Buku Ajar Statistik 23102015

STATISTIKA DESKRIPTIF
MUMUH MUHARAM
JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK
UNIVERSITAS ANDALAS
PADANG
2014
1
PRAKATA
Puji syukur kepada Allah SAW yang telah memberi rahmat kepada penulis untuk
menyelesaikan materi buku ini. Materi buku ini berasal dari materi untuk perkuliahan
Probabilitas dan Statistik di Jurusan Teknik Elektro Fakultas Teknik Universitas
Andalas Padang. Penulis telah mengajar perkuliahan Probabilitas dan Statistik ini
sejak tahun 2001, dimana dalam proses pembelajaran materi perkuliahan ini dibagi
dalam tiga kategori, yaitu Statistika Deskriptif, Probabilitas, dan Statistika Inferensi.
Pada buku ajar ini penulisan difokuskan pada materi Statistika Deskriptif.
Materi Statistika Deskriptif menjadi bahan utama dalam perkuliahan ini
dikarenakan beberapa keuntungan yang dimilikinya. Pertama, sebagai dasar dari
materi perkuliahan, Statistika Deskriptif memberikan pemahaman kepada mahasiswa
tentang pentingnya data. Sebagai contoh, bagaimana dari data dapat diperoleh
informasi. Lebih lanjut, proses penyamplingan (pengambilan data) menjadi sangat
penting ketika akan melakukan evaluasi terhadap permasalahan. Di bidang industri,
sangatlah penting untuk mengevaluasi kinerja dari suatu produksi, beberapa ‘tool’
dari statistika deskriptif seperti Diagram Pareto dan Fishbone dapat digunakan untuk
mengevaluasi dan keputusan dapat diambil setelah tahapan pengambilan data,
pengolahan data, dan evaluasi. Kedua, frekuensi relatif dalam distribusi frekuensi
dapat digunakan sebagai dasar untuk menghitung probabilitas berdasarkan empiris.
Ketiga, materi Statistika Deskriptif ini dapat dijadikan sebagai dasar sebuah hipotesis
bahwa adanya hubungan dari satu faktor terhadap permasalahan yang ada. Dapat
dikatakan bahwa faktor tersebut mungkin merupakan faktor yang dapat di-assosiasi-
kan dengan permasalahan tetapi mungkin bukan penyebab utama dari permasalahan.
Sebagai contoh, hasil survey di lapangan memperlihatkan adanya hubungan polutan
dengan keadaan penyakit di Buyat. Statistika Deskriptif hanya memberikan
pengetahuan hubungan antara polutan dengan penyakit tersebut, untuk lebih
mengetahui penyebabnya maka dibutuhkan data eksperimen dengan melakukan
pengontrolan terhadap variabel.
Buku ini dapat digunakan untuk mahasiswa yang mengikuti perkuliahan
Statistik atau Probabilitas dan Statistik satu semester untuk Jurusan Teknik Elektro.
Meskipun begitu buku ini dapat digunakan oleh umum untuk sekedar pengetahuan
tentang Statistika. Untuk mencapai tujuan pembelajaran perkuliahan, maka
pengorganisasian buku disusun sebagai berikut:
 Bab I: membahas tentang motivasi mempelajari statistika deskriptif.

 Bab II: membahas tentang data.
 Bab III: membahas tentang pengolahan data dan cara penyajian data, tabulasi
dan grafik.
2
 Bab IV: membahas tentang ukuran terpusat, ukuran sebaran, letak posisi
kuartil, bentuk kurva, skewness dan kurtosis.
 Bab V: membahas tentang beberapa permasalahan khusus seperti data
pencilan.
Adapun sistematika pembahasan setiap bab adalah sebagai berikut: pertama,

pendahuluan; kedua, isi dari materi dan contoh-contoh persoalan; ketiga, ikhtiar atau
ringkasan; keempat, diskusi yang berisi soal-soal latihan atau tugas proyek.
Penulis mengucapkan terimakasih kepada Istri, Melda Latif, dan anak-anak,
Alif, Titi, Taqy, dan Bita, yang telah menjadi inspirasi dan telah memberi dukungan
moril terselesaikannya buku ini. Penulis pun mengucapkan terimakasih kepada
teman-teman sejawat di Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas
atas bantuan informasi maupun bantuan moril.
Akhir kata, penulis sangat mengharapkan kritik dan saran untuk perbaikan
buku ini. Semoga buku ini dapat bermanfaat bagi semua pembaca terutama
mahasiswa yang penulis bimbing dalam mata kuliah Probabilitas dan Statistik.
3
DAFTAR ISI
PRAKATA................................................................................................................. 2
DAFTAR ISI................................................................... Error! Bookmark not defined.
DAFTAR GAMBAR....................................................................................................... 7
DAFTAR TABEL ........................................................................................................... 8
BAB I PENDAHULUAN .......................................................................................... 9
1.1 DEFINISI STATISTIKA ........................................................................... 9
1.2 MOTIVASI ................................................................................................ 9
1.3 FUNGSI STATISTIKA ........................................................................... 11
1.4 METODE STATISTIKA ......................................................................... 11
1.5 POPULASI DAN SAMPEL .................................................................... 12
1.6 PARAMETER DAN STATISTIK........................................................... 12
1.7 VARIABEL DAN DATA ........................................................................ 13
1.8 RANGKUMAN ....................................................................................... 13
1.9 SOAL-SOAL ........................................................................................... 13
BAB II DATA.......................................................................................................... 15
2.1 PENGERTIAN DATA ............................................................................ 15
2.2 JENIS DATA ........................................................................................... 15
2.2.1 Data Kualitatif dan Data Kuantitatif ................................................ 15
2.2.2 Data Primer dan Data Sekunder ....................................................... 16
2.2.3 Data Mentah dan Data Olah ............................................................. 16
2.2.4 Data Tunggal dan Data Kelompok ................................................... 16
2.2.5 Data Urutan Waktu dan Data Waktu Sesaat .................................... 16
2.2.6 Skala Pengukuran Data .................................................................... 16
2.3 BAGAIMANA DATA DIPEROLEH? .................................................... 18
2.3.1 Sampling dan Sensus ....................................................................... 18
2.3.2 Observasi.......................................................................................... 19
2.3.3 Eksperimen ...................................................................................... 19
2.3.4 Wawancara ....................................................................................... 19
2.3.5 Kuesioner ......................................................................................... 19
4
2.4 RANGKUMAN ....................................................................................... 20
2.5 SOAL-SOAL ........................................................................................... 20
BAB III .................................................................................................................... 21
PENGOLAHAN DAN PENYAJIAN DATA.......................................................... 21
3.1 PENDAHULUAN ................................................................................... 21
3.2 PENGOLAHAN DATA .......................................................................... 21
3.3 PENYAJIAN DATA : TABEL................................................................ 22
3.3.1 Tabel Searah......................................................................................... 23
3.3.2 Tabel Kontingensi ................................................................................ 23
3.4 PENYAJIAN DATA : GRAFIK.............................................................. 24
3.4.1 Grafik Batang ....................................................................................... 24
3.4.2 Diagram Pareto .................................................................................... 25
3.4.3 Histogram ............................................................................................. 27
3.4.4 Diagram Lingkaran .............................................................................. 27
3.4.5 Grafik Garis ......................................................................................... 28
3.4.6 Poligon ................................................................................................. 30
3.4.7 Ogive .................................................................................................... 30
3.4.8 Diagram Pencar .................................................................................... 30
3.5 DESKRIPSI DATA ................................................................................. 31
3.6 DISTRIBUSI FREKUENSI ..................................................................... 32
3.7 RANGKUMAN ....................................................................................... 38
3.8 SOAL-SOAL ........................................................................................... 39
BAB IV .................................................................................................................... 41
UKURAN-UKURAN STATISTIK ......................................................................... 41
4.1 Pendahuluan ............................................................................................. 41
4.2 UkuranTerpusat........................................................................................ 41
4.2.1 Nilai Rata-rata ......................................................................................... 41
4.2.2 Median .................................................................................................... 44
4.2.3 Modus ..................................................................................................... 46
4.3 Ukuran Tersebar....................................................................................... 47
5
4.3.1 Jangkauan ......................................................................................... 47
4.3.2 Standar Deviasi ................................................................................ 49
4.4 Ukuran Posisi ........................................................................................... 51
4.4.1 Kuartil Data Tunggal ....................................................................... 52
4.4.2 Kuartil Data Berkelompok ............................................................... 53
4.4.3 Jangkauan AntarKuartil ................................................................... 56
4.5 Bentuk Kurva ........................................................................................... 57
4.5.1 Bentuk Kemerengan Kurva .............................................................. 57
4.5.2 Bentuk Keruncingan Kurva ............................................................. 58
4.5.3 Transformasi Distribusi ke Nilai Standar z ...................................... 58
4.6 Rangkuman .............................................................................................. 60
4.7 Soal-soal................................................................................................... 60
BAB V ..................................................................................................................... 62
BEBERAPA PERMASALAHAN KHUSUS .......................................................... 62
5.1 Pendahuluan ............................................................................................. 62
5.2 Koefisien Variasi ..................................................................................... 62
5.3 Apa itu Pencilan ....................................................................................... 63
5.3.1. Metoda Untuk Menghitung Pencilan ............................................... 63
5.3.2. Metoda Diagram Titik...................................................................... 64
5.3.3. Metoda Kuartil dan Boxplot ............................................................ 65
5.3.4. Metoda Nilai Standar z ....................... Error! Bookmark not defined.
5.4 Nilai Rata-rata dan Lima Ukuran Posisi: Mana yang lebih kokoh? ....Error!
Bookmark not defined.
5.5 Soal-soal................................................................................................... 67
6
DAFTAR TABEL
Tabel 3.1 Contoh Data Berkelompok 14

Tabel 3.2 Nilai Matemetika Teknik I dan Rangkaian Listrik dari 10
Peserta Kuliah Semester Genap 2013/2014 (Data Fiktif) 14
Tabel 3.3 Nilai Matematika Teknik I dari 10 Peserta Kuliah Semester
Genap 2013/2014 (Data Fiktif) 15
Tabel 3.4 Jumlah Peserta Kuliah Matematika Teknik I dan Sensor
Semester Genap 2014/2015 Berdasarkan Tahun Angkatan 15
Tabel 3.5 Jenis-Jenis Kerusakan IC dan Jumlahnya 18
Tabel 3.6 Jenis Kerusakan IC yang diurutkan Berdasarkan Jumlahnya 18
Tabel 3.7 Hubungan Persentase dan Luasan Sektor Lingkaran 19
Tabel 3.8 Hubungan Nilai Puncak-puncak dan Nilai RMS Kecepatan
Getar Mesin Elektrik 22
Tabel 3.9 Jenis Kendaraan dan Jumlah Kejadian Kecelakaan tahun
2014 24
Tabel 3.10 Tabel Frekuensi Nilai Pelajaran 80 Siswa 28
Tabel 3.11 Tabel Frekuensi untuk menggambar Histogram dan Poligon
Frekuensi 28
Tabel 3.12 Tabel untuk membuat Diagram Ogive 30
Tabel 4.1 Distribusi Frekuensi Nilai 60 Peserta Sensor 35
Tabel 4.2 Distribusi Frekuensi Nilai 60 Peserta Sensor (diperbaharui) 37
Tabel 4.3 Distribusi Frekuensi Nilai 60 Peserta Sensor (dari Tabel 4.2) 41
7
DAFTAR GAMBAR
Gambar 1.1 Metode Ilmiah 2

Gambar 3.1 Diagram Batang Jumlah Peserta Matematika Teknik I per
Tahun Angkatan pada Semester Genap 2014/2015 16
Gambar 3.2 Diagram Batang Jumlah Peserta Matematika Teknik I dan
Sensor per Tahun Angkatan pada Semester Genap 17
2014/2015
Gambar 3.3 Diagram Pareto untuk Jenis-jenis Kerusakan IC 18
Gambar 3.4 Diagram Lingkaran Untuk Jenis-jenis Kerusakan IC 20
Gambar 3.5 Tegangan Tembus Minyak Isolator Nabati terhadap
Temperatur 21
Gambar 3.6 Viskositas Minyak Isolator Nabati terhadap Temperatur 21
Gambar 3.7 Diagram Pencar Untuk Tabel 3.8 23
Gambar 3.8 Histogram Nilai Pelajaran 80 Siswa 29
Gambar 3.9 Poligon Frekuensi Nilai Pelajaran 80 Siswa 29
Gambar 3.10 Ogive untuk Nilai Pelajaran 80 Siswa 30
Gambar 3.11 Jumlah Siswa Tidak Masuk Sekolah dan Alasannya dalam
1 tahun Akademik 31
Gambar 5.1 Diagram Titik untuk Data Contoh 1 56
Gambar 5.2 Diagram Titik untuk Data Contoh 2 57
Gambar 5.3 Boxplot Data Contoh 1 58
Gambar 5.4 Boxplot Data Contoh 2 59
8
BAB I PENDAHULUAN
1.1 DEFINISI STATISTIKA

Dalam buku ini kata Statistika dan Statistik dibedakan berdasarkan
pengertian cakupan permasalahannya. Dalam cakupan permasalahan yang luas
Statistika merupakan suatu metoda atau ilmu, sedangkan dalam cakupan yang lebih
sempit statistik merupakan elemen dari Statistika. Walaupun pada dasarnya kata
Statistika berasal dari bahasa Latin, yaitu ‘Status’, dalam buku ini Statistika
merupakan terjemahan dari bahasa Inggris ‘Statistics’ dan Statistik dari kata
‘Statistic’.
Statistika memiliki pengertian yang tidak dapat lepas dari data. Hal-hal yang
berkaitan dengan data merupakan obyek yang menjadi perhatian dalam Statistika
seperti bagaimana cara mengumpulkan data, bagaimana pengolahan data, penyajian
data, analisis data, dan penarikan kesimpulan serta pengambilan keputusan
berdasarkan analisis data tersebut. Di sisi lain, Statistik adalah ukuran-ukuran yang
menggambarkan karakteristik dari sekumpulan data.
Definisi 1.1
Statistika adalah ilmu atau metode atau teknik dalam pengumpulan
data, pengolahan data, penyajian data, analisis data, dan penarikan
kesimpulan serta pengambilan keputusan berdasarka analisis data
tersebut.
1.2 MOTIVASI
Statistika menjadi bagian yang tidak terpisahkan dalam semua bidang ilmu.
Untuk itu mempelajari Statistika harus memahami motivasinya. Motivasi pertama,
bagian terpenting dari statistika adalah kemampuan untuk menyarikan informasi dari
data. Oleh karena itu bagaimana cara memperoleh dan memperlakukan data menjadi
subyek utama dari Statistika. Dalam bidang rekayasa, baik mahasiswa atau peneliti
secara umum tidak akan terlepas dari data ataupun statistik. Sebagai contoh, dalam
Metode Ilmiah seperti pada Gambar 1.1 peranan statistika sangat penting guna
tercapainya tujuan.
9
Menarik
Kesimpulan
Merumuskan
Menguji Hipotesis Masalah dan
Hipotesis
Mengumpulkan
Data
Gambar 1.1 Metoda Ilmiah
Pada Gambar 1.1 tersebut terlihat bahwa dalam Metoda Ilmiah peranan
statistika secara umum dapat dijelaskan sebagai berikut. Pertama, Perumusan
Masalah dan Hipotesis sangat erat dengan informasi ataupun data yang ada di
lapangan. Pada perumusan masalah dapat dilakukan melalui pertanyaan misalnya
permasalahan apakah yang timbul dalam suatu proses produksi. Informasi tentang
adanya permasalahan dapat dicari dari informasi yang tersedia di lapangan, misalnya
data tentang kinerja atau capaian produksi tiap bulan apakah menurun atau turun-
naik. Hipotesis dapat dibangun dari informasi sebelumnya mengenai solusi dari
permasalahan yang pernah ada sebelummya yang memiliki kesamaan. Kedua,
Pengumpulan data dapat dilakukan dengan melakukan observasi ataupun serangkain
percobaan. Ketiga, Pengujian Hipotesis dilakukan melalui analisa terhadap data yang
diperoleh dan yang diolah. Dalam hal ini, Metode Statistika yang tepat harus dipilih
untuk memberikan hasil yang terbaik. Terakhir, Penarikan Kesimpulan dilakukan
untuk memberikan keputusan apakah Hipotesis tersebut benar atau salah. Dalam hal
Hipotesis salah, pengulangan terhadap Metode Ilmiah ini dilakukan dengan cara
membuat Hipotesis yang baru.
Selain motivasi yang tersebut di atas, keberagaman (variasi) dan
ketidakpastian menjadi hal yang sangat memberikan hasil yang tidak tetap terhadap
10
keluaran suatu eksperimen atau observasi, walaupun eksperimen tersebut diulang.
Keberagaman dan ketidakpastian dapat bersumber dari beberapa keadaan. Pertama,
karakteristik individu dalam populasi memiliki sifat tersendiri. Sebagai contoh,
elemen-elemen dalam motor seperti belitan akan memberikan tanggapan yang
berbeda untuk setiap motor meskipun jumlah lilitannya sama. Hal ini dapat terjadi
apabila bahan belitan berasal dari komposisi bahan yang agak berbeda atau magnet
yang digunakan memiliki nilai fluks yang berbeda. Kedua, kondisi operasi suatu
sistem atau proses yang berbeda akan memberikan variasi parameter dari sistem
sehingga keluaran sistem berbeda. Ketiga, lingkungan eksternal di luar sistem atau
proses itu sendiri sangat mempengaruhi hasil eksperimen sehingga keluaran sistem
berbeda.
Pemahaman terhadap ketidakpastian akan memberikan keuntungan sebagai
berikut: dapat merancang kebijakan untuk mengatasi ketidakpastian, dan dapat
merancang kebijakan untuk mengantisipasi kondisi terburuk. Atau dapat dikatakan
bahwa Statistika dapat digunakan untuk menggambarkan dan memahami
ketidakpastian atau keberagaman tersebut, sehingga dapat mengurangi efek dari
ketidakpastian tersebut terhadap hasil eksperimen.
1.3 FUNGSI STATISTIKA

