(After-Rev) Statiska Bisnis Kelas e Laporan Final

STATISTIKA BISNIS I
KELAS E
DOSEN PENGAMPU
Dr. E. Drs. Hersugondo, M.M.
KOORDINATOR MATA KULIAH
Jeremy Timothy Frederik Laoh
DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMIKA DAN BISNIS
UNIVERSITAS DIPONEGORO
TAHUN 2020
1
KATA PENGANTAR
Puji dan syukur kepada Tuhan Yang Maha Esa oleh karena kasih dan rahmatNya,
saya, Jeremy, selaku koordinator mata kuliah statistika bisnis kelas E dapat
menyelesaikan penyusunan buku ini dengan baik. Buku ini disusun untuk memenuhi
tugas wajib mahasiswa statistika bisnis dan pertanggungjawaban saya sebagai
koordinator mata kuliah.
Pada kesempatan ini, saya ingin mengucapkan rasa berterimakasih saya kepada
dosen pengampu kami, Dr. E. Drs Hersugondo, M.M yang telah mengajari kami selama
kuliah fisik maupun online serta seluruh mahasiswa statistika bisnis kelas E yang turut
bekerja langsung dalam penyusunan tiap materinya. Semoga dengan adanya buku ini, kita
semua dapat melalui ujian akhir semester dengan baik.
2
DAFTAR ISI
KATA PENGANTAR............................................................................................2
DAFTAR ISI........................................................................................................3
BAB 1 : APA ITU STATISTIKA?............................................................................5
1.1 Arti statistik........................................................................................................7
1.2 Cabang Statistik Ilmu.........................................................................................8
1.3 Penggunaan Statistik........................................................................................10
1.4 Istilah dan Konsep dalam Statistik...................................................................10
1.4.1 Sampel dan Variasi Populasi..........................................................................................11
1.4.2 Apa itu Data?..................................................................................................................12
Pertanyaan Penilaian Diri (SAQs) untuk Sesi Belajar 1........................................13

BAB 2 : PENYAJIAN DATA................................................................................15
2.1 Cara Menyajikan Massa Data..........................................................................16
2.2 Tabel Frekuensi................................................................................................17
2.3 Analisis deskriptif sederhana data dalam tabel dan diagram..........................22
2.3.1 Histogram......................................................................................................................23
2.3.2 Stem plots (Plot batang dan daun)..................................................................................24
2.3.3 Stemplot back-to-back....................................................................................................26
2.3.4 Box Plot (Box and Whiskers Plot).................................................................27

LATIHAN SOAL BAB 2........................................................................................29
BAB 3 : UKURAN PUSAT SET PENGAMATAN....................................................32
3.1 Menghitung tendensi sentral............................................................................34
3.2 Rata-Rata..........................................................................................................34
3.2.1 Perhitungan Mean dari Data Kelompok.........................................................................35
3.3 MEDIAN...........................................................................................................38
3.4 Modus................................................................................................................41
3.4.1 Penghitungan Modus Dari Data Kelompok...................................................................41
3.5 Nilai Partisi.......................................................................................................43

3.6 Ukuran Lain dari Tendensi Pusat....................................................................44
BAB 4 : UKURAN DISPERSI/VARIASI................................................................52
4.1: Definisi Variasi................................................................................................54
3
4.2 Rentang.............................................................................................................54
4.3 Penyimpangan Absolut Rata-Rata...................................................................55
4.4 Varians..............................................................................................................57
4.5 Standar Deviasi.................................................................................................58
4.6 Metode Pengkodean..........................................................................................60
LATIHAN SOAL...................................................................................................63
BAB 5 : PENYELESAIAN ALJABAR RATA-RATA DAN VARIANS...........................65
5.1 Rata-rata gabungan dan Varians.....................................................................66
5.2 Menyesuaikan nilai dari rata-rata dan standar deviasi untuk kesalahan.......69
BAB 6 : UKURAN SKEWNESS DAN KURTOSIS...................................................75
6.1 Mendefinisikan skewness dan kurtosis.............................................................75
6.2 Menghitung ukuran skewness dan kurtosis dari seri sederhana dan data yang
dikelompokkan.......................................................................................................77
6.3 Menentukan apakah suatu set data; terdistribusi secara normal, arah
kemiringan dan tingkat puncaknya.......................................................................82
BAB 8 : ANALISIS REGRESI...............................................................................86
8.1 Analisis Regresi.................................................................................................87
8.2 Jenis Model Regresi..........................................................................................88
8.3 Model Regresi Sederhana.................................................................................90
8.4 Estimasi Parameter...........................................................................................91
8.5 Menguji Signifikansi Model..............................................................................93
Self-Assessment Questions (SAQs) for Study Session 8.........................................99
BAB 9 : KORELASI DAN ASOSIASI...................................................................101
9.1 Korelasi...........................................................................................................102
9.2 Koefisien Peringkat Korelasi..........................................................................105
BAB 10 : PROPORSI, TARIF, DAN INDEKS.......................................................108
10.1 Proporsi, Tarif, dan Indeks...........................................................................110
10.2 Konsiderasi untuk Sebuah Angka Indeks....................................................112
10.3 Metode dalam Pembentukan Indeks Harga.................................................114
10.4 Penggunaan Indeks Harga Konsumen.........................................................121
LATIHAN SOAL..................................................................................................122
BAB 11 : ANALISIS DERET WAKTU..................................................................125
4
11.1 Analisis Deret Waktu....................................................................................127
11.1.1 Penggunaan Model Time Series.................................................................................128
11.1.2 Rangkaian waktu diskrit.............................................................................................128
11.1.3 Rangkaian waktu kontinu...........................................................................................128
11.2 Metode Analisis data Time Series.................................................................129

11.2.1 Metode deterministik..................................................................................................129
11.2.2 Metode Dinamis (Non-deterministik)........................................................................129
11.2.3 Analisis deret Waktu Deterministik...........................................................................130
11.2.3 Time Plot....................................................................................................................130
11.3 Komponen Seri Waktu.................................................................................131

11.3.1 Tren atau Gerakan Sekuler (Trend or Secular Movement)........................................131
11.3.2 Variasi Musiman (Seasonal Variation)......................................................................132
11.3.3 Variasi Siklis (Cyclical Variation).............................................................................132
11.3.4 Variasi tidak teratur (Irregular Variation)..................................................................133
11.3.5 Metode Menggabungkan Komponen.........................................................................133
11.3.6 Contoh:.......................................................................................................................134
11.3.7 Dekomposisi komponen.............................................................................................139
11.3.8 Estimasi indeks musiman...........................................................................................139
11.3.9 Prediksi / Peramalan (Forecasting).............................................................................141
Latihan soal untuk sesi belajar 11........................................................................152

DAFTAR PUSTAKA.........................................................................................156
5
BAB 1 : APA ITU STATISTIKA?
1. Muhammad Arief Gunawan (12010119130075)
2. Vivi Trilianasari Widyaningrum (12010119120057)
3. Igas Aji Purnomo (12010119130252)
4. Ali ilmi nur rahman (12010119120011)
5. Tahjuddin Ihsan Ashrori (12010119120027)
6
BAB 1
PENDAHULUAN
Sesi studi 1
Apa itu Statistik?
Statistik adalah subjek universal yang digunakan dalam semua disiplin

ilmu dan dalam semua bidang usaha manusia. Kata Statistik awalnya diterapkan
pada pengumpulan data untuk keperluan resmi negara. Untuk orang awam; juga
mengacu pada setiap data kuantitatif yang berkaitan dengan pengukuran tertentu,
apakah data itu menarik atau tidak.
Pengumpulan statistik resmi yang sistematis untuk tujuan politik berasal

dari Jerman pada akhir Abad 18, dengan membandingkan data seperti populasi,
industri dan hasil pertanian. Di Inggris, kumpulan data numerik digunakan
departemen pemerintah untuk memprediksi tingkat pendapatan dan pengeluaran
dengan lebih presisi dari sebelumnya.
Hasil Belajar Studi Sesi 1 Ketika Anda telah mempelajari sesi ini, Anda
harus dapat:
1.1 Jelaskan arti statistik
1.2 Mendiskusikan sifat, lingkup dan cakupan statistik;
1.3 Menyebutkan penggunaan statistik dalam kegiatan kita sehari-hari
1.4 Mendefinisikan istilah-istilah dan konsep-konsep yang akan memfasilitasi

pemahaman dari program ini.
1.1 Arti statistik

Awal mula statistik digunakan penguasa untuk menghitung jumlah penduduk
atau mengukur nilai tanah kena pajak di wilayah mereka. Ini telah dikembangkan
untuk pengukuran berat, jarak atau penghitungan kuantitas fisik dan barang-
barang di banyak disiplin ilmu seperti pertanian, kehidupan dan ilmu perilaku.
7
Dengan demikian, studi statistik itu penting untuk alasan yang masuk akal,
penilaian yang tepat dan keputusan yang obyektif dalam menghadapi data yang
akurat dan dapat diandalkan.
Kotak 1.1: Arti statistik

Secara sederhana Statistik dapat didefinisikan sebagai “ilmu data”. Ini
adalah ilmu mengumpulkan, mengatur dan menafsirkan fakta-fakta numerik,
yang kita sebut data.
Sebagian besar dari kita, terutama di media-wartawan memiliki sedikit

atau tidak ada hubungannya dengan data yang besar. Statistik juga merupakan
ilmu dan praktek mengembangkan pengetahuan manusia melalui penggunaan
data empiris yang dinyatakan dalam bentuk kuantitatif. Hal ini didasarkan pada
teori statistik. Ini adalah cabang dari matematika terapan dimana keacakan dan
ketidakpastian dimodelkan dengan teori probabilitas (Wikipedia Encyclopedia).
Di Nigeria, pengumpulan data resmi dan penggunaannya dimulai dengan UU

statistik tahun 1947 yang dibentuk oleh Departemen Statistik di kantor Gubernur
Jenderal Federasi.
Dengan demikian, banyak peneliti, pendidik, pengusaha dan instansi pemerintah

di tingkat nasional, negara bagian, atau tingkat lokal bergantung pada data untuk
menjawab pertanyaan-pertanyaan mendasar yang berkaitan dengan operasi dan
program-program mereka. Faktanya, tidak ada ilmu yang bermakna tanpa
statistik.
1.2 Cabang Statistik Ilmu

Ilmu data “statistik” dapat dibagi menjadi tiga bagian; statistik deskriptif, metode
statistik dan inferensi statistik
8
Statistik
Deskriptif
Cabang
Statistik
metode inferensi
statistik statistik
Statistik deskriptif
Ini adalah tindakan meringkas dan memberikan account deskriptif informasi
numerik dalam bentuk laporan, grafik dan diagram. Tujuan dari statistik deskriptif
adalah untuk mendapatkan informasi dari pengumpulan data. Ini dimulai dengan
pengumpulan data dengan penghitungan atau pengukuran dalam penyelidikan. Ini
melibatkan ringkasan aspek-aspek tertentu dari data, seperti nilai rata-rata, dan
ukuran penyebaran. Grafik, diagram dan bagan yang cocok kemudian digunakan
untuk mendapatkan pemahaman dan kejelasan interpretasi dari fenomena yang
sedang diteliti, menggigat dengan kuat dimana data berasal. Pencarian data ini
dimulai dengan pengumpulan data dengan menghitung atau mengukur dalam
suatu pencarian. Ini melibatkan ringkasan aspek-aspek spesifik dari data, seperti
nilai rata-rata, dan ukuran penyebaran. Grafik, diagram, dan bagan yang cocok
kemudian digunakan untuk mendapatkan pemahaman dan kejelasan interpretasi
dari fenomena yang sedang diselidiki, serta tidak melupakan awal mula data
diperoleh.
Metode Statistik
9
Metode statistik ini sendiri digunakan sebagai alat untuk meng-klasifikasikan data
dan memperjelas hubungan antar variabel. Hal tersebut dapat dicapai dengan
menggunakan alat metode statistik dan formula. Cakupan dari data akan terlihat
setelah dilakukan penghitungan dari beberapa data (Rata-rata, median, model, dll)
untuk menjadikannya model yang kompleks.
Inferensi Statistik
Inferensi Statistik menciptakan pernyataan deduktif tentang populasi dari jumlah
yang dihitung dari sampel yang representatif. Inferensi Statistik adalah proses
membuat kesimpulan atau generalisasi tentang populasi dalam kondisi dan asumsi
tertentu. Inferensi statistik melibatkan proses estimasi parameter dan pengujian
hipotesis.
1.3 Penggunaan Statistik
Statistik dapat digunakan dalam banyak aktivitas harian kita, seperti :
1. Perencanaan dan pengambilan keputusan oleh individu, negara, penelitian
organisasi bisnis lembaga dll
Contoh : mayoritas konsumen adalah remaja maka kita harus merencanakan
promosi yang kekinian sesuai remaja saat ini.
2. Peramalan dan prediksi masa depan berdasarkan model yang baik asalkan
dasar asumsi tersebut tidak dilanggar.
Contoh : berdasarkan laporan sebelumnya, barang A selalu habis sehingga
dapat diprediksi barang A itu laris diminati konsumen, maka untuk
kedepannya produksi barang A ditingkatkan.
3. Implementasi dan kontrol proyek; ini sangat berguna dalam proyek yang
sedang berjalan seperti analisis jaringan, pembangunan jalan dan jembatan,
dan implementasi pemerintah program dan kebijakan
Contoh : dengan melihat data statistik kita dapat mengontrol perekonomian
indonesia apabila terjadi inflasi/deflasi
4. Pengawasan dan evaluasi rencana, proyek, program dan inisiatif kebijakan.
Juga membantu dalam pengawasan dan evaluasi kegiatan program
pemerintah.
Contoh : evaluasi kinerja karyawan
10
1.4 Istilah dan Konsep dalam Statistik
Ada banyak istilah dan konsep dalam statistik yang perlu kita pelajari agar kita
dapat mengikuti dan memberi kita lebih banyak pemahaman tentang statistik.
Istilah dan konsep yang dibahas di bawah ini digunakan setiap hari di bidang
statistik.
1.4.1 Sampel dan Variasi Populasi
Pada bagian awal sesi studi ini, kami menjelaskan bahwa tujuan utama statistik
adalah untuk memperoleh informasi tentang suatu populasi. Kita mungkin ingin
tahu apa populasi itu:
Populasi: Populasi adalah koleksi barang yang diselidiki. Mungkin terbatas
(terhitung atau tak terhitung).
Parameter: Parameter adalah ringkasan / kuantitas yang dihitung dari suatu
populasi. Misal (µ), Varians populasi ( σ 2) Dll
Sampel: Sampel adalah bagian representatif dari populasi yang diamati untuk
tujuan membuat pernyataan ilmiah atau mengambil keputusan tentang populasi.
Sampel yang baik harus diberikan secara acak. Sampel bisa dilakukan secara acak
atau tidak. Sampel acak dapat diperoleh dengan melemparkan koin, melempar
dadu, menggambar cakram dari wadah atau menggunakan tabel angka acak.
Statistik: Statistik adalah jumlah / ringkasan yang dihitung dari sampel untuk
tujuan menarik kesimpulan tentang populasi terkait. Misalnya sampel ( x ) ,
Varians populasi ( σ 2) dan lain-lain
Karakteristik unit dalam populasi dapat diukur atau dihitung (kuantitatif)
misalnya berat, usia tinggi, jumlah mobil. Dapat juga diamati (kualitatif)
misalnya warna, dari mata, kecantikan, warna kulit dll.
Variasi: Variasi (variabel) adalah setiap kuantitas atau atribut yang nilainya
bervariasi dari satu unit observasi ke yang lain. Variasi kuantitatif (variabel)
dapat diskret atau berkelanjutan
Variabel berkelanjutan: Variabel berkelanjutan adalah varian yang dapat
mengambil semua nilai dalam suatu nilai jarak. Nilainya diperoleh dengan
pengukuran misalnya tinggi, volume, waktu, skor ujian dll.
11
Discrete random variables : adalah variabel yang nilainya berubah secara
bertahap. Nilainya dapat diperoleh dengan menghitung. Biasanya mengambil
nilai integer mis. jumlah mobil, jumlah kursi.
1.4.2 Apa itu Data?
Setelah mendefinisikan statistik sebagai ilmu data, pada saat ini perlu bertanya
pada diri sendiri, pertanyaan terkait: Apa itu data?
Data dapat digambarkan sebagai massa informasi diproses diperoleh dari
pengukuran penghitungan dari karakteristik Data: Data dapat digambarkan
sebagai massa informasi diproses diperoleh dari pengukuran penghitungan dari
karakteristik atau fenomena. Dalam bentuk mentahnya, mereka biasanya masif
dan tidak teratur. Mereka menjadi bermakna hanya ketika data telah direduksi
menjadi semacam urutan oleh beberapa jenis tabel atau diagram.
Data statistik: Ini adalah data yang diperoleh melalui pengukuran objektif atau
penghitungan karakteristik menggunakan peralatan canggih yang akurat dan tidak
bias. Data seperti itu ketika mengalami analisis statistik menghasilkan hasil
dengan presisi tinggi.
Sumber Data Statistik
Data statistik dapat diperoleh dari
1. Sensus - Penghitungan lengkap semua unit populasi
2. Survei - studi bagian representatif dari suatu populasi.
3. Eksperimen: Pengamatan dari eksperimen yang dilakukan di laboratorium
dan pusat penelitian.
Jenis Data
Data dapat dikategorikan sebagai data internal atau eksternal.
Data Internal
Ketika data dikumpulkan dari dalam organisasi dan digunakan dalam
organisasi yang bersangkutan, itu disebut data internal. Contohnya adalah
data dari akun dan catatan internal suatu perusahaan.
Data Eksternal
Jika data dikumpulkan dari luar organisasi, itu disebut data eksternal.
Contohnya adalah data dari jurnal yang tidak dipublikasikan oleh organisasi
12
itu sendiri. Ada dua sumber utama data statistik: sumber internal dan sumber
eksternal.
Data Sekunder
Ini adalah data yang diperoleh dari publikasi, surat kabar, majalah, dan
laporan tahunan. Mereka biasanya meringkas data yang digunakan untuk
tujuan selain yang dimaksud.
Ringkasan Dalam Studi Sesi 1, Anda telah belajar bahwa:

1. Studi statistik sangat penting untuk alasan yang masuk akal, penilaian
yang tepat dan keputusan yang objektif dalam menghadapi data yang
akurat dan andal.
2. Statistik dapat didefinisikan sebagai ilmu pengumpulan mengorganisir
dan menafsirkan fakta numerik, yang kami sebut data.
3. Ilmu statistik data adalah statistik deskriptif, metode statistik dan inferensi
statistik
4. Statistik dapat digunakan untuk banyak hari kita untuk kegiatan hari
5. Populasi adalah kumpulan barang yang diselidiki
6. Parameter adalah ringkasan / kuantitas yang dihitung dari populasi
7. Variate (variabel) adalah setiap kuantitas atau atribut yang nilainya
bervariasi dari satu unit pengamatan ke yang lain
8. Data dapat digambarkan sebagai massa informasi yang tidak diolah yang
diperoleh dari pengukuran penghitungan karakteristik atau fenomena
9. Data dapat dikategorikan sebagai data internal atau eksternal.
Pertanyaan Penilaian Diri (SAQs) untuk Sesi Belajar 1

Sekarang setelah Anda menyelesaikan sesi studi ini, Anda dapat menilai
seberapa baik Anda telah mencapai hasil Belajar dengan menjawab
pertanyaan-pertanyaan berikut. Tuliskan jawaban Anda di Diary studi Anda
dan diskusikan dengan Tutor Anda di Rapat Dukungan studi berikutnya.
Anda dapat memeriksa jawaban Anda dengan Catatan tentang pertanyaan
Penilaian Diri di akhir Modul ini.
13
SAQ 1.1 (Tes Hasil Belajar 1.1)
Apa arti Statistik?
Daftar cabang-cabang Statistik
Sebutkan tiga penggunaan statistik?
1. Tentukan populasi
2. Apa Sumber data statistik?
Catatan tentang SAQ
SAQ 1.1
Statistik dapat dengan mudah didefinisikan sebagai "ilmu data". Ini adalah
ilmu mengumpulkan dan menafsirkan fakta numerik, yang kami sebut data.
SAQ 1.2
Statistik deskriptif, metode statistik dan inferensi statistik
SAQ 1.3
I. Perencanaan dan pengambilan keputusan oleh individu, negara bagian,
lembaga penelitian organisasi bisnis, dll.
II. Peramalan dan prediksi untuk masa depan berdasarkan model yang baik
asalkan asumsi dasarnya tidak dilanggar.
III.Ini membantu dalam mendorong dan mengevaluasi kegiatan program
pemerintah
SAQ 1.4
1. Populasi adalah koleksi barang yang diselidiki
2
i. Sensus - Penghitungan lengkap semua unit populasi
ii. Survei - studi bagian representatif dari suatu populasi.
iii. Eksperimen: Pengamatan dari eksperimen yang dilakukan di
laboratorium dan pusat penelitian.
14
BAB 2 : PENYAJIAN DATA
1. Bagas Ananta Aji (12010119120034)
2. Dahana Isatama Mikhael (12010119130113)
3. Edward Nathan Convial Simbolon (12010119130277)
4. Hamzah Nor Shihab (12010119130100)
5. Tri Cahyadiningrum (12010119120019)
15
Sesi Belajar 2 Penyajian Data
Pengantar
Tujuan dari sesi studi ini adalah untuk memperkenalkan berbagai metode
penyajian data statistik. Penyajian data dalam tabel, grafik, dan diagram
memfasilitasi pemahaman yang penting tentang fitur data.
Hasil Belajar untuk Sesi Belajar 2
Ketika Anda telah mempelajari sesi ini, Anda harus dapat:
2.1 Menjelaskan berbagai cara penyajian data berjumlah banyak;

2.2 Membuat tabel frekuensi;
2.3 Menjelaskan dan Melakukan analisis deskriptif sederhana dari data dalam
tabel dan diagram.
2.1 Cara Menyajikan Massa Data

Informasi numerik (data) tentang karakteristik suatu variabel, ketika dikumpulkan
seringkali masif dan kompleks. Kerap kali, perlu untuk menyajikan data dalam
tabel, grafik dan diagram untuk memiliki pemahaman yang jelas tentang data, dan
untuk menggambarkan ada hubungan antara variabel yang diperiksa.
Kita akan membahas tabel frekuensi, tabel frekuensi kumulatif, plot batang, plot
kotak dan Histogram dengan asumsi bahwa kita sangat akrab dengan grafik lain
seperti diagram lingkaran, frekuensi, kurva, poligon frekuensi dll.
Pertanyaan Dalam Teks
Mengapa perlu menyajikan data dalam tabel, grafik, dan diagram?
a. Untuk memiliki pemahaman yang jelas tentang data dan menggambarkan

hubungan antar variabel
b. Untuk memecah informasi menjadi beberapa bagian
c. Agar orang buta (yang tidak terlalu mengerti) memahami datanya
16
d. Untuk memiliki pemahaman yang jelas tentang data
Jawaban Dalam Teks
a. Untuk memiliki pemahaman yang jelas tentang data dan menggambarkan

hubungan antara variabel
2.2 Tabel Frekuensi

Langkah pertama dalam memeriksa satu set data untuk variabel kuantitatif tunggal
secara cerdas adalah dengan membuat tabel frekuensi. Ini adalah pengaturan data
tabular ke dalam berbagai kelas bersama dengan frekuensi yang sesuai.
Prosedur
Diberikan satu set pengamatan x1, x2 .... xN untuk satu variabel.
1. Temukan rentang (R): (mis. Perbedaan antara nilai terbesar dan terkecil) dari
data.
2. Tentukan jumlah kelas (K) (tergantung pada ukuran data).
3. Temukan interval kelas (C): (yaitu Rentang dibagi dengan jumlah kelas).
4. Jumlah (mis. Menetapkan nilai ke kelas).
5. Temukan frekuensi kelas
Contoh 2.1: Berikut ini adalah skor 40 siswa dalam tes Matematika:
50, 08, 14, 20, 46, 23, 26, 47, 32, 31, 48, 40, 49, 40, 41, 38, 51, 86, 55, 82, 56, 72,
60, 98, 59, 76, 55, 80, 52, 63, 57, 67, 53, 70, 69, 63, 65, 66, 22, 27
Buat tabel frekuensi untuk data di atas.
Jawaban : (Versi Buku)
Rentang: 98 – 08 = 90
Jumlah kelas = 10
Rentang 90
Interval Kelas= = =9
Jumlah Kelas 10
17
Tabel Kerja
Tabel 2.1
Kelas Jumlah FREKUENSI

