i

KATA PENGANTAR

Puji Syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena modul Statistika
Bisnis ini telah rampung dan selesai dengan baik.

Modul ini ditujukan untuk mahasiswa program studi D4 Akuntansi Manajerial Jurusan
Akuntansi Politeknik Negeri Bali yang mempelajari mata kuliah Statistika Bisnis.
Modul ini berisikan metode-metode Statistika yang digunakan dan diterapkan dalam
bidang ekonomi dan bisnis. Diharapkan dengan adanya modul ini, mahasiswa dapat
terbantu dalam mengenal ilmu Statistika dan dapat mengaplikasikannya pada dunia
kerja.

Penulis menyadari bahwa modul ini masih jauh dari kata sempurna. Oleh karena itu,
kritik dan saran yang membangun akan sangat diterima.

Bukit Jimbaran, Desember 2021

Penulis

ii
Daftar Isi

BAB I ............................................................................................................................ 1
PENDAHULUAN ........................................................................................................ 1
1.1 Pengertian Statistika ............................................................................................ 1
1.2 Peranan dan Aplikasi Statistika ........................................................................... 2
1.3 Istilah-Istilah dalam Statistika ............................................................................. 3
Rangkuman ................................................................................................................ 4
Latihan ....................................................................................................................... 4
BAB II ........................................................................................................................... 6
DATA DALAM STATISTIK ....................................................................................... 6
2.1 Jenis-Jenis Data ................................................................................................... 7
2.2 Populasi dan Sampel ......................................................................................... 10
2.3 Teknik Pengambilan Sampel (Sampling) .......................................................... 11
2.3 Parameter dan Statistik ...................................................................................... 14
2.4 Bias dalam Statistika ......................................................................................... 14
Rangkuman .............................................................................................................. 15
Latihan ..................................................................................................................... 16
Daftar Pustaka ......................................................................................................... 16
BAB III ....................................................................................................................... 17
STATISTIKA DESKRIPTIF ...................................................................................... 17
3.1 Ukuran Pemusatan Data .................................................................................... 18
3.2 Ukuran Penyebaran Data ................................................................................... 20
Rangkuman .............................................................................................................. 24
Latihan 3 .................................................................................................................. 25
Daftar Pustaka ......................................................................................................... 27
BAB IV ....................................................................................................................... 28
STATISTIKA INFERENSIA DAN PENGUJIAN HIPOTESIS ................................ 28

iii
 4.1 Definisi Hipotesis Statistika .............................................................................. 29
4.2 Kesalahan Tipe I dan Tipe II ............................................................................. 30
4.3 Langkah-Langkah Uji Hipotesis ....................................................................... 31
4.4 Uji Hipotesis Terhadap Mean suatu Populasi ................................................... 32
Rangkuman .............................................................................................................. 38
Latihan 4. ................................................................................................................. 39
Daftar Pustaka ......................................................................................................... 40
BAB V......................................................................................................................... 41
UJI HIPOTESIS II: DUA SAMPEL BEBAS ............................................................. 41
5.1 Hipotesis ............................................................................................................ 42
5.2 Kasus I: Varians Kedua Populasi (σ12 dan σ22) Diketahui ................................ 43
5.3 Kasus II: Varians Kedua Populasi (σ12 dan σ22) Tidak Diketahui ..................... 45
Rangkuman .............................................................................................................. 49
Latihan 5 .................................................................................................................. 49
Daftar Pustaka ......................................................................................................... 51
BAB VI ....................................................................................................................... 52
UJI HIPOTESIS III: DUA SAMPEL BERPASANGAN ........................................... 52
6.1 Hipotesis ............................................................................................................ 53
6.2 Statistik Uji ........................................................................................................ 54
Rangkuman .............................................................................................................. 58
Latihan 6 .................................................................................................................. 59
Daftar Pustaka ......................................................................................................... 60
BAB VII ...................................................................................................................... 61
ANALISIS REGRESI ................................................................................................. 61
7.1 Pendahuluan ...................................................................................................... 61
7.1.1 Variabel Prediktor dan Respon ................................................................... 62
7.1.2 Tujuan Analisis Regresi .............................................................................. 62
7.1.3 Penerapan Analisis Regresi pada Bidang Ekonomi dan Bisnis .................. 63

iv
 7.1.4 Jenis-Jenis Analisis Regresi ........................................................................ 63
7.2 Analisis Regresi Linier Sederhana .................................................................... 65
7.2.1 Model regresi .............................................................................................. 65
7.2.2 Kesalahan Standar Estimasi ........................................................................ 70
7.2.3 Pengujian Hipotesis .................................................................................... 72
Hipotesis...................................................................................................................... 76
7.2.3 Koefisien Korelasi dan Determinasi ........................................................... 77
Rangkuman ................................................................................................................. 79
Latihan......................................................................................................................... 80
Daftar Pustaka ......................................................................................................... 82
BAB VIII..................................................................................................................... 83
ANGKA INDEKS ....................................................................................................... 83
8.1 Pendahuluan ...................................................................................................... 83
8.2 Jenis-Jenis Angka Indeks .................................................................................. 83
8.3 Angka Indeks Sederhana ................................................................................... 84
8.4 Angka Indeks Gabungan ................................................................................... 86
8.5 Penerapan Angka Indeks .............................................................................. 92
SOAL LATIHAN .................................................................................................... 94
BAB IX ....................................................................................................................... 96
ANALISIS TIME SERIES ......................................................................................... 96
9.1 Pendahuluan ...................................................................................................... 96
9.1.1 Pengertian Time Series ............................................................................... 96
9.1.2 Fungsi dan Kegunaan Time Series ............................................................. 97
9.1.3 Komponen Time Series .............................................................................. 97
9.2 Trend dalam Time Series................................................................................... 98
9.2.1 Trend Linier ................................................................................................ 98
9.2.2 Trend Kuadratik ........................................................................................ 100
9.2.3 Trend Eksponensial................................................................................... 102

v
 9.3 Pemilihan Model Trend Terbaik ..................................................................... 104
LAMPIRAN 1 ........................................................................................................... 108
LAMPIRAN 2 ........................................................................................................... 109
LAMPIRAN 3 ........................................................................................................... 110

vi
 DAFTAR TABEL

Tabel 2. 1 Contoh Data Sebanyak N Pengamatan dalam Tiga Variabel (X, Y, dan Z) ............ 7

Tabel 3. 1 Data Sumbangan (dollar) ....................................................................................... 25

Tabel 3. 2 Data Penjualan Cabang 1 dan Cabang 2 PT ABC ................................................. 26
Tabel 3. 3 Data Penjualan 5 Staff Marketing .......................................................................... 27

Tabel 4. 1 Skema Kesalahan Tipe I dan II .............................................................................. 30

Tabel 4. 2 Kriteria Penolakan H0 pada Uji Z Satu Sampel ..................................................... 34
Tabel 4. 3 Kriteria Penolakan H0 pada Uji t Satu Sampel....................................................... 35
Tabel 4. 4 Data Pendapatan Masyarakat di Kota A ................................................................ 36

Tabel 5. 1 Ilustrasi Data Dua Sampel Bebas ........................................................................... 42

Tabel 5. 2 Kriteria Penolakan H0 dalam Uji Z Dua Sampel Bebas ......................................... 44
Tabel 5. 3 Kriteria Penolakan H0 pada Uji t Dua Sampel Bebas ............................................ 46
Tabel 5. 4 Ringkasan Data Sampel Ban.................................................................................. 47
Tabel 5. 5 Harga Satu Set Komputer di Jakarta dan Bali........................................................ 50
Tabel 5. 6 Data Keuntungan Cabang 1 dan Cabang 2 Per Bulan............................................ 51

Tabel 6. 1 Ilustrasi Data Berpasangan .................................................................................... 53

Tabel 6. 2 Kriteria Penolakan H0 pada Uji Dua Sampel Berpasangan.................................... 55
Tabel 6. 3 Data Penjualan Mobil Sebelum danSesudah Kenaikan Harga BBM..................... 56
Tabel 6. 4 Penghitungan Statistik Uji pada Uji Dua Sampel Berpasangan............................. 57
Tabel 6. 5 Data Pendapatan Suami dan Istri (dalam Juta Rupiah) .......................................... 59
Tabel 6. 6 Data Penjualan Tim Marketing Sebelum dan Sesudah Pemberian Bonus ............. 60

Tabel 7. 1 Data Biaya Iklan dan Penjualan ............................................................................. 66

Tabel 7. 2 Tabel Bantu Penghitungan Analisis Regresi Linier Sederhana ............................. 69
Tabel 7. 3 Tabel Bantu Penghitungan Kesalahan Standar Estimasi ....................................... 70
Tabel 7. 4 Tabel ANOVA (Analysis of Variance).................................................................. 72
Tabel 7. 5 Tabel ANOVA Regresi antara Biaya Iklan terhadap Penjualan ............................ 75

vii
 BAB I

PENDAHULUAN

Kerangka Isi
• Pengertian Statistika
• Manfaat dan Aplikasi Statistika
• Istilah-Istilah dalam Statisstika

Standar Kompetensi
• Mahasiswa mampu memahami statistika dan peranannya
• Mahasiswa mengetahui aplikasi-aplikasi statistika di berbagai bidang ilmu

Kompetensi Dasar
• Mahasiswa dapat menjelaskan definisi statistika
• Mahasiswa dapat menyebutkan manfaat dan peranan statistika dalam berbagai
bidang
• Mahasiswa memahami istilah-istilah dalam statistika dan pengertiannya.

1.1 Pengertian Statistika

Masalah adalah sesuatu yang tidak dikhendaki atau tidak diduga terjadi dalam
kehidupan. Masalah membutuhkan suatu solusi atau jawaban atas penyebab terjadinya.
Solusi atau jawaban tersebut dapat diperoleh dari berbagai cara. Salah satunya dengan
mempelajari kasus-kasus serupa yang terjadi di masa lampau. Kasus-kasus pada masa
lampau dicatat sebagai data yang dapat digunakan untuk memecahkan masalah.
Suatu metode yang digunakan untuk mengumpulkan data, mengolah,
menganalisis, menyajikan, membuat keputusan, dan menarik kesimpulan dari suatu
masalah dalam kehidupan disebut dengan Statistika. Statistika tumbuh sebagai jawaban
dari para ilmuwan terhadap persoalan atau masalah yang diajukan oleh para peneliti.
Ilmu yang berkembang pada abad keduapuluh ini merupakan subjek muda yang sangat
menarik karena aplikasinya pada berbagai bidang kehidupan dan kemampuannya
dalam memecahkan masalah berdasarkan data real yang ada. Tidak hanya memecahkan

1
masalah, namun ilmu ini juga dapat digunakan sebagai alat untuk mengambil
keputusan yang sangat penting bagi suatu perusahaan.

1.2 Peranan dan Aplikasi Statistika

Statistika bertujuan untuk menemukan jawaban dari permasalahan atau
persoalan yang ada dengan menggunakan data real yang bersesuaian dimana
permasalahan dan persoalan tersebut dikemas dalam suatu penelitian. Adapun peranan
statistika dalam penelitian adalah:
• Memberikan informasi mengenai karakteristik suatu populasi tertentu.
Pengetahuan ini berguna untuk menghayati perilaku populasi yang diamati.
• Menyediakan prosedur praktis dalam melakukan survey atau sampling dalam
pengumpulan data. Hal ini berguna untuk mendapatkan hasil pengukuran yang
terpercaya
• Menyediakan prosedur praktis untuk menduga karakteristik populasi dengan
menggunakan pendekatan karakteristik sampel.
• Menyediakan prosedur praktis untuk peramalan keadaan mendatang berdasarkan
keadaan di masa lampau.
• Sebagai teknik untuk menyajikan data sehingga data lebih komunikatif, misalnya
melalui grafik, tabel, atau diagram.

Dengan peranan yang begitu luas, statistik dapat diaplikasin dalam berbagai bidang
dan aspek, antara lain:

a. Bidang Ilmu Manajemen

• Penentuan struktur gaji, pesangon, dan tunjangan karyawan
• Evaluasi produktivitas dan kinerja karyawan
b. Bidang Ilmu Keuangan
• Analisis pertumbuhan laba
• Analisis tingkat pengembalian investasi
• Peramalan harga saham

2
c. Bidang Ekonomi Pembangunan
• Analisis pertumbuhan ekonomi, inflasi, dan suku bunga
• Analisis pertumbuhan penduduk, pengangguran, dan kemiskinan
d. Bidang Agribisnis
• Analisis produksi tanaman dan ternak
• Kelayakan usaha dan skala ekonomi
• Analisis ekspor impor produksi pertanian
e. Bidang Klimatologi
• Analisis peramalan curah hujan
• Analisis cuaca ekstrim
f. Bidang Akuntansi
• Penentuan standar audit barang dan jasa
• Analisis rasio keuangan
• Analisis Audit delay

1.3 Istilah-Istilah dalam Statistika

Ilmu statistika memiliki banyak istilah yang harus dikenal. Berikut ini beberapa
istilah yang pokok sering digunakan dalam statistika:
a. Populasi
Populasi adalah keseluruhan objek yang yang menjadi fokus pada penelitian.
Misalkan penelitian mengenai kinerja pegawai dalam perusahaan, maka semua
pegawai dalam perusahaan tersebut, dinamakan populasi
b. Sampel
Sampel adalah sebagian dari populasi yang diteliti. Populasi biasanya
berukuran sangat besar sehingga untuk menghemat waktu, tenaga, dan biaya,
digunakan sampel dari populasi. Informasi yang diperoleh dari sampel
kemudian diterapkan pada populasi. Misalkan dalam suatu perusahaan terdapat
ribuan pegawai sehingga tidak memungkinkan untuk medata semua pegawai

3
 tersebut. Maka untuk mengefisienkan waktu, tenaga, dan biaya, tidak semua
pegawai dicatat datanya, melainkan hanya sebagian yang dianggap dapat
mewakili keadaan semua pegawai. Sebagian dari pegawai yang dicatat/didata
tersebut dinamakan sampel.
c. Sampling
Terdapat beberapa cara atau metode yang dapat digunakan untuk mengambil
bagian (sample) dari populasi. Sampling adalah metode pengambilan sampel
yang disesuaikan dengan kondisi populasi
d. Sensus
Sensus adalah pengambilan data dari seluruh anggota populasi. Sensus jarang
digunakan dalam penelitian. Namun untuk hal-hal yang signifikan, dilakukan
sensus. Misalnya sensus penduduk Indonesia yang diadakan setiap 5 tahun
sekali karena dalam satu kali sensus, biaya yang dikeluarkan sangat besar dan
prosesnya memakan waktu yang cukup lama.

Rangkuman
Statistika adalah ilmu yang digunakan untuk mengumpulkan data, mengolah,
menganalisis, menginterpretasi, menyajikan data, menarik kesimpulan, serta
mengambil keputusan dari suatu masalah atau persoalan. Statistika memiliki
peranan penting dalam penelitian dan dapat diaplikasikan pada berbagai bidang
keilmuan. Beberapa istilah peting yang paling sering digunakan dalam statistika
adalah populasi, sampel, sensus, dan sampling!

Latihan
1. Apa yang dimaksud dengan statistika?
2. Selidikilah peranan statistika di bidang pertanian, perkebunan, dan
pertambangan! Sebutkan masing-masing 3 contoh!
3. Bagaimana cara membedakan sampel dan populasi?

4
 4. Selain sensus penduduk, sensus apa yang Anda ketahui? Dan jelaskan
mengapa sensus tersebut penting untuk dilakukan!

Daftar Pustaka

Syaefudin.A, Notodiputro.K.A, Alamudi.A, dan Sadik.K. 2009. Statistika Dasar.

Jakarta: PT Grasindo

Adhyaksa,N.J.P. 2005. Statistika Bisnis. Modul Ajar Jurusan Akuntansi. Politeknik

Negeri Bali.

Steel,R.G.D, dan Torrie, J.H. 1995. Prinsip dan Prosedur Statistika. Jakarta: PT
Gramedia Pustaka Utama.

5
 BAB II

DATA DALAM STATISTIK

Kerangka Isi
2.1 Jenis-Jenis Data
2.2 Populasi dan Sampel
2.3 Teknik Pengambilan Sampel
2.4 Parameter dan Statistik
2.4 Bias dalam Statistik
Standar Kompetensi
Mahasiswa dapat memahami jenis-jenis data dalam statisik, perbedaan antara
data populasi dan data sampel, teknik pengambilan sampel, serta bias dalam
statistik.
Kompetensi Dasar
• Mahasiswa dapat mendefinisikan data
• Mahasiswa dapat menyebutkan jenis-jenis data berdasarkan skala, sumber,
cara memperoleh, serta waktu pengumpulannya, beserta contohnya.
• Mahasiswa dapat membedakan konsep populasi dan sampel
• Mahasiswa dapat memahami teknik pengambilan sampel yang tepat
berdasarkan kondisi populasi serta dapat mengaplikasikannya
• Mahasiswa dapat menyebutkan perbedaan antara parameter dan statistik
• Mahasiswa dapat menjelaskan konsep bias dalam statistik dan resikonya

Setiap orang yang berkecimpung dalam penelitian, perencanaan, ataupun bisnis

sudah tidak asing lagi dengan data. Data adalah kata jamak dari datum. Keputusan-
keputusan dalam statistika dibuat berdasarkan data.
Data adalah suatu bentuk pencatatan berulang mengenai karakteristik suatu objek.
Pada pencatatan ini masing-masing karakteristik dicatat dengan nomor atau identitas
tertentu dan masing-masing karakteristik dicatat ke dalam variabel tertentu. Masing-
masing individu yang masuk ke dalam pencatatan tersebut secara umum dinamakan
pengamatan, observasi, atau record. Tabel 2.1 menampilkan bentuk umum gugus data

6
yang meliputi N pengamatan yang dicatat pada tiga variabel yaitu variabel X, Y, dan
Z.

Tabel 2. 1 Contoh Data Sebanyak N Pengamatan dalam Tiga Variabel (X, Y, dan Z)

No X Y Z

1 X1 Y1 Z1

2 X2 Y2 Z2

. . . .

. . . .

. . . .

N XN YN ZN

Gugus data yang dicatat dapat mengenai apa saja yang ingin diketahui peneliti,
misalnya tinggi badan mahasiswa, berat badan mahasiswa, nilai ujian, IPK, tingkat
saham, penjualan per bulan, jumlah pegawai, besar modal, dan sebagainya.

2.1 Jenis-Jenis Data

Terdapat berbagai jenis data dalam statistika yang tentunya memiliki spesifikasi
tertentu dalam analisis kasus. Untuk itu kita harus mengenal jenis-jenis data dalam
statistika, agar ke depannya kita dapat menentukan jenis analisis apa yang tepat
diterapkan dengan data yang kita miliki. Berikut akan dpaparkan jenis-jenis data
berdasarkan skala, sumber, cara memperoleh, dan waktu pengumpulannya.

Berdasarkan skalanya, data dikelompokkan menjadi empat jenis yaitu

a. Data nominal
Data berskala nominal adalah data yang hanya berupa kelompok (kategori) di
mana tidak terdapat tingkatan anta kelompok (kategori) tersebut. Semua

7
 kelompok dianggap memiliki kedudukan yang sama. Kelompok hanya sebagai
pembeda dan tidak menggambarkan mengenai tingkat.
Contoh: Data jenis kelamin hanya membedakan laki-laki dan perempuan, data
agama hanya membedakan ke dalam lima agama, data jenis pekerjaan, data ras,
dan sebagainya.
b. Data ordinal
Data ordinal merupakan data yang selevel lebih tinggi dari data nominal. Jika
pada data nominal semua kelompok dianggap setara, maka pada ordinal
terdapat tingkatan pada kelompok/kategori.
Contoh: Data tingkat pendidikan, data tingkat kepuasaan konsumen (tidak puas,
puas, sangat puas), dan sebagainya
c. Data interval
Berbeda dengan data nominal dan ordinal, data interval tidak berbentuk
kelompok/kategori, namun sudah merupakan data kuantitatif.
Contoh: suhu 800 C adalah dua kali lebih panas dari suhu 400C. Namun data
interval tidak memiliki nilai nol yang absolute. Seperti 00C sama dengan 320F.
d. Data rasio
Data rasio adalah data dengan tingkat pengukuran paling tinggi. Data rasio
bersifat kauntitaif dan memiliki titik nol dalam arti sesungguhnya.
Contoh: Data berat badan, data tinggi badan, data lingkar pinggang, data saham,
dan sebagainya.

Berdasarkan sumbernya, data dibedakan menjadi

a. Data internal
Data internal adalah data yang menggambarkan keadaan/kegiatan di dalam
suatu organisasi. Contoh: dalam suatu perusahaan data internal meliputi data
keuangan perusahaan, jumlah pegawai, jumlah inventoris, data penjualan, data
biaya produksi, dan sebagainya.

8
b. Data eksternal
Data eksternal adalah data yang menggambarkan keadaan/kegiatan di luar
organisasi/perusahaan. Contohnya: dalam suatu perusahaan yang meliputi data
eksternal adalah tingkat daya beli masyarakat, tingkat kepuasan masyarakat,
permintaan masyarakat, dan sebagainya.