Terdapat beberapa fungsi Statistika dalam kehidupan manusia. Pertama,
Statistika berguna untuk menyarikan informasi dari data yang ditinjau. Kedua,
Statistika dapat dimanfaatkan untuk menjelaskan hubungan antara dua variabel atau
lebih seperti hubungan yang linear antara tegangan dan arus pada resistor. Ketiga,
Statistika dapat juga dipakai untuk melihat pola dari suatu data, misalnya apakah
kebutuhan daya listrik rumah tangga setiap tahunnya bertambah. Keempat, Statistika
dapat digunakan untuk memperkirakan suatu hal, contohnya dari pola kebutuhan
daya listrik rumah tangga dapat diperkirakan kebutuhan daya listrik untuk lima tahun
ke depannya. Terakhir, Statistika dapat digunakan sebagai dasar untuk mengambil
keputusan setelah analisa terhadap data memberikan suatu kesimpulan.
1.4 METODE STATISTIKA
Metoda Statistika terdiri dari dua kategori, yaitu Statistika Deskriptif dan
Statistika Inferensi. Statistik Deskriptif mempelajari hal-hal yang berkaitan dengan
data yang ada, data yang diperoleh dari hasil pengamatan ataupun percobaan untuk
analisa data tersebut dalam bentuk mendeskripsikan data atau meringkas data tanpa
analisa lebih jauh untuk menarik kesimpulan berkaitan dengan Hipotesis yang dibuat.
Lebih lanjut, dapat dikatakan bahwa Statistika Deskriptif adalah suatu metode
sederhana untuk mendeskripsikan data. Disisi lain, Statistik Inferensi terdapat
manipulasi terhadap data sedemikian rupa sehingga hasil analisis sampel dapat
digunakan untuk memberikan kesimpulan terhadap populasi. Dalam hal ini, diizinkan
untuk menarik kesimpulan terhadap Hipotesis.
11
Definisi 1.2
Statistika Deskriptif adalah Metode Statistika yang mempelajari hal-hal
yang berkaitan dengan data yang ada, data yang diperoleh dari hasil
pengamatan ataupun percobaan untuk menganalisa data tersebut
dalam bentuk deskripsi data atau meringkas data.
Definisi 1.3
Statistika Inferensi adalah Metode Statistika dimana analisis data
sampel dapat digunakan untuk memberikan kesimpulan terhadap
populasi.
1.5 POPULASI DAN SAMPEL

Populasi adalah seluruh anggota dari obyek yang akan dipelajari
karakteristiknya berdasarkan nilai-nilai yang diperoleh dari data. Sebagai contoh, jika
akan dipelajari nilai hasil ujian tengah semester Kelas A untuk mata kuliah
Probabilitas, maka populasinya adalah semua peserta mata kuliah tersebut untuk
kelas A. Apabila terdapat 40 orang peserta kuliah Probabilitas untuk kelas A, maka
jumlah populasinya adalah 40. Sedangkan Sampel adalah sebagaian dari obyek
populasi. Untuk kasus yang disebutkan untuk contoh populasi dimisalkan diambil 10
peserta kuliah Probabilitas kelas A.
Definisi 1.4
Populasi adalah seluruh anggota dari obyek yang dipelajari
karakteristiknya berdasarkan nilai-nilai yag diperoleh dari data.
Definisi 1.5
Sampel adalah sebagaian anggota dari populasi.
1.6 PARAMETER DAN STATISTIK

Dalam mempelajari Statistika, data yang dianalisis dapat berasal dari
populasi ataupun dari sampel. Untuk membedakan data yang dianalisis berasal dari
populasi atau sampel maka digunakan ukuran-ukuran yang mengkarakterisasi data
tersebut.
Definisi 1.6
Parameter adalah ukuran-ukuran yang digunakan untuk
mengkarakterisasi populasi.
Definisi 1.7
Statistik adalah ukuran-ukuran yang digunakan untuk
mengkarakterisasi sampel.
12
1.7 VARIABEL DAN DATA
Variabel adalah karakteristik atau sifat-sifat dari obyek yang diteliti yang
memiliki nilai-nilai tertentu yang dapat berbeda dari satu obyek dengan obyek
lainnya, sedangkan data adalah keterangan-keterangan yang berupa fakta atau yang
diasumsikan dari suatu variabel baik yang bersifat kualitatif ataupun kuantitatif.
1.8 RANGKUMAN
Statistika merupakan suatu ilmu atau metode atau teknik yang digunakan
untuk mengumpulkan data, mengolah data, menganalisa data, dan menarik
kesimpulan dari data yang telah dianalisa tersebut yang dapat digunakan untuk
mengambil keputusan. Dalam mempelajari Statistika terdapat dua metode dalam
pengolahan datanya yaitu Statistika Deskriptif dan Statistika Inferensi. Apabila
Statistika hanya digunakan untuk mengumpulkan data, mengolah data, dan
mendeskripsikan data, maka metode yang digunakan adalah Statistika Deskriptif. Di
sisi lain, apabila ada manipulasi terhadap data dari sampel yang digunakan untuk
menarik kesimpulan terhadap populasi, maka digunakan Statistika Inferensi. Lebih
lanjut, Populasi merupakan seluruh obyek yang digunakan dalam penelitian,
sedangkan sampel adalah sebagian obyek dalam populasi. Ukuran-ukuran yang
digunakan dalam populasi disebut parameter, sedangkan ukuran dalam sampel
disebut stastistik.
Dalam buku ini, seluruh materi statistika berdasarkan metoda statistika
deskriptif. Untuk Bab 2 akan dibahas hal yang menjadi fokus penelitian dalam
statistika, yaitu data. Pengertian data, jenis-jenis data, dan bagaimana data diperoleh
menjadi pokok-pokok materi dalam Bab 2 tersebut.
1.9 SOAL-SOAL
1. Jelaskan dengan kata-kata sendiri, Apa pengertian dari:
a. Statistika?
b. Populasi?
c. Sampel?
d. Parameter?
e. Statistik?
f. Variabel?
g. Metoda statistika?
2. Anda ingin mengetahui berapa jumlah persentasi tenaga kerja wanita di suatu
kota yang sedang melanjutkan jenjang pendidikan yang lebih tinggi. Anda
melalukan survei dengan memilih 100 wanita pekerja di kota tersebut. Tentukan:
a. Populasi
b. Sampel
c. Parameter
d. Statistik
13
3. Apakah variabel yang mungkin terdapat pada soal no. 2?
4. Metoda Statistik Deskriptif ataukah Inferensi yang tepat untuk penelitian hal
berikut:
a. Jumlah wisudawan Teknik Elektro untuk setiap tahunnya.
b. Pengaruh responsi terhadap Nilai akhir matakuliah.
c. Pengaruh keterlibatan mahasiswa sebagai asisten di Laboratorium
terhadap waktu penyelesaian Tugas Akhir.
d. Perbandingan IPK rata-rata untuk setiap Angkatan pada akhir semester
IV.
14
BAB II DATA
2.1 PENGERTIAN DATA

Data dapat diperoleh dari hasil pengamatan. Data memberikan keterangan
berupa fakta atau yang diasumsikan dari suatu variabel yang ditinjau dari suatu
pengamatan. Sebagai contoh, dari hasil observasi di lapangan diperoleh data bahwa
alat ukur untuk proses dapat berupa alat ukur analog atau alat ukur digital.
Pengamatan di lapangan diperoleh data bahwa tegangan PLN yang digunakan oleh
rumah tangga berada pada rentang 220 ± 10% volt. Contoh yang disebutkan pertama
merupakan data kualitatif sedangkan contoh kedua berupa data kuantitatif. Kedua
contoh tersebut memperlihatkan fakta yang ada di lapangan. Di sisi lain, ketika kita
melakukan proses perancangan, kadang kita melakukan asumsi bahwa rentang nilai
berada pada nilai tertentu, misalnya alat ukur yang digunakan mampu mengukur
tegangan dari 100 – 380 volt. Nilai ini bukan hasil pengamatan ataupun pengukuran,
tetapi data ini tetap dapat digunakan untuk menganalisa hasil pengukuran.
Pada dasarnya data tidak akan bermakna apabila tidak ada informasi yang
dapat disarikan dari data tersebut. Dalam bab ini akan dibahas mengenai seluk-beluk
data baik dari jenis data itu sendiri ataupun bagaimana menghimpun data.
Definisi 2.1
Data adalah keterangan-keterangan berupa fakta atau sesuatu yang
diasumsikan dari suatu variabel.
2.2 JENIS DATA

Jenis-jenis data dapat dikelompokkan berdasarkan sifat data yang diperoleh,
cara memperolehnya, waktu memperolehnya, dan cara pengolahannya. Pada subbab
berikut ini dibahas jenis-jenis data.
2.2.1 Data Kualitatif dan Data Kuantitatif

Data kualitatif dan data kuantitatif dikelompokkan berdasarkan sifatnya.
Data Kualitatif merupakan data yang bukan berupa angka-angka. Contoh data
kualitatif: Jenis Kelamin (pria, wanita), Jenis bahan bakar (cair atau gas). Sedangkan,
data kuantitatif adalah data yang berbentuk angka-angka, contoh temperatur 100 0C,
berat benda 100 kg, dan jumlah rumah sakit 10.
Khusus untuk data kuantitatif, data kuantitatif dikelompokkan dalam 2
kategori yaitu data kuantitatif diskrit dan data kuantitatif kontinyu. Data kuantitatif
diskrit beasal dari data kuantitatif hasil proses membilang atau menghitung dan
15
berupa bilangan bulat, sedangkan data kuantitatif kontinyu berasal dari proses
pengukuran dan berupa bilangan real. Contoh data kuantitatif diskrit adalah
menghitung jumlah siswa di kelas 1 SD yaitu 25 siswa, angka 25 di sini merupakan
bilangan bulat. Contoh data kuantitatif kontinyu adalah proses mengukur tinggi badan
siswa kelas 1 SD yaitu 120,5 cm, angka 120,5 adalah bilangan real.
2.2.2 Data Primer dan Data Sekunder

Menurut sumber perolehan data, data dikelompokan dalam dua kategori,
yaitu data primer dan data sekunder. Data primer adalah data yang didapat oleh
peneliti melalui hasil penelitiannya atau data yang diperoleh dari sumber pertama
biasanya berupa hasil penelitian, observasi, wawancara, kuisioner, dapat dikatakan
datanya merupakan data baru. Data sekunder adalah data yang diperoleh bukan
melalui sumber pertama, tetapi data yang telah disimpan baik melalui laporan akhir
atau yang telah dipublikasikan digunakan sebagai bahan analisis oleh orang lain.
2.2.3 Data Mentah dan Data Olah

Data mentah adalah data yang belum diolah, data yang baru diperoleh dari
hasil penelitian/pengamatan. Sebaliknya, data olah adalah data yang telah diolah,
paling tidak telah diurutkan atau dikelompokan berdasarkan kelas intervalnya.
2.2.4 Data Tunggal dan Data Kelompok

Data tunggal adalah data yang belum disusun berdasarkan kelompok kelas
intervalnya. Data kelompok adalah data yang telah disusun berdasarkan kelas
intervalnya.
2.2.5 Data Urutan Waktu dan Data Waktu Sesaat

Data dapat dikelompokan berdasarkan waktu pengambilan datanya. Data
urutan Waktu (Time Series Data) adalah data yang diambil pada periode waktu
tertentu untuk melihat karakteristik data pada periode waktu tersebut, misalnya
periode 5 tahun. Sebaliknya, Data Waktu Sesaat (Cross Section Data) pengumpulan
data pada waktu tertentu, misalnya indeks prestasi mahasiswa pada semester 1.
2.2.6 Skala Pengukuran Data

