi: Y = f (X1, X2), dimana Y kuantitas suatu produk yang
diminta (dalam unit), X1 harga produk (dalam$) dan X2 adalah pendapatan
konsumen (dalam $)
b. Ujilah koefisien regresi dari fungsi permintaan empirik pada butir (a)
c. Hitunglah besarnya peran X1 dan X2 terhadap naik turunnya permintaan
hasil produk tersebut .
d. Hitunglah koefisien korelasi parsial dari variabel-variabel: Y; X 1 ; dan X2
Penyelesaian:
Untuk melakukan perhitungan-perhitungan diperlukan lembar kerja sebagai beriku :
n Y X1 X2 X1Y X2Y X1X2 Y2 X 12 X 22
1 100 5 1000 500 100000 5000 10000 25 1000000
2 75 7 600 525 45000 4200 5625 49 360000
3 80 6 1200 480 96000 7200 6400 36 1440000
4 70 6 500 420 35000 3000 4900 36 250000
5 50 8 300 400 15000 2400 2500 64 90000
6 65 7 400 455 26000 2800 4225 49 160000
7 90 5 1300 450 117000 6500 8100 25 1690000
8 100 4 1100 400 110000 4400 10000 16 1210000
9 110 3 1300 330 143000 3900 12100 9 1690000
166
10 60 9 300 540 18000 2700 3600 81 90000
Σ 800 60 8000 4500 705000 42100 67450 390 7980000
Rata- 80 6 800 - - - - - -
rata
X1
X 1
, X2
X 2
Y
Y
n n , n
x X n X1
2 2 2
1 1
= 390 – 10(6)2 = 30
x22 = X 2
2 n X2 2
= 7 980 000 – 10(800)2 = 1 580 000
y Y n Y
2 2 2
Dengan demikian maka selanjutny akan dapat dihitungk koefisien regresi, serta menjawab pertanyaan
tersebut.
a. menghitung koefisien regresi
b
x y x x y x x 300 1580000 65000 5900
1
2
2 2 1 2
x x x x
1 2
30 1580000 5900
2 2 2
1 2 1 2
=
90500000
= 12590000 = - 7,1882
x2 y x12 x1 y x1x2 65000 30 300 5900
x x x x
2
30 1580000 5900
2 2 2
1 2 1 2
b2 = =
180000
= 12590000 = 0,0143
b0 = Y b1 X 1 b2 X 2 = 80 – (-7,1882)(6) – (0,0143)(800)
= 111, 6892
maka fungsi permintaannya adalah: Y = 111, 6892 - 7,1882X1 + 0,0143X2
167
Σ e2 = 3450- (-7,1882 )(-300) – (0,0143)(65000)
= 364,04
Se2
e 2
364, 04
Se2 = 10 3= 52,0057
4). Hitung galat baku (standard error) dari semua koefisien regresi: b0 , b1, dan b2
1 2
2
x1 x22 x2 x12 2 x1 x2 x1 x2
x1 x2 x1 x2
2
n 2 2
Var (b0) = S 2
e
1 6 2 1580000 800 2 30 2 6 800 5900
30 1580000 5900
2
10
= 52,0057
132720000
0,1 12590000
= 52,0057
= 52,0057 (0.1 + 10,541700
= 52,0057 ( 10,641700) = 553,4291
Var (b0) = 553,4291
Maka: Sb0 =
553, 4291
Sb0 = 23,5251
S x
2
e
2
2
x x x x
2 2 2
1 2 1 2
Var(b ) =
1
=
82169006
= 12590000 = 6,5265
Var (b1) = 6,5265
maka Sb1 =
6,5265
Sb1 = 2,5547
x
Se2 2
1
x x x x
2 2 2
1 2 1 2
Var (b ) =
2
52, 0057 30
30 1580000 5900
2
168
1560,171
= 12590000 = 0,000124
Var (b2) = 0,000124
Maka Sb2 =
0,000124
Sb2 = 0,0111
5). Uji signifikansi untuk semua koefisien regresi ( b0, b1, b2)
Dalam pengujian ini menggunakan uji t – studeny , thitung ( th) masing-masing sebagai
berikut :
b0 111, 6892
Sb0 23.521
thitung untuk b0 sebagai t b0 = = 4,748
b1 7,1882
Sb1 2,5547
thitung untuk b1 sebagai t b1 = = -2,814
b2 0, 0143
Sb2 0, 0111
thitung untuk b2 sebagai t b2 = = 1,288
dengan tingkat kesalahan α = 5%, dan derajat kebebasan n-k = 10 -3 = 7,tabel
t – student menunjukkan critical region 2,365. Jika t- tabel dibandingkan dengan
nilai absolut koefisien regresi maka tampak bahwa koefisien regresi b 2 = 1,288 lebih
kecil daripada t-tabel artinya b2 tidak signifikan secara statistik pada tingkat tingkat
kepercayaan 95% atau tingkat kesalahan 5%
Sedangkan untuk koefisien regresi (b0,dan b1), yang masing-masing mempunyai nilai absolut 4,78
dan 2,814 lebih besar daripada nilai t- tabel yaitu 2,365 ,maka dapat disimpulkan bahwa kedua
koefisien regresi b0,dan b1 adalah signifikan secara statistik pada tingkat kesalahan 5%.
c. Untuk menjawab besarnya pengaruh variabel X1 ( harga produk) dan X2 terhadap Q
kuantitas permintaan harus menggunakan koefisien determinasi yang besarnya sudah
R2
dihitung , yaitu y .12 = 0,8945 dan jika dikalikan dengan 100% = 89,45 %, yang
artinya besarnya pengaruh variabel X 1 (harga barang) dan X2 (pendapatan konsumen)
secara bersamaan mempunyai pengaruh 89,45%, sedangkan sebesar 10,55% pengaruh
dari faktor lainnya
x y 1
300
r1y = x y2
1
2
= 30 3450 =-0,9325
x y 2
65000
r2y = x y 2
2
2
= 1580000 3450 = 0,8804
169
x x 1 2 5900
2 2
x x 30 1580000 = -0,8570
r12 = =
1 2
Dengan demikian maka koefisien korelasi parsial X 1 dan Y ,jika X2 konstan adalah:
r1 y r2 y r12
1 r22y 1 r122
r1y.2 =
0,9325 0,8804 0,8570
1 0,8804 1 0,8570
2 2
=
0,1779972
= 0, 244379448
= -0,7284
r2y.1 =
= 0,4366
3. Koefisien korelasi parsial X1dan X2, jika Y konstan, maka rumusnya adalah
r12 r1 y r2 y
1 r12y 1 r22y
r12.y =
=
= -0,21034
Koefisien korelasi parsial yang terjadi antara variabel Y, X 1, dan X2 menunjukkan hubungan keeratan
yang terjadi antara variabel satu dengan variabel lainnya baik secara positif ataupun negatif
r1y.2 = Koefisien Korelasi Parsial antara harga produk (X 1) dan jumlah permintaan produk (Y),dimana
pendapatan masyarakat tidak diperhitungkan
r2y.1 = Koefisien Korelasi Parsial antara pendapatan masyarakat (X2) dan jumlah permintaan produk
(Y), dimana harga produk tidak diperhitungkan
r12 y = Koefisien Korelasi Parsial antara harga produk (X1) dan pendapatan masyarakat (X2), dimana
permintaan produk (Y) tidak diperhitungkan
Jika persamaan regresi linear: Y = 111, 6892 - 7,1882X1 + 0,0143X2 akan digunakan untuk meramal
nilai Y maka perlu nilai X1 dan X2 diketahui lebih dahulu.
