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
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
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
3.3 MEDIAN...........................................................................................................38
3.4 Modus................................................................................................................41
3.4.1 Penghitungan Modus Dari Data Kelompok...................................................................41
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
5
BAB 1 : APA ITU STATISTIKA?
6
BAB 1
PENDAHULUAN
Sesi studi 1
Hasil Belajar Studi Sesi 1 Ketika Anda telah mempelajari sesi ini, Anda
harus dapat:
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.
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.
13
SAQ 1.1 (Tes Hasil Belajar 1.1)
Apa arti Statistik?
SAQ 1.2 (Tes Hasil Belajar 1.2)
Daftar cabang-cabang Statistik
SAQ 1.3 (Tes Hasil Belajar 1.3)
Sebutkan tiga penggunaan statistik?
SAQ 1.4 (Tes Hasil Belajar 1.4)
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)
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.
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.
16
d. Untuk memiliki pemahaman yang jelas tentang data
Prosedur
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
Rentang: 98 – 08 = 90
Jumlah kelas = 10
Rentang 90
Interval Kelas= = =9
Jumlah Kelas 10
17
Tabel Kerja
Tabel 2.1
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
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
18
Jawaban :
- Range/Rentang : 98 – 08 = 90
- No. of classes/Jumlah kelas = 6
1 + 3,3 log n
Rentang 90
- Interval Kelas= = =15
Jumlah kelas 6
TABEL 2.1
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)
Solution
TABEL 2.3
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
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.
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
Histogram
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.
Histogram
10
0
1-10 11-20 21-30 31-40 41-50 51-60 61-70 71-80 81-90 91-100
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
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
Pengamatan
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
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
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
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.
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
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.
Saat kamu sudah mempelajari sesi ini, kamu seharusnya bisa untuk:
33
3.1 Mendiskusikan istilah hitungan dari tendensi sentral;
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.
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
35
data. Ini membuat perhitungan rata-rata dari data yang dikelompokkan sangat
mudah.
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.
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
mean= A+ ( ∑dn ) c
Untuk data yang dikelompokkan
contoh :
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
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:
X +X
( n +12 ) ( n2 +1)
th
yaitu median=
2
Jawab:
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.
¿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.
( )
N
−fkm
2
median=Lm+ w
fm
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
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).
modus=Lm+
( ∆1
∆1 +∆ 2 )
W
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
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.
( ) item
th
N
Kuartil pertama: Q 1=X
4
( ) item
th
3N
Kuartil Ketiga Q 3= X
4
i. Kuartil Pertama
( )
N (i )
−Cfb1
4
Q1=lq 1 + w
fq 1
w 1= Lebar kelas q 1
44
ii. Kuartil Ketiga
( )
3N
−Cfb
4
Q3=lq 3 + w
fq 3
w 3= Lebar q 3
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
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
Keterbatasan
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
Solusi
¿ √ 396900
7
¿ 6.31
Contoh 3.17
Solusi
GM = √ 4.1 .0 … … ..5.1
10
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.
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
Solusi
1
HM =
[
1 1 1 1 1 1 1 1
+ + + + + +
7 1 5 7 15 12 9 7 ]
¿ 4.02
Contoh 3.19
Solusi
1
HM =
[
1 1 1 1 −−−1
+ + −
10 4 1 0 1 ]
¿ 0 (karena 0 adalah salah satu dari pengamatan)
Keterbatasan
2. Tidak dapat dihitung ketika nol adalah salah satu pengamatan di set.
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
[ ]
2N
−Cfb 2
5
D=L D 2 + w
fD 2
dimana
[ ]
65 N
−Cfb P 65
100
P65=L P 65+ w
f P 65
dimana
49
∑ f P 65= Frekuensi kumulatif di bawah kelas persentil ke-65
Contoh 3.20
Hitung
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
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
5. Median adalah ukuran lokasi yang baik dalam distribusi yang miring.
6. Mode adalah nilai variabel yang paling sering terjadi dalam satu set data
52
BAB 4 : UKURAN DISPERSI/VARIASI
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:
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.
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.
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.
Q3−Q1
S.I.R =
2
MD =
∑ I x i−x I untuk seri sederhana
j −1
n
∑ 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
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
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
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
Larutan
Tabel 4.2
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.
n
1
s2= ∑ ( x −x )2
n i−1 i
∑ xi
Dimana x= untuk data diskrit atau seri sederhana
n
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
2
Σfⅈ x i
2
s=
Σf ⅈ
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.