Data yang diperoleh dari hasil penelitian atau pengamatan dapat
dikelompokan berdasarkan skala pengukurannya.
16
a. Skala Nominal
Angka-angka yang diperoleh tidak mencerminkan besarnya ukuran ataupun
urutan angka tersebut disebut skala nominal. Dalam skala nominal, angka hanya
menunjukan kategori. Angka 1 atau 2 tidak memperlihatkan bahwa 2 lebih besar
daripada 1. Contoh, jenis alat ukur digital diberi label 1, alat ukur analog diberi
label 2. Angka 1 dan 2 pada contoh ini dapat saling ditukarkan tanpa memberikan
arti pada urutannya.
b. Skala Ordinal
Dalam Skala Ordinal, angka-angka yang digunakan untuk melabelkan data yang
diperoleh diurutkan berdasarkan besarnya angka, diurutkan dari angka terkecil ke
terbesar atau sebaliknya. Apabila pada skala nominal tidak mengenal urutan
angka, maka pada skala Ordinal memperlihatkan bahwa urutan angka adalah
penting. Contoh, hasil kinerja pelayanan publik dari kuesioner/angket diberi label
5=sangat memuaskan, 4=memuaskan, 3=sedang, 2=tidak memuaskan, dan
1=sangat tidak memuaskan.
Pada penelitian yang menghasilkan data kualitatif, skala nominal dan skala
ordinal biasanya digunakan untuk memudahkan dalam analisa data dikarenakan
angka-angka memudahkan proses penghitungan secara numerik. Skala nominal
dan ordinal biasanya menggunakan bilangan diskrit atau bilangan bulat.
c. Skala Interval
Pada penelitian kuantitatif, angka-angka memperlihatkan hal yang sangat
penting. Besar dan urutan angka memiliki makna yang berkaitan dengan
kuantitas dari variabel yang diukur. Skala Interval tidak memiliki nilai nol
mutlak, artinya walaupun diketahui suatu variabel memiliki nilai 0 tidak berarti
bahwa kuantitas dalam variabel tersebut tidak ada. Contoh, pengukuran
temperatur ruang pendingin penyimpanan persediaan makanan, disetel pada suhu
0oC. Angka nol disini bukan berarti bahwa temperatur tidak ada.
d. Skala Rasio
Skala rasio hampir sama dengan skala interval, hanya saja pada skala rasio
terdapat nilai nol mutlak. Pengertian nol mutlak sangat berarti dengan pengertian
fisik. Dalam hal ini nilai nol berarti tidak ada kuantitas yang diukur. Contoh, gula
memiliki berat 1 kg artinya kuantitas fisiknya ada dan sebesar 1 kg, sedangkan
gula 0 kg artinya tidak ada kuantitas gula tersebut.
17
2.3 BAGAIMANA DATA DIPEROLEH?
Pengumpulan data sangat erat berhubungan dengan penelitian. Dalam buku
ini dibahas teknik pengumpulan data yang ditinjau dari jenis-jenis penelitian yang
dilakukan dan yang lebih penting adalah teknik pengumpulan data berdasarkan
jumlah obyeknya.
2.3.1 Sampling dan Sensus
Pengumpulan data yang ditinjau dari jumlah obyek yang diambil dapat
dikelompokan dalam dua jenis teknik, yaitu sampling (pencuplikan) dan sensus.
Definisi 2.2
Sensus adalah teknik pengambilan data terhadap seluruh obyek yang
ditinjau dari populasi.
Definisi 2.3
Sampling adalah teknik pengambilan data terhadap sebagian obyek
dari populasi.
Untuk menentukan jumlah sampel atau ukuran sampel dalam proses

sampling dapat dikelompokkan menjadi dua jenis berdasarkan asumsi terhadap
jumlah populasi.
Apabila jumlah populasi diketahui, maka digunakan Teknik Solvin seperti
pada rumus 2.1 di bawah ini.
𝑵
Rumus 2.1 𝒏 = 𝟏+𝑵𝒆𝟐
dimana,
n = jumlah sampel
N = jumlah populasi
E = tingkat kesalahan (margin of error)
Apabila jumlah populasi diasumsikan tidak diketahui, maka digunakan

Teknik Isac Michel seperti pada rumus 2.1 di bawah ini.
(𝒁𝜶/𝟐 )𝟐 𝒑𝒒
Rumus 2.2 𝒏= 𝒆𝟐
dimana,
n = jumlah sampel
Z = tingkat kepercayaan
p = probabilitas populasi melakukan suatu hal yang ditinjau
q = 1-p
e = margin of error
18
Di sisi lain, keberhasilan suatu penelitian juga bergantung pada bagaimana
cara pengambilan sampel dilakukan. Terdapat dua jenis teknik sampling, yaitu
Teknik Sampling Probabilitas dan Teknik Sampling Nonprobabilitas. Teknik
Sampling Probabilitas merupakan teknik sampling dimana setiap obyek dari populasi
memiliki peluang yang sama untuk dipilih, sedangkan Teknik Sampling
Nonprobabilitas adalah teknik sampling dimana setiap obyek populasi tidak memiliki
kesempatan yang sama untuk dipilih.
2.3.2 Observasi
Observasi merupakan jenis penelitian dengan cara melakukan pengamatan
secara langsung terhadap obyek ataupun sistem yang ditinjau. Kegiatan pengambilan
data pada observasi dilakukan dengan mengamati langsung variabel-variabel dari
obyek yang diteliti. Sebagai contoh, Observasi terhadap danau untuk mengetahui
hubungan kadar polutan tertentu terhadap perkembangan ikan. Variabel yang
mungkin diukur/diamati adalah jenis polutan, besar kadar setiap polutan, jenis ikan,
dan perubahan bentuk fisik ikan.
2.3.3 Eksperimen
Eksperimen merupakan jenis penelitian yang hampir mirip dengan observasi,
hanya saja semua elemen sistem dan variabel-variabel yang ditinjau dibuat modelnya.
Contoh observasi di atas dapat dibuat eksperimennya dalam skala laboratorium
dimana danau dimodelkan dengan kolam buatan, kadar dan jenis polutan dapat
dikendalikan, dan jenis ikan pun dapat dikendalikan. Oleh karena variabel-variabel
dapat dikendalikan dalam eksperimen, efek atau pengaruh variabel terhadap variabel
lainnya dapat diamati secara lebih rinci. Hal ini dapat menunjukaan faktor atau
variabel yang dominan dalam eksperimen tersebut.
2.3.4 Wawancara
Wawancara merupakan jenis penelitian untuk pengumpulan data dengan cara
tanya-jawab antara pewawancara dengan orang yang diambil keterangannya.
Panduan wawancara harus digunakan dalam proses wawancara agar hasilnya terarah.
2.3.5 Kuesioner
Kuesioner atau angket adalah jenis penelitian dengan pengumpulan data
berupa tanya-jawab seperti wawancara tetapi menggunakan media tertulis.
19
2.4 RANGKUMAN
Data merupakan bagian terpenting dari suatu penelitian. Data dapat
dikelompokan berdasarkan sifatnya sebagai data kualitatif dan data kuantitatif. Kedua
jenis data tersebut memiliki skala pengukuran yang bergantung pada hasil
pengukurannya seperti skala nominal, ordinal, interval, dan rasio. Untuk
memudahkan analisa biasanya data kualitatif diubah menjadi data kuantitatif dengan
mengubah skala pengukuran dari nominal atau ordinal menjadi skala interval atau
rasio. Data dapat dikumpulkan atau diperoleh melalui teknik sampling ataupun sensus
dengan melakukan suatu penelitian seperti observasi, eksperimen, wawancara, atau
kuesioner.
2.5 SOAL-SOAL
1. Lakukan survey terhadap 10 orang rekan anda, catat semua data yang mungkin.
Jelaskan hal berikut ini:
a. Tuliskan variabel yang mungkin!
b. Jelaskan jenis-jenis data yang diperoleh!
2. Tentukan apakah data berikut ini data kualitatif atau kuantitatif:
a. Warna seragam sekolah
b. Tinggi badan calon mahasiswa kepolisian
c. Jenjang pendidikan penduduk di suatu desa
d. Pendapatan perkapita penduduk Indonesia
e. Tingkat kepuasan pemakai jalan tol
f. Pada salah kolom KTP terdapat jenis pekerjaan
g. Jenis provider yang digunakan pada telepon genggan yang digunakan
mahasiswa
h. Jumlah rupiah yang digunakan setiap bulan untuk biaya percakapan
telepon
3. Diberitakan dalam koran bahwa sebuah danau telah tercemar zat kimia dan
mempengaruhi ekosistem danau tersebut, anda melakukan observasi. Tentukan
variabel yang mungkin anda amati dan perkirakan jenis datanya!
4. Apakah memungkinkan untuk mengubah skala ukuran dari satu skala ke skala
lainnya seperti skala nominal ke interval dan lainnya?
20
BAB III
PENGOLAHAN DAN PENYAJIAN DATA
3.1 PENDAHULUAN
Tujuan yang ingin dicapai dalam bab ini terdiri dari tiga hal. Pertama,
pengolahan data acak atau data tunggal menjadi data terurut dan data berkelompok.
Kedua, penyajian data dalam bentuk tabel, grafik dan juga dalam bentuk deskripsi
(komentar terhadap data tabel atau grafik). Terakhir, penyajian data dalam bentuk
distribusi frekuensi.
3.2 PENGOLAHAN DATA

Data yang baru diperoleh dari hasil penelitian atau data mentah biasanya
berbentuk data tunggal atau data acak. Pengolahan data bertujuan agar data acak
tersebut menjadi data tunggal terurut ataupun data berkelompok. Data tunggal terurut
adalah data tunggal yang diurut dari nilai terkecil ke nilai terbesar atau sebaliknya
dari nilai terbesar ke terkecil. Data berkelompok adalah data yang terurut yang
dikelompokan berdasarkan kelas intervalnya masing-masing.
Contoh 1: Data acak/tunggal
10 8 8 9 10 9 11 10
7 12 10 13 11 10 9 7
12 11 10 10 12 8 13 10
Data tunggal tersebut diolah menjadi data tunggal terurut sebagai berikut:
7 7 8 8 8 9 9 9
10 10 10 10 10 10 10 10
11 11 11 12 12 12 13 13
Pada data acak/tunggal akan menjadi sangat sukar untuk menyaring

informasi mengenai data tersebut apabila jumlah data sangat banyak, seperti berapa
nilai terkecil, berapa nilai terbesar, dan berapa jangkauan data tersebut. Sedangkan
21
dari contoh data terurut, akan lebih mudah mengetahui niali terkecil yaitu 7, nilai
terbesar yaitu 13, dan jangkauannya yaitu nilai terbesar-nilai terkecil = 13-7=6.
Apabila data tersebut ingin diolah lebih lanjut menjadi data berkelompok,
misalnya dapat dibuat kelas sebagai berikut (untuk materi pembentukan data
berkelompok akan dibahas pada subbab Distribusi Frekuensi pada bab ini):
Tabel 3.1 Contoh Data Berkelompok
Interval Kelas Frekuensi

6-7 1
8-9 4
10-11 5
12-13 2
3.3 PENYAJIAN DATA : TABEL

Tabel merupakan bentuk penyajian data yang berbentuk matrik, yaitu adanya
bagian baris dan kolom. Bagian baris biasanya nama dari setiap obyek yang ditinjau
dalam penelitian sedangkan kolom biasanya adalah nama-nama dari variabel obyek
yang ditinjau.
Tabel 3.2 Nilai Matematika Teknik I dan Rangkaian Listrik I dari 10

Peserta Kuliah Semester Genap 2013/2014 (Data Fiktif)
Nama Peserta Nilai Matematika Teknik Nilai Rangkaian Listrik I

I
Abi 75 80
Abu 56 75
Badu 60 70
Budi 65 65
Bulan 75 75
Cici 65 56
Cilan 77 75
Dafa 80 85
Evan 65 70
Fifi 60 75
Dari Tabel 3.2 terlihat bahwa nama baris adalah Nama Peserta yang memiliki
data sebanyak 10 orang, sedangkan nama kolom adalah Nama-nama variabelnya,
yaitu Nilai Matematika I dan Nilai Rangkaian Listrik I.
22
Tabel dapat dikelompokan dalam dua jenis, yaitu tabel searah dan tabel dua
arah (tabel kontingensi).
3.3.1 Tabel Searah

Tabel searah adalah tabel yang memiliki satu variabel untuk nama barisnya
dan satu variabel untuk kolomnya. Contoh Tabel 3.2 apabila variabel kolomnya
hanya Nilai Matematik Teknik I yang digunakan dapat dikatakan sebagai tabel searah
seperti dipapat dilihat pada Tabel 3.3 berikut ini.
Tabel 3.3 Nilai Matematika Teknik I dari 10 Peserta Kuliah Semester

Genap 2013/2014 (Data Fiktif)
Nama Peserta Nilai Matematika Teknik I

Abi 75
Abu 56
Badu 60
Budi 65
Bulan 75
Cici 65
Cilan 77
Dafa 80
Evan 65
Fifi 60
3.3.2 Tabel Kontingensi

Tabel kontingensi adalah tabel dua arah atau lebih yaitu tabel yang memiliki
lebih atau sama dengan dua variabel untuk nama baris dan juga nama kolom. Contoh
tabel kontingensi dapat dilihat pada Tabel 3.4 berikut ini.
Tabel 3.4 Jumlah Peserta Kuliah Matematika Teknik I dan Sensor Semester
Genap 2014/2015 Berdasarkan Tahun Angkatan
Tahun Angkatan Matematika Teknik Sensor Total

I
2010 2 4 6
2011 7 2 9
2012 3 0 3
2013 3 0 3
2014 32 43 75
Total 47 49 96
23
3.4 PENYAJIAN DATA : GRAFIK
Grafik merupakan bentuk penyajian data dalam bentuk visual berupa gambar.
Pada subbab berikut ini dibahas macam-macam grafik dn kegunaannya.
3.4.1 Grafik Batang

Grafik batang merupakan grafik yang dibentuk dari balok atau batang-batang
persegi. Sumbu horizontalnya memperlihatkan nama elemen dari obyek yang ditinjau
atau label untuk nama elemen tersebut, sedangkan sumbu vertikal merupakan nilai
(numerik) dari variabel yang ditinjau dari obyek tersebut. Tinggi balok
memperlihatkan nilai dari variabel seddangkan lebar dari balok tidak memberikan
suatu nilai apapun. Contoh, tinjau Tabel 3.4 sebelum ini, akan dibuat grafik batang
untuk salah satu variabel yaitu nilai Matemtika Teknik 1 seperti pada Gambar 3.1
berikut ini.
Jumlah Peserta Matematika Teknik I

35 32
30
25
Jumlah Peserta
20
15
10 7
5 2 3 3
0
2010 2011 2012 2013 2014
Tahun Angkatan
Gambar 3.1 Diagram Batang Jumlah Peserta Matematika Teknik I per

Tahun Angkatan pada Semester Genap 2014/2015
24
Jumlah Peserta Matematika Teknik I dan Sensor
50
45 43
40
35 32
Jumlah Peserta
30
25
Matematika Teknik I
20
Sensor
15
10 7
4 3 3
5 2 2
0 0
0
2010 2011 2012 2013 2014
Tahun Angkatan
Gambar 3.2 Diagram Batang Jumlah Peserta Matematika Teknik I dan

Sensor per Tahun Angkatan pada Semester Genap 2014/2015
Grafik batang digunakan untuk menyajikan data yang mudah untuk dipahami
secara visual karena nilai numerik dapat dilihat dari panjang batangnya, selain itu
grafik batang pun dapat digunakan untuk perbandingan beberapa variabel seperti
pada grafik batang Gambar 3.2 yang memperlihatkan perbandingan jumlah peserta
untuk Matematika Teknik I dan Sensor.
Grafik batang memiliki jenis yang lain selain grafik batang biasa seperti
contoh Gambar 3.1 dan Gambar 3.2, yaitu Diagram Pareto dan Histogram. Diagram
Pareto dan Histogram dibahas secara rinci pada subbab berikutnya.
3.4.2 Diagram Pareto

Diagram Pareto merupakan grafik batang yang disusun berdasarkan tingkat
urutan nilai numeriknya, biasanya diurutkan dari nilai terbesar ke nilai terkecil.
Diagram Pareto biasanya digunakan untuk mengurutkan prioritas suatu variabel.
Sebelum membuat Diagram Pareto sebaiknya dibuat lebih dahulu tabel yang isi di
dalamnya telah diurutkan dari yang terbesar ke terkecil. Contoh, di satu pabrik
perakitan IC diperoleh macam-macam kerusakan sebagai berikut: IC orientasi salah
3, IC tergores 15, IC kaki patah 10, IC circuit error 2, dan IC retak 30 dari suatu lot
yang berjumlah 10000 unit. Tabel 3.6 merupakan perbaikan dari Tabel 3.5 dimana
25
urutan tabel diperlihatkan dan juga ditambah nilai persentase setiap jenis
kerusakannya.
Tabel 3.5 Jenis-jenis Kerusakan IC dan Jumlahnya
Jenis Kerusakan IC Jumlah

Orientasi salah 3
Tergores 15
Kaki patah 10
Circuit error 2
Retak 30
Total 60
Tabel 3.6 Jenis Kerusakan IC yang Diurutkan Berdasarkan Jumlahnya
Jenis Kerusakan IC Jumlah Persentase (%)