1-10 I 1
11-20 II 2
21-30 IIII 4
31-40 IIII 5
41-50 IIIII 6
51 – 60 IIIIIIII 9
61 – 70 IIIIII 7
71 – 80 III 3
81 – 90 II 2
91 – 100 I 1
Tabel Frekuensi
Tabel 2.2
SKOR FREKUENSI
01 hingga 10 1
11 hingga 20 2
21 hingga 30 4
31 hingga 40 5
41 hingga 50 6
51 hingga 60 9
61 hingga 70 7
71 hingga 80 3
81 hingga 90 2
91 hingga 100 1
TOTAL 40
Jawaban : (Versi Rumus Sebenarnya)
Contoh 2.1: Berikut ini adalah skor 40 siswa dalam tes Matematika:
50, 08, 14, 20, 46, 23, 26, 47, 32, 31, 48, 40, 49, 40, 41, 38, 51, 86, 55, 82, 56, 72,
60, 98, 59, 76, 55, 80, 52, 63, 57, 67, 53, 70, 69, 63, 65, 66, 22, 27
Buat tabel frekuensi untuk data di atas.
18
Jawaban :
- Range/Rentang : 98 – 08 = 90
- No. of classes/Jumlah kelas = 6
1 + 3,3 log n
1 + 3,3 log 40 = 6,28 ≈ 6
Rentang 90
- Interval Kelas= = =15
Jumlah kelas 6
Frekuensi Penghitungan Kelas
TABEL 2.1
No KELAS JUMLAH FREKUENSI

.
1 8-23 IIII 5
2 24-39 IIII 5
3 40-55 IIII IIII III 13
4 56-71 IIII IIII I 11
5 72-87 IIII 5
6 88-103 I 1
TOTAL 40
Tabel Frekuensi
Tabel 2.2
SKOR FREKUENSI
08 hingga 23 5
24 hingga 39 5
40 hingga 55 13
56 hingga 71 11
72 hingga 87 5
88 hingga 103 1
TOTAL 40
19
2.2.1 Kurva Kumulatif (OGIVE)
Grafik frekuensi kumulatif dari satu variabel disebut OGIVE. Itu Digambar
dengan memplot frekuensi kumulatif terhadap batas kelas atas dari interval kelas.
Di OGIVE dimungkinkan untuk mendapatkan median kisaran kuartil dan antar-
kuartil. (IQR)
Contoh 2.2: Menggunakan data dalam Contoh 1. Buat kurva frekuensi

kumulatif.
Solution
TABEL 2.3
SKOR FREKUENSI FREKUENSI

KUMULATIF
Kurang dari 10 1 1
11 hingga 20 2 3
21 hingga 30 4 7
31 hingga 40 5 12
41 hingga 50 6 18
51 hingga 60 9 27
61 hingga 70 7 34
71 hingga 80 3 37
81 hingga 90 2 39
91 hingga 100 1 40
TOTAL 40
Contoh 2.3
20
Data berikut ini menunjukkan usia (dalam tahun) orang yang tinggal di
perumahan di Ibadan.
30, 31, 17, 16, 6, 2, 8, 43, 18, 18, 32, 33, 9, 18, 33, 19, 21, 13, 14, 13, 14, 6, 45,
52, 61, 23, 26, 14, 15, 14, 15, 27, 19, 36, 37, 11, 12, 11, 12, 20, 39, 40, 20, 63, 69,
64, 29, 28, 27, 15
Sajikan data di atas dalam tabel frekuensi menggunakan interval kelas yang
sesuai.
Jawaban :
Nilai maksimum = 69
Nilai minimum =2
Rentang = 69 – 2 = 67
Pilihan 10 kelas akan menghasilkan beberapa kelas dengan frekuensi nol

sedangkan pilihan 6 kelas lebih masuk akal dengan setidaknya satu item di setiap
kelas. Dalam praktiknya, mudah ditentukan jumlah kelas untuk satu set data yang
diberikan.
Kami menggunakan K = 6 sebagai jumlah kelas kami.
R 67
Interval Kelas= = =10.13 ≈ 10.0
K 6
Tabel 2.4
(1) (2) (3) (4) (5) (6)
Kelas Jumlah Frekuensi Frekuensi Frekuensi CRF
Relatif Kumulatif
1 – 10 IIII 5 0.10 5 0.10
11 – 20 IIII IIII IIII 20 0.40 25 0.50
IIII
21 – 30 IIII IIII 9 0.18 34 0.68
31 – 40 IIII III 8 0.16 42 0.84
41 – 50 III 3 0.06 45 0.90
51 – 60 I 1 0.02 46 0.92
61 – 70 IIII 4 0.08 50 1.00
21
Total 50 1.00
Penting untuk mendefinisikan kolom pada tabel frekuensi untuk pemahaman yang
lebih baik.
 Interval kelas adalah sub-divisi dari total rentang nilai yang dapat diambil
oleh variabel (kontinu)
 Frekuensi kelas adalah jumlah pengamatan dari variate yang termasuk
dalam pemberian interval (kolom 3)
 Frekuensi relatif untuk suatu kelas adalah frekuensi aktual kelas dibagi
dengan total frekuensi. (Kolom 4). Terkadang, lebih baik bekerja dengan
frekuensi relatif [terutama dalam perhitungan nilai probabilitas].
 Frekuensi kumulatif suatu kelas adalah jumlah dari semua frekuensi
sebelum kelas hingga dan termasuk frekuensi kelas itu (kolom 5).
 Frekuensi Kumulatif Relatif: Ketika frekuensi relatif suatu kelas
dinyatakan sebagai proporsi frekuensi total, apa yang kita miliki disebut
frekuensi kumulatif relatif (kolom 6). Kadang-kadang disebut fungsi
distribusi.
KOTAK 2.1: PENGAMATAN DARI TABEL
Data telah dirangkum dan sekarang kami memiliki gambaran yang lebih jelas tentang
distribusi usia penduduk dari perkebunan
Latihan
Sekarang jawab pertanyaan-pertanyaan berikut dari tabel.
1. Berapa banyak penduduk yang berusia antara 11 dan 30 tahun?
2. Berapa banyak penduduk yang berusia di atas 30 tahun?
3. Berapa probabilitas seseorang yang dipilih secara acak dari Estate akan
berusia kurang dari 31 tahun?
Jawaban
(1) 29
(2) 16
22
(3) 0.68
2.3 Analisis deskriptif sederhana data dalam tabel dan diagram

Data dapat disajikan dalam teks, dalam tabel, atau secara gambar sebagai bagan,
diagram, atau grafik. Tabel, began, dan grafik harus cukup jelas. Pembaca harus
dapat memahaminya tanpa referensi rinci ke teks, dengan alasan bahwa pengguna
dapat mengambil sesuatu dari tabel atau grafik tanpa membaca seluruh teks.
Berikut adalah beberapa cara dalam menganalisis data
Histogram
Plot Analisis Data Back to Back

Batang Deskriptif Stemplot
Back to
Back
Stemplot
2.3.1 Histogram
Histogram adalah bagan yang digunakan untuk menyajikan distribusi frekuensi
dari nilai-nilai variabel (Dengan asumsi data adalah tipe kontinu). Histogram
adalah sekelompok persegi panjang yang digambarkan di atas setiap interval kelas
sedemikian rupa sehingga luas setiap persegi panjang sebanding dengan frekuensi
pengamatan yang jatuh dalam interval kelas yang sesuai. Bagan ini dibangun
dengan memplot nilai-nilai variabel sepanjang sumbu X dan frekuensi sepanjang
sumbu Y. Garis vertikal digambar di batas kelas bawah dan atas dari setiap kelas
hingga frekuensi. Garis-garis horizontal yang mewakili lebar setiap interval kelas
kemudian digambar di atas dari setiap garis vertikal. Dalam situasi di mana
23
interval kelas tidak sama, tinggi harus disesuaikan sehingga area mewakili
frekuensi.
Gambarkan histogram data dalam Contoh 2.2 di atas
Histogram
10
0
1-10 11-20 21-30 31-40 41-50 51-60 61-70 71-80 81-90 91-100
2.3.2 Stem plots (Plot batang dan daun)

Dalam statistik, stemplot (atau plot batang dan daun) adalah tampilan grafis dari
data kuantitatif yang mirip dengan histogram dan berguna dalam
memvisualisasikan bentuk distribusi. Itu ditemukan oleh J. W. Turki (1915 -
2000). Stemplots mengandung lebih banyak informasi daripada histogram karena;
tidak seperti dalam histogram di mana bilah digunakan, nilai data individual
ditampilkan dalam format seperti tabel, dalam urutan peningkatan besarnya.
Stemplot dasar berisi dua kolom yang dipisahkan oleh garis vertikal. Kolom kiri
berisi batang dan kolom kanan berisi daun.
Data
23 71
24
58 71
62 72
62 80
63 82
65 82
67 82
Membuat Stemplot
Untuk membuat stemplot, perhatikan langkah-langkah berikut;
I. Pengamatan pertama-tama harus disortir dalam urutan menaik.
II. Harus ditentukan apa yang akan diwakili batang dan apa yang akan
diwakili oleh daun. Biasanya, daun berisi digit terakhir dari nomor dan
batang berisi semua digit lain (dalam kasus angka yang sangat besar atau
sangat kecil, nilai data mungkin dibulatkan ke nilai tempat tertentu (seperti
tempat ratusan) yang akan digunakan untuk Daun-daun. Digit yang tersisa
di sebelah kiri nilai tempat bulat digunakan sebagai batang).
Stemplot digambar dengan dua kolom yang dipisahkan oleh garis vertikal. Batang
terdaftar ke kiri garis vertikal. Penting bahwa setiap batang dicantumkan hanya
sekali dan tidak ada angka dilewati, bahkan jika itu berarti bahwa beberapa batang
tidak akan memiliki daun. Daunnya terdaftar meningkat pesanlah secara berurutan
di sebelah kanan setiap batang.
Contoh 2.4
Sajikan data berikut dalam plot batang dan daun
68 66 72 75 76 106 54 57 56 63 59 66
68 64 88 84 81
Jawaban
Tabel 2.5
Stem Leaf
5 4 6 7 9
6 3 4 6 6 8 8
25
7 2 5 6
8 1 4 8
9
10 6
Contoh 2.5
Diberikan bobot 20 ekor domba jantan pada akhir dua minggu pemberian
makanan khusus sebagai berikut:
46 59 35 41 46 21 24 33 40 45 49
53 48 54 61 36 70 58 47 12
Buat plot batang untuk data ini
Jawaban
Plot batang diberikan di bawah ini
1 2
2 1 4
3 3 5 6
4 0 1 5 6 6 7 8 9
5 3 4 8 9
6 1
7 0
Hal Penting
1. Mudah untuk menemukan pusat distribusi, misal Median = 46

2. Juga dimungkinkan untuk memeriksa bentuk distribusi. Putar plot batang
di sisinya sehingga pengamatan yang lebih besar jatuh di sebelah kanan
(mis. Distribusi di atas simetris) seperti halnya memungkinkan untuk
mengukur median kuartil pertama (q1), kuartil ketiga (q3), dan rentang
antar-kuartil (IQR).
3. Dimungkinkan juga untuk mencari penyimpangan dari keseluruhan bentuk
data, misal: outliers / pencilan
26
2.3.3 Stemplot back-to-back
Stemplot back-to-back digunakan untuk membandingkan dua distribusi
berdampingan. Jenis stemplot ganda ini mengandung tiga kolom, masing-masing
dipisahkan oleh garis vertikal. Kolom tengah berisi batang. Kolom pertama dan
ketiga, masing-masing berisi daun dari distribusi yang berbeda. Angka-angka
untuk daun distribusi di kolom paling kiri disejajarkan ke kanan dan terdaftar
dalam urutan yang meningkat dari kanan ke kiri. Berikut adalah contoh stemplot
back-to-back yang membandingkan distribusi bobot sapi dengan distribusi berat
biri-biri jantan (ram) lainnya.
Contoh 2.6
Misalkan 20 sapi diberi pakan dengan pakan khusus yang sama seperti pada
contoh 3: plot batang back-to-back ditunjukkan di bawah ini:
Tabel 2.6
Weight of cow Weight of ram

0 1 2
1 2 1 4
2 3 3 5 6
3 1 4 0 1 5 6 6 7 8 9
5 4 2 5 3 4 8 9
7 6 5 5 4 2 6 1
1 7 1
4 2 8
1 9
Pengamatan
i. Bobot biri-biri jantan simetris

ii. Bobot sapi miring ke kanan
iii. Ada pencilan dalam bobot sapi (yaitu 91)
NOTE: Stem plot bekerja dengan baik untuk sekumpulan kecil data terutama
ketika pengamatan semua lebih besar dari nol
27
2.3.4 Box Plot (Box and Whiskers Plot)
Ini adalah bagan yang terlihat seperti kotak saat digambar. Mereka paling berguna
ketika membandingkan dua set atau lebih data sampel. Sebuah plot kotak
menunjukkan pusat dan penyebaran data, memberikan gambaran yang jelas
tentang simetri dari kumpulan data dan menunjukkan outlier dengan sangat jelas.
Ini dibangun dengan terlebih dahulu menghitung median kuartil 1 dan 3.
Bagan plot kotak paling berguna ketika membandingkan dua atau lebih set data
sampel. Benar atau salah
Jawaban Dalam Teks
Benar
Dalam plot kotak, ujung kotak berada di kuartil, sehingga panjang kotak adalah
kisaran antar kuartil. Median ditandai dengan garis di dalam kotak. 'Kumis adalah
dua garis di luar kotak yang meluas ke pengamatan terkecil dan terbesar. Pencilan
ditampilkan sebagai titik, di luar shicker.
Contoh 2.7
Pertimbangkan data dalam contoh 2.6 di atas. Bangun plot kotak.
Jawaban
Diagram 2.3
28
Dalam plot kotak, pusat, kisaran antar-kuartil, penyebarannya langsung terlihat.
Namun, plot kotak umumnya lebih rendah daripada plot batang atau histogram
karena hanya menunjukkan nilai tengah dan partisi; itu tidak memberi tahu apa-
apa tentang bentuk distribusi dan nilai-nilai lain dalam set data. Plot batang (untuk
kumpulan data besar) memberikan tampilan yang lebih jelas dari distribusi
tunggal terutama, bila disertai oleh median dan kuartil sebagai pos tanda numerik.
Ringkasan
Dalam studi sesi 2, Anda telah belajar bahwa:
1. Penting untuk menyajikan data dalam tabel, grafik, dan diagram untuk memiliki
pemahaman yang jelas tentang data tersebut.
2. Langkah pertama dalam menguji secara cerdas seperangkat data untuk variabel
kuantitatif tunggal adalah dengan membuat tabel frekuensi.
3. Tabel frekuensi adalah susunan tabel data ke berbagai kelas bersama dengan
frekuensi yang sesuai.
4. Grafik dari frekuensi kumulatif dari satu variabel disebut OGIVE
5. Data dapat disajikan dalam teks, dalam tabel, atau secara grafik sebagai grafik ,
diagram atau grafik.
29
6. Histogram adalah grafik yang digunakan untuk menyajikan distribusi frekuensi
dari nilai-nilai variabel
7. Stemplot adalah tampilan grafis dari data kuantitatif yang berguna dalam
memvisualisasikan bentuk distribusi
8. Stemplot back-to-back digunakan untuk membandingkan dua distribusi
berdampingan.
9. Box Plot berguna ketika membandingkan dua set atau lebih data sampel.
LATIHAN SOAL BAB 2

Daftar item yang terjual oleh 40 pekerja di PT Mulya Rasa adalah sebagai berikut.
23 29 38 34 32 36 32 57 54 57
47 43 44 32 32 41 43 42 49 12
15 18 45 43 44 46 56 37 36 34
22 24 28 54 53 53 52 61 67 63
Buatlah tabel frekuensi, ogive, histogram, dan stem plot untuk data di atas!
Jawaban :
Range/rentang : 67-12=52
No of classes : 1 + 3,3 log n
1 + 3,3 log 40 = 6,28 => 6
Rentang 52
Interval class : = = 8,6 => 9
Jumlah kelas 6
No Kelas Jumlah Frekuensi Tepi Tepi atas
bawah
1 12-20 III 3 11,5 20,5
2 21-29 IIII 5 20,5 29,5
3 30-38 IIII 10 29,5 38,5
IIII
4 39-47 IIII 10 38,5 47,5
IIII
5 48-56 IIII II 7 47,5 56,5
6 57-65 IIII 4 56,5 65,5
7 66-74 I 1 65,5 74,5
TOTAL 40
30
Ogive
12
10
0
12 21 30 39 48 57
Histogram
12
10
0
12 21 30 39 48 57
Stem plot
Ste Leaf
m
1 258
31
2 23489
3 2222446678
4 12333445679
5 23344677
6 137
BAB 3 : UKURAN PUSAT SET PENGAMATAN

1. Wildan Luthfie Rizqiansyah (12010119130249)
2. Putri Dwi Rahmawati (12010119120007)
3. Abu Bakar Habibie (12010119130078)
4. Valentino Daniel (12010119130103)
5. Azra Rafi Nur A (12010119130189)
32
Sesi Studi 3 Menghitung pusat nilai dari data observasi
Pengenalan
Tujuan awal dari para peneliti adalah mendapatkan kesimpulan nilai yang simple
(rata-rata) yang bisa digunakan untuk menjelaskan semua data observasi. Jadi,
sebuah rata-rata adalah sebuah nilai yang bisa mewakili semua observasi dalam
distribusi.
Nilai yang paling mewakili adalah nilai yang menjadi pusat distribusi. Selain itu
dimaksud juga dengan hitungan dari lokasi atau hitungan dari pusat
kecenderungan.
Hasil Pembelajaran dari Sesi Studi 3
Saat kamu sudah mempelajari sesi ini, kamu seharusnya bisa untuk:
33
3.1 Mendiskusikan istilah hitungan dari tendensi sentral;
3.2 Menjelaskan dan menghitung mean (nilai rata-rata)
3.3 Menjelaskan dan menghitung median (nilai tengah)
3.4 Menjelaskan dan menghitung modus dari data kelompok
3.5 Mengartikan dan menghitung nilai partisi
3.6 Mendiskusikan hitungan dari pusat kecenderungan yang lain
3.1 Menghitung tendensi sentral

Ini adalah menghitung distribusi sentral. Distribusi sentral adalah nilai tunggal
yang mendeskripsikan data. Sebutan lainnya adalah tendensi sentral. Beberapa
diantaranya adalah rata-rata aritmatika, mode, median, rata-rata geometri, dan
rata-rata harmonik.
Pertanyaan dalam teks
Hitungan tendensi sentral adalah banyak nilai yang memberikan sebuah deskripsi
data. Benar atau Salah
Jawaban
Salah
Tetapi, sebuah statistik deskriptif harus mempunyai sifat yang diinginkan berikut.
Statistik deskriptif harus
1. Bernilai tunggal
2. Bisa dicari melalui aljabar
3. Harus mempertimbangkan semua nilai yang diamati
34
3.2 Rata-Rata
Rata-rata (rata-rata aritmatika) dari satu set pengamatan adalah jumlah
pengamatan dibagi dengan jumlah observasi. Mengingat n pengamatan
dilambangkan dengan x1, x2, x3 ---- xn, rerata adalah didefinisikan oleh
1
X mean= ( x 1+ x2 + x 3 +...+ x n)
n
Atau dalam notasi yang lebih padat, bisa ditulis sebagai berikut
1
n∑
X mean= x
Rumus diatas adalah rumus simpel dan berguna jika sedikit (n≤20) pengamatan
digunakan
Contoh 3.1
Berikut adalah usia 15 siswa di kelas 16, 18, 20, 21, 22, 19, 17, 18, 19, 17, 17, 18,
17, 17, 20. Hitung rata-rata.
Solusi
1
Usia rata-rata siswa adalah Xmean=
n
∑x
1
x= ( 16+18+ ⋯+17+ 20 )
15
257
x=
15
= 17.13 ≈ 17 tahun 4 bulan
3.2.1 Perhitungan Mean dari Data Kelompok

Kita telah melihat dalam sesi studi kedua bahwa sejumlah besar pengamatan dapat
diringkas menjadi tabel frekuensi yang memunculkan beberapa informasi tentang
35
data. Ini membuat perhitungan rata-rata dari data yang dikelompokkan sangat
mudah.
Rerata satu set pengamatan N dari varian diskrit (kontinu), dikelompokkan

sehingga nilainya Xi (Xi adalah pusat interval) i = 1, 2, ... K terjadi dengan
frekuensi fi adalah
K
f i Xi K
mean=∑ ; N=∑ f i
i =1 N i=1
Dalam tabel frekuensi yang dikelompokkan untuk variasi kontinu, X i adalah pusat
interval (mis. Rata-rata batas kelas atas dan bawah kelas) atau dikenal sebagai
tanda kelas.
Contoh : *kasih kolom, tabel marjin kiri
Tabel Penggunaan Produk Shampoo A dalam segala umur
Umur x f f.x
1 – 10 5,5 5 27,5
11 – 20 15,5 20 310
21 – 30 25,5 9 229,5
31 – 40 35,5 8 284
41 – 50 45,5 3 136,5
51 – 60 55,5 1 55,5
61 – 70 65,5 4 242
Total 50 1285
N=∑ F
∑ fx
mean=
N
36
1285
¿ =25,7
50
Penggunaan Asumsi Rata-Rata
Terkadang, nilai-nilai besar dari variabel dilibatkan dalam perhitungan rata-rata,

untuk membuatnya perhitungan kami lebih mudah, kami dapat menganggap salah
satu nilai sebagai mean. Kemudian rumus direvisi untuk rata-rata adalah:
Jika asumsi rata-rata adalah A, maka
Rata-rata: mean= A+ ( ∑nd ) saat d= X− A
Jika faktor konstan C digunakan maka
mean= A+ ( ∑dn ) c
Untuk data yang dikelompokkan
mean= A+ ( ∑∑fdf ) c saat U =

X−A
C
contoh :
Jumlah Penggunaan Produk A dalam segala umur, Hitung rata-rata menggunakan

asumsi rata-rata 15 dan 10 sebagaifaktor umum
Umur F X X-A X− A fU
C
(U)
1 – 10 5 5 - 10 -1 -5
37
11 – 20 20 15 0 0 0
21 – 30 9 25 10 1 9
31 – 40 8 35 20 2 16
41 – 50 3 45 30 3 9
51 – 60 1 55 40 4 4
61 – 70 4 65 50 5 20
Total 50 53
A = 15
C = 10
mean=15+ ( 5350 ) 10
¿ 15+10.6
¿ 25.6
Catatan:
Lebih mudah memilih kelas pilihan dengan frekuensi seperti asumsi rerata.
Kelebihan
Mean adalah rata-rata yang mempertimmbangkan semua pengamatan dalam set

data. Simpel dan mudah untuk dihitung dan rata-rata yang paling banyak
digunakan.
Kekurangan
Nilainya dangat ditentukan oleh pengamatan yang terlalu besar dan telrlau kecil.
3.3 MEDIAN
Median adalah posisi rata-rata . Ini adalah nilai dari variable yang membagi
distribusi menjadi 2 bagian yang sama ketika nilai-nilai diatur dalam urutan
terbesarnya.
38
Untuk menghitung Median distribusi:
i. Atur semua pengamatan dalam urutan ukuran, dari yang terkecil

hingga yang terbesar.
ii. Jika n (jumlah observasi ganji, median adalah pusat pengamatan di
daftar pesanan. Lokasi median adalah
th
(n+1)
median= Barang.
2
iii. Jika n adalah genap, median adalah rata-rata dari 2 pengamatan
menengah adalah yang dipesan daftar.
X +X
( n +12 ) ( n2 +1)
th
yaitu median=
2
CONTOH ( n adalah genap)
Nilai-nilai variable acak X diberikan sebagai 11,10,13,9,13,14,16,dan 20.