Berdasarkan cara memperolehnya, data dibedakan menjadi

a. Data Primer
Data primer adalah data yang dikumpulkan sendiri oleh peneliti langsung dari
objeknya.
Contoh: suatu peneliti ingin mengetahui tingkat kepuasan konsumen terhadap
pelayanan restaurant tertentu langsung melakukan wawancara atau
mengedarkan kuisioner kepada para pelanggan restaurant tersebut.
b. Data Sekunder
Data sekunder adalah data yang diperoleh peneliti dari pihak lain, bukan
langsung dari objek penelitian.
Contoh: seorang peneliti mendapatkan data jumlah penduduk miskin dari BPS,
data curah hujan dari BMKG, data perbankan dari Bank Indonesia, dan
sebagainya.

Berdasarkan waktu pengumpulannya, data dibedakan menjadi:

a. Data Cross Section
Data cross section adalah data yang dikumpulkan pada suatu waktu tertentu
yang dapat menggambarkan keadaan pada waktu tersebut.
Contoh: suatu perusahaan mengumpulkan data penjualan pada tahun tertentu
dapat memperoleh gambaran tentang keadaan penjualan pada tahun tersebut
(menurut jenis barang, tingkat pendapatan konsumen, dan sebagainya)
b. Data Time Series

9
 Data time series adalah data yang dikumpulkan dari waktu ke waktu secara
berurutan untuk dapat mengetahui gambaran tentang suatu keadaan dari waktu
ke waktu.
Contoh: perusahaan mengumpulkan data penjualan barang selama 4 tahun
terakhir, maka data dapat memberikan gambaran tentang penjualan barang
secara berurutan dari waktu ke waktu selama periode 4 tahun.
Data time series sangat berguna unuk peramalan (forecasting) karena dapat
menunjukkan trend perubahan dari data, sehingga dapat meramalkan
bagaimana keadaan data pada masa yang akan datang.

2.2 Populasi dan Sampel

Jika kita memiliki sekumpulan data, maka hal pertama yang harus kita perhatikan
adalah apakah data tersebut adalah keseluruhan data yang mungkin atau hanya bagian
dari kumpulan data yang lebih besar. Kesalahan pembedaan tersebut akan
menghasilkan kesimpulan yang kurang tepat.
Keseluruhan pengamatan yang menjadi perhatian dalam penelitian baik yang
terhingga maupun yang tidak terhingga disebut populasi. Banyaknya pengamatan atau
anggota suatu populasi disebut ukuran populasi. Misalnya terdapat 600 mahasiswa
Jurusan Akuntansi yang akan diteliti prestasi belajarnya, maka dapat dikatakan bahwa
populasi pada penelitian tersebut berukuran 600 dan populasi tersebut merupakan
populasi berhingga karena diketahui jumlah pastinya. Contoh lain populasi berhingga
adalah penduduk di suatu kota, jumlah sapi di suatu peternakan, jumlah panen pada
suatu perkebunan, dan sebagainya. Sedangkan pengukuran tekanan udara harian dari
suatu waktu hingga waktu yang akan datang, atau pengukuran intensitas matahari
dalam waktu 24 jam adalah contoh populasi tak berhingga.
Dalam statistika, kesimpulan dan keputusan yang diambil adalah mengenai
populasi. Namun seringkali karena keterbatasan biaya, waktu, dan tenaga, pengamatan
tidak dapat dilakukan pada seluruh anggota populasi. Terlebih lagi untuk populasi tak

10
berhingga. Kita tidak mungkin dapat mencatat data yang tak berhingga jumlahnya.
Untuk mengatasi hal tersebut dilakukan pengamatan hanya pada sebagian dari
populasi. Bagian dari populasi yang diamati disebut sampel.
Sampel yang diamati tentunya harus dapat mewakili populasi penelitian. Dengan
kata lain karakteristik populasi akan diperoleh melalui karakteristik sampel yang
diambil dengan teknik yang benar dan tepat dari populasi tersebut. Prosedur
pengambilan sampel yang menghasilkan kesimpulan yang konsisten terlalu tinggi atau
terlalau rendah mengenai cirri suatu populasi dikatakan berbias. Untuk menghilangkan
bias tersebut perlu dilakukan teknik pengambilan sampel yang sesuai dengan keadaan
populasi.

2.3 Teknik Pengambilan Sampel (Sampling)

Populasi satu dan populasi lainnya tentu memiliki kondisi dan karakteristik yang
berbeda-beda. Untuk itu, teknik sampling yang diterapkan pada populasi pun harus
tepat dengan kondisi dan karakteristik masing-masing populasi. Pada sub bab ini akan
dijelaskan mengenai macam-macam teknik pengambilan sampel yang tepat dengan
kondisi populasi, serta kondisi peneliti.
Secara umum sampling dapat dilakukan secara acak ataupun tak acak. Acak
memiliki arti bahwa semua anggota populasi memiliki kesempatan untuk dapat dipilih
menjadi sampel. Sedangkan tak acak berarti tidak semua anggota populasi memiliki
kesempatan terpilih menjadi sampel.
Adapun beberapa teknik pengambilan sampel secara acak adalah sebagai berikut:
• Simple random sampling
Sampling dilakukan secara acak sederhana yaitu di mana semua objek memiliki
peluang yang sama utuk dapat terpilih menjadi sampel. Teknik ini dilakukan
jika populasi bersifat homogeny (memiliki keadaan yang cenderung sama di
semua lapisan). Misalkan kita ingin melakukan penelitian yang berkaitan
dengan jenis pekerjaan masyarakat daerah pesisir. Jika kita mempelajari

11
 karakteristik daerah pesisir, maka akan diperoleh bahwa masyarakat daerah
pesisir cenderung memiliki pekerjaan sebagai nelayan. Hanya sebagian kecil
masyarakat yang tidak berprofesi sebagai nelayan. Populasi yang seperti ini
dapat dikatakan cenderung homogen sehingga jika ingin melakukan smpling,
dapat dilakukan secara simple random sampling (secara acak sederhana). Acak
sederhana memiliki arti bahwa siapapun dapat kita pilih sebagai sampel tanpa
pertimbangan apapun. Tekniknya dapat dilakukan secara undian, lotre, dan
sejenisnya.
• Stratified random sampling
Teknik sampling ini dilakukan apabila populasi bersifat heterogen (tidak
memiliki keadaan yang sama dan terdapat kelompok-kelompok atau strata yang
memiliki keadaan berbeda). Sampling dilakukan secara acak pada masing-
masing strata. Tekniknya adalah membagi populasi menjad beberapa strata, di
mana di dalam masing-masing strata bersifat homogeny dan antar strata bersifat
heterogen. Kemudian pengambilan sampel acak sederhana diterapkan pada
masing-masing strata.
• Cluster sampling
Pada metode ini unsur-unsur populasi dibedakan ke dalam sub kelompok yang
disebut cluster. Pembagian cluster ini dapat dilakukan dengan menggunakan
dasar wilayah administrasi pemerintahan maupun batas-batas alam. Dari semua
cluster yang terbentuk akan dipilih beberapa cluster secara acak dan kemudian
akan dipilih sampel secara acak dari cluster-cluster yang terpilih.
• Systematic random sampling
Pada teknik ini sampel dipilih dengan menggunakan interval yang sama secara
sistematis. Langkah awal adalah memilih titik awal secara acak, lalu sampel
dipilih pada setiap interval tertentu, misalnya setiap jarak kesepuluh
Contoh: titik awal yang terpilih adalah 4 dan dengan interval 10 maka sample
yang diambil adalah sample dengan nomor 4, 14, 24, 34, dst.

12
Teknik pengambilan sample secara tak acak adalah:

• Quota sampling
Dalam quota sampling suatu populasi dibagi menjadi beberapa kelompok yang
saling bebas, seperti stratified sampling. Kemudian penilaian dilakukan untuk
memilih objek sebagai sampel dari tiap kelompok berdasarkan proporsi
tertentu. Penilaian dilakukan secara subjektif, yaitu hanya objek yang memiliki
nciri-ciri tertentu yang dipilih menjadi sampel. Misalnya seorang peneliti akan
melakukan pengambilan sampel dari populasi sebanyak 200 wanita dan 300
pria. Sampel yang diambil dikehendaki berusia 45-60 tahun. Dalam kasus ini
peneliti dapat memilih atau menargetkan individu yang akan diambil sebagai
sampel. Tahapan kedua inilah yang tidak bersifat acak. Keuntungan metode ini
adalah mudah, murah, dan relative cepat.
• Accidental sampling
Accidental sampling atau juga dikenal dengan convenience sampling adalah
salah satu teknik non random sampling dimana objek diplih karena akses yang
mudah untuk didapatkan. Teknik sampling ini banyak digunakan saat peneliti
memiliki waktu yang sangat terbatas. Tentunya hal ini sangat menguntungkan
peneliti karena sangat murah dan mudah untuk diterapkan. Namun teknik
sampling seperti ini tidak dapat mewakili atau merepresentasi keseluruhan
populasi. Contoh penerapan teknik sampling ini adalah misalnya seorang
peneliti ingin meneliti tingkat kepuasan konsumen di suatu swalayan. Namun
karena peneliti tersebut hanya dapat mengumpulkan data sampai jam 12 siang,
maka yang menjadi objek sampel hanyalah pengunjung yang berbelanja sampai
pukul 12 siang dan mudah diakses peneliti atau yang posisinya berada dekat
dengan peneliti.
• Purposive sampling

13
 Purposive sampling merupakan sampling dengan cara menyeleksi sample
dengan judgment, keahlian dan kreatifitas peneliti di mana sample yang dipilih
memiliki sangkut paut yang erat dengan penelitian.
• Snowball sampling
Metode ini adalah metode sampling dimana responden awal dipilih secara acak
dan sampel yang terpilih tersebut kemudian akan memilih sampel berikutnya
sehingga semakin lama, sample terpilih akan semakin banyak.

2.3 Parameter dan Statistik

Umumnya pada penelitian, informasi yang ingin diketahui adalah informasi

mengenai populasi. Namun karena keterbatasan biaya, waktu, maupun tenaga, kita
tidak dapat mencatat semua amatan pada populasi. Untuk mengatasi hal tersebut
dilakukan sampling.
Informasi mengenai populasi disebut dengan parameter, sedangkan informasi pada
sample yang digunakan untuk menduga populasi disebut dengan statistic. Parameter
bersifat tetap sedangkan statistic bersifat tidak tetap, menyebar dalam ukuran
pemusatan dan penyebaran tertentu. Dalam statistika, akedah-kaedah peluang
digunakan sebagai landasan dalam menghitung besarnya ketidakpastian suatu
perkiraan mengenai suatu parameter populasi berdasarkan statistic dari sample acak
tertentu.

2.4 Bias dalam Statistika

Bias adalah suatu persoalan yang perlu diperhatikan dalam membuat suatu
perkiraan statistik. Perkiraan yang berbias adalah suatu perkiraan yang cenderung
menyimpang, terlalu rendah atau terlalu tinggi dari nilai sebenarnya.

14
 Bias dapat terjadi karena beberapa hal salah satu nya karena metode pengambilan
sample yang tidak sesuai dengan kondisi populasi. Bias yang terjadi karena hal ini sulit
diatasi. Oleh karena itu kecermatan sangat diperlukan dalam pengambilan sample pada
populasi.
Misalnya dalam penelitian mengenai besarnya pendapatan masyarakat di suatu
kabupaten. Dari hasil survey (sampling) diperoleh rata-rata pendapatan masyarakat
sebesar Rp. 7.000.000. Namun secara realita, masih banyak masyarakat yang tidak
mampu membayar biaya kesehatan ataupun biaya hidup lainnya. Dengan kata lain,
secara statistik, rata-rata pendapatan masyarakat sangat tinggi namun secara realita,
kebanyakan masyarakat adalah dari kalangan menengah ke bawah. Keadaan yang
seperti inilah yang disebut perkiraan atau estimasi yang berbias (tidak sesuai dengan
kenyataan). Hal ini dapat terjadi salah satunya karena kesalahan teknik sampling.
Keadaan populasi yang heterogen jika tidak diterapkan teknik sampling yang tepat,
akan menjadikan kesimpulan yang berbias. Dalam kasus ini bias saja hanya masyarakat
yang memiliki pendapatan yang tinggi yang terpilih sebagai sampel, dan masyarakat
yang memiliki pendapatan rendah tidak tersampel.
Keadaan bias sepeti ini tidak hanya disebabkan oleh kesalahan teknik sampling.
Hal ini dapat disebabkan oleh hal lain, misalnya kesalahan pencatatan, atau adanya
pencilan (nilai amatan yang menyimpang jauh dari nilai amatan lainnya) dalam sampel.
Namun salah satu cara yang penting untuk menghindari hal ini adalah dengan
menerapkan teknik sampling yang tepat.

Rangkuman
Pada umumnya data dikelompokkan berdasarkan beberapa kriteria yaitu berdasarkan
skala, sumber, cara mendapatkan, dan waktu pengumpulan data. Untuk mendapatkan
data sampel, perlu dilakukan teknik sampling yang sesuai dengan kondisi populasi dan
kondisi peneliti. Secara garis besar, teknik sampling dilakukan secara random/ acak
yaitu di mana semua anggota populasi memiliki kesempatan yang sama untuk dapat

15
dipilih menjadi anggota sampel, dan non random atau tak acak. Teknik sampling yang
kurang sesuai dapat menyebabkan perkiraan bahkan kesimpulan yang bias.

Latihan

1. Sebutkan masing-masing dua contoh kasus yang menggunakan teknik sampling

Purposive sampling dan Snowball sampling! Jelaskan perbedaan dari kedua
teknik sampling tersebut serta jelaskan keuntungan dari masing-masing teknik
sampling tersebut.
2. Jelaskan apa yang pertama kali yang harus kita diperhatikan dalam penelitian!
Mengapa hal tersebut penting?
3. Rancanglah suatu kerangka penelitian sederhana. Jelaskan apa populasinya dan
bagaimana kondisi populasi yang akan diteliti. Setelah itu, deskripsikan teknik
sampling yang akan Anda terapkan pada populasi tersebut beserta alasannya!
4. Apa yang disebut dengan bias dalam statisik? Apa yang akan ditimbulkan jika
terdapat bias?

Daftar Pustaka
Syaefudin.A, Notodiputro.K.A, Alamudi.A, dan Sadik.K. 2009. Statistika Dasar.
Jakarta: PT Grasindo

Adhyaksa,N.J.P. 2005. Statistika Bisnis. Modul Ajar Jurusan Akuntansi. Politeknik

Negeri Bali.

Steel,R.G.D, dan Torrie, J.H. 1995. Prinsip dan Prosedur Statistika. Jakarta: PT
Gramedia Pustaka Utama.

16
 BAB III

STATISTIKA DESKRIPTIF

Kerangka Isi
3.1 Ukuran Pemusatan Data
3.2 Ukuran Penyebaran Data

Standar Kompetensi
Mahasiswa dapat mengetahui ukuran pemusatan data dan penyebaran data serta
cara mengitungnya

Kompetensi Dasar
• Mahasiswa dapat menjelaskan perbedaan antara statistika deskriptif dan
statistika inferensia
• Mahasiswa dapat menjelaskan perbedaan ukuran pemusatan dan penyebaran
data dan peranannnya dalam statistika
• Mahasiswa dapat mendefinisikan ukuran pemusatan data (mean, median,
kuartil, dan modus) serta cara menghitungnya
• Mahasiswa dapat mendefinisikan ukuran penyebaran data (range, varians,
standar deviasi) serta cara menghitungnya

Statistika pada umumnya dibagi menjadi dua jenis, yaitu statistika deskriptif dan
statistika inferensia. Statistika deskriptif adalah ilmu statistika yang mencakup
pengumpulan data, mengolah, menganalisis, dan menyajikan hasil analisis serta
merepresentasikannya dalam bentuk gambar, diagram, atau grafik. Sedangkan
statistika inferensia adalah ilmu statistika yang mencakup analisis data menggunakan
uji hipotesis, menarik keputusan dan kesimpulan dari hasil uji hipotesis tersebut.
Statistika deskriptif digunakan untuk melihat gambaran karakteristik dari data. Hal
ini berguna bagi informasi awal untuk analisis lebih lanjut. Adapun yang akan dibahas
dalam statistika deskriptif adalah ukuran pemusatan data dan ukuran penyebaran data.

17
3.1 Ukuran Pemusatan Data
Untuk menyelidiki segugus data kuantitatif, akan sangat membantu bila kita
mendefinisikan ukuran-ukuan numeric yang menjelaskan ciri-ciri data yang penting.
Ukuran-ukuran numeric tersebut dapat menjelaskan karakteristik data. Sembarang
ukuran yang menunjukkan pusat segugus data yang telah diurutkan dari yang terkecil
sampai terbesar atau sebaliknya, disebut ukuran lokasi pusat atau ukuran pemusatan.
Ukuran pemusatan yang peling banyak digunakan adalah mean, median, dan modus.

a. Mean
Bila segugus data x1, x2, …, xN membentuk suatu populasi berhingga berukuran
N, maka mean populasi dinyatakan sebagai
∑N
i=1 xi x1 + x2 + ⋯ + xN
μ= =
N N
Contoh 3.1
Banyaknya panen anggur di lima perkebunan milik perusahaan A adalah 500kg,
200kg, 300kg,400kg, dan 350kg. Hitunglah mean banyaknya panen anggur di
lima perkebunan milik perusahaan A

Penyelesaian:
Karena datanya merupakan suatu gugus populasi berhingga maka
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 + 𝑥5 500 + 200 + 300 + 400 + 350 1750
𝜇= = = = 350
5 5 5
Jadi rata-rata panen anggur di lima perkebunan milik perusahaan A adalah 350kg

Jika gugus data x1, x2, …, xN membentuk suatu sampel berhingga berukuran n
maka mean sampel dinyatakan sebagai
∑ni=1 xi x1 + x2 + ⋯ + xn
x̅ = =
n n

18
b. Median
Median dari segugus data yang telah diurutkan dari terkecil sampai terbesar atau
sebaliknya adalah pengamatan yang tepat di tengah-tengah (bila jumlah
pengamatan tersebut ganjil) atau rata-rata kedua pengamatan di tengah (jika jumlah
pengamatan tersebut genap). Nilai Median didefinisikan dengan persamaan:
𝑀𝑒 = 𝑥(𝑛+1)⁄2 jika jumlah data ganjil

𝑥𝑛 + 𝑥(𝑛+1)
2 2
𝑀𝑒 = jika jumlah data genap
2

Contoh 3.2:
Dari lima kali kuis maematika bisnis seseorang mahasiswa memperoleh nilai 82,
93, 86, 92, dan 79. Tentukan nilai median!

Penyelesaian:
Langkah awal yang dilakukan adalah menyusun data dari yang terkecil sampai
terbesar, yaitu
79 82 86 92 93
Kemudian menentukan letak median, yaitu pada 𝑥(𝑛+1)⁄2 = 𝑥(5+1)⁄2 = 𝑥3
Median adalah x3 yaitu data ketiga setelah data diurutkan. Sehingga berdasarkan
hal ini, nilai median adalah 86

c. Modus
Modus adalah nilai yang paling sering muncul atau yang memiliki frekuensi
paling tinggi

Contoh 3.3

19
 Banyaknya jumlah mahasiswa jurusan Akuntansi yang mendapatkan beasiswa
prestasi dari tahun 2007 sampai 2014 adalah 15, 13, 14, 15, 16, 18, 15. Tentukan
modusnya!

Penyelesaian:
Modus adalah nilai yang paling sering muncul atau yang frekuensinya paling
tinggi. Frekuensi dari masing-masing data adalah:
Data Frekuensi
13 1
14 1
15 3
16 1
18 1
Dari tabel tesebut terlihat bahwa data 15 memiliki frekuensi yang paling tinggi
yaitu sebanyak 3, sehingga modus data tersebut adalah 15.

3.2 Ukuran Penyebaran Data

Ukuran pemusatan hanya memberikan deskripsi mengenai pusat dari segugus data
yang kita miliki. Namun kita juga perlu mengetahui seberapa jauh pengamatan-
pengamatan tersebut menyebar dari mean nya. Untuk itu diperlukan pula suatu ukuran
untuk mengetahui penyebaran data. Ukuran penyebaran data juga memberikan
informasi yang penting mengenai data karena sangat mungkin pada dua kasus yang
berbeda unuk memiliki nilai mean yang sama namun penyebaran datanya berbeda.
Ukuran penyebaran data yang sering digunakan adalah range, varians, standar deviasi,
dan jangkauan antar kuantil.

a. Range

20
 Range adalah perbedaan antara pengamatan terkecil dan pengamatan terbesar
dalam suatu data. Semakin besar nilai range maka penyebaran data juga semakin
besar.
Range = xmaximum – xminimum
Contoh 3.4
Nilai ujian 10 mahasiswa Jurusan Akuntansi adalah 98, 97, 67, 78, 81, 82, 90, 86,
76, 77. Tentukan range dari nilai ujian tersebut!