Retak 30 50
Tergores 15 25
Kaki patah 10 16,67
Orientasi salah 3 5
Circuit error 2 3,33
Total 60 100
35
30 1. Retak
2. Tergores
25
Jumlah Kerusakan
3. Kaki Patah
20
4. Orientasi Salah
5. Circuit error
15
10
0
1 2 3 4 5
Jenis Kerusakan
Gambar 3.3 Diagram Pareto Untuk Jenis-jenis Kerusakan IC
26
Tinjau Gambar 3.3, Diagram Pareto memperlihatkan susunan jenis-jenis
kerusakan berdasarkan dari jumlah kerusakan terbesar ke terkecil. Hal ini
mempermudah analisa data bahwa jenis kerusakan IC Retak memberikan sumbangan
terbesar terhadap kerusakan produksi IC, sehingga dapat diambil keputusan
berdasarkan prioritas bahwa kerusakan akibat retak harus segera diatasi.
3.4.3 Histogram
Histogram merupakan jenis penyajian data dalam bentuk grafik batang, tetapi
histogram memiliki perbedaan dengan grafik batang yang biasa. Pertama, histogram
merupakan bentuk penyajian data yang berkelompok. Kedua, histogram memiliki
batang-batang yang sisinya saling berhimpitan. Pembahasan histogram dan cara
membuatnya dibahas pada subbab 3.6 Distribusi Frekuensi.
3.4.4 Diagram Lingkaran

Diagram Lingkaran merupakan satu bentuk penyajian data dalam bentuk
sektor-sektor lingkaran. Besaran luas sektor lingkaran sebanding dengan besaran
variabel dari obyek yang ditinjau. Fungsi dari Diagram Lingkaran adalah untuk
membandingkan nilai-nilai dari suatu variabel. Contoh, tinjau Tabel 3.6 yang akan
dibuat Diagram Lingkaran, pertama Tabel 3.6 tersebut diperluas dengan menambah
kolom untuk besaran luas sektor yaitu dicari dari persentase dikali dengan 360o
seperti pada Tabel 3.7 dan selanjutnya dibuat Diagram Lingkaran sesuai Tabel 3.7
tersebut.
Tabel 3.7 Hubungan Persentase dan Luasan Sektor Lingkaran
Jenis Kerusakan Jumlah Persentase (%) Derajat Sektor (o)
IC
Retak 30 50 180
Tergores 15 25 90
Kaki patah 10 16,67 60
Orientasi salah 3 5 18
Circuit error 2 3,33 12
Total 60 100 360
27
1
2, 3%
3, 5%
2
10, 17%
30, 50% 3
4
15, 25%
Gambar 3.4 Diagram Lingkaran Untuk Jenis-jenis Kerusakan IC
3.4.5 Grafik Garis

Grafik Garis merupakan bentuk penyajian data yang dibentuk dengan
menggambar garis dari titik-titik nilai suatu variabel. Fungsi Grafik Garis adalah
untuk melihat kecenderungan data apakah suatu obyek memiliki nilai yang semakin
besar atau mengecil. Grafik Garis lebih tepat digunakan apabila data pengamatan
merupakan fungsi dari waktu atau fungsi dari variabel bebas lain.
Contoh, tinjau Gambar 3.5 dan Gambar 3.6 yang merupakan bentuk
penyajian data dalam Grafik Garis. Gambar 3.5 merupakan bentuk Grafik Garis yang
memiliki kecenderungan menaik, yaitu Tegangan Tembus Isolator (kV) terhadap
kenaikan temperatur (oC), terlihat bahwa semakin besar temperatur dari Isolator
mengakibatkan tegangan tembus dari Isolator menjadi semakin besar. Sebaliknya
Gambar 3.6 memiliki kecenderungan menurun, yaitu Viskositas Minyak Isolator
terhadap kenaikan temperatur.
Seperti halnya Grafik Batang yang memiliki jenis-jenis grafik seperti
Histogram dan Diagram Pareto, maka selain grafik garis yang biasa ini terdapat juga
bentuk grafik garis khusus, yaitu Poligon dan Ogive. Poligon dan Ogive merupakan
bentuk penyajian data untuk data berkelompok.
28
60
Tegangan Tembus (kV) 50
40
30
20
10
0
0 10 20 30 40 50 60 70 80
o
Suhu ( C)
MKS MK MJ MKS + MJ MK + MJ
Gambar 3.5 Tegangann Tembus Minyak Isolator Nabati terhadap Temperatur

(MKS=Minyak Kelapa Sawit, MK= Minyak Kelapa, MJ= Minyak Jagung)
(Sumber: Dhanny Rahmad Putra, Tugas Akhir, Unand, 2008)
70
60
Viskositas (N.s/m^2)
50
40
30
20
10
0
0 20 40 60 80 100 120
o
Suhu ( C)
MKS MK MJ MKS + MJ MK+ MJ
Gambar 3.6 Viskositas Minyak Isolator Nabati terhadap Temperatur (MKS=Minyak

Kelapa Sawit, MK= Minyak Kelapa, MJ= Minyak Jagung) (Sumber: Dhanny
Rahmad Putra, Tugas Akhir S1, Unand, 2008)
29
3.4.6 Poligon
Poligon atau Poligon Frekuensi adalah grafik garis untuk menyajikan data
berkelompok. Oleh karena Poligon membentuk kurva dari data berkelompok yang
mewakili distribusi frekuensi, maka Poligon dapat menampilkan kurva yang
mendekati kurva distribusi normal. Bagaimana cara membuat Poligon dibahas pada
subbab 3.6 Distribusi Frekuensi.
3.4.7 Ogive
Ogive merupakan bentuk penyajian data dalam bentuk grafik garis untuk data
berkelompok. Berbeda dengan Poligon, Ogive menampilkan frekuensi kumulatif dan
dibahas pada subbab 3.6 Distribusi Frekuensi.
3.4.8 Diagram Pencar
Diagram Pencar atau Scatter Diagram merupakan bentuk penyajian data
berupa titik-titik yang merupakan himpunan titik dari variabel pertama pada sumbu
horizon dan variabel kedua pada sumbu vertikal. Diagram Pencar berfungsi untuk
melihat apakah ada hubungan atau korelasi antara variabel pertama dan variabel
kedua.
Tabel 3.8 Hubungan Nilai Puncak-puncak dengan Nilai RMS Kecepatan
getar Mesin Elektrik (Sumber: Afri Yualdi, Tugas Akhir, Unand, 2011)
No. Nilai Nilai RMS No. Nilai Nilai RMS

Puncak (mm/s) Puncak (mm/s)
(mm/s) (mm/s)
1 2.64 0.4 21 3.77 0.51
2 6.9 1.54 22 4.34 0.7
3 3.44 0.57 23 4.56 0.76
4 4.86 0.73 24 3.59 0.52
5 4.86 0.83 25 1.9 0.31
6 4.95 0.85 26 3.19 0.54
7 2.25 0.28 27 3.34 0.52
8 2.73 0.33 28 4.14 0.63
9 2.41 0.36 29 3.6 0.6
10 5.2 0.71 30 3.79 0.65
11 4.36 0.49 31 5.1 0.98
12 2.55 0.36 32 2.96 0.45
13 9.62 1.63 33 3.96 0.75
14 2.67 0.38 34 5.12 0.73
15 5.99 1.28 35 3.62 0.43
16 3.34 0.43 36 2.26 0.35
17 3.11 0.45 37 6.67 1.14
18 3.61 0.45 38 6.02 0.96
19 4.28 0.72 39 7.35 1.39
20 3.99 0.65 40 7.43 1.53
30
1.8
1.6
Nilai RMS (mm/s) 1.4

1.2
1
0.8
0.6
0.4
0.2
0
0 2 4 6 8 10 12
Nilai Puncak-puncak (mm/s)
Gambar 3.7 Diagram Pencar untuk Tabel 3.8
3.5 DESKRIPSI DATA

Deskripsi Data merupakan penyajian data dalam bentuk komentar terhadap
data yang disajikan baik menggunakan tabel ataupun grafik. Bentuk komentar
biasanya memperlihatkan data-data yang sangat menonjol atau kecenderungan dari
data tersebut.
Contoh 1, tinjau kembali Tabel 3.6, maka bentuk deskripsi data yang berupa
komentar dapat dinyatakan seperti berikut ini:
Tabel 3.6 memperlihatkan Jenis-jenis kerusakan IC dan jumlahnya dalam
produksi IC. Kerusakan jenis retak memberikan sumbangan yang terbesar
terhadap kerusakan IC yaitu sebesar 30 unit dari jumlah total kerusakan 60
unit IC. Apabila ditinjau dari besar persentasenya, retak memberikan
kerusakan sebesar 50%. Selanjutnya, kerusakan terbesar kedua
disumbangkan oleh jenis kerusakan Tergores sebesar 15 unit atau 25%
kerusakan dari jumlah total kerusakan. Sedangkan jenis kerusakan orientasi
salah dan circuit error memberikan sumbangan kerusakan kurang dari 10%
untuk kedua jenis kerusakan tersebut.
Contoh 2, tinjau kembali Gambar 3.7, maka bentuk deskripsi data yang
berupa komentar dapat dinyatakan sebagai berikut:
31
Gambar 3.7 memperlihatkan Diagram Pencar hubungan antara Nilai Puncak-
puncak terhadap Nilai RMS dari getaran Mesin Elektrik. Walaupun terdapat
titik-titik yang memperlihatkan Nilai Puncak-puncak yang besar tidak
memberikan Nilai RMS yang besar pula, tetapi secara keseluruhan Diagram
Pencar tersebut memperlihatkan adanya kecenderungan hubungan atau
korelasi positif antara Nilai Puncak-puncak dan Nilai RMS. Dapat dikatakan
bahwa secara umum apabila Nilai Puncak-puncak semakin besar, maka Nilai
RMS pun akan semakin membesar.
3.6 DISTRIBUSI FREKUENSI

Pada pengolahan data dengan ukuran yang sangat banyak akan terlalu sulit
untuk disajikan dengan menggunakan tabel ataupun grafik secara langsung. Untuk
itu dibutuhkan suatu metoda pengolahan data yang menggunakan data berkelompok.
Data berkelompok ini disusun berdasarkan kelompok kelas-kelas tertentu yang
memiliki rrentang nilai tertentu yang sama untuk setiap kelas. Data berkelompok ini
disajikan dalam bentuk tabel dan grafik. Tabel ataupun grafik yang digunakan untuk
mendaftar data berkelompok disebut distribusi frekuensi.
Distribusi frekuensi memiliki dua bentuk yaitu Distribusi Frekuensi
Kategorik dan Distribusi Frekuensi Numerik. Pada Distribusi Frekuensi Kategorik
kelas-kelas bersifat kualitatif yaitu berupa nama-nama kelompok atau label,
sedangkan Distribusi Frekuensi Numerik kelas-kelas berupa data kuantitatif.
Contoh untuk Distribusi Kategorik, tinjau Tabel 3.9 berikut ini. Pesawat
Udara dan kendaraan lainnya merupakan data kualitatif.
Tabel 3.9 Jenis Kendaraan dan Jumlah Kejadian kecelakaan tahun 2014
No. Jenis kendaraan Jumlah Kejadian Kecelakaan

1 Pesawat Udara 2
2 Kapal Laut 10
3 Kereta Api 20
4 Mobil 50
5 Motor 75
6 Sepeda 3
Total 160
Pada subbab ini cara membuat Distribusi Frekuensi Numerik dibahas secara
lebih mendalam dan untuk mempersingkat penulisan selanjutnya Distribusi
Frekuensi Numerik ini ditulis Distribusi Frekuensi.
32
Dalam membuat Distribusi Frekuensi harus diperhatikan langkah-langkah
berikut:
1. Data acak/tunggal harus diurutkan dari data terkecil hingga data terbesar
Diperoleh: xmin= data terkecil dan xmax= data terbesar
J = jangkauan = xmax – xmin
n = jumlah data
2. Hitung banyaknya kelas

Pendekatan Sturgess untuk mencari jumlah kelas dapat dilihat pada rumus 3.1
berikut ini.
Rumus 3.1 𝑲 = 𝟏 + 𝟑, 𝟑𝒍𝒐𝒈 𝒏
dimana:
K = jumlah kelas
n = jumlah data
Nilai K adalah bilangn bulat. Pada kenyataannya jumlah kelas harus disesuaikan
dengan tujuan yang ingin dicapai. Jumlah kelas tidak boleh terlalu sedikit dan
juga tidak boleh terlalu banyak, biasanya jumlah kelas berasa pada rantang 5 ≤ K
≤ 20.
3. Hitung panjang interval kelas
𝑱
Rumus 3.2 𝑰=𝑲
dimana:
I = panjang interval kelas
4. Menentukan kelas pertama dan kelas-kelas selanjutnya

a. Batas-batas kelas (Class Limits)
Untuk batas kelas pertama dapat dipilih dari nilai terendah atau nilai yang
lebih rendah dari nilai terendah dengan syarat selisihnya tidak lebih besar
dari panjang kelas interval.
b. Batas kelas bawah (lower class limit) dan Batas kelas atas (upper class
limit)
Batas kelas atas = batas kelas bawah + panjang interval -1
c. Tepi bawah kelas (Class boundaries) dan tepi atas kelas
Tepi kelas bawah = batas kelas bawah – 0,5
Tepi kelas atas = batas kelas atas + 0,5
d. Nilai Titik Tengah (mid-point=class mark)
Nilai titik tengah = (batas kelas bawah + batas kelas atas)/2
33
5. Menuliskan Tabel Frekuensi
Menuliskan tabel frekuensi, yaitu menuliskan batas-batas kelas dan menghitung
jumlah frekuensi data dari anggota masing-masing kelas yang mungkin bisa
menggunakan bantuan turus.
6. Menggambarkan Histogram dan Poligon

Histogram merupakan bentuk grafik batang dimana tepi-tepi balok saling
berhimpitan. Sumbu horizontal menyatakan tepi-tepi kelas yaitu tepi bawah dan
tepi atas masing-masing kelas, sedangkan sumbu vertikal menyatakan frekuensi.
Poligon frekuensi merupakan grafik garis yang dibuat dengan cara
menghubungkan nilai-nilai titik tengan dari masing-masing kelas. Pada
penggambaran poligon agar grafik garis yang diperoleh menjadi tertutup maka
pada kelas pertama dan kelas terakhir ditambahkan kelas baru dengan frekuensi
nol.
7. Membuat Tabel Frekuensi Relatif dan Tabel Frekuensi Kumulatif

Tabel Frekuensi Relatif dibuat dengan menambahkan satu kolom yang nilainya
untuk setiap kelas diperoleh dengan menghitung frekuensi relatif setiap kelas.
Frekuensi relatif = frekuensi kelas/jumlah seluruh frekuensi

Tabel Frekuensi Kumulatif dibuat dengan cara menambahkan satu kolom pada
tabel frekuensi yang berisi nilai kumulatif dari frekuensi kelas sebelummya.
8. Menggambarkan Ogive
Ogive merupakan grafik garis yang digunakan untuk menggambarkan distribusi
frekuensi kumulatif.
Contoh untuk membuat distribusi frekuensi adalah sebagai berikut, tinjau data
mentah nilai pelajaran:
87 79 67 62 69 69 67 67 70 63
72 94 70 75 59 56 90 85 71 62
59 60 62 65 36 64 65 59 77 70
57 66 57 54 52 73 50 50 55 72
73 81 70 95 57 41 64 55 86 45
49 80 45 47 37 76 54 47 60 66
66 83 76 82 40 56 43 50 55 57
72 66 68 75 63 66 70 78 56 68
34
Penyelesaian:
1. Data diurutkan dari terkecil ke terbesar
36 37 40 41 43 45 45 47 47 49
50 50 50 52 54 54 55 55 55 56
56 57 57 57 57 59 59 59 60 60
62 62 62 62 63 63 64 64 65 65
66 66 66 66 66 67 67 67 68 68
69 69 70 70 70 70 70 71 72 72
72 73 73 75 75 76 76 77 78 79
80 81 82 83 85 86 87 90 94 95
Diperoleh: xmin= 36
xmax= 95
J = 95-36 = 59
2. Jumlah Kelas
K  1  3.3Log (n)
K  1  3.3Log 80
K  1  6.28
K  7.28  8
3. Panjang Interval kelas
I=J/K = 59/8= 7,37 dibulatkan menjadi 8
4. Menentukan kelas-kelas
Kelas 1: batas bawah kelas = 36

batas atas kelas = 36 + 8 -1 =43
Kelas 2: batas bawah kelas = 36 + 8 = 44

Batas atas kelas = 44 + 8 -1 = 51
Kelas 3: batas bawah kelas = 52
35
Batas atas kelas = 52 + 8 – 1 = 59
Dengan cara yang sama diperoleh;