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
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
X− A
Ui=
C
[ ]
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
S
¿ ×100
X
1.88
¿ ×100
75
¿ 2.51
3. Rentang adalah perbedaan antara nilai terbesar dan terkecil dalam satu set data
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
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:
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
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
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
¿ 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
X=
∑X
n
40=
∑X
100
Salah: ∑ X=4000
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
X=
∑X =
96
= 10,67
n 9
2. Median
5,6,6,6,10,10,15,16,22
71
= 10
3. Modus
=6
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
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
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
Untuk y = 9
x+y = 13
x + 9 = 13
x =4
75
‘
Hasil pembelajaran
Pada akhir sesi studi ini Anda harus dapat:
76
6.1 Mendefinisikan skewness dan kurtosis;
6.2 Menghitung ukuran skewness dan kurtosis dari seri sederhana dan data yang
dikelompokkan;
6.3 Menentukan set data; terdistribusi secara normal, arah kemiringan dan
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:
Di mana X adalah rata-rata, S adalah standar deviasi, dan N adalah jumlah titik
data.
a) Kecenderungan
b) Kurtosis
d) Seri sampel
a) Kecenderungan
6.2 Menghitung ukuran skewness dan kurtosis dari seri sederhana dan data yang
dikelompokkan
Kelebihan Kurtosis: Kurtosis untuk distribusi normal standar adalah tiga. Untuk
alasan ini, kelebihan kurtosis didefinisikan dengan:
78
N
−3
( N−1 ) s4
Distribusi, atau kumpulan data, simetris jika terlihat sama di kiri dan kanan tengah
titik. Benar/salah
a) salah
b) Benar
b) Benar
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
Solusi
Tabel 6.1
X ( X i−X ) ¿ ¿ ¿
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
N
Kurtosis : β 3=∑ ¿ ¿ ¿
i=1
81
13445494.99
=
11 ׿ ¿
13445494.89
=
6593763.668
= 2.039
= 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
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
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
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
910.257
=
99 ×391.58
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.
Tabel Hitung
X ( X i−X ) ¿ ¿
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
87
3. Gusti Iqro Ibrahim (12010119130076)
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.
89
Dalam Pertanyaan teks
Di Teks Jawab
Benar
Model regresi bisa sederhana jika hanya ada satu variabel penjelas, dan
berganda jika ada lebih dari satu variabel penjelas.
Plot sebar
90
Jenis Diagram Penyebaran
Diagram 8.1
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.
Plot sebar tidak dapat digunakan untuk lebih dari dua variabel
ii. Model regresi non-linear dapat dibuat linier melalui transformasi yang sesuai
91
Pertanyaan Dalam Teks
A. Sederhana
B. Berganda
C. Pendek
D. Non-Linear
C. Pendek
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).
92
σ i.e e N ( 0 , σ )
2 2
Y i=α + β X i +e i
E ( Y i ) =E ( α 0+ β 1 X i +e i )
¿ α 0+ β X i
Demikian pula,
= Var(ei)
2
¿σe
ei = Yi – a – bXi ……….(8.2)
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
√ ∑ ( Y i−Y^ )
2
¿
n−1
Ŷi adalah nilai yang diperkirakan dari Y dan varians dari intercept adalah
σ c ∑ Xi
Var ( β 0 )= ………. (8.10)
S XX
σ2
Var ( β 1) = ……….(8.11)
S XX
94
Ini adalah proporsi variasi dalam variabel respons (Y) yang dijelaskan oleh
variabel penjelas (X).
[∑ ]
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.
Tentukan Hipotesisnya
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
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
Y 4 17 14 1 11 22 9 12 4 7
X 7 32 26 1 20 34 17 21 5 12
96
Solusi
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
= 0.566
a =Y −b X
= 10.1−0.566 ( 17.5 )
=0.197
Y^ = 0.197+ 0.566 X
√
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
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
100
TOTAL 9 4.025
2 Yi = 2620
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.
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
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.
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.
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
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:
contoh I:
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
107
Untuk mendapatkan koefisien peringkat korelasi, nilai variabel yang diamati
digantikan oleh peringkat masing-masing, baik dalam ukuran urutan naik atau
turun.