Penyelesaian:
Range = xmaximum – xminimum
Range = 98 – 67 = 31
Jadi range nilai ujian tersebut adalah 31

b. Simpangan Rata-Rata
Average Deviation mengukur rata-rata deviasi nilai-nilai suatu sampel atau
populasi terhadap mean tanpa mempertimbangkan arah maisng-masing nilai
terhadap mean. Pengaruh tanda negative dihilangkan dengan menggunakan tanda
absolute.
∑𝑛𝑖=1|𝑥𝑖 − 𝑥̅ |
𝐴𝐷 =
𝑛
Dimana: AD = Average Deviation
xi = data ke-i
𝑥̅ = mean
n = jumlah data

Contoh 3.5
Nilai ujian 10 mahasiswa Jurusan Akuntansi adalah 98, 97, 67, 78, 81, 82, 90, 86,
76, 77. Tentukan absolute deviation dari nilai ujian tersebut!
Penyelesaian:

21
 Sebelum menghitung AD, kita perlu menghitung mean terlebih dahulu
∑10
i=1 xi 98 + 97 + 67 + 78 + 81 + 82 + 90 + 86 + 76 + 77
x̅ = = = 83,2
10 10

Setelah mengetahui nilai mean, maka niali AD dapat dihitung dengan cara
∑10
𝑖=1|𝑥𝑖 − 𝑥̅ | |98 − 83,2| + |97 − 83,2| + ⋯ + |77 − 83,2|
𝐴𝐷 = = = 7,64
10 10

c. Varians
Mirip dengan simpangan rata-rata, varians mengukur penyimpangan tiap
pengamatan dengan mean nya. Namun perbedaan dengan simpangan rata-rata
adalah, varians menghilangkan nilai negative dengan cara mengkuadratkan selisih
tiap amatan dengan mean nya. Varians populasi dinotasikan dengan V atau σ2
dihitung denga menggunakan persamaan:

2
∑𝑁
𝑖=1(𝑥𝑖 − 𝜇)
2
𝜎 =
𝑁
Dimana σ2 = varians untuk populasi
xi = data ke-i
μ = mean populasi
N = jumlah populasi

Sedangkan varians sampel dihitung dengan menggunakan persamaan:

2
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑠 =
𝑛−1
Dimana: s2 = standar deviasi untuk sampel
xi = data ke-i
𝑥̅ = mean sampel
n = jumlah sampel

d. Standar Deviasi

22
Varians dinyatakan dalam satuan kuadrat. Namun dalam statistika seringkali
diperlukan ukuran penyebaran yang memiliki satuan yang sama dengan data
aslinya. Untuk memenuhi hal tersebut, dilakukan penarikan akar pada varians.
Ukuran ini disebut dengan standar deviasi. Nilai standar deviasi untuk populasi
disimbolkan dengan σ dan dihitung dengan menggunakan rumus:

∑𝑁
𝑖=1(𝑥𝑖 − 𝜇)
2
𝜎=√
𝑁
Dimana: σ = standar deviasi untuk populasi
xi = data ke-i
μ = mean populasi
N = jumlah populasi

Sedangkan nilai standar deviasi untuk sampel disimbolkan dengan s dan dihitung
dengan menggunakan rumus:

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑠=√
𝑛−1

Dimana: s = standar deviasi untuk sampel

xi = data ke-i
𝑥̅ = mean sampel
n = jumlah sampel

Contoh 3.6
Sampel berat badan 7 mahasiswa Jurusan Akuntansi adalah 55, 60, 61, 58, 70, 72,
58. Tentukan varians dan standar deviasinya!

Penyelesaian:
Pertama-tama, hitung mean sampel:

23
 ∑7i=1 xi 55 + 60 + 61 + 58 + 70 + 72 + 58
x̅ = = = 62
7 7

Setelah memperoleh nilai mean sampel, hitung varians sampel dan standar deviasi
sampel

∑7𝑖=1(𝑥𝑖 − 𝑥̅ )2 (55 − 62)2 + (60 − 62)2 + ⋯ + (58 − 62)2

𝑠2 = = = 41,67
7−1 6
∑7𝑖=1(𝑥𝑖 − 𝑥̅ )2 (55 − 62)2 + (60 − 62)2 + ⋯ + (58 − 62)2
𝑠=√ =√ = 6,45
7−1 6
Jadi nilai varians data tersebut adalah 41,67 dan nilai standar deviasinya sebesar
6,45 yang artinya secara rata-rata, data amatan berat badan mahasiswa menyebar
sebesar 6,45 kg dihitung dari mean 62 kg.

Pada intinya, ukuran penyebaran data menyatakan kestabilan dari data.

Semakin besar nilai ukuran penyebaran datanya, maka data tersebut semakin tak
stabil. Dengan kata lain, data tersebut terkadang bernilai sangat tinggi, dan
terkadang bernilai sangat rendah. Semakin kecil nilai ukuran penyebaran, maka
data dikatakan semakin stabil, artinya perbedaan antara masing-masing
amatan/observasi tidak begitu besar.
Ukuran penyebaran data hanya bias diterapkan pada data yang berskala interval
atau rasio (numeric) sedangkan pada data nominal atau ordinal (kategori), ukuran
penyebaran tidak dapat diterapkan. Hal ini dikarenakan data kategori tidak
memiliki mean sehingga ukuran penyebaran tidak dapat dihitung.

Rangkuman
Statistika descriptive adalah ilmu statistika yang mencakup pengumpulan data,
mengolah, menganalisis, dan menyajikan hasil analisis serta merepresentasikannya
dalam bentuk gambar, diagram, atau grafik. Statistika deskriptif dapat digunakan untuk
melihat gambaran karakteristik data.

24
 Ukuran dalam menyatakan karakteristik data adalah ukuran pemusatan dan ukuran
penyebaran data. Ukuran pemusatan terdiri atas mean, median, modus, sedangkan
ukuran penyebaran data antara lain range, simpangan rata-rata, varians, dan standar
deviasi.

Latihan 3
1. Jelaskan perbedaan statistika descriptive dan statistika inferensia!
2. Pegawai di suatu pabrik memberikan sumbangan dalam dolar pada suatu
penggalangan dana dengan nilai seperti berikut:

Tabel 3. 1 Data Sumbangan (dollar)

No Sumbangan No Sumbangan
1 10 9 30
2 40 10 35
3 25 11 10
4 5 12 15
5 20 13 20
6 10 14 5
7 25 15 30
8 50 16 20
Dengan menganggap data tersebut sebagai populasi, hitunglah:
a. Ukuran pemusatan data (mean, median, modus)
b. Ukuran penyebaran data (range, AD, varians, standar deviasi)

25
3. Suatu PT. ABC memiliki dua toko cabang yang dibuka pada tempat yang berbeda.
Berikut ini data penjualan kedua toko cabang tersebut pada tahun 2015

Tabel 3. 2 Data Penjualan Cabang 1 dan Cabang 2 PT ABC

Penjualan (dalam juta rupiah)

Bulan
Cabang 1 Cabang 2
Januari 50 71
Februari 51 73
Maret 58 72
April 42 40
Mei 40 38
Juni 50 50
Juli 56 42
Agustus 41 73
September 38 76
Oktober 47 48
November 52 45
Desember 60 80

Carilah nilai ukuran pemusatan dan ukuran penyebarandari data hasil penjualan
Toko Cabang 1 dan cabang 2 tersebut dan apakah yang dapat dilihat dari nilai
tersebut?

4. Misalkan Anda adalah seorang General manager pada suatu perusahaan dan Anda
akan memberikan promosi kenaikan jabatan pada salah satu staf marketing Anda
berdasarkan banyaknya produk yang mereka jual dalam setahun. Berikut ini adala
data penjualan dari 5 staf marketing

26
 Tabel 3. 3 Data Penjualan 5 Staff Marketing

Jumlah Penjualan
Staff
1 2 3 4 5 6 7 8 9 10 11 12
A 10 13 12 5 7 9 8 10 15 13 14 15
B 15 17 18 16 15 17 19 19 14 13 15 16
C 17 30 15 3 34 5 5 20 5 27 3 30
D 5 7 10 13 15 12 11 10 11 12 9 10
E 8 9 7 6 7 5 3 4 8 9 9 7
Berdasarkan ukuran pemusatan dan penyebaran data, apa yang dapat disimpulkan
dari data tersebut? Jika menggunakan ukuran-ukuran tersebut, siapa yang akan
mendapatkan promosi jabatan? Jelaskan alasannya!

Daftar Pustaka
Syaefudin.A, Notodiputro.K.A, Alamudi.A, dan Sadik.K. 2009. Statistika Dasar.
Jakarta: PT Grasindo

Steel,R.G.D, dan Torrie, J.H. 1995. Prinsip dan Prosedur Statistika. Jakarta: PT
Gramedia Pustaka Utama.

Walpole, Ronald. 1995. Pengantar Statistika. Jakarta: PT Gramedia.

27
 BAB IV

STATISTIKA INFERENSIA DAN PENGUJIAN HIPOTESIS

Kerangka Isi
4.1 Sefinisi Hipotesis Statistika
4.2 Kesalahan Tipe I dan Tipe II
4.3 Langkah-langkah Pengujian Hipotesis
4.4 Pengujian Hipotesis terhadap Rata-Rata Satu Populasi

Standar Kompetensi
Mahasiswa memahami tentang konsep statistika inferensia dan pengujian
hipotesis seta dapat mengaplikasikannya pada suatu kasus.

Kompetensi Dasar
• Mahasiswa dapat mendeskripsikan definisi dari hipotesis statistika
• Mahasiswa dapat menyebutkan elemen dalam hipotesis statistika
• Mahasiswa dapat menjelaskan dua jenis kesalahan dalam pengujian hipotesis
• Mahasiswa dapat mengetahuo langkah-langkah utama dalam pengujian
hipotesis
• Mahasiswa dapat melakukan uji hipotesis terhadap rata-rata suatu populasi dan
mengaplikasikannya pada kasus

Pada bab sebelumnya telah dibahas mengenai dua jenis statistika yaitu statistika
deskriptif dan statistika inferensia. Statistika deskriptif, seperti yang telah didefinisikan
sebelumnya, adalah ilmu yang mempelajari mengenai cara mengumpulkan data,
menyajikan data, mengolah, dan menganalisis data (dengan ukuran pemusataan atau
ukuran penyebaran data). Sedangkan statistika inferensia lebih cenderung pada analisis
statistika tingkat lanjut yaitu bagaimana kita menarik kesimpulan mengenai populasi
apabila kita hanya memiliki data sampel.
Sebelumnya kita sudah mengenal sampel dan populasi. Populasi adalah
keseluruhan objek yang ada dalam penelitian kita sedangkan sampel adalah bagian dari
populasi yang dicatat jika tidak memungkinkan bagi peneliti untuk mencatat semua

28
anggota populasi. Namun walaupun kita memiliki data sampel, kesimpulan yang harus
kita tarik haruslah mengenai populasi. Untuk dapat menarik kesimpulan tentang
populasi di saat kita memiliki data sampel, kita memerlukan statistika inferensia.

4.1 Definisi Hipotesis Statistika

Hipotesis statistika adalah suatu penyataan mengenai nilai dari parameter
(karakteristik populasi) seperti mean, median, modus, varians, standar deviasi, dan
sebagainya. Pernyataan tersebut dapat bernilai benar atau salah. Kita tidak dapat
memastikan 100% bahwa pernyataan tersebut bernilai benar atau 100% bernilai salah
karena kita tidak memiliki data seluruh anggota populasi, melainkan kita hanya
memiliki data sampel untuk menduga data populasi. Untuk membuktikan pernyataan
tersebut, maka kita perlu melakukan uji terhadap hipotesis tersebut secara statistic. Hal
ini umumnya disebut uji hipotesis atau uji signifikansi.

Terdapat dua elemen utama dalam uji hipotesis, yaitu:

1. Hipotesis Nol (Null Hypothesis) yang dinotasikan dengan H0
Hipotesis nol (H0) adalah pernyataan mengenai parameter populasi, misalnya mean
populasi. Hipotesis nol adalah titik awal dari uji hipotesis. Kita akan menguji
apakah pernyataan pada hipotesis nol ini memiliki kecenderungan untuk benar.
Dengan kata lain bahwa kita menguji hipotesis nol karena kita menduga bahwa
pernyataan tersebut salah.
Adapun beberapa karakteristik dari hipotesis nol adalah:
• H0 adalah hipotesis yang ingin diuji
• H0 memiliki tanda persamaan (misalnya =, ≤, dan ≥)
• H0 biasanya berdasarkan penelitian terdahulu
2. Hipotesis Alternatif yang dinotasikan dengan H1 atau Ha
Hipotesis alternative (H1) adalah pernyataan yang bertolak belakang dengan
hipotesis nol. Atau dengan kata lain, hipotesis alternative adalah penyangkalan dari

29
 hipotesis nol. Berbeda dengan hipotesis nol, hipotesis alternative adalah hipotesis
yang ingin dibuktikan benar. Adapun beberapa karakteristik hipotesis alternative:
• H1 adalah hipotesis yang ingin dibuktikan benar
• H1 memuat tanda pertidaksamaan (misalnya ≠, <, dan >)
• Bertolak belakang dengan H0

4.2 Kesalahan Tipe I dan Tipe II

Pada akhir dari uji hipotesis, kita akan memutuskan untuk menerima salah satu dari
H0 atau H1. Karena kita memiliki data sampel, sedangkan kesimpulan yang kita ambil
akan diterapkan pada populasi, maka tentunya kita memiliki peluang untuk melakukan
kesalahan. Kesalahan dalam statistic seringkali disebut error. Terdapat dua jenis
kesalahan dalah uji hpotesis yaitu tipe I dan tipe II.
Kesalahan tipe I adalah kesalahan yang terjadi ketika H0 ditolak, namun dalam
kenyataannya H0 benar (seharusnya H0 diterima). Dan kesalahan tipe II adalah
kesalahan yang terjadi ketika H0 diterima, namun pada kenyataannya H0 salah
(seharusnya H0 ditolak). Untuk memahami kedua tipe kesalahan tersebut, berikut
ilustrasi skemanya:
Tabel 4. 1 Skema Kesalahan Tipe I dan II

Kenyataan

Keputusan H0 Benar H0 Salah

Terima H0 Keputusan Tepat Kesalahan Type II (β)

Tolak H0 Kesalahan Type I (α) Keputusan Tepat

Dalam pengertian statistika kesalahan tipe I disebut juga sebagai taraf nyata (level
significance) yang secara pengertian umum menunjukkan kesalahan maksimum yang
boleh dibuat ketika kita mengambil kesimpulam menolak H0 dan biasanya besarnya

30
dilambangkan dengan α. Sedangkan kesalahan tipe II disebut kekuatan uji (power of
test) dan dilambangkan dengan β.
Berdasarkan pengertian hipotesis, dimana H0 dibuat untuk ditolak maka jelas
bahwa kecendrungan suatu penelitian diarahkan untuk menolak H0. Sehingga
kesalahan yang umumnya dibuat adalah kesalahan jenis I (α) . Karena hal tersebut
maka dalam suatu penelitian yang sangat diperhatikan adalah kesalahan jenis ini.

4.3 Langkah-Langkah Uji Hipotesis

Adapun langkah-langkah yang diperlukan untuk melakukan uji hipotesis adalah:
a. Nyatakan hipotesis
Langkah pertama dalam uji hipotesis tentulah dengan menyatakan hipotesis itu
sendiri, baik hipotesis nol (H0) dan hipotesis alternatifnya (H1). Perlu diingat lagi
bahwa kedua hipotesis ini memiliki pernyataan yang saling bertolak belakang.
Namun dalam menyatakan H0 dan H1, perlu diketahui bentuk dari hipotesis yang
akan diuji. Terdapat dua jenis hipotesis tergantung kasus yang diuji, yaitu:
1. Hipotesis dua arah (two tailed hypothesis)
Hipotesis dua arah adalah jenis uj hipotesis yang hipotesis alternative nya
menyatakan sesuatu dengan tanda ‘tidak sama dengan’ atau (≠). Peneliti hanya
tertarik untuk meneliti apakah parameter populasi sama dengan besaran tertentu
atau tidak.
2. Hipotesis satu arah (one tailed hypothesis)
Hipotesis satu arah adalah uji hipotesis di mana hipotesis alternative dinyatakan
dengan tanda “lebih besar dari (>)” atau “kurang dari (<)”. Dalam kasus ini
peneliti tertarik secara spesifik pada hipotesis alternative, apakah parameter
populasi “lebih besar” atau “kurang dari” besaran tertentu, bukan hanya sekedar
“tidak sama dengan”.

31
 b. Nyatakan kriteria pengambilan keputusan
Untuk menyatakan kriteria pengambilan keputusan, kita harus menyatakan
tingkat signifikansi pada uji hipotesis. Tingkat signifikansi menyatakan
seberapa besar kesalahan maksimum yang dapat kita toleransi, yang merupakan
kesalahan tipe I, yang dinotasikan dengan alpha (α). Besaran alpha beragam
sesuai dengan tingkat kepercayaan peneliti. Semakin kecil alpha maka artinya
tingkat kesalahan yang ditoleransi semakin kecil, dengan kata lain peneliti
semakin percaya mengenai hasil keputusan uji hipotesis tersebut. Dan hasil uji
hipotesis akan semakin dipercaya. Begitu juga sebaliknya jika alpha semakjn
besar, maka tingkat kesalahan yang ditoleransi tinggi dan hal ini mengakibatkan
hasil dari uji hipotesis menjadi kurang dipercayai.
Besaran alpha berkisar dari 1%, 5%, 10% sampai 15%. Untuk kasus-kasus
dengan tingkat ketelitian yang tinggi, misalnya dalam menguji obat-obatan atau
dunia kesehatan, besaran alpha haruslah sekecil mungkin. Sedangkan untuk
kasus social dan kasus umum, besaran alpha bervariasi. Namun pada umumnya,
alpha yang digunakan sebesar 5%.

c. Hitung statistic uji

Statistik uji adalah besaran yang diperoleh dengan menggunakan rumus
matematika. Besaran inilah yang menentukan apakah hipotesis nol bernilai
benar atau tidak.

d. Membuat keputusan
Keputusan dibuat terhadap hipotesis nol (H0) berdasarkan statistic uji yang
dibandingkan dengan nilai tabel statistik.

4.4 Uji Hipotesis Terhadap Mean suatu Populasi

Misalkan terdapat suatu populasi berukuran N dan diambil sampel dari populasi
tersebut sebanyak n di mana n lebih kecil dari N. Kita ingin menguji mean dari populasi

32
tersebut dengan menggunakan mean dari sampel. Karena kita hanya memiliki satu
populasi dan satu sampel dari populasi tersebut, maka uji ini dinamakan uji hipotesis
satu sampel.

4.4.1 Dua jenis hipotesis

Terdapat dua jenis hipotesis yang dapat diuji tergantung pada kasusnya yaitu:

1. Uji Hipotesis Dua Arah (Two Tailed Hypothesis)

Bentuk dari hipotesis dua arah adalah:

H0 : μ = μ0
(1)
H1 : μ ≠ μ0
2. One Tailed Hypothesis
Bentuk dari hipotesis satu arah adalah:
H0 : μ ≤ μ0
a) (2)
H1 : μ > μ0
atau
H0 : μ ≥ μ0
b)
H1 : μ < μ0 (3)
Dimana: µ : mean populasi
µ0 : nilai yang ingin diuji

4.4.2 Statistik Uji

Statistik uji dari uji hipotesis satu sampel tergantung pada keadaan populasi, yaitu:
a. Dengan mengasumsikan distribusi populasi normal dan varians populasi diketahui
(bisa dari penelitian terdahulu), maka statistic uji disebut uji Z dan dihitung dengan
menggunakan rumus:
𝑥̅ − 𝜇0
𝑍𝑣𝑎𝑙𝑢𝑒 =
𝜎⁄√𝑛
Dimana

𝑋̅ : mean sampel

33
µ0 : nilai yang ingin diuji
σ : standar deviasi dari populasi
n : jumlah sampel (ukuran sampel)
Jika α (kesalahan tipe I atau tingkat signifikansi) telah ditetapkan maka kriteria
untuk menolak H0 adalah sebagai berikut:
Tabel 4. 2 Kriteria Penolakan H0 pada Uji Z Satu Sampel

Hipotesis Kriteria Penolakan H0

Hipotesis Dua Arah

H0 : μ = μ0 | Zvalue | > Ztable (α/2)

H1 : μ ≠ μ0

Hipotesis Satu Arah (Kanan)

H0 : μ ≤ μ0 Zvalue > Ztable (α)

H1 : μ > μ0

Hipotesis Satu Arah (Kiri)

H0 : μ ≥ μ0 Zvalue < - Ztable (α)

H1 : μ < μ0

Dimana Ztabel diperoleh pada tabel normal baku (Lampiran 1) dan nilainya
tergantung dari besaran alpha yang digunakan. Dalam uji hipotesis, kriteria
penolakan H0 juga dapat dilakukan dengan membandingkan besaran alpha dengan
nilai P-value (yang biasanya diperoleh menggunakan software statistic), dengan
kriteria:

Jika P-value < α, maka tolak H0 dan jika Jika P-value ≥ α, maka terima H0 (tidak
cukup bukti untuk menolak H0).