Temukan median.
Jawab:
Dalam sebuah array: 9,10,11,13,13,14,16,dan 20.Karena n adalah genap.
X n +X
Median ¿ (2 ) (n2 +1)
2
X4+ X5
=
2
13+13
Yaitu = =13
2
CONTOH ( n ganjil)
39
Nilai-nilai variable acak X diberikan sebagai ,9,7,5,20,2,12,dan 1.Temukan
median.
Dalam sebuah Array: 1,2,5,7,9,12,20.
Karena n adalah ganjil.
¿X
Median:median ( 7+12 )
th
¿X4 th
¿7
Catatan: Kejadian 7 pada contoh diatas hanyalah kebetulan saja bias saja ada nilai
lain di tengah kumpulan data.
3.2.1 Perhitungan median dari data yang telah dikelompokan.
Rumus untuk menghitung median dari data yang dikelompokan didefinisikan

sebagai
( )
N
−fkm
2
median=Lm+ w
fm
Dimana Lm = Batas bawah kelas median
Fm = frekuesni kelas median
N = ∑f adalah frekuensi total
Cfb = frekuensi kumulatif sebelum kelass median
W = lebar kelas
Contoh :
40
No Umur F fkom
1 1 – 10 5 5
2 11 – 20 20 25
3 21 – 30 9 34
4 31 – 40 8 42
5 41 – 50 3 45
6 51 – 60 1 46
7 61 – 70 4 50
Total 50
Tabel diatas ini menunjukan umur dalam penggunaan produk Shampoo A
N 50
i. Determinan = =25 jelas kelas median milik kelas (No 2)
2 2
ii. Batas kelas bawah (Lm ) dari kelas median adalah 10,5
iii. Frekuensi kelas median (fm ) adalah 20
iv. Frekuensi kumulatif sebelum kelas median (fkm) adalah 5
v. Interval kelas (w) adalah 10 dan median diperoleh sebagai
median=10,5+
[ 25−5
20 ]10
¿ 10,5+10
¿ 20,5
≅ 20,5
Keunggulan:
1. Mudan untuk menghitung.
2. Mudah dimengerti oleh banyak orang.
3. Nilainya tidak dipengaruhi oleh nilai ekstrim, dengan demikian itu
adalah ukuran yang resisten terhadap pusat kecenderungan.
4. Ini adalah ukuran lokasi yang baik dalam distribusi yang miring.
Kekurangan:
41
1. Tidak mempertimbangkan semua nilai variable.
3.4 Modus
Modus adalah nilai variabel yang paling sering muncul dalam suatu data. Metode
ini adalah yang paling sering digunakan untuk mengukur lokasi yang tidak stabil.
Tetapi bukan untuk menghitung ukuran atau lokasi yang unik seperti dalam rata-
rata aritmatika. Dalam beberapa kasus mungkin tidak ada. Terkadang ketika ada,
lebih dari satu (misalnya distribusi bimodal).
3.4.1 Penghitungan Modus Dari Data Kelompok

Modus dari data distribusi kelompok dapat diperoleh
i. dari kurva frekuensi dengan mencari nilai pada titik tertinggi atau
ii. Dengan perhitungan menggunakan rumus berikut.
Dari data kelompok modus dapat didefinisikan sebagai:
modus=Lm+
( ∆1
∆1 +∆ 2 )
W
Dimana Lm = batas tepi bawah kelas modal
1= perbedaan antara frekuensi kelas modal dan kelas sebelumnya.
2 = perbedaan antara frekuensi kelas modal dan kelas setelahnya

w = adalah rentang kelas.
Contoh :
NO Group F Fkom
1 1 – 10 5 5
2 11 – 20 20 25
42
3 21 – 30 9 34
4 31 – 40 8 42
5 41 – 50 3 45
6 51 – 60 1 46
7 61 – 70 4 50
Total 50
Dari data dalam Contoh 3.7

Menghitung modus:
i. kelas modal adalah kelas dengan frekuensi tebesar. yaitu (No 2).
ii. Lm = 10,5
1 = 20 - 5 = 15
2 = 20 - 9 = 11
w = 10
modus ¿ 10,5+ ( 15+11

15
) 10
= 10,5+5,7
= 16,2
Kelebihan
1. Modus ini mudah dimengerti oleh banyak orang.
2. Mudah untuk menghitungnya.
Kekurangan
1. Ini bukan metode yang unik mengukur lokasi
2. Menyajikan gambaran yang kurang jelas tentang distribusi.
3. Tidak memperhitungkan semua data yang tersedia
4. Ini adalah metode paling ideal mengukur lokasi ketika distribusi sangat miring.
misalnya distribusi upah pekerja di pabrik.
43
3.5 Nilai Partisi
Kita telah melihat di bagian (3.2) bahwa median adalah rata-rata yang membagi
distribusi menjadi dua bagian yang sama. Begitu juga ada kuantitas lain yang
membagi satu set data (dalam array) menjadi berbedabagian yang sama. Data
seperti itu harus diatur dalam urutan besarnya. Beberapa partisi nilai-nilai adalah:
kuartil, desil dan persentil.
Kuartil membagi satu set data dalam array menjadi empat bagian yang sama.
Untuk Seri sederhana
( ) item
th
N
Kuartil pertama: Q 1=X
4
( ) item untuk deret sederhana

th
N
Kuartil kedua = median Q 2=X
2
( ) item
th
3N
Kuartil Ketiga Q 3= X
4
Untuk data yang dikelompokkan
i. Kuartil Pertama
( )
N (i )
−Cfb1
4
Q1=lq 1 + w
fq 1
Untuk data kelompok
Di mana, lq 1 = Batas bawah kuartil 1
fq1 = Frekuensi kelas q 1
w 1= Lebar kelas q 1
∑ fq1 = Cf dibawah kelas q 1
44
ii. Kuartil Ketiga
( )
3N
−Cfb
4
Q3=lq 3 + w
fq 3
Di mana, lq 3 = Batas bawah kuartil tiga kelas
fq3 = Frekuensi kelas q 3
w 3= Lebar q 3
∑ fq3 = cf di bawah kelas q3
3.6 Ukuran Lain dari Tendensi Pusat

Ukuran lain dari kecenderungan sentral termasuk Midrange, Harmonic mean dan
Geometric mean.
Midrange
Mean Mean
Geometris Harmonis
Midrange
Setengah jalan antara pengamatan terkecil dan terbesar dalam satu set data disebut
midrange atau range midpoint. Ini diperoleh dengan menambahkan yang terkecil
dan terbesar Bersama bagi hasil dengan 2.
45
Contoh 3.14
Temukan midrange dari data berikut: 1, 5, 7, 15, 12, 9, 7,
Solusi:
Pengamatan terkecil 1
Pengamatan terbesar 15
15−1
Midrange = =7
2
Contoh 3.15
Temukan kisaran menengah dari data berikut yang mewakili jumlah anak di 12
rumah tangga di Indonesia Agbowo area Ibadan.
4, 2, 1, 0, 2, 6, 2, 3, 5, 1
Solusi
6−0
Midrange = ¿3
2
Kegunaan
Informasi tentang midrange pembacaan suhu oleh Meteorologis digunakan oleh

pengunjung di industri pariwisata.
Keterbatasan
Ini hanya memperhitungkan pengamatan ekstrim.
Mean Geometris
Diberikan pengamatan X1, X2,---, Xn, dari variabel acak X mean geometrik
dilambangkan oleh GM definisikan sebagai akar ke-n produk dari observasi n
dalam suatu set. Yaitu
46
GM =√ X 1 , X 2 ,−−−X 3
n
Contoh 3.16
Temukan rerata geometris dari data dalam Contoh 3.14
Solusi
GM =√7 1.5 .7 .15 .12.9 .7
¿ √ 396900
7
¿ 6.31
Contoh 3.17
Dapatkan rata-rata geometris dari data dalam Contoh 3.14
Solusi
GM = √ 4.1 .0 … … ..5.1
10
¿ 0 (Karena nol adalah salah satu pengamatan )
Kegunaan
Mean geometris sangat berguna dalam perhitungan harga dan indeks, mis.
Perhitungan harga indeks, dll.
Batasan
1. Tidak dapat dihitung ketika nilai nol adalah salah satu pengamatan yang akan
digunakan.
2. Ini adalah ukuran lokasi yang siap digunakan.
Mean Harmonis
47
Dengan pengamatan x1, x2,----, xn dari variabel acak X, rata-rata harmonik
dilambangkan dengan HM didefinisikan sebagai kebalikan dari rata-rata kebalikan
dari pengamatan yaitu
Contoh 3.18
Temukan mean harmonik dari data dalam Contoh 3.14.
Solusi
1
HM =
[
1 1 1 1 1 1 1 1
+ + + + + +
7 1 5 7 15 12 9 7 ]
¿ 4.02
Contoh 3.19
Temukan mean harmonik dari data dalam Contoh 3.14.
Solusi
1
HM =
[
1 1 1 1 −−−1
+ + −
10 4 1 0 1 ]
¿ 0 (karena 0 adalah salah satu dari pengamatan)
Note: HM < GM < AM

Kegunaan
Rata-rata harmonik digunakan dalam perhitungan tarif mis. kecepatan rata-rata.
Keterbatasan
1. Ini jarang digunakan dalam praktik.
2. Tidak dapat dihitung ketika nol adalah salah satu pengamatan di set.
3.6.1 Nilai Partisi Lainnya dari Data Grup
48
Nilai partisi lain yang dapat dihitung dari data yang dikelompokkan adalah Desil
dan persentil.
Desil adalah nilai-nilai yang membagi distribusi menjadi lima bagian yang sama.
Mereka dilambangkan oleh Di
i=1,2 ,−−−−9 , D1 , D2 , D3 , … .. D 9
Untuk desil data dua (D2) didefinisikan sebagai
[ ]
2N
−Cfb 2
5
D=L D 2 + w
fD 2
dimana
L D 2= Batas bawah dari desil dua kelas
fD2= Frekuensi dari dua kelas desil
w 2= Lebar desil1 kelas
∑ fD 1= Frekuensi kumulatif di bawah dua kelas desil

Persentil adalah nilai-nilai yang membagi distribusi menjadi seratus bagian yang
sama. Mereka dilambangkan dengan P1, P2, P3,… .., P99. Untuk distribusi yang
dikelompokkan persentil ke-65 didefinisikan sebagai
[ ]
65 N
−Cfb P 65
100
P65=L P 65+ w
f P 65
dimana
LP 65 = Batas bawah kelas persentil ke-65
fP65= Frekuensi kelas persentil ke-65
w 1= Lebar kelas persentil ke-65
49
∑ f P 65= Frekuensi kumulatif di bawah kelas persentil ke-65
Contoh 3.20
Pertimbangkan data dalam Contoh 3.9
Hitung
i. kuartil pertama (q1)
ii. kuartil ketiga (q3)
iii. Desil ke-empat (D4)
iv. Persentil ke-45 (P45)
Solusi
KELAS F cf
45 – 54 1 1
55 – 64 3 4
65 – 74 5 9
75 – 84 18 27
85 – 94 33 60
95 – 104 25 85
105 – 114 21 106
115 – 124 12 118
125 – 134 5 123
135 - 144 2 125
( )
N
−Cfbq 1
i. 4
Q1=lq 1 + w
fq1
¿ 84.5+ ( 31.25−27
33 )10
¿ 84.5+1.29
50
¿ 85.79
( )
3N
−Cfbq 3
ii. 4
Q3=lq 3 + w
fq 3
¿ 104.5+ ( 93.75−85
21 ) 10
¿ 104.5+4.17
¿ 108.67
( )
4N
−Cfb D 4
iii. 5
D 4 =LD 4 + w
fD 4
¿ 104.5+ ( 100−85
21 )
10
¿ 104.5+7.14
¿ 111.64
( )
45 N
−Cfb P 45
iv. 100
P45=L P 145 + w
f P 145
¿ 84.5+ ( 56.25−27
33 )10
¿ 84.5+8.86
¿ 93.36
Ringkasan
Dalam Studi Sesi 3, Anda telah belajar bahwa:
1. Ukuran tendensi sentral adalah nilai tunggal yang memberikan deskripsi data.
51
2. Rata-rata aritmatika adalah rata-rata dari seperangkat pengamatan adalah
jumlah dari pengamatan dibagi dengan jumlah observasi
3. Mean adalah rata-rata yang mempertimbangkan semua pengamatan dalam set

data
4. Median adalah rata-rata posisi.
5. Median adalah ukuran lokasi yang baik dalam distribusi yang miring.
6. Mode adalah nilai variabel yang paling sering terjadi dalam satu set data
7. Mode bukan ukuran lokasi yang unik
8. Nilai partisi adalah: kuartil, desil dan persentil.
52
BAB 4 : UKURAN DISPERSI/VARIASI
Jeremy Timothy Frederik Laoh (12010119130287)
Citra Sari (12010119120020)
Sholahuddin Al Ayyubi (12010119120068)
Zaki Udin Fauzi (12010119130177)
Rizqi Fajar Triaji (12010119130077)
53
Ukuran Dispersi / Variasi
Pengantar
Dispersi / Variasi adalah derajat sebaran atau variasi nilai individu dari suatu
variabel tentang nilai sentral seperti median atau rata-rata.
Dalam Sesi Studi ini kita akan membahas kisaran, kisaran semi-inter-kuartil,
mean penyimpangan dari mean, varians median dan standar deviasi
Hasil Belajar untuk Sesi Belajar 4 Ketika Anda telah mempelajari sesi ini, Anda
harus dapat:
4.1 Jelaskan arti variasi dan ukurannya
4.2 Jelaskan Kisaran
4.3 Jelaskan Penyimpangan Rata-Rata dan Perhitungannya
4.4 Jelaskan varians dan kalkulasinya
4.5 Jelaskan Penyimpangan Standar
4.6 Jelaskan penggunaan metode pengkodean ketika berhadapan dengan nilai

variabel yang besar
4.1 Variasi dan Ukurannya
Berat, seperti banyak hal lainnya, tidak statis atau tidak berubah. Tidak semua
orang yang tingginya 5 kaki 100 pound, ada beberapa variabilitas. Saat
melaporkan angka-angka ini atau meninjaunya untuk a proyek, seorang peneliti
perlu memahami berapa banyak perbedaan dalam nilai. Ini adalah di mana kita
akan melihat ukuran variabilitas.
4.1: Definisi Variasi
Variasi dapat didefinisikan sebagai cara untuk menunjukkan bagaimana data

tersebar, atau menyebar.
54
Beberapa ukuran variasi digunakan dalam statistik yang akan dibahas pada saat ini
sesi belajar.
4.2 Rentang
Ini adalah ukuran variasi paling sederhana. Ini adalah perbedaan antara yang
terbesar dan yang terkecil nilai dalam satu set data.
Rentang = X (maks) = X (min.)
Kisaran demikian merupakan ukuran yang sangat mudah untuk ditentukan dan
digunakan. Kisaran efisien bila n> 10, kalau tidak, itu tidak baik karena
mengabaikan semua nilai di antara keduanya. Ini biasa digunakan di kontrol
kualitas statistik. Namun, rentang mungkin gagal untuk mendiskriminasi jika
distribusinya berbeda jenis.
Kisaran Semi-Interkuartil: adalah setengah perbedaan antara kuartil pertama

dan ketiga. Ini baik ukuran spread untuk midrange dan kuartil.
Q3−Q1
S.I.R =
2
4.3 Penyimpangan Absolut Rata-Rata

Simpangan rata-rata adalah simpangan absolut rata-rata dari pusat. Ukuran pusat
bisa jadi rata-rata aritmatika atau median. Dapat ditunjukkan bahwa rata-rata
penyimpangan dari suatu distribusi adalah paling sedikit ketika penyimpangan
dari median. Diberikan satu set X 1 , X 2 ,… .., X N mean penyimpangan dari
mean aritmatika didefinisikan oleh:
MD =
∑ I x i−x I untuk seri sederhana
j −1
n
Dalam data yang dikelompokkan
∑ f I x j −x I
j −1
MD X = N
∑f
j−1
55
Contoh 4.1
Di bawah ini adalah rata-rata 10 Kepala rumah tangga yang dipilih secara acak
dari suatu komunitas
54, 59, 35, 41, 46, 25, 47, 60, 54, 46
Temukan Kisaran (i) Rentang (ii) Rata-rata (iii) Penyimpangan rata-rata dari rata-
rata (iv) Penyimpangan rata-rata dari median.
Larutan
i. Rentang = 60 - 25 = 35
∑ x 54+ 59+…+ 46
ii. Rata-rata = x= =
n 10
= 46.7
ΣIx−x I
iii. Penyimpangan rata-rata MD x=
n
│54−46.7 │+│ 59−46.7│+…+ │ 46−46.7 │

=
10
7.3 + 12.3 + 11.7 + 5.7 + 0.7 + 21.7 + 0.3 + 13.3 + 7.3 + 0.7
81
¿ =8.10
10
iv. Median
¿
X ( n2 )+ X ( n2 +1) =46.5
2
│54−46.5 │+│59−46.5 │+…+│ 46−46.5 │

MD ( ^x )=
10
7.5+ 12.5+11.5+5.5+0.5+21.5+ 0.5+ 13.5+7.5+0.5

¿
10
56
81
¿
10
¿ 8.1
Contoh 4.2
Tabel di bawah ini menunjukkan distribusi frekuensi skor 42 siswa dalam tes
STA111.
Tabel 4.1
Score f
0-10 2
10-20 5
20-30 8
30-40 12
40-50 9
50-60 5
60-70 1
Temukan simpangan rata-rata dari mean untuk data.
Larutan
Tabel 4.2
Kelas X F fX X −x │ X−x │ f │ x−x │
0-10 5 2 10 -29.52 29.52 59.04

10-20 15 5 75 -19.52 19.52 97.6
20-30 25 8 200 -9.52 9.52 76.16
30-40 35 12 420 0.48 0.48 5.76
57
40-50 45 9 405 10.48 10.48 94.42
50-60 35 5 275 20.48 20.48 102.4
60-70 65 1 65 36.48 30.41 30.48
Σ f x 1450
x= = =34,52
Σf 42
∑f |x−x|
Simpangan Rata-rata( x ) ¿
Σf
365.76
¿
11.089
4.4 Varians
Varian dari seperangkat pengamatan adalah rata-rata deviasi kuadrat dari rata-rata.
Biarkan x 1 , x 2 , x 3 , ----, x nmenjadi sampel acak dari suatu populasi. Varians

sampel S 2 , adalah didefinisikan sebagai:
n
1
s2= ∑ ( x −x )2
n i−1 i
∑ xi
Dimana x= untuk data diskrit atau seri sederhana
n
Untuk data yang dikelompokkan, varians sampel didefinisikan sebagai:

2
( xi − x )
Σf ⅈ
2
s= ⅈ
Σf
Rumus lain untuk menghitung varians dapat diturunkan dari di atas sebagai
berikut
n
1
S = ∑ ( x i−x )2
2
n 1−1
n
n S2=∑ ( xi −x )2
i −1
58
n
n =∑ [ x i −2 x x i + x ]
2
s 2 2
i−1
¿ ∑ x i −2 x ∑ x i−∑ 2
2
2 2
¿ ∑ x i −n x
2 1 2 2
Karena itu, S = Σ x i −x
n
Namun, untuk data yang dikelompokkan
2
Σfⅈ x i
2
s=
Σf ⅈ
4.5 Standar Deviasi

Simpangan baku adalah akar kuadrat dari varians. Kadang-kadang disebut sebagai
root mean deviasi kuadrat dari mean (RMSD).
Perlu dicatat bahwa varians diukur dalam satuan X 2 daripada X. Ini membuatnya
sulit untuk memahami ukuran varians. Ukuran variabilitas yang terkait erat
dengan varians tetapi dinyatakan dalam unit pengamatan yang sama disebut
Standar Deviasi.
Pertanyaan Dalam Teks Standar deviasi dapat didefinisikan sebagai?
a. Root cube varians
b. Akar kuadrat dari varians
c. Baik kuadrat dan akar dari varian
d. Root dari varian
Jawaban Dalam Teks
b.) akar kuadrat dari varians
Deviasi standar adalah akar kuadrat positif dari varian. Ini didefinisikan sebagai
59
√
n
S=
∑ ( x−x )2
i−1
N
or s=
√ ∑ x 2i
n
−x
2
Contoh 4.2
Pertimbangkan data pada contoh 4.1, hitung simpangan baku dan koefisien
variasi.
Larutan:
i Standar Deviasi ¿
√ Σ ( x−x )2
n
¿
√( 54−46 ) +… ( 46−46.7 )
2 2
10
¿ 10.87
s
ii. Koefisien Variasi CV ¿ × 100
x
10.37
= ×100
46.7
= 22.21
Perbandingan Dispersi: Perbandingan dua distribusi dengan cara dan unit

berbeda pengukuran dilakukan dengan menggunakan koefisien variasi.
Definisi: Koefisien Variasi (CV) adalah kuantitas tak berdimensi yang mengukur
variasi relatif antara dua seri diamati dalam unit yang berbeda.
Ini didefinisikan sebagai rasio standar deviasi dan rata-rata dari set data yang
dinyatakan sebagai a persentase.
s
yaitu ×100
x
60
Distribusi dengan CV yang lebih kecil dikatakan lebih baik
4.6 Metode Pengkodean