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.
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
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
Contoh 9.4
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
Solusi
Tabel 9.4
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.
1. Konsep korelasi.
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
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.
Pertanyaan dalam teks
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.
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
Pertanyaan Dalam Teks
Pilihan barang dapat menentukan indeks harga. Benar atau salah.
Jawaban Dalam Teks
Benar
Pn
HR= x 100
Po
117
Batasan pada metode ini sama dengan batasan pada metode agregat sederhana.
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.
Hitung:
Solusi
Tabel 10.2
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
119
iii. Indeks harga rata – rata berat
Table 10.4
∑ 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
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
∑ P n qn
pp = x 100
∑ P 0 qn
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
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
B 3 10 9 2
C 2 5 4 2
i.Metode Laspeyres
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
123
=
√ 610 426
x
240 426
x 100
= 254,1
Perubahan daya beli dan pendapatan riil dapat diukur dengan menggunakan
indeks harga konsumen. Benar atau salah
Benar
124
1. Berbagai metode membangun nomor indeks
LATIHAN SOAL
Pertanyaan Penilaian Diri (SAQs) untuk Sesi Studi 10
Sekarang setelah Anda menyelesaikan sesi studi ini, Anda dapat menilai seberapa
baik Anda telah mencapai Hasil belajar dengan menjawab pertanyaan-pertanyaan
berikut.
c. Kerabat harga minyak kelapa sawit dan minyak tanah ditunjukkan pada table
125
Komoditas Harga Relatif
1961 1962
Dengan asumsi bahwa minyak sawit dua kali lebih penting dari minyak tanah,
berapa indeks harga untuk tahun 1962.
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
127
Jawab:
Angka Indeks Laspeyres:
Pn x Qo = 481
Po x Qo = 425
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.
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.
132
11.2 Metode Analisis data Time Series
Data deret waktu dapat dianalisis menggunakan metode deterministik atau metode
Dinamis.
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.
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).
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).
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
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:
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
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
140
Dari contoh sebelumnya (tahun 2003 sebagai tahun dasar dan estimasi produksi
tahun 2008), maka:
Substitusikan :
2102=6 a+3 b
2102=6 a+3 ( 27,714 )
2102=6 a+83,142
6 a=2108,858
a=336,476
141
Moving Average Method
Metode ini menggunakan metode bergerak berkala (misalnya 3 tahunan)
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
(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
144
Model aditif X t −T t – St −C t =I t
Xt
Model multiplikatif =I
T t St C t t
145
Contoh :
Data di bawah ini memberikan jumlah penjualan payung perbulan di Perusahaan
XYZ dari tahun 2004 – 2011
35 Penjualan Payung
30
25
20
15
10
5
0
146
Tabel 11.2 Menampilkan Perhitungan Trend, Indeks Musiman dan
Deseasonalized data.
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
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
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
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:
Permintaan
600
500
400 Permintaan
(ton)
300
200
100
0
2000 2002 2004 2006 2008
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
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
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
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)
Tentukan:
a. Persamaan garis trend dengan menggunakan metode Least Square
b. Berapa besar jumlah trend pada tahun 2017
156
4. Perhatikan tabel di bawah ini!
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
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.
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.
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
160
DAFTAR PUSTAKA
Adamu S.O and Johnson Tinuke L (1998): Statistics for Beginners: Book 1.
SAAL Publications.
Ibadan. ISBN: 978-34411-3-2
Brookes C B and Dick W.F (1969): An Introduction to Statistical
Method .Second Edition Published by H.E.B. Paperback.
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
Brookes C B and Dick W.F (1969): An Introduction to Statistical
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
Statistics, Second Edition.
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
Clarke G.M.and Cooke D (1993): A Basic Course in Statistics. Third
edition London: Arnold & Stoughton
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:
Brookes C B and Dick W.F (1969): An Introduction to Statistical
Method .Second Edition Published by H.E.B.Paperback.
163
Moore D.S and Mc Cabe G.P (1993): Introduction to the Practise of
Statistics, second Edition. New York: W.H. Freeman and coy.
Brookes C B and Dick W.F (1969): An Introduction to Statistical
Method .Second Edition Published by H.E.B.Paperback.
164