34
b. Dengan mengasumsikan bahwa populasi berdistribusi normal tetapi tidak terdapat
informasi mengenai varians populasi (σ2), maka statistic uji uang digunakan
disebut uji t yang diperoleh dengan menggunakan rumus:
𝑥̅ − 𝜇0
𝑡𝑣𝑎𝑙𝑢𝑒 =
𝑠 ⁄ √𝑛
Dimana

𝑋̅ : mean sampel
µ0 : nilai yang akan diuji
s : standar deviasi sampel
n : jumlah sampel (ukuran sampel)

Jika α (kesalahan tipe I atau tingkat signifikansi) telah ditetapkan maka kriteria
untuk menolak H0 adalah sebagai berikut:
Tabel 4. 3 Kriteria Penolakan H0 pada Uji t Satu Sampel

Hipotesis Kriteria Penolakan H0

Hipotesis Dua Arah

H0 : μ = μ0 | tvalue | > ttable (α/2; n-1)

H1 : μ ≠ μ0

Hipotesis Satu Arah (Kanan)

H0 : μ ≤ μ0 tvalue > ttable (α; n-1)

H1 : μ > μ0

Hipotesis Satu Arah (Kiri)

H0 : μ ≥ μ0 tvalue < - ttable (α; n-1)

H1 : μ < μ0

35
 Dimana nilai t-tabel diperoleh dari tabel distribusi t dan (n-1) disebut derajat bebas.
Tabel t dilampirkan pada Lampiran 2. Nilai t-tabel diperoleh dari perpotongan
antara alpha yang digunakan dengan derajat bebas (n-1). Dalam uji hipotesis,
kriteria penolakan H0 juga dapat dilakukan dengan membandingkan besaran alpha
dengan nilai P-value (yang biasanya diperoleh menggunakan software statistic),
dengan kriteria:
Jika P-value < α, maka tolak H0 dan jika Jika P-value ≥ α, maka terima H0 (tidak
cukup bukti untuk menolak H0).

Contoh 4.1
Diberikan data sampel dari pendapatan masyarakat di suatu kota. Seorang peneliti ingin
mengetahui apakah rata-rata pendapatan masyarakat di kota tersebut lebih besar dari
UMR (Upah Minimum Rakyat) yaitu 1,8 juta rupiah.
Tabel 4. 4 Data Pendapatan Masyarakat di Kota A

Pendapatan Pendapatan
No. No.
(juta rupiah) (juta rupiah)
1 2,1 11 2,3
2 1,8 12 2,6
3 2,2 13 1,7
4 1,6 14 1,8
5 1,9 15 3,3
6 1,5 16 1,4
7 2,0 17 1,5
8 3,0 18 1,9
9 2,6 19 2,0
10 1,4 20 2,2
Dengan menggunakan tingkat signifikan sebesar 5%, lakukan uji hipotesis untuk
menjawab pertanyaan dari peneliti tersebut!

36
Penyelesaian:
Untuk melakukan uji hipotesis, langkah pertama yang harus dilakukan adalah
menyatakan hipotesis. Dalam kasus ini, peneliti ingin mengetahui apakah pendapatan
masyarakat di Kota A lebih tinggi dari UMR yaitu 1,8juta sehingga pernyantaan yang
muncul adalah “Pendapatan masyarakat di Kota A lebih tinggi dari UMR 1,8 juta
rupiah”. Pernyataan ini akan kita buktikan kebenarannya, sehingga pernyataan ini
diletakkan sebahai hipotesis akternatif (H1). Untuk membuat hipotesis no, kita tinggal
membuat pernyataan yang bertolak belakang dengan H1, sehingga
• Hipotesis
H0 : µ ≤ 1,8 (Pendapatan masyarakat Kota A kurang dari UMR 1,8juta rupiah)
H1 : µ > 1,8 (Pendapatan masyarakat Kota A lebih dari UMR 1,8juta rupiah)
• Tingkat signifikansi α = 5% = 0.05
• Statistik Uji
Jika diperhatikan dalam kasus tersebut, tidak terdapat informasi mengenai varians
populasi sehingga statistic uji yang digunakan adalah uji t satu sampel. Kita akan
menghitung nilai t-value dengan menggunakan rumus sebekumnya. Petama-tama
kita harus menghitung mean dan standar deviasi sampel
∑20
𝑖=1 𝑥𝑖 2,1 + 1,8 + 2,2 + ⋯ + 2,0 + 2,2
𝑥̅ = = = 2.04
20 20
∑20
𝑖=1(𝑥𝑖 − 𝑥̅ )
2 (2,1 − 2,04)2 + (1,8 − 2,04)2 + ⋯ + (2,2 − 2,04)2
𝑠2 = =
20 − 1 19
= 0,2698

𝑠 = √𝑠 2 = √0,2698 = 0,5195
µ0 diketahui sebesar 1,8 juta (dari hipotesis)

Sehingga statistic ujinya adalah

𝑋̅ − 𝜇0 2,04 − 1,8
𝑡𝑣𝑎𝑙𝑢𝑒 = = = 2,066
𝑠 ⁄ √𝑛 0,5195/√20

37
• Setelah mendapatkan nilai t-value, kita akan membandingkan nilai t-value dengan
t-tabel dimana alpha = 0,05 dan derajat bebas = n-1 = 19. Dari Lampiran 2,
diperoleh perpotongan nilai tersebut menghasilkan t(0,05;19) = 1,729.
Sehingga jika dibandingkan terlihat bahwa t-value > t-tabel dan berdasarkan
Tabel 4.3 tentang kriteria penolakan H0, kita membuat keputusan untuk menolak
H0 (dengan kata lain menerima H1).
• Dari hasil uji hipotesis diperoleh kesimpulan bahwa pendapatan masyarakat Kota
A lebih tinggi dari UMR 1,8 juta rupiah.

Rangkuman
1. Hipotesis statistika adalah suatu pernyataan mengenai nilai dari parameter
populasi (seperti mean, median, modus, varians, dan sebagainya). Pernyataan
tersebut dapat bernilai benar atau salah. Untuk menguji kebenaran pernyataan
tersebut, dilakukan uji hipotesis. Konsep uji hipotesis adalah untuk menarik
kesimpulan terhadap populasi dengan hanya menggunakan data sampel.
2. Terdapat dua jenis kesalahan dalam uji hipotesis yaitu tipe I dan tipe II. Kita
lebih dapat mengontrol kesalahan tipe I yang disebut dengan tingkat
signifikansi dan dinotasikan dengan alpha (α)
3. Terdapat 4 langkah utama dalam uji hipotrsis. Pertama nyatakan hipotesis,
kemudian tentukan signifikansi level, menghitung nilai statistic uji yang sesuai,
lalu membuat keputusan dan kesimpulan terhadap hipotesis.
4. Untuk menguji hipotesis satu sampel, kita perlu mengetahui keadaan populasi.
Jika terdapat informasi mengenai varians populasi, maka statistic uji yang
digunakan adalah uji Z zatu sampel:

𝑥̅ − 𝜇0
𝑍𝑣𝑎𝑙𝑢𝑒 =
𝜎⁄√𝑛
Tetapi jika tidak terdapat informasi mengenai varian populasi maka statistic
uji yang digunakan adalah ui t satu sampel

38
 𝑥̅ − 𝜇0
𝑡𝑣𝑎𝑙𝑢𝑒 =
𝑠 ⁄ √𝑛

Latihan 4.
1. Jelaskan definisi hipotesis statistika dan uji hipotesis! Mengapa kita
memerlukannya?
2. Berikut in data jumlah pengeluaran keluarga di Desa Sukamaju (dalam juta
rupiah). Dari sensus ekonomi sebelumnya, diketahui varians pengeluaran
keluarga di Desa Sukamaju sebesar 0,3 juta rupiah. Dengan menggunakan
informasi tersebut, lakukan uji hipotesis apakah jumlah pengeluaran keluarga
di desa tersebut kurang dari 2 juta per bulan! Gunakan tingkat signifikansi 5%

Tabel 4. 1 Data Jumlah Pengeluaran Keluarga di Desa Sukamaju

No Keluarga Pengeluaran (juta rupiah)

1 1,5
2 1,8
3 2,0
4 2,1
5 2,0
6 1,4
7 1,5
8 1,8
9 1,9
10 1,4
11 1,3
12 2,0
13 2,0
14 1,5

3. Suatu perusahaan ingin meneliti tentang penjualan mereka satu decade terakhir.
Target penjualan perusahaan tersebut sebesar 3 milliar rupiah per tahun. Berikut
ini data penjualan perusahaan tersebut selama satu dekase (dalam milliar
rupiah)

39
 2.3 3.1 3.3 2.9 2.8 2.95 3.05 3.1 3.4 3.5
Apakah perusahaan tersebut telah mencapai target penjualan dalam satu
decade terakhir? Lakukan uji hipotesis yang sesuai!
4. Direktur Politeknik Negeri Bali ingin mengetahui apakah rata-rata IPK
mahasiswa lebih tinggi dari 3,5. Untuk menjawab pertanyaan beliau, dilakukan
penelitian yang mengumpulkan 100 mahasiswa PNB sebagai sampel. Sebagai
hasilnya diperoleh rata-rata IPK dari 100 sampel tersebut sebesar 3,4 dan
standar deviasninya sebesar 0,1. Lakukan uji hipotesis untuk dapat membuat
kesimpulan dari pertanyaan Direktur PNB! Gunakan alpha 5%!
5. Jika kita memiliki data populasi, perlukah kita melakukan uji hipotesis?
Jelaskan jawaban Anda!

Daftar Pustaka
Anderson, Sweeney, Williams, Freeman, and Shoesmith. 2010. Statistics for Business
and Economics. South-Western Cengage Learning.
Fernandez, Marcelo. 2009. Statistics for Business and Economics. ISBN. 978-87-
7681-481-6
Floyd, J.E. 2010. Statistics for Economics: A Beginning. University of Toronto
Walpole, Ronald. 1995. Pengantar Statistika. Jakarta: PT Gramedia.

40
 BAB V

UJI HIPOTESIS II: DUA SAMPEL BEBAS

Kerangka Isi
5.1 Hipotesis
5.2 Kasus I: Varians Populasi Diketahui
5.3 Kasus II: Varians Populasi Tidak Diketahui

Standar Kompetensi
Mahasiswa dapat melakukan uji hipotesis dua sampel bebas dan
mengaplikasikannya pada suatu kasus

Kompetensi Dasar

• Mahasiswa dapat menyusun hipotesis dalam uji hipotesis dua sampel bebas
• Mahasiswa dapat menghitung nilai statistic uji jika varians kedua populasi
diketahui
• Mahasiswa dapat menghitung nilai statistic uji jika varians kedua populasi tidak
diketahui
• Mahasiswa dapat membuat keputusan dan kesimpulan yang tepat pada uji
hipotesis
• Mahasiswa dapat mengaplikasikan uji hipotesis dua sampel bebas pada suatu
kasus

Pada pengujian hipotesis sebelumnya, telah dibahas mengenai mean satu populasi.
Namun sering sekali di dalam masalah penguian hipotesis, kita dihadapkan pada kasus
dimana kita harus membandingkan dua populasi yang diberikan perlakuaan yang
berbeda. Misalkan terdapat populasi A dan populasi B di mana populasi A diberikan
suatu perlakuan yang berbeda dengan populasi B. Dari masing-masing populasi akan
diambil sampel, sebanyak n Adan nB. Dari sampel tersebut, kita akan melakukan uji
hipotesis untuk membandingkan parameter kedua populasi tersebut.
Karena kedua populasi tersebut diberikan perlakuan yang berbeda, maka kedua
populasi tersebut tidak akan saling mempengaruhi satu sama lain, sehingga disebut
populasi yang saling bebas. Oleh karena itu, untuk mengatasi masalah seperti kasus ini,

41
diperlukan uji hipotesis yang disebut uji hipotesis dua sampel bebas (two independent
samples test)

5.1 Hipotesis
Terdapat dua sampel yang diambil dari dua populasi yang berbeda. Sampel pertama
berukuran n1 dan sampel kedua berukuran n2 (n1 dan n2 tidak harus berjumlah sama).
Sampel pertama diberi perlakuan A sedangkan sampel kedua diberi perlakuan B. Tabel
berikut merupakan ilustrasi data kasus dua sampel bebas dengan jumlah n1 tidak sama
dengan jumlah n2.
Tabel 5. 1 Ilustrasi Data Dua Sampel Bebas

Sampel dengan Sampel dengan

Perlakuan A (XA) Perlakuan B (XB)
XA1 XB1
XA2 XB2
XA3 XB3
. .
. .
. .
. XBn2
XAn1
Catatan: XA dan XB saling bebas sehingga XAi tidak memiliki korelasi dengan XBi.

Karena terdapat perbedaan perlakuan pada kedua sampel, maka karakteristik kedua
sampel pun berbeda. Untuk membandingkannya, kita menggunakan uji dua sampel
bebas. Hipotesis nya dapat dibentuk sebagai berikut:

a. Hipotesis satu arah

• Hipotesis satu arah kiri

H0 : μ1 ≥ μ2 H0 : μ1 – μ2 ≥ 0
atau
H1 : μ1 < μ2 H1 : μ1 – μ2 < 0

42
 • Hipotesis satu arah kanan

H0 : μ1 ≤ μ2 H0 : μ1 – μ2 ≤ 0
atau
H1 : μ1 > μ2 H1 : μ1 – μ2 > 0

b. Hipotesis dua arah

H0 : μ1 = μ2 H0 : μ1 – μ2 = 0
H1 : μ1 ≠ μ2 H1 : μ1 – μ2 ≠ 0

Dimana μ1 adalah rata-rata populasi pertama sedangkan μ2 adalah rata-rata populasi

kedua. Perlu diingat kembali bahwa yang diuji dalam uji hipotesis adalah parameter
(karakteristik populasi, bukan karakteristik sampel).

5.2 Kasus I: Varians Kedua Populasi (σ12 dan σ22) Diketahui

Setelah menyatakan hipotesis, langkah selanjutnya adalah menentukan tingkat
signifikansi (α ditentukan oleh peneliti) kemudian menghitung nilai statistic uji.
Statistik uji untuk uji dua sampel bebas sangat bergantung pada diketahui atau tidaknya
varians dari kedua populasi (σ12 dan σ22). Kasus pertama adalah jika kedua varians
populasi diketahui (biasanya dari penelitian terdahulu atau dari sensus). Statistik uji
untuk kasus varians kedua populasi diketahui adalah uji z yang dapat diperoleh dengan
menggunakan persamaan matematika berikut:
̅̅̅1 − 𝑋
𝑋 ̅̅̅2
𝑍𝑣𝑎𝑙𝑢𝑒 =
𝜎̅̅̅̅ ̅̅̅̅
𝑋1 −𝑋 2

𝜎12 𝜎22
𝜎̅̅̅̅
𝑋1 −𝑋̅̅̅̅
2
=√ +
𝑛1 𝑛2
Dimana

𝑥1
̅̅̅ : mean sampel pertama
𝑥2
̅̅̅ : mean sampel kedua
𝜎12 : varians populasi pertama
𝜎22 : varians populasi kedua

43
n1 : ukuran sampel pertama
n2 : ukuran sampel kedua

Jika tingkat signifikansi α telah ditentukan, maka kriteria menolak H0 adalah sebagai
berikut:
Tabel 5. 2 Kriteria Penolakan H0 dalam Uji Z Dua Sampel Bebas

Hypothesis Kriteria Penolakan H0

Hipotesis Dua Arah

H0 : μ1 = μ2 | Zvalue | > Ztable (α/2)

H1 : μ1 ≠ μ2

Hipotesis Satu Arah Kanan

H0 : μ1 ≤ μ2 Zvalue > Ztable (α)

H1 : μ1 > μ2

Hipotesis Satu Arah Kiri

H0 : μ1 ≥ μ2 Zvalue < - Ztable (α)

H1 : μ1 < μ2

Nilai Z tabel dapat diperoleh dari tabel normal baku (pada Lampiran 1 dan nilainya
tergantung pada besarnya tingkat signifikansi alpha. Dalam uji hipotesis, kriteria
penolakan H0 juga dapat dilakukan dengan membandingkan besaran alpha dengan
nilai P-value (yang biasanya diperoleh menggunakan software statistic), dengan
kriteria:
Jika P-value < α, maka tolak H0 dan jika Jika P-value ≥ α, maka terima H0 (tidak
cukup bukti untuk menolak H0).

44
5.3 Kasus II: Varians Kedua Populasi (σ12 dan σ22) Tidak Diketahui
Jika tidak terdapat informasi mengenari varians kedua populasi, maka statistic uji
yang digunakan adalah uji t dengan nilai t-value diperoleh dengan persamaan
matematika berikut:
̅̅̅
𝑋1 − 𝑋 ̅̅̅2
𝑡𝑣𝑎𝑙𝑢𝑒 =
𝑠̅̅̅̅
𝑋1 −𝑋̅̅̅̅
2

Dimana nilai 𝑠̅̅̅̅

𝑋1 −𝑋̅̅̅̅
2
tergantung pada asumsi yang digunakan oleh peneliti yaitu salah
satu dari dua asumsi berikut:
(i) Asumsi varians kedua populasi sama (σ12 = σ22 )
Jika kita mengasumsikan bahwa kedua populasi memiliki varians yang sama,
maka nilai 𝑠̅̅̅̅
𝑋1 −𝑋̅̅̅̅
2
dihitung dengan menggunakan persamaan:
1 1 2 (𝑛1 −1)𝑠12 +(𝑛2 −1)𝑠22
𝑠̅̅̅̅
𝑋1 −𝑋̅̅̅̅
2
= 𝑠𝑔𝑎𝑏 √𝑛 + 𝑛 dimana 𝑠𝑔𝑎𝑏 =
1 2 𝑛1 −𝑛2 −2

Derajat bebas yang digunakan dalam menentukan nilai t-tabel adalah

Df= n1 + n2 -2
(ii) Asumsi varians kedua populasi tidak sama σ12 ≠ σ22
Jika kita mengasumsikan bahwa kedua populasi memiliki varians yang sama,
maka nilai 𝑠̅̅̅̅
𝑋1 −𝑋̅̅̅̅
2
dihitung dengan menggunakan persamaan:

𝑠12 𝑠22
𝑠̅̅̅̅
𝑋1 −𝑋̅̅̅̅
2
=√ +
𝑛1 𝑛2

Derajat bebas yang digunakan dalam menentukan nilai t-tabel adalah

2
𝑠2 𝑠2
( 1 ⁄𝑛1 + 2⁄𝑛2 )
𝑑𝑓 = 2 2
𝑠2 𝑠2
( 1 ⁄𝑛1 ) ( 2⁄𝑛2 )
+
(𝑛1 − 1) (𝑛2 − 1)
[ ] [ ]

45
Kriteria penolakan H0 pada uji t dua sampel bebas adalah:
Tabel 5. 3 Kriteria Penolakan H0 pada Uji t Dua Sampel Bebas

Hipotesis Kriteria Penolakan H0

Hipotesis Dua Arah

H0 : μ1 = μ2 | tvalue | > ttable (α/2; df)

H1 : μ1 ≠ μ2

Hipotesis Satu Arah (Kanan)

H0 : μ1 ≤ μ2 tvalue > ttable (α; df)

H1 : μ1 > μ2

Hipotesis Satu Arah (Kiri)

H0 : μ1 ≥ μ2 tvalue < - ttable (α; df)

H1 : μ1 < μ2

Nilai t tabel dapat diperoleh dari tabel t (pada Lampiran 2) dan nilainya tergantung pada
besarnya tingkat signifikansi alpha serta nilai derajat bebas (db sesuai asumsi yang
digunakan). Dalam uji hipotesis, kriteria penolakan H0 juga dapat dilakukan dengan
membandingkan besaran alpha dengan nilai P-value (yang biasanya diperoleh
menggunakan software statistic), dengan kriteria:
Jika P-value < α, maka tolak H0 dan jika Jika P-value ≥ α, maka terima H0 (tidak cukup
bukti untuk menolak H0).

Contoh 5.1
Suatu perusahaan ban mobil ingin meneliti apakah jika dalam proses produksi ban
diberi tekanan yang lebih tinggi daripada tekanan standar akan menghasilkan ban yang
memiliki daya tahan yang lebih lama. Untuk membuktikan hal tersebut, perusahaan

46
melakukan penelitian dengan memberikan perlakuan tekanan standar pada 14 sampel
ban dan memberikan perlakuan tekanan yang lebih tinggi pada 15 sampel ban. Dari
kedua sampe tersebut kemudian dihitung daya tahan ban (dalam ribu kilometer).
Berikut hasil data tersebut:
Tabel 5. 4 Ringkasan Data Sampel Ban

Tekanan Standar Tekanan Tinggi

n1 = 14 n2 = 15

𝑥̅1 = 43 𝑥̅2 = 40,7

S1 = 1,1 S2 = 1,3

Dengan mengasumsikan bahwa kedua populasi mengikuti sebaran normal dan

memiliki varians yang sama, lakukanlah uji hipotesis yang sesuai untuk menjawab
pertanyaan dari perusahaan tersebut!