Kelas 4: 60 – 67
Kelas 5: 68 – 75
Kelas 6: 76 – 83
Kelas 7: 84 – 91
Kelas 8: 92 – 99
5. Membuat Tabel Frekuensi
Tabel 3.10 Tabel Frekuensi Nilai Pelajaran 80 Siswa

Kelas No. Batas Kelas Frekuensi
1 36 – 43 5
2 44 – 51 8
3 52 – 59 15
4 60 – 67 20
5 68 – 75 17
6 76 – 83 9
7 84 – 91 4
8 92 – 99 2
Total 80
6. Menggambar Histogram dan Poligon Frekuensi

Untuk menggambar Histogram dan Poligon Frekuensi, Tabel 3.10 harus
ditambah dua kolom dengan variabel titik tengah dan tepi kelas seperti
terlihat pada Tabel 3.11
Tabel 3.11 Tabel Frekuensi untuk Menggambar Histogram dan Poligon

Frekuensi
Kelas No. Batas Kelas Tepi kelas Titik Tengah Frekuensi

1 36 – 43 35,5 – 43,5 39,5 5
2 44 – 51 43,5 – 51,5 47,5 8
3 52 – 59 51,5 – 59,5 55,5 15
4 60 – 67 59,5 – 67,5 63,5 20
5 68 – 75 67,5 – 75,5 71,5 17
6 76 – 83 75,5 – 83,5 79,5 9
7 84 – 91 83,5 – 91,5 87,5 4
8 92 – 99 91,5 – 99,5 95,5 2
Total 80
36
25
20
20
17
15
15
10 9
8
5
5 4
2
35,5 – 43,5 43,5 – 51,5 51,5 – 59,5 59,5 – 67,5

67,5 – 75,5 75,5 – 83,5 83,5 – 91,5 91,5 – 99,5
Gambar 3.8 Histogram Nilai Pelajaran dari 80 Siswa
25
20
20
17
15
frekuensi
15
9
10 8
5
4
5
2
0 0
0
31,5 39,5 47,5 55,5 63,5 71,5 79,5 87,5 95,5 103,5
Nilai Pelajaran
Gambar 3.9 Poligon Frekuensi Nilai Pelajaran 80 Siswa
7. Menggambarkan Ogive
Untuk menggambarkan Ogive, terlebih dahulu dibuat tabel frekuensi
kumulatif kurang dari. Tabel frekuensi kumulatif kurang dari adalah tabel
frekuensi yang menampilkan frekuensi kumulatif yang memiliki nilai kurang
dari nilai batas kelas suatu interval kelas tertentu.
37
Tabel 3.12 Tabel untuk membuat Diagram Ogive
Kelas Frekuensi Kurang dari Frekuensi

Kumulatif
Kurang dari 36 0
36 – 43 5 Kurang dari 44 5
44 – 51 8 Kurang dari 52 13
52 – 59 15 Kurang dari 60 28
60 – 67 20 Kurang dari 68 48
68 – 75 17 Kurang dari 76 65
76 – 83 9 Kurang dari 84 74
84 – 91 4 Kurang dari 92 78
92 - 99 2 Kurang dari 80
100
90
78 80
80 74
70 65
Frekuensi Kumulatif
60
48
50
40
28
30
20 13
10 5
0
0
36 44 52 60 68 76 84 92 100
Nilai Pelajaran
Gambar 3.10 Ogive untuk Nilai Pelajaran 80 Siswa
3.7 RANGKUMAN
Pengolahan dan penyajian data memberikan peranan yang sangat penting
terhadap informasi yang ingin diperoleh dari sekumpulan data. Untuk data dengan
jumlah data yang cukup kecil pengolahan dan penyajian data dengan cara diurutkan,
lalu dibuat tabel dan selanjutnya dibuat grafik yang sesuai dengan kebutuhan akan
memberikan kemudahan dalam memahami data tersebut. Di sisi lain, apabila jumlah
data sangat banyak maka data tidak dapat secara langsung disajikan dalam tabel atau
grafik. Penanganan yang tepat untuk jumlah data yang sangat besar adalah dengan
menggunakan bantuan distribusi frekuensi. Distribusi Frekuensi merupakan
38
penyajian data berkelompok yang menggunakan tabel frekuensi, Grafik batang
berupa Histogram, grafik garis berupa poligon frekuensi, dan grafik frekuensi
kumulatif dalam bentuk grafik Ogive.
Pada bab selanjutnya, Bab 4, akan dibahas tentang ukuran-ukuran statistik
seperti ukuran terpusat, ukuran tersebar, ukuran posisi, dan bentuk kurva. Nilai rata-
rata, median, dan modus dibahas pada pembahasan ukuran terpusat. Ukuran tersebar
akan mencakup standar deviasi dan jangkauan. Sedangkan ukuran posisi berisi
tentang kuartil. Terakhir, bentuk kurva membahas keruncingan dan kerampingan
kurva distribusi.
3.8 SOAL-SOAL
1. Terdapat data mahasiswa yang mendaftar kegiatan Seni dan Olahraga pada
tahun akademik berjalan sebagai berikut: Catur = 5%, Karate = 10%,
Taekwondo = 13%, Sepak Bola = 25%, Pencinta Alam = 16% Tari Daerah =
15%, Musik Daerah = 14%, Tari Modern = 2%.
a. Buat diagram lingkaran untuk menyajikan data tersebut.
b. Apabila yang mendaftar 1000 orang, tentukan jumlah peserta Tari Modern!
2. Apakah penyajian data pada soal no.1 dapat disajikan menggunakan Grafik
Batang?
3. Tinjau Grafik Batang pada Tabel 3.13 yang menyajikan jumlah siswa tidak
masuk sekolah dan alasannya dalam 1 tahun akademik.
a. Tentukan jumlah siswa yang tidak masuk sekolah dalam 1 tahun akademik.
b. Berapa persentase siswa yang tidak masuk sekolah karena bolos?
35
30
25
Jumlah Siswa
20
15
10
0
Sakit Ada PR Bolos Keluarga
Alasan tidak Masuk Sekolah
Gambar 3.11 Jumlah Siswa Tidak Masuk Sekolah dan alasannya dalam 1
Tahuun akademik
39
4. Buat diagram lingkaran untuk Tabel 3.13 soal no 3 tersebut.
5. Buat diagram pareto untuk soal no 3 tersebut.
6. Tinjau data nilai mata kuliah Sistem Instrumentasi dari 50 orang mahasiswa:
75 70 71 60 60 63 63 65 80 80
78 77 90 89 88 70 80 80 80 81
79 78 77 65 67 68 69 70 75 75
77 80 81 81 82 85 80 81 88 90
82 84 80 85 76 79 88 76 81 87
a. Buat Tabel distribusi frekuensi data tersebut

b. Buat Histogram distribusi frekuensi data tersebut
c. Buat poligon frekuensinya
d. Buat grafik ogive
40
BAB IV
UKURAN-UKURAN STATISTIK
4.1 Pendahuluan
Selain penyajian data dengan tabel dan grafik, terdapat beberapa ukuran
statistik yang dapat digunakan untuk menganalisa sekelompok data. Ukuran-ukuran
tersebut adalah ukuran terpusat, ukuran tersebar, ukuran posisi, dan bentuk kurva.
4.2 UkuranTerpusat
Karakteristik statistik yang digunakan untuk mengetahui nilai tengah dari
sekelompok data, baik data tunggal ataupun data berkelompok adalah ukuran
terpusat.
Definisi 4.1: Ukuran terpusat adalah karakteristik statistik yang
mengukur seberapa dekat ukuran tersebut menjadi pusat data lainnya.
Ukuran terpusat menggambarkan suatu nilai yang memiliki gambaran
keberadaan posisi nilai tersebut di titik tengah dari deretan data. Terdapat tiga ukuran
terpusat, yaitu nilai rata-rata, median, dan modus. Untuk semua definisi ukuran
terpusat yang digunakan adalah karakteristik statistik dimana data yang dimaksud
adalah data hasil penyamplingan.
4.2.1 Nilai Rata-rata
Definisi 4.2 Nilai Rata-rata

Nilai Rata-rata adalah jumlah seluruh nilai data dibagi dengan jumlah
banyaknya data. Simbol yang digunakan untuk Nilai Rata-rata adalah
̅ ( dibaca x bar).
𝒙
A. Nilai Rata-rata Data Tunggal

Berdasarkan definisi 4.2, dapat diturunkan rumus Nilai Rata-rata untuk data
tunggal. Misalkan terdapat n pengamatan data, yaitu 𝑥1 , 𝑥2 , 𝑥3 , . . ., 𝑥𝑛 .
Rumus 4.1
𝒙𝟏 + 𝒙𝟐 + 𝒙𝟑 + ⋯ + 𝒙𝒏 ∑𝒏𝒊=𝟏 𝒙𝒊
̅=
𝒙 =
𝒏 𝒏
41
Contoh 1, tentukan nilai Rata-rata dari sekelompok data berikut ini:
2 3 3 4 5 5 6 6 6 7
8 9
Jawab:
𝒙𝟏 + 𝒙𝟐 + 𝒙𝟑 + ⋯ + 𝒙𝒏 𝟐 + 𝟑 + 𝟑 + 𝟒 + 𝟓 + 𝟓 + 𝟔 + 𝟔 + 𝟔 + 𝟕 + 𝟖 + 𝟗
̅=
𝒙 =
𝒏 𝟏𝟐
𝟔𝟒
̅=
𝒙 = 𝟓, 𝟑𝟑
𝟏𝟐
B. Nilai Rata-rata Data Berkelompok

Untuk mendapatkan Nilai Rata-rata data berkelompok, data tunggal harus
dibuat dalam bentuk tabel frekuensi dengan penambahan kolom berupa data nilai titik
tengah dari kelas interval. Nilai Rata-rata data berkelompok dapat dihitung
menggunakan Rumus 4.2 berikut.
Rumus 4.2
∑𝑲
𝒊=𝟏 𝒇𝒊 𝒕𝒊
̅=
𝒙
∑𝑲
𝒊=𝟏 𝒇𝒊
Dimana:
fi = frekuensi kelas ke-i
ti = nilai titik tengan kelas ke-i
K = jumlah kelas
Contoh 2, tinjau data tunggal yang terurut berikut ini, tentukan Nilai Rata-
rata data tunggal dan data berkelompok. Data nilai 60 Peserta Kuliah Sensor:
40 45 45 47 50 50 50 53 55 55
55 60 60 60 65 65 65 65 67 67
70 70 70 70 70 73 74 75 75 75
75 75 77 77 80 80 80 80 80 80
80 83 83 85 85 85 85 85 85 85
85 85 85 90 90 90 95 95 95 95
Jawab:
42
a. Nilai Rata-rata Data Tunggal
∑𝒏𝒊=𝟏 𝒙𝒊
̅=
𝒙
𝒏
𝟒𝟑𝟕𝟏
̅=
𝒙 = 𝟕𝟐, 𝟖𝟓
𝟔𝟎
Jadi Nilai Rata-rata Data Tunggal = 72,85
b. Nilai Rata-rata Data Berkelompok
Untuk menghitung Nilai Rata-rata Data Berkelompok dibuat terlebih

dahulu Tabel Frekuensinya.
K = jumlah kelas = 1 + 3,3 log n = 1 + 3,3 log 60 = 6,87 dibulatka menjadi

7
K=7
J = jangkauan = 95 – 40 = 55
I = J/K = 55/7 = 7,85 dibulatkan menjadi 8

I=8
Tabel 4.1 Distribusi Frekuensi Nlai 60 Peserta Sensor
Kelas Interval Titik Tengah Frekuensi (fi) tifi

(ti)
40 – 47 43,5 4 174
48 – 55 51,5 7 360,5
56 – 63 59,5 3 178,5
64 – 71 67,5 11 742,5
72 – 79 75,5 9 679.5
80 – 87 83,5 19 1586,5
88 – 95 91,5 7 649,5
Total ∑ 𝑓𝑖 = 60 ∑ 𝑡𝑖 𝑓𝑖 =4362
diperoleh, 𝑥̅ = 72,7
Jadi Nilai Rata-rata Data Berkelompok = 72,7
43
4.2.2 Median
Definisi 4.2: Median merupakan ukuran terpusat yang letaknya berada

tepat di tengah-tengah sekelompok data yang terurut. Median akan
membagi jumlah data yang sama dari sebelah kiri median dan dari
sebelah kanan median. Median disimbolkan Me.
A. Median Data Tunggal

Untuk median data tunggal, median diperoleh dari rumus 4.3 berikut ini.
Rumus 4.3 𝑴𝒆 = 𝑵𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − (𝒏 + 𝟏)/𝟐
Terdapat dua kasus khusus untuk median ini:
a. Jumlah Data Ganjil
Contoh 1, tentukan median dari data:

2 2 3 3 4 5 6
Letak posisi median = (n + 1)/2 = (7 + 1)/2 =8/2 = 4

𝒏+𝟏
𝑴𝒆 = 𝑵𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − 𝟐
= 𝑵𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − 𝟒 = 𝟑
Jadi, median untuk sekelompok data tersebut = 3.
b. Jumlah Data Genap

Oleh karena jumlah data genap akan menghasilkan posisi median pada
posisi yang tidak bulat, maka nilai median diperoleh dari nilai rata-rata
antara nilai data sebelum dan sesudah posisi median.
Contoh 2, data : 2 2 3 3 4 5 6 6
Jumlah data = 8
Posisi median terletak pada (n + 1)/2 = (8 + 1)/2 9/2 = 4,5
Sehingga nilai median = (nilai data ke-4 + nilai data ke-5)/2 = (3 + 4)/2
=3,5
Jadi, nilai median = 3,5
B. Median Data Berkelompok

