STATISTIKA
Oleh:
Ai Ilah Warnilah,S.T.,M.Kom
TASIKMALAYA
2020
KATA PENGANTAR
Statistika ini dapat selesai dengan tepat waktu. Selanjutnya modul ini
Modul ini berisikan tentang Dasar dasar Statistika. Dimana isi dari
telah membantu dengan tenaga dan pikirannya, terima kasih juga kepada
ini. Untuk itu saran dan kritik yang membangun sangat kami harapkan guna
perbaikan dan pengembangan modul ini di masa yang akan datang. Akhir
kata kami berharap semoga modul pemrograman java ini dapat bermanfaat
bagi pembacanya.
Ai ilah Warnilah
PERTEMUAN I
𝑥̅ = rata-rata hitung
𝑥𝑖 = nilai hitung ke-i
𝑛 = jumlah sampel
Contoh Soal :
15
150
= = 10 (C)
15
b. Rata-rata geometrik
adalah akar ke-n dari hasil perkalian unsur-unsur datanya. Secara
matematis dapat dinyatakan dengan formula berikut:
Keterangan :
N = banyaknya sampel
6.75, 5.75, 6.50, 6.25, 6.25, 6.10, 5.70, 5.90, 6.25, 5.60
Jawab:
G=𝑛. √. 𝑥2 . 𝑥3…. . 𝑥𝑛
G=10. √6,75 . 5,75 . 6.50 . 6,25 . 6,25 . 6,10 . 5,70 . 5,90 . 6,25 . 5,60
G=10. √70757056,11
G=6,095
Keterangan:
H = rata-rata harmonik
n = jumlah data sampel
xi = nilai data ke-i
Contoh:
Suatu pertandingan bridge terdiri dari 10 meja. Pada pertandingan
tersebut ingin diketahui rata-rata lama bermain dalam 1 set kartu
bridge. Pada pertandingan pertamanya dihitung lama bermain untuk
setiap set kartu di setiap meja. Hasilnya adalah sebagai berikut (dalam
menit).
7, 6, 8, 10, 8, 8, 9, 12, 9, 11
Berapakah rata-rata harmonik lama pertandingan tersebut?
Jawab:
Dari rumus dapat dihitung rata-rata harmonik adalah sebagai
berikut.
10
H=
1 1 1 1 1 1 1 1 1 1
7 + 6 + 8 + 10 + 8 + 8 + 9 + 12 + 9 + 11
10
H = 1,180988456 = 8,46
d. Rata-rata tertimbang
Jawaban :
Diketahui bahwa penilaian bersifat terbobot, oleh karena itu
penghitungan nilai mahasiswa tersebut menggunakan rumus rata-rata
tertimbang.
Keterangan:
Me = median
Tb = tepi bawah kelas median
p = panjang kelas
n = banyak data
F = frekuensi kumulatif sebelum kelas median
F = frekuensi kelas median
Data Frekuensi FK
11-20 5 5
21-30 3 8
31-40 8 16
41-50 7 23
51-60 4 27
61-70 9 36
Jumlah 36
Penyelesaian:
𝑛
−𝐹
Me = Tb+p[ 2
]
𝑓
36
−16
= 40,5+10[ 2
]
7
18−16
= 40,5+10[ ] = 40,5+2,86 = 43,36
7
Dari data diatas, dapat dilihat bahwa yang paling banyak muncul
adalah umur 45. Munculnya sebanyak 5 kali, jadi dapat dijelaskan
bahwa kelompok pegawai kantor Y sebagian besar berumur 45
tahun.
2. Modus data tergolong
𝑑
Mo = Tb+p[ ]
𝑑1 +𝑑2
Keterangan:
Mo = modus
Tb = tepi bawah kelas modus
P = panjang
𝑑1 = selisih frekuensi kelas modus dengan kelas sebelumnya
𝑑2 = selisih frekuensi kelas modus dengan kelas sesudahnya
Contoh:
Data Frekuensi
11-20 5
21-30 3
31-40 8
41-50 7
51-60 4
61-70 9
Jumlah 36
Jawab:
Karena kelas dengan frekuensi terbanyak 9 maka modus terletak
diantara kelas 51-60; tb=51-0,5=50,5; p =10(11-20); 𝑑𝑖 =9-4=5; F=16.