Penyelesaian:
• Langkah pertama yang perlu dilakukan adalah menyatakan hipotesis. Simak
kembali apa yang menjadi tujuan dan apa yang harus dijawab dari persoalan
tersebut. Pada kalimat pertama, terdapat kalimat “tekanan yang lebih tinggi
daripada tekanan standar akan menghasilkan ban yang memiliki daya tahan yang
lebih lama”. Dari penggalan kalimat ini kita dapat menyusun suatu hipotesis
dimana hipotesis ini bersifat satu arah. Jika mean daya tahan ban dengan tekanan
standar dinotasikan dengan μ1 dan mean daya tahan ban dengan tekanan tinggi
dinotasikan dengan μ2, maka hipotesis yang diuji adalah
H0 : μ1 ≥ μ2 (ban dengan tekanan standar memiliki daya tahan yang lebih lama
atau sama dengan ban dengan tekanan tinggi)

H1 : μ1 < μ2 (ban dengan tekanan standar memiliki daya tahan yang lebih
pendek dibandingkan dengan ban dengan tekanan tinggi atau
banydengan tekanan tinggi memiliki daya tahan yang lebih lama
dibandingkan dengan ban dengan tekanan standar)

47
 (Catatan: Ingat bahwa yang dipertanyakan selalu diletakkan pada hipotesis
alternative H1)

• Langkah selanjutnya adalah menentukan tingkat signifikansi. Pada kasus ini kita
dapat menggunakan alpha sebesar 5%
• Karena kita mengasumsikan bahwa kedua populasi mengikuti sebaran normal dan
memiliki varians yang sama, maka statistic uji yang digunakan adalah uji t

̅̅̅
𝑋1 − 𝑋 ̅̅̅2
𝑡𝑣𝑎𝑙𝑢𝑒 =
𝑠̅̅̅̅
𝑋1 −𝑋̅̅̅̅
2
dengan

1 1 2 (𝑛1 −1)𝑠12 +(𝑛2 −1)𝑠22

𝑠̅̅̅̅
𝑋1 −𝑋̅̅̅̅
2
= 𝑠𝑔𝑎𝑏 √𝑛 + 𝑛 dimana 𝑠𝑔𝑎𝑏 =
1 2 𝑛1 +𝑛2 −2

Dari data yang diperoleh, kita dapat menghitung

̅̅̅1 − 𝑋
𝑋 ̅̅̅2 = 43 − 40,7 = 2,3

Dan

2
(𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22 (14 − 1)(1,1)2 + (15 − 1)(1,3)2
𝑠𝑔𝑎𝑏 = = = 1,459
𝑛1 + 𝑛2 − 2 14 + 15 − 2

𝑠𝑔𝑎𝑏 = √1,459 = 1,2079

1 1 1 1
𝑠̅̅̅̅
𝑋1 −𝑋̅̅̅̅
2
= 𝑠𝑔𝑎𝑏 √ + = 1,2079√ + = (1,2079)(0,3716) = 0,449
𝑛1 𝑛2 14 15

Sehingga nilai statistic uji

̅̅̅1 − 𝑋
𝑋 ̅̅̅2 2,3
𝑡𝑣𝑎𝑙𝑢𝑒 = = = 5,122
𝑠̅̅̅̅ ̅̅̅̅
𝑋1 −𝑋 2
0,449
• Setelah menghitung nilai statistic uji, bandingkan dengan nilai t-tabel lalu buat
keputusan terhadap hipotesis yang telah dibuat.

48
 Sesuai dengan Tabel t pada Lampiran 2, maka
t-tabel = t(α ; n1+n2-2) = t(0,05 ; 14+15-2) = t(0,05; 27) = 2,052
Tinjau kembali kriteria penolakan H0 pada Tabel 5.3. Karena bentuk hipotesis kita
adalah Hipotesis satu arah kiri, maka H0 ditolak jika tvalue < - ttable (α; df)
t-value = 5,122 sedangkan t-tabel = 2,052 atau –t-tabel = -2,052
5,122 > -2,052
t-value > -t-tabel sehingga keputusan yang diambil adalah tidak menolak H0
dengan kata lain kita menerima H0
• Karena kita menerima H0 maka kesimpulan pada uji hipotesis ini adalah ban dengan
tekanan standar memiliki daya tahan yang lebih lama atau sama dengan ban dengan
tekanan tinggi.

Rangkuman
1. Uji dua sampel independen adalah uji yang digunakan untuk membandingkan
mean dua populasi yang tidak saling mempengaruhi/ tidak punya korelasi (saling
bebas)
2. Jika kedua varians populasi diketahui, sttaistik uji yang digunakan adalah uju Z
̅̅̅1 − 𝑋
𝑋 ̅̅̅2
𝑍𝑣𝑎𝑙𝑢𝑒 =
𝜎̅̅̅̅
𝑋1 −𝑋̅̅̅̅
2
Namun jika varians kedua populasi tidak diketahui maka statistic uji yang
digunakan adalah uji t
̅̅̅
𝑋1 − 𝑋 ̅̅̅2
𝑡𝑣𝑎𝑙𝑢𝑒 =
𝑠̅̅̅̅
𝑋1 −𝑋 ̅̅̅̅
2

Latihan 5
1. Suatu penelitian ingin menyelidika apakah terdapat perbedaan antara hasil
belajar antara perempuan dan laki-laki di Jurusan Akuntansi. Untuk menjawab
pertanyaan tersebut, dilakukan penelitian dengan mengambil sampel sebanyak
10 siswa perempuan dan 12 siswa laki-laki Jurusan Akuntansi. Hasilnya, rata-
rata dari hasil belajar siswa perempuan sebesar 8,9 dengan simpangan baku 1,5

49
 sedangkan rata-rata hasil belajar siswa laki-laki sebesar 8,4 dengan simpangan
baku 2,3. Dengan menggunakan tingkat signifikansi sebesar 10% dan asumsi
varians populasi sama, lakukan uji hipotesis yang tepat!
2. Seorang peneliti ingin mengetahui apakah seperangkat computer yang dijual di
Jakarta berbeda signifikan dengan yang dijual di Bali. Untuk menjawab hal ini,
ia mengumpulkan data harga jual seperangkat computer di beberapa toko di
Jakarta dan Bali. Dengan menggunakan tingkat signifikansi 5% dan asumsi
varians populasi sama, lakukan uji hipotesis yang sesuai!

Tabel 5. 5 Harga Satu Set Komputer di Jakarta dan Bali

Harga di Jakarta Harga di Bali

No. (juta rupiah)
(juta ruiah)
1 10.5 10.9

2 10.6 11.0

3 10.8 11.2

4 10.9 11.3

5 10.4 10.4

6 10.3 10.9

7 11.0 11.3

8 10.3 11.0

9 10.4 11.4

10 11.1

5. Suatu PT. ABC mengembangkan bisnisnya dengan membuka toko cabang baru di
kota yang berbeda. Toko cabang yang baru ini dipimpin dan dijalankan oleh
pegawai-pegawai pilihan yang lolos tes seleksi dan memiliki kemampuan yang
handal. Dengan kemampuan pegawai yang handal maka tentunya keuntungan yang

50
 diperoleh akan semakin besar. Namun untuk membuktikan kebenaran hal tersebut,
pemilik PT ABC melakukan penelitian dengan mengumpulkan data keuntungan
Cabang 1 dan Cabang 2 (Cabang baru) selama setahun terakhir. Berikut ini data
keuntungan kedua toko cabang tersebut pada tahun 2015

Tabel 5. 6 Data Keuntungan Cabang 1 dan Cabang 2 Per Bulan

Keuntungan (dalam juta rupiah)

Bulan
Cabang 1 Cabang 2
Januari 50 71
Februari 51 73
Maret 58 72
April 42 40
Mei 40 38
Juni 50 50
Juli 56 42
Agustus 41 73
September 38 76
Oktober 47 48
November 52 45
Desember 60 80

Dengan asumsi bahwa varians kedua toko cabang tersebut sama, lakukanlah uji
hipotesis yang sesuai!

Daftar Pustaka
Syaefudin.A, Notodiputro.K.A, Alamudi.A, dan Sadik.K. 2009. Statistika Dasar.
Jakarta: PT Grasindo

Steel,R.G.D, dan Torrie, J.H. 1995. Prinsip dan Prosedur Statistika. Jakarta: PT
Gramedia Pustaka Utama.

Walpole, Ronald. 1995. Pengantar Statistika. Jakarta: PT Gramedia.

51
 BAB VI

UJI HIPOTESIS III: DUA SAMPEL BERPASANGAN

Kerangka Isi
6.1 Hipotesis
6.2 Statistik Uji

Standar Kompetensi
Mahasiswa dapat melakukan uji dua sampel berpasangan dan
mengaplikasikannya pada suatu kasus

Kompetensi Dasar
• Mahasiswa dapat menyusun hipotesis pada uji dua sampel berpasangan
• Mahasiswa dapat menghitung selisih dan simpangan baku selisih antara dua
sampel berpasangan
• Mahasiswa dapat menghitung nilai statistic uji
• Mahsiswa dapat mengambil keputusan dan menarik kesimpulan dalam uji
hipotesis dua sampel berpasangan
• Mahasiswa mampu mengaplikasikan uji dua sampel berpasangan pada suatu
kasus

Pada bab sebelumnya telah didiskusikan mengenai dua sampel bebas yang berasal
dari dua populasi yang tidak saling mempengaruhi atau tidak saling berkorelasi satu
sama lain. Namun suatu permasalahn baru muncul ketika dua populasi saling
mempengaruhi atau memiliki korelasi. Misalnya sampel dari suatu populasi diberikan
perlakuan suatu perlakuan. Sebelum diberi perlakuan, data dari sampel tersebut dicatat
sebagai sampel pertama (sampel sebelum). Kemudian setelah diberi perlakuan, data
kembali dicatat sebagai sampel kedua (sampel sesudah). Sehingga sampel pertama dan
sampel kedua sesungguhnya berasal dari populasi yang sama, namun berbeda waktu
pencatatan data (sebelum perlakuan dan sesudah perlakuan). Kedua sampel ini tidak
bisa dikatakan saling bebas melainkan saling berpasangan. Untuk menguji sampel yang
seperti ini dilakukan uji hipotesis dua sampel berpasangan. Pada kasus yang seperti ini,

52
tujuan uji hipotesis pada umunya adalah untuk membuktikan bahwa perlakuan yang
diberikan pada sampel memberikan pengaruh yang signifikan (menaikkan atau
menurunkan rata-rata) atau tidak.
Pada kasus lain misalnya penelitian terhadap jumlah pendapatan suami dan istri
yang bekerja. Pada kasus ini juga menggunakan uji hipotesis dua sampel berpasangan
karena sampel yang dikumpulkan juga merupakan data berpasangan, yaitu suami dan
istri. Logikanya, ketika kita ingin membandingkan pendapatan suami, harus
dibandingkan dengan istrinya masing-masing. Tidak bisa dibandingkan dengan
pendapatan istri orang lain.

6.1 Hipotesis
Diberikan dua sampel yang berasal dari satu populasi (sampel sebelum dan sesudah
perlakuan); atau berasal dari dua populasi namun memiliki hubungan/kekerabatan
tertentu. Ukuran sampel yang diambil haruslah sama. Berikut ilustrasi data dua sampel
berpasangan
Tabel 6. 1 Ilustrasi Data Berpasangan

Sampel Pertama (X1) Sampel Kedua (X2)

X11 X21
X12 X22
X13 X23
. .
. .
. .
X1n X2n

Karena perbedaan perlakuan maka sampel pertama dan kedua memiliki karakteristik
(misalnya rata-rata) yang berbeda. Untuk membandingkan nya, kita gunakan uji
hipotesis dua sampel berpasangan dimana hipotesisnya dapat disusun sebagai berikut:
a. Hipotesis satu arah
• Hipotesis satu arah kiri

53
 H0 : μ1 ≥ μ2 H0 : μ1 – μ2 ≥ 0
atau
H1 : μ1 < μ2 H1 : μ1 – μ2 < 0

• Hipotesis satu arah kanan

H0 : μ1 ≤ μ2 H0 : μ1 – μ2 ≤ 0
atau
H1 : μ1 > μ2 H1 : μ1 – μ2 > 0

b. Hipotesis dua arah

H0 : μ1 = μ2 H0 : μ1 – μ2 = 0
H1 : μ1 ≠ μ2 H1 : μ1 – μ2 ≠ 0

Dimana μ1 adalah rata-rata populasi pertama sedangkan μ2 adalah rata-rata populasi

kedua. Perlu diingat kembali bahwa yang diuji dalam uji hipotesis adalah parameter
(karakteristik populasi, bukan karakteristik sampel).

6.2 Statistik Uji

Dalam uji dua sampel berpasangan, statistic uji yang digunakan adalah uji t dimana
kita akan menguji selisih antara sampel 1 dan sampel 2. Selisih tersebut dinotasikan
dengan di. Nilai dari di diperoleh dengan menggunakan persamaan berikut:
𝑑𝑖 = 𝑋1𝑖 − 𝑋2𝑖

Nilai statistic uji t-value diperoleh dengan menggunakan persamaan berikut:

𝑑̅
𝑡𝑣𝑎𝑙𝑢𝑒 =
𝑠𝑑̅
dengan
∑ 𝑑 𝑛 ∑𝑛 ̅ 2
𝑖=1(𝑑𝑖 −𝑑 )
𝑑̅ = 𝑖=1 𝑖 dan 𝑠𝑑̅ = √
𝑛 𝑛(𝑛−1)
Keterangan:

di : selisish antara observasi ke-i dari sampel 1 dan sampel 2

𝑑̅ : rata-rata selisish
𝑠𝑑̅ : simpangan baku dari rata-rata selisih
n : ukuran sampel

54
 Kriteria penolakan H0 pada uji dua sampel berpasangan
Tabel 6. 2 Kriteria Penolakan H0 pada Uji Dua Sampel Berpasangan

Hypothesis Kriteria Penolakan H0

Hipotesis Dua Arah

H0 : μ1 = μ2 | tvalue | ttable (α/2; n-1)

H1 : μ1 ≠ μ2

Hipotesis Satu Arah Kanan

H0 : μ1 ≤ μ2 tvalue > ttable (α; n-1)

H1 : μ1 > μ2

Hipotesis Satu Arah Kiri

H0 : μ1 ≥ μ2 tvalue < - ttable (α; n-1)

H1 : μ1 < μ2

Nilai t tabel dapat diperoleh dari tabel t (pada Lampiran 2) dan nilainya tergantung pada
besarnya tingkat signifikansi alpha serta nilai derajat bebas (db=n-1). Dalam uji
hipotesis, kriteria penolakan H0 juga dapat dilakukan dengan membandingkan besaran
alpha dengan nilai P-value (yang biasanya diperoleh menggunakan software statistic),
dengan kriteria:
Jika P-value < α, maka tolak H0 dan jika Jika P-value ≥ α, maka terima H0 (tidak cukup
bukti untuk menolak H0).

Contoh 6.1
Kenaikan harga BBM diduga berpengaruh terhadap penjualan mobil di suatu Negara.
Untuk menyelidiki hal ini, dikumpulkan data penjualan dari beberapa perusahaan
mobil sebelum kenaikan harga BBM dan setelah kenaikan harga BBM. Dengan alpha

55
5%, lakukanlah uji hipotesis untuk mengetahui apakah kenaikan harga BBM
menyebabkan menurunnya penjualan mobil di Negara tersebut!
Tabel 6. 3 Data Penjualan Mobil Sebelum danSesudah Kenaikan Harga BBM

No Sebelum kenaikan BBM Setelah Kenaikan BBM

1 10 8
2 11 9
3 9 9
4 8 7
5 10 8
6 13 12
7 6 6
8 9 9
9 10 8
10 8 8
11 7 6
12 11 9
13 12 11
14 10 10
15 8 8

Penyelesaian:
• Langkah pertama adalah menyusun hipotesis. Pada kalimat terakhir, dengan jelas
ingin diketahui bahwa apakah terjadi penurunan penjualan mobil setelah kenaikan
harga BBM. Jika μ1 adalah mean penjualan mobil sebelum kenaikan BBM dan μ2
adalah mean penjualan mobil setelah kenaikan BBM, maka hipotesis dapat disusun
sebagai berikut:
H0 : μ1 ≤ μ2 (Jumlah penjualan mobil sebelum kenaikan haga BBM lebih
sedikit dibandingkan dengan setelah kenaikan BBM)

H1 : μ1 > μ2 (Jumlah penjualan mobil sebelum kenaikan haga BBM lebih

banyak dibandingkan dengan setelah kenaikan BBM atau dengan
kata lain kenaikan BBM menyebabkan penurunan penjualan
mobil)

56
• Tingkat signifikansi alpha = 5%
• Hitung nilai statistic uji, dengan menggunakan tabel bantu seperti Tabel 6.4

Tabel 6. 4 Penghitungan Statistik Uji pada Uji Dua Sampel Berpasangan

𝟐
No Sebelum (X1) Setelah (X2) di = X1i – X2i ̅)
(𝒅𝒊 − 𝒅
1 10 8 2 1.138489
2 11 9 2 1.138489
3 9 9 0 0.870489
4 8 7 1 0.004489
5 10 8 2 1.138489
6 13 12 1 0.004489
7 6 6 0 0.870489
8 9 9 0 0.870489
9 10 8 2 1.138489
10 8 8 0 0.870489
11 7 6 1 0.004489
12 11 9 2 1.138489
13 12 11 1 0.004489
14 10 10 0 0.870489
15 8 8 0 0.870489
Total 14 10.933335
Mean 0.933

Sehingga diperoleh

∑𝑛𝑖=1 𝑑𝑖
𝑑̅ = = 0,933
𝑛
dan

2
∑𝑛𝑖=1(𝑑𝑖 − 𝑑̅ ) 10,933
𝑠𝑑̅ = √ =√ = 0,228
𝑛(𝑛 − 1) (15)(14)
Maka nilai statistic uji t-value

𝑑̅ 0,933
𝑡𝑣𝑎𝑙𝑢𝑒 = = = 4,09
𝑠𝑑̅ 0.228

57
• Untuk mengambil keputusan, bandingkan nilai t-value dengan t-tabel dengan data
bebas db = n-1 = 15-1 =14. Nilai t(0,05; 15-1) = 2,144
Tvalue = 4,09
Ttable = 2,144
Sehingga berdasarkan kritesia penolakan H0 hipotesis satu arah kanan pada Tabel
6.3, kriteria penolakan H0 adlaah jika t-value > t-tabel. Pada hasil analisis kasus
ini diperoleh nilai t-value > t-tabel sehingga keputusan yang diambil adalah tolak
H0.
• Karena kita menolak H0 dan menerima H1 maka kesimpulan yang diambil adalah
jumlah penjualan mobil sebelum kenaikan haga BBM lebih banyak dibandingkan
dengan setelah kenaikan BBM atau dengan kata lain kenaikan BBM
menyebabkan penurunan penjualan mobil

Rangkuman
1. Uji dua sampel berpasangan dilakukan apabila dua sampel yang diambil berasal
dari satu populasi yang diberi suatu perlakuan, atau dua sampel yang berasal
dari dua populasi berbeda namun memiliki hubungan/kekerabatan tertentu.
2. Statistk uji yang digunakan adalah uji t

𝑑̅
𝑡𝑣𝑎𝑙𝑢𝑒 =
𝑠𝑑̅
Dimana

𝑛 ∑𝑛 ̅ 2
∑ 𝑑 𝑖=1(𝑑𝑖 −𝑑 )
𝑑̅ = 𝑖=1 𝑖 dan 𝑠𝑑̅ = √
𝑛 𝑛(𝑛−1)

58
Latihan 6
1. Suatu penelitian ingin membuktikan bahwa terdapat perbedaan yang signifikan
antara pendapatan suami dan istri. Oleh karena itu dikumpulkan data sampel
dari 18 pasang suami istri di suatu daerah.
Dengan menggunakan α=10%, lakukan uji hipotesis yang sesuai!

Tabel 6. 5 Data Pendapatan Suami dan Istri (dalam Juta Rupiah)

No Pendapatan Suami Pendapatan Istri

1 3,3 3,0
2 3,5 3,0
3 4,0 3,8
4 2,8 3,5
5 2,9 3,0
6 3,3 3,0
7 3,9 2,8
8 4,5 3,8
9 5,2 4,0
10 2,4 2,8
11 2,8 2,8
12 3,0 2,8
13 3,5 3,0
14 4,0 3,8
15 2,9 3,0
16 3,5 3,0
17 2,8 2,8
18 3,8 3,0

2. Suatu perusahaan ingin meningkatkan penjualan produk mereka dengan cara

memotovasi tim marketing mereka. Salah satu cara yang digunakan untuk
meningkatkan motivasi dan semangat tim perusahaan, diberikan bonus tengah
tahun pada tim marketing. Untuk menyelidiki apakah pemberian bonus tengah
tahun tersebut efektif dalam meningkatkan penjualan produk perusahaan, diambil
sampel dari 15 staf marketing di perusahaan tersebut lalu dicatat data penjualan

59
 sebelum diberikan bonus dan setelah diberikan bonus. Berikut data yang
dikumpulkan
Dengan alpha 5%, lakukan uji hipotesis untuk mengetahui apakah pemberian bonus
pada tim marketing efektif dalam meningkatkan penjualan produk!

Tabel 6. 6 Data Penjualan Tim Marketing Sebelum dan Sesudah Pemberian Bonus

Staf Marketing Sebelum Bonus Setelah Bonus

1 10 16
2 13 16
3 9 15
4 12 18
5 13 18
6 10 14
7 8 15
8 7 13
9 9 11
10 10 13
11 11 14
12 13 13
13 12 16
14 10 11
15 13 15

Daftar Pustaka
Fernandez, Marcelo. 2009. Statistics for Business and Economics. ISBN. 978-87-
7681-481-6
Floyd, J.E. 2010. Statistics for Economics: A Beginning. University of Toronto.
Lane, David. 2008. Introduction to Statistics. University of Houston.