170
14.3. Regresi Berganda Dengan Variabel Bebas Lebih Dari Dua
Untuk menghitung koefisien regresi pada regresi berganda dengan variabel bebas lebih dari dua salah
satu cara adalah dengan Metode Algoritma Doolittle.
Penggunaan Metode Algoritma Doolittle dalam Analisis Regresi denganLebih dariDua Variabel Bebas
Sebagai ilustrasi kita mempunyai masalah mengenai analisis regresi yang terdiri dari empat
variable bebas . Dengan demikian model regresi empat variable bebas adalah :
Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + ε
Dengan menggunakan berbagai asumsi model di atas dapat diduga berdasarkan persamaan
berikut :
Y^ = b0 + b1X1 + b2X2 + b3X3 + b4X4 + e
Jika persamaan tersebut diubah dalam persamaan matriks , maka persamaan normal dalam
analisis regresi dapat ditulis sebagai berikut :
(X’X)B = X’Y , dimana B’ = ( b0, b1 , b2, b3, b4)
Untuk memudahkan penulisan , kita mengambil contoh : X’X = A dan X’Y = G ,sehingga
bentuk penulisan matrik persamaan normal menjadi lebih sederhana, yaitu : AB = G
Kemidian jika misalnya (X’X)-1 = A-1 = C, maka solusi terhadap persamaan normal dapat
dilakukan sebagai berukut: B = A-1G = CG
Penyelesaian langkah maju ( forward solution) dengan menggunakan metode Doolittle untuk
suatu analisis regresi dengan empat variable bebas ditunjukkan pada table berikut :
171
(1) a11 a12 a13 a14 g1 1 0 0 0 K1
(2) a22 a23 a24 g2 1 0 0 K2
(3) a33 a34 g3 1 0 K3
(4) a44 g4 1 K4
Penjelasan:
Bagian pertama yang berisi baris (0 ) sampai baris (4)
1. Pada kolom (1) dimasukan elemen-elemen dari matriks X’X yang setangkup dengan .
adalah gi = i ∑X Y
3. Pada kolom (3) dimasukkan elemen-elemen dari matriks identitas yang bersifat
setangkup. Dalamhal ini dimasukkan bagian dari matriks segi tiga atas.
4. Pada kolom penguji dari setiap baris dimasukkan jumlah , semua nilai yang berkaitan
dengan baris itu, termasuk elemen-elemen matrks segitiga bawah yang tidak
dimasukkan ke dalam table Dooliitle karena bersifat setangkup (simetris)
Pengolahan selanjutnya dilakukan dengan mengikuti instruksi pada kolom “baris” sampai
diperoleh Bpq yang muncul sendiri . Setiap pengolahan baris dapat diperiksa kebenarannya
172
menggunakan nilai dikolom penguji. Apabila hasil pemeriksaan menggunakan kolom penguji
telah memuaskan . berarti penyelesaian langkah maju ( forward solution) dianggap selesai.
Selanjutnya melakukan penyelesaian dengan langkah mundur atau backward solution untuk
perhitungan menentukan koefisien regresi dan nilai cij yang merupakan elemen-elemen dari
invers matrik (X’X) sebagai berikut :
(1)b0 + (B01)b1 + (B02)b2 + (B03)b3 + (B04)b4 = B0y
(1)b1 + (B12)b2 + (B13)b3 + (B14)b4 = B1y
(1)b2 + (B23)b3 + (B24)b4 = B2y
(1)b3 + (B34)b4 = B3y
(1)b4 = B4y
Dengan cara membalikan persamaan di atas secara langkah mundur akan diperoleh nilai: b4,
b3, b2, b1, dan b0
Data Produksi dan Biaya Total Dari PT. ABC Selama 12 Bulan
No Bulan Output (Q) Biaya Total
(ribuan (TC)
Unit) (jutaan
rupiah)
1 Januari 1 193
2 Februari 3 240
3 Maret 4 244
4 April 2 226
5 Mei 5 257
6 Juni 8 297
7 Juli 11 518
8 Agustus 6 260
9 Septembe 7 274
10 Oktober 9 350
11 November 12 654
12 Desember 10 420
Dari data tersebut buatlah fungsi biaya berderajat tiga (kubik) dengan menggunakan metode
Algoritma Doolittle .Untuk membuat fungsi tersebut maka perlu dilakukan langkah-langkah
sebagai berikut :
Langkah 1. Agar pendugaan model regresi kubik dapat dilakukan data dalam table di atas
perlu disusun kembali ah 1 seperti tabel berikut ini :
No. Bulan TC Q Q2 Q3
173
1 Januari 193 1 1 1
2 Februari 240 3 9 27
3 Maret 244 4 16 64
4 April 226 2 4 8
5 Mei 257 5 25 125
6 Juni 297 8 64 512
7 Juli 518 11 121 1331
8 Agustus 260 6 36 216
9 Septembe 274 7 49 343
10 Oktober 350 9 81 729
11 November 654 12 144 1728
12 Desember 420 10 100 1000
Langkah 2. Lakukan beberapa hitungan yang berkaitan dengan jumlah kuadrat dan jumlah
hasil kali untuk membangun matriks (X’X) dan matriks (X’Y). Dalam hal ini kita misalkan
TC = Y = biaya total, Q= X1 , Q2 = X2 , dan Q3= X3. Dengan demikian kita dapat
memperlakukan model regresi kbik sebagai model regresi dengan tiga variabel bebas,
sehingga kita dapat memperlakukan perhitungan sebagai berikut :
Tabel Hasil Perhitungan Jumlah Kuadrat (JK)dan Jumlah Hasil Kali (JHK)
∑ 3933 78 650 6084 30376 282584 2853148 6084 60710 630708 650 60710 6735930 1497335
2
Rata - - - - - - - - - - - - -
327,7
5
Langkah 3. Kumpulkan elemen-elemen JK dan JHK yang sesuai dari tabel di atas untuk
membangun matriks
174
(X’X) dan (X’Y)
Dari tabel JK dan JHK di atas dapat dicatat bahwa :
∑Y = 3933 ; 1 ∑X Y
= 30376 ; 2 = 282584 ; 3 ∑X Y
= 2853148 ∑X Y
Elemen-elemen ini yang akan membentuk matriks X’Y sebagai berikut :
∑ X 22
= 60710 ; ∑X2 X3 = 630708 ; ∑ = 6735950
2
X3
Matriks (X’X) terdiri dari elemen-elemen berikut :
n ∑ X1 ∑ X2 ∑ X3 12 78 650 6084
∑ X1 ∑
X 21 ∑X1 X2 ∑X1 X3 78 650 6084 60710
2
X’X = ∑ X2 ∑X1 X2 ∑ X2 ∑X2 X3 = 650 6084 60710 630708
2
∑ X3 ∑X1 X3 ∑X2 X3 ∑ X3
6084 60710 630708 6735950
Langkah 4. Masukkan elemen-elemen segi tiga atas dari matriks X’X ke dalam tabel
Doolittle dan lakukan perhitungan melalui pengolahan baris . Tabel Doolittle untuk kasus ini
ditunjukkan dalam tabel berikut :
175
(0) 12 78 650 6084 3933 10757
(1) 650 6084 60710 30376 97898
(2) 60710 630708 282584 980736
(3) 6735950 2853148 10286600
(4)= (0) 12 78 650 6084 3933 10757
(5) = (4):12 1 6,5 54,166667 507 327,75 896,416667 √
(6)= (1) ─ 78(5) 143 1858,999974 21164 4811,5 27977,49997
(7) = (6) : 143 1 13 148 33,646853 195,646853 √
(8)= (2) – 650(5) ─ 1334,666788 26026,00385 6997,001148 34357, 67181
1858,999974(7) 1 19,500001 5,242508 25,742509 √
(9) = (8): 1334,666788
(10)= (3) ─ 6084(5) ─ 11582,8989 10573,46972 22156,36286