Untuk data berkelompok, median dapat dihitung menggunakan rumus 4.4
berikut ini. Rumus 4.4 ini diterapkan pada tabel distribusi frekuensi dimana nilai tepi
kelas dari kelas interval sangatlah penting.
44
Rumus 4.4
𝒏
− 𝑭𝑩𝑴𝒆
𝑴𝒆 = 𝑻𝑲𝑴𝒆 + 𝟐 .𝑰
𝒇𝑴𝒆
Dimana,
TKMe = Nilai tepi kelas bawah kelas median
FBMe = jumlah frekuensi kelas-kelas sebelum kelas median
fMe = frekuensi kelas median
Contoh 3, tentukan nilai median dari data berkelompok pada Tabel 4.1
Jawab:
Tabel 4.1 diperbaharui menjadi Tabel 4.2 sebagai berikut.
Tabel 4.2 Distribusi Frekuensi Nilai 60 Peserta Sensor (yang
diperbaharui)
No. Kelas Kelas Interval Nilai Tepi Frekuensi (fi)
1 40 – 47 39,5 – 47,5 4
2 48 – 55 47,5 – 55,5 7
3 56 – 63 55,5 – 63,5 3
4 64 – 71 63,5 -71,5 11
5 72 – 79 71,5 – 79,5 9
6 80 – 87 79,5 – 87,5 19
7 88 – 95 87,5 – 95,5 7
Total ∑ 𝑓𝑖 = 60
Diperoleh:
Letak median = n/2 = 60/2 =30, Kelas median = kelas ke-5
TKMe = Nilai tepi kelas bawah kelas median = 71,5
FBMe = jumlah frekuensi kelas-kelas sebelum kelas median = 4 + 7
+ 3 + 11 = 25
fMe = frekuensi kelas median = 9
I=8
45
𝒏
− 𝑭𝑩𝑴𝒆 𝟑𝟎 − 𝟐𝟓
𝑴𝒆 = 𝑻𝑲𝑴𝒆 + 𝟐 . 𝑰 = 𝟕𝟏, 𝟓 + . 𝟖 = 𝟕𝟓, 𝟗𝟒
𝒇𝑴𝒆 𝟗
Jadi median Data berkelompok = 75,94
4.2.3 Modus
Modus merupakan ukuran terpusat yang memperlihatkan nilai dari data yang
paling sering muncul. Olehkarena dikaitkan dengan jumlah data yang sering muncul,
terdapat tiga kemungkinan tentang modus, yaitu ada kemungkinan sekelompok data
tidak memiliki modus, ada kemungkinan modus terdapat satu buah, dan kemungkinan
terakhir modus dapat lebih dari satu buah.
Definisi 4.3 Modus adalah data yang memiliki frekuensi terbesar atau
data yang paling sering muncul dari sekelompok data. Modus
disimbulkan Mo.
A. Modus Data Tunggal
Untuk data tunggal, mencari modus dengan Rumus 4.5 berikut ini.
Rumus 4.5 𝑴𝒐 = 𝒅𝒂𝒕𝒂 𝒅𝒆𝒏𝒈𝒂𝒏 𝒇𝒓𝒆𝒌𝒖𝒆𝒏𝒔𝒊 𝒕𝒆𝒓𝒃𝒆𝒔𝒂𝒓
Contoh 1, tinjau data Nilai 60 Peserta Kuliah Sensor.
40 45 45 47 50 50 50 53 55 55
55 60 60 60 65 65 65 65 67 67
70 70 70 70 70 73 74 75 75 75
75 75 77 77 80 80 80 80 80 80
80 83 83 85 85 85 85 85 85 85
85 85 85 90 90 90 95 95 95 95
Jawab:
Mo = 85, karena memiliki frekuensi terbesar yaitu 10.
B. Modus Data Berkelompok
Untuk data berkelompok Modus dapat dihitung menggunakan Rumus 4.6
berikut ini.
𝒅𝒇𝟏
Rumus 4.6 𝑴𝒐 = 𝑻𝑲𝑴𝒐 + 𝒅𝒇𝟏+𝒅𝒇𝟐 . 𝑰
Dimana,
TKMo = nilai tepi bawah kelas modus yaitu kelas dengan frekuensi
terbesar
46
df1 = selisih frekuensi kelas modus dengan frekuensi kelas
sebelumnya
df2 = selisih frekuensi kelas modus dengan kelas sesudahnya
Contoh 2, tentukan modus untuk data berkelompok dari 60 peserta kuliah
Sensor seperti pada Tabel 4.2 dari contoh 1 sebelumnya.
Jawab:
Tabel 4.2 memperlihatkan bahwa kelas interval no. 6 memiliki frekunsi
terbesar yaitu 19.
Nilai tepi bawah kelas modus tersebut, TKMo = 79,5
df1 = 10
df2 = 12
I=8
Sehingga:
10
𝑀𝑜 = 79,5 + 10+12 . 8 = 83,1
4.3 Ukuran Tersebar

Ukuran tersebar memperlihatkan seberapa jauh sekelompok data tersebar
dari ukuran pusat datanya, yaitu dari nilai rata-rata hitungnya.
Definisi 4.2
Ukuran Tersebar adalah ukuran statistik yang menyatakan berapa
besar penyimpangan data terhadap nilai ukuran pusatnya.
4.3.1 Jangkauan
Jangkauan merupakan ukuran tersebar yang diperoleh dengan cara menarik
selisih niai data terbesar ddan nilai data terkecil. Selanjutnya ditentukan rumus untuk
menghitung jangkauan untuk data tunggal dan data berkelompok.
A. Jangkauan Data Tunggal
Untuk menentukan Jangkauan data tunggal, data harus diurutkan dari dara
terkecil sampai data terbesar, misalkan sekelompok data : x1, x2, x3, ..., xn dengan x1
= xmin dan xn = xmax.
Rumus 4.7 𝑱 = 𝒙𝒎𝒂𝒙 − 𝒙𝒎𝒊𝒏
47
Dimana:
J = Jangkauan
xmax = nilai data terbesar = xn
xmin = nilai data terkecil = x1
Contoh 1, tinjau data berikut ini dan tentukan Jangkauannya: 5, 3. 5, 7, 7, 6, 11, 14,
15
Jawab:
Setelah data diurut diperoleh: 3, 5, 5, 6, 7, 7, 11, 14, 15
J = 15 – 3 = 12
Contoh 2, tinjau data berikut dan tentukan jangkauannya: 11, 11, 10, 9, 11, 3, 14, 15,
11
Jawab:
J = 15 – 3 = 12
Apabila kita lihat kedua kelompok data tersebut memiliki jangkauan yang
sama yaitu 12, maka timbul pertanyaan apakah kedua data tersebut memiliki sebaran
yang sama? Untuk menjawab pertanyaan ini, sebaiknya ditunda setelah semua ukuran
statistik dibahas agar jawaban lebih jelas dan rinci.
B. Jangkauan Data Berkelompok

Pada penghitungan Jangkauan data berkelompok, terdapat dua cara. Pertama,
dari distribusi frekuensi dicari nilai titik tengah kelas pertama dan kelas terakhir,
Jangkau diperoleh dengan cara mencari selisih kedua titik tengah kelas terakhir
dengan kelas pertama.
Cara Kedua adalah dengan menentukan tepi atas kelas terakhir dan tepi
bawah kelas pertama, Jangkauan diperoleh dengan cara mencari selisih antara tepi
atas kelas terakhir dan tepi bawah kelas pertama.
Contoh 3,
Tentukan Jangkauan untuk data berkelompok pada Tabel 4.3 berikut ini.
48
Tabel 4.3 Distribusi Frekuensi Nilai 60 Peserta Sensor (dari Tabel 4.2)
Kelas Interval Titik Tengah Nilai Tepi Frekuensi (fi)

40 – 47 43,5 39,5 – 47,5 4
48 – 55 51,5 47,5 – 55,5 7
56 – 63 59,5 55,5 – 63,5 3
64 – 71 67,5 63,5 – 71,5 11
72 – 79 75,5 71,5 – 79,5 9
80 – 87 83,5 79,5 – 87,5 19
88 – 95 91,5 87,5 – 95,5 7
Jawab:
a. Untuk Metode Pertama
Titik tengah kelas pertama = 43,5
Titik tengah kelas terakhir = 91,5
Jangkauan = 91,5 – 43,5 = 48
b. Untuk Metode Kedua

Tepi bawah kelas pertama = 39,5
Tepi atas kelas terakhir = 95,5
Jangkauan = 95,5 – 39,5 = 56
4.3.2 Standar Deviasi
Standar deviasi atau simpangn baku sampel merupakan ukuran statistik yang
sangat erat dengan nilai rata-rata hitung dari sekelompok data. Nilai rata-rata hitung
dan standar deviasi menjadi dua buah ukuran statistik yang sangat penting terutama
untuk menentukan bentuk kurva distribusi data apakah memiliki keruncingan dan
kemerengan tertentu.
A. Standar Deviasi Data Tunggal
Untuk sekelompok data tunggal yang telah terurut dari data yang terkecil ke
data yang terbesar sebagai berikut: x1, x2, x3, ..., xn dengan x1 = xmin dan xn = xmax.
Rumus 4.8
∑𝒏(𝒙𝒊 − 𝒙
̅)𝟐
𝒔𝒅 = √ 𝒊
𝒏−𝟏
Dimana, sd = standar deviasi

Contoh 1, tinjau kembali data dari contoh 1 bagaian Jangkauan berikut ini
dan tentukan standar deviasi : 5, 3. 5, 7, 7, 6, 11, 14, 15
49
Jawab:
Untuk menjawab dibuat tabel berikut ini:
No. xi ̅
xi - 𝒙 ̅ )2
(xi - 𝒙
1 3 -5,11 26,112
2 5 -3,11 9,672
3 5 -3,11 9,672
4 6 -2,11 4,452
5 7 -1,11 1,232
6 7 -1,11 1,232
7 11 2,89 8,352
8 14 5,89 34,692
9 15 6,89 47,472
∑ 𝑥𝑖 = 73 Σ(xi - 𝒙
̅)2 =142,888
Diperoleh: ̅ = 73/9 = 8,11

𝒙
142,888
sd = √ 8
= 4,23
Contoh 2, tinjau data contoh dua tentang Jangkauan tentukan standar

deviasinya: 3, 9, 10, 11, 11, 11, 11, 14, 15
Dibuat tabel berikut ini:
No. xi ̅
xi - 𝒙 ̅ )2
(xi - 𝒙
1 3 -7,56 57,154
2 9 -1,56 2,434
3 10 -0,56 0,314
4 11 0,44 0,194
5 11 0,44 0,194
6 11 0,44 0,194
7 11 0,44 0,194
8 14 3,44 11,834
9 15 4,44 19,714
∑ 𝑥𝑖 = 95 Σ(xi - 𝒙
̅)2 = 92,222
Diperoleh: ̅ = 95/9 = 10,56

𝒙
92,222
sd = √ 8
= 3,40
50
B. Standar Deviasi Data Berkelompok
Untuk data berkelompok, standar deviasi dapat dihitung dengan rumus 4.9
berikut ini.
Rumus 4.9
∑𝒏 𝒇𝒊 (𝒙𝒊 − 𝒙
̅)𝟐
𝒔𝒅 = √ 𝒊
∑𝒇 − 𝟏
Contoh 1, tinjau data berkelompok seperti pada Tabel 4.2
Kelas Titik Frekuen fixi ̅
xi - 𝒙 ̅)2
(xi - 𝒙 ̅)2
fi(xi - 𝒙
Interval Tengah si (fi)
(xi)
40 – 47 43,5 4 174 -29,2 852.64 3410.56
48 – 55 51,5 7 360,5 -21,2 449.44 3146.08
56 – 63 59,5 3 178,5 -13,2 174.24 522.72
64 – 71 67,5 11 742,5 -5,2 27.04 297.44
72 – 79 75,5 9 679,5 2,8 7.84 70.56
80 – 87 83,5 19 1586,5 10,8 116.64 2216.16
88 – 95 91,5 7 640,5 18,8 353.44 2474.08
Σ 60 4362 12137.6
Diperoleh: ̅ = 4362/60 = 72,7

𝒙
12137.6
sd =√ 60−1
= 14,34
4.4 Ukuran Posisi

Ukuran posisi adalah ukuran statistik yang memperlihatkan suatu nilai dari
data yang membagi data pada ruang-ruang dengan julah data yang sama. Terdapat
tiga jenis ukuran posisi yaitu Desil, Kuartil, dan Persentil. Tetapi dalam buku ini,
hanya dibahas tentang Kuartil.
51
Definisi 4.3
Kuartil adalah ukuran statistik yang menyatakan letak suatu nilai-nilai
data yang membagi data dalam empat kelompok data dengan jumlah
data yang sama pada data terurut.
4.4.1 Kuartil Data Tunggal
𝒊(𝒏+𝟏)
Rumus 4.10 𝑸𝒊 = 𝒌𝒖𝒂𝒓𝒕𝒊𝒍 𝒌𝒆 − 𝒊 = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 −
𝟒
𝟏(𝒏 + 𝟏)
𝑸𝟏 = 𝒌𝒖𝒂𝒓𝒕𝒊𝒍 𝒌𝒆 − 𝟏 = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 −
𝟒
𝟐(𝒏 + 𝟏)
𝑸𝟐 = 𝒌𝒖𝒂𝒓𝒕𝒊𝒍 𝒌𝒆 − 𝟐 = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 −
𝟒
𝟑(𝒏 + 𝟏)
𝑸𝟑 = 𝒌𝒖𝒂𝒓𝒕𝒊𝒍 𝒌𝒆 − 𝟑 = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 −
𝟒
a. Kasus untuk n ganjil
Contoh 1, tentukan Kuartil dari data : 3, 4, 5, 6, 6, 7, 8
Jawab:
𝟏(𝟕 + 𝟏)
𝑸𝟏 = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − 𝟐 = 𝒙𝟐 = 𝟒
𝟒
𝟐(𝟕 + 𝟏)
𝑸𝟐 = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − 𝟒 = 𝒙𝟒 = 𝟔
𝟒
𝟑(𝟕 + 𝟏)
𝑸𝟑 = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − 𝟔 = 𝒙𝟔 = 𝟕
𝟒
b. Kasus untuk n genap

Contoh 2, tentukan Kuartil dari data: 3, 4, 5, 6, 7, 7, 8, 9
Jawab:
𝟏(𝟖 + 𝟏)
𝑸𝟏 = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − 𝟐, 𝟓
𝟒
Nilai data ke-2,5 = (nilai data ke-2 + nilai data ke-3)/2, sehingga
𝒙𝟐 + 𝒙𝟑 𝟒 + 𝟓
𝑸𝟏 = = = 𝟒, 𝟓
𝟐 𝟐
52
𝟐(𝟖 + 𝟏)
𝑸𝟐 = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − 𝟒, 𝟓
𝟒
𝒙𝟒 + 𝒙𝟓 𝟔 + 𝟕
𝑸𝟐 = = = 𝟔, 𝟓
𝟐 𝟐
𝟑(𝟖 + 𝟏)
𝑸𝟑 = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − = 𝒏𝒊𝒍𝒂𝒊 𝒅𝒂𝒕𝒂 𝒌𝒆 − 𝟔, 𝟓
𝟒
𝒙𝟔 + 𝒙𝟕 𝟕 + 𝟖
𝑸𝟑 = = = 𝟕, 𝟓
𝟐 𝟐
4.4.2 Kuartil Data Berkelompok

Untuk data berkelompok digunakan Rumus 4.11 untuk mencari Kuartil.
Rumus 4.11
𝒊𝒏
− ∑ 𝒇𝒒𝒊
𝑸𝒊 = 𝑻𝑩𝒒𝒊 + 𝑰( 𝟒 )
𝒇𝒒𝒊
dimana:
TBqi = nilai tepi batas bawah Kuartil ke – i
Σfqi = jumlah frekeunsi kelas-keas sebelum kelas Kuartil ke – i
fqi = frekensi kelas Kuartil ke -i
Contoh 1, tentukan kuartil data berkelompok dari contoh Tabel 4.2 berikut.
No. Kelas Kelas Interval Nilai Tepi Frekuensi (fi)