60
 BAB VII

ANALISIS REGRESI

Kerangka Isi
7.1 Pendahuluan
7.2 Variabel Prediktor dan Variabel Respon
7.3 Regresi Sederhana
7.3.1 Model Regresi
7.3.2 Korelasi dan Koefisien Determinasi

Standar Kompetensi
Mahasiswa dapat melakukan analisis regresi dan menerapkannya pada suatu kasua

Kompetensi Dasar
• Mahasiswa dapat mendefinisikan analisis regresi
• Mahasiswa dapat membuat model regresi linier sederhana
• Mahasiswa dapat menginterpretasikan model
• Mahasiswa dapat menghitung koefisien korelasi dan determinasi serta dapat
menginterpretasikannya

7.1 Pendahuluan
Analisis regresi adalah suatu metode statistika yang digunakan untuk meneliti
hubungan antara beberapa variable. Pada umumnya, focus peneliti adalah mencari
pengaruh beberapa variable terhadap variable lain, misalnya pengaruh kenaikan harga
terhadap banyaknya permintaan, atau pengaruh perubahan besarnya asset perusahaan
terhadap banyaknya penjualan. Untuk mendalami masalah ini, peneliti mengumpulkan
data mengenai variabel-variabel yang terkait kemudian melakukan analisis regresi
untuk melakukan estimasi efek kuantitatif variable yang berpengaruh terhadap variable
yang dipengaruhi. Analisis ini juga dapat menentukan signifikansi pengaruh variable
terhadap variable lain secara statistika. Selain itu pada analisis ini juga dapat
menguraikan seberapa besar hubungan atau korelasi antara dua variable dan bagaimana
jenis korelasinya (searah atau berbanding terbalik).

61
 Analisis ini merupakan analisis statistika yang sangat popular di berbagai bidang
ilmu karena manfaat dan kegunaannya dalam mengeksplorasi hubungan antara variable
yang mempengaruhi dan dipengaruhi. Telah banyak penerapan dan pengembangan
analisis ini dalam berbagai bidang ilmu, termasuk bidang ekonomi dan bisnis.

7.1.1 Variabel Prediktor dan Respon

Dalam analisis regresi, variable dibedakan menjadi dua jenis yaitu variable respon
dan variable predictor. Variabel respon atau sering juga disebut variable tak bebas,
variable terikat atau variable dependen, adalah variable yang dalam penelitian
posisinya sebagai variable yang dipengaruhi oleh variable lain. Sedangkan variable
predictor atau juga dikenal dengan vaiabel bebas atau independen, adalah variable yang
dalam penelitian diduga mempengaruhi variable respon.
Contohnya dalam penelitian pengaruh kenaikan harga terhadap benyaknya
permintaan, yang merupakan variable respon adalah banyaknya permintaan harga
karena variable ini yang dpengaruhi oleh variable lain, sedangkan kenaikan harga
merupakan variable predictor karena variable ini diduga berpengaruh terhadap
banyaknya permintaan.
Adapun beberapa karakteristik variable respon adalah sebagai berikut:
1. Variabel yang cenderung dipengaruhi
2. Variabel yang lebih susah diukur atau didapakan
3. Variabel yang menjadi focus penelitian karena tingkat kepentingannya
Sedangkan karakteristik dari variable predictor di antaranya adalah:
1. Variabel yang diduga mempengaruhi
2. Variabel yang lebih gampang diukur atau didapatkan
3. Variabel yang dapat diukur terlebih dahulu

7.1.2 Tujuan Analisis Regresi

Adapun beberapa tujuan dilakukannya analisis regresi adalah sebagai berikut:
1. Untuk mengetahui pola hubungan antara variable predictor dan variable respon

62
 2. Menjelaskan seberapa besar perubahan variable predktor dapat mempengaruhi
perubahan variable respon
3. Menguji signifikansi pengaruh variable predictor terhadap variable respon
4. Menduga atau memprediksi nilai variable respon jika nilai variable predictor
telah diketahui
5. Sebagai dasar pembuat keputusan atau kebijakan pada perusahaan

7.1.3 Penerapan Analisis Regresi pada Bidang Ekonomi dan Bisnis

Analisis Regresi adalah salah satu analisis statistika yang popular di bidang
ekonomi dan bisnis. Beberapa contoh penerapan analisis regresi di bidang ini adalah
sebagai berikut:
1. Analisis Regresi antara tinggi orang tua terhadap tinggi anaknya (Gultom).
2. Analisis Regresi antara pendapatan terhadap konsumsi rumah tangga.
3. Analisis Regresi antara harga terhadap penjualan barang.
4. Analisis Regresi antara tingkat upah terhadap tingkat pengangguran.
5. Analisis Regresi antara tingkat suku bunga bank terhadap harga saham
6. Analisis regresi antara biaya periklanan terhadap volume penjualan perusahaan.

7.1.4 Jenis-Jenis Analisis Regresi

Terdapat berbagai macam analisis regresi yang telah berkembang pada dunia keilmuan.
Berdasarkan pola hubungan antara variable predictor dan respon, analisis regresi
dibedakan menjadi dua jenis yaitu:

1. Analisis Regresi Linier

Analisis regresi linier adalah analisis regresi yang digunakan ketika variable
predictor dan respon membentuk pola hubungan yang linier, yaitu menyerupai
garis lurus. Pola hubungan ini dapat terlihat dari scatter plot kedua variable
tersebut di mana sumbu X merupakan variable predictor dan sumbu Y
merupakan variable respon

63
2. Analisis Regresi Nonlinier
Jika pola hubungan antara variable respond dan predictor tidak membentuk
pola linier yang menyerupai garis lurus, melainkan pola melengkung seperti
kuadrat, kubik, atau eksponensial, maka analisis regresi linier tidak dapat
diterapkan karena akan menghasilkan model yang tidak representative terhadap
data atau kenyataan sebenarnya. Untuk mengatasi kasus ini diperlukan analisis
regresi nonlinier agar model dan hasil analisis menjadi representative dan dapat
dipercaya. Gambar 7.1 menampilkan contoh pola hubungan antara variable
respond an predictor

Gambar 7.1 Scatter Plot Pola Hubungan Antara Variabel Prediktor dan
Respon

Berdasarkan banyaknya variable predictor yang digunakan, analisis regresi

dibedakan menjadi dua jenis, yaitu:
1. Analisis Regresi Sederhana

64
 Banyaknya variable predictor yang digunakan dalam analisis regresi
sederhana adalah satu. Jadi dalam analisis regresi sederhana hanya
mengukur pengaruh satu variable predictor terhadap satu variable respon.
2. Analisis Regresi Berganda
Berbeda dengan analisis regresi sederhana, regresi berganda adalah analisis
regresi yang menggunakan lebih dari satu variable predictor. Pengaruh yang
diamati dalam analisis ini adalah pengaruh beberapa variable predictor
secara bersama-sama (simultan) terhadap satu variable respon, dan
pengaruh masing-masing variable secara terpisah (parsial) terhaadap satu
variable respon.

7.2 Analisis Regresi Linier Sederhana

Analisis regresi linier sederhana merupakan salah satu analisis popular yang
digunakan untuk meneliti bagaimana satu variable respon dipengaruhi oleh perubahan
satu variable predictor.

7.2.1 Model regresi

Salah satu komponen penting dalam analisis regresi adalah model regresi. Model
regresi ini menyatakan hubungan antara variable respond dan prediktor secara
matematika dengan menggunakan simbol-simbol matematika. Berikut ini model
umum analisis regresi linier sederhana:

y = α + βx + ε

dimana : y = variable respon

x = variable predictor

α = intersep model

β = slope model

ε = error/galat

65
Namun jika kita memiliki data sampel (bukan data populasi), maka model regresi
tersebut dapat diestimasi dengan model dugaan:

𝑦̂ = 𝑎 + 𝑏𝑥

Dimana nilai error diharapkan nol sehingga pada model dugaan, kita tidak
mengikutserkakan error. Intersep dan slope model dapat dihitung dengan
menggunakan persamaan berikut:

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅)

𝑏=
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2

dan

𝑎 = 𝑦̅ − 𝑏𝑥̅

Keterangan:

xi : amatan ke-i variable predictor (i = 1,2,…n)

yi : amatan ke-i variable respon (i = 1,2,…n)

𝑥̅ : mean variable prediktor

𝑦̅ : mean variable respon

n : ukuran sampel

Contoh 7.1

Misalkan kita ingin meneliti mengenai pengaruh biaya yang dikeluarkan perusahaan
untuk iklan produk terhadap hasil penjualan produk, Untuk itu dilakukan dikumpulkan
data mengenai biaya iklan dan hasil penjualan produk bulanan. Berikut ini data yang
telah dikumpulkan:

Tabel 7. 1 Data Biaya Iklan dan Penjualan

No Biaya Iklan Penjualan

66
 (dalam juta rupiah) ( X ) (dalam ribu pcs) ( Y )
1 5 3.0
2 8 3.5
3 10 4.5
4 7 3.4
5 4 2.8
6 15 5.0
7 11 4.7
8 12 4.7
9 10 4.4
10 9 3.7
11 7 3.2
12 14 4.8
13 13 4.7
14 12 4.5
15 18 5.2

Sebelum membentuk model regresi, ada baiknya kita menggambarkan grafik scatter
plot antara biaya iklan dan penjualan produk.

5
Penjualan (dalam ribu pcs)

0
0 5 10 15 20
Biaya Iklan (dalam juta rupiah)

67
 Gambar 7. 2 Scatter Plot antara Biaya Iklan dan Penjualan
Gambar tersebut menunjukkan bahwa hubungan antara biaya iklan dan penjualan
cenderung linier (mengikuti garis lurus) walaupun tidak sempurna. Titik-titik pada
scatter plot tersebut menunjukkan adanya hubungan yang positif. Semakin besar biaya
iklan, semakin besar pula penjualan. Namun untuk mengukur seberapa besar
pengaruhnya, kita perlu melakukan analisis regresi, diawali dengan membentuk model
regresi.

Langkah awal untuk membentuk model regresi adalah dengan menghitung nilai
intersep dan slope model. Untuk memudahkan penghitungan, kita perlu tabel bantu
sebagai berikut:

68
 Tabel 7. 2 Tabel Bantu Penghitungan Analisis Regresi Linier Sederhana

No x y (𝒙𝒊 − 𝒙
̅) (𝒚𝒊 − 𝒚
̅) (𝒙𝒊 − 𝒙
̅)(𝒚𝒊 − 𝒚
̅) ̅) 𝟐
(𝒙𝒊 − 𝒙
1 5 3 -5.333 -1.140 6.080 28.444
2 8 3.5 -2.333 -0.640 1.493 5.444
3 10 4.5 -0.333 0.360 -0.120 0.111
4 7 3.4 -3.333 -0.740 2.467 11.111
5 4 2.8 -6.333 -1.340 8.487 40.111
6 15 5 4.667 0.860 4.013 21.778
7 11 4.7 0.667 0.560 0.373 0.444
8 12 4.7 1.667 0.560 0.933 2.778
9 10 4.4 -0.333 0.260 -0.087 0.111
10 9 3.7 -1.333 -0.440 0.587 1.778
11 7 3.2 -3.333 -0.940 3.133 11.111
12 14 4.8 3.667 0.660 2.420 13.445
13 13 4.7 2.667 0.560 1.493 7.111
14 12 4.5 1.667 0.360 0.600 2.778
15 18 5.2 7.667 1.060 8.127 58.778
Total 155 62.1 0 0 40 205.333
Mean 10.333 4.14

Tabel tersebut membantu kita dalam mengitung koefisien intersep dan slope:

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅) 40

𝑏= 𝑛 = = 0,195
∑𝑖=1(𝑥𝑖 − 𝑥̅ )2 205,333

𝑎 = 𝑦̅ − 𝑏𝑥̅ = 4,14 − (0,195)(10,333) = 2,127

Diperoleh nilai a = 2,127 dan nilai b = 0,195, sehingga estimasi model regresi yang
terbentuk adalah

69
 y = 2,127 + 0,195x

Interpretasi dari model tersebut adalah, jika x (dalam hal ini biaya yang dikeluarkan
perusahaan untuk iklan) sejumlah 0 rupiah, maka y (dalam hal ini penjualan produk)
sebanyak 2,172 ribu pcs atau 2.172 pcs. Dan jika biaya iklan dinaikkan satu juta rupiah
maka penjualan akan mengalami peningkatan sebanyak 0,195 ribu pcs atau 195 pcs.
Namun untuk menguji apakah pengaruh biaya iklan terhadap penualan produk tersebut
signifikan secara statistic, maka perlu dilakukukan pengujian hipotesis.

7.2.2 Kesalahan Standar Estimasi

Untuk mengetahui ketepatan persamaan estimasi dapat digunakan dengan mengukur
besar kecilnya kesalahan standar estimasi. Semakin kecil nilai kesalahan standar
estimasi maka semakin tinggi ketepatan persamaan estimasi dihasilkan untuk
menjelaskan nilai variabel yang sesungguhnya. Dan sebaliknya, semakin besar nilai
kesalahan standar estimasi maka semakin rendah ketepatan persamaan estimasi yang
dihasilkan untuk menjelaskan nilai variabel dependen yang sesungguhnya. Kesalahan
standar estimasi diberi simbol Se yang dapat ditentukan dengan rumus berikut :
√(∑ 𝑌 2 − 𝑎 ∑ 𝑌 − 𝑏 ∑ 𝑋𝑌)
𝑠𝑒 =
𝑛−2

Contoh 7.2
Hitunglah nilai kesalahan Standar estimasi model regresi biaya iklan dan penjualan
seperti contoh sebelumnya!

Penyelesaian:
Untuk menghitung nilai kesalahan estimasi, kita dapat melakukan penghitungan
dengan menggunakan table bantu seperti berikut:

Tabel 7. 3 Tabel Bantu Penghitungan Kesalahan Standar Estimasi

70
 No X Y X2 Y2 XY
1 5 3 25 9 15
2 8 3.5 64 12.25 28
3 10 4.5 100 20.25 45
4 7 3.4 49 11.56 23.8
5 4 2.8 16 7.84 11.2
6 15 5 225 25 75
7 11 4.7 121 22.09 51.7
8 12 4.7 144 22.09 56.4
9 10 4.4 100 19.36 44
10 9 3.7 81 13.69 33.3
11 7 3.2 49 10.24 22.4
12 14 4.8 196 23.04 67.2
13 13 4.7 169 22.09 61.1
14 12 4.5 144 20.25 54
15 18 5.2 324 27.04 93.6
Total ( ∑ ) 155 62.1 1807 265.79 681.7

Dari contoh 7.1 telah diketahui bahwa nilai a = 2,127 dan nilai b = 0,195 sehingga
kesalahan standar estimasi dapat dihitung sebagai berikut:
√(∑ 𝑌 2 − 𝑎 ∑ 𝑌 − 𝑏 ∑ 𝑋𝑌) √265,79 − (2,127)(62,1) − (0,195)(681,7)
𝑠𝑒 = =
𝑛−2 15 − 2
√0,878521
𝑠𝑒 = = 0,0676
13

71
7.2.3 Pengujian Hipotesis
Pengujian hipotesis dalam analisis regresi dilakukan dengan tujuan untuk meneliti
apakah pengaruh variable predictor terhadap variable respon signifikan secara statistic,
pada level tertentu, atau tidak. Hal ini dapat dijadikan dasar pembuat keputusan atau
kebijakan pada perusahaan.
Pengujian hipotesis pada analisis regresi dilakukan dengan dua tahap yaitu menguji
signifikansi model secara simlutan (serempak) dengan menggunakan ANOVA
(analisis of variance) dan statstik uji F, lalu dilakukan pengujian hipotesis secara parsial
dengan menggunakan statistic uji – t. Dalam analisis regresi sederhana, uji F dan uji t
menghasilkan keputusan dan kesimpulan yang sama karena variable predictor yang
digunakan hanya berjumlah satu sehingga jika dilakukan uji secara serempak atau
individu, hasilnya akan sama. Berikut ini bentuk hipotesis yang akan diuji dalam
analisis regresi linier sederhana.
H0 : β = 0 (Variabel predictor tidak berpengaruh signifikan terhadap respon)

H1 : β ≠ 0 (Variabel predictor berpengaruh signifikan terhadap respon)

a. Uji Simultan

ANOVA (analysis of variance) membagi suber keragaman ke dalam tiga bagian

yaitu regresi, galat, dan total dan dinyatakan dalam bentuk table ANOVA. Adapun
table ANOVA adalah seperti berikut:
Tabel 7. 4 Tabel ANOVA (Analysis of Variance)

Sumber
db JK KT Fhit Ftabel
Keragaman

Regresi k JKR KTR = JKR/1 Fhit = KTR/KTG Ftab(α; k, n-k-1)

Galat n−k-1 JKG KTG = JKG/(n-k-1)

Total n−1 JKT

72
 Keterangan:

Db = derajat bebas

JK = Jumlah Kuadrat

JKR = Jumlah Kuadrat Regresi

JKG = Jumlah Kuadrat Galat

JKT = Jumlah Kuadrat Total

KT = Kuadrat Tengah

KTR = Kuadrat Tengah Regresi

KTG = Kuadrat Tengah Galat

n = jumlah sampel

Nilai-nilai jumlah kuadrat diperoleh dengan menggunakan persamaan berikut:

𝐽𝐾𝑇 = ∑ 𝑌𝑖2 − 𝑛𝑌̅ 2

𝐽𝐾𝐺 = ∑ 𝑌𝑖2 − 𝑎 ∑ 𝑌𝑖 − 𝑏1 ∑ 𝑋𝑖 𝑌𝑖

JKR = JKT – JKG

Sedangkan nilai kuadrat tengah (KT) dihitung dengan menggunakan persamaan

berikut:

𝐽𝐾𝑅
𝐾𝑇𝑅 = = 𝐽𝐾𝑅
1

𝐽𝐾𝐺
𝐾𝑇𝐺 =
𝑛−2

73
Statistik uji yang digunakan untuk menguji signifikansi model adalah uji-F yang
diperoleh dengan menggunakan persamaan berikut:

𝐾𝑇𝑅
𝐹ℎ𝑖𝑡 =
𝐾𝑇𝐺

H0 ditolak apabila nilai Fhit > Ftab (α;1,n-2)

Contoh 7.3
Lakukan uji signifikansi model regresi antara biaya iklan terhadap penjualan sesuai
data pada contoh 7.1!

Penyelesaian:
Hipotesis yang diuji adalah
H0 : Model tidak signifikan (tidak ada pengaruh biaya iklan terhadap penjualan)
H1 : Model tidak signifikan (tidak ada pengaruh biaya iklan terhadap penjualan)

Untuk mendapatkan nilai statistic uji F, kita perlu menghitung nilai JKR, JKG, JKT,
KTR, dan KTG terlebih dahulu. Dari contoh 7.2 dan Contoh 7.1 telah diperoleh nilai
a = 2,127 b = 0,195
∑ 𝑌𝑖2 = 265,79 ∑ 𝑌𝑖 = 62,1 ∑ 𝑋𝑖 𝑌𝑖 = 681,7 𝑌̅ = 4,14
Sehingga dapat dihitung nilai JKT, JKG, dan JKR

𝐽𝐾𝑇 = ∑ 𝑌𝑖2 − 𝑛𝑌̅ 2 = 265,79 − (15)(4,142 ) = 8,696

𝐽𝐾𝐺 = ∑ 𝑌𝑖2 − 𝑎 ∑ 𝑌𝑖 − 𝑏1 ∑ 𝑋𝑖 𝑌𝑖

= 265,79 − (2,127)(62,1) − (0,195)(681,7) = 0,7718

JKR = JKT – JKG = 8,696 – 0,7718 = 7,9242

74
Nilai KTR dan KTG dapat dihitung sebagai berikut:

KTR = JKR = 7,9242

𝐽𝐾𝐺 0,7718
𝐾𝑇𝐺 = = = 0,054
𝑛 − 2 15 − 2

Sehingga nilai statistic uji F dapat diperoleh dengan persamaan:

𝐾𝑇𝑅 7,9242
𝐹ℎ𝑖𝑡 = = = 133,473
𝐾𝑇𝐺 0,054

ANOVA dari hasil penghitungan ini disajikan seperti table berikut:

Tabel 7. 5 Tabel ANOVA Regresi antara Biaya Iklan terhadap Penjualan

Sumber
db JK KT Fhit Ftabel
Keragaman

Regresi 1 7,9242 KTR = 7,9242 Fhit = 133,473 4,67

Galat 13 0,7718 KTG = 0,054

Total 14 JKT

Diperoleh nilai Fhit = 133,473 sedangkan nilai Ftab(α;1,n-2) = F(0,05; 1; 13) = 4,67 sehingga
jika dibandingkan, kita memperoleh Fhit > Ftabel
Keputusan: Menolak H0
Kesimpulan: Model regresi sudah signifikan (terdapat pengaruh biaya iklan terhadap
penjualan)

b. Uji Parsial
Uji Parsial atau uji individu dilakukan untuk menguji signifikansi pengaruh variable
predictor terhadap respon secara individu dan tanpa memperhitungkan pengaruh
variable predictor lain. Adapun hipotesis yang diuji pada uji parsial adalah sebagai
berikut

75
Hipotesis
H0 :  = 0 (variabel prediktor tidak berpengaruh signifikan terhadap variabel
respon)
H1 :   0 (variabel prediktor berpengaruh signifikan terhadap variabel respon)

Statistik uji yang digunakan pada uji parsial adalah uji t dimana nilai thit diperoleh
dengan menggunakan persamaan berikut:
𝑏
𝑡ℎ𝑖𝑡 =
𝑠𝑏
𝐾𝑇𝐺
Dengan 𝑠𝑏2 = 2
(∑ 𝑋𝑖 )
∑ 𝑋𝑖2 −
𝑛

Kriteria penolakan yang berlaku pada uji ini adalah H0 ditolak jika |thit| > t (α/2;n−2)

Contoh 7.4
Lakukan uji parsial pengaruh biaya iklan terhadap penjualan!