21164(7) ─ 26026,00385(9)
(11) = (10) : 11582,8989 1 0,912852 1,912852 √
Catatan: Tanda (√) adalah tanda periksa bahwa perhitungan pada baris telah dilakukan secara benar karena telah sama
dengan hasil dalam kolom penguji .Angka dalam tanda kurung (..) menunjukkan nomor baris, sedangkan angka
diluar kurung menunjukkan konstanta
b3 = 0, 912852
b2 = 5,242508 ─ 19,500001(0,912852) = ─ 12,558107
b1 = 33,646853 ─ 13(─ 12,558107) ─ 148(0,912852) = 61,800148
b0 = 327,75 ─ 6,5(61,8008148) ─ 54,166667(─ 12,558107) ─ 507(0,912852) = 143,463874
3. Penghitungan jumlah kuadrat model regresi kubik melalui nilai-nilai dalam kolom
X’Y dari tabel Doolittle sebagai berikut:
JK (regresi) = A1yB1y + A2yB2y + A3y
= (4811,5)(33,646853) + (6997,001148)(5,242508) + (10573,46972)
(0,912852)
= 208225,6807
176
Derajat bebas (db) = K ─ 1
= banyaknya parameter yang diduga dikurangi satu
=4─1=3
Untuk keperluan pengujian pengaruh linear (X1), pengaruh kuadratik (X2), dan
pengaruh kubik (X3) dari output produksi terhadap biaya produksi , jumlah kuadrat
regresi perlu dipecah
JKR (b1) = A1yB1y = (4118,5)(33,646853) = 161891,8332 ; db = 1
KR (b2) = A2yB2y = (6997,001148)(5,242508) = 36681,83449 ; db = 1
JKR (b3) = A3yB3y = (10573,46972)(0,9128520) = 9652,012981
4. Hitung jumlah kuadratgalat (error) dari model regresi kubik, sebagai berikut :
5. Lakukan pengujian sgnifikansi koefisien regresi secara parsial dan persamaan regresi
secara serempak menggunakan uji F seperti ditunjukkan dalan tabel ANOVA sebagai
berikut
0,05 0,01
(1) (2) (3) (4)= (3) : (2) (5)= (4) : (6) (7)
KTG
Regresi 3 208225,6807 69408,56023 8097,92 ** 4,07 7,59
R(b1) 1 161891,8332 161891,8332 18887,97** 5,32 11,30
R(b2) 1 36681,83449 36881,83449 4279,68** 5,32 11,30
R(b3) 1 9652,012981 9652,012981 1126,61** 5,32 11,30
Galat 8 68,5693 8,571163
Total 11 208294,25 ─ ─ ─ ─
Catatan:
1. ** = signifikan pada tingkat kepercayaan 99% atau tingkat kesalahan 1%
KT (Re gresi)
2. Fhitung Regresi =
KT (galat ) ; Ftabel F (α; v1= db regresi, v2=db galat)
3. R2 = JKR : JKT
= 208225,6807 : 208294,25
= 0,9997 atau 99,97 %
Hasil pengujian secara statistika menunjukkan bahwa model regresi kubik dapat
diandalkan sebagai model penduga biaya produksi PT. ABC berdasarkan kuantitas
produksi, di mana pengujian terhadap koefisien-koefisien regresi bersifat signifikan
pada tingkat kesalahan 1 %.
177
Besarnya koefisien determinasi R2= 0,9997 menunjukkan bahwa model regresi
kubik mampu menerangkan total variasi dalam biaya produksi PT.ABC sebesar
99,97%
Langkah 7. Lakukan pengujian berdasarkan konsep ekonomi terhadap fungsi biaya kubik.
Dari hasil perhitungan koefisien regresi diperoleh :
Q x = A Kα Lβ Mɣ
178
8 1992 26 465 300 700 23 445
9 1993 27 403 307 500 24 939
10 1994 28 628 303 700 26 713
11 1995 29 904 304 700 29 957
12 1996 27 508 298 600 31 585
13 1997 29 035 295 500 33 474
14 1998 29 281 299 000 34 821
15 1999 31 535 288 100 41 794
179
No Tahun Output, Q Tenaga Kerja,L Modal, K
(ribu unit) (HOK) (jam
mesin)
1 1985 16 607 275 500 17 803
2 1086 17 511 274 400 18 096
3 1987 20 171 269 700 18 271
4 1988 20 932 267 000 19 167
5 1989 20 406 267 800 19 647
6 1990 20 831 275 000 20 803
7 1991 24 806 283 000 22 076
8 1992 26 465 300 700 23 445
9 1993 27 403 307 500 24 939
10 1994 28 628 303 700 26 713
11 1995 29 904 304 700 29 957
12 1996 27 508 298 600 31 585
13 1997 29 035 295 500 33 474
14 1998 29 281 299 000 34 821
15 1999 31 535 288 100 41 794
Tahap 2. Lakukan beberapa perhitungan yang berkaitan dengan jumlah kuadrat dan
jumlah hasil kali untuk membangun matriks (X’X) dan matriks (X’Y). Dalam hal ini
misalnya logQ = Y ; logL = X1 dan logK = X2. Dengan demikian kitra dapat
memperlakukan model Cobb-Douglas sebagai model regresi logaritma dengan dua
180
variabel bebas X1 dan X2 . Hasil perhitungan jumlah kuadrat dan jumlah hasil kakli
dari variabel – variabel : Y ; X1 ; dan X2 yang ditunjukkan dalam tabeln berikut:
Tabel Hasil Perhitungan Jumlah Kuadrat (JK) dan Jumlah Hasil Kali (JHK)
n Y X1 X2 X1Y X2Y X1X2 X 12 X22 Y2
1 4,2203 5,4401 4,2505 22,9589 17,9383 23,1232 29,5949 18,0667 17,8109
2 4,2433 5,4384 4,2576 23,0768 18,0662 23,1544 29,5760 18,1270 18,0057
3 4,3047 5,4309 4,2618 23,3784 18,3457 23,1451 29,4945 18,1626 18,5307
4 4,3208 5,4265 4,2826 23,4469 18,5041 23,2393 29,4470 18,3403 18,6694
5 4,3098 5,4278 4,2933 23,3925 18,5031 23,3032 29,4611 18,4324 18,5740
6 4,3187 5,4393 4,3181 23,4909 18,6487 23,4877 29,5863 18,6462 18,6513
7 4,3946 5,4518 4,3439 23,9582 19,0896 23,6821 29,7220 18,8696 19,3121
8 4,4227 5,4781 4,3701 24,2280 19,3273 23,9397 30.0099 19,0973 19,5600
9 4,4378 5,4878 4,3969 24,3539 19,5125 24,1294 30,1164 19,3325 19,6941
10 4,4568 5,4824 4,4267 24,4341 19,7290 24,2693 30,0572 19,5959 19,8630
11 4,4757 5,4839 4,4765 24,5443 20,0356 24,5485 30,0729 20,0390 20,0322
12 4,4395 5.4751 4,4995 243064 19,9753 24,6351 29,9766 20,2453 19,7088
13 4,4629 5,4706 4,5247 244147 20,1934 24,7527 29,9270 20,4730 19,9177
14 4,4666 5,4757 4,5418 244576 20,2865 24,8696 29,9830 20,6283 19,9504
15 4,4988 5,4595 4,6211 24,5614 20,7984 25,2292 29,8066 21,3547 20,2391
Jml 65,7729 81,8680 65,8650 359,0031 288,9448 359.5085 446,8315 289,4110 288,5192
Tahap 3. Kumpulkan elemen-elemen JK dan JHK yang sesuai dari tabel di atas
untuk memebangun matriks (X’X) dan (X’Y)
Dari tabel JK dan JHK di atas dapat dicatat bahwa :
∑ Y = 65,7729 ; ∑X1Y = 359,0031 ; ∑ X2Y = 288,9448
Elemen-elemen ini yang akan membentuk matriks X’Y sebagai berikut :
∑Y 65,7729
X’Y = ∑X1Y = 359,0031
∑X2Y 288,9448
Tampak bahwa matriks X’X bersifat setangkup, dimana elemen-elemen aij = aji
(I ,j = 1, 2, 3 )
Tahap 4. Masukkan elemen-elemen segitiga atas matriks X’X ke dalam tabel