Penyelesaian:
𝑑
Me = Tb+p[ ]
𝑑1 +𝑑2
2
= 50,5+10[ ]
2+5
= 50,5+2,28 = 53,36
Jadi, modusnya adalah 53,36
g. Kuartil
Kuartil adalah nilai yang membagi suatu data terurut menjadi
empat bagian yang sama. Kuartil dilambangkan dengan Q . Jenis
kuartil ada 3, yaitu kuartil pertama (Q1) , kuartil kedua (Q2), dan
kuartil ketiga (Q3).
i(n+1)
𝐿𝑒𝑡𝑎𝑘 𝑄1 = 4
Keterangan :
𝑄1 = kuartil ke i
n= banyaknya data
Jawab :
n = 17
1(17 + 1) 18
𝐿𝑒𝑡𝑎𝑘 𝑄1 = = = 4,5
4 4
𝑄1 = 𝑋4 + 0,5 (𝑋5 + 𝑋4 )
2(17 + 1) 36
𝐿𝑒𝑡𝑎𝑘 𝑄2 = = =9
4 4
𝑄2 = 𝑋9 = 7
3(17 + 1) 54
𝐿𝑒𝑡𝑎𝑘 𝑄3 = = = 13,5
4 4
= 8 + 0,5 (8 – 8) = 8
𝑖. 𝑛
−𝐹
𝑄𝑖 = 𝑇𝑏 + 𝑝 ( 4 )
𝑓
Keterangan :
Qi = kuartil ke-i n = banyak data
Tb = tepi bawah kelas kuartil f = frekuensi kelas
kuartil
F = frekuensi kumulatif sebelum kelas kuartil p = panjang kelas
Data F
11-20 2
21-30 7
31-40 4
41-50 6
51-60 5
61-70 6
Jawab
Data F
11-20 2
21-30 7
31-40 4
41-50 6
51-60 5
61-70 6
𝑖. 𝑛
−𝐹
𝑄𝑖 = 𝑇𝑏 + 𝑝 ( 4 )
𝑓
7,5−2
= 20,5 + 10 ( )
7
h. Desil
𝑖(𝑛−1)
𝑳𝒆𝒕𝒂𝒌 𝑫𝟏 = 10
Keterangan :
Di = desil ke-i
n = banyaknya data
Jawab:
n = 16
data terurut = 3,3,4,5,5,5,6,6,7,7,7,8,8,9,9,9.
8(16 − 1)
𝐿𝑒𝑡𝑎𝑘 𝐷8 = = 13,6
10
𝑖. 𝑛
−𝐹
𝐷𝑖 = 𝑇𝑏 + 𝑝 ( 10 )
𝑓
Keterangan :
D1 = desil ke-i F = frekuensi kumulatif sebelum
Tb = tepi bawah kelas kuartil kelas kuartil
p = panjang kelas f = frekuensi kelas kuartil
n = banyak data
Contoh soal :
Data F
11 – 13 5
14 – 16 6
17 – 19 3
20 – 22 5
23 – 25 7
26 – 28 4
𝑖
𝐷𝑖 = ×𝑛
10
6
= × 30
10
=18
Jawab:
Data F 𝑭𝒌
11 – 13 5 5
14 – 16 6 11
17 – 19 3 14
20 – 22 5 19
23 – 25 7 26
26 – 28 4 30
6𝑛
−𝐹
𝐷6 = 𝑇𝑏 + 𝑝 (10 )
𝑓
18 − 14
= 19,5 + 3 ( )
5
Jawab:
n = 15
65(15 − 1)
𝐿𝑒𝑡𝑎𝑘 𝑃65 = = 10,4
100
𝑖(𝑛 − 1)
𝐿𝑒𝑡𝑎𝑘 𝑃𝑖 =
100
Keterangan :
Pi = persentil ke-i
Tb = tepi bawah kelas persentil
p = panjang kelas
n = banyak data
F = frekuensi kumulatif sebelum kelas persentil
f = frekuensi kelas persentil
10 – 4 4 4
15 – 19 6 10
20- 24 5 15
25 – 29 7 22
30 – 34 3 25
35 – 39 5 30
𝑖
𝑃𝑖 = ×𝑛
100
30
= × 30
100
=9
Jawab:
30𝑛
−𝐹
𝑃30 = 𝑇𝑏 + 𝑝 (100 )
𝑓
9−5
= 14,5 + 5 ( )
6
adalah sbb :
1. Masukan data
Klik OK
BAB IV
UKURAN DATA DIKELOMPOKAN
2. Median
Median merupakan sebuah nilai data yang berada di tengah-
tengah dari rangkaian data yang telah tersusun secara teratur.
Hasil median sama dengan hasil dari kuartil kedua.
Rumus median :
3. Modus
Modus merupakan nilai data yang memiliki frekuensi
terbesar atau nilai data yang paling sering muncul.