Ini adalah metode yang digunakan ketika nilai variabel yang lebih besar terlibat
dalam perhitungan. Ini dicapai dengan memilih salah satu nilai (atau tanda kelas)
sebagai asumsi rata-rata (A) dan tentukan faktor umum (C). Nilai-nilai variabel X
i (atau tanda kelas) ditransformasikan menggunakan kode:
X− A
Ui=
C
Jadi rumus untuk menghitung varian menjadi
[ ]
2
2 1 2 ( Σf )
U
s= f 1Ui − C
Σf Σf
Contoh 4.3
Diberikan data yang dikelompokkan berikut. Hitung (i) Mean dan (ii) Standar
deviasi. Dan (iii) variasi koefisien menggunakan laki-laki yang diasumsikan 77
dan 5 sebagai faktor umum
Tabel 4.3
Class f
50-54 1
55-59 2
60-64 10
65-69 12
70-74 18
75-79 25
80-84 9
85-89 6
90-94 4
95-99 3
61
total 80
classes f Class X −A Ui fU U 2i FU 2
mark
(x) X− A
C
50-54 1 52 -25 -5 -5 25 25
55-59 2 57 -20 -4 -8 16 32
60-64 10 62 -15 -3 -30 6 90
65-69 12 67 -10 -2 -24 4 48
70-74 18 72 -5 -1 -18 1 18
75-79 25 77 0 0 0 0 0
80-84 9 82 5 1 9 1 9
85-89 6 87 10 2 16 4 24
90-94 4 92 15 3 12 9 36
95-99 3 97 20 4 12 16 48
90 -36 330
A=77 C=5
x= A+ ( )
ΣfU
Σf
C
¿ 77+ ( −36
90 )
5
62
¿ 77−2
¿ 75
[ (∑ U )
]
2
2 1 2 f
s= f 1 Ui − C
∑❑ Σ
f
[ ]
2 5
1 (−36 )
¿ 330−
90 90
¿ 3.55
s= √ S
2
¿ 1.88
Koefisien dari variasi CV
S
¿ ×100
X
1.88
¿ ×100
75
¿ 2.51
Ringkasan Dalam Studi Sesi 4,
Anda telah belajar bahwa:
1. Variasi adalah cara untuk menunjukkan bagaimana data tersebar, atau

menyebar.
2. Rentang adalah ukuran variasi paling sederhana
3. Rentang adalah perbedaan antara nilai terbesar dan terkecil dalam satu set data
4. Deviasi rata-rata adalah deviasi absolut rata-rata dari pusat
5. Varian dari seperangkat pengamatan adalah rata-rata deviasi kuadrat
63
6. Deviasi standar adalah akar kuadrat dari varians.
7. Deviasi Standar juga disebut sebagai deviasi kuadrat akar rata-rata dari berarti
8. Metode Pengkodean digunakan ketika nilai variabel yang lebih besar terlibat
dalam perhitungan
LATIHAN SOAL
1. Tentukan rentang data : 1, 4, 7, 8, 9, 11

Penyelesaian :
X6 = 11 dan X1 = 1
Rentang = X (maks) = X (min.)
Rentang = 11-1 = 10
2. Tentukan varian dari distribusi frekuensi berikut!
Tabel 2 Pengukuran Diameter Pipa
Diameter (mm) Frekuensi

65-67 2
68-70 5
71-73 13
74-76 14
77-79 4
80-82 2
Jumlah 40
Diamete X f fX X −x ( X −x )2 f ( X−x )2
r
65-67 66 2 132 -7.425 55,131 110,262
68-70 69 5 345 -4.425 19,581 97,905
71-73 72 13 936 -1.425 2,031 26, 403
74-76 75 14 1050 1.575 2,481 34,734
64
77-79 78 4 312 4.575 20,931 83,724
80-82 81 2 162 7.575 57,381 114,762
Jumlah 40 2937 467,790
Σ f x 2937
x= = =73.425
Σf 40
2
Σf ⅈ (
xi − x )
2 467.790
s= = =11.69
Σf ⅈ 40
65
BAB 5 : PENYELESAIAN ALJABAR RATA-RATA DAN
VARIANS
1. Rayhandika Rahman Fawwaz (12010119130081)
2. Afifa Hasna Kamila (12010119130119)
3. Dimas Sadewa (12010119130135)
4. Noel Jannus Siahaan (12010119130117)
5. Arya Husain Habibie (12010119130221)
66
MATERI
Sesi Studi 5 Penyelesaian Aljabar rata-rata dan Varians
Pengantar
Dianjurkan untuk menyesuaikan nilai-nilai mean dan varians untuk memeriksa
kesalahan, mungkin juga diinginkan untuk menggabungkan statistik ini tanpa
meminta pengamatan individu dari variabel. Berbagai metode untuk
menyelesaikan permasalahan tersebut akan dibahas dalam sesi studi ini.
Hasil pembelajaran
Ketika Anda telah mempelajari sesi ini, Anda harus dapat:
5.1 Menghitung rata-rata gabungan dari dua variabel atau lebih
5.2 Menyesuaikan nilai mean, varians, dan standar deviasi
5.1 Rata-rata gabungan dan Varians

Anda telah belajar bagaimana menghitung mean dan varians dari data univariat.
Terkadang, kita mungkin memiliki informasi tentang rata-rata dan varian dua atau
lebih varian, sedangkan yang Anda ingin temukan adalah rata-rata/mean
gabungan dan varians. Hal tersebut dapat ditemukan tanpa menggunakan nilai-
nilai individual dari variabel.
Diberikan 2 set data yang terdiri dari n1 dan n2, X̅1 dan X̅2, S21 dan S22 sebagai
varians nya. Masing-masing dengan beberapa rata-rata, maka rata-rata gabungan
didefinisikan sebagai berikut:
n1 X 1 + n2 X 2
X̅12 =
n 1 n2
Dan kombinasi variansnya adalah:
2 2
(n¿ ¿1−1) S 1 +(n 2−1) S2
S2 = ¿
n1+ n2−2
67
Misal:
ni , i = 1, 2, ---, k
X̅ untuk i = 1, 2, 3, …, K
ni jumlah observasi dalam variabel i.
X̅ rata-rata dari variable i.
S2i varians dari variable i.
Sehingga, kombinasi rata-ratanya adalah:
Kemudian, kombinasi variansnya adalah:
Latihan Soal 5.1

Mean dan Standar Deviasi dari dua variabel 100 dan 150 item, masing-masing
adalah 50, 5, 40, dan 6. Temukan Deviasi Standar dari semua 250 item yang
diambil bersamaan.
n1 X 1+ n2 X 2 100 ( 50 )+ (150 × 40 )
X̅12 = = = 44
n1 n2 250
68
Latihan Soal 5.2
Survei dilakukan di tiga lokasi dalam komunitas untuk mempelajari satu variabel.
Di setiap lokasi, ukuran sampel (ni), rata-rata ( X i) dan standar devisiasi (σ i)
disajikan dalam tabel berikut.
Table 5.1
lokasi I II III
ni 200 250 300
Xi 95 10 15
σi 3 4 5
Hitunglah gabungan rata-rata dan standar deviasi untuk variabel di tiga lokasi
Solusi
ni X i +n2 X 2 +n3 X 3
Karena X 113 =
n i + n2 + n3
200 ( 95 ) +250 ( 10 ) +300 ( 15 ) 26000

X 123 = =
200+250+300 750
¿ 34.7 atau 35
2
ni ( X −X 123 )2 +n2 ( X 2− X 123 )2 +n 3 ( X 3−X 123 )2 + ( n1 −1 ) σ 21 + ( n2 −1 ) σ 22 + ( n3−1 ) σ 23
σ 123 =
n 1+ n2+ n3−3
2 2 2
2 200 ( 95−34.7 ) +250 ( 10−34.7 ) +300 ( 15−34.7 ) + ( 199 ) 9+ 249 (16 )+ 299 (25 )
σ 123 =
200+250+ 300−3
69
727218+152522.5+116427+13300
σ 2123=
747
2
σ 123=1349.55
σ 123= √ 1349.55
σ 123=36.74
5.2 Menyesuaikan nilai dari rata-rata dan standar deviasi untuk kesalahan
Terkadang kesalahan terjadi dalam perhitungan rata-rata dan varians dari
sekumpulan data ketika nilai yang benar dari data asli digantikan dengan yang
salah. Daripada melewati seluruh proses untuk memperbaiki kesalahan, beberapa
penyesuaian aljabar sederhana dapat dibuat dalam latihan soal berikut
Latihan Soal 5.3

Rata-rata dan standar deviasi dari 100 set pengamatan masing-masing 40 dan 5,
tetapi ada siswa yang melakukan kesalahan pengukuran. Nilai yang seharusnya 40
ditulis menjadi 50.
Hitung kembali rata-rata dan standar deviasi yang benar
n=100; X =40 ; σ 2=25
X=
∑X
n
40=
∑X
100
Salah: ∑ X=4000
Benar: ∑ X=4000−50+ 40=3990
Rata-rata (benar)
3990
X= =39.9
100
70
σ 2=
∑ X 2 −X 2
n
25=
∑ X2
−40
2
100
2500=∑ X 2−160000
⇒ ∑ X =162500
2
Benar
∑ X 2=162500−502 × 402
¿ 161600
Benar
2 161600 2
σ = − (39.90 )
100
2399
¿
100
¿ 23.99
σ =√ 23.99
¿ 4.89
Pertanyaan Penilaian Diri (SAQs) untuk Sesi Studi 5
1. Tentukan mean, median, dan modus dari data berikut ini:

5,6,10,15,22,16,6,10,6.
Jawaban
1. Mean
X=
∑X =
96
= 10,67
n 9
2. Median
5,6,6,6,10,10,15,16,22
71
= 10
3. Modus
=6
2. 4, 9, 8, 7, 4 dan X, memiliki rata-rata 7. Temukan nilai X dan hitunglah

koefisien variasi untuk enam angka.
Jawaban
4+ 9+8+7 +4 + X
7=
6
32+ X
7=
6
42 = 32 + X
10 = X
s
C.V. = × 100
X
√
2 2 2 2 2 2
s = ( 4−7 ) + ( 9−7 ) + ( 8−7 ) + ( 7−7 ) + ( 4−7 ) + ( 10−7 )
6
s=
√ 9+4 +1+9+9
6
s=
√ 32
6
s = 2,31
2,31
C.V. = × 100
7
= 33
3. Rata-rata aritmatika dari lima observasi adalah 44 dan variannya 8,24. Jika tiga
dari lima observasi yaitu 1, 2, 6. Hitung dua data yang lainnya
Jawaban
Data = 1, 2, 6, x, y
72
X = 4,4
total seluruhnilai
X =
frekuensi
1+ 2+ 6+ x + y
= 4,4
5
9+x+y = 22
x+y = 22 - 9
x+y = 13 ……(1)
2
σ = 8,24
n
1
∑
n i=1
( xi− X )
2
= 8,24
n
1
∑
5 i=1
( xi−4,4 )
2
= 8,24
n
1
∑ {(1−4,4)2+ (2 – 4,4)2
5 i=1
+ (6 – 4,4)2 + (x – 4,4)2 + (y – 4,4)2} = 8,24
n
1
∑
5 i=1
2 2
{(−3,4) + (−2,4 ) + ( 1,6 )2 + (x – 4,4)2 + (y – 4,4)2}= 8,24
n
1
∑ [ 11,56+5,67+ 2,56+ x 2−2 ( 4,4 ) x + y 2 +19,36−8,8 y ]=8,24
5 i=1
[ 19,88+ x 2+ 19,36−8,8 x + y 2 +19,36−8,8 y ] = 8,24 × 5
[ 58,6+ x 2 + y 2−8,8 ( x + y ) ] = 8,24 × 5
[ 58,6+ x 2 + y 2−8,8 ( 13 ) ] = 41,2

(persamaan 1)
58,6+ x 2 + y 2−114,4 = 41,2
73
2 2
x +y = 114,4 + 41,2
– 58,6
2 2
x +y = 97 …….(2)
Persamaan (1) x + y = 13
Persamaan (2) x 2+ y 2= 97
Substitusi
( x + y )2 = 132
2 2
x + y +2 xy = 169
97 + 2xy = 169
2xy = 169 – 97
2xy = 72
xy = 36
36
x = ….. (3)
y
masukan (3) ke (1)
x+ y = 13
36
+y = 13
y
36 + y2 = 13y
y2 – 13y + 36 = 0
y2 – 9y – 4y + 36= 0
y(y – 9 ) – 4(y – 9) = 0
(y – 4)(y – 9) = 0
74
Jadi ada kemungkinan y = 4 atau y = 9
Untuk y = 4
x+y = 13
x + 4 = 13
x =9
Jadi x = 9 dan y = 4 merupakan sisa dua observasi
Untuk y = 9
x+y = 13
x + 9 = 13
x =4
Jadi x = 4 dan y = 9 merupakan sisa dua observasi
Jawaban akhir dua observasi yang terakhir adalah 4 dan 9
75
‘
BAB 6 : UKURAN SKEWNESS DAN KURTOSIS
Sesi Studi 6: Ukuran Skewness dan Kurtosis

Pengantar
Tugas mendasar dalam banyak analisis statistik adalah untuk mengkarakterisasi
lokasi dan variabilitas himpunan data. Karakterisasi lanjutan dari data termasuk
skewness dan kurtosis. Dalam sesi Studi ini, Anda akan belajar definisi skewness
dan kurtosis, Anda juga akan belajar bagaimana menghitung ukuran skewness dan
kurtosis dari seri sederhana dan data yang dikelompokkan.
Hasil pembelajaran
Pada akhir sesi studi ini Anda harus dapat:
76
6.1 Mendefinisikan skewness dan kurtosis;
dikelompokkan;
6.3 Menentukan set data; terdistribusi secara normal, arah kemiringan dan
tingkat puncaknya dan Menafsirkan hasil Anda.
6.1 Mendefinisikan skewness dan kurtosis

Skewness adalah ukuran dari sebuah simetri, atau lebih tepatnya, kurangnya
sebuah simetri. Sebuah distribusi atau kumpulan data dianggap simetris jika
terlihat sama di kiri dan kanan dari tengah titik. Untuk data univarite X1, X2, -----,
XN, rumus untuk skewness adalah
Untuk data berlainan:

∑ ( X i− X )3
a 3= i=1
( N −1 ) s3
Untuk data berkelompok: a =

∑ f ( X i −X )
3
3
( N−1 ) s 3
Di mana X adalah rata-rata, S adalah standar deviasi, dan N adalah jumlah titik
data.
Skewness untuk distribusi normal adalah nol, dan setiap data simetris harus
memiliki skewness mendekati nol.
Nilai negatif untuk kemiringan menunjukkan data yang miring ke kiri dan Nilai
positif untuk kemiringan menunjukkan data yang condong ke kanan. Dengan
kemiringan ke kiri, ekor kiri relatif panjang dibandingkan ekor kanan. Demikian
pula, kemiringan ke kana berarti bahwa ekor kanan relatif panjang terhadap ekor
kiri.
Kurtosis adalah ukuran apakah data memuncak atau datar relatif terhadap
distribusi normal Artinya, set data dengan kurtosis tinggi cenderung memiliki
77
puncak yang berbeda di dekat rata-rata, lebih cepat menurun, dan memiliki ekor
yang sangat condong. Kumpulan data dengan kurtosis rendah cenderung memiliki
bagian atas yang rata di dekat nilai rata-rata.
Histogram adalah teknik grafis yang efektif untuk menunjukkan kemiringan dan
kurtosis dari himpunan data.
Untuk data univariat X1, X2, -----, XN, rumus untuk kurtosis adalah:
Untuk data berlainan

∑ ( X i−X )4
β 4 = i=1
( N−1 ) s4
Untuk data berkelompok β =

∑ f ( X i− X )4
4
( N −1 ) s 4
Di mana X adalah rata-rata, S adalah standar deviasi, dan N adalah jumlah titik
data.
_____________ adalah ukuran simetri, atau lebih tepatnya, kurangnya simetri?
a) Kecenderungan
b) Kurtosis
c) Data yang dikelompokkan
d) Seri sampel
Jawaban dalam teks
a) Kecenderungan
dikelompokkan
Kelebihan Kurtosis: Kurtosis untuk distribusi normal standar adalah tiga. Untuk
alasan ini, kelebihan kurtosis didefinisikan dengan:
78
N
Untuk data berlainan

∑ ( X i− X )4
i=1
K4= −3
( N −1 ) s 4
Untuk data berkelompok K4 =

∑ f ( X i−X )
4
−3
( N−1 ) s4
Distribusi normal standar memiliki kelebihan kurtosis nol. Kurtosis positif

menunjukkan distribusi "memuncak" dan kurtosis negatif menunjukkan distribusi
"datar"
 Kurtosis untuk distribusi normal adalah 3

 kelebihan kurtosis positif menunjukkan kerataan
 Kurtosis negatif menunjukkan puncaknya
Distribusi, atau kumpulan data, simetris jika terlihat sama di kiri dan kanan tengah
titik. Benar/salah
a) salah
b) Benar
c) Tidak satu pun di atas
d) Semua hal di atas
Jawaban dalam teks
b) Benar
Diagram 6.1 - Puncaknya Distribusi
79
Latihan Soal 6.1
Dua belas angka yang dihasilkan dari komputer adalah sebagai berikut:
10, 43, 67, 89, 70, 80, 62, 80, 03, 42, 71, 35A
a. Dapatkan ukuran skewness dan kurtosis.
b. Tafsirkan hasil Anda
Solusi
Tabel 6.1
X ( X i−X ) ¿ ¿ ¿
03 -51.3 2631.69 -135005.697 6925792.26

10 -44.3 1962.49 -86938.307 3851367.00
35 -19.3 372.49 -7189.057 138748.80
80
42 -12.3 151.29 -1860.867 22888.66
43 -11.3 127.69 -1442.897 16304.74
52 7.7 59.29 456.533 3515.30
67 12.7 161.29 2048.383 26014.46
70 15.7 246.49 3869.893 60757.32
21 16.7 278.89 4657.463 77779.63
30 25.7 660.49 16974.593 436247.04
30 25.7 660.49 16974.593 436247.04
39 34.7 1204.9 41781.923 1449832.73
652 8516.68 -145673.444 13445494.99
X=
∑ X = 652
n 12
X =54.3
s=
√ 8516.68
11
= 27.825
Kecondongan : ∝ =
∑ ( x i−x ¿3 )
3
( N −1 ) S 3
−145673.444
=
11× ( 27.825 )
−145673.444
=
236972.6385
= −0.6147
Ini adalah distribusi miring negatif
N
Kurtosis : β 3=∑ ¿ ¿ ¿
i=1
81
13445494.99
=
11 ×¿ ¿
13445494.89
=
6593763.668
= 2.039
Excess kurtosis : K= β 4−3
= 2.039 - 3
= -0.961
Yaitu platykurtic.
Pertanyaan dalam tes Kurtosis untuk distribusi normal standar adalah tiga. Karena
alasan ini, kelebihan kurtosis didefinisikan sebagai ____________?
N
a) β 3=∑ ¿ ¿ ¿
i=1
b) α 3=
∑ ( x i−x ¿3 )
( N −1 ) S 3
c) X =
∑ X = 652
n 12
X =54.3
N
d) K 4 =∑ ¿ ¿ ¿
i=1
Jawaban dalam teks

N
d) K 4 =∑ ¿ ¿ ¿
i=1
Latihan Soal 6.2

Kelas f
Diberikan data di bawah ini:
10-14 1
Tabel 6.2
15-19 4
20-24 8
25-29 19
30-34 35
35-39
82 20
40-44 7
45-49 5
50-54 1
Gambar histogram untuk data di atas.
Solusi
Diagram 6.2
6.3 Menentukan apakah suatu set data; terdistribusi secara normal, arah
kemiringan dan tingkat puncaknya
Kelas Nilai fx fifx X i −X ( X i −X ¿2 ¿ (X i – X ¿4
Tengah
Xi
10-14 12 1 12 -20.1 404.01 8120.6 163224.04

15-19 17 4 68 -15.1 228.02 3442.95 51988.56
20-24 22 8 176 -10.1 102.3 1030.3 10406.04
83
25-29 27 19 513 -5.1 26.01 132.55 676.52
30-34 32 35 1120 -0.1 0.01 0.001 0.0001
35-39 37 20 740 4.9 24.01 117.65 576.48
40-44 42 7 294 9.9 48.01 970.299 4605.96
45-49 47 5 235 14.9 222.01 3307.95 49288.44
50-54 52 1 52 19.90 396.01 7880.599 156823.92
100 3210 1500.09 25002.999 442589.96
 ∑ f i f x = 3210
 ∑ f = 100
 X=
∑ f x i = 3210 = 32.1
∑f 100
Tabel 6.4
f¿ f ( X i −X ¿
3
f ( X i −X ¿
4
404.01 -8120.6 163224.08

912.04 -130771.8 207954.24
816.08 -8242.4 83248.32
84
494.19 -2520.35 12853.88
0.35 -0.035 0.0035
480.02 2353.00 11529.6
686.07 6792.093 67241.72
110.05 16539.75 246442.2
396.01 7880.599 156823.92
5299.00 910.257 949317.96
s = √∑ f ¿ ¿ ¿ =
√ 5299
99
= √ 53.52
s = 7.316
Skewness (α3) = ∑ f ( X i ¿−X ¿3 ) ¿

¿¿
910.257
=
99 ×391.58
= 0.0236 (mendekati 0 = normal)
Kurtosis α4 = ∑ ¿¿ ¿
949317.96
=
99 ×2864.8
949417.96
=
283615.5
= 3.3
Excess Kurtosis K = α4 – 3
= 0.3
Karena
1 Skewness = 0.0236
2 Kurtosis = 3.3
85
3 Kelebihan Kurtosis = 0.3
Ini menunjukkan bahwa distribusinya mendekati normal. Kurtosis
menunjukkan puncak datar yaitu Leptokurtik.