Doolittle dan lakukan perhitungan melalui pengolahan baris. Tabel Doolittle untuk
masalah ini ditunjukkan dalam tabel berikut ini:
181
Tabel Algoritma Doolittle untuk Pendugaan Fungsi Produksi Cobb Douglas
X’X
Baris b0 b1 b2 X’Y Kolom
Penguji
(0) 15 81,8680 65,8650 65,7729 228,5059
(1) 446,8315 359,5085 359.0031 1247,2111
(2) 289,4110 288,9448 1003,7293
(3) = (0) 15 81,8680 65,8650 65,7729 228,5059
(4) = (3)/15 1 5,457867 4,391000 4,384860 15,233727 v
(5) = (1)– 81,8680(4) 0,006844 0,026112 0,023382 0,056338
(6) = (5)/0,006844 1 3,815313 3,416423 8,231736 v
(7) = (2)–65,8650(4)– 0,02112(6) 0,098160 0,046786 0,144924
(8) = (7)/0,098160 1 0,476630 1,476406 v
Catatan: 1. v adalah tanda periksa bahwa perhitungan pada baris telah dilakukan
seara benar karena telah sama dengan hasil dalam kolom penguji
2 Dalam perhitungan metode Doolittle gunakan enam dijit dibelakang
koma
3. Angka dalam tanda kurung ( ) menunjukkan nomor baris , sedangkan
angka diluar kurung menunjukkan konstanta
2. Hitung jumlah kuadrat total (JKT) dengan menggunakan data dalam tabel perhitungan
JK dan JHK dimana diketahui bahwa : ∑Y2 = 288,5192
JKT = ∑Y2 – FK =288,5192 – 288,404958 = 0,114242 = 0,1142 (dibulatkan),
dengan DB = n – 1
182
= 15–1 = 14
3. Hitung jumlah kuadrat model regresi logaritma melalui nilai-nilai dalam kolom X’Y
dari tabel Doolittle sebagai berikut :
JK (regresi ) = A1YB1Y + A2YB2Y
= (0,023382)( 3,416423 ) + (0,046786)( 0,476630)
= 0,1022
Dengan derajat bebas (DB) = K– 1 = banyaknya parameter yang diduga dikurangi
satu = 3 – 1 = 2
4. Untuk keperluan pengujian pengaruh penggunaan input tenaga kerja (X1) dan
pengaruh penggunaan input modal (X2) terhadap output produksi jangka panjang ,
jumlah kuadrat regresi perlu dipecah menjadi :
JKR (b1) = A1YB1Y = (0,023382)(3,416423) = 0,0799 ; dengan derajat bebas (db) = 1
JKR (b2) = A2YB2Y = (0,046786)(0,476630) = 0,0223 ;dengan derajat bebas (db) = 1
5. Hitung jumlah kuadrat galat (error) dari model regresi logaritma sebagai berikut :
JKG = JKT – JKR = 0,1142 – 0,1022 = 0,0120 ; db galat = n – K = 15 – 3 = 12
6. Lakukan pengujian signifikansi koefisien regresi secara parsial dan persamaan regresi
secara serempak menggunakan uji F (Fisher) seperti ditujukkan dalam tabel ANOVA
(Analys Of Variance) atau Analisis Ragam berikut ini :
183
b1 = 1,597930
b0 = – 6,429312 ; antilog (b0) = (10)– 6,429312 = 0,00000037
Jika koefisien ini disubstitusikan ke dalam model fungsi produksi Cobb Douglas :
Q x = A Kα Lβ maka
diperoleh persamaan fungsi produksi Cobb Douglas jangka panjang :
Q = 0,00000037 L1,597930K0,476630
Analisis Yang Dapat Dilakukan Dari Hasil Pendugaan Fungsi Produksi Cobb Douglas
Penggunaan fungsi Produksi Cobb Douglas dalam pendugaan output produksi jangka panjang
dapat disajikan seperti pada tabel berikut ini:
Selanjutnya berbagai informasi yang berkaitan dengan fungsi produksi Cobb Douglas jangka
panjang dapat diperoleh melalui perhitungan-perhitungan , katakanlah pada tingkat rata-rata
penggunaan input tenaga kerja (L – bar = 287 347 HOK per tahun)dan rata-rata penggunaan
input modal (K – bar = 25 506 jam mesin per tahun) selama periode 15 tahun terakhir.
Berdasarkan data rata-rata tersebut ( untuk L dan K) maka dapat dihitung indicator
oengukuran sebagai mana telah tercantum pada tabel ringkasan tersebut di atas. Berdasarkan
informasi dalam tabel di atas dapat ditarik beberapa kesimpulan penting selama periode
produksi 15 tahun sebagai berikut:
1. Rata-rata produksi jangka panjang selama 15 tahun terakhir adalah 24 586 (ribu unit)
2. Produktivitas rata-rata tenaga kerja selama periode produksi jangka panjang adalah :
0,086 (ribu unit per HOK)
3. Produktivitas rata-rata modal selama periode produksi jangka panjang adalah 0,964
(ribu unit per jam mesin)
184
4. Produktivitas marjinal tenaga kerja selama periode produksi jangka panjang adalah
0,136 (ribu unit per HOK), yang menunjukkan bahwa setiap penambahan satu hari
orang kerja (1 HOK) mampu meningkatkan produksi sebesar 136 unit produksi pada
tingkat penggunaan input modal yang konstan
5. Produktivitas marjinal dari modal selama periode produksi jangka panjang adalah
0,459 (ribu unit per HOK), yang menunjukkan bahwa setiap penambahan satu input
modal (1 jam mesin) mampu meningkatkan produksi sebesar 459 unit produk pada
tingkat penggunaan input tenaga kerja yang konstan
6. Elastisitas output dari input tenaga kerja selama periode produksi jangka panjang
adalah : 1,59793, yang menunjukkan bahwa tingkat rata-rata penggunaan input tenaga
kerja dan modal , setiap penambahan 1% input tenaga kerja (HOK) akan mampu
meningkatkan produksi sebesar 1.59793% atau sekitar 1,6 % (ceteris paribus)
7. Elastisitas output dari input modal selama periode produksi jangka panjang adalah :
0,47663 yang menunjukkan bahwa tingkat rata-rata penggunaan input tenaga kerja dan
modal , setiap penambahan 1% input modal (jam mesin) akan mampu meningkatkan
produksi sebesar 0,47663% atau sekitar 0,5 % (ceteris paribus)
8. Kondisi skala produksi jangka panjang (return to scale) adalah 2,07456 yang
menujukkan bahwa system produksi berada dalam kondisi increasing returns to scale
(economies of scale). Dengan demikian manajer perlu mengembangkan pemasaran
agar terus meningkatkan produksi (kapasitas usaha) sehingga mampu meningkatkan
efisiensi produksi . Dalam situasi IRTS apabila asumsi pasar masih dapat
dikembangkan , setiap peningkatan output produksi akan menurunkan biaya rata-rata
karena produktivitas marjinal dari input yang masih meningkat
XV.Statistik Nonparametrik
Statistik non parametric merupakan kumpulan alat untuk menganalisis data yang menawarkan sebuah
pendekatan yang berbeda dengan cara-cara pengambilan keputusan yang selama ini kita pelajari.