Rumus modus :
Keterangan : R = jangkauan
Xmax = nilai maksimum
Xmin = nilai minimum
CONTOH KASUS
Contoh soal :
Berikut ini adalah data nilai dari 80 mahasiswa kelas 11.2A.04:
2. Median
Letak median = X(N/2) = X(80/2) = X40
Letak median pada data ke 40 yaitu pada nilai 70-79
𝑁
− ∑𝑓
𝑀𝑒𝑑 = 𝐿𝑚 + 2 𝑥𝑐
𝑓𝑚
40−16
= 69,5 + 25 𝑥 10
24
= 69,5 + 𝑥 10
25
= 69,5 + 9,6 = 79,1
3. Modus
Modusnya terletak pada nilai 70-79 dengan frekuensi 25
𝑑1
𝑀𝑜𝑑 = 𝐿𝑚𝑜 + 𝑥𝑐
𝑑1 + 𝑑2
16
= 69,5 + 𝑥 10
16 + 3
16
= 69,5 + 19 𝑥 10
= 69,5 + 8,4
= 77,9
4. Kuartil Ke-1
Letak Q1 = ¼ (N+1) = ¼(80+1) = 20,25
Berarti posisi nya pada kelas ke 3
𝑁
𝑖 4 − ∑𝑓
𝑄1 = 𝐿𝑄 + 𝑐
𝑓𝑞
80
1 4 − 16
= 69,5 + 10
25
20 − 16
= 69,5 + 10
25
= 69,5 + 1,6 = 71,1
5. Kuartil Ke-2
Letak Q1 = 2/4 (N+1) = ½ (80+1) = ½(81) = 40,5
Berarti posisinya pada kelas ke 3
𝑁
𝑖 4 − ∑𝑓
𝑄2 = 𝐿𝑄 + 𝑐
𝑓𝑞
80
2 4 − 16
= 69,5 + 10
25
40 − 16
= 69,5 + 10
25
= 69,5 + 9,6 = 79,1
Terbukti bahwa Q2=median
6. Desil Ke-2
2 1
Letak D2 = 10 80 = 5 80 = 16
Berarti posisinya pada data ke 16 dan kelas 60-69
𝑁
𝑖 10 − ∑𝑓
𝐷2 = 𝐿𝐷 + 𝑐
𝑓𝑑
80
2 10 − 7
= 59,5 + 10
9
16 − 7
= 59,5 + 10
9
= 59,5 + 10 = 69,5
7. Desil Ke-8
8
Letak D8 = 10 80 = 64
𝑁
𝑖 10 − ∑𝑓
𝐷8 = 𝐿𝐷 + 𝑐
𝑓𝑑
80
8 10 − 63
= 89,5 + 10
17
64 − 63
= 89,5 + 10
17
= 89,5 + 0,6 = 90,1
8. Persentil Ke-10
10 1
Letak P10 = 100 80 = 10 80 = 8
𝑁
𝑖 100 − ∑𝑓
𝑃10 = 𝐿𝑃 + 𝑐
𝑓𝑝
80
10 100 − 7
= 59,5 + 10
9
8−7
= 59,5 + 10
9
= 59,5 + 1,1 = 60,6
9. Persentil Ke-60
60 30
Letak P60 = 80 = 80 = 48
100 50
Berarti letaknya pada data ke 48 dan kelas 80-89
𝑁
𝑖 100 − ∑𝑓
𝑃60 = 𝐿𝑃 + 𝑐
𝑓𝑝
80
60 100 − 41
= 79,5 + 10
22
48 − 41
= 79,5 + 10
22
= 79,5 + 3,2 = 82,7
10. Jangkauan (Range)
R = Xmax - Xmin = 99 -50 = 49
4.1. KEMIRINGAN
Kemiringan (skewness) dari suatu distribusi adalah derajat
kesetangkupan (derajat simetris) dari distribusi tersebut (Sartono, 1997).
Adapun ukuran kemiringan adalah ukuran yang menyatakan derajat
ketidaksimetrisan suatu lengkungan halus (kurva) dari suatu distribusi
frekuensi. Dapat pula dikatakan bahwa ukuran kemiringan adalah harga yang
menunjukkan seberapa jauh distribusi itu menyimpang dari simetris. Jika
kita tinjau berdasarkan kemiringan, suatu kurva distribusi dapat
dikelompokkan menjadi tiga bagian, yaitu sebagai berikut:
Menurut Pearson, dari hasil koefisien kemiringan diatas ada tiga kriteria
untuk mengetahui model distribusi dari sekumpulan data (baik data tidak
berkelompok maupun data berkelompok), yaitu:
1. Jika koefisien kemiringannya lebih kecil dari nol (<0), model
distribusinya negatif
2. Jika koefisien kemiringannya sama dengan nol (= 0), model
distribusinya simetris
3. Jika koefisien kemiringannya lebih besar dari nol (> 0), model
distribusinya positif.
Keterangan : 𝑥̅ = rata
Mo = modus
S = simpangan baku
b. Koefisien kemiringan kedua dari Pearson
3 (𝑥̅ −Me)
Koefisien kemiringan = s
Keterangan : 𝑥̅ = rata-rata
Me = median
S = simpangan baku
c. Koefisien kemiringan menggunakan nilai kuartil
𝑄3 −2 𝑄2 + 𝑄1
Koefisien kemiringan = 𝑄3 − 𝑄1
2,5 – 2,6 2
2,7 – 2,8 3
2,9 – 3,0 5
3,1 – 3,2 7
3,3 – 3,4 6
3,5 -3,6 5
Jumlah 28
Hitung koefisien kemiringannya dengan menggunakan nilai kuartil.