Penyelesaian
Hipotesis yang akan diuji:
H0 :  = 0 (biaya iklan tidak berpengaruh signifikan terhadap penjualan)
H1 :   0 (biaya iklan berpengaruh signifikan terhadap penjualan)

Statistik uji dihitung dengan mencari nilai sb terlebih dahulu. Dari penghitungan dan
contoh-contoh sebelumnya, diketahui nilai-nilai sebagai berikut:
b = 0,195 KTG = 0,054 n=15
∑ 𝑋𝑖 = 155 ∑ 𝑋𝑖2 = 1807

76
 𝐾𝑇𝐺 0,054 0,054
𝑠𝑏2 = 2 = 2 = = 0,000263
2 (∑ 𝑋𝑖 ) 155 205,33
∑ 𝑋𝑖 − 1807 −
𝑛 15

Sehingga 𝑠𝑏 = √0,000263 = 0,0162

Maka diperoleh nilai thit sebagai berikut:

𝑏 0,195
𝑡ℎ𝑖𝑡 = = = 12,025
𝑠𝑏 0,0162
Jika dilihat nilai ttabel = t (0,05/2; 15-2) = 2,160
Nilai thit = 12,025 sedangkan nilai ttabel = 2,160 sehingga jika dibandingkan akan
diperoleh thit > ttabel.
Keputusan: Tolak H0
Kesimpulan : Biaya iklan berpengaruh signifikan terhadap penjualan.

7.2.3 Koefisien Korelasi dan Determinasi

Selain koefisien intersep dan slope dalam model regresi, terdapat pula koefisien lain
yang memiliki peranan yang penting, yaitu koefisien korelasi r dan koefisien
determinasi R2.

Koefisen korelasi adalah koefisien yang menyatakan kekuatan dan arah dari
korelasi/hubungan antara dua variable. Arah hubungan dapat berupa arah positif atau
hubungan searah yaitu hubungan di mana jika nilai suatu variable meningkat, akan
mengakibatkan nilai variable lain juga meningkat. Kebalikannya, arah hubungan
negative atau hubungan berlawanan arah adalah jenis hubungan antara dua variable di
mana jika nilai suatu variable meningkat, nilai variable lainnya menjadi turun. Nilai
koefisien korelasi diperoleh dengan menggunakan persamaan berikut:

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅)

𝑟=
√∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2

77
Nilai koefisien korelasi berkisar dari -1 sampai 1. Nilai yang semakin mendekati 1
atau -1 menyatakan hubungan yang kuat. Sedangkan tanda positif dan negative
menyatakan arah dari hubungan dua variable tersebut.

Koefisien determinasi (R2) dinyatakan sebagai rasio varians dalam Y yang dijelaskan
oleh model regresi. Nilai koefisien determinasi diperoleh dengan mengkuadratkan
koefisien korelasi.

Contoh 7.5

Misalkan kita tertarik untuk mengetahui koefisien korelasi dan determinasi dari data
pada contoh sebelumnya, maka kita dapat melakukan penghitungan sebagai berikut:
Tabel 7. 6 Tabel Bantu Penghitungan Koefisien Korelasi dan Determinasi

No X Y (𝒙𝒊 − 𝒙
̅) (𝒚𝒊 − 𝒚
̅) (𝒙𝒊 − 𝒙
̅)(𝒚𝒊 − 𝒚
̅) ̅)𝟐
(𝒙𝒊 − 𝒙 ̅)𝟐
(𝒚𝒊 − 𝒚
1 3 75 -0.933 -9.33 8.705 0.870 87.049
2 4 87 0.067 2.67 0.179 0.004 7.129
3 3 79 -0.933 -5.33 4.973 0.870 28.409
4 6 98 2.067 13.67 28.256 4.272 186.869
5 4 85 0.067 0.67 0.045 0.004 0.449
6 5 93 1.067 8.67 9.251 1.138 75.169
7 6 100 2.067 15.67 32.390 4.272 245.549
8 4 83 0.067 -1.33 -0.089 0.004 1.769
9 3 78 -0.933 -6.33 5.906 0.870 40.069
10 2 75 -1.933 -9.33 18.035 3.736 87.049
11 5 90 1.067 5.67 6.050 1.138 32.149
12 1 60 -2.933 -24.33 71.360 8.602 591.949
13 6 96 2.067 11.67 24.122 4.272 136.189
14 4 86 0.067 1.67 0.112 0.004 2.789
15 3 80 -0.933 -4.33 4.040 0.870 18.749
Total 59 1265 0.000 0.000 213.333 30.933 1541.334

78
Maka dapat diperoleh:

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅) 213,333

𝑟= = = 0,977
√∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2 √(30,933)(1541,334)

Diperoleh nilai r = 0,977. Hal ini berarti lama belajar mahasiswa memiliki hubungan
positif dan sangat kuat dengan hasil nilai belajar mahasiswa. Hal ini mengindikasikan
bahwa semakin lama seorang mahasiswa belajar, maka hasil nilai ujian juga akan
semakin tinggi.

Koefisien determinasi R2 = (r )2 = (0,977)2 = 0,9545 = 95,45%. Hal ini memiliki arti

bahwa pengaruh factor lama belajar mahasiswa terhadap kenaikan hasil belajar
mahasiswa sebesar 95,45% sedangkan sisanya sebesar 4,55% dipengaruhi oleh factor
lain yang tidk diikutsertakan dalam model regresi.

Rangkuman

1. Analisis regresi adalah suatu metode dalam statistika yang digunakan untuk
mempelajari hubungan antara dua variable atau lebih.
2. Regresi Linier sederhana adalah suatu metode dalam statistika yang
mempelajari hubungan antara satu variable predictor dengan satu vaariabel
respon.
3. Model regresi linier sederhana adalah y = a + bx, dimana a dan b diperoleh
dengan menggunakan persamaan berikut:

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅)

𝑏=
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2

𝑎 = 𝑦̅ − 𝑏𝑥̅

79
 4. Koefisien korelasi adalah ukuran yang menyatakan kuat dan arah hubungan
antara dua variable. Nilai koefisien korelasi adalah antara -1 dan 1. Tanda
positif atau negative menyatakan arah hubungan sedangkan nilai nya
menyatakan kuatnya hubungan. Nilai koefisien determinasi adalah rasio varians
variable respon yang dijelaskan oleh variable predictor.

Latihan

1. Suatu perusahaan ingin mengetahui hubungan antara jumlah pekerja dengan jumlah
produksi tas yang dihasilkan dalam satu bulan. Untuk itu, dikumpulkan data jumlah
pekerja dan jumlah produksi tas pada 15 cabang perusahaan tersebut. Data tersebut
ditampilkan pada Tabel 7.7.

Table 7. 7 Data Jumlah Pekerja dan Jumlah Produksi Tas dalam Satu Bulan

No Jumlah Pekerja Jumlah Produksi

1 10 200
2 12 210
3 11 200
4 13 240
5 9 170
6 8 170
7 5 110
8 14 250
9 10 190
10 5 100
11 7 160
12 9 180
13 8 190
14 9 190
15 12 230

80
 a. Bentuklah model regresi dan interpretasikan!
b. Hitung nilai koefisien korelasi dan determinasinya, serta jelaskan apa artinya!
c. Lakukan uji signifikansi terhadap parameter regresi secara simultan maupun
parsial!
d. Jika perusahaan tersebut akan membuka dua cabang baru dengan jumlah
pekerja masing-masing 14 dan 13 orang, maka berapa perkiraan jumlah
produksi tas yang dihasilkan oleh dua cabang tersebut?

2. Tabel 7.8 menyajikan data mengenai harga produk dan jumlah permintaan terhadap
produk tersebut. Selidikilah apakah terdapat korelasi antara kedua variable tersebut!
Bentuklah model regresinya dan interpretasikan model tersebut!

Table 7. 8 Data Harga Barang dan Jumlah Permintaan Barang Tersebut

Harga Barang
No Jumlah Permintaan
(ribu ruiah)
1 4.0 150
2 5.0 140
3 4.5 145
4 5.5 138
5 5.0 141
6 6.0 130
7 6.2 121
8 5.0 142
9 5.5 137
10 6.3 115
11 5.8 127
12 5.7 127
13 4.8 145
14 5.0 142

81
Daftar Pustaka
Skyes, A.O. 2010. An Introduction to Regression Analysis. University of Chicago.
Steel,R.G.D, dan Torrie, J.H. 1995. Prinsip dan Prosedur Statistika. Jakarta: PT
Gramedia Pustaka Utama
Walpole, Ronald. 1995. Pengantar Statistika. Jakarta: PT Gramedia.

82
 BAB VIII
ANGKA INDEKS

Kerangka Isi
8.1 Pendahuluan
8.2 Jenis-Jenis Angka Indeks
8.3 Angka Indeks Sederhana
8.4 Angka Indeks Gabungan
8.4.1 Angka Indeks Gabungan Sederhana
8.4.2 Angka Indeks Gabungan Tertimbang (Terboboti)
8.5 Penerapan Angka Indeks
8.5.1 Pendeflasian
8.5.2 Daya Beli

Standar Kompetensi
Mahasiswa dapat menghitung angka indeks dan menerapkannya pada suatu kasus

Kompetensi Dasar
• Mahasiswa dapat memahami pengertian dan kegunaan angka indeks
• Mahasiswa dapat memahami berbaai jenis angka indeks
• Mahasiswa dapat menghitung angka indeks sederhana
• Mahasiswa dapat menghitung angka indeks gabungan sederhana
• Mahasiswa dapat menghitung angka indeks gabungan tertimbang (Laspeyres,
Paasche, Mashall, Drobish, dan Irving Fischer)
• Mahasiswa dapat menerapkan angka indeksn pada kasus deflasi dan daya beli

8.1 Pendahuluan
Angka indeks adalah Angka yang dipakai untuk menunjukkan perubahan satu atau
beberapa variabel untuk kurun waktu yang berbeda. Dengan demikian angka indek
dapat diartikan sebagai angka perbandingan yang perubahan relatifnya dinyatakan
dalam bentuk prosentase (%) terhadap yang lain.

8.2 Jenis-Jenis Angka Indeks

Jenis-Jenis Angka Indeks
Berdasarkan Penggunaannya
1. Indeks Harga

83
 2. Indeks Kuantitas
3. Indeks Nilai
Berdasarkan Cara Penentuan
1. Indeks Tidak Tertimbang
2. Indeks Tertimbang
Berdasarkan Banyaknya Variabel
1. Indeks Sederhana (Satu Variabel)
2. Indeks Gabungan (Banyak Variabel)

8.3 Angka Indeks Sederhana

Angka Indeks Sederhana
• Indeks Harga

84
Indeks harga adalah perbandingan antara harga barang pada suatu waktu dengan
harga barang itu pada waktu lainnya
Waktu atau tahun yang dijadian pangkal perbandingan disebut waktu dasar atau
tahun dasar
𝑃𝑡
𝐼𝑜/𝑡 = 𝑥 100
𝑃𝑜
Keterangan:
Io/t = Indeks Harga pada waktu t dengan waktu dasar o
Po = Harga pada waktu dasar
Pt = Harga pada waktu t

Contoh 1
Hitunglah indeks harga beras setiap tahun dengan 2005 sebagai tahun dasar
Tahun Harga Beras
2005 5000
2006 5500
2007 5700
2008 6000
2009 6600
2010 7000
2011 7400
2012 7800
2013 8000
2014 8500

Penyelesaian:
𝑃
Dengan rumus indeks harga 𝐼𝑜/𝑡 = 𝑃𝑡 𝑥 100 maka
𝑜

Tahun Harga Beras Indeks Harga

2005 5000 (5000/5000)*100 = 100
2006 5500 (5500/5000)*100 = 110
2007 5700 (5700/5000)*100 = 114
2008 6000 (6000/5000)*100 = 120
2009 6600 (6600/5000)*100 = 132

85
 2010 7000 (7000/5000)*100 = 140
2011 7400 (7400/5000)*100 = 148
2012 7800 (7800/5000)*100 = 156
2013 8000 (8000/5000)*100 = 160
2014 8500 (8500/5000)*100 = 170

• Indeks Berantai
Indeks harga berantai adalah angka indeks dengan tahun sebelumnya sebagai
tahun dasar. Dari contoh sebelumnya diperoleh
Contoh:

Tahun Harga Beras Indeks Harga Berantai

2005 5000 - -
2006 5500 (5500/5000)*100 = 110,0
2007 5700 (5700/5500)*100 = 103,6
2008 6000 (6000/5700)*100 = 105,3
2009 6600 (6600/6000)*100 = 110,0
2010 7000 (7000/6600)*100 = 106,1
2011 7400 (7400/7000)*100 = 105,7
2012 7800 (7800/7400)*100 = 105,4
2013 8000 (8000/7800)*100 = 102,6
2014 8500 (8500/8000)*100 = 106,3

8.4 Angka Indeks Gabungan

Jika yang dibandingkan adalah harga dari lebih dari satu barang maka dinamakan
Indeks Harga Gabungan. Indeks harga gabungan terdiri dari
8.4.1 Indeks harga gabungan sederhana
Indeks harga gabungan sederhana memiliki rumus sebagai berikut:
∑ 𝑃𝑡
𝐼𝑆 = ∗ 100
∑ 𝑃𝑜
Keterangan:
Is = Indeks Harga gabungan sederhan
Pt = Harga Pada tahun ke t
Po = Harga pada tahun dasar

86
Contoh 8.2
Carilah indeks harga gabungan sederhana dengan tahun 2013 sebagai tahun
dasar
Tahun 2013 Tahun 2014
No Nama Barang Harga per Banyak Harga Per Banyak
Unit (P0) (Q0) Unit (Pt) (Qt)
1 Kulkas 2,00 275 2,00 185
2 AC 4,50 134 4,70 138
3 Kipas Angin 0,60 330 0,65 335
4 Mesi Cuci 2,20 250 2,30 245
5 Rice Cooker 0,70 350 0,75 366
Jumlah 10 1339 10,4 1269

Penyelesaian:
Tahun 2013 Tahun 2014
No Nama Barang Harga per Harga Per Banyak
Banyak (Q0)
Unit (P0) Unit (Pt) (Qt)
1 Kulkas 2,00 275 2,00 185
2 AC 4,50 134 4,70 138
3 Kipas Angin 0,60 330 0,65 335
4 Mesi Cuci 2,20 250 2,30 245
5 Rice Cooker 0,70 350 0,75 366
Jumlah 10 1339 10,4 1269
Jadi indeks harga gabungannya:
∑ 𝑃𝑡 10,4
𝐼𝑆 = ∗ 100 = ∗ 100 = 104
∑ 𝑃𝑜 10

87
8.4.2 Indeks harga gabungan tertimbang
Indeks harga gabungan tertimbang (diboboti) memiliki rumus sebagai berikut:
∑ 𝑃𝑡 𝑊
𝐼𝐺𝑇 = ∗ 100
∑ 𝑃𝑜 𝑊
Keterangan:
IGT = Indeks Harga gabungan tertimbang
Pt = Harga Pada tahun ke t
Po = Harga pada tahun dasar
W = pembobot

Pembobot pada indeks harga gabungan tertimbang dibedakan menjadi

beberapa macam yaitu:

1. Indeks Laspeyres (IL)

Yaitu jika pembobot W nya adalah Kuantitas pada tahun dasar (Q0) sehingga
rumus untuk IL adalah:
∑ 𝑃𝑡 𝑄𝑜
𝐼𝐿 = ∗ 100
∑ 𝑃𝑜 𝑄𝑜
2. Indeks Paasche (IP)
Yaitu jika pembobot W nya adalah kuantitas pada tahun ke-t (Qt) sehingga
rumus untuk IP adalah:
∑ 𝑃𝑡 𝑄𝑡
𝐼𝑃 = ∗ 100
∑ 𝑃𝑜 𝑄𝑡
3. Indeks Marshall (IM)
Yaitu jika pembobot W nya adalah jumlah kuantitas pada tahun dasar dan
tahun ke-t (Q0 + Qt) sehingga rumus untuk IM adalah:

88
 ∑ 𝑃𝑡 (𝑄𝑜 + 𝑄𝑡 )
𝐼𝑀 = ∗ 100
∑ 𝑃𝑜 (𝑄𝑜 + 𝑄𝑡 )

Keterangan
Qo = Kuantitas atau banyaknya barang pada tahun dasar
Qt = Kuantitas atau banyaknya barang pada tahun ke t

4. Indeks Drobish (ID)

Merupakan rata-rata hitung dari Indeks Laspeyres (IL) dan Indeks Paasche
(IP) sehingga rumus untuk ID adalah:
𝑰𝑳 + 𝑰 𝑷
𝑰𝑫 =
𝟐
5. Indeks Irving Fischer (IF)
Merupakan rata-rata geometri dari Indeks Laspeyres (IL) dan Indeks Paasche
(IP) sehingga rumus untuk IF adalah:
𝑰𝑭 = (𝑰𝑳 ∗ 𝑰𝑷 )𝟏/𝟐 = √𝑰𝑳 ∗ 𝑰𝑷

Contoh 8.3:
Carilah Indeks Lespeyres (IL) dengan tahun 2013 sebagai tahun dasar
Tahun 2013 Tahun 2014
Nama
No Harga per Banyak Harga Per Banyak
Barang
Unit (P0) (Q0) Unit (Pt) (Qt)
1 Kulkas 2,00 275 2,00 185
2 AC 4,50 134 4,70 138
3 Kipas Angin 0,60 330 0,65 335
4 Mesi Cuci 2,20 250 2,30 245
5 Rice Cooker 0,70 350 0,75 366
Jumlah 10 1339 10,4 1269

89
 Penyelesaian:
Indeks Lespeyeres (IL) dengan tahun 2013 sebagai tahun dasar
Tahun 2013 Tahun 2014
Nama Barang Harga per Banyak Harga Per Banyak Pt*Qo Po*Qo
No
Unit (Po) (Qo) Unit (Pt) (Qt)
1 Kulkas 2,00 275 2,00 185 550 550
2 AC 4,50 134 4,70 138 629,8 603
3 Kipas Angin 0,60 330 0,65 335 214,5 198
4 Mesi Cuci 2,20 250 2,30 245 575 550
5 Rice Cooker 0,70 350 0,75 366 262,5 245
Jumlah 10 1339 10,4 1269 2231,8 2146

Indeks Lespeyeres (IL) dengan tahun 2013 sebagai tahun dasar

∑ 𝑃𝑡 𝑄𝑜 2231,8
𝐼𝐿 = ∗ 100 = ∗ 100 = 103,998
∑ 𝑃𝑜 𝑄𝑜 2146
Jadi Indeks Lespeyeres (IL) adalah 103,998

Contoh 8.4
Carilah Indeks Irving Fischer (IF) dengan tahun 2013 sebagai tahun dasar
Tahun 2013 Tahun 2014
Nama
No Harga per Banyak Harga Per Banyak
Barang
Unit (P0) (Q0) Unit (Pt) (Qt)
1 Kulkas 2,00 275 2,00 185
2 AC 4,50 134 4,70 138
3 Kipas Angin 0,60 330 0,65 335
4 Mesi Cuci 2,20 250 2,30 245

90
 5 Rice Cooker 0,70 350 0,75 366
Jumlah 10 1339 10,4 1269

Penyelesaian:
Untuk mencari Indeks Irving Fischer (IF) dengan tahun 2013 sebagai tahun
dasar, Kita perlu menghitung IL dan IP terlebih dahulu (pada contoh 3 kita
sudah menghitung IL)

Indeks Paasche (IP) dari data tsb adalah

∑ 𝑃𝑡 𝑄𝑡 2074,35
𝐼𝑃 = ∗ 100 = ∗ 100 = 104,39
∑ 𝑃𝑜 𝑄𝑡 1987,2
Jadi Indeks Irving Fischer (IF) dari data tsb adalah
𝐼𝐹 = (𝐼𝐿 ∗ 𝐼𝑃 )1/2 = √103,998 ∗ 104,39 = 104,19

Contoh 8.5.
Carilah Indeks Marshall (IM) dengan tahun 2013 sebagai tahun dasar
Tahun 2013 Tahun 2014
Nama
No Harga per Banyak Harga Per Banyak
Barang
Unit (P0) (Q0) Unit (Pt) (Qt)
1 Kulkas 2,00 275 2,00 185
2 AC 4,50 134 4,70 138
3 Kipas Angin 0,60 330 0,65 335
4 Mesi Cuci 2,20 250 2,30 245
5 Rice Cooker 0,70 350 0,75 366
Jumlah 10 1339 10,4 1269

91
 Penyelesaian:
Indeks Marshall (IM) dengan tahun 2013 sebagai tahun dasar
Tahun 2013 Tahun 2014
Pt Po
No Nama Barang Harga per Banyak Harga Per Banyak (Qo+Qt)
(Qo+Qt) (Qo+Qt)
Unit (Po) (Qo) Unit (Pt) (Qt)
1 Kulkas 2,00 275 2,00 185 460 920 920
2 AC 4,50 134 4,70 138 272 1278,4 1224
3 Kipas Angin 0,60 330 0,65 335 665 432,25 399
4 Mesi Cuci 2,20 250 2,30 245 495 1138,5 1089
5 Rice Cooker 0,70 350 0,75 366 716 537 501,2
Jumlah 10 1339 10,4 1269 2608 4306,15 4133,2

Indeks Marshall (IM) dengan tahun 2013 sebagai tahun dasar

∑ 𝑃𝑡 (𝑄𝑜 + 𝑄𝑡 ) 4306,15
𝐼𝑀 = ∗ 100 = ∗ 100 = 104,18
∑ 𝑃𝑜 (𝑄𝑜 + 𝑄𝑡 ) 4133,2
Jadi Indeks Marshall (IM) dengan tahun 2013 sebagai tahun dasar adalah
104,18

8.5 Penerapan Angka Indeks

8.5.1 Pendeflasian
Deflasi adalah suatu periode di mana harga-harga secara umum jatuh dan nilai
uang bertambah. Dengan kata lain deflasi adalah keadaan yang menunjukkan
daya beli uang meningkat pada masa tertentu karena jumlah uang yang beredar
relatif lebih kecil dari jumlah barang dan jasa yang tersedia. Deflasi terjadi
karena kurangnya jumlah uang yang beredar. Pendeflasian bisa digunakan
untuk penghitungan kenaikan upah nyata (Real Income) dari satu waktu ke
waktu lainnya

92
 Rumus kenaikan upah nyata (Real Income) dari satu waktu ke waktu lainnya
sebagai berikut:
𝑈
𝑈𝑁 = ∗ 100
𝐼𝐵𝐻
Keterangan:
UN = Upah Nyata
U = Upah
IBH = Indeks Biaya Hidup

Contoh 6
Diketahui tahun 2010 Upah pekerja Rp. 85.000/ hari dengan indeks biaya hidup
(IBH) 80,0 sedangkan tahun 2014 upah pekerja naik menjadi Rp. 99.000/hari
dengan IBH 110,0. Apakah terjadi kenaikan atau penurunan upah nyata?