Pendekatan ini tidak menekankan kepada asumsi-asumsisebagai mana terdapat pada statistic
parametric seperti distribusi sampel dari parameter populasi dianggap normal. Uji-uji hipotesis yang
akan dipelajari dalam kaitan jnj lebih mengasumsikan bahwa distribusi sampel dianggap tidak normal,
Untuk dapat membantu kapan kita menggunakan Statistik parametrik ataupun Statistik non parametric
dapat dilihat gambar berikut ini
Mulai
Tipe 185
Data
Nominal/Ordinal
Tidak No
Kecil (< 30 )
186
Misal:
Ukuran berat (kg)
Perbedaan 485 kg sama dengan perbedaan 980 kg
Dalam Non Par bisa terjadi ukuran ordinal (bukan taraf tinggi)
Misal:
- Preferensi konsumen atas 5 jenis barang (1,2,3,4,5)
3 memiliki preferensi > dari 2 tapi perbedaannya belum tentu 1
- Tingkatan eksekutif 4 manager (1,2,3,4)
Pengujian dalam ukuran taraf tinggi dapat diformulasikan dalam ukuran ordinal dengan cara
memberi rank.
Contoh:
Ukuran berat: 3,4 1,8 5,8
Rank : 2 1 3
Uji tanda adalah salah bentuk uji yang paling sederhana dari teknik-teknik non parametric
lainnya. Umumnya digunakan untuk membandingkan dua sampel yang berpasangan. Dan
sampel itu berasal dari populasi yang sama. Dengan demikian jika hipotesis nol itu benar,
ukuran perbedaan ditandai dengan plus (jika lebihbesar) atau minus (jika lebih kecil),
seharusnya kira-kira jumlah tanda plus sama dengan tanda minus atau kesempatan sama kira-
kira 50%. Untuk itu kita dapat menggunakan pendekatan distribusi binomial atau percobaan
Bernoulli.
n x n− x
P (X; n,P) = C x P Q
Distribusi ini dapat didekati dengan pendekatan distribusi normal, terutama jika jumlah
ukuran sampel besar
X−μ
Z= σ dimana μ=nP dan σ=√ nPQ
187
Secara umum, syarat-syarat yang dipenuhi untuk menggunakan uji tanda adalah:
1. Sampel berpasangan yang diperbandingkan bersifat independen
2. Masing-masing pengamatan dlam tiap pasang terjadi karena pengaruh kondisi yang serupa
3. Pasangan yang berlainan terjadi pada kondisi yang berbeda
2, Menentukan tanda untuk selisihtersebut dan diberi tanda + jika Xi > Yi dan tanda ― jika
Xi < Yi dan abaikan jika Xi = Yi
Langkah-langkah Pengujian
1. Hitung di = Xi − µ0 untuk semua i ; X = data pengamatan
Bila ada nilai di = 0 , maka untuk selanjutnya tidak termasuk dalam perhitungan
5. Pengujian
Contoh Aplikasi 1 :
Seorang manager pemasaran dari perusahaan makanan cepat saji ingin mengetahui apakah
timgkat keuntungan yang diperoleh pada cabang- cabang rumah makannya dikota-kota
dipengaruhi oleh dua advertensi yang berbeda. Hasil pengamatan terhadap hasil keuntungan
masing-masing cabang rumah makan adalah sebagai berikut
:
188
Keuntungan different Tanda
Positif (+) atau
Kot neg,ative (―)
a Adv. A Adv. Kolom (2)― Kolom
B (3)
1 15,3 14,3 +1 +
2 9,4, 8,6 + 0,8 +
3 7,3 8,0 -0 ,7 -
4 6,0 5,3 + 0,7 +
5 4,2 3,7 + 0,5 +
6 2,6 3,6 -1,0 -
7 5,0 5,0 0
8 9,8 7,3 + 1,5 +
9 4,2 4,5 -0,3 -
10 6,5 5,1 +1,4 +
Total : n1 = + 6
n2 = - 3
n= 9
189
Contoh Aplikasi 1.
Sebelum pelatihan diketahui rata-rata skor kinerja karyawan adalah 85 (skala 0 − 100).
Setelah pelatihan diambil sampel sebanyak 10 orang karyawan untuk diteliti skor kinerjamya,
hasilnya adalah sebagai berikut:
Karyawan 1 2 3 4 5 6 7 8 9 10
Skor 87 85 90 95 86 85 80 84 83 86
Ujilah dengan α = 5% , apakah skor kinerja karyawan meningkat setelah mengikuti
pelatihan
Penyelesaian
Xi di = Xi − │di │ Rankin Tanda
µ0 g │di │
87 2 2 4,5 +
85 0 0
90 5 5 6,5 +
95 10 10 8 +
86 1 1 2 +
85 0 0
80 -5 5 6,5
−
84 -1 1 2 -
83 -2 2 4,5
−
86 1 1 2 +
T++ = 23 sedangkan T − − = 13
Pengujian : Ditentukan µ0 = 85
H0 : µ = 85
Ha : µ > 85
Contoh Aplikasi 2 :
Seorang manager pemasaran dari perusahaan makanan cepat saji ingin mengetahui apakah
timgkat keuntungan yang diperoleh pada cabang- cabang rumah makannya dikota-kota
dipengaruhi oleh dua advertensi yang berbeda. Hasil pengamatan terhadap hasil keuntungan
masing-masing cabang rumah makan adalah sebagai berikut
:
Keuntungan different Tanda
Positif (+) atau
Kot negative (―)
a Adv. A Adv. Kolom (2)― Kolom
B (3)
190
1 15,3 14,3 + 12 +
2 9,4, 8,6 + 0,8 +
3 7,3 8,0 -0 ,7 -
4 6,0 5,3 + 0,7 +
5 4,2 3,7 + 0,5 +
6 2,6 3,6 -1,0 -
7 5,0 5,0 0
8 9,8 7,3 + 1,5 +
9 4,2 4,5 -0,3 -
10 6,5 5,1 +1,4 +
Total : n1 = + 6
n2 = - 3
n= 9
Contoh 3
Tabel dibawah ini menunjukkan data untuk uji tanda apakah resep baru lebih enak dari resep
lama dari sebuah restoran.
Tabel 3 Data Untuk Uji Tanda
191
Urutan Rasa (1=tdk.enak, Tanda Beda Urutan
Langgana 5=enak sekali) Resep Baru dan asli
n Resep asli Resep baru
A 1 4 +
B 3 4 +
C 2 3 +
D 1 2 +
E 2 5 +
F 4 2 -
G 1 1 0
H 4 3 -
I 2 3 +
J 3 4 +
Jika ukuran sampel n > 25, maka dapat dianggap berdistribusi normal dengan rata-rata dan
simpangan baku
n(n+ 1) n(n+1)(2 n+1)
μτ =
4 dan
Sehingga variabel normal standarnya dirumuskan
σ τ=
√ 24
( τ−μ τ )
Z=
στ
Kriteria keputusan pengujiannya adalah:
Ho: diterima apabila Z ¿ Z α /2
9−18
=−1,26
Z = 7,14
Oleh karena nilai Z (-1,26) lebih besar daripada Z 0 ,025 =-1,96 maka Ho ditolak.