Penyelesaian :
1. Menggunakan rumus kemiringan pertama dari pearson
Untuk memudahkan mencari koefisien kemiringan, maka kita
gunakan tabel dibawah ini
Jumlah 28 88 19 233
𝑥̅ − 𝑀𝑜
Koefisien kemiringan pertama dari pearson = 𝑠
∑𝐹. 𝑥𝑖 88
̅=
𝒙 = 28 = 3,14
∑𝐹
𝑑1
Modus = Tb Mo + p (𝑑1+𝑑2)
𝑑1
Modus = tbm + p (𝑑1+𝑑2)
2
= 3,05+ 0,2 (2+1)
= 3,05+ 0,13
= 3,18
√∑𝐹𝑖.𝑑2 √(∑𝐹𝑖.𝑑)2
S =P −
𝑛 𝑛
√61 √(−1)²
= 0,2 −
28 28
√61 √1
= 0,2 − 784
28
√1708 √1
= 0,2 − 784
784
√1707
= 0,2 784
= 0,2 √2,17
= 0,2 . 1,47
= 0,294
𝑥̅ − 𝑀𝑜
Koefisien kemiringan pertama dari pearson = 𝑠
3,14−3,18
= 0,294
−0,04
= 0,294
= -0,13
Karena koefisien kemiringannya -0,13 yaitu kurang dari 0, maka model
distribusinya adalah distribusi negatif.
3 (𝑥̅ −Me)
Koefisien kemiringan = s
̅ = 3,14 , s = 0,294
𝒙
𝑛 28
Median = 2 = = 14 , terletak dikelas interval ke-4.
2
𝑛
−𝐹
Me = Tb Me + p (𝐹𝑚𝑒) 2
28
−10
= 3,05+ 0,2 ( 2 7 )
4
= 3,05 + 0,2 ( 7 )
= 3,05 + 0,11
= 3,16
3 (𝑥̅ −Me)
Koefisien kemiringan = s
3 (3,14−3,16)
= 0,294
3 (−0,02)
= 0,294
− 0,06
= 0,294
= - 0,204
Karena koefisien kemiringannya -0,204 yaitu kurang dari 0, maka model
distribusinya adalah distribusi negatif.
𝑄3 −2 𝑄2 + 𝑄1
Koefisien kemiringan =
𝑄3 − 𝑄1
dengan
𝑄1 = kuartil pertama
𝑄2 = kuartil kedua
𝑄3 = kuartil ketiga.
Sebelumnya kita harus mencari terlebih dahulu nilai-nilai 𝑄1(kuartil
pertama), 𝑄2 (kuartil kedua, 𝑄3 (kuartil ketiga)
Ternyata kelas kuartil pertama terletak pada kelas interval ketiga, karena
jumlah frekuensinya (2 + 3 + 5) orang = 10 orang. Sehingga kita bisa
menghitung besaran-besaran yang diperlukan dalam rumus kuartil pertama,
yaitu
𝑇𝑏𝑄1 = 2,9 – 0,05 = 2, 85
p = 0,2
F =2+3=5
f𝑄1 =5
1
𝑛−𝐹
𝑄1 = 𝑇𝑏𝑄1 + p ( 4 f )
𝑄1
7−5
= 2,85 + 0,2 ( )
5
= 2,85 + 0,08
= 2,93
Untuk 𝑸𝟐 (kuartil kedua)
1 1
Letak 𝑄2 ada pada data ke- 2 = x 28 orang = 14 orang, yaitu pada kelas ke-4, interval
2
14 − 10
= 3,05 + 0,2 ( )
7
= 3,05 + 0,11
= 3,16
3,4 sehingga:
𝑇𝑏𝑄3 = 3,3 – 0,05 = 3,25; p = 0,2; F = 17; dan f𝑄3 = 6.
3
𝑛−𝐹
𝑄3 = 𝑇𝑏𝑄3 + p ( 4
)
f𝑄3
21 − 17
= 3,25 + 0,2 ( )
6
4
= 3,25 + 0,2 ( 6 )
= 3,25 + 0,13
= 3,38
Diperoleh koefisien kemiringan
𝑄3 −2 𝑄2 + 𝑄1
= 𝑄3 − 𝑄1
3,38−2.3,16+2,93
= 3,38−2,93
−0,01
= 0,45
= -0,022
Karena koefisien kemiringannya -0,022 yaitu kurang dari 0, maka model distribusinya
adalah distribusi negatif.