Penyelesaian:
Upah Nyata tahun 2010
𝑈 85.000
𝑈𝑁 = ∗ 100 = ∗ 100 = 106.250
𝐼𝐵𝐻 80,0
Upah Nyata tahun 2014
𝑈 99.000
𝑈𝑁 = ∗ 100 = ∗ 100 = 90.000
𝐼𝐵𝐻 110,0
Penurunan Upah Nyata
(106.250 − 90.000)
=
106.250
= 0,15294 = 15,294%
8.5.2 Daya Beli
Daya beli merupakan angka relatif terhadap periode dasar, yang dihitung
dengan rumus berikut:
1 𝑠𝑎𝑡𝑢𝑎𝑛
𝐷𝐵 = ∗ 100
𝐼𝐵𝐻

93
 Keterangan:
DB = Daya Beli
IBH = Indeks Biaya Hidup

Rangkuman:
Angka indeks berguna untuk mengukur perubahan satu atau beberapa variable.
Jika variable yang dilihat perubahannya adalah harga barang maka disebut
indeks harga. Indeks harga dari beberapa gabungan beberapa barang disebut
indeks harga gabungan. Indeks harga gabungan terdiri dari indeks harga
gabungan sederhana dan indeks harga gabungan tertimbang.

SOAL LATIHAN

1. Harga dan kuantitas beberapa barang elektronik di suatu daerah dalam kurun waktu
2009-2011 adalah sebagai berikut:
Tahun 2009 Tahun 2010 Tahun 2011
Nama
No Harga Banyak Harga Banyak Harga Banyak
Barang
(P0) (Q0) (Pt) (Qt) (Pt) (Qt)
1 TV 1,2 640 1,3 820 1,4 825
2 Komputer 3,5 425 3,7 465 X 450
3 Kulkas 1,6 265 1,6 175 1,6 175
4 AC 4,1 124 4,3 128 4,3 128
5 Pompa 0,5 180 0,5 220 0,55 240

94
 a. Hitung indeks harga agregatif tertimbang barang-barang tersebut pada tahun
2010 dengan tahun dasar 2009 menggunakan metode Laspeyres (IL) dan
berikan interpretasi
b. Apabila IL tahun 2011 dengan tahun dasar 2009 sebesar 124 berapkah harga
computer pada tahun 2011?

2. Perubahan harga dan kuantitas semen yang dipakai di suatu kota dalam kurun
waktu 2009-2010 adalah sebagai berikut:
Tahun 2009 Tahun 2010
No Nama Barang Harga/Sak Banyak Harga/Sak Banyak
(P0) (Q0) (Pt) (Qt)
1 Semen A 48.000 840 50.000 920
2 Semen B 45.000 625 48.000 665
3 Semen C 50.000 465 54.000 575
4 Semen D 49.000 380 52.000 420

a. Hitung indeks harga agregratif tertimbang barang-barang tersebut pada tahun

2010 dengan tahun dasar 2009 dengan menggunakan metode Laspeyres (IL),
Paasche (IP), Marshall Edgeworth (IM). Berikan interpretasinya.
b. Apabila tahun 2011 harga per sak semen A, semen B, Semen C masing-masing
Rp. 54.000, Rp. 53.000, dan Rp. 59.000 dan IL tahun 2011 dengan tahun dasar
2009 sebsar 115,995. Berapkah harga Semen D per sak pada tahun 2011?

95
 BAB IX
ANALISIS TIME SERIES

Kerangka Isi
9.1 Pendahuluan
9.1.1 Pengertian Time Series
9.1.2 Fungsi dan Kegunaan Time Series
9.1.3 Komponen Time Series
9.2 Trend dalam Time Series
9.2.1 Trend Linier
9.2.2 Trend Kudratik
9.2.3 Trend Eksponensial
9.3 Pemilihan Model Trend Terbaik

Standar Kompetensi
Mahasiswa dapat menghitung model trend time series dan melakukan peramalan

Kompetensi Dasar
• Mahasiswa dapat memahami pengertian data time series
• Mahasiswa dapat memahami fungsi dan kegunaan tme series
• Mahasiswa dapat memahami berbagai kompone dalam time series
• Mahasiswa dapat membuat model/ persaman trend time series secara linier,
kuadratik, dan eksponensial
• Mahasiswa dapat mengitun estimasi (peramalan) tahun yang akan dating
dengan mengunakan persamaan trend linier, kuadrati, maupun ekspnensial
• Mahasiswa dapat menentukan persamaan trend terbaik dengan menggunakan
kriteria Jumlah Kuadrat Residual (JKR)

9.1 Pendahuluan
9.1.1 Pengertian Time Series
Time series/deret waktu atau data berkala adalah data yang disusun berdasarkan urutan
waktu. Time series merupakan serangkaian pengamatan terhadap suatu peristiwa,
kejadian, gejala atau perubahan yang terjadi dari waktu ke waktu. Waktu yang
digunakan dapat berupa hari, minggu, bulan, tahun, dan sebagainya. Data yang disusun
harus sesuai dengan urutan waktuna (tidak boleh ditukar-tukar urutannya).

96
Contoh 9.1 Data Time Series

Banyak transaksi pembelian kacamata pada Toko Optik Cerah

Tahun Banyak Transaksi

2005 1012
2006 1124
2007 1075
2008 1203
2099 1192
2010 1243
2011 1286
2012 1305
2013 1298
2014 1324

9.1.2 Fungsi dan Kegunaan Time Series

Kegunaan time series adalah Membantu mempelajari data masa lampau, sehingga
dapat dipelajari faktor-faktor penyebab perubahan untuk pertimbangan perencanaan di
masa yang akan datang. Dengan kata lain, analisis time series dipelajari untuk
membantu dalam peramalan (forecasting).

9.1.3 Komponen Time Series

Dalam analisis time series dilhat bagaimana pola perubahan data dari waktu ke waktu.
Pada umumya, pola gerakan data time series dibagi menjadi empat kompone yaitu:
• Trend
Trend merupakan gerakan teratur dalam jangka waktu yang panjang
• Variasi siklis (cyclical)
Variasi siklis (cyclical) merupakan variasi berulang-ulang dan teratur dalam
jangka waktu yang panjang
• Variasi musim (seasonal)
Variasi musim (seasonal) merupakn variasi berulang-ulang dan teratur dalam
jangka waktu yang pendek (satu tahun atau kurang)

97
 • Variasi residu (irregular)
Variasi residu (irregular) mrupakan variasi dalam waktu singkat dan tidak
teratur dalam jangka waktu yang panjang

9.2 Trend dalam Time Series

Terdapat beberapa trend dalam data time series yaitu:
9.2.1 Trend Linier
Persamaan trend linier adalah
̂ = a + bX
Y
̂ adalah nilai trend, a disebut kanstanta, dan b disebut slope garis trend. Nilai
Di mana Y
dari a dan b dihitung berdasarkan data dengan menggunakan metode least square
dengan rumus sebagai berikut:
𝑛 ∑ 𝑋𝑌 − ∑ 𝑋 ∑ 𝑌
𝑏=
𝑛 ∑ 𝑋 2 − (∑ 𝑋)2

∑𝑌 ∑𝑋
𝑎= −𝑏
𝑛 𝑛

Agar rumusnya menjadi sederhana maka periode waktu (Tahun) dapat dikoding
menjadi variable X dan dibuat sedemikian rupa sehingga ∑X = 0
Dengan demikian rumus a dan b dapat disederhanakan menjadi:
∑ 𝑋𝑌
𝑏=
∑ 𝑋2

∑𝑌
𝑎=
𝑛

Dalam mengkonversi variable waktu (tahun) menjadi variable X caranya adalah

sebagai berikut:
• Apabila banyaknya tahun ganjil, maka tahun yang paling di tengah mempunyai
koding X = 0 dan antara tahun tertentu dengan tahun berikutnya atau tahun
sebelumnya selisih nilai X adalah 1, sehingga susunan variable X nya adalah
…, -3, -2, -1, 0, 1, 2, 3,…

98
 • Apabila banyaknya tahun genap, maka dua tahun yang terletak paling tengah
mempunyai koding X = -1 dan X = 1 serta antara tahun tertentu dengan tahun
berikutnya atau tahun sebelumnya selisih nilai X adalah 2, sehingga susunan
variable X nya adalah …, -5, -3, -1,1, 3, 5,…

Contoh 9.2
Berikut diberikan data time series mengenai banyaknya pengunjung Toko Buku GM
dari tahun 2007 sampai 2013. Buatlah persamaan trend linier dari data tersebut.
Tahun Banyaknya Pengunjung
2007 7075
2008 7203
2009 7192
2010 8243
2011 8286
2012 8305
2013 9298
Tentukan persamaan trend linier dari data time series tersebut
Dengan persamaan trend linier, hitung nilai trend tahun 2018!

Penyelesaian:
Karena jumlah tahun adalah 7 (ganjil) maka tahun yang berada di paling tengah (tahun
2010) diberi koding 0 sebagai berikut :
Tahun Banyaknya Pengunjung (Y) X XY X2
2007 7075 -3 -21225 9
2008 7203 -2 -14406 4
2009 7192 -1 -7192 1
2010 8243 0 0 0
2011 8286 1 8286 1
2012 8305 2 16610 4
2013 9298 3 27894 9

99
 Jumlah 55602 0 9967 28

Menentukan trend linier

∑ 𝑋𝑌 9967
𝑏= = = 355,96
∑ 𝑋2 28

∑ 𝑌 55602
𝑎= = = 7943,14
𝑛 7

Jadi persamaan trend linier y = 7943,14 + 355,96 X

Mencari nilai trend untuk tahun 2018
Pertama kita harus mencari nilai koding untuk tahun 2018. Karena nilai koding X = 0
terletak pada tahun 2010 dan selisih nilai antar tahun adalah 1 maka nilai koding untuk
tahu 2018 adalah:
X = 2018 – 2010 = 8
Untuk mencari nilai trend tahun 2018, nilai koding untuk X tahun 2018 disubstitusi ke
persamaan trend linier yang telah dibentuk yaitu:
y = 7943,14 + 355,96 X
y = 7943,14 + 355,96 (8)
y = 10.790,82

9.2.2 Trend Kuadratik

Bentuk umum persamaan trend kuaratik adalah sebagai berikut:
𝑌̂ = 𝑎 + 𝑏1 𝑋 + 𝑏2 𝑋 2

di mana nilai 𝑌̂ adala nilai trend. Nilai a, b1, dan b2 dicari berdasarkan data
menggunakan metode least square. Agar rumusnya menjadi sederhana maka periode
waktu (Tahun) dapat dikoding menjadi variable X dan dibuat sedemikian rupa sehingga
∑X = 0. Dengan demikian rumus a dan b dapat disederhanakan menjadi:
∑𝑌 ∑ 𝑋2
𝑎= − 𝑏2
𝑛 𝑛

100
 ∑ 𝑋𝑌
𝑏1 =
∑ 𝑋2

∑ 𝑋2 ∑ 𝑌 − 𝑛 ∑ 𝑋2𝑌
𝑏2 =
(∑ 𝑋 2 )2 − ∑ 𝑋 4

Contoh 9.3.
Dengan menggunakan data pada Contoh 9.2, buatlah persamaan trend kuadratik.

Penyelesaian:
Banyaknya
Tahun X XY X2 X4 X2 Y
Pengunjung (Y)
2007 7075 -3 -21225 9 81 63675
2008 7203 -2 -14406 4 16 28812
2009 7192 -1 -7192 1 1 7192
2010 8243 0 0 0 0 0
2011 8286 1 8286 1 1 8286
2012 8305 2 16610 4 16 33220
2013 9298 3 27894 9 81 83682
Jumlah 55602 0 9967 28 196 224867

Sehingga:
∑ 𝑋𝑌 9967
𝑏1 = = = 355,96
∑ 𝑋2 28

∑ 𝑋 2 ∑ 𝑌 − 𝑛 ∑ 𝑋 2 𝑌 (28)(55602) − 7(224867)
𝑏2 = = = 29,27
(∑ 𝑋 2 )2 − ∑ 𝑋 4 282 − 196

∑𝑌 ∑ 𝑋 2 55602 28
𝑎= − 𝑏2 = − (29,27) = 7826,06
𝑛 𝑛 7 7

101
Maka Persamaan trend kuadratiknya adalah:
𝑌̂ = 7826,06 + 355,96 𝑋 + 29,27 𝑋 2

9.2.3 Trend Eksponensial

Dalam analisis time series, selain trend kuadratik, teradapat juga trend eksponensial.
Bentuk umum persamaan trend eksponensial adalah sebagi berikut:
𝑌̂ = 𝑎𝑏 𝑋

Di mana nilai 𝑌̂ adalah nilai trend.Nilai a dan b diperoleh berdasarkan data. Agar
rumusnya menjadi sederhana, persamaan eksponensial tersebut ditransformasi ke
dalam bentuk logaritma sebagai berikut:
𝑌̂ = 𝑎𝑏 𝑋 menjadi

𝑙𝑜𝑔 (𝑌̂) = 𝑙𝑜𝑔 (𝑎𝑏 𝑋 )

𝑙𝑜𝑔(𝑌̂) = 𝑙𝑜𝑔(𝑎) + 𝑙𝑜𝑔 (𝑏 𝑋 )

𝑙𝑜𝑔(𝑌̂) = 𝑙𝑜𝑔(𝑎) + 𝑋. 𝑙𝑜𝑔 (𝑏)

Sehingga persamaan ini dapat dipandang sebagai persamaan linier

Y’= a’ + b’X

Di mana
Y’ = 𝑙𝑜𝑔(𝑌̂)

a’ = log (a)

b’ = log (b)

Dengan demikian dengan menggunakan cara trend linier, diperoleh rumus untuk a’ dan
b’ adalah sebagai berikut:
∑ 𝑌′ ∑ 𝑙𝑜𝑔(𝑌̂)
𝑎′ = =
𝑛 𝑛

102
 ∑ 𝑋𝑌′ ∑ 𝑋. 𝑙𝑜𝑔𝑌
𝑏′ = =
∑ 𝑋2 ∑ 𝑋2

Sedangkan untuk
a = anti log a = 10a
b = anti log b = 10b

Contoh 9.4
Dengan menggunakan data pada Contoh 9.2, buatlah persamaan trend eksponensial.

Penyelesaian
Banyaknya
Tahun X log Y X. log Y X2
Pengunjung (Y)
2007 7075 -3 3.84973 -11.549 9
2008 7203 -2 3.85751 -7.715 4
2009 7192 -1 3.85685 -3.8568 1
2010 8243 0 3.91609 0 0
2011 8286 1 3.91834 3.91834 1
2012 8305 2 3.91934 7.83868 4
2013 9298 3 3.96839 11.9052 9
Jumlah 55602 0 27.2862 0.54114 28

Sehingga:
∑ 𝑙𝑜𝑔(𝑌̂) 27,2862
𝑎′ = = = 3,898
𝑛 7
∑ 𝑋. 𝑙𝑜𝑔𝑌 0,54114
𝑏′ = = = 0,0193
∑ 𝑋2 28

Nilai a = 10a’= 103,898 = 7907,43

103
Dan nilai b = 10b’ = 100,0193 = 1,046
Maka persamaan trend eksponensial yang terbentuk adalah:
Y = abX
Y = 7907,43. (1,046)X

9.3 Pemilihan Model Trend Terbaik

Terdapat beberapa model trend pada data time series, namun kita dapat memilih model
trend terbaik yang paling tepat untuk diterapkan pada data/kasus. Berikut prosedur
pemilihan model trend terbaik:
1. Dari sebuah data time series, kita cari persamaan trend untuk semua model
(trend linier, kuadratik, eksponensial)
2. Untuk setiap model, kita hitung nilai 𝑌̂ untuk semua data X yang kita miliki
3. Untuk setiap model trend, kita hitung nilai Jumlah Kuadrat Residual (JKR) =
2
∑(𝑌̂ − 𝑌) untuk semua nilai X
4. Pilih model trend dengan nilai JKR terkecil

Contoh 9.5
Dengan menggunakan data pada Contoh 9.2, carilah model trend terbaik yang paling
tepat diterapkan!

Penyelesaian:
Dari contoh 9.3, 9.4, dan 9.5 telah diperoleh model trend linier, model trend kuadratik
dan eksponensial sebagai berikut:
Model Trend Linier : ̂
Y = 7943,14 + 355,96X
̂ = 7826,602 + 355,96 X + 29,27X 2
Model Trend Kuadratik : Y
Model Trend Eksponensial : Y = 7907,43. (1,046)X
Dari masing-masing model yang terbentuk, dihitung nilai ̂
Y dan JKR nya seperti pada
table:

104
 Banyaknya Linier Kuadratik Eksponensial
Tahun Pengunjung X
̂
𝒀 JKR ̂
𝒀 JKR ̂
𝒀 JKR
(Y)
2007 7075 -3 6875.26 39896.07 7013.15 3825.18 6908.84 27610.22
2008 7203 -2 7231.22 796.37 7227.76 613.16 7226.64 559.00
2009 7192 -1 7587.18 156167.23 7498.91 94194.98 7559.07 134739.53
2010 8243 0 7943.14 89916.02 7826.60 173387.29 7906.79 113039.85
2011 8286 1 8299.10 171.61 8210.83 5650.23 8270.50 240.31
2012 8305 2 8655.06 122542.00 8651.60 120132.95 8650.94 119675.22
2013 9298 3 9011.02 82357.52 9148.91 22227.23 9048.88 62058.60
Jumlah 55602 0 55601.98 491846.82 55577.77 420031.01 55571.66 457922.74

Terlihat bahwa nilai JKR untuk

Model linier = 491846.82
Model kuadratik = 420031.01
Model Eksponensial = 457922.74

Maka model terbaik yang tepat digunakan adalah Model Trend Kuadratik karena
memiliki nilai JKR Terkecil.

Soal Latihan
1. Berikut data mengenai penerimaan pajak di suatu daerah dari tahun 2005-2013
(dalam ratusan miliar)
Tahun Penerimaan Pajak
2005 67
2006 70
2007 79
2008 82
2009 88

105
 2010 92
2011 100
2012 115
2013 125
a) Tentukan persamaan trend linier, kuadratik dan eksponensial dari data tersebut
b) Dengan menggunakan persamaan trend linier, kuadratik dan eksponensial,
hitunglah nilai trend pada tahun 2018
c) Carilah model trend terbaik!

2. Data time series mengenai kredit (dalam puluhan miliar rupiah) yang
diberikan bank adalah sebagai berikut:

Tahun Kredit
2003 0,9
2004 1,2
2005 3,9
2006 6,7
2007 9,2
2008 11,3
2009 14,5
2010 16,5
2011 19,4
2012 20,1

a) Tentukan persamaan trend linier, kuadratik dan eksponensial dari data tersebut
b) Dengan menggunakan persamaan trend linier, kuadratik dan eksponensial,
hitunglah nilai trend pada tahun 2020
c) Carilah model trend terbaik!

106
107
LAMPIRAN 1

108
LAMPIRAN 2

109
LAMPIRAN 3
TABEL F

110
LANJUTAN LAMPIRAN 3

111
112