1 40 – 47 39,5 – 47,5 4
2 48 – 55 47,5 – 55,5 7
3 56 – 63 55,5 – 63,5 3
4 64 – 71 63,5 – 71,5 11
5 72 – 79 71,5 – 79,5 9
6 80 – 87 79,5 – 87,5 19
7 88 – 95 87,5 – 95,5 7
53
Jawab:
a. Kuartil ke – 1 (Q1)
 Tentukan kelas untuk Kuartil ke – 1
Kuartil ke – 1 terletak pada in/4 = 1.60/4 = 15,
Frekeunsi 15 terletak pada kelas ke – 4, yaitu 4 + 7 + 3 + 11
 Tentukan nilai tepi batas bawah kelas Kuartil ke – 1 ilai tepi
batas bawah kelas ke – 4 diperoleh dari Tabel 4.4 adalah 64 –
0.5 = 63,5
Sehingga diperoleh: TBqi = 63,5
 Tentukan jumlah frekuensi kelas-kelas di bawah kelas Kuartil
ke – 1
Σfqi = frekuensi kelas ke – 1 + frekuensi kelas ke – 2 +
frekuensi kelas ke – 3
Σfqi = 4 + 7 + 3 = 14
 Tentukan frekuensi kelas Kuartil ke – 1
fqi = frekuensi kelas Kuartil ke – 1 = 11
 Tentukan panjang interval kelas (I)
I = 71,5 – 63,5 = 8
 Tentukan nilai Kuartil ke – 1
𝒊𝒏
𝑸𝟏 = 𝑻𝑩𝒒𝟏 + 𝑰( 𝟒 )
𝒇𝒒𝒊
𝟏. 𝟔𝟎
− 𝟏𝟒
𝑸𝟏 = 𝟔𝟑, 𝟓 + 𝟖( 𝟒 )
𝟏𝟏
𝑸𝟏 = 𝟔𝟒, 𝟐𝟑
Sehingga nilai Kuartil ke – 1 = 64,23
b. Kuartil ke – 2 (Q2)
Kuartil ke – 2 terletak pada in/4 = 2.60/4 = 30
Frekuensi 30 terletak pada kelas ke – 5, yaitu 4 + 7 + 3 + 11 + 9
 Tentukan nilai tepi batas bawah kelas Kuartil ke – 2
Nilai tepi batas bawah kelas ke – 5 dari Tabel 4.4 adalah 72 –
0,5 = 71,5
ke – 2
54
frekuensi kelas ke – 3 + frekuensi kelas ke – 4
Σfqi = 4 + 7 + 3 + 11 = 25

I = 79,5 – 71,5 = 8
𝒊𝒏
𝑸𝟐 = 𝑻𝑩𝒒𝟐 + 𝑰( 𝟒 )
𝒇𝒒𝒊
𝟐. 𝟔𝟎
− 𝟐𝟓
𝑸𝟐 = 𝟕𝟏, 𝟓 + 𝟖( 𝟒 )
𝟗
𝑸𝟐 = 𝟕𝟓, 𝟗𝟒
c. Kuartil ke – 3 (Q3)
Kuartil ke – 3 terletak pada in/4 = 3.60/4 = 45
Frekuensi 45 terletak pada kelas ke – 6, yaitu 4 + 7 + 3 + 11 + 9
+ 19
 Tentukan nilai tepi batas bawah kelas Kuartil ke – 3
Nilai tepi batas bawah kelas ke – 5 dari Tabel 4.4 adalah 80 –
0,5 = 79,5
ke – 3
frekuensi kelas ke – 3 + frekuensi kelas ke – 4 + frekuensi kelas
ke – 5
Σfqi = 4 + 7 + 3 + 11 + 9 = 34
I = 87,5 – 79,5 = 8
55
𝒊𝒏
𝑸𝟑 = 𝑻𝑩𝒒𝟑 + 𝑰( 𝟒 )
𝒇𝒒𝒊
𝟑. 𝟔𝟎
− 𝟑𝟒
𝑸𝟑 = 𝟕𝟗, 𝟓 + 𝟖( 𝟒 )
𝟏𝟗
𝑸𝟑 = 𝟖𝟒, 𝟏𝟑
4.4.3 Jangkauan AntarKuartil

Jangkauan antarkuartil merupakan selisih kuartil ke – 3 dan kuartil ke – 1.
Jangkauan antarkuartil hampir mirip dengan nilai Jangkauan sekelompok data, tetapi
pada jangkauan antatkuartil memiliki nilai yang mendekati suatu gambaran distribusi
yang lebih homogen karena tidak mengandung nilai-nilai data terendah dan tertinggi
yang memiliki kemungkinan nilai data yang sangat ekstrem atau biasanya disebut
pencilan.
Rumus 4.12 𝑱𝑸 = 𝑸𝟑 − 𝑸𝟏
Dimana:
JQ = Jangkauan AntarKuartil
Contoh 1, tinjau data berikut ini yng diambil dari contoh tentang Jangkauan dan
tentukan Jangkauan antarkuartilnya: 5, 3. 5, 7, 7, 6, 11, 14, 15
Jawab:
J = 15 – 3 = 12
Q1 = (5 + 5)/2 = 5
Q3 = (11 + 14)/2 = 12,5
Sehingga: JQ = Q3 - Q1 = 15 – 5 = 10
Contoh 2, tinjau data berikut dan tentukan jangkauannya:
11, 11, 10, 9, 11, 3, 14, 15, 11
Jawab:
56
J = 15 – 3 = 12
Q1 = (9 + 10)/2 = 9,5
Q3 = (11 + 14)/2 = 12,5
Sehingga: JQ = Q3 - Q1 = 12,5 – 9,5 = 3
Terlihat dari kedua contoh tersebut bahwa meskipun harga Jangkauannya (J)
sama yaitu 12, tetapi nilai Jangkauan Antarkuartilnya sangat jauh berbeda, kelompok
data pertama JQ = 9,5 sementara untuk kelompok data kedua JQ = 3. Hal ini
memperlihatkan bahwa Jangkauan antarkuartil dapat memberikan informasi yang
lebih baik daripada Jangkauan karena memberikan tingkat distribus data yang lebih
homogen. Pembahasan tentang hal ini akan lebih rinci pada bab selanjutnya yang
membahas tentang pencilan.
4.5 Bentuk Kurva

Bentuk kurva dari distribusi frekuensi data dapat menyajikan ukuran-ukuran
statistik secara tidak langsung seperti nilai rara-rata hitung, median, modus, dan
standar deviasi. Terdapat dua karakteristik bentuk kurva yang menyajikan distribusi
data tersebut yaitu bentuk kemerengan (skewness) dan bentuk kerampigan (kurtosis).
4.5.1 Bentuk Kemerengan Kurva

Bentuk kemerengan (skewness) kurva adalah seberapa simetris kurva
terhadap nilai pusatnya. Bentuk kemiringan kurva terdiri dari tiga bentuk, yaitu
simetris, miring ke kiri, dan miring ke kanan yang bergantung pada nila-nilai rata-
rata hitung, median, dan modus, seperti dinyatakan dengan koefisien kemiringan Karl
Person:
Rumus 4.13
𝑥̅ − 𝑀𝑜
𝛽1 =
𝑠𝑑
dan
Rumus 4.14
3(𝑥̅ − 𝑀𝑒)
𝛽1 =
𝑠𝑑
57
a. Bentuk Kurva Simetris
Bentuk Simetris terjadi apabila nilai 𝛽1 = 0, yaitu Nilai rata-rata hitung
= median (Me) = Modus (Mo).
b. Bentuk kurva Miring ke Kanan
Bentuk kurva miring ke kanan terjadi apabila 𝛽1 > 0,
yaitu nilai rata-rata hitung > median > modus
c. Bentuk Kurva Miring ke Kiri
Bentuk kurva miring ke kanan terjadi apabila 𝛽1 < 0,
Yaitu nilai rata-rata hitung < median < modus
4.5.2 Bentuk Keruncingan Kurva
Bentuk Keruncingan Kurva (Kurtosis) adalah seberapa runcing suatu kurva
bila dibandingkan dengan distribusi normal. Terdapat tiga kondisi keruncingan kurva,
yaitu mesokurtis, leptokurtis, dan platikurtis. Kondisi keruncingan kurva tersebut
dapat dinyatakan dengan koefisien keruncingan berikut ini.
Rumus 4.15
1
𝑛 (∑(𝑥𝑖 − 𝑥̅ )4
𝛼4 =
𝑠4
a. Keruncingan Kurva Mesokurtis

Keruncingan Kurva Mesokurtis terjadi apabila koefisien keruncingan =
3
b. Keruncingan Kurva Leptokurtis
Keruncingan Kurva Leptokurtis terjadi apabila koefisien keruncingan >
3
c. Keruncingan Kurva Platikurtis
Keruncingan Kurva Platikurtis terjadi apabila koefisien keruncingan < 3
4.5.3 Transformasi Distribusi ke Nilai Standar z

Bentuk distribusi frekuensi data yang memiliki nilai rata-rata 𝑥̅ dan standar
deviasi sd dapat ditransformasi ke dalam bentuk suatu nilai standar, yaitu nilai standar
z.
Rumus 4.16
̅
𝒙𝒊 − 𝒙
𝒛𝒊 =
𝒔𝒅
dimana:
xi = data ke – i, dengan i = 1, 2, 3, ..., n
58
Keunikan nilai standar z adalah nilai rata-rata z sama dengan nol, dan standar
deviasi z sama dengan satu.
Pembuktian:
a. Pembuktian nilai rata-rata z =0
∑ 𝒛𝒊
𝒛̅ =
𝒏
̅)
(𝒙𝒊 − 𝒙
∑
𝒛̅ = 𝒔𝒅
𝒏
∑ 𝒙𝒊
̅
̅ 𝒏 ( 𝒏 ) − 𝒏𝒙
∑ 𝒙𝒊 − ∑ 𝒙
𝒛̅ = =
𝒏𝒔𝒅 𝒏𝒔𝒅
̅ − 𝒏𝒙
𝒏𝒙 ̅
𝒛̅ = =𝟎
𝒏𝒔𝒅
Terbukti.
b. Pembuktian Standar deviasi z = 1
∑(𝒛𝒊 − 𝒛̅)𝟐
𝒔𝒅𝒛 𝟐 =
𝒏−𝟏
∑ 𝒛𝒊 𝟐
𝒔𝒅𝒛 𝟐 =
𝒏−𝟏
𝒙 −𝒙 ̅ 𝟐
∑( 𝒊 )
𝒔𝒅𝒛 𝟐
= 𝒔𝒅
𝒏−𝟏
̅)𝟐
𝟏 ∑(𝒙𝒊 − 𝒙
𝒔𝒅𝒛 𝟐 =
𝒔𝒅𝟐 𝒏 − 𝟏
𝟏
𝒔𝒅𝒛 𝟐 = . 𝒔𝒅𝟐
𝒔𝒅𝟐
𝒔𝒅𝒛 𝟐 = 𝟏
𝒔𝒅𝒛 = 𝟏
Terbukti.
59
4.6 Rangkuman
Terdapat empat jenis ukuran statistik yang dapat digunakan untuk
mengkarakteristik sekelompok data atau distribusi data. Pertama, ukuran terpusat
yang memberikan nilai-nilai yang menjadi pusat dari data lainya, yaitu nilai rata-rata
hitung, median, dan modus. Nilai rata-rata hitung dapat memperkirakan distribusi
frekuensi disebabkan nilai rata-rata hitung berdasarkan semua data, sedangkan
median merupakan nilai pusat yang terletak di tengah-tengah data, dan modus
merupakan data yang sering muncul atau yang terbesar frekuensinya.
Kedua, ukuran tersebar merupakan ukuran yang memperlihatkan seberapa
jauh data tersebar dari nilai pusatnya. Ukuran tersebar terdiri dari jangkauan dan
standar deviasi. Jangkauan akan memberikan informasi yang tidak tepat apabila data
terkecil dan data terbesar merupakan niali yang ekstrem. Sebaliknya, standar deviasi
dapat memberikan informasi yang lebih akurat karena dihitung menggunakan selisih
terhadap nilai rata-rata hitunnya.
Ketiga, ukuran posisi yang memperlihatkan posisi-posisi yang dapat
membagi kelompok data menjadi daerah yang memiliki jumlah data yang sama, yaitu
kuartil. Kuartil terdapat tiga jenis yaitu kuaril pertama, kedua, dan ketiga. Selisih
antara kuartil ketiga dan pertama memberikan nilai jangkauan antarkuartil yang dapat
digunakan untuk memperbaiki nilai jangkauan data. Olehkarena nilai jangkauan
antarkuartil tidak dipengaruhi oleh nilai-nilai ekstrim, jangkaun antarkuartil lebih
memberikan informasi tentang sebaran distribusi data.
Keempat, bentuk kurva dapat digunakan secara visual untuk menentukan
derajat kemiringan ataupun keruncingan distribusi data. Derajat kemiringan distribusi
data dapat diperkirakan dengan membandingan nilai-niai pusat data, yaitu nilai rata-
rata hitung, median, dan modus. Apabila nilai rata-rata hitung sama dengan median
dan juga modus, maka bentuk kurva menjadi simetris. Di sisi lain keruncingan
distribusi dapat diukur dari koefisien keruncingan yang merupakan fungsi dari
standar deviasi. Semakin kecil nilai standar deviasi, maka betuk kurva semakin
runcing.
4.7 Soal-soal
1. Tentukan nilai rata-rata dan standar deviasi dari data ini:
5 5 5 5 5
2. Tinjau kembali data soal no.3 Bab 3, yaitu data nilai mata kuliah Sistem
Instrumentasi dari 50 orang mahasiswa:
75 70 71 60 60 63 63 65 80 80
78 77 90 89 88 70 80 80 80 81
79 78 77 65 67 68 69 70 75 75
60
77 80 81 81 82 85 80 81 88 90
82 84 80 85 76 79 88 76 81 87
a. Hitung nilai rata-rata, median dan modus untuk data tunggal

b. Hitung nilai rata-rata, median dan modus untuk data berkelompok
3. Gunakan data soal no 2 di atas untuk menghitung:
a. Jangkauan data tunggal
b. Jangkauan data berkelompok
4. Gunakan data soal no. 2 di atas untuk menghitung:
a. Standar deviasi data tunggal
b. Standar deviasi data berkelompok
5. Gunakan data no 2 di atas untuk menghitung:
a. Kuartil data tunggal
b. Kuartil Data berkelompok
6. Apabila diketahui data x1, x2, ..., xn memiliki nilai rata-rata = 𝑥̅ dan standar
deviasi = s, tentukan nilai rata-rata dan standar deviasi data yang memiliki
fungsi tranformasi zi = xi + a, dengan a = konstanta.
fungsi tranformasi zi = axi , dengan a = konstanta.
𝒂𝒙𝒊 +𝒃
fungsi tranformasi 𝒛𝒊 = 𝒄
, dengan a, b, c = konstanta.
9. Data sebagai berikut: 6 7 7 7 8 9 9 10
a. Tentukan nilai rata-rata, dan median!
b. Apabila pada data tersebut ditambahkan 2 data: 1 dan 30, tentukan nilai
rata-rata dan median!
c. Bandingkan hasil a dan b!
10. Data soal 9b ditulis ualang: 1, 6, 7, 7, 7, 9, 9, 9, 10, 30, hitunglah Q1, Q2, dan
Q3!
61
BAB V
BEBERAPA PERMASALAHAN KHUSUS
5.1 Pendahuluan
Terdapat banyak permasalahan yang mungkin timbul pada saat penyajian
data. Pertama, apabila terdapat dua kelompok data dengan ukuran-ukuran statistik
yang dimiliki masing-masing kelompok, kelompok data yang manakah yang lebih
baik? Kedua, ketika terdapat data yang sangat besar atau sangat kecil dalam
kelompok data, apakah yang harus dilakukan membuang data tersebut karena
mengganggu distribusi data? Ketiga, adanya data ekstrim mempengaruhi nilai rata-
rata hitung, sementara itu nilai ukuran posisi seperti Kuartil tidak dipengaruhi oleh
data ekstrim tersebut, perlukah memodifikasi cara menghitung nilai rata-rata?
5.2 Koefisien Variasi
Pertanyaan pertama, apabila terdapat dua kelompok data dengan ukuran-
ukuran statistik yang dimiliki masing-masing kelompok, kelompok data yang
manakah yang lebih baik? Distribusi data dapat disajikan menggunakan ukuran
statistik seperti nilai rata-rata dan standar deviasi, seperti contoh berikut kelompok
data A memiliki nilai rata-rata 75 dan standar deviasi 10, sedangkan kelompok data
B memiliki nilai rata-rata 69 dan standar deviasi 8. Apakah data A lebih baik dari B
karena nilai rata-ratanya lebih besar ataukan data B lebih baik karena standar deviasi
lebih kecil?
Walaupun standar deviasi yang sangat kecil memperlihatkan homogenitas
yang baik, tetapi ada pula standar deviasi yang tidak cukup kecil sehingga kurang
mampu untuk memperlihatkan homogenitas dari distribusi data. Apabila terdapat
beberapa kelompok pengamatan dengan distribusi data, untuk melihat data mana
yang lebih baik, diperkenalkan suatu ukuran yang membandingkan antara nilai rata-
rata dan standar deviasi seperti pada ruus 8.1 berikut.
𝒔𝒅
Rumus 5.1 𝑲𝑽 = ̅
𝒙
. 𝟏𝟎𝟎%
Dimana:
KV = koefisien variasi
Sd = standar deviasi
𝑥̅ = nilai rata-rata
62
Contoh 1: Tinjau data A : 1 2 3 4 5
Data B : 2 3 3 3 4
Manakah dari kelompok data tersebut yang lebih homogen distribusi datanya?
Jawab:
Data A: 𝒙̅ = 3, sd = 1,58 KV = 52,74%
Data B: 𝒙̅ = 3, sd = 0,71 KV = 23,57%
Terlihat bahwa data B lebih homogen dibanding data A, karena nilai KV data B <
KV data A.
5.3 Apa itu Pencilan?