1. Pertimbangkan pertanyaan post test 1 dalam bab 5, hitung ukuran Skewness
dan interpretasikan hasil Anda.
Jawaban
Tabel Hitung
X ( X i−X ) ¿ ¿
5 -5.6 31.36 -175.616

6 -4.6 21.16 -97.336
6 -4.6 21.16 -97.336
6 -4.6 21.16 -97.336
10 -0.6 0.36 -0.216
10 -0.6 0.36 -0.216
15 4.4 19.36 85.184
16 5.4 29.16 157.464
22 11.4 129.96 1481.544
96 0.6 274.04 1256.136
X=
∑ X = 96
n 9
X =10.6
S=
√ 274.09
8
Skewness = ∝ =
∑ ( x i−x ¿3 )
3
( N −1 ) S 3
1256.136
=
8× ¿ ¿
86
1256.136
=
1601.613
= 0.784294333
BAB 8 : ANALISIS REGRESI

1. Sigit Setyo Wicaksono (12010119130093)
2. Anzelika Cintana Gunawan (12010119130274)
87
3. Gusti Iqro Ibrahim (12010119130076)
4. Yoseph Aldo Kresna Gunawan (12010119120033)
5. Adellia Anggita Sari (12010119120008)
SESI 8: ANALISIS REGRESI
Pengantar
88
Dalam studi ini, Anda akan diperkenalkan dengan teori analisis regresi linier.
Berbagai jenis hubungan harus ditunjukkan pada sebaran plot dan parameter
estimasi harus diperoleh dengan metode kuadrat terkecil. Pengantar untuk uji
signifikansi garis regresi juga akan diberikan.
Hasil belajar untuk sesi belajar 8
Di akhir studi ini, Anda harus dapat:
8.1 Diskusikan konsep analisis regresi
8.2 Identifikasi jenis model regresi
8.3 Perkirakan parameter model regresi; dan
8.4 Jelaskan pengujian signifikansi model
8.1 Analisis Regresi

Analisis regresi adalah alat statistik yang membantu untuk mempelajari tren
dan pola pergerakan dalam satu variabel dalam menanggapi perubahan dalam
variabel lain berdasarkan asumsi hubungan yang ada di antara mereka. Setelah
pola ini terbentuk, bisa digunakan untuk itu
memprediksi satu variabel dari yang lain.
Variabel yang diprediksi biasanya disebut sebagai variabel respon

(tergantung) dan variabel lainnya disebut variabel penjelas (independen). Nilai-
nilai dari variabel penjelas biasanya tetap dan di bawah kendali penyelidik
sementara nilai-nilai dari variabel respon ditentukan oleh nilai-nilai dari variabel
penjelas.
Analisis regresi ini berupaya menentukan bagaimana perubahan dalam

variabel penjelas memengaruhi variabel respons. Variabel yang terlibat
diasumsikan diukur dan dicatat sebagai skala skala atau data skala rasio. Jika
variabel-variabel tersebut bersifat kualitatif (yaitu atribut), metode regresi tidak
dapat digunakan. Metode yang tepat digunakan dalam mempelajari antara dua
variabel kualitatif akan dibahas
89
Dalam Pertanyaan teks
Nilai variabel penjelas biasanya tetap. Benar atau salah
Di Teks Jawab
Benar
8.2 Jenis Model Regresi

Model regresi mungkin:
Model regresi bisa sederhana jika hanya ada satu variabel penjelas, dan
berganda jika ada lebih dari satu variabel penjelas.
Model regresi adalah linier jika parameternya tidak mengandung eksponen

dan tidak kelipatan parameter lain dalam model; jika tidak, model dikatakan non-
linear. Nilai kekuatan tertinggi dari suatu model disebut urutan model.
Plot sebar
Langkah pertama dalam studi hubungan antara dua variabel adalah

menggambar diagram pencar. Ini menggambarkan arah, bentuk dan kekuatan dari
setiap hubungan antara variabel kuantitatif. Itu ditarik dengan memplot nilai-nilai
variabel respon (pada sumbu Y) terhadap nilai-nilai variabel penjelas (pada sumbu
X)
Bentuk titik-titik yang tersebar pada grafik memberikan gambaran tentang

jenis hubungan antara dua variabel.
90
Jenis Diagram Penyebaran
Diagram 8.1
Gambar 8.1 (a) menggambarkan hubungan linear
Gambar 8.1 (b) dan (c) menggambarkan hubungan non-linear; gambar 8.1 (a)
adalah hubungan kuadrat sedangkan gambar 8.1 (c) adalah hubungan
eksponensial, sedangkan gambar 8.1 (c) menunjukkan hubungan antara variabel X
dan Y (mis. hubungan luas). Karena tidak ada garis atau kurva yang cocok pada
plot pencar.
Harap dicatat bahwa:
Plot sebar tidak dapat digunakan untuk lebih dari dua variabel
ii. Model regresi non-linear dapat dibuat linier melalui transformasi yang sesuai
91
Berikut ini adalah jenis model regresi kecuali
A. Sederhana
B. Berganda
C. Pendek
D. Non-Linear
Jawaban Dalam Teks
C. Pendek
8.3 Model Regresi Sederhana

Model regresi linier sederhana yang menggambarkan hubungan antara
variabel respon (Y) dan variabel penjelas (X) dapat dinyatakan sebagai Y 1= β 0 +
β1 X 1 + ei For i = 1, 2, ----, n
Di mana ada n observasi pada X dan Y dan
i . Y i adalah observasi ke-i pada Y.
ii. X i adalah observasi ke-X pada X.
β 0adalah intersep (Titik di mana garis regresi memotong sumbu Y yaitu ketika X
= 0 β1 jika kemiringan (koefisien regresi) garis. Itu memberikan tingkat perubahan
Y per unit berubah dalam X. ei adalah kesalahan mendistribusikan kesalahan acak
dengan rata-rata O dan varians σ 2. Parabeteics model dapat diestimasi dengan
metode Ordinary Least Squares (OLS).
Asumsi Dasar OLS
i. Hubungan antara X dan Y diasumsikan linier.

ii. Nilai Xi yang ditentukan sebelumnya (tetap) diasumsikan diukur tanpa
kesalahan
iii. Kesalahan ei tidak tergantung pada X yaitu E (ei X) = 0.
iv. Kesalahan diasumsikan terdistribusi normal dengan rata-rata nol dan varians
92
σ i.e e N ( 0 , σ )
2 2
Asumsi diatas mengartikan bahwa,
Y i=α + β X i +e i
adalah variabel acak dengan harapan (rata-rata)
E ( Y i ) =E ( α 0+ β 1 X i +e i )
¿ α 0+ β X i
Karena α dan β adalah adalah konstanta dan E(ei) = 0
Demikian pula,
V(Yi) = Var(β0 + β1Xi + ei)
= Var(ei)
2
¿σe
Dimana σ 2ebisa diperkirakan dengan S2=

∑ ( Y i −Y )2
n−1
8.4 Estimasi Parameter

Misalkan ada n pasang pengamatan pada X dan Y sebagai
(x1, yi), (x2, y2), -----, (xn, yn).
Hubungan linier yang diasumsikan adalah
Yi = a + bXi + ei ………. (8.1)
Di mana a dan b adalah perkiraan β0 dan β1 dalam model asli.
ei = Yi – a – bXi ……….(8.2)
maka Q = ∑ ei =∑ ( Y i−a−bXi ) ………. (8.3)

2 2
93
Konstanta dapat diperoleh dengan meminimalkan Q sehubungan dengan a dan b.
yaitu
∂Q
=−2 ∑ ( Y i−a−b X i ) =0……….(8.4)
∂a
∂Q
=−2 ∑ ( Y i−a−b X i ) X i =0………..(8.5)
∂a
Persamaan normal (8.4) dan (8.5) dapat dipecahkan secara simultan untuk
mendapatkan
a=Y −b X ……….(8.6)
dan
b=
∑ XY −n XY = S S XY ……….(8.7)
∑ X 2−n X 2 S S XX
Dan σ 2e dapat diperkirakan dengan
√
n
∑ e2i ………. (8.9)

σ ❑e = i−1
n−1
√ ∑ ( Y i−Y^ )
2
¿
n−1
Di mana Yi adalah nilai yang diamati dari Y
Ŷi adalah nilai yang diperkirakan dari Y dan varians dari intercept adalah
σ c ∑ Xi
Var ( β 0 )= ………. (8.10)
S XX
dan varians dari koefisien regresi adalah
σ2
Var ( β 1) = ……….(8.11)
S XX
Koefisien Penentuan (Koefisien Determinasi)
94
Ini adalah proporsi variasi dalam variabel respons (Y) yang dijelaskan oleh
variabel penjelas (X).
Ini didefinisikan oleh
[∑ ]
n
β1 XY −n XY
S S Regression i−1
R= = ……….(8.12)
S S Total n
∑Y 2 2
−¿ nY ¿
i−1
Explained variation
¿
Total variation
Dimana 0 ≤ R2 ≤ 1
R2 = 0 ketika b=0 dan R2 = 1 ketika semua poin jatuh pada garis regresi yang
tepat.
8.5 Menguji Signifikansi Model

Itu selalu menimbulkan rasa ingin untuk menguji signifikansi model. Itu
untuk memeriksa apakah garis regresi cocok atau tidak. Jika garis tersebut cocok,
maka semua titik pada diagram pencar harus jatuh pada garis atau terletak sangat
dekat dengannya.
Metode yang paling objektif adalah dengan mengatur jumlah produk

kuadrat dan silang dalam tabel Analysis of Variance (ANOVA), dan melakukan
uji Fisher (uji F) atau siswa (uji-t) sebagai berikut:
Tentukan Hipotesisnya
H0: b = 0 (yaitu tidak ada hubungan antara X dan Y)
H1: b ≠ 0 (yaitu hubungan yang ada antara X dan Y)
Tentukan α, tingkat signifikansinya.
Tabel 8.1
Tabel ANOVA
95
Source Df SS MS F-cal
Regression K-1 SSR = βSXY SSXY/K-1=MSR MSR/MSE
n -k -
Error SSY-SSR=SSE SSE/n – K – 1 = MSE
1
Total n-1 ∑ Y 2i −¿ ¿
The critical value is FV1,V2,α
Di mana V1 = K – 1; V2 = n – K – 1
α = 0.05 atau 0.01
Aturan Keputusan
Tolak H0 jika Fcal > FV1,V2,α pada α tingkat signifikansi sebuah kesimpulan ada
cukup bukti yang menunjukkan variable X dan Y berhubungan, jika tidak terima
H0.
Contoh 8.1
Tabel dibawah menyajikan turunnya penjualan di berbagai dealer motor, (dalam

jutaan rupiah) (Y) dari penjualan yang dilakukan (X), jumlah bulan penghentian
promosi.
Tabel 8.2
Y 4 17 14 1 11 22 9 12 4 7
X 7 32 26 1 20 34 17 21 5 12
a. Gambar diagram scatter dari data di atas.

b. Sesuaikan dengan persamaan regresi Y pada X.
c. Tafsirkan parameter model regresi anda.
d. Seseorang diketahui telah menghentikan promosi selama 27 bulan,
memperkirakan penurunan penjualan dalam jutaan rupiah.
e. Dapatkan estimasi kesalahan standar model.
96
Solusi
Diagram 8.2 Jumlah Bulan
25 Scatter Plot
20
15
10
Promosi
0
0 5 10 15 20 25 30 35 40
Tabel 8.3
Y X XY X2 Y2 Y^ ¿
4 7 28 49 16 4.159 0.02528
17 32 544 1024 289 18.309 1.7135
14 26 364 676 196 14.913 0.8336
1 1 1 1 1 0.763 0.0561
11 20 220 400 121 11.517 0.2673
22 34 748 1156 434 19.441 6.648
9 17 153 289 31 9.819 0.6708
12 21 252 441 144 12.083 0.00689
97
4 5 20 25 16 3.027 0.9467
7 12 84 144 49 6.789 0.000121
101 175 2414 4205 4397 0.06877
Y = 10.1
X = 17.5
a. Regresi dari Y di X Y = a + bx
b = ∑ XY −n XY
= ∑ X 2−n X 2
2414−10 ( 10.1 ) ( 17.5 ) 646.5

= =
4205−10 ( 17.5 )
2
1142.5
= 0.566
a =Y −b X
= 10.1−0.566 ( 17.5 )
=0.197
Y^ = 0.197+ 0.566 X
a. a = 0.197m saat X = 0, Y = 0.197
b = 0.566 menyiratkan untuk setiap bulan dihabiskan menaikkan

anggaran promosi, ada penurunan rata-rata penurunan 0,57 juta.
b. Y^ = 0.197 + 0.566(27)
= 0.197 + 15.28
= 15.48 juta
√
n
2
c. Se ∑e i
i−1
¿
n−1
√ ∑ ( Y i−Y^ )
2
¿
n−1
98
dari table kerja. ∑ ( Y i−Y^ ) =11.0688
2
⸫ Se =
√ 11.0688
9
= 1.109
Contoh 8.2
Seorang kepala manajer pemasaran mengumpulkan 10 cara promosi dari jalur

pemasaran di suatu perusahaan besi. Setiap kali promosi (Y) dan penjualan (X)
diukur. Hasilnya diberikan di bawah ini.
Tabel 8.4
Rata-rata Rata-rata
promosi penjualan
(X) dalam (Y) dalam
mm. cm.
8.8
18.1
23.0 9.5
17.5 8.9
20.2 9.1
14.7 8.6
13.8 8.3
15.1 8.5
13.8 8.2
16.1 9.4
12.6 7.2
a. Hitung regresi linear panjang rata-rata
pada promosi.
b. Adakah bukti yang menunjukkan bahwa diameter mempengaruhi
penjualan.
c. Hitung kesalahan standar dari koefisien regresi.
99
n = 10
∑ X=164.9 ∑ Y =86.5
X =¿ 16.49 Y =8.65
∑ X 2=813.85 ∑ Y 2=752.25
∑ XY =1441.85
Hipotesis :
H 0 : β 1=0
H 1 : β1 ≠ 0
α =0.05
a. b =
∑ XY −n XY
∑ X 2−n X 2
1441.85−10 ( 16.49 ) ( 8.65 ) 15.465
= =
2813.85−10 ( 16.49 )
2
94.649
= 0.163
a = Y −b X
= 8.65−0.163 ( 16.49 )
= 5.96
Y^ =¿5.96 + 0.163X
b. SSTOTAL=∑ (Y −Y ) =∑ Y i −n Y
2 2 2
= 752.25−10 ( 8.65 )
= 4.025
SSTrt =b [∑ XY −n XY ]
= 0.163(15.465)
= 2.52
Tabel 8.5
ANOVA
Source df SS MS Fc
Treatment 1 2.52 2.52 13.40
Error 8 1.50 0.188
100
TOTAL 9 4.025
F 0.95 ,1 ,18 =5.32
RINGKASAN MATERI SESI 8

Pada sesi belajar 8 ini, anda sudah memelajari:
1. Teori analisis regresi dan penggunaanya.

2. Perbedaan antara model linear dan non linar, regresi model sederhana dan
berganda.
3. Metode Ordinary Least Squares (OLS) untuk memperkirakan ukuran dari
model regresi linear sederhana dan prosedur untuk melakukan uji
signifikasi a garis regresi yang diberikan
Self-Assessment Questions (SAQs) for Study Session 8

Sekarang kalian telah menyelsaikan materi pembelajaran sesi ini. Kalian bisa
menilai seberapa baik kalian memperoleh pembelajaran dengan menjwab
pertanyaan berikut ini.
SAQ 8.1-8.5
1. Sebuah tes dilakukan untuk menentukan hubungan antara kandungan
kimia (Y) dari solusi tertentu dan suhu kristalisasi (X) dalam deg. Berikut
ini jumlah dihitung:
n = 20,  Xi = 400; Yi = 220
 2 Xi = 8800  XiYi = 4300
 2 Yi = 2620
Dengan asumsi hubungan linear Y    X  e
a. Hitung perkiraan kuadrat terkecil dari α dan β tepat pada dua

signifikan gambar.
b. uji signifikasi model yang bdipasang pada tingkat signigikansi 5%
c. dapatkan kesalahan standar parameter dalam model
101
d. latihan serupa sebelumnya dengan n=1.5 menunjukan regresi koefisien
(β1) 0.10 dengan standar error 0.008. uji hipotesis dengan slope regresi
model ini samaa dengan latihan sebelumnya pada level signifikan 5%
2. duabelas siswa mengambil dua dokumen dengan subjek yang sama dan
tanda dalam presentase sebagai berikut:
S/No. 1 2 3 4 5 6 7 8 9 10 11 12
Paper I 65 73 42 52 84 60 70 79 60 83 57 7
Paper II 78 88 60 73 92 77 84 89 70 99 73 8
a. buat diagram scatter untuk data diatas
b. hitung persamaan regresi paper II atas paper I
c. dua orang siswa laki-laki masing-masing absen untuk 1 paper. Satu
mendapat nilai 63 dalam paper I, sedangkan siswa lain mendapat
nilai 81 dalam paper II. Perkirakan nilai siswa-siswa ini pada paper yang
tidak mereka ambil
d. dapatkan standar error pada koefisien regresi dalam (b) diatas
e. buat informasi kepercayaan 96% untuk koefisien regresi anda pada (b)
di atas.
3. Sampel acak dari sepuluh keluarga memiliki pendapatan dan pengeluaran

makanan berikut (dalam N per minggu)
Families A B C D E F G H I J
Family 20 30 33 40 15 13 26 38 35 43
income
Family 7 9 8 1 5 4 8 10 9 10
expenditur
e
a. perkirakan garis regresi pengeluaran makanan pada pendapatan dan
tafsirkan hasilnya.
b. tentukan gatis regresi pendapatan pada pengeluaran makanan dan
interpretasikan hasilnya
4. hasil berikut telah diperoleh dari sampel dari 11 pengamatan pada nilai
penjualan (Y) perusahaan dan harga sesuai (X).
102
a. perkirakan garis regresi penjualan pada harga dan tunjukan hasilnya
b. apa bagian dari variasi penjualan yang tidak dijelaskan oleh garis
regresi?
3. table berikut ini berisi gross national product (X) dan permintaan makanan
(Y), diukut dalam unit yang berubah ubah pada Negara berkembang pada 10
tahun periode 1960 – 1969
1960 1961 1962 1963 1964 1965 1966 1967 1968 1969
Y 6 7 8 10 8 9 10 9 11 10
X 50 52 55 59 57 58 62 65 68 70
a. perkirakan fungsi makanan Y = b0 + b1X + U
b. apa maksud dari hasil tersebut
c. hitung koefisien determinasi dan temukan variasi yang bisa dijelaskan

dan tidak dapat dijelaskan pada pengeluaran makanan
d. cari regresi X pada Y
103
BAB 9 : KORELASI DAN ASOSIASI
PENGENALAN
Sejauh ini dalam sesi delapan, Anda telah belajar bagaimana mengukur arah dan
kekuatan hubungan antara variabel penjelas dan variabel respons untuk tujuan
memprediksi satu dari yang lain. Namun, dalam studi ini, Anda akan belajar
bagaimana mengukur relasi atau hubungan antara dua variabel tanpa perbedaan
antara dua variabel dan bukan untuk tujuan prediksi.
Hasil belajar sesi 9
Pada ahir pembelajaran ini, anda harus bisa:
9.1 menjelaskan pengertian korelasi
9.2 menjelaskan keofisien dari ranking korelasi
104
9.1 Korelasi
Korelasi mengacu pada hubungan atau asosiasi antara dua atau lebih variabel dan
koefisien korelasi adalah kuantitas yang mengukur kekuatan hubungan linear
antara dua variabel kualilatif. Ukuran hubungan antara dua atribut (kualitatif
variabel) biasanya disebut sebagai asosiasi. Ini akan dibahas di bagian
selanjutnya.
Momen produksi korelasi koefisien
Misalkan kita mempunyai n pengamatan pada dua variabel x dan y ditunjukan

dengan:
(x1,y1) (x2,y2) … (xn,yn)
Hubungan koefisien r untuk variabel X dan Y dihitung dari n kasus.
Dimana r diantara -1 sampai +1
jika r = 0 , dua variabel tidak berkorelasi
jika r = +1, x dan y dikatakan berkorelasi langsung atau positif dan slope garis
regresi naik pada plot Scatter
jika r = -1, x dan y dikatakah berkorelasi terbalik atau negatif dan sloper regresi
menurun pada plot Scatter
jika 0 < r < 0.5, x dan y dikatakan berkorelasi lemah positif
jika 0.5 < r < 0, x dan y dikatakan berkorelasi kuat positif
jika -0.5 < r < 0, x dan y dikatakan berkorelasi lemah negatif
105
jika -1 < r < -0.5, x dan y dikatakan berkorelasi kuat negatif
Dengan catatan bahwa r juga disebut sebagai koefisien korelasi product moment.
Dapat ditunjukan dari sesi 8 bahwa
dan
jadi:
dimana b adalah koefisien regresi
contoh I:
dengan mempertimbangkan contoh 8.1. hitung koefisien korelasi product moment

untuk data ini.
solusi:
106
atau:
∑ Y 2−n Ȳ 2 = 376.9
Jadi,
646.5
r =
√( 1142.5 ) (376.9)
646.5
=
656.21
= 0.985
Atau,
r =
√S 2
x
b
√S 2
y
33.80
= (0.566)
19.41
= 0.985
9.2 Koefisien Peringkat Korelasi

Ini adalah ukuran kekuatan dari hubungan antara dua variabel kualitatif (atau
atribut). Ini juga digunakan ketika ketepatan pengukuran dari variabel kualitatif
mungkin tidak akurat, tidak memungkinkan atau tidak praktis.
107
Untuk mendapatkan koefisien peringkat korelasi, nilai variabel yang diamati
digantikan oleh peringkat masing-masing, baik dalam ukuran urutan naik atau
turun.
Koefisien peringkat korelasi dirumuskan sebagai berikut,
6∑ d
2
R = 1− 2
n( n −1)
Dimana, d = perbedaan peringkat untuk setiap pasangan variabel - 1 < R <1 dan
interpretasinya adalah sama seperti dalam koefisien korelasi momen produk.
Jika ada kaitan, rata-rata peringkat ditugaskan ke unit yang terlibat.
Contoh 9.3
Dua orang manajer diminta untuk menilai dua belas pekerja dalam kontes pekerja
terbaik. Dua belas kontestan diberi peringkat berdasarkan kinerja mereka sebagai
berikut:
Tabel 9.1
Juri 1 2 3 4 5 6 7 8 9 10 11 12
A 11 9 7 7 10 5 1 12 8 3 2 6
B 5 7 11 12 6 4 8 9 10 2 1 3
Apakah kedua manajer tersebut terdapat kesepakatan?
Solusi
Tabel 9.2
n = 12
1 2 3 4 5 6 7 8 9 10 11 12
D 6 2 -4 -2 -1 -3 -4 -3 -2 1 1 3
d
2
12 4 16 4 1 9 16 9 4 1 1 9
108
∑ d2 = 86
6∑ d
2
r = 1− 2
n( n −1)
6 (86)
= 1−
12(144−1)
= 1−0.3
= 0.70
Komentar: Terdapat kesepakatan yang cukup kuat dalam pendapat kedua

manajer.
Contoh 9.4
Sebuah penelitian dilakukan untuk mengetahui hubungan antara tingkat tindakan

merokok dengan jumlah batang rokok yang dibeli per hari (X) dan indeks
kesehatan Tercim (Y). Data berikut diperoleh pada sampel acak dari 10 pria yang
merokok.
Tabel 9.3
X 8 20 15 12 15 9 16 10 12 8
Y 4 5 5 7 10 13 8 6 3 8
Hitung koefisien korelasi peringkat spearman dan beri komentar terhadap

hasilnya.
Solusi
Tabel 9.4
Rx 9.5 1 3.5 5.5 3.5 8 3 7 5.5 9.5

Ry 9 7.5 7.5 5 2 1 3.5 6 10 3.5
109
d 0.5 -6.5 -4 0.5 1.5 7 -1.5 1 -45 6
d2 0.25 42.25 16 0.25 2.25 49 2.25 1 20.2 36
5
∑ d2 = 169.5
6∑ d
2
R = 1− 2
n( n −1)
6(169.5)
= 1−
10(100−1)
= 1−0.30
= 1−1.027
= 0.027
Komentar: Hasil di atas menunjukkan bahwa ada hubungan negatif yang lemah
antara kebiasaan merokok dan laporan indeks kesehatan.
Ringkasan untuk Pembelajaran Sesi 9
Dalam pembelajaran sesi 9 ini, Anda telah belajar tentang:
1. Konsep korelasi.
2. Perbedaan antara korelasi
3. Hubungan antara variabel dan atribut kualitatif.
4. Metode interpretasi dari koefisien
110
BAB 10 : PROPORSI, TARIF, DAN INDEKS
1. Ayub Michael David (12010119130281)
2. Varamitha Windy C (12010119140240)
3. Raihan Ananta N (12010119130090)
4. Amardita Nur Fathia (12010119130286)
5. Aldienezha Devangga (12010119130259)
111
Sesi Studi 10
Proporsi, tarif, dan indeks telah menjadi sangat penting di dalam analisis
deskriptif dalam peristiwa dan karakteristik tertentu. Hal tersebut sangat
dibutuhkan dalam mempelajari karakteristik vital, seperti harga, kematian,
kelahiran, epidemi, pertumbuhan populasi, dll.
112
Dalam pembelajaran kali ini, anda akan dikenalkan mengenai tiga konsep itu
digunakan dan diaplikasikan dengan beberapa sampel data dengan penekanan
yang khusus pada indeks harga.
Hasil Pembelajaran
Pada akhir pembelajaran ini, anda harus mampu untuk :
1. Menjelaskan arti dari istilah proporsi, kurs, dan indeks.
2. Menjelaskan faktor yang harus dipertimbangkan ketika menghitung
indeks.
3. Berdiskusi tentang berbagai metode yang berbeda dari konstruksi indeks
harga.
4. Identifikasi penggunaan indeks harga konsumen.
PEMBAHASAN
10.1 Proporsi, Tarif, dan Indeks
Proporsi merupakan perbandingan sejumlah item dengan karakteristik tertentu (X)