25,2 – 23
= 3,45 + 0,2 ( )
5
2,2
= 3,45 + 0,2 ( )
5
= 3,45 + 0,088
= 3.538
Ternyata kelas persentil ke 50 terletak pada kelas interval keempat, karena jumlah
frekuensinya mencapai (2+3+5+7) orang = 17 orang. Sehingga kita bisa menghitung
besar-besaran yang diperlukan dalam rumus persentil ke 50, yaitu b = 3,1 – 0,05 = 3,05;
p = 0,2, F = 10 ; 𝑓𝑝50 = 7
50
𝑛–𝐹
Jadi : 𝑃50 = Tb𝑃50 + p (100 )
𝑓𝑃 50
14−10
= 3,05 + 0,2 ( )
7
4
= 3,05 + 0,2 ( 7 )
= 3,05 + 0,11
= 3,16
Untuk persentil ke 10, 𝑷𝟏𝟎
Kelas persentil ke 10 adalah sebuah kelas interval yang frekuensinya apabila
10
dijumlahkan dari frekuensi kelas interval pertama mencapai paling sedikit n, yaitu
100
10
= 100 x 28 orang = 2,8 orang.
Ternyata kelas persentil ke 10 terletak pada kelas interval kedua, karena jumlah
frekuensinya mencapai (2 + 3) orang = 5 orang. Sehingga kita bisa menghitung besar-
besaran yang diperlukan dalam rumus persentil ke 10, yaitu b = 2,7 – 0,05 = 2,65; p = 2,9
– 2,7 = 0,2; F = 2; 𝑓𝑝10 = 3
10
𝑛–𝐹
Jadi : 𝑃10 = Tb𝑃10 + p (100 )
𝐹𝑃 10
2,8−2
= 2,65 + 0,2 ( )
3
0,8
= 2,65 + 0,2 ( 3 )
= 2,65 + 0,053
= 2,703
Koefisien kemiringan
𝑃90 −2 𝑃50 + 𝑃10
= 𝑃90 − 𝑃10
3,538−2 (3,16)+2,703
= 3,538−2,703
3,538−6,32+2,703
= 3,538−2,703
− 0,079
=
0,835
= - 0,094
Karena koefisien kemiringannya -0,094 yaitu kurang dari 0, maka model distribusinya
adalah distribusi negatif.
4.3.2. UKURAN KERUNCINGAN (Kurtosis)
1. Jika suatu distribusi (kurva) lebih landai atau lebih tumpul dibandingkan terhadap
kurva normal, distribusinya disebut platikurtis
2. Jika suatu distribusi (kurva) normal, distribusinya disebut mesokurtis
3. Jika suatu distribusi (kurva) lebih lancip ataulebih ramping dibandingkan terhadap
kurva normal, distribusinya disebut leptokurtis.
Contoh:
Lihat data dalam daftar (1), yaitu mengenai berat badan bayi yang baru lahir selama
seminggu tertentu dari rumah sakit bersalin “Sehat”. Hitung koefisien kurtosisnya.
Penyelesaian:
Kita sudah menghitung : 𝑄1 = 2,93, 𝑄 = 3,38, 𝑃10 = 2,703 dan 𝑃90 = 3,538
1
( 𝑄3− 𝑄1 )
Berarti: K = 2𝑃
90 − 𝑃10
1
( 3,38 −2,93 )
2
= 3,538−2,703
0,225
= 0,835
= 0,269
Karena koefisien keruncingannya lebih dari 0,263 (>0,263), maka distribusinya adalah
leptokurtis.
Soal latihan :
1. Tentukan koefisien kemiringan data berat badan 100 orang dibawah ini
menggunakan rumus pertama dari pearson dan tentukan jenis distribusinya !
25-29 8
30-34 12
35-39 26
40-44 16
45-49 15
50-54 9
55-59 14
Jumlah 100
35-39 26 37 962 46 0 0 0 0
40-44 16 42 672 62 5 1 16 16
45-49 15 47 705 77 10 2 30 60
50-54 9 52 468 86 15 3 27 81
𝑥̅ − 𝑀𝑜
1. Koefisien kemiringan pertama dari pearson =
𝑠
∑𝐹 − 𝑥𝑖 4205
̅=
𝒙 = = 42,05
∑𝐹 100
𝑑1
Modus = tbm + p (𝑑1+𝑑2)
= 34,5 + 2,916
= 37,416
√∑𝐹𝑖.𝑑2 √(∑𝐹𝑖.𝑑)2
S =P −
𝑛 𝑛
√425 √(101)²
=5 −
100 100
√425 √10201
=5 −
100 10000
√42500 √10201
=5 −
10000 10000
√32299
=5 10000
= 5 √3,2299
= 5 . 1,79
= 8,95
𝑥̅ − 𝑀𝑜
Koefisien kemiringan pertama dari pearson = 𝑠
42,05− 37,416
= 8,95
4,634
= 8,95
= 0,517
Karena koefisien kemiringannya 0,517 yaitu lebih dari 0, maka model distribusinya
adalah distribusi positif.
2. Diketahui :Kita sudah mendapatkan hasil 𝑥̅ = 42,05, s = 8,95
Ditanya : Berapa nilai koefisien kemiringan kedua dari Pearson ?
3 (𝑥̅ −Me)
Penyelesaian : Koefisien kemiringan = s
𝑛 100
Median = 2 = = 50 , terletak dikelas interval ke-4.