Pada distribusi data kadang-kadang terdapat data yang sangat besar atau
sangat kecil dibandingkan dengan nilai data lainnya. Data yang sangat besar atau
yang sangat kecil ini disebut data pencilan atau outlier. Data pencilan akan sangat
mempengaruhi nilai ukuran statistik terutama nilai rata-rata dan standar deviasi serta
jangkauan sehingga akan menggangu analisa terhadap distribusi data tersebut.
Apakah pencilan ini harus dibuang dari distribusi data?
Pencilan ada kemungkinan berasal dari kesalahan metode pengukuran
ataupun asumsi yang diambil dalam mendefinisikan permasalahan. Apabila pencilan
berasal dari kedua hal tersebut, maka harus dilakukan pengamatan ulang. Apabila
hasil verifikasi ternyata benar bahwa pencilan berasal dari suatu kesalahan, maka
pencilan dapat dibuang. Apabila setelah dilakukan verifikasi ternyata selalu diperoleh
data pencilan tersebut, maka data pencilan tersebut tidak dapat dibuang.
Kemungkinannya adalah pencilan tersebut merupakan hasil pengamatan alami,
sehingga harus ditarik kesimpilan ulang mengenai batasan permasalahan apakah
kemungkinan adanya asumsi yang terlalu sempit atau sebaliknya terlalu luas.
5.3.1. Metoda Untuk Menghitung Pencilan

Dalam distribusi data, pencilan dapat diketahui dengan beberapa metode.
Pertama, metode secara grafik yaitu dengan metode diagram titik, penggunaan
metode diagram titik dapat terlihat bahwa pencilan letaknya sangat jauh (terisolasi)
dari data lainnya. Kedua, metode kuartil digunakan untuk melihat adanya pencilan
apabila data terletak sangat jauh dari nilai kuartil pertama ataupun dari nilai kuartil
ketiga. Terakhir, metode dengan transformasi nilai data ke nilai standar z. Metode
63
nilai standar z pada dasarnya adalah untuk melihat seberapa jauh suatu data terletak
dari nilai rata-ratanya.
Metode diagram titik hanya menggunakan gambar untuk melihat
kecenderungan data terhadap data lainnya. Metode ini tidak melakukan perhitungan
matematik. Berbeda dengan metode diagram titik, metode boxplot (kuartil) dan
metode nilai standar z menggunakan perhitungan matematik. Oleh karena itu ada
kemungkinan hasil yang akan berbeda antara metode diagram titik dibndingkan
dengan metode boxplot ataupun metode nilai standar z.
5.3.2. Metoda Diagram Titik

Diagram titik adalah salah satu bentuk penyajian data dimana diagram
digambarkan dalam bentuk titik-titik yang menyatakan frekuensi dari nilai data.
Diagram titik hampir mirip dengan diagram batang hanya saja batang diganti dengan
titik. Apabila pada diagram batang panjang batang menyatakan frekuensi, pada
diagram titik jumlah titik menyatakan frekuensi.
Contoh 1, Tinjau data berikut: 3, 9, 10, 11, 11, 11, 11, 14, 15, buatlah
diagram titik data tersebut dan identifikasi data pencilan.
0 2 4 6 8 10 12 14 16
Gambar 5.1 Diagram Titik Untuk Data Contoh 1

Terlihat pada Gambar 8.1 bahwa nilai data 3, 14, dan 15 terisolasi dari data
lainnya. Hal ini dapat dapat digunakan untukmemperkirakan bahwa nilai data 3, 14,
dan 15 merupakan pencilan.
Contoh 2, tinjau data berikut: 20, 60, 60, 60, 70, 70, 70, 70, 70, 80, 80, 80,
120, buat diagram titiknya dan tentukan apakah ada pencilan?
64
0 20 40 60 80 100 120 140
Gambar 5.2 Diagram Titik untuk Contoh 2

Pada Gambar 8.2 terlihat bahwa data yang bernilai 60, 70, dan 80 terletak
berkelompok, sedangkan ddata yang bernilai 20 dan 120 terpisah jauh. Ini berarti
bahwa pada distribusi data tersebut terdapat pencilan, yaitu 20 dan 120.
5.3.3. Metoda Kuartil dan Boxplot

Boxplot merupakan bentuk penyajian data menggunakan gambar yang
memperlihatkan lima ukuran berdasarkan nilai-nilai minimum, maksimum, kuartil
pertama, kuartil kedua (median), dan kuartil ketiga.
Data pencilan nilainya lebih kecil dari pada BBP = Q1 - 1,5JQ untuk pencilan
kecil, dan data pencilan besar nilainya lebih besar dari pada BAP = Q3 + 1,5JQ.
Data yang bukan pencilan berada pada rentang : BBP < xi < BAP, dimana xi
adalah nilai data.
Data pencilan apabila: xi < BBP atau xi > BAP.
Contoh 1, tinjau data untuk contoh 1 diagram titik:
3, 9, 10, 11, 11, 11, 11, 14, 15
Diperoleh:
Q1 = (9+10)/2 = 9,5
Q2 = 11
Q3 = (11+14)/2 = 12,5
65
JQ = Q3 – Q1 = 12,5 – 9,5 = 3
Batas bawah nilai pencilan = BBP = Q1 – 1,5JQ = 9,5 – 1,5x3 = 5
Batas atas nilai pencilan = BAP = Q3 + 1,5JQ = 12,5 + 4,5 = 16,5
18
16
14
12
10
Gambar 5.3 Boxplot Data Contoh 1

Terlihat bahwa data bernilai 3 lebih kecil dari pada batas bawah nilai
pencilan, sehingga 3 merupakan nilai pencilan, sedangakan data terbesar 15 lebih
kecil dari pada batas atas nilai pencilan sehingga tidak ada nilai pencilan besar.
Hasil perkiraan data pencilan menggunakan metode diagram titik berbeda
dengan metode boxplot ini pada data pencilan besar. Hal ini disebabkan pada metode
diagram titik hanya melihat jarak secara visual tidak dihitung berapa besar jarak
tersebut.
Contoh 2, tinjau data berikut:
20, 60, 60, 60, 70, 70, 70, 70, 70, 80, 80, 80, 120,
buat diagram boxplot dan tentukan apakah ada pencilan?
Diperoleh: Q1 = (60+60)/2 = 60
Q2 = 70
Q3 = (80+80)/2 = 80
66
JQ = Q3 – Q1 = 80 – 60 = 20
Batas bawah nilai pencilan = BBP = Q1 – 1,5JQ = 60 – 1,5x20 = 30
Batas atas nilai pencilan = BAP = Q3 + 1,5JQ = 80 + 1,5x20 = 110
Sehingga diperoleh 20 dan 120 merupakan pencilan.
120
100
80
60
40
20
Gambar 5.4 Boxplot Untuk Data Contoh 2

Pada Gambar 5.4 terlihat bahwa ujung-ujung boxplot tidak mencapai data 20
dan 120, secara visual dapat terlihat bahwa data pencilan terletak pada daerah di luar
boxplot.
5.4 Soal-soal
1. ljlkj
67
DAFTAR PUSTAKA
Freund, John E., and Simon, Gary A. 1997. Modern Elementary Statistics. New
Jersey: Prentice Hall, Inc. 9th Edition.
Kreyszig, Erwin. 1993. Advanced Engineering Mathematics: Chapter 24
Mathematical Statistics. Singapore: John Wiley and Sons, Inc. 7th Edition.
Leon-Garcia, Alberto. 2008. Probability, Statistics, and Random Processes for
Electrical Engineering. New Jersey: Pearson Education, Inc. 3rd Edition.
Levine, David M., Stephan, David L., Krehbiel, Timothy C., and Berenson, Mark L.
2008. Statistics for Managers: Using MicrosoftR Excel. New Jersey: Prentice
Hall, Inc. 5th Edition.
Luftig, Jeffrey T., and Jordan, Victoria S. 1998. Design of Experiment in Quality
Engineering. New York: McGraw-Hill.
Mann, Prem S. 2010. Introductory Statistics. New Jersey: John Wiley & Sons, Inc.
7th Edition.
Montgomery, Douglas C., Runger, George C., and Hubele, Norma Faris. 2011.
Engineering Statistics. New Jersey: John Wiley and Sons, Inc. 5th Edition.
Montgomery, Douglas C., and Runger, George C. 2014. Applied Statistics and
Probability for Engineers. New Jersey: John Wiley & Sons, Inc. 6th Edition.
Singh, Yogesh Kumar. 2006. Fundamental of Research Methodology and Statistics.
New Delhi: New Age International (P) Ltd., Publisher.
Siregar, Syofian. 2012. Statistika Deskriptif untuk Penelitian, Dilengkapi
Perhitungan Manual dan Aplikasi SPSS Versi 17. Jakarta: Rajawali Pers.
Spiegel, Murray R., Schiller, John J., and Srinivasan, R. Alu. Schaum’s Outline of:
Teori dan Soal-soal Probabilitas dan Statistik. Jakarta: Penerbit Erlangga.
Edisi Kedua.
Spiegel, Murray R., and Stephens, Larry J. 2008. Schaum’s Outline of: Theory and
Problems of Statistics. New York: McGraw-Hill. 4th Edition.
Sumanto. 2014. Statistika Deskriptif untuk Mahasiswa, Dosen, dan Umum.
Yogyakarta: CAPS (Center of Academic Publishing Service).
68
Walpole, Ronald E., Myers, Ramon H., and Myers, Sharon L. 2002. Probability and
Statistics for Engineers and Scientists. New Jersey: Prentice Hall
International, Inc. 7th Edition.
69
RIWAYAT PENULIS
Mumuh Muharam, ST, MT lahir di Jakarta 13 Nopember 1967 adalah Staff Pengajar
di Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas sejak tahun 1998. Ia
memperoleh gelar Sarjana Teknik di Jurusan Teknik Fisika ITB pada 1993 dan
menyelesaikan pendidikan Pasca Sarjana (S2) dengan gelar Magister Teknik di
Jurusan Teknik Elektro ITB pada 2000. Sejak 2001, mengajar matakuliah
Probabilitas dan Statistik (3 sks) di Jurusan Teknik Elektro Fakultas Teknik
Universitas Andalas dan pernah mengampu matakuliah Statistika di Jurusan Sistem
Informasi di Universitas yang sama.
70

Buku Ajar Statistik 23102015

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Ajar Statistik 23102015

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIKA DESKRIPTIF

JURUSAN TEKNIK ELEKTRO

 Bab I: membahas tentang motivasi mempelajari statistika deskriptif.

Adapun sistematika pembahasan setiap bab adalah sebagai berikut: pertama,

Tabel 3.1 Contoh Data Berkelompok 14

Gambar 1.1 Metode Ilmiah 2

1.1 DEFINISI STATISTIKA

Gambar 1.1 Metoda Ilmiah

1.3 FUNGSI STATISTIKA

1.5 POPULASI DAN SAMPEL

1.6 PARAMETER DAN STATISTIK

2.1 PENGERTIAN DATA

2.2 JENIS DATA

2.2.1 Data Kualitatif dan Data Kuantitatif

2.2.2 Data Primer dan Data Sekunder

2.2.3 Data Mentah dan Data Olah

2.2.4 Data Tunggal dan Data Kelompok

2.2.5 Data Urutan Waktu dan Data Waktu Sesaat

2.2.6 Skala Pengukuran Data

Untuk menentukan jumlah sampel atau ukuran sampel dalam proses

Apabila jumlah populasi diasumsikan tidak diketahui, maka digunakan

3.2 PENGOLAHAN DATA

Pada data acak/tunggal akan menjadi sangat sukar untuk menyaring

Interval Kelas Frekuensi

3.3 PENYAJIAN DATA : TABEL

Tabel 3.2 Nilai Matematika Teknik I dan Rangkaian Listrik I dari 10

Nama Peserta Nilai Matematika Teknik Nilai Rangkaian Listrik I

3.3.1 Tabel Searah

Tabel 3.3 Nilai Matematika Teknik I dari 10 Peserta Kuliah Semester

Nama Peserta Nilai Matematika Teknik I

3.3.2 Tabel Kontingensi

Tahun Angkatan Matematika Teknik Sensor Total

3.4.1 Grafik Batang

Jumlah Peserta Matematika Teknik I

Gambar 3.1 Diagram Batang Jumlah Peserta Matematika Teknik I per

Gambar 3.2 Diagram Batang Jumlah Peserta Matematika Teknik I dan

3.4.2 Diagram Pareto

Jenis Kerusakan IC Jumlah

Tabel 3.6 Jenis Kerusakan IC yang Diurutkan Berdasarkan Jumlahnya

Jenis Kerusakan IC Jumlah Persentase (%)

Gambar 3.3 Diagram Pareto Untuk Jenis-jenis Kerusakan IC

3.4.4 Diagram Lingkaran

Gambar 3.4 Diagram Lingkaran Untuk Jenis-jenis Kerusakan IC

3.4.5 Grafik Garis

Tegangan Tembus (kV) 50

Gambar 3.5 Tegangann Tembus Minyak Isolator Nabati terhadap Temperatur

MKS MK MJ MKS + MJ MK+ MJ

Gambar 3.6 Viskositas Minyak Isolator Nabati terhadap Temperatur (MKS=Minyak

No. Nilai Nilai RMS No. Nilai Nilai RMS

Nilai RMS (mm/s) 1.4

Gambar 3.7 Diagram Pencar untuk Tabel 3.8

3.5 DESKRIPSI DATA

3.6 DISTRIBUSI FREKUENSI

No. Jenis kendaraan Jumlah Kejadian Kecelakaan

2. Hitung banyaknya kelas

4. Menentukan kelas pertama dan kelas-kelas selanjutnya

6. Menggambarkan Histogram dan Poligon

7. Membuat Tabel Frekuensi Relatif dan Tabel Frekuensi Kumulatif

Frekuensi relatif = frekuensi kelas/jumlah seluruh frekuensi

3. Panjang Interval kelas

I=J/K = 59/8= 7,37 dibulatkan menjadi 8

Kelas 1: batas bawah kelas = 36

Kelas 2: batas bawah kelas = 36 + 8 = 44