dan jumlah total item yang terpapar dengan karakteristik seperti itu (N).
Didefinisikan sebagai
n( X )
P(X) =
N
Contoh :
Jika populasi usia pemungutan suara (orang yang berusia 18 tahun ke atas) di
sebuah bangsal terdiri dari 550 laki-laki dan 600 perempuan. Berapakah proporsi
laki-laki?
Solusi :
113
n (pria) = 550
Total populasi = 550 + 600 = 1150
n( pria)
Proporsi atas pria : P(pria) =
N
550
= = 0,478
1150
Tarif
Ketika proporsi mengacu pada sejumlah peristiwa atau kasus yang terjadi
selama periode waktu tertentu, itu berarti merupakan tarif dan biasanya
dinyatakan per 1000. Dengan demikian kami menyebut tingkat kelahiran sebagai
jumlah kelahiran per 1000 populasi dalam setahun. Begitu juga kita memiliki
tingkat kematian, tingkat migrasi, tingkat pernikahan, dll. Tarif dapat
didefinisikan sebagai pungutan yang dibebankan untuk semua barang yang
melewati negara baik keluar ataupun masuk dan diatur melalui perundang-
undangan seperti tarif ekspor, tarif impor dan sejenisnya. Beberapa contoh akan
diberikan pada gambarkan konsep ini nanti.
Angka Indeks
Indeks adalah bilangan real/sebenarnya yang mengukur tingkat kenaikan
atau penurunan upah, produksi nilai, kuantitas, harga, atau volume fenomena
tertentu dalam periode berjalan yang relatif terhadap periode tertentu di masa lalu.
(periode dasar). Biasanya diukur dalam persentase. Angka Indeks adalah
perangkat untuk memperkirakan tren harga, upah, produksi, dan variabel ekonomi
lainnya.
Dalam bentuknya yang paling sederhana, angka indeks mewakili jenis
rata-rata khusus atau rata-rata tertimbang, dikompilasi dari sampel item yang
dinilai untuk mewakili keseluruhan. Dalam penelitian ini, fokus kami harus pada
konstruksi indeks harga konsumen, karena prinsip dan metode yang akan dibahas
berlaku untuk indeks penjualan, produksi, upah, nilai, dan indeks kuantitas.
114
Ketika proporsi mengacu pada jumlah peristiwa atau kasus yang terjadi selama
periode waktu tertentu, itu menjadi _______
a. Tarif
b. Indeks
c. Rasio
d. Peta
Jawaban ; a. Tarif
10.2 Konsiderasi untuk Sebuah Angka Indeks
Cukup banyak metode dan formula yang digunakan dalam perhitungan
angka indeks; Namun, sejumlah kriteria harus dipenuhi.
Sebuah angka indeks yang baik :
a. Harus sederhana dalam sebuah konsepsi
b. Harus mudah diperhatikan, Jadi seseorang bisa mengerti sebuah nomor
indeks yang dicoba untuk mengukur sebuah harga yang berubah di dalam
kurun waktu tertentu.
Seperti yang kami sebutkan di bagian awal kuliah ini, nomor indeks adalah jenis
khusus rata-rata yang mempertimbangkan harga banyak komoditas yang
dinyatakan dalam unit yang berbeda atau kuantitas yang diukur juga dalam satuan
yang berbeda. Komoditas ini juga dapat memiliki bobot yang berbeda di 120
"keranjang" barang yang dipertimbangkan untuk indeks. Semua ini biasanya
merupakan masalah yang ditemui dalam pembangunan nomor indeks.
Sehingga dalam pembentukan indeks harga, faktor-faktor berikut turut

dipertimbangkan:
Pilihan Barang
Sumber Data
115
Periode Dasar
Bobot
a. Pilihan Barang
Keputusan pada barang harus diambil etika akan dimasukkan ke dalam
indeks. Komoditas yang akan dimasukkan harus relevan, representatif, andal,
dan sebanding dalam sebuah kurun waktu.
b. Sumber Data
Keputusan juga harus diambil pada sumber data untuk barang yang menyusun
"keranjang" yang akan digunakan dalam pembangunan nomor indeks, jika
harga data komoditas dikumpulkan dari pasar lokal, supermarket atau pasar
perkotaan. Kehati-hatian harus diambil untuk memastikan bahwa harga
dikumpulkan dari pasar populasi yang dilindungi oleh berbagai kategori
orang dan di mana sebagian besar komoditas yang dipilih dapat ditemukan.
c. Periode Dasar
Tahun dasar adalah periode referensi. Tahun yang dipilih biasanya
merupakan tahun yang “normal”, bebas dari kejadian yang tidak biasa seperti
perang, kelaparan, mogok yang berkepanjangan, atau hiper-inflasi. Jika sulit
untuk memilih tahun tertentu, rata-rata serangkaian tahun dapat diambil.
d. Bobot
Bobot yang berbeda digunakan di berbagai bagian negara untuk komoditas
tertentu. Misalnya "congo" digunakan di bagian barat Nigeria, 'mudu' di Utara
dan 'timah' di Timur. Untuk tujuan pembuatan dan nomor indeks, bobot di
wilayah yang berbeda perlu diselaraskan dengan satu unit.
116
Pilihan barang dapat menentukan indeks harga. Benar atau salah.
Jawaban Dalam Teks
Benar
10.3 Metode dalam Pembentukan Indeks Harga

Ada beberapa metode dalam pembentukan indeks harga. Beberapa di antaranya;
-Pn menunjukkan harga tahun ini

-Po menunjukkan harga tahun dasar
-qn menunjukkan kuantitas pada tahun ini
-qo menunjukkan kuantitas pada tahun dasar
1. Harga Relatif: adalah metode paling sederhana dalam menghitung indeks

harga. Ini didefinisikan sebagai harga pada tahun berjalan yang dinyatakan
sebagai persentase dari harga pada periode berbasis komoditas tunggal. Periode
dasar selau diasumsikan:
Pn
HR= x 100
Po
2. Metode Agregat Sederhana: Metode ini mempertimbangkan harga keranjang

barang dan jasa di tahun-tahun berjalan relatif terhadap periode dasar. Hal ini
dinotasikan dengan:
ΣPn
MAS= x 100
ΣPo
Batasan: Menaruh bobot yang sama untuk semua komoditas. Tidak
memperhitungkan kepentingan relatif dari komoditas.
3. Metode Relatif Rata-Rata Sederhana: Ini adalah penjumlahan dari harga

relative dibagi dengan jumlah barang. Dinotasikan dengan:
Σ Pn/Po
SAP= x 100 dimana N adalah jumlah barang
N
117
Batasan pada metode ini sama dengan batasan pada metode agregat sederhana.
4. Metode Relatif Rata-Rata Sederhana Tertimbang: Untuk menghindari

masalah penetapan bobot yang sama untuk item yang berbeda, indeks harga
agregat sederhana tertimbang diberikan.
ΣWPn /Po
RRST = x 100
ΣW
Contoh 10.1
Berikut ini adalah harga komoditas A, B, dan C pada 1975 dan 1985
menggunakan 1974 sebagai tahun dasar.
Komoditas 1975 1985

A 40 50
B 12 35
C 45 95
Hitung:
i. Harga relatif untuk masing-masing komoditas

ii. Indeks harga agregat sederhana
Solusi
Tabel 10.2
Komoditas 1975 1985 Pn/Po x 100
118
A 40 50 50/40 x 100 = 125
B 12 35 35/12 x 100 = 291.7
C 45 95 95/45 x 100 = 211.1
Total 97 180
∑P n
SAPR jumlah =
∑P 0
180
= x 100
87
∑P n/ P
SAP (S.Rata - rata ) = 0
x 100
N
6.28
= x 100
3
Contoh 10.2
Diberikan harga beberapa makanan pokok pada 1980 dan 1996 dengan berat yang
sesuai. Menggunakan 1980 = 100
Table 10.3
Makanan Bobot Harga

pokok 1980 1996
Tepung 3 1.25 10.50
Jahe 5 4.0 12.50
Nasi 1 35.0 75.0
Kacang 3 12.0 38.0
Ubi 2 5.001 8.50
Menghitung i. Harga relatif
ii. Indeks harga kumpulan sederhana
119
iii. Indeks harga rata – rata berat
Table 10.4
Makanan bobot harga

pokok
1980 1996 P n/ Po x W( Pn/ Po )
100
Tepung 3 1.25 10.50 840 25.20
Jahe 5 4.0 12.50 32 1.6
Nasi 1 35.0 75.0 214 2.14
Kacang 3 12.0 38.0 316 9.48
Ubi 2 5.001 8.50 170 3.4
Total 14 57.25 144.5 41.85
∑ Pn
Indeks harga kumpulan sederhana = x 100
∑ P0
144.5
= x 100
57.25
= 252.14
∑℘n / Po
Indeks harga rata – rata berat = x 100
∑W
= 41.85 x 100
= 298.7
5. Indeks harga laspeyer : adalah metode pembobotan jumlah indeks.

Diasumsikan bahwa pola konsumsi tidak berubah selama bertahun tahun dengan
perubahan harga. Dan dilambangkan dengan :
120
∑ P n qo
PL = x 100
∑ P o qo
Limitasi (batasan): sejak jumlah tahun dasar mencerminkan harga dari pola
pembelian keluar model. Ini memberi bobot yang tidak semestinya pada barang-
barang yang mengalami kenaikan harga. Karenanya indeks harga Laspeyer
cenderung tinggi
6. Indeks Harga Fase: Metode ini mengasumsikan bahwa pola konsumsi

konsumen telah berubah pada berjalannya tahun. Ini dilambangkan dengan:
∑ P n qn
pp = x 100
∑ P 0 qn
Batasan: Beberapa orang cenderung menghabiskan lebih sedikit pada barang-

barang yang telah naik harga, prosedur penimbangan saat ini (Paashes)
memberikan berat yang tidak semestinya pada barang-barang yang harganya
turun, itu cenderung mengurangi kenaikan harga. karenanya meremehkan indeks
harga.
7. Angka indeks ideal fisher : Metode ini mengatasi masalah Paashes dan
Laspeyer. Ini di pertimbangkan sebagai metode yang paling efisien dalam
mengonstruksi indeks angka. Ini adalah rata – rata geometris dari indeks harga
Laspeyer dan Paashes yang dinyatakan dengan :
√ PL . P p
Indeks ideal fisher =

√ ∑ P n q 0 ∑ Pn q n
.
∑ P 0 q 0 ∑ Pn q n
x 100
8. Indeks harga Marshal-Eldgeworth : Metode ini memperhitungkan pola

konsumsi dalam periode dan basis saat ini. Itu menggunakan rata – rata aritmatika
dari basis dan jumlah kuantitas berat saat ini. Itu diberikan oleh:
121
∑ Pn {q0 + qn }
M Ep = x 100
∑P 0 {q0 + qn }
Contoh 10.3
Harga dan kuantitas yang diminta dari komoditas A, B dan C pada tahun berjalan
dan tahun dasar diberikan di bawah ini
Tabel 10.5
Komodita 1960 1970

s
1960 1970
Harga Kuantita Harga Kuantitas
(P) s
(P) (Q)
(Q)
A 4 50 10 40
B 3 10 9 2
C 2 5 4 2
Buat nomor indeks harga dari data berikut menggunakan
i.Metode Laspeyres
ii. Metode Pashe
iii. Metode Marshall-Edgeworth dan
iv. Nomor indeks ideal Fisher
solusi
Tabel 10.6
122
Komoditas 1960 1960 1970 1970
Po Qo Pn Qn PnQo PoQn PnQn
Harga Kuantitas Harga Kuantitas
A 4 50 10 40 500 160 400
B 3 10 9 2 90 6 18
C 2 5 4 2 20 4 8
Total 9 65 23 44 610 170 426
∑ Pn q
i. Laspeyer’s P1 = P L = x 100
0
∑P o q 0
= 610/240 x 100
= 254.2
∑ P n qn
ii. Paasche’s Pp = p p = x 100
∑ P 0 qn
= 426/170 x 100
= 250.6
∑ Pn {q0 + qn }
iii. Marshal-Eldgeworth (M-E) = M - E p = x 100
∑ P 0 {q0 + qn }
610+426
= x 100
240+170
= 252.7
iv. Fisher’s = indeks ideal fisher =

√ ∑ P n q 0 ∑ Pn q n
.
∑ P 0 q 0 ∑ Pn q n
x 100
123
=
√ 610 426
x
240 426
x 100
= 254,1
10.4 Penggunaan Indeks Harga Konsumen

1. Indeks harga konsumen antara lain digunakan untuk mengukur perubahan
harga eceran jumlah tertentu barang dan jasa di wilayah geografis tertentu
selama periode waktu.
2. Ini membantu dalam negosiasi upah dan gaji dan penyesuaian tunjangan.
3. Instansi pemerintah menggunakan indeks harga konsumen untuk merumuskan
kebijakan upah, kontrol harga kebijakan, perpajakan dan kebijakan ekonomi
umum.
4. Perubahan daya beli dan pendapatan riil dapat diukur dengan menggunakan
indeks harga konsumen.
5. Gunakan dalam perbandingan internasional
6. Konstruksi Indeks Penderitaan Manusia.
7. Konstruksi indeks biaya hidup.
Perubahan daya beli dan pendapatan riil dapat diukur dengan menggunakan
indeks harga konsumen. Benar atau salah
Jawaban dalam teks
Benar
Ringkasan untuk Sesi Belajar 10
Di sesi pelajaran 10, Anda telah belajar tentang:
124
1. Berbagai metode membangun nomor indeks
2. Masalah yang terkait dengan pembangunan nomor indeks
3. Penggunaan indeks harga konsumen
LATIHAN SOAL
Sekarang setelah Anda menyelesaikan sesi studi ini, Anda dapat menilai seberapa
baik Anda telah mencapai Hasil belajar dengan menjawab pertanyaan-pertanyaan
berikut.
SAQ 10.1 -10.4
1. a. Jelaskan apa yang dimaksud dengan nomor indeks
Nomor Indeks adalah perangkat untuk memperkirakan tren harga, upah,

produksi, dan variabel ekonomi lainnya.
Dalam bentuknya yang paling sederhana, angka indeks mewakili jenis
rata-rata khusus atau rata-rata tertimbang, dikompilasi dari sampel item yang
dinilai mewakili keseluruhan.
b. Apa kegunaan indeks harga konsumen?
1. Mengetahui pengaruh kenaikan harga komoditas terhadap daya beli

konsumen.
2. Dapat dijadikan indikator ekonomi untuk mengetahui tingkat inflasi.
3. Untuk mengetahui tingkat kenaikan pendapatan masyarakat.
4. Dapat dijadikan ukuran besarnya biaya produksi yang dikeluarkan.
5. Mengetahui daya beli nilai mata uang.
c. Kerabat harga minyak kelapa sawit dan minyak tanah ditunjukkan pada table
125
Komoditas Harga Relatif
1961 1962
Minyak Kelapa 100 108

Sawit
Minyak Tanah 100 114
Dengan asumsi bahwa minyak sawit dua kali lebih penting dari minyak tanah,
berapa indeks harga untuk tahun 1962.
Dengan 1961 = 100.

Σ Pn/Po 222/ 200
SAP= x 100 = x 100 = 1.11/111%
N 100
2. Lima komponen pakan akan digunakan dalam pembangunan indeks jumlah

pakan ternak. Dari angka-angka yang diberikan dalam tabel berikut, hitung
indeks harga Laspeyres.
Dengan 1964 = 100.
Komponen 1964 1970

Harga per Konsumsi per Harga per Konsumsi per
ton (Po) ton (Qo) ton (Pn) ton
(Qn)
A 40 3600 41 2750
B 39 2750 53 1500
C 38 2050 35 2350
D 37 500 30 750
E 36 1475 24 2850
E( Pn x Qo)
Jawab: Indeks Laspeyres= x 100
E( Po x Qo)
126
Kompone 1964 1970
n
Harga Konsumsi Harga Konsums Po x Pn x
per ton per ton per ton i per ton Qo Qo
(Po) (Qo) (Pn) (Qn)
A 40 3600 41 2750 112.750 147.600
B 39 2750 53 1500 79.500 145.750
C 38 2050 35 2350 82.250 71.750
D 37 500 30 750 22.500 15.000
E 36 1475 24 2850 68.400 35.400
365.400 415.500
415.500
Maka Indeks Laspeyres = x 100=113,71 %
365.400
3. Diberikan data berikut dengan komoditas A,B,C dan D.
Tahun Sebelumnya Tahun Sekarang

Komoditas Po qo Pn qn
A 10 12 12 15
B 7 15 5 20
C 5 24 9 20
D 16 5 14 5
Buktikan bahwa Index ideal Fisher adalah 115.7
127
Jawab:
Angka Indeks Laspeyres:

Komoditas Po qo Pn qn Pn x Qo Po x Qo
A 10 12 12 15 120 120
B 7 15 5 20 75 105
C 5 24 9 20 216 120
D 16 5 14 5 70 80
Total 481 425
Pn x Qo = 481
Po x Qo = 425
Maka, IL= 481/425 x 100= 113,17
Angka Indeks Paasche:

Komoditas Po qo Pn qn Pn x Qn Po x Qn
A 10 12 12 15 180 150
B 7 15 5 20 100 140
C 5 24 9 20 180 100
D 16 5 14 5 70 80
Total 530 470
Pn x Qn = 530
Po x Qn = 470
Maka, IP = 530/470 x 100 = 112,76
Maka, Index ideal Fisher = √ 113,17 x 112,76=112,96
Index ideal fisher sebenarnya adalah 112,96.
128
BAB 11 : ANALISIS DERET WAKTU
1. Arin Urnika (12010119120041)
2. Dian Farhana (12010119120024)
3. Kenradya Surya H (12010119130158)
4. Rafif Zharif P (12010119140157)
5. Sherly Ichlimah (12010119130258)
129
Sesi Studi 11: Analisis Deret Waktu
A. Pengenalan
Analisis deret waktu adalah penerapan teknik deret waktu terhadap data
terstruktur waktu yang biasanya disebut data deret waktu. Data deret waktu adalah
catatan pengamatan yang mengukur jumlah bunga tertentu pada interval waktu
yang teratur atau tidak teratur.
Pengamatan dapat direkam setiap hari, mingguan, kuartalan, tahunan atau dua
tahunan. Ini adalah fungsi realisasi atau sampel dari proses stokastik tertentu.
Rangkaian waktu terjadi di banyak bidang seperti, Pertanian, Teknik, Bisnis dan
Ekonomi, Geofisika, Ilmu Kedokteran, Meteorologi, Kontrol kualitas, Ilmu
Sosial, dan sebagainya.
Dalam sesi studi ini, Anda akan belajar tentang data deret waktu, metode analisis
data deret waktu dan komponen deret waktu.
B. Hasil Belajar untuk Sesi Belajar 11

Di akhir studi ini, Anda harus dapat:
11.1 Menentukan dan mengidentifikasi data deret waktu
11.2 Identifikasi metode analisis data deret waktu
11.3 Perkirakan dan isolasi komponen-komponen dari suatu deret waktu
11.1 Analisis Deret Waktu

Tujuan dari rangkaian waktu adalah untuk mengidentifikasi model dalam kelas
model fleksibel tertentu yang kira-kira dapat mengekspresikan hubungan
130
terstruktur waktu dari proses yang menghasilkan data. Penggunaan asli dari
analisis deret waktu terutama sebagai bantuan untuk perkiraan. Dalam waktu
belakangan ini, tugas tersebut telah berkembang ke tingkat di mana analis time
series mengembangkan model yang cukup sederhana yang mampu
menggambarkan sistem yang menghasilkan data terstruktur waktu, membuat
perkiraan yang andal untuk masa depan dan pengujian hipotesis.
131
11.1.1 Penggunaan Model Time Series
Analisis deret waktu adalah studi tentang hubungan terstruktur waktu dalam suatu
variabel. Ini melibatkan penggunaan alat dasar untuk menganalisis data deret
waktu tertentu dengan maksud untuk:
a. Bangun sistem matematika sederhana yang menjelaskan hubungan terstruktur
waktu dalam rangkaian ekonomi dan sosial secara ringkas.
b. Gunakan model untuk menjelaskan perilaku seri dan membuat perkiraan yang
dapat diandalkan untuk masa depan berdasarkan ketergantungan dinamis dari
seri pada nilai-nilai masa lalu.
Dengan demikian deret waktu menyediakan dasar untuk perencanaan ekonomi
dan bisnis, produksi dan perencanaan sistem, kontrol dan optimalisasi proses
industri. Sifat intrinsik dari suatu deret waktu adalah bahwa pengamatannya
tergantung atau berkorelasi dan urutan pengamatan tergantung.
Karena kehidupan harus dipahami melihat ke belakang dan harus dijalani dengan
melihat ke depan, deret waktu menyediakan alat yang berguna yang membantu
untuk memprediksi masa depan dengan memperkirakan model yang
menggunakan data masa lalu.
11.1.2 Rangkaian waktu diskrit

Rangkaian tempat pengamatan dilakukan pada interval waktu tertentu yang
terpisah, biasanya dengan jarak yang sama misalnya, suku bunga, hasil, volume
penjualan dan produksi. Rangkaian tersebut muncul dari bidang-bidang, seperti
pertanian, kalangan bisnis, dan sebagainya.
11.1.3 Rangkaian waktu kontinu

Pengamatan yang diambil setiap saat t (t  T) dalam indeks yang ditetapkan T.
Rangkaian jenis ini biasa terjadi di Teknik, Geofisika, dan Ilmu Kedokteran.

Rangkaian waktu diskrit adalah seri di mana pengamatan dilakukan pada interval
waktu khusus diskrit, biasanya berjarak sama. Benar atau salah
132
11.2 Metode Analisis data Time Series
Data deret waktu dapat dianalisis menggunakan metode deterministik atau metode
Dinamis.
11.2.1 Metode deterministik

Rangkaian waktu dikatakan deterministik jika nilai masa depan ditentukan dengan
tepat oleh beberapa fungsi matematika. Sebagai contoh:
1) Yt =a+ bt
2) Xt =cos ( 2 t )
Dimana a dan b adalah konstanta dan t adalah waktu yang ditetapkan.
3) Xt =Tt × St × Ct ×¿
Di mana Tt adalah komponen tren, St adalah komponen musiman, Ct adalah
komponen siklus dan I merupakan komponen tidak beraturan.
11.2.2 Metode Dinamis (Non-deterministik)

Rangkaian waktu dikatakan tidak menentukan nilai masa depan hanya dapat
ditentukan dalam hal distribusi probabilitas yang dipandu oleh beberapa asumsi.
Sebagai contoh:
1) Y t =φ1 Y t −1 +φ 2 Y t −2+ ε t
2) X t = A sin ( ωt +θ )
Dimana ε t terdistribusi normal dengan rata-rata nol dan varians kesatuan, A
adalah konstanta dan θ merupakan variabel acak dari distribusi seragam pada
interval[ −π , π ] independen dari A
Metode ini melibatkan penggunaan fungsi Autocorrelation (ACF) dan Partial
autocorrelation (PACF) dan korelogram dalam domain diskrit. Ini juga melibatkan
transformasi Fourier dalam domain Frekuensi. Analisis dalam domain frekuensi
dilakukan dengan menggunakan metode Fourier dan fungsi kerapatan spektral.