2
50−46
= 39,5 + 5 ( )
16
= 39,5 + 1,25
= 40,75
3 (𝑥̅ −Me)
Koefisien kemiringan kedua dari pearson = s
3 (42,05−40,75)
= 8,95
3 (1,3)
= 8,95
3,9
= 8,95
= 0,435
Karena koefisien kemiringannya 0,435 yaitu lebih dari 0, maka model distribusinya
adalah distribusi positif.
3. Diketahui : 𝑄2 = 40,75
Ditanya :Berapa nilai koefisien kemiringannya menggunakan nilai kuartil?
Penyelesaian : Koefisien kemiringan menggunakan nilai kuartil
𝑄3 −2 𝑄2 + 𝑄1
Koefisien kemiringan = 𝑄3 − 𝑄1
1
Letak 𝑄1 =4.n
1
= 4 . 100
= 34,5 + 0,961
= 35,461
Median = 𝑄2
= 40,75
3∑F 3.100
Letak 𝑄3 = = = 75 terletak dikelas interval ke 5.
4 4
= 44,5 + 4,3
= 48,5
𝑄3 −2 𝑄2 + 𝑄1
Koefisien kemiringan = 𝑄3 − 𝑄1
48,5−2 (40,75)+35,461
= 48,5− 35,461
48,5−81,5+35,461
= 48,5− 35,461
2,461
= 13,039
= 0,188
Karena koefisien kemiringannya 0,188 yaitu lebih dari 0, maka model distribusinya
adalah distribusi positif
= 54,5 + 1,42
= 55,92
50 .∑𝐹 50 .100
Letak 𝑃50 = = = 50 terletak dikelas ke 4.
100 100
50−46
= 54,5 + 5 ( )
16
= 39,5 + 1,25
= 40,75
10 .∑𝐹 10 .100
Letak 𝑃10 = = = 10 terletak dikelas ke 2.
100 100
= 29,5 + 0,83
= 30,33
𝑃90 −2 𝑃50 + 𝑃10
Koefisien kemiringan = 𝑃90 − 𝑃10
55,92−2 (40,75)+30,33
= 55,214 − 30,33
55,92−81,5+30,33
= 55,92 − 30,33
4,75
= 25,59
= 0,185
Karena koefisien kemiringannya 0,185 yaitu lebih dari 0, maka model distribusinya
adalah distribusi positif.
= 0,254
Karena nilai koefisien kurtosisnya kurang dari 0,263 (< 0,263), maka distribusinya
adalah platikurtil.
Indeks Fisher, merupakan rata-rata dari Indeks Laaspeyres dan Indeks Paasche,
tetapi dengan jalan mengakarkan hasil perkalian kedua indeks tersebut.
Dirumuskan :
IF = √(IL x IP)
Contoh :
Perkembangan Komoditi tahun 2001 – 2002
omoditi P.01 P.02 Q.01 Q.02 PoQo PnQo PoQn PnQn
Berdasarkan tabel di atas, untuk mencari indeks tahun 2002 dengan tahun dasar 2001
dengan model Indeks Laspeyres (IL), Indeks Paasche (IP), Indeks Drobisch (ID), Indeks
Fisher (IF) dan Indeks Edgeworth (IE) adalah sebagai berikut :
IL=(8.880/8.120)x100%=109,35%
IP=(10.295/9.390)x100%=109,63%
ID=(109,35%+109,63%)/2=109,49%
IF=√(109,35%+109,635)=109,49%
F 17 20 40 50 90 1.530 1.800
JUMLAH 17.510 19.175
3. Angka Indeks Rata-Rata Relatif, yaitu dimulai dengan mencari angka relatif dari
masing-masing barang dan kemudian dicari rata-rata dari angka relatif tersebut.
Rumus yang digunakan adalah :
I = [(Σ(Pn/Po) x 100%) / (k)]
Keterangan :
I = Angka Indeks
Pn = Jumlah harga tahun yang dicari indeksnya
Po = Jumlah harga tahun dasar dan
k = Jumlah barang.
Contoh :
Angka Indeks Relatif : Perkembangan Harga Beras
Tahun Harga per Penghitungan Indeks
kg
1998 Rp. 2.500 sebagai tahun dasar 100 %
1999 Rp. 2.750 (2.750 / 2.500) x 100 % 110 %
2000 Rp. 2.900 (2.900 / 2.500) x 100 % 116 %
2001 Rp. 3.000 (3.000 / 2.500) x 100 % 120 %
2002 Rp. 3.100 (3.100 / 2.500) x 100 % 124 %
Indeks relatif tahun 2001 adalah sebesar 120 %, artinya dibandingkan tahun 1998 harga
beras per kg pada tahun 2001 mengalami kenaikan sebesar 20 %.