193
Median Gaji Tahunan dari 40 Perusahaan
Di Dua Propinsi
Median Gaji Tahunan Median Gaji Tahunan
No (juta) No (juta)
Propinsi Propinsi Propinsi Propinsi
A B A B
1 15,7 15,0 21 19,2 19,3 Penyelesaian
2 17,2 16,3 22 20,1 21,7 1, H0 : Tidak ada perbedaan
3 18,0 18,1 23 21,8 23,0 median gaji antara propinsi A
4 19,8 20,3 24 23,1 25,5 dengan propinsi B
5 21,7 21,9 25 24,8 28,3 Proporsi + (P) sama
6 25,5 23,5 26 23,4 23,2 dengan proporsi ― (Q) atau P =
7 28,5 26,1 27 25,2 25,4 Q = 0,50
8 34,0 31,5 28 30,5 28.5
9 40,2 36,1 29 36,9 36,5 2, Ha : Ada perbedaan median
gaji antara propinsi A dengan
10 38,1 43,4 30 48,1 43,5
propinsi B, Proporsi + (P) tidak
11 56,6 63,3 31 28,8 28,7
sama dengan proporsi
12 89,8 73,1 32 34,1 36,0
― (Q ) atau P ≠ Q ≠ 0,50
13 65,7 75,5 33 41,1 39,3
14 95,3 86,1 34 57.8 55,7 3, Menentukan taraf signifikan
15 196,6 191,5 35 98,7 80,6 α = 0,01
16 14,2 12,5 36 40,7 46,3
17 15,6 14,2 37 51.1 57,9 4, Menentukan nilai kritis Z
18 16,4 15,9 38 71,6 82,8 pada taraf signifikansi α = 0,01
19 17,8 16,8 39 97,1 88,3 dan n = 40 dengan uji dua arah
20 18,7 18,0 40 179,2 173,2 ± 2,58
5. Menentukan uji hipotesis
a. Menghitung nilai median yang diharapkan µ= np. Dengan demikian np = 40 x 0,50 =20
194
3 18,0 18,1 ― 23 21,8 23,0 ―
4 19,8 20,3 ― 24 23,1 25,5 ―
5 21,7 21,9 ― 25 24,8 28,3 ―
6 25,5 23,5 + 26 23,4 23,2 +
7 28,5 26,1 + 27 25,2 25,4 ―
8 34,0 31,5 + 28 30,5 28.5 +
9 40,2 36,1 + 29 36,9 36,5 +
10 38,1 43,4 ― 30 48,1 43,5 +
11 56,6 63,3 ― 31 28,8 28,7 +
12 89,8 73,1 + 32 34,1 36,0 ―
13 65,7 75,5 ― 33 41,1 39,3 +
14 95,3 86,1 + 34 57.8 55,7 +
15 196,6 191,5 + 35 98,7 80,6 +
16 14,2 12,5 + 36 40,7 46,3 ―
17 15,6 14,2 + 37 51.1 57,9 ―
18 16,4 15,9 + 38 71,6 82,8 ―
19 17,8 16,8 + 39 97,1 88,3 +
20 18,7 18,0 + 40 179,2 173,2 +
Oleh karena Zh < Ztabel maka : H0 yang menyatakan tidak ada perbedaan median gaji dapat
diterima.
195
8 14,5 15
9 15 11
10 13 12
Penyelesaian
2. Buatlah hipotesis :
Uji U dari Mann-Whitney merupakan salah tipe uji statistic non parametric yang
menggunakan skala ordinal atau ranking ( the rank-sum test ). Uji ini digunakan apakah ada
196
perbedaan ukuran pemusatan antara dua populasi Padanannya pada uji parametric adalah uji
selisih dua rata-rata populasi
Uji Mann Whitney merupakan pengujian untuk mengetahui apakah ada perbedaan nyata
antara rata-rata dua populasi yang distribusinya sama, melalui dua sampel yang independen
yang diambil dari kedua populasi.
Data untuk uji Mann Whitney dikumpulkan dari dua sampel yang independen
.
Uji U dari Mann-Whitney merupakan salah tipe uji statistic non parametric yang
menggunakan skala ordinal atau ranking ( the rank-sum test ). Uji ini digunakan apakah ada
perbedaan ukuran pemusatan antara dua populasi Padanannya pada uji parametric adalah uji
selisih dua rata-rata populasi
Langkah-langkah Penyelesaian:
n1 ( n1 + 1 )
−R1
Ua = n1n2 + 2
n2 ( n 2 +1 )
−R2
Ub = n1n2 + 2
197
D 1.920 7 R 1.970 9
E 1.880 6
R2 = 25,5
R1=19,5
Penyelesaian:
1) Hipotesis nol (H0) adalah bahwa setelah tiga tahun bekerja, gaji sarjana ekonomi
μ1
5(5+1)
5 . 4+ −19 , 5=
U = 2 15,5
n2 ( n 2 +1)
n1 n 2 + −R2
Kedua U= 2
4 (4 +1)
5 . 4+ −25 , 5=4,5
U= 2
198
Nilai U yang dipilih untuk menguji hipotesis nol adalah nilai U yang lebih kecil yaitu
4,5.
Untuk memeriksa apakah perhitungan kedua nilai U benar, dapat digunakan dengan
rumus berikut:
U terkecil = n1n2 – U terbesar
4,5 = 20 – 15,5
Jadi benar
4) Membuat keputusan secara statistik. Aturannya adalah : “Tolak Ho jika test statistik U
¿ nilai kritis. ”Karena nilai test statistik lebih besar dari nilai kritis maka Ho tak ditolak
berarti gaji sarjana ekonomi tidak lebih rendah dibanding sarjana insinyur.
n1 n 2 ( n1 + n2 +1 )
μU =
n1 n2
2 dan
σU=
√ 12
Contoh
Kita ingin menentukan apakah volume penjualan tahunan yang dicapai salesman yang tidak
berpendidikan akademis berbeda dengan volume penjualan yang dicapai oleh salesman yang
berpendidikan akademis. Diambil sampel random 10 salesman yang tidak berpendidikan
199
akademis (n1=10), dan diambil sampel random lain yang independent 21 salesman yang
berpendidikn akademis (n2=21). Dua grup tersebut dipisahkan sebagai grup A dan grup B.
Volume penjualan dan jenjangnya ditunjukkan sebagai berikut:
Tabel 2
Volume penjualan tahunan dari salesman yang tidak berpendidikan akademis (A) dan yang
berpendidikan akademis (B) beserta jenjangnya.
Salesman Volume Jenjang Salesman Volume Jenjang
A Penjualan ( Urutan ) B Penjualan ( Urutan )
Tahunan Tahunan
(dalam (dalam
ribuan Rp) ribuan Rp)
1 82 24 1 92 31
2 75 19 2 90 29,5
3 70 15 3 90 29,5
4 65 11 4 89 28
5 60 8 5 86 27
6 58 7 6 85 26
7 50 4,5 7 83 25
8 50 4,5 8 81 22,5
9 46 3 9 81 22,5
10 42 2 10 78 21
11 76 20
12 73 18
13 72 17
14 71 16
200
16 67 13
17 66 12
18 64 10
19 63 9
20 52 6
21 41 1
R1=98 R2=398
U −μU 43−105
Z= =−2 ,62
σU = 23 , 66
Bila digunakan α = 0,01, nilai Z = ± 2,58. Dengan demikian Ho ditolak dan
disimpulkan bahwa volume penjualan tahunan salesman yang tidak berpendidikan akademis
tidak sama dengan volume penjualan tahunan salesman yang berpendidikan akademis.
Contoh aplikasi 2 :
Sebuah lembaga penelitian bisnis melakukan penelitian tentangf perlakuan pemberian gaji
antara karyawan laki-laki dan karyawan perempuan lulusan SMU, pada sebuah industry
tekstil. Sampel diambil secara acak dari data gaji karyawan sebanyak 20 orang.terdiri dari 13
orang karyawan laki-laki dan 7 orang karyawanperempuan. Peneliti dalam lembaga itu ingin
mengetahui apakah ada keseimbangan gaji yang diberikan kepada karyawan laki-laki dan
201
karyawan perempuan. Hasil pengamatan terhadap gaji dari karyawan l;aki-laki dan karyawan
perempuan adalah sebagai berikut :
Petunjuk penyelesaian:
a, ukuran sampel cukup besar, maka gunakan pendekatan normal
n1 n2
μU =
b, cari rata-rata distribusi U, yaitu E(U) atau mean U adalah : 2
n1 n 2 (n1 +n2 +1 )
c, Hitung standard deviasi U, yaitu
d, Nilai statistic Z adalah:
σU=
12√
U −E(U )
Z= σU
e, Tentukan taraf signifikan 5%
f, selanjutnya bandingkan Zhitung dengan
Z α /2
202
STATISTIKA DAN PROBABILITAS
203
Penyelesaian:
5) Hipotesis nol (H0) adalah bahwa setelah tiga tahun bekerja, gaji sarjana ekonomi
μ1
5(5+1)
5 . 4+ −19 , 5=
U = 2 15,5
n2 ( n 2 +1)
n1 n 2 + −R2
Kedua U= 2
4 (4 +1)
5 . 4+ −25 , 5=4,5
U= 2
Nilai U yang dipilih untuk menguji hipotesis nol adalah nilai U yang lebih kecil yaitu
4,5.
Untuk memeriksa apakah perhitungan kedua nilai U benar, dapat digunakan dengan
rumus berikut:
204
U terkecil = n1n2 – U terbesar
4,5 = 20 – 15,5
Jadi benar
8) Membuat keputusan secara statistik. Aturannya adalah : “Tolak Ho jika test statistik U
¿ nilai kritis. ”Karena nilai test statistik lebih besar dari nilai kritis maka Ho tak ditolak
berarti gaji sarjana ekonomi tidak lebih rendah dibanding sarjana insinyur.
n1 n 2 ( n1 + n2 +1 )
μU =
n1 n2
2 dan
σU=
√ 12
Contoh:
Kita ingin menentukan apakah volume penjualan tahunan yang dicapai salesman yang tidak
berpendidikan akademis berbeda dengan volume penjualan yang dicapai oleh salesman yang
berpendidikan akademis. Diambil sampel random 10 salesman yang tidak berpendidikan
akademis (n1=10), dan diambil sampel random lain yang independent 21 salesman yang
berpendidikn akademis (n2=21). Dua grup tersebut dipisahkan sebagai grup A dan grup B.
Volume penjualan dan jenjangnya ditunjukkan sebagai berikut:
205
Tabel 2
Volume penjualan tahunan dari salesman yang tidak berpendidikan akademis (A) dan yang
berpendidikan akademis (B) beserta jenjangnya.
Salesman Volume Jenjang Salesman Volume Jenjang
A Penjualan ( Urutan ) B Penjualan ( Urutan )
Tahunan Tahunan
(dalam (dalam
ribuan Rp) ribuan Rp)
1 82 24 1 92 31
2 75 19 2 90 29,5
3 70 15 3 90 29,5
4 65 11 4 89 28
5 60 8 5 86 27
6 58 7 6 85 26
7 50 4,5 7 83 25
8 50 4,5 8 81 22,5
9 46 3 9 81 22,5
10 42 2 10 78 21
11 76 20
12 73 18
13 72 17
14 71 16
15 68 14
16 67 13
17 66 12
18 64 10
19 63 9
20 52 6
21 41 1
R1=98 R2=398
206
Dalam contoh tersebut n2 > 20 maka digunakan pendekatan kurva normal
n1 n2 10(21)
μU = =105
2 = 2
U −μU 43−105
Z= =−2 ,62
σU = 23 , 66
Bila digunakan α = 0,01, nilai Z = ± 2,58. Dengan demikian Ho ditolak dan
disimpulkan bahwa volume penjualan tahunan salesman yang tidak berpendidikan akademis
tidak sama dengan volume penjualan tahunan salesman yang berpendidikan akademis.
Uji Wilcoxon
Uji Wilcoxon digunakan jika besar maupun arah perbedaan diperhatikan dalam
menentukan apakah ada perbedaan nyata antara data pasangan yang diambil dari satu
sampel atau sampel yang berhubungan.
207
Prosedur pengujiannya adalah:
1) Menentukan Ho dan H1
Hipotesis nol (H0) nya adalah bahwa resep baru tidak memperbaiki rasa dibanding resep
asli. Hipotesis alternative (H1) nya adalah bahwa resep baru memperbaiki rasa dibanding
resep asli. Dalam bahasa statistika
Ho: jumlah urutan tanda positif ¿ jumlah urutan tanda negatif
H1: jumlah urutan tanda positif > jumlah urutan tanda negatif
208
b. Mengurutkan beda tanpa memperhatikan tanda (kolom 5); angka 1 dirancang untuk
beda yang terkecil. Jika terdapat beda yang sama maka digunakan angka rata-rata;
pada contoh ini yang memiliki beda sebesar 1 ada 5 observasi, karena itu diberi
angka (1+2+3+4+5)/5=3; kemudian yang memiliki beda dua diberi angka 6 dan
karena yang memiliki beda 3 ada 2 observasi maka diberi angka (7+8)/2 =7,5
c. Memisahkan angka yang bertanda positif dari angka nertanda negative (kolom 6 dan
kolom 7)
d. Langkah terakhir adalah menjumlahkan semua angka positif dan semua angka
negative. Yang lebih kecil dari nilai absolute kedua jumlah itu dinamakan nilai
statistika τ yang akan menjadi dasar dalam uji Wilcoxon. Nilai statistika untuk
contoh diatas adalah 9.
Jika ukuran sampel n > 25, maka dapat dianggap berdistribusi normal dengan rata-rata
dan simpangan baku
( τ−μ τ )
Z=
στ
Kriteria keputusan pengujiannya adalah:
209
8(8+1)
μτ = 4 = 18
8(8+1)(16+1 )
σ τ=
√ 24
=7 ,14
9−18
=−1,26
Z = 7,14
Oleh karena nilai Z (-1,26) lebih besar daripada Z 0 ,025 =-1,96 maka Ho ditolak.
Langkah-langkah pengujian:
1. Hipotesis statistik
2. Nilai Kritis:
α=±Z α ; ±Z α /2
210
Statistik Uji: Z = s√
r n−1
3. Aturan Keputusan Ho ditolak jika Z statistik > nilai kritis
4. Kesimpulan
Contoh:
Sebuah perusahaan minuman ingin mengetahui hubungan antara suhu harian dengan
penjualan per hari. Karena pembukuan yang kurang baik, perusahaan itu hanya mampu
membuat urutan data tentang penjualan di mana angka 1 dirancang untuk penjualan
terbanyak, sementara suhu tertinggi diberi angka 1.
Sampel random selama 12 hari menghasilkan data berikut:
Tabel 5
216
r s =1− =0 ,874 rs berkisar antara -1 dan 1
1716
1) Ho :
ρs ≤0 dan H1:
ρs >0
211
2) Misalkan tingkat signifikan 5%, karena pengujian searah kanan maka nilai kritis Z
0 ,05 =1,64
6∑ d2
1−
RS = n ( n2 −1 )
Contoh Aplikasi
Seorang pimpinan pemasaran daerah dan perusahaan ingin mengetahui apakah ada hubungan
antara kepribadian dan kemampuan menjual produk perusahaan bagi para pramuniaga atau
salesman di daerah itu. Hasil uji kepribaianpara pramuniaga dituangkan dalam nilai ranking
dengan urutan terkecil ke urutan terbesar, seperti dituangkan pada table berikut:
212
menjual bagi para pramuniaga
b. Ha : ada pertautan antara kepribadian dengan kemampusn menjual bagi para
pramuniaga
c. Menggunakan taraf signifikan α = 5% dan n = 10 , nilai kritis korelasi Spearman
rt = 0,5515 ( lihat Uji Korelasi Jenjang Spearman)
2
6∑ d
1− 2
d. Menentukan nilai statistic rs = n ( n −1 )
6(6 )
1−
rs = 10 ( 102 −10 ) = 0,96
e. Menentukan kesimpulan . Olkar nilai statistic rs > dari nilai kritisnya , maka H0
ditolak. Dengan demikian terdapat pertautan antara nilai kepribadian pramuniaga
dengan kemampuan menjual dari pramuniaga tersebut
Hipotesis Pengujian
H0 : µ1 = µ2 =………..µk
Ha : Tidak semua µ sama ( paling tidak ada µi ≠ µj untuk i ≠ j )
Langkah-langkah pengujian
a. Beri ranking gabungan data pengamatan
b. Hitung nilai H dengan rumus :
R 2i
H=
12
n(n+1)
.∑
ni( )−3(n+1 )
Di mana :
ni = jumlah sampel dari kelompok sampel ke i
n = jumlah seluruh sampel: ni + n2 + ………..+ nk
Ri = Total ranking kelompok sampel ke i
Uji KW disebut dengan uji H. Jika hipotesis nol ( H0) m bahwa k buah sampel yang ditarik
dari populasi yang sama adalah benar dan masing-masing sampel yang sama adalah benar
dan masing-masing sampel berukuran lima atau lebih, distribusi sampel statistic H dapat
didekati dengan distribusi Chi-Square χ 2 dengan derajat bebas db = k-1 dengan demikian
kita menggunakan table Chi- Square.
Contoh Penerapan:
213
Seorang peneliti sedang melakukan penelitian tentang upah buruh di sebuah kota . Ia
mengambil sampel sebanyak 13 orang dengan klasifikasiupah menurut menurut jenis keahlian
sebagai berikut :
Perbandingan Upah Para Tukang Profesional Bangunan
Sampe Tukang Tukang Kayu Tukang Cat
l Gibsum
Upah Rank Upah Rank Upah Rank
1 65 5 72 7,5 52 1
2 69 6 74 9,5 53 2
3 72 7,5 75 11 55 3
4 74 9,5 76 12 56 4
5 - - 78 13 - -
Total 280 R1=28 375 R2 = 216 R3= 10
53
X̄ 70 4 75 10,6 54 2,5
n = 13
Langkah-langkah penyelesaian
H0 : Tidak ada perbedaan rata-rata upah antara tukang gibsum, tukang kayu, dan tukang cat
Ha : Ada perbedaan rata-rata upah
b.Menentukan taraf signifikan α =5%, dan d.b = 3 -1 = 2nilai kritis H atau χ 2 = 5,991
R 2i
12 282 532 10 2
{
H = 13 ( 13+1 ) 4
+ +
5 4 }
−3 ( 13+1 )=9 ,61
2
d, Kesimpulan. Olkar nilai statistic H = 9,61 lebih besar daripada nilai χ = 5,991 , maka
H0
ditolak. Dengan demikian maka rata-rata upah untuk ke tiga profesi tukang bangunan
tersebut tidak sama..
Untuk mengetahui anlisis lebih lanjut , sebagaimana ANOVA setelah kita menolak H0 ( yang
menyatakan tidak ada perbedaan upah diantara ketiga profesi) maka diperlukan analisis
lanjutan . Kelompok mana berbeda dengan kelompokmana, di sini kita akan menggunakan
prosedur yang serupa dengan metode Tukey HSD, untuk analisis lebih lanjut dari ANOVA.
Untuk setiap pasang populasi (populasi yang dibandingkan), lebih dulu kita menghitung rata-
rata ranking dari masing-masing sampelnya, misalnya R̄i dan R̄ j
214
Ri R̄ j
R̄i= R̄ j=
ni dan nj
di mana Ri dan Rj masing-masing adala jumlah ranking dari
sampel ke - i dan sampel ke – j yang masing-masing telah kita hitung dari bagian uji KW.
Selanjutnya kita akan mendefinisikan:
D = │ R̄i− R̄ j │
Selanjutnya statistic D ini kita bandingkan dengan nilai kritis Kruskal-Wallis yang kita
peroleh dengan rumus:
√ 2
C KW = χ( α ;k −1) ({ 12n( n+1 ) )( n1 + n1 )}
1 2
Di mana :
CKW adalah nilai kritis Kruskal-Willis
χ 2(α ;k−1) adalah nilai kritis H selruh uji
Dengan membandingkan nilai statistic D untuk setiap pasang kelompok atau populasi, kita
dapat melakukan perbandingan – perbandingan seluruh pasangan dengan bersama-sama pada
taraf signifikansi α . Kita dapat menolak hipotesis nol jika dan hanya jika (if and only if)
D > CKW . Dalam hal ini kita akan membandingkan antara upah tukang gibsum dan tukang
kayu sebagai berikut :
√
C KW = 5 ,991
{( 13(14 )
12 )( 14 + 15 )}=6 ,39
Statistik D dari sampel upah tukang gibsum dan upah tukang kayu adalah : D = │4− 10,6 │
D = 6,6. Olkar statistic D > daripada C KW pada taraf signifikan α = 5% maka terdapat cukup
bukti bahwa antara antara populasi upah tukang gibsum dengan populasi upah tukang
kayuberbeda secara signifikan. Perbandingan serupa kita peroleh untukpopulasi upah tukang
kayu dengan populasi upah tukang cat, karena D = │10,6 – 2,5 │. Sementara itu untuk
populasi upah antara tukang gibsum dengan tukang cat perbedaanya tidak signifikan , karena
D = │4− 2,5│= 1,5 dan ini lebih kecil daripada CKW
215
Hipotesis Pengujian
H0 : µ1 = µ2 =………..µk
Ha : Tidak semua µ sama ( paling tidak ada µi ≠ µj untuk i ≠ j )
Langkah-langkah Pengujian
a, Beri ranking tiap-tiap blok (per blok)
b, Hitung Fr dengan rumus :
12
∑ T 2j −3 b (k+1)
Fr = b×k(k+1 )
Keterangan:
b = banyaknya blok
k = banyaknya populasi
Tj = jumlah ranking poipulasi ke j
2
χ
c, Tolak H0 bila Fr > (α ;v) v= k−1, k = banyaknya populas
Contoh aplikasi:
Suatu percobaan dilakukan untuk mengetahui perbedaan persepsi penguji rasa terhadap rasa
terhadap 3 merk kopi yang harganya relative sama.Enam orang penguji rasa diminta
melakukan penilaian dengan criteria skor : 0 = biasa ; 1 = menarik ; 2 = terpuji. Hasilnya
sebagai berikut :
Penyelesaian:
a, Membuat lembar kerja sebagai berikut:
216
12
( 9,52 +152 +11, 52) −3(6 )(3+1)
Fr = 6×3 ( 3+1 )
Fr = 2,56
Pengujian:
H0 : µ1 = µ2 = µ3
Ha : Tidak semua sama
2
Fr = 2,56 <
χ
(α ;v) = 5,99. Olkar demikian maka H0 diterima
Kessimpulan , tidak terbukti ada perbedaan rasadari ketiga merek kopi
Masalah Yang Jenis Non Para Statistik Hitung Statistik Tabel Kesimpulan
akan diuji metik
Membandingkan Uji Tanda (The a.Sampel Kecil
Dua sampel Yang Sign Test)
IIIIIBerpasangan
Dari Populasi
Yang sama
217