Rangkaian waktu dikatakan non-deterministik jika nilai masa depan hanya dapat
ditentukan dalam hal distribusi probabilitas dipandu oleh beberapa asumsi. Benar
atau salah
133
11.2.3 Analisis deret Waktu Deterministik
Analisis deret waktu tergantung pada jenis sistem yang menghasilkan data.
Analisis dalam domain waktu mengacu pada analisis deret waktu diskrit.
11.2.3 Time Plot

Alat diagnostik pertama dan paling penting dari data deret waktu adalah plot
waktu. Ini adalah representasi grafis dari data deret waktu. Ini dibangun dengan
memplot pengamatan { x t } pada sumbu vertikal terhadap waktu { t }pada sumbu
horizontal. Ketika digambar dengan benar, ia menampilkan fitur-fitur penting dari
seri ini seperti tren, musim, diskontinuitas, dan outlier. Alur waktu data
memberikan gambaran tentang jenis model yang cocok untuk data tersebut.
Ini juga dapat menunjukkan apakah akan diperlukan untuk mengubah data yang
diamati untuk mencapai kondisi stabil tertentu yang sesuai untuk analisis dan
kesimpulan yang bermakna.
Plot Waktu Xt
35
30
25
20
Xt
15
10
0
t 4 8 12 16 20 24 28 32 36 40 44 48 52 56 60 64 68 72 76 80 84 88 92 96
134
11.3 Komponen Seri Waktu
Pergerakan dalam data terstruktur waktu diatur oleh beberapa kekuatan khusus
dan inheren yang dapat dicirikan oleh keteraturan dan efeknya pada seluruh
rangkaian. Kekuatan juga dapat disebabkan oleh perubahan dalam karakteristik
sosial, ekonomi, psikologis atau lingkungan dalam sistem. Pola yang dihasilkan
oleh kekuatan-kekuatan ini disebut sebagai komponen deret waktu. Beberapa
komponen adalah: tren (Tt), gerakan musiman (St), gerakan siklis (Ct) dan
gerakan tidak teratur (It).
11.3.1 Tren atau Gerakan Sekuler (Trend or Secular Movement)

Ini adalah gerakan jangka panjang dalam suatu rangkaian dalam arah yang sama
selama periode waktu yang lama. Ini biasanya mencirikan peningkatan atau
penurunan nilai terus menerus pada suatu variabel dari waktu ke waktu. Gerakan
ini umumnya disebut sebagai Variasi Sekuler atau Gerakan Sekuler. Sebuah garis
dapat ditarik secara bebas dengan tangan melalui titik-titik yang diplot pada grafik
deret waktu semacam itu yang membentang dalam periode yang panjang; garis
seperti itu disebut tren. Ini dilambangkan dengan (Tt). Alur waktu di bawah ini
menunjukkan tren secara seri.
Gambar 1.2: Plot waktu menunjukkan Tren
135
11.3.2 Variasi Musiman (Seasonal Variation)
Mengacu pada pola yang identik diikuti oleh serangkaian waktu tertentu karena
peristiwa berulang yang terjadi setiap tahun. Gerakan ini tampaknya periodik
(menunjukkan variasi waktu yang tetap dalam interval waktu tertentu).
Ada faktor yang menyebabkan pola ini berulang setiap tahun, yaitu faktor utama
adalah kondisi cuaca. Selama musim dingin, lebih banyak pakaian wol dijual di
Inggris dan beberapa bagian dunia lainnya. Juga, terlepas dari tren peningkatan
penjualan es krim, ada lebih banyak penjualan es krim selama musim panas
daripada musim dingin. Variasi musiman disimbolkan = (St).
Gambar 1.3: Plot waktu yang menunjukkan variasi musiman
11.3.3 Variasi Siklis (Cyclical Variation)

Variasi Siklik mengacu pada osilasi jangka panjang tentang tren yang
mungkin atau tidak periodik karena beberapa penyebab fisik lainnya. Pergerakan
mungkin atau tidak persis mengikuti serupa pola setelah interval waktu yang
sama. Variasi siklus ditunjukkan oleh:
Gambar 1.4 Plot Waktu yang menunjukkan Variasi Siklis
136
11.3.4 Variasi tidak teratur (Irregular Variation)
Ini merujuk pada pergerakan deret waktu yang tidak menentu atau sporadis karena
terjadinya peristiwa yang tidak terduga, karenanya tidak dapat diisolasi secara
langsung. Meskipun diasumsikan bahwa peristiwa-peristiwa ini menghasilkan
variasi waktu yang singkat, mereka dapat menjadi sangat intens dan dapat
menghasilkan siklus baru atau variasi lainnya.Termasuk di antara faktor-faktor
acak ini adalah peristiwa seperti pemogokan, banjir, letusan gunung berapi, gempa
bumi, kebakaran, perubahan mendadak dalam kebijakan pemerintah dan
sebagainya.
11.3.5 Metode Menggabungkan Komponen
Tugas ahli statistik adalah memisahkan masing-masing faktor sejauh mungkin,
yaitu mengisolasi atau menghapus komponen individu, dampak dari masing-
masing komponen dapat dinilai. Mungkin saja tidak semua komponen ada.
Secara tradisional, memungkinkan untuk menguraikan deret waktu menjadi
komponen tren, musiman, siklus dan tidak teratur. Menggunakan salah satu dari :
Model aditif : X t = T t + St + C t + I t
Atau
Model multiplikasi : X t = T t × St × Ct × I t
Keterangan: X t = Time Series

T t = Komponen Tren
St = Komponen musiman
C t = Komponen siklus
I t = Komponen Tidak Teratur
Persamaan tren yang dihasilkan dapat digunakan untuk perkiraan, sementara data
asli dapat dinasionalisasi. Sebagai contoh, tren dapat diestimasi menggunakan:
(i) Tangan bebas (Free Hand Method)
(ii) Semi rata-rata (Semi Average Method)
(iii) Metode kuadrat terkecil (Least Square Method)
(iv) Rata – rata bergerak (Moving Average Method)
137
11.3.6 Contoh:
Data dari sebuah industri kerajinan rotan diperoleh data produksi dan penjualan,
sebagai berikut:
Tahun Produksi (unit) Penjualan (juta rupiah)
2001 300 30
2002 320 30,2
2003 260 30,55
2004 400 31,5
2005 410 35
2006 412 40,1
Dari table di atas, tentukan trend produksi dan estimasi produksi pada tahun 2008
menggunakan Free Hand Method, Semi Average Method, Least Square Method
dan Moving Average Method?
Solusi:
Free Hand Method

Metode ini menggunakan dua koordinat (X,Y) dengan persamaantrend yang
terjadi Y =a+bX .
Ket: Y = nilai trend periode tertentu = nilai peramalan pada periode tertentu
a = konstanta = nilai trend pada periode dasar
b = koefisien arah garis trend = perubahan trend setiap periode
X = unit periode yang dihitung dari periode dasar.
Pertanyaan:
a. Buatlah trend produksi dengan metode Free Hand
b. Tentukan estimasi produksi pada tahun 2008
Jawab:
 Tentukan tahun dasar yang akan dipakai untuk analisis (misalnya tahun 2003)
Tahun Produksi (unit) = Y X Penjualan (juta rupiah)

2001 300 -2 30
2002 320 -1 30,2
2003 260 0 30,55
2004 400 1 31,5
2005 410 2 35
2006 412 3 40,1
138
 Ambil 2 koordinat untuk nilai X dan Y, misalnya tahun 2002 dan 2005, maka
koordinatnya (-1,320) dan (2,410)
 Untuk persamaan Y =a+bX , maka jika ddisubstitusikan menjadi :
Koordinat (-1,320) 320=a−b Substitusikan :
Koordinat (2,410) 410=a+ 2b 320=a−b
−90=−3 b 320=a−30
b=30 a=350
a. Jadi, persamaan trend produksi rotan adalah Y =350+ 30 X
Ket : a = besarnya taksiran produksi pada tahun dasar (2003), yaitu 350 unit
b = besarnya rata-rata kenaikan produksi setiap tahun, yaitu 30 unit
b. Maka estimasi produksi pada tahun 2008 (X=5) adalah :
Y =350+ 30 X
Y =350+ 30 (5 )
Y =500 unit
Semi Average Method

Metode ini membagi dua dari keseluruhan data produksi
Tahun Produksi (unit) Semi Total Semi Average

2001 300
2002 320 880 880
=293,333
2003 260 3
2004 400
2005 410 1222 1222
=407,333
2006 412 3
Pertanyaan :
a. Buatlah trend produksi dengan metode Semi Average
b. Tentukan estimasi produksi pada tahun 2008
139
Jawab :
Gunakan tahun dasar (misalnya tahun 2005)
Tahun Produksi (unit) = Y X Semi Total Semi Average
2001 300 -4
2002 320 -3 880 880
=293,333
2003 260 -2 3
2004 400 -1
2005 410 0 1222 1222
=407,333
2006 412 1 3
Dari data di atas, maka nilai a = 407,333

407,333−293,333
Pertambahan produksi setiap tahun (b) adalah =38
3
a. Maka trend produksi metode Semi Average adalah Y =407,333+38 X
b. Maka estimasi produksi tahun 2008 (X = 3) adalah
Y =407,333+38 X
Y =407,333+38 ( 3 )
Y =521,333 unit
Least Square Method

Peramalan dengan metode kuadrat terkecil akan menghasilkan jumlah kuadrat
dengan kesalahan terkecil.
Metode ini dimaksudkan agar jumlah kuadrat dari semua deviasi antara variable X
dan Y yang masing-masing memiliki koordinat sendiri akan berjumlah seminimal
mungkin. Dari persamaan Y =a+bX dibuat persamaan:
∑ Y =na+b ∑ X
∑ XY =a ∑ X+ b ∑ X 2
Keterangan: Y = harga-harga hasil observasi
X = unit tahun yang dihitung dari periode dasar
a = nilai trend pada periode dasar
b = perubahan trend (koefisien arah garis)
n = banyaknya data
140
Dari contoh sebelumnya (tahun 2003 sebagai tahun dasar dan estimasi produksi
tahun 2008), maka:
Tahun Produksi (unit) = Y X XY X2

2001 300 -2 -600 4
2002 320 -1 -320 1
2003 260 0 0 0
2004 400 1 400 1
2005 410 2 820 4
2006 412 3 1236 9
Jumlah 2102 3 1536 19
∑ Y =na+b ∑ X 2102=6 a+3 b (x1) 2102=6 a+3 b
∑ XY =a ∑ X+ b ∑ X 2 1536=3 a+19 b (x2) 3072=6 a+38 b

970=35 b
b=27,714
Substitusikan :
2102=6 a+3 b
2102=6 a+3 ( 27,714 )
2102=6 a+83,142
6 a=2108,858
a=336,476
a. Jadi persamaan trend produksi dengan metode Least Square adalah

Y =336,476+27,714 X
b. Estimasi produksi tahun 2008 (X = 5) adalah
Y =336,476+27,714 X
Y =336,476+27,714 ( 5 )
Y =336,476+138,57
Y =475,046 unit
141
Moving Average Method
Metode ini menggunakan metode bergerak berkala (misalnya 3 tahunan)
Tahun Produksi (Y) Juml produksi/3 thn Rata-rata bergerak/3 thn

2001 300 -
2002 320 880 293,333
2003 260 980 326,666
2004 400 1070 356,666
2005 410 1222 407,333
2006 412 -
Dari tabel di atas, maka estimasi dapat dilihat di kolom rata-rata bergerak 3 tahun,
misalnya estimasi produksi untuk tahun 2004 adalah 356,666 unit.
Dekomposisi deret waktu dapat dicapai dengan menggunakan model-model

berikut:
a) Model aditif
X t = T t + St + C t + I t
b) Multiplicative model
X t = T t . S t .C t . I t
c) Model Campuran
X t =T t S t C t + I t
Atau
X t =T t + St . Ct . I t
Model aditif mengasumsikan bahwa nilai aktual adalah jumlah dari empat efek
yang terpisah. Asumsi ini mungkin benar ketika periode pendek terlibat atau di
mana laju pertumbuhan atau penurunan tren kecil seperti yang ditunjukkan dalam
plot waktu.
Model multiplikatif menunjukkan bahwa nilai aktual adalah produk dari efek yang
terpisah. Model ini ditunjukkan ketika ada pertumbuhan atau penurunan yang
ditandai (atau tajam) dalam data deret waktu seperti yang ditunjukkan dalam plot
waktu.
142
11.3.7 Dekomposisi komponen
Salah satu dari model ini dapat digunakan untuk mempengaruhi dekomposisi
deret waktu. Idenya adalah untuk mendekomposisi seri waktu menjadi masing-
masing komponen dasar, menganalisis setiap komponen secara terpisah dan
kemudian menggabungkannya kembali untuk menggambarkan variasi dalam seri
secara keseluruhan. Proses ini melibatkan evaluasi sistematis dari setiap
komponen data. Tahap pertama adalah biasanya untuk memperkirakan tren dan
menghilangkannya dari setiap periode waktu dari data aktual oleh pengurangan
atau pembagian untuk memberikan seri de-tren.
Seri de-trend dapat didapatkan dari:
Model aditif : X t −T t =S t +Ct + I t
Atau
11.3.8 Estimasi indeks musiman

Langkah pertama dalam estimasi efek musiman adalah mendapatkan
penyimpangan dari tren Xt – Tt (untuk model aditif) atau (atau rasio terhadap tren)
Xt/Tt untuk (model mutliplikasi).
Seri de-tren adalah rata-rata hari ke hari, bulan ke bulan, dll untuk menghasilkan
perkiraan komponen musiman, tergantung efek musiman dianggap sebagai aditif
atau multiplikasi. Penyimpangan disusun dalam tabel dengan maksud untuk
mendapatkan rata-rata sebaliknya disebut indeks musiman (St).
k
Untuk model aditif, kondisi∑ S i=0dikenakan.Itu adalah jumlah efek musiman
i=1
(indeks) selama kuartal menambahkan hingga nol karena jika tidak ada efek
musiman, kami perkirakan Xt – St = 0. Jika nilai rata-rata tidak mencapai nol, nilai
rata-rata kemudian dirata-ratakan di antara kuartal/bulan/hari/minggu, dengan
demikian efek musiman disesuaikan dengan mengurangi (atau menambah) rata-
rata dari rata-rata untuk mendapatkan rata-rata yang disesuaikan (yaitu efek
1 m
musiman). Sebagai contoh ∑di = Si ; ∑Si = 0 tapi jika ∑Si = m maka = g maka
n K
dari itu ∑(Si ± g) = 0
143
Untuk model multiplikasi, kondisi ∑Sj = S dikenakan di mana S adalah jumlah
ruang dalam seri triwulanan. Itu adalah jumlah dari efek musiman sepanjang
tahun adalah S. Rasio dari nilai aktual (Xt) dan tren (Tt) diperoleh sebagai X t/Tt,
karena jika tidak ada efek musiman kita harapkan X t/Tt = 1 untuk setiap periode
waktu.
s
1
∑ S =1
S J=i j
n
∑ S j=S
j=i
Prosedur rata-rata yang menghasilkan komponen musiman mengikuti pola yang

sama seperti pada model aditif kecuali bahwa penyesuaian terhadap rata-rata yang
mengoreksi pembulatan ke S. Ini dicapai dengan menjumlahkan rata-rata dan
mengalikan hasil bagi dengan rata-rata yang tidak disesuaikan.
1
Biarkan ∑ Sj = C, lalu penyesuaiannya adalah ∑Sj Dengan demikian seri de-
S
tren, de-musiman dapat diperoleh dengan menghilangkan tren (Tt) dan komponen
musiman (St) untuk setiap periode waktu dari data aktual dengan pengurangan
atau pembagian tergantung atau apakah model aditif atau multiplikasi yang
digunakan.
Model aditif X t −T t −S t ¿ Ct + I t
Xt
Model multiplikatif = C t + It
T t St
Seri de-musiman diperoleh setelah data yang disesuaikan secara musiman
dihitung. Itu rasio sisa diperoleh dengan membagi angka-angka yang disesuaikan
secara musiman ( X t /S t ) ini dengan nilai tren atau dengan membagi rasio deret-
deret [ X t /S m ¿)] dengan masing-masing indeks musiman.
Akhirnya, variasi siklus (C t ) dapat ditemukan dengan menghaluskan komponen Ct
dan It dan dihilangkan seperti sebelumnya.
Komponen irregular residual (It) dapat diperoleh dengan mengurangi atau
membagi:
144
Model aditif X t −T t – St −C t =I t
Xt
Model multiplikatif =I
T t St C t t
Meskipun metode umum dekomposisi telah memasukkan empat komponen yang

mungkinmembuat deret waktu, harus dicatat bahwa ini bukan aturan untuk
keempat untuk hadir. Jika data tahunan sedang digunakan, tidak ada komponen
musiman. Begitu pula jika periode pendek waktu yang terlibat, komponen siklus
dapat diabaikan. Dalam kedua kasus salah satu langkah yang diuraikan dalam
dekomposisi deret waktu di atas dapat dihilangkan.
11.3.9 Prediksi / Peramalan (Forecasting)

Inti dari penguraian deret waktu adalah untuk ahli statistik untuk mengukur efek
masing-masing komponen dan untuk membuat prakiraan yang bermakna dan
andal; dengan mempertimbangkan efek dari komponen pada nilai perkiraan untuk
periode waktu yang berbeda. Jadi, jika model multiplikatif digunakan, prediktor
yang masuk akal untuk periode K mungkin
X t =T t +k S r+ k
Di mana Tt dan St adalah estimasi tren dan efek musiman masing-masing.
Demikian pula jika model aditif digunakan prediktor untuk periode k mungkin
X t ( k )=T t +k +S t +k
145
Contoh :
Data di bawah ini memberikan jumlah penjualan payung perbulan di Perusahaan
XYZ dari tahun 2004 – 2011
2004 2005 2006 2007 2008 2009 2010 2011

JAN 10 15 10 8 10 8 9 10
FEB 18 12 10 9 9 12 13 8
MAR 22 13 9 12 10 10 3 11
APRIL 8 15 20 14 12 15 8 13
MAY 16 11 10 19 10 12 15 8
JUN 10 16 18 20 18 11 15 11
JUL 18 22 16 25 28 16 18 15
AUG 20 30 20 25 30 13 19 17
SEP 15 20 21 17 15 9 10 11
OCT 10 15 18 15 17 18 18 4
NOV 14 25 16 15 15 22 23 15
DEC 11 10 14 7 7 10 9 8
(a) Hitunglah moving average, indeks musiman, deseasonalized data.

Solusi:
Hal pertama yang harus dilakukan adalah membangun plot waktu untuk melihat
maksimum dan minimum nilai-nilai, memeriksa keberadaan outlier dan fluktuasi.
35 Penjualan Payung
30
25
20
15
10
5
0
146
Tabel 11.2 Menampilkan Perhitungan Trend, Indeks Musiman dan
Deseasonalized data.
Col.1 Col.2 Col.3 Col.4 Col.5 Col.6 Col.7 Col.8

Tahun/ Penju 6 Poin -MT Add-in- Moving Average Dev. from Indeks Deseasonal
Bulan alan pairs Tren Musiman ized data
2004 JAN 10 -4.44 14.4
FEB 18 -3.97 22.0
MAR 22 -4.62 26.6
APRIL 8 -0.45 8.4
MAY 16 -2.15 18.2
JUN JAN-DES 2004 Penjualan Juml
14.33+ 14.75 Penjualan-
10+18+… –Moving dev.from
172+177= =¿ IM (Juni)
10 +11=172 2 Av (Juni) tren Juni
172 349 10-0.66=
=14.33 14.54 10-14.54= dibagi 7
9.3
12 -4.54 0.66
JUL FEB 2004-JAN
Penjualan Juml
2005 Penjualan-
14.75+ 14.25 –Moving dev.from
18+22+… 177+171= IM (Juli)
18 2 Av (Juli) tren Juli
+15=177 348 18-5.72=
177 14.50 18-14.50= dibagi 7
=14.75 12.3
3.50 5.72
12
AUG MAR 2004-
FEB 2005
171+162=
20 171 13.88 6.13 7.85 12.2
171 333
=14.25
12
SEP 15 162 331 13.79 1.21 0.74 14.3
OCT 10 169 333 13.88 -3.88 1.33 8.7
NOV 14 164 334 13.92 0.08 4.09 9.9
DEC 11 170 344 14.33 -3.33 -4.76 15.8
2005 JAN 15 174 358 14.92 0.08 -4.44 19.4
FEB 12 184 373 15.54 -3.54 -3.97 16.0
MAR 13 189 383 15.96 -2.96 -4.62 17.6
APRIL 15 194 399 16.63 -1.63 -0.45 15.4
MAY 11 205 409 17.04 -6.04 -2.15 13.2
JUN 16 204 403 16.79 -0.79 0.66 15.3
JUL 22 199 396 16.50 5.50 5.72 16.3
AUG 30 197 390 16.25 13.75 7.85 22.2
SEP 20 193 391 16.29 3.71 0.74 19.3
OCT 15 198 395 16.46 -1.46 1.33 13.7
147
NOV 25 197 396 16.50 8.50 4.09 20.9
DEC 10 199 392 16.33 -6.33 -4.76 14.8
2006 JAN 10 193 376 15.67 -5.67 -4.44 14.4
FEB 10 183 367 15.29 -5.29 -3.97 14.0
MAR 9 184 371 15.46 -6.46 -4.62 13.6
APRIL 20 187 365 15.21 4.79 -0.45 20.4
MAY 10 178 360 15.00 -5.00 -2.15 12.2
JUN 18 182 362 15.08 2.92 0.66 17.3
JUL 16 180 359 14.96 1.04 5.72 10.3
AUG 20 179 361 15.04 4.96 7.85 12.2
SEP 21 182 358 14.92 6.08 0.74 20.3
OCT 18 176 361 15.04 2.96 1.33 16.7
NOV 16 185 372 15.50 0.50 4.09 11.9
DEC 14 187 383 15.96 -1.96 -4.76 18.8
2007 JAN 8 196 397 16.54 -8.54 -4.44 12.4
FEB 9 201 398 16.58 -7.58 -3.97 13.0
MAR 12 197 391 16.29 -4.29 -4.62 16.6
Col. 1 Col. 2 Col. 3 Col. 4 Col. 5 Col. 6 Col. 7 Col. 8
Year/ Sales 6 Point-MT Add-in- Moving Average Dev. from Seasonal Deseasonal
Month pairs Trend Indices ized data
APRIL 14 194 387 16.13 -2.13 -0.45 14.4
MAY 19 193 379 15.79 3.21 -2.15 21.2
JUN 20 186 374 15.58 4.42 0.66 19.3
JUL 25 188 376 15.67 9.33 5.72 19.3
AUG 25 188 374 15.58 9.42 7.85 17.2
SEP 17 186 370 15.42 1.58 0.74 16.3
OCT 15 184 359 14.96 0.04 1.33 13.7
NOV 15 175 348 14.50 0.50 4.09 10.9
DEC 7 173 349 14.54 -7.54 -4.76 11.8
2008 JAN 10 176 357 14.88 -4.88 -4.44 14.4
FEB 9 181 360 15.00 -6.00 -3.97 13.0
MAR 10 179 360 15.00 -5.00 -4.62 14.6
APRIL 12 181 362 15.08 -3.08 -0.45 12.4
MAY 10 181 362 15.08 -5.08 -2.15 12.2
JUN 18 181 360 15.00 3.00 0.66 17.3
JUL 28 179 361 15.04 12.96 5.72 22.3
AUG 30 182 364 15.17 14.83 7.85 22.2
SEP 15 182 367 15.29 -0.29 0.74 14.3
OCT 17 185 372 15.50 1.50 1.33 15.7
NOV 15 187 367 15.29 -0.29 4.09 10.9
148
DEC 7 180 348 14.50 -7.50 -4.76 11.8
2009 JAN 8 168 319 13.29 -5.29 -4.44 12.4
FEB 12 151 296 12.33 -0.33 -3.97 16.0
MAR 10 145 291 12.13 -2.13 -4.62 14.6
APRIL 15 146 299 12.46 2.54 -0.45 15.4
MAY 12 153 309 12.88 -0.88 -2.15 14.2
JUN 11 156 313 13.04 -2.04 0.66 10.3
JUL 16 157 315 13.13 2.88 5.72 10.3
AUG 13 158 309 12.88 0.13 7.85 5.2
SEP 9 151 295 12.29 -3.29 0.74 8.3
OCT 18 144 291 12.13 5.88 1.33 16.7
NOV 22 147 298 12.42 9.58 4.09 17.9
DES 10 151 304 12.67 -2.67 -4.76 14.8
2010 JAN 9 153 312 13.00 -4.00 -4.44 13.4
FEB 13 159 319 13.29 -0.29 -3.97 17.0
MAR 3 160 320 13.33 -10.33 -4.62 7.6
APRIL 8 160 321 13.38 -5.38 -0.45 8.4
MAY 15 161 321 13.38 1.63 -2.15 17.2
JUN 15 160 321 13.38 1.63 0.66 14.3
JUL 18 161 317 13.21 4.73 5.72 12.3
AUG 19 156 320 13.33 5.67 7.85 11.2
SEP 10 164 333 13.88 -3.88 0.74 9.3
Col. 1 Col. 2 Col. 3 Col. 4 Col. 5 Col. 6 Col. 7 Col. 8
Tahun/ Penju 6 Point-MT Add-in- Moving Average Dev. from Seasonal Deseasiona
Bulan alan pairs Trend indices lized Data
OCT 18 169 331 13.79 4.21 1.33 16.7
NOV 23 162 320 13.33 9.67 4.09 18.9
DES 9 158 313 13.04 -4.04 -4.73 13.8
2011 JAN 10 155 308 12.83 -2.83 -4.44 14.4
FEB 8 153 307 12.79 -4.79 -3.97 12.0
MAR 11 154 294 12.25 -1.25 -4.62 15.6
APRIL 13 140 272 11.33 1.67 -0.45 13.4
MAY 8 132 263 10.96 -2.96 -2.15 10.2
JUN 11 131 0.66 10.3
JUL 15 5.72 9.3
AUG 17 7.85 9.2
SEP 11 0.74 10.3
OCT 4 1.33 2.7
NOV 15 4.09 10.9
DES 8 -4.76 12.8
Tabel 11.3 Menampilkan Indeks Musiman
149
Bulan/ JAN FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DEC
Tahun
2004 -4.54 3.50 6.13 1.21 -3.88 0.08 -3.33
2005 0.08 -3.54 -2.96 -1.63 -6.04 -0.73 5.50 13.75 3.71 -1.46 8.50 -6.33
2006 -5.67 -5.29 -6.46 4.79 5.00 2.92 1.04 4.96 6.08 2.96 0.50 -1.96
2007 -8.54 -7.58 -4.29 -2.13 3.21 4.42 9.33 9.42 1.58 0.04 0.50 -7.54
2008 -4.88 -6.00 -5.00 -3.08 -5.08 3.00 12.96 14.83 -0.29 1.50 -0.29 -7.50
2009 -5.29 -0.33 -2.13 2.54 -0.88 -2.04 2.88 0.13 -3.29 5.88 9.58 -2.67
2010 -4.00 -0.29 -10.33 -5.38 1.63 1.63 4.79 5.67 -3.88 4.21 9.67 -4.04
2011 -2.83 -4.79 -1.25 1.67 -2.96
Total -31.13 -27.83 -32.42 -3.21 15.13 4.58 40.00 54.88 5.13 9.25 28.54 33.38
AVG -4.45 -3.98 -4.63 -0.46 -2.16 0.65 5.71 7.84 0.73 1.32 4.08 -4.77
Adjustmen 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
S.I -4.44 -3.97 -4.62 -0.45 -2.15 0.66 5.72 7.85 0.74 1.33 4.09 -4.76
35
30
25
20
15
10
Penjualan Payung Moving Average De-Seasonalized data
Gambar 1.5: Plot Waktu Penjualan Payung, Moving average, dan data yang
tidak disesuaikan musim
150
Contoh soal:
Dari rumus di bawah ini, dapat diperoleh nilai a dan b jika ∑ 0
∑ Y =na+b ∑ X
∑ XY =a ∑ X+ b ∑ X 2
Maka nilai a dan b adalah:
ΣY
a= =Y
n
ΣXY
b= 2
ΣX
Dalam penentuan skala ΣX =0, ada dua kemungkinan yaitu:

1. Untuk data ganjil, angka nol diletakkan pada tahun yag ditengah, sehingga
skala X nya menjadi tahunan. (Selisih 1)
Tabel 5.1 Skala X Untuk Data Ganjil
Tahun 1997 1998 1999 2000 2001 Σ
X -2 -1 0 1 2 0
2. Untuk data genap, maka angka nol pada skala X terletak antara dua tahun yang
di tengah, sehingga skala X menjadi setengah tahunan. (Selisih 2)
Tabel 5.1 Skala X Untuk Data Genap
Tahun 1997 1998 1999 2000 2001 2002 Σ
X -5 -3 -1 1 3 5 0
Soal data ganjil

Survei yang dilakukan PT Falma Indonesia menunjukkan bahwa
permintaan terhadap Margarine sejak tahun 2001 sampai 2007 sbb:
Tabel 5.3 Permintaan Margarine PT Falma Indonesia
Tahun Permintaan (dalam 000 ton)

2001 200
2002 225
2003 295
2004 350
2005 410
2006 470
2007 510
Berdasarkan data di atas:
151
1. Gambarkan data tersebut.
2. Tentukan persamaan garis permintaan terhadap margarine dengan metode
linier least square.
3. Berapa perkiraan permintaan terhadap margarine untuk tahun 2009?
Penyelesaian:
a. Gambar data permintaan margarine PT Falma Indonesia
Permintaan
600
500
400 Permintaan
(ton)
300
200
100
0
2000 2002 2004 2006 2008
b. Persamaan garis permintaan terhadap margarine PT Falma Indonesia dengan

metode linier least square.
Tabel 5.4 Perhitungan Persamaan Permintaan Margarine
PT Falma Indonesia
Tahun Permintaan (Y) X XY X

2
2001 200 -3 -600 9

2002 225 -2 -450 4
2003 295 -1 -295 1
2004 350 0 0 0
2005 410 1 410 1
2006 470 2 940 4
2007 510 3 1530 9
Jumlah 2460 0 1535 28
ΣY 2460
a= =Y = =351,43
n 7
ΣXY 1535
b= = =54,82
ΣX 2 28
Persamaannya:
152
'
Y =351,43+54,82 X
Periode dasar : tahun 2004
Unit X : tahunan
Unit Y : ribuan ton / tahun
c) Perkiraan permintaan terhadap margarine untuk tahun 2009?

'
Y 2009 maka nilai X =5
Y ' 2009=351,43+ 54,82 ( 5 )

'
Y =351,43+ 274,1
2009
Y ' 2009=625,53 ( dalamribuan ton )

Jadi perkiraan permintaan margarine tahun 2009 yaitu 625.540 ton margarine.
Soal data genap

Data jumlah produksi baju pada PT Lady selama beberapa tahun yaitu:
Tabel 5.5 Jumlah Produksi PT Lady
Tahun Produksi (Unit)
2000 500
2001 560
2002 590
2003 620
2004 640
2005 680
2006 730
2007 750
1. Gambarkan data jumlah produksi PT Lady

2. Buatlah persamaan trendnya
3. Berapa perkiraan produksi tahun 2008?
153
Penyelesaian:
a. Gambar data jumlah produksi PT Lady
Produksi
800
700
600
500
400 Produksi
300
200
100
0
1998 2000 2002 2004 2006 2008
b. Persamaan trend
Tabel 5.6 Perhitungan Persamaan Produksi PT Lady

2
Tahun Produksi (Y) X XY X
2000 500 -7 -3500 49
2001 560 -5 -2800 25
2002 590 -3 -1770 9
2003 620 -1 -620 1
2004 640 1 640 1
2005 680 3 2040 9
2006 730 5 3650 25
2007 750 7 5250 49
Jumlah 5070 0 2890 168
ΣY 5070
a= =Y = =633,75
n 8
ΣXY 2890
b= = =17,20
ΣX 2 169
Persamaannya:
'
Y =633,75+17,20 X
Periode dasar : tahun 2003-2004
Unit X : tahunan
Unit Y : unit / tahun
154
d) Perkiraan permintaan terhadap margarine untuk tahun 2008?
Y ' 2008 maka nilai X =9
'
Y =633,75+ 17,20 ( 9 )
2008
Y ' 2008=633,75+ 154,8

'
Y =788,55 ( unit )
2008
Jadi perkiraan produksi PT Lady tahun 2008 yaitu 788,55 unit
Ringkasan untuk Sesi Belajar 11

Dalam studi ini, Anda telah belajar tentang:
1. Komponen-komponen deret waktu dijelaskan dengan bagan sebagai ilustrasi.
2. Metode analisis aditif dan multiplikatif dari data deret waktu dengan contoh.
3. Prosedur untuk pembuatan indeks musiman dan data yang tidak sesuai musim.
Beberapa contoh berguna diberikan untuk menggambarkan teknik.
155
Latihan soal untuk sesi belajar 11
1. Jelaskan alasan menganalisis data deret waktu!
2. Perhatikan tabel di bawah ini!
Tabel harga beras per kg dari tahun 2010 –2015 di Semarang (dalam ribuan)
Harga Jumlah Bergerak Rata-rata bergerak

Tahun Beras selama 3 tahun selama 3 tahun
2010 9 – –
2011 12 9 + 12 + 7 = 28 28/3 = 9,3
2012 7 12 + 7 + 8 = 27 27/3 = 9
2013 8 7 + 8 + 11 = 26 26/3 = 8,6
2014 11 8 + 11 + 15 = 34 34/3 = 11,3
2015 15 – –
Hitunglah rata-rata bergerak (Moving Average) selama 3 tahun!

Tabel produksi kemeja PT Art Fashion dari tahun 2006 –2016
Tahun Produksi kemeja
2006 3.902
2007 3.924
2008 3.964
2009 3.976
2010 3.859
2011 4.589
2012 6.478
2013 8.300
2014 11.242
2015 10.160
2016 10.891
Tentukan:
a. Persamaan garis trend dengan menggunakan metode Least Square
b. Berapa besar jumlah trend pada tahun 2017
156
Tabel penjualan sepatu PT Senandung selama 6 tahun (tahun dasar 2003)
Tahun Penjualan (unit) = Y
2001 176
2002 170
2003 182
2004 195
2005 206
2006 216
Tentukan:
a. Persamaan trend penjualan sepatu PT Senandung dengan metode Free Hand
b. Tentukan estimasi penjualan pada tahun 2008

Tabel produksi perusahaan roti selama 10 tahun (tahun dasar 2007)
Tahun Produksi Roti
2000 176
2001 170
2002 182
2003 197
2004 205
2005 212
2006 236
2007 225
2008 250
2009 270
Tentukan:
c. Persamaan trend produksi roti dengan metode Semi Average
d. Tentukan estimasi produksi pada tahun 2010
157
Penyelesaian:
1. Alasan menganalisis data deret waktu adalah :
a. Membangun sistem matematika sederhana yang menjelaskan hubungan
terstruktur waktu dalam rangkaian ekonomi dan sosial secara ringkas.
b. Untuk menjelaskan perilaku seri dan membuat perkiraan yang dapat
diandalkan untuk masa depan berdasarkan ketergantungan dinamis dari seri
pada nilai-nilai masa lalu.
c. Deret waktu menyediakan dasar untuk perencanaan ekonomi dan bisnis,
produksi dan perencanaan sistem kontrol dan optimalisasi proses industri.
2. Menentukan rata-rata bergerak selama 3 tahun (harga beras dalam ribuan).

Tahun Harga Jumlah Bergerak Rata-rata bergerak
Beras selama 3 tahun selama 3 tahun
2010 9 - -
2011 12 9 + 12 + 7 = 28 28/3 = 9,3
2012 7 12 + 7 + 8 = 27 27/3 = 9
2013 8 7 + 8 + 11 = 26 26/3 = 8,6
2014 11 8 + 11 + 15 = 34 34/3 = 11,3
2015 15 - -
Dari tabel di atas, maka dapat dilihat di kolom rata-rata bergerak 3 tahun,
misalnya harga beras untuk tahun 2012 adalah Rp9.000/kg
3. Tabel produksi kemeja PT Art Fashion dari tahun 2006–2016

Tahun Produksi kemeja (Y) X XY X2
2006 3.902 -5 -19.510 25
2007 3.924 -4 -15.696 16
2008 3.964 -3 -11.892 9
2009 3.976 -2 -7.952 4
2010 3.859 -1 -3.859 1
2011 4.589 0 0 0
2012 6.478 1 6.478 1
2013 8.300 2 16.600 4
2014 11.242 3 33.726 9
2015 10.160 4 40.640 16
2016 10.891 5 54.455 25
Jumlah 71.285 0 92.990 110
Rumus persamaan trend: Y =a+bX
158
ΣY 71.285
a= =Y = =6.480,45
n 11
ΣXY 92.990
b= = =845,36
ΣX 2 110
Jawaban:
a. Persamaan trend produksi kemeja dengan metode Least Square, yaitu:
Y =a+bX
Y =6.480,45+ 845,36 X
b. Estimasi produksi kemeja pada tahun 2017 adalah:
Y =6.480,45+ 845,36 X
Y =6.480,45+ 845,36 ( 6 )
Y =11.552,61
Jadi, perkiraan produksi kemeja PT Art Fashion pada tahun 2017 adalah
11.552,61 unit.
4. Tabel penjualan sepatu PT Senandung selama 6 tahun (tahun dasar 2003)
Tahun Penjualan (unit) = Y X

2001 176 -2
2002 170 -1
2003 182 0
2004 195 1
2005 206 2
2006 216 3
 Ambil 2 koordinat untuk nilai X dan Y, misalnya tahun 2002 dan 2005,
maka koordinatnya (-1,170) dan (2,206)
 Untuk persamaan Y =a+bX , maka jika ddisubstitusikan menjadi :
Koordinat (-1,170) 170=a−b Substitusikan :
Koordinat (2,206) 206=a+2 b 170=a−b
−36=−3 b 170=a−12
b=12 a=182
159
a. Jadi, persamaan trend penjualan sepatu dengan metode Free Hand adalah :
Y =a+bX
Y =182+12 X
Ket : a = taksiran penjualan pada tahun dasar (2003), yaitu 182 unit
b = besarnya rata-rata kenaikan penjualan setiap tahun, yaitu 12 unit
b. Maka estimasi penjualan sepatu pada tahun 2008 (X=5) adalah :
Y =182+12 X
Y =182+12 ( 5 )
Y =242unit
5. Tabel produksi perusahaan roti selama 10 tahun (tahun dasar 2007)

Tahun Produksi Roti (Y) Semi Total Semi Average
2000 176
2001 170
930
2002 182 930 =186
5
2003 197
2004 205
2005 212
2006 236
1.193
2007 225 1.193 =238,6
5
2008 250
2009 270
Dari data di atas, maka nilai a = 238,6

238,6−186
Pertambahan produksi setiap tahun (b) adalah =10,52
5
a. Maka trend produksi metode Semi Average adalah Y =238,6+10,52 X
b. Maka estimasi produksi tahun 2010 (X = 3) adalah
Y =238,6+10,52 X
Y =238,6+10,52 ( 3 )
Y =270,16
Jadi, perkiraan produksi perusahaan roti pada tahun 2010 adalah 270,16 roti
160
DAFTAR PUSTAKA
Brookes, B.C. and Dick, W. F. L. (1969): An introduction to Statistic Method, 2nd

Edition, H. E.
B. Publishers.
Moore, D.S. and McCabe, G. P. (1993): Introduction to the practice of

Statistics; 2nd Edition; New York: W. H. Freeman and Company.
Adamu, S. O. and Johnson, T. L. (1997): Statistics for Beginners, Book 1: SAAL

Publications.
Brookes C B and Dick W.F (1969): An Introduction to Statistical
Method Second Edition, Published by H.E.B.Paperback.
Clarke G.M.and Cooke D (1993): A Basic Course in Statistics. Third

edition. London: published by Arnold & Stoughton
Moore D.S and Mc cabe G.P (1993): Introduction to the Practice of

Statistics, second Edition.
New York:W.H. Freeman and coy.
Adamu S.O and Johnson Tinuke L (1998): Statistics for Beginners: Book 1.
SAAL Publications.
Ibadan. ISBN: 978-34411-3-2
Method .Second Edition Published by H.E.B. Paperback.
Clarke G.M. and Cooke D (1993): A Basic Course in Statistics. Third

edition. London: published by Arnold & Stoughton
Connor, L. R and Morrell, (1982) A. J. “Statistics in Theory and

Practice”. Seventh Edition, London: Pitman Books Limited.
Gupta, C. B. (1973) “An Introduction to Statistical Methods” New
Delhi: Vikas Publishing House PVT Ltd.
Moore D.S and Mc Cabe G.P (1993): Introduction to the Practise of
Statistics, Second Edition.
New York: W.H. Freeman and Coy.
161
Olubosoye O.E, Olaomi J.O and Shittu O.I (2002): Statistics for
Engineering, Physical and Biological Sciences”. Ibadan: A Divine
Touch Publications.
Adamu S.O and Johnson Tinuke L (1998):”Statistics for Beginners:
Book 1. Ibadan: SAAL Publications, ISBN: 978-34411-3-2
Method .Second Edition Published by H.E.B.Paperback.
Connor, L. R and Morrell,(1982) A. J. “Statistics in Theory and
Practice”. Seventh Edition, London: Pitman Books Limited,
Gupta, C. B. (1973) “An Introduction to Statistical Methods” Vikas
New Delhi: Publishing House PVT Ltd...
Moore D.S and Mc cabe G.P (1993): Introduction to the Practise of
New York: W.H. Freeman and coy..
Olubosoye O.E, Olaomi J.O and Shittu O.I (2002):’Statistics for
Engineering, Physical and Biological Sciences”. Ibadan: A Divine
Touch Publications,. ISBN: 978-35606-7-0
edition London: Arnold & Stoughton
Cyprian A. Oyeka (1990): An Introduction to Applied Statistical Method

in the Sciences. Enugu: Nobern Avocation publishing coy.
Gupta, C. B. (1973) “An Introduction to Statistical Methods” New
Delhi:Vikas Publishing House PVT Ltd.
Moore D.S and McCabe G.P (1993): Introduction to the Practice of
Statistics, second Edition.
New York: W.H. Freeman and coy
Adamu S.O and Johnson Tinuke L (1998):”Statistics for Beginners: Book 1. ,

Ibadan: SAAL PublicationsISBN: 978-34411-3-2
edition. London:Arnold & Stoughton.
Connor, L. R and Morrell,(1982) A. J. “Statistics in Theory and Practice”.

Seventh Edition,London:PitmanBooksLimited.
File://C:\DOCUME~1\FACULT~\LOCALS~\Temp\triHINHP.htm
162
Gupta, C. B. (1973)“An Introduction to Statistical Methods”
London:Vikas Publishing House PVT Ltd. New Delhi:


Connor, L. R and Morrell,(1982) A. J. “Statistics in Theory and

Practice”. Seventh Edition, London: Pitman Books Limited.
Gupta, C. B. (1973)“An Introduction to Statistical Methods” New Delhi:

Vikas Publishing House PVT Ltd.

New Delhi: W.H. Freeman and coy.
Adamu S.O and Johnson Tinuke L (1998):”Statistics for Beginners:

Book 1. Ibadan:
SAAL Publications ISBN: 978-34411-3-2
Connor, L. R and Morrell, A. J. “Statistics in Theory and Practice”.
Seventh Edition, London:Pitman Books Limited.
Olubosoye O.E, Olaomi J.O and Shittu O.I (2002):’Statistics for
Engineering , Physical and Biological Sciences”.
Ibadan:A Divine Touch Publications. ISBN: 978- 35606-7-0
Method. Second
Edition Published by H.E.B.Paperback.
edition. London:Arnold & Stoughton
163
Statistics, second Edition. New York: W.H. Freeman and coy.


Gupta, C. B. (1973)“An Introduction to Statistical Methods” New Delhi:

Vikas Publishing House PVT Ltd.

New Delhi: W.H. Freeman and coy.
Shittu, O. I. and Yaya, O. S. (2011): “Introduction to Time Series

Analysis”, Babs-Tunde Intercontinental Print, Nigeria. ISBN 978-
33867-1-9. pp. 282
164

(After-Rev) Statiska Bisnis Kelas e Laporan Final

Diunggah oleh

Informasi Dokumen

Judul 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

(After-Rev) Statiska Bisnis Kelas e Laporan Final

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIKA BISNIS I

tugas wajib mahasiswa statistika bisnis dan pertanggungjawaban saya sebagai

koordinator mata kuliah.

semua dapat melalui ujian akhir semester dengan baik.

Pertanyaan Penilaian Diri (SAQs) untuk Sesi Belajar 1........................................13

2.3.4 Box Plot (Box and Whiskers Plot).................................................................27

3.5 Nilai Partisi.......................................................................................................43

11.2 Metode Analisis data Time Series.................................................................129

11.3 Komponen Seri Waktu.................................................................................131

Latihan soal untuk sesi belajar 11........................................................................152

1. Muhammad Arief Gunawan (12010119130075)

2. Vivi Trilianasari Widyaningrum (12010119120057)

3. Igas Aji Purnomo (12010119130252)

4. Ali ilmi nur rahman (12010119120011)

5. Tahjuddin Ihsan Ashrori (12010119120027)

Apa itu Statistik?

Statistik adalah subjek universal yang digunakan dalam semua disiplin

Pengumpulan statistik resmi yang sistematis untuk tujuan politik berasal

1.1 Jelaskan arti statistik

1.2 Mendiskusikan sifat, lingkup dan cakupan statistik;

1.3 Menyebutkan penggunaan statistik dalam kegiatan kita sehari-hari

1.4 Mendefinisikan istilah-istilah dan konsep-konsep yang akan memfasilitasi

1.1 Arti statistik

Kotak 1.1: Arti statistik

Sebagian besar dari kita, terutama di media-wartawan memiliki sedikit

Di Nigeria, pengumpulan data resmi dan penggunaannya dimulai dengan UU

Dengan demikian, banyak peneliti, pendidik, pengusaha dan instansi pemerintah

1.2 Cabang Statistik Ilmu

Ringkasan Dalam Studi Sesi 1, Anda telah belajar bahwa:

Pertanyaan Penilaian Diri (SAQs) untuk Sesi Belajar 1

2. Dahana Isatama Mikhael (12010119130113)

3. Edward Nathan Convial Simbolon (12010119130277)

4. Hamzah Nor Shihab (12010119130100)

5. Tri Cahyadiningrum (12010119120019)

Hasil Belajar untuk Sesi Belajar 2

Ketika Anda telah mempelajari sesi ini, Anda harus dapat:

2.1 Menjelaskan berbagai cara penyajian data berjumlah banyak;

2.1 Cara Menyajikan Massa Data

Pertanyaan Dalam Teks

Mengapa perlu menyajikan data dalam tabel, grafik, dan diagram?

a. Untuk memiliki pemahaman yang jelas tentang data dan menggambarkan

Jawaban Dalam Teks

a. Untuk memiliki pemahaman yang jelas tentang data dan menggambarkan

2.2 Tabel Frekuensi

Diberikan satu set pengamatan x1, x2 .... xN untuk satu variabel.

Buat tabel frekuensi untuk data di atas.

Jawaban : (Versi Buku)

Kelas Jumlah FREKUENSI

Jawaban : (Versi Rumus Sebenarnya)

Buat tabel frekuensi untuk data di atas.

1 + 3,3 log 40 = 6,28 ≈ 6

Frekuensi Penghitungan Kelas

No KELAS JUMLAH FREKUENSI

Contoh 2.2: Menggunakan data dalam Contoh 1. Buat kurva frekuensi

SKOR FREKUENSI FREKUENSI

Pilihan 10 kelas akan menghasilkan beberapa kelas dengan frekuensi nol

KOTAK 2.1: PENGAMATAN DARI TABEL

2.3 Analisis deskriptif sederhana data dalam tabel dan diagram

Plot Analisis Data Back to Back

Gambarkan histogram data dalam Contoh 2.2 di atas

2.3.2 Stem plots (Plot batang dan daun)

1. Mudah untuk menemukan pusat distribusi, misal Median = 46

Weight of cow Weight of ram