5.1.Pengertian Regresi
Secara umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan
satu variabel dependen (terikat) dengan satu atau lebih variabel independent (variabel
penjelas/bebas), dengan tujuan untuk mengestimasi dan/ atau memprediksi rata-rata
populasi atau niiai rata-rata variabel dependen berdasarkan nilai variabel independen
yang diketahui. Pusat perhatian adalah pada upaya menjelaskan dan mengevalusi
hubungan antara suatu variabel dengan satu atau lebih variabel independen.
Hasil analisis regresi adalah berupa koefisien regresi untuk masing-masing variable
independent. Koefisien ini diperoleh dengan cara memprediksi nilai variable dependen
dengan suatu persamaan.
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur
ada atau tidaknya korelasi antarvariabel. Jika kita memiliki dua buah variabel atau lebih
maka sudah selayaknya apabila kita ingin mempelajari bagaimana variabel-variabel itu
berhubungan atau dapat diramalkan. Analisis regresi mempelajari hubungan yang
diperoleh dinyatakan dalam persamaan matematika yang menyatakan hubungan
fungsional antara variabel-variabel. Hubungan fungsional antara satu variabel prediktor
dengan satu variabel kriterium disebut analisis regresi sederhana (tunggal), sedangkan
hubungan fungsional yang lebih dari satu variabel disebut analisis regresi ganda.
Jika dalam analisis korelasi peneliti hanya tertarik pada derajat asosiasi atau
kecenderungan umum dua buah peubah atau lebih, maka dalam analisis regresi peneliti
ingin memperoleh hubungan fungsional antara dua peubah yang dinyatakan dalam
bentuk, Y a bX = + yang merupakan penduga dari fungsi yang ada pada populasi yang
biasa dinotasikan dengan 0,1. Regresi mengukur seberapa besar suatu variabel
mempengaruhi variabel yang lain, sehingga dapat digunakan untuk melakukan
peramalan nilai suatu variabel berdasarkan variabel lain. Analisa regresi ada dua :
Analisa Regresi Sederhana dan Analisis Regresi Berganda.
Analisis regresi linier berganda adalah hubungan secara linear antara dua atau lebih
variabel independen (X1, X2,….Xn) dengan variabel dependen (Y). Analisis ini untuk
mengetahui arah hubungan antara variabel independen dengan variabel dependen
apakah masing-masing variabel independen berhubungan positif atau negatif dan
untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen
mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala interval
atau rasio.
Analisis regresi sederhana hanya terdiri atas satu peubah bebas (peubah
penjelas/eksplanatori) X dan satu peubah terikat (respon) Y dengan hubungan linier.
Kedua peubah ini merupakan peubah kuantitatif, khusus untuk Y harus dengan skala
interval atau rasio. Dengan visualisasi secara geometris dapat ditafsirkan bahwa dengan
analisis regresi kita ingin menduga garis populasi yang sesungguhnya tidak pernah
diketahui (garis lurus putus-putus) berdasarkan sampel pasangan data pada sampel.
Persoalanvini merupakan persoalan estimasi uji inferensi daam regresi. Garis regresi
penduga ini dapat dipergunakan untuk meramal (prediksi) rentang rata-rata nilai Y
pada saat nilai X diketahui, demikian juga rentang nilai-nilai Y pada saat nilai tertentu
dari X .
Persamaan regresi linier dari Y terhadap X dirumuskan sebagai berikut:
Y=a+bX
Keterangan :
Y = nilai yang diukur/dihitung pada variabel tidak bebas
x = nilai tertentu dari variabel bebas
a = intersep/perpotongan garis regresi dengan sumbu y
b = koefisien regresi /kemiringan dari garis regresi/untuk mengukur
kenaikan atau penurunan y untuk setiap perubahan satu-satuan x /untuk
mengukur besarnya pengaruh x terhadap y kalau x naik satu unit.
Rumus untuk mencari a dan b ialah sebagai berikut :
5.2.Pengertian Korelasi
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (measures of association). Pengukuran
asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam
statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua
variabel.
Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui
keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang
terjadi. Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang
terjadi antara dua variabel. Dalam SPSS ada tiga metode korelasi sederhana (bivariate
correlation) diantaranya Pearson Correlation, Kendall’s tau-b, dan Spearman
Correlation. Pearson Correlation digunakan untuk data berskala interval atau rasio,
sedangkan Kendall’s tau-b, dan Spearman Correlation lebih cocok untuk data berskala
ordinal.
Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua
variabel mempunyai hubungan linear yang sempurna. Artinya variabel X
mempengaruhi variabel Y secara sempurna. Jika korelasi sama dengan nol (0), maka
tidak terdapat hubungan antara kedua variabel tersebut. Dalam korelasi sebenarnya
tidak dikenal istilah variabel bebas dan variabel tergantung. Biasanya dalam
penghitungan digunakan simbol X untuk variabel pertama dan Y untuk variabel kedua.
Dalam contoh hubungan antara variabel remunerasi dengan kepuasan kerja, maka
variabel remunerasi merupakan variabel X dan kepuasan kerja merupakan variabel Y.
Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui
keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang
terjadi. Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang
terjadi antara dua variabel
Korelasi digunakan untuk mengukur kekuatan keeratan hubungan antara dua variabel
melalui sebuah bilangan yang disebut koefisien korelasi. Dalam analisis korelasi, kita
menghitung derajat asosiasi antara satu peubah peubah lain (misalnya antara berat
badan dan tinggi badan, antara berat dengan kolesterol, antara nilai IQ dengan
perolehan nilai ujian mata matematika dan sebagainya). Ada dua jenis ukuran korelasi
yang banyak yaitu:
1. Korelasi produk momen Pearson untuk mengukur derajat asosiasi beberapa
peubah dengan skala interval atau rasio.
2. Korelasi Spearman untuk mengukur derajat asosiasi antara beberapa dengan
skala ordinal (rank).
Koefisien korelasi linier ( r ) adalah ukuran hubungan linier antara dua
variabel/peubah acak X dan Y untuk mengukur sejauh mana titik-titik
menggerombol sekitar sebuah garis lurus regresi. Berikut ini adalah rumus dari
Korelasi :
korelasi atau derajat asosiasi dua peubah (dinotasikan dengan r). Besarnya r
berkisar antara -1<.r<1. Ilustrasi grafik sebaran data dengan berbagai nilai korelasi
dapat disajikan dalam bentuk diagram pencar.
2. Analisis Regresi
Analisis regresi bertujuan untuk melihat pengaruh satu variabel terhadap
variabel lainnya.
Langkah-langkah membuat Regresi dengan menggunakan excel:
1. Ketik data X pada kolom B dan data Y pada kolom C
2. Pilih Data pada menu utama
3. Pilih Data Analysis
4. Pilih Regression
5. Klik OK Setelah muncul kotak dialog
3. Analisis Korelasi
Analisis korelasi juga dapat digunakan dalam Excel.
Korelasi menunjukkan keeratan hubungan antar variabel
Keeratan tersebut dicerminkan dari nilai korelasi yang semakin tinggi.
Nilai korelasi berada di antara 0 hingga 1
Tanda nya dapat positip dan negatif
Positip menunjukkan hubungan dua variabel searah sedang negatif
menunjukkan hubungan kedua variabel berlawanan.
Langkah-langkahnya membuat korelasi dengan menggunakan excel:
1. Pilih Data pada menu utama
2. Pilih Data analysis
3. Pilih Correlation
4. Klik OK Setelah muncul kotak dialog
4. Membuat grafik regresi linier
Pilih menu Insert – Scatter, pilih type scatter only mark. Pada Chart Layout
dimenu bar, pilih Layout ke 3.Silakan Tampilkan Hasilnya
dalam runtut waktu (serangkaian waktu) diberi simbol Y1, Y2, ..Yn dan
waktu-waktu pencatatan nilai variabel (peristiwa) diberi simbol X1, X2, ..Xn
maka rutut waktu dari nilai variabel Y dapat ditunjukan oleh persamaan Y = f
(X) yaitu besarnya nilai variabel Y tergantung pada waktu terjadinya
peristiwa itu.
a = ( ΣY ) / n b = ( ΣXY ) / Σ
Y ‘ = a + bx
dengan :
(Y)
1. 2010 250
2. 2011 357
3. 2012 528
4. 2013 752
5. 2014 975
Penyelesaian:
(Y)
3. 2012 528 0 0 0
a = ∑Y / n
a = 2862 / 5 = 572,4
b = ∑XY / ∑X2
6
b = 1889 / 10
b = 188,9
Y = 572,4 + 188,9X
(Y)
1. 2010 194.6
2. 2011 383,5
3. 2012 572,4
4. 2013 761,3
5. 2014 950,2
Dengan cara tersebut dapat dihitung pula ramalan untuk
tahun – tahun berikutnya.
(Y)
1. 2010 250
2. 2011 357
3. 2012 528
4. 2013 752
7
5. 2014 975
6. 2015 1158
Penyelesaian:
(Y)
a = ∑Y / n
a = 4020 / 6 = 670
b = ∑XY / X2
b = 6618 / 70
b = 94,5
Setelah mengetahuinilai variabel a dan b maka persamaan trendnya dapat
diketahui yaitu :
Y = 670 + 94,5X
Dari persamaan fungsi Y diatas maka nilai trend dari tahun 2010 sampai
dengan 2015 dapat diketahui
Tahun Penjualan
(Y)
2010 197,5
2011 386,5
2012 575,5
2013 764,5
2014 953,5
2015 1142,5
Dengan cara tersebut dapat dihitung pula ramalan untuk tahun – tahun
berikutnya.
DAFTAR PUSTAKA
2. Kuswadi, dan Mutiara, Erna. 2004. Statistik Berbasis Komputer untuk Orang-Orang
Non-Statistik. Jakarta: Elex Media Komputindo
Pendukung: