Bahan Ajar - Statistik Dan Probabilitas - S1 Tsipil - STTR Cepu
Bahan Ajar - Statistik Dan Probabilitas - S1 Tsipil - STTR Cepu
BAHAN AJAR
Pada hari ini Senin tanggal 16 bulan Agustus tahun 2021 Bahan Ajar Mata Kuliah Statistik dan
Probabilitas Program Studi S-1 Teknik Sipil telah diverifikasi oleh Ketua Program Studi Teknik Sipil
Puji syukur kehadirat Allah SWT yang telah melimpahkan rahmatNya sehingga kami dapat
menyelesaikan Bahan Ajar Mata Statistik dan Probabilitas ini. Bahan ajar ini merupakan bagian dari
media bahan ajar yang dimaksudkan untuk meningkatkan pemahaman mahasiswa terhadap materi
perkuliahan yang disampaikan.
Materi bahan ajar terdiri dari dua pokok bahasan : statistika dan probabilitas dan keterkaitan di
antara keduanya. Materi statistika meliputi : jenis-jenis statistik, kegunaan statistik, macam-macam
data, cara analisis dan penyajian data, ukuran pemusatan dan sebaran data, pembahasan populasi dan
sampel, metode dan jenis hipotesa, analisis varian, serta analisis regresi dan korelasi. Sedangkan materi
probabilitas meliputi : definisi peluang dan keterkaitan dengan statistik (distribusi data), jenis-jenis
distribusi peluang, cara analisis distribusi peluang.
Kami menyadari bahwa dalam penyusunan bahan ajar ini masih terdapat banyak kekurangan.
Oleh karena itu, kritik dan saran yang membangun sangat kami harapkan untuk bahan penyempurnaan
di masa mendatang. Semoga bahan ajar ini dapat memberikan manfaat kepada siapapun yang berminat
untuk memperdalam ilmu statistik.
B. Pengetahuan
Mengetahui prinsip-prinsip statistik untuk penelitian
C. Keterampilan Umum
1. Mampu mengimplementasikan atau mengembangkan ilmu yang didapatkan secara logis, sistematis,
dan inovatif
2. Mampu bekerja mandiri, bermutu, dan terukur
3. Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang
keahliannya, berdasarkan hasil analisis informasi dan data
4. Mampu berkomunikasi dengan baik dan benar lisan maupun tertulis
D. Keterampilan Khusus
1. Mempunyai kemampuan menggunakan aplikasi analisis data statistik
2. Mampu menerapkan kaidah statistik dengan benar untuk keperluan tugas dan tugas akhir
Capaian Pembelajaran Mata Kuliah (CPMK)
Mahasiswa mampu memahami, menjelaskan, dan mengaplikasikan konsep-konsep statistik dan
probabilitas dalam tahapan penelitian (pencarian data, penyajian data, analisis data, penarikan
kesimpulan, dan interpretasi) serta dalam pemecahan kasus-kasus dalam bidang teknik sipil.
DAFTAR ISI
PRAKATA .................................................................................................................................. i
TINJAUAN UMUM MATA KULIAH…………………………………………………………………………………...ii
DAFTAR ISI ............................................................................................................................. iii
1. Pengantar Dasar Statistika ............................................................................................... 1
Pengertian Statistika...................................................................................................... 1
Sejarah Statistika ........................................................................................................... 2
Data Statistika ................................................................................................................. 2
Metode Pengumpulan Data ......................................................................................... 5
Skala Pengukuran Variabel ........................................................................................ 13
LATIHAN ............................................................................................................................... 16
2. Distribusi Frekuensi dan Penyajian Data ........................................................................... 17
Penyajian Data ............................................................................................................. 17
Penyajian Data dengan Tabel ...................................................................... 18
Penyajian Data dengan Grafik ..................................................................... 19
Distribusi Frekuensi ..................................................................................................... 21
LATIHAN ............................................................................................................................... 25
3. Ukuran Deskriptif ................................................................................................................ 26
Ukuran pemusatan data ............................................................................................. 26
Ukuran penyebaran Data........................................................................................... 39
Kemiringan Distribusi Data ........................................................................................ 44
Keruncingan Distribusi Data ..................................................................................... 45
Case Study ........................................................................................................................... 49
4. Teori dan Distribusi Peluang ............................................................................................. 50
Teori Probabilitas ......................................................................................................... 50
Definisi Probabilitas ....................................................................................... 50
Probabilitas Peristiwa Sederhana ............................................................... 51
Probabilitas Peristiwa Mutually Exclusif ......................................................... 52
Probabilitas Peristiwa Non-Mutually Exclusif ................................................ 53
Probabilitas Peristiwa Independen .............................................................. 53
Probabilitas Peristiwa Dependen ................................................................ 54
Ruang Sampel ................................................................................................ 55
1
sebuah populasi yang diperoleh dari data sampel. Dengan kata lain, dalam penaksiran parameter, kita
menghitung statistik sampel yang akan digunakan untuk menduga nilai dari parameter populasi.
Sebagai contoh nilai x digunakan untuk menduga nilai µ, atau nilai s digunakan untuk menduga nilai
σ. Penaksiran parameter ini dapat berupa satu nilai (titik) ataupun dalam bentuk interval.
Pengujian hipotesis adalah langkah-langkah yang dilakukan dengan tujuan untuk menguji
kebenaran suatu hipotesis yang merupakan rumusan pernyataan ilmiah sebagai jawaban terhadap
masalah serta masih memerlukan pengujian empiris. Misalkan terdapat pernyataan bahwa rata-rata
masa pakai baterei laptop ASUS adalah 2 tahun. Untuk menguji kebenaran pernyataan tersebut
diperlukan sebuah langkah empiris yang disebut sebagai pengujian hipotesis. Terdapat dua
kemungkinan hasil pengujian hipotesis yaitu menolak atau menerima hipotesis. Menolak hipotesis
artinya bahwa hipotesis tidak benar sedangkan menerima hipotesis artinya tidak cukup bukti untuk
menolak hipotesis.
2
dapat memberikan gambaran tentang suatu keadaan (Webster’s New World Dictionary, dalam
Supranto, 2008). Sementara menurut Sudjana (2005) data statistik adalah semua keterangan atau
ilustari mengenai suatu hal bisa berbentuk kategori, misalnya rusak, baik, senang, puas, berhasil, gagal
dan sebagainya, juga bisa berbentuk bilangan. Rudolf J, Freud (2003) menyebutkan bahwa A set of
data is a collection of observed values representing one or more characteristics of some objects or
units. Dengan demikian, jelas bahwa data adalah kumpulan nilai hasil observasi bisa berupa kategori
maupun bilangan.
Dasar penggunaan data adalah untuk membuat keputusan oleh para decision maker yang dapat
digunakan sebagai dasar suatu perencaan, alat pengendalian dan dasar evaluasi. Sebagai contoh,
Pemerintah, untuk dapat memutuskan tentang kestabilan keadaan sosial dan ekonomi masyarakat,
maka diperlukan gambaran tentang keadaan sosial dan ekonomi negara yang dapat dilihat dari data
mengenai kegiatan ekonomi seperti produksi, perdagangan, konsumsi, pendapatan, harga dan lain-
lain. Contoh lainnya di sebuah perusahaan, untuk dapat mengetahui perkembangan usahanya suatu
perusahaan harus memiliki data mengenai hasil produksi, data hasil penjualan, data personalia, data
keuangan, data peralatan, data mengenai persentase pelanggan yang tidak puas dan lain-lain.
Data dikelompokkan menjadi beberapa jenis menurut sifatnya, menurut sumber, menurut cara
memperolehnya dan menurut waktu pengumpulannya.
Data menurut sifatnya dikelompokkan menjadi dua yaitu data kualitatif dan data kuantitatif. Data
kualitatif adalah data yang dinyatakan dalam bentuk kategori, misalnya sukses-gagal, setuju-tidak
setuju, laki-laki-perempuan, dan sebagainya. Sedangkan data kuantitatif adalah data yang dinyatakan
dalam bentuk angka bisa berupa hasil perhitungan atau hasil pengukuran, misalnya berat badan, tinggi
badan, temperatur udara, banyaknya produk yang terjual.
Data menurut sumbernya dibedakan menjadi dua yaitu data intern dan data eksternal. Data
intern adalah data yang diperoleh atau bersumber dari dalam suatu instansi (lembaga, organisasi),
sedangkan data ekstern adalah data yang diperoleh atau bersumber dari luar instansi (DR. Boediono,
3
2014). Pengusaha mencatat segala aktivitas perusahaannya sendiri, misalnya keadaan pegawai,
pengeluaran, keadaan barang di gudang, hasil penjualan, keadaan produksi pabriknya dan lain-lain
aktivitas yang terjadi di dalam perusahaan itu. Data yang diperoleh demikian merupakan data intern
(Sudjana, 2005). Dalam berbagai situasi, untuk perbandingan, misalnya diperlukan data dari sumber
lain di luar perusahaan tadi. Data demikian merupakan data ekstern (Sudjana, 2005).
Data menurut cara memperolehnya terbagi menjadi dua, yaitu data primer dan data sekunder.
Pada dasarnya data primer dan data sekunder termasuk ke dalam data ekstern (DR. Boediono, 2014).
Data primer adalah data yang langsung dikumpulkan oleh orang yang berkepentingan atau yang
memakai data tersebut, data yang diperoleh melalui wawancara atau kuesioner merupakan contoh
data primer. Sedangkan data sekunder adalah data yang tidak secara langsung dikumpulkan oleh
orang yang berkepentingan dengan data tersebut. Data yang diperoleh dari laporan tahunan
perusahaan untuk keperluan menulis skripsi merupakan contoh data sekunder.
Data menurut waktu pengumpulannya terbagi menjadi dua yaitu data times series dan data
cross section. Data yang dikumpulkan dari waktu ke waktu untuk menggambarkan suatu
perkembangan atau kecenderungan keadaan atau peristiwa atau kegiatan, dimana jarak atau interval
dari waktu ke waktu sama disebut sebagai data times series atau data berkala (DR. Boediono, 2014).
Data time series sering juga disebut sebagai data deret waktu yang merupakan sekumpulan hasil
observasi yang diatur dan didapat menurut urutan kronologis, biasanya dalam interval waktu yang
sama (Sudjana, 2005). Pengertian lain diungkapkan oleh J.Supranto (2008), data berkala adalah data
yang dikumpulkan dari waktu ke waktu untuk menggambarkan perkembangan suatu kegiatan misalnya
perkembangan produksi, harga, hasil penjualan, jumlah personil, penduduk, jumlah kecelakaan, jumlah
kejahatan, jumlah peserta KB dan lain sebagainya. Data berkala juga merupakan suatu rangkaian atau
seri dari nilai-nilai suatu variabel yang dicatat dalam jangka waktu yang berurutan (Atmaja, 2009).
Contoh dari data time series adalah penjualan mingguan sebuah produk di toko, produksi bulanan di
sebuah perusahaan industri atau produksi tahunan bijih besi di Indonesia.Sementara, data cross
section adalah data yang dikumpulkan dalam satu waktu atau dalam titik waktu tertentu. Contohnya
adalah laporan keuangan per 31 Desember 2006 di sebuah perusahaan tertentu, data pelanggan
Telkom pada bulan Mei 2015.
Agar hasil sebuah penelitian yang dilakukan dapat dipercaya maka data yang digunakan
haruslah data yang baik. Sebuah data dikatakan data yang baik jika memenuhi kriteria sebagai berikut :
1. Objektif, artinya data yang digunakan harus sesuai dengan kondisi sebenarnya bukan
merupakan hasil penilaian subjektif dari penelitinya.
4
2. Refresentatif, artinya data yang digunakan harus mewakili semua karakteristik dari elemen-
elemen dalam populasi.
3. Kesalahan sampling kecil artinya tingkat ketelitian lebih besar.
4. Tepat waktu
5. Relevan, artinya data yang digunakan harus sesuai dengan tujuan dari penelitian yang
dilakukan.
5
e) Penelitian bersifat destruktif atau penelitian yang sifatnya merusak, sensus tidak mungkin
dilakukan untuk objek yang sifatnya merusak. Misalnya dalam menguji golongan darah
seseorang, maka tidak mungkin semua darah dikeluarkan untuk diperiksa. Jadi dalam hal ini
sensus, tidak mungkin lagi untuk dilakukan.
f) Faktor ekonomis, yang dimaksud dengan faktor ekonomis adalah kesepadanan antara biaya,
tenaga dan waktu yang dikeluarkan dengan informasi yang akan diperoleh. Apabila nilai dari
informasi tersebut tidak sepadan dengan biaya, tenaga dan waktu, maka sensus menjadi tidak
baik lagi untuk dilakukan.
Dari kedua cara pengumpulan data tersebut, jelas bahwa kita akan selalu bertemu dengan
elemen populasi atau sampel. Rudolf J. Freud (2003) menyebutkan bahwa a population is a data set
representing the entire entity of interest. Sama halnya dengan yang diungkapkan oleh Sudjana (2005)
populasi adalah totalitas semua nilai yang mungkin, baik hasil menghitung maupun pengukuran,
kuantitatif ataupun kualitatif, daripada karakteristik tertentu mengenai sekumpulan objek lengkap dan
jelas. Sementara menurut DR.Boediono (2014) populasi adalah suatu keseluruhan pengamatan atau
obyek yang menjadi perhatian kita. Berdasarkan ketiga definisi tersebut, dapat disimpulkan bahwa
secara umum populasi merupakan keseluruhan objek, baik itu hasil menghitung maupun mengukur
yang dibatasi kriteria tertentu.
Sudah disebutkan sebelumnya bahwa dalam pengumpulan data melalui sampling objek yang
diselidiki (diobservsi atau diteliti) merupakan elemen sampel. Menurut Rudolf J. Freud (2003) a sampel
is a data set consisting of a portion of a population. Normally a sampel is obtained in such a way as to
be representative of the population. Definisi lain disebutkan oleh Sudjana (2005), sampel adalah
sebagian yang diambil dari populasi dengan menggunakan cara-cara tertentu. Sama halnya dengan
yang diungkapkan oleh DR. Boediono (2014) sampel adalah bagian dari populasi yang menjadi
perhatian kita.
Dalam pengumpulan data melalui sampling, yang menjadi persoalan adalah bagaimana cara kita
memilih atau menentukan elemen populasi sebagai elemen sampel. Sebagai contoh, sebuah penelitian
dilakukan untuk mengetahui rata-rata konsumsi BBM/minggu dari kendaraan bermotor roda empat di
Kabupaten Sumedang. Kita akan mengalami kesulitan dalam pengumpulan data jika dilakukan secara
sensus karena membutuhkan waktu, biaya dan tenaga yang cukup besar. Untuk mengurangi resiko
tersebut maka sampling akan lebih baik digunakan untuk penelitian tersebut. Misalnya berdasarkan
informasi dari Dinas Perhubungan Kabupaten Sumedang, diketahui bahwa banyaknya kendaraan
bermotor roda 4 di Kabupaten Sumedang adalah 1500 kendaraan, kemudian berdasarkan perhitungan
6
penentuan ukuran sampel, banyaknya kendaraan bermotor yang harus diobservasi menjadi elemen
sampel adalah 500 kendaraan. Untuk dapat memilih 500 kendaraan roda empat dari 1500 kendaraan
roda empat yang ada diperlukan sebuah teknik sampel. Proses pengambilan sebagian anggota
populasi untuk mendapatkan sampel disebut sebagai sampling.
Sampling terbagi menjadi dua yaitu non-probability sampling dan probability sampling. Sebuah
proses pengambilan sebagian anggota populasi dimana masing-masing elemen populasi tidak memiliki
kesempatan/peluang sama untuk terpilih sebagai elemen sampel disebut sebagai non-probability
sampling. Sebaliknya sebuah proses pengambilan sebagian anggota populasi dimana masing-masing
elemen populasi memiliki kesempatan/peluang yang sama untuk dijadikan sebagai elemen sampel
disebut sebagai probability sampling.
Perbedaan antara non-probability sampling dan probability sampling adalah non-probability
sampling tidak melibatkan pemilihan secara acak sedangkan probabiliy sampling melibatkan pemilihan
secara acak. Berbeda dengan probability sampling yang dapat diketahui peluang atau kemungkinan
bahwa sampel telah mewakili populasi dengan baik sehingga dapat diperkirakan interval konfidensi
untuk statistik, non-probability sampling justru tidak dapat diketahui berapa besarnya peluang untuk
kemungkinannya untuk mewakili populasi dengan baik, sehingga akan sulit untuk mengetahui
seberapa baik penelitian yang kita lakukan. Non-probability sampling tidak dapat digunakan untuk
mengambil kesimpulan dari sampel untuk keseluruhan populasi. Setiap generalisasi yang diperoleh
dari non-probability sampling harus disaring melalui satu pengetahuan tentang topik kajian dalam
penelitian yang dilakukan.
Secara umum, peneliti cenderung lebih menyukai probability sampling yang melibatkan
pemilihan secara acak dibandingkan dengan non-probability sampling, dengan pertimbangan bahwa
probability sampling lebih akurat dan robust. Namun, dalam penelitian sosial mungkin ada situasi yang
tidak layak, praktis atau secara teoritis tidak masuk akal untuk melakukan sampel acak, maka
dipertimbangkan berbagai alternatif non-probability sampling.
Terdapat beberapa teknik sampling dalam non-probability sampling diantaranya :
1. Accidental sampling
Accidental sampling memiliki nama lain yaitu haphazard sampling, sampling seadanya atau
sampling kenyamanan. Sampling ini adalah sampling dimana satuan sampling diperoleh secara
sembarangan atau seketemunya sehingga tidak dapat dibuktikkan bahwa sampel yang telah
diambil adalah wakil dari populasi. Sebagai contoh, wawancara yang sering dilakukan oleh
program televisi untuk mendapatkan berita yang cepat walaupun tidak representatif, membaca
opini publik, penggunaan mahasiswa dalam banyak penelitian psikologis adalah terutama untuk
7
kenyamanan (psikolog tidak yakin bahwa mahasiswa dapat mewakili penduduk yang besar),
penelitian pada bidang Arkeolog dan Sejarah.
2. Purposive sampling
Purposive sampling disebut juga sebagai sampling sengaja atau sampling tetap. Sampling ini
adalah sampling dimana pemilihan sampel berdasarkan sampel yang sesuai dengan kajian yang
akan diteliti. Hal ini digunakan terutama bila ada beberapa orang yang memiliki keahlian di
daerah penelitian. Dengan purposive sampling, ada kemungkinan untuk mendapatkan pendapat
dari target populasi tetapi cenderung juga pada subgoups secara berlebihan dalam populasi
yang lebih mudah diakses.
Sedangkan dalam probability sampling terdapat 4 teknik sampling yaitu simple random sampling,
systematic sampling, stratified random sampling dan cluster sampling.
1) Simple random sampling
Simple random sampling atau sering juga disebut sebagai sampling acak sederhana merupakan
bentuk yang paling dasar dari probability sampling. Simple random sampling merupakan suatu proses
memilih satuan sampling dari populasi sedemikian rupa sehingga setiap satuan sampling dalam
populasi mempunyai peluang yang sama besar untuk terpilih ke dalam sampel dan peluang itu
diketahui sebelum pemilihan dilakukan.
Teknik pengambilan sampling acak sederhana (simple random sampling) adalah pengambilan
sampel sebanyak n sedemikian rupa sehingga setiap unit dalam populasi mempunyai kesempatan
yang sama untuk terambil dan setiap ukuran sampel n juga mempunyai kesempatan yang sama untuk
terambil (DR. Boediono, 2014).
Salah satu cara sederhana untuk mendapatkan sampel acak adalah sebagai berikut, misalkan
sebuah populasi berisikan 100 anggota misalnya pegawai, rumah, keluarga, toko, industri, kotakan
sawah, mobil, radio, makanan dalam kaleng dan sebagainya. Dari populasi ini akan diambil sebuah
sampel acak terdiri atas 30 anggota. Tiap anggota dalam populasi kita beri nomo 1, 2, ..., 100 untuk
anggota terakhir. Tuliskan nomor-nomor ini masing-masing pada secarik kertas yang berukuran dan
beridentitas, lalu gulung. Setelah diaduk dengan baik, seseorang yang matanya tertutup mengambil
satu-satu sampai 30 kali. Nomor-nomor yang tertulis pada kertas yang terambil akan memberikan
sampel acak terdiri atas 30 anggota dari populasi yang diberikan (Sudjana, 2005).
Cara yang lebih bersifat ilmiah untuk mendapatkan sebuah sampel acak yaitu menggunakan
daftar bilangan acak atau menggunakan kalkulator. Proses sampling acak sederhana digunakan
apabila memenuhi beberapa kondisi sebagai berikut :
8
• Variabel yang akan diteliti keadaannya relatif homogen dan tersebar merata di seluruh populasi
• Apabila disusun secara lengkap kerangka sampling (daftar tiap anggota dalam populasi) yang
menyangkut setiap satuan pengamatan yang ada dalam populasi.
9
Apabila target populasi telah ditentukan secara tegas dan dari populasi ini akan disusun
sebuah sampel acak sederhana, maka selanjutnya harus dilakukan proses pemilihan dari
anggota sampelnya melaui tabel acak atau dengan angka acak dalam kalkulator.
2) Systematic sampling
Sebuah sampel yang diperoleh dari penyeleksian satu unsur secara acak dari k unsur yang
pertama dalam sebuah kerangka sampling dan setiap unsur ke-k kemudian disebut satu dalam k
sampel sistematik. Jadi, suatu proses memilih dikatakan sampling sistematik apabila dalam pemilihan
itu dilakukan pemilihan sistematik setelah terpilih bilangan acak dengan syarat bahwa peluang
terpilihnya 1/N.
Sampling sistematik digunakan apabila bisa disusun kerangka sampling lengkap dan keadaan
variabel yang sedang diteliti relatif homogen dan tersebar merata di seluruh populasi. Sampling
sistematik memberikan sebuah alternatif yang berguna dari sampling acak sederhana untuk alasan
sebagai berikut :
• Sampling sistematik lebih mudah untuk dilakuan dan oleh sebab itu lebih sedikit subjek yang
melakukan kesalahan wawancara daripada sampling acak sederhana.
• Sampling sistematik sering memberikan informasi yang lebih banyak mengenai biaya per
unit/satuan daripada yang diberikan sampling acak sederhana.
Pada umunya sampling sistematik merupakan penyeleksian secara acak pada suatu unsur dari k
unsur yang pertama dan kemudian penyeleksian pada setiap unsur k sesudahnya. Prosedur ini lebih
mudah dibentuk dan biasanya akan meminimalisisr kesalahan yang mungkin dilakukan oleh
pewawancara daripada proses sampling acak sederhana. Sebagai contoh, akan menjadi lebih sulit
apabila menggunakan sampling acak sederhana untuk menyeleksi n=50 pembeli pada sebuah Mall.
Pewawancara tidak menentukan pembeli-pemblei mana yang termasuk dalam sampelnya, karena ia
tidaak memiliki kerangka sampling serta tidak mengetahui ukuran populasi N. Sebagai solusinya, ia
dapat mengambil sampel secara sistematik, katakanlah 1 dari 20 pembeli, hingga persyaratan
sampelnya bisa didapatkan. Ini akan menjadi sebuah prosedur yang mudah bahkan untuk
pewawancara yang tidak berpengalaman sekalipun dapat melakukannya.
10
sampel walaupun dilakukan secara acak, kebanyakan atau hanyalah mereka yang tergolong
berpengahasilan rendah saja. Bila rata-rata pendapatan dihitung dari sampel ini, maka rata-rata tadi
akan merupakan taksiran/dugaan yang rendah (under estimate). Dengan demikian sampling acak
sederhana akan memberikan presisi atau kekonsistenan (keseragaman) dari nilai penaksir yang
rendah. Oleh karena itu diperlukan sebuah metode sampling lain yang dapat menghasilkan presisi
yang lebih tinggi.
Agar diperoleh presisi yang tinggi, sampel yang terambil haruslah sampel yang di dalamnya berisi
masyarakat dari semua golongan pendapatan (tinggi, menengah dan rendah). Sampel seperti ini
diperoleh melalui stratified random sampling atau sampling acak stratifikasi.
Dalam sampling acak stratifikasi, populasi N dibagi ke dalam beberapa kelompok sedemikian
sehingga setiap kelompok mempunyai karakteristik yang homogen. Kelompok-kelompok semacam ini
disebut sebagai strata (tunggalnya stratum) dan dalam masing-masing stratum sampel diambli secara
acak, yaitu melalui sampling acak sederhana.
Dalam contoh, populasi dibagi dalam tiga strata, stratum pertama adalah masyarakat yang
tergolong berpenghasilan tinggi, stratum kedua yang berpenghasilan menengah dan stratum ketiga
masyarakat yang berpenghasilan rendah.
Langkah-langkah pemilihan sampel dalam stratified random sampling adalah sebagai berikut :
• Tentukan populasi sasaran dan tentukan populasi keseluruhan (N)
• Berdasarkan kriteria tertentu, populasi dibagi ke dalam L buah strata
• Untuk setiap strata lakukan pendaftaran satuan sampling sehingga untuk setiap strata
diperoleh kerangka sampling masing-masing dengan ukuran strata masing-masing.
• Dari populasi tersebut kemudian ditentukan ukuran sampel N yang disebut overall sample size.
Menentukan ukuran sampel n tentu saja harus berdasarkan kriteria tertentu.
• Ukuran-ukuran sampel sebesar n selanjutnya dialokasikan (disebarkan) ke seluruh strata yang
kemudian disebut alokasi sampel (sample allocation).
Stratum I : n1
Stratum II : n2
L
Stratum III : n3 sedemikian rupa sehingga n= ni
M i =1
Stratum L : nL
• Dari setiap stratum kemudian dipilih satuan sampling melalui teknik sampel acak sederhana.
11
Sebagai combaran pembagntoh, di bawah ini diberikan gambaran populasi menjadi tiga biah
stratum yang kemudian dilakukan proses stratified random sampling.
N1 N2 N3 n1 n2 n3
N=N1+N2+N3 n=n1+n2+n3
4) Cluster sampling
Andaikan seorang peneliti ingin mengetahui rata-rata pendapatan kepala kelurga di sebuah kota
besar. Apabila sampling acak sederhana atau sampling acak stratifikasi digunakan, maka peneliti harus
mempunyai kerangka sampling yang berisikan daftar keluarga di kota tersebut. daftar keseluruhan
nama kelurga di kota yang besar pasti akan sulit diperoleh, kalaupun ada dan sampling acak
sederhana dilakukan maka sampel masyarakat yang terambil bisa tersebar ke semua penjuru kota,
dan ini akan melibatkan biaya pengambilan sampel yang tinggi. Daftar yang mungkin bisa diperoleh
adalah daftar nama-nama kelurahan di kota tersebut. Kelurahan adalah kumpulan kepala keluarga.
Oleh karena itu kelurahan dipandang sebagai klaster.
Proses pengambilan sampling klaster dilakukan dengan memperhatikan kerangka sampling yang
berisikan dafatar klaster. Dalam contoh di atas daftar nama kelurahan. Pengambilan sampel kemudian
dilakukan dengan mengambil secara acak klaster-klaster. Unit sampling yang berisikan klaster-klaster
dinamakan unit sampling utama (USU). Apabila semua unit observasi dalam USU menjadi anggota
sampel maka proses pengambilan sampel dilakukan dengan sampling klaster satu tahap. Namun
apabila USU dibagi lagi ke dalam unit yang lebih kecil, misalnya kelurahan dibagi lagi ke dalam rukun-
rukun warga (RW) maka rukun warga disebut unit sampling ke dua (USD). Apabilasemua unit
observasi dalam USD menjadi anggota sampel, maka proses pengambilan sampel dilakukan dengan
sampling klaster dua tahap.
Langkah-langkah pemilihan sampel dalam sampling klaster adalah sebagai berikut :
• Populasi dibagi-bagi ke dalam N buah klaster atau unit sampling utama. Keadaan variabel yang
diteliti dalam setiap klaster diusahakan heterogen artinya tidak seragam.
• Gunakan sampling acak sederhana untuk memilih n buah klaster
• Pemilihan hanya dilakukan sekali yaitu memilih klaster, oleh karena itu semua unit sampling
kedua yang ada dalam klaster yang terpilih diperiksa.
12
Hal lain yang perlu dilakukan dalam sebuah pengumpulan data adalah menentukan alat
pengumpulan datanya. Terdapat beberapa macam alat pengumpulan data, sebagai berikut “
1. Kuesioner
2. Wawancara
3. Observasi langsung atau pengamatan langsung
4. Melalui pos, telepon atau alat komunikasi lainnya
5. Alat ukur seperti meterean, timbangan, termometer, dll.
Setelah data terkumpul, maka selanjutnya hal yang perlu dilakukan dalam sebuah penelitian
adalah mengolah data tersebut. Tujuan dari pengolahan data adalah untuk mendapatkan data statistik
misalnya total, rata-rata, persentase, angka indeks, simpangan baku, koefisien korelasi, koefisien
regresi, dll., yang dapat digunakan untuk melihat atau menjawab persoalan secara kelompok, bukan
satu per satu secara individu. Metode pengolahan data bisa dilakukan secara manual atau
menggunakan elektronik (kalkulator, komputer)
Contoh lain, variabel jawaban responden pada sebuah item pertanyaan dapat dikategorikan sebagai
berikut :
13
Angka (1) untuk jawaban “ya”
Sebagai contoh, variabel jawaban responden pada sebuah item pertanyaan dapat dikategorikan
sebagai berikut :
14
Sebagai contoh, variabel yang menunjukkan temperatur Celcius 100,...,0 dimana 0 ºC≠0ºF
Sebagai contoh variabel yang menunjukkan usia, berat badan, tinggi badan, jumlah produk yang
terjual, dkk.
15
LATIHAN
16
Bab 2. Distribusi Frekuensi & Penyajian Data
Penyajian Data
Tabel Distribusi
Bar Chart Ukuran Sentral
Frekuensi
Penyajian data melalui sebuah tabel dan grafik, saling berkaitan. Hal ini dikarenakan, pada
dasarnya sebeluat dibuat grafik terlebih dahulu dibuat tabel. Penyajian data melalui grafik dikatakan
17
lebih komunikatif karena dalam waktu singkat seseorang dapat dengan mudah memperoleh gambaran
dan kesimpulan mengenai suatu keadaan. Dengan membaca data pada tabel dan grafik, para
eksekutif akan dengan cepat dan mudah mengetahui situasi dan kondisi perusahaannya, sehingga
dapat diambil tindakan-tindakan atau kebijakan-kebijakan yang tepat.
2.1.1. Penyajian Data dengan Tabel
Tabel atau daftar merupakan kumpulan angka yang disusun menurut kategori-kategori atau
karakteristik-karakteristik data sehingga memudahkan analisis (DR. Boediono, 2014). Misalnya,
jumlah penduduk menurut jenis kelamin, jumlah kendaraan menurut umur, mesin dan ukuran
kendaraan. Terdapat tiga jenis tabel yang bisa digunakan untuk menyajikan data yaitu tabel satu
arah, tabel dua arah dan tabel tiga arah. Untuk lebih jelasnya, perhatikan contoh tabel-tabel berikut.
Tabel 2.1. Tabel Satu Arah
Rata-Rata Banyaknya Anggota Rumah Tangga yang pernah yang pernah
mengakses Internet dalam Tiga Bulan Terakhir Tahun 2014
PROVINSI RATA-RATA
DKI JAKARTA 1.98
JAWA BARAT 1.70
JAWA TENGAH 1.52
DI YOGYAKARTA 1.63
JAWA TIMUR 1.53
BANTEN 1.84
Sumber : https://www.bps.go.id/linkTableDinamis/view/id/989
18
Tabel 2.3. Tabel Tiga Arah
Rata-Rata Persentase Waktu Penyiaran dalam Seminggu Menurut Jenis
Program/Acara dan Jenis Kegiatan, 2012-2013
1,5
0,5 RATA-RATA
19
Grafik2.2. Grafik Batang (Bar Chart)
Rata-Rata Banyaknya Anggota Rumah Tangga yang pernah
yang pernah mengakses Internet dalam Tiga Bulan Terakhir
Tahun 2014
2,5
2
1,5
1
0,5
0 RATA-RATA
DKI JAKARTA
Grafik2.4.Scatter Plot
20
Grafik2.5. Steam and Leaf Diagram
Grafik2.6. Box-Plot
21
Tinggi Badan Frekuensi
151-153 3
154-156 7
157-159 12
160-162 18
163-165 2
166-168 17
169-171 11
172-174 5
Dari tabel frekuensi di atas, kita dapat dengan mudah memperoleh informasi mengenai
kebanyakan tinggi badan mahasiswa di perguruan tinggi tersebut berada pada rentang 160-162 cm,
atau terdapat 18 orang yang memiliki tinggi badan pada rentang 160-162 cm. Dalam statistika, rentang
nilai tinggi badan tersebut disebut sebagai kelas modus.
Untuk dapat menyajikan sebuah data (data mentah) menjadi sebuah distribusi frekuensi atau
tabel frekuensi, berikut adalah langkah-langkahnya :
1. Susun data mentah dari nilai terendah ke nilai tertinggi
2. Hitunglah nilai range
3. Tentukan jumlah kelas
4. Tentukan interval kelas
5. Bentuk kelas-kelas distribusi frekuensi
6. Memasukkan nilai-nilai observasi ke dalam kelas-kelas yang sesuai
7. Menghitung mid point, tepi kelas dan frekuensi kumulatif.
Perhatikan contoh berikut, dengan menggunakan data skor TOEFL dari 20 orang staf pada sub
bab sebelumnya, kita akan membuat tabel distribusi frekuensi dengan langkah seperti yang sudah
disebutkan sebelumnya.
1. Urutkan nilai data dari nilai terkecil ke nilai tertinggi
402 ; 435 ; 444 ; 456 ; 457 ; 467 ; 469 ; 480 ; 480; 489 ; 490; 500 ; 520 ; 523 ; 525 ; 560 ; 567 ; 570
; 575 ; 600
2. Hitung nilai range
Range (r) = Nilai tertinggi – nilai terendah
Range (r) = 600 – 402 = 198
22
3. Hitung jumlah kelas
Jumlah kelas (k) = 1 + 3,322 log n
Jumlah kelas (k) = 1 + 3,322 log (20) = 5,322 ~ 6
4. Hitung Interval Kelas (Ci)
r 198
Ci = = = 37, 2 : 37
k 5, 322
5. Membentuk kelas-kelas distribusi frekuensi
Untuk membentuk kelas-kelas interval pilih ujung bawah kelas interval pertama dengan
mengambil nilai data terendah atau nilai data yang lebih kecil dari data terendah tetapi selisihnya
harus kurang dari interval kelas yang ditentukan.
Data terkecil = 402
Ujung bawah kelas interval yang dipilih = 400
6. Bentuk kelas-kelas interval
7. Memasukkan nilai-nilai observasi ke dalam kelas-kelas yang sesuai serta menghitung mid point,
tepi kelas dan frekuensi kumulatif.
No Kelas Frekuensi
Tepi Kelas Batas Kelas Frekuensi X fk< fk>
Kelas Interval Relatif
399.5
1 400 - 436 436.5 399.5-436.5 2 418 <400 0 ≥400 20 10%
2 437- 473 473.5 436.5-473.5 5 455 <437 2 ≥437 18 25%
3 474 - 510 510.5 473.5-510.5 5 492 <474 7 ≥474 13 25%
4 511- 547 547.5 510.5-547.5 3 529 <511 12 ≥511 8 15%
5 548- 584 584.5 547.5-584.5 4 566 <548 15 ≥548 5 20%
6 585 - 621 621.5 584.5-621.5 1 603 <585 19 ≥585 1 5%
<622 20 ≥622 0
23
6
5 5
5
4
4
3
3
Series1
2
2
1
1
0
400 - 436 437- 473 474 - 510 511- 547 548- 584 585 - 621
25
20 20
19
15 15
12 Series1
10
7
5
2
0 0
<400 <437 <474 <511 <548 <585 <622
25
20 20
18
15
13
Series1
10
8
5 5
1
0 0
≥400 ≥437 ≥474 ≥511 ≥548 ≥585 ≥622
24
LATIHAN
1. Mengapa data yang diperoleh melalui sensus ataupun sampling perlu disajikan dengan memakai
tabel dan grafik? Jelaskan!
2. Mengapa penyajian data dengan grafik lebih baik dibandingkan dengan tabel?
3. Sebutkan beberapa cara untuk menyajikan data dengan tabel?
4. Sebutkan beberapa cara untuk menyajikan data dengan grafik?
5. Berikan beberapa contoh tabel satu arah, dua arah dan tiga arah untuk menggambarkan suatu
karakteristik tertentu!
6. Data berikut merupakan hasil penjualan sebuah produk di 45 Toko :
96 139 112 118 94 93 142 135
136 127 88 94 132 125 119 117
107 111 143 148 127 125 125 120
11795 155 104 103 97 113 155
106 113 156 96 103 139 124 120
108 112 134 138 89
Buatlah Tabel Distribusi frekuensi dan grafiknya.
25
Bab 3. Ukuran Deskriptif
Misalkan, nilai-nilai data kuantitatif dinyatakan sebagai x1,x2,x3,..,xn, apabila dalam kumpulan
data itu terdapat n buah nilai, maka rata-rata yang dinotasikan sebagai x didefinisikan menjadi :
x i
x= i =1
(3.2)
n
Perhatikan contoh berikut, misalkan nilai ujian statistika dari sebagian mahasiswa dalam sebuah kelas
adalah 70,75,60,65, 80 maka nilai rata-rata nya adalah :
70 + 75 + 60 + 65 + 80
x= = 70
5
Bila sebuah data dimana masing-masing nilai data mengulang dengan frekuensi tertentu,
katakanlah nilai x1 ada sebanyak f1, x2 ada sebanyak f2, ...., dan xn ada sebanyak fn, maka nilai rata-
rata nya didefinisikan sebagai :
26
n
fx i i
x= i =1
n
(3.3)
f
i =1
i
Misalkan pada suatu ujian Bahasa Inggris, ada 3 mahasiswa mendapat nilai 60, 5 mahasiswa
mendapat nilai 65, 4 mahasiswa mendapat nilai 80, 1 mahasiswa mendapat nilai 50 dan 2 mahasiswa
mendapat nilai 95. Maka nilai rata-ratanya adalah :
x=
( 3 60 ) + ( 5 65) + ( 4 80 ) + (1 50 ) + ( 2 95 ) = 1065 = 71
3 + 5 + 4 +1+ 2 15
Untuk data yang disusun dalam tabel distribusi frekuensi, rata-rata dapat dihitung melalui dua
cara yaitu menggunakan persamaan (3.3) dimana xi merupakan nilai tengah kelas ke-i atau dengan
menggunakan koding sebagai berikut :
n
fi ui
x = x0 + c i =1n (3.4)
fi
i =1
dengan : x0 : nilai tengah kelas (paling tengah) yang berhimpit dengan nilai u=0
c : lebar kelas
u : kode kelas
• Untuk kelas (paling tengah) yaitu x0 nilai u yang diberikan adalah nol (0)
• Kode kelas yang lebih kecil dari kelas x0 bernilai negatif yaitu -1, -2, -3, dst.
• Kode kelas yang lebih besar dari kelas x0 bernilai positif yaitu 1, 2, 3, dst.
Perhatikan contoh berikut, misalkan modal (dalam jutaan rupiah) dari 40 perusahaan disajikan dalam
tabel distribusi frekuensi berikut :
27
Modal Frekuensi (fi) Nilai Tengah (xi) fixi
139-147 12 143 1716
148-156 5 152 760
157-165 4 161 644
166-174 2 170 340
7 7
f
i =1
i = 40 fx
i =1
i i = 5621
fx i i
5621
x= i =1
7
= = 140,525
40
f
i =1
i
Modal Frekuensi (fi) Nilai Tengah (xi) Kode Kelas (ui) f iui
112-120 4 116 -3 -12
121-129 5 125 -2 -10
130-138 8 134 -1 -8
139-147 12 143 0 0
148-156 5 152 1 5
157-165 4 161 2 8
166-174 2 170 3 6
7 7
i =1
fi = 40 fu
i =1
i i = −11
−11
x = 143 + 9 = 143 − 2, 475 = 140, 525
40
Selain dalam bentuk frekuensi, nilai-nilai data dari data kuantitatif masing-masing mempunyai
bobot atau timbangan. Katakanlah nilai x1 mempunyai bobot w1, x2 mempunyai bobot w2, ...., dan xn
mempunyai bobot wn, maka nilai rata-rata nya didefinisikan sebagai :
28
n
wx i i
x= i =1
n
(3.5)
w
i =1
i
Misalkan, pada akhir semester untuk mata kuliah Riset Operasional diketahui bahwa siswa bernama
Amir mempunyai nilai terstruktur dengan rincian UAS adalah 65, UTS adalah 70, dan nilai tugas adalah
85. Pihak Universitas menentukan bahwa bobot nilai untuk UAS adalah 3, bobot UTS adalah 2 dan
bobot nilai tugas adalah 1. Berdasarkan bobot masing-masing nilai tersebut maka rata-rata nilai akhir
semester yang diperoleh oleh Amir adalah sebagai berikut :
w x ( 3 65 ) + ( 2 70 ) + (1 85 ) 420
i i
x= =
i =1
= = 70
3
3 + 2 +1 6
w i =1
i
Pada dasarnya, perhitungan rata-rata melalui persamaan (3.3) dan (3.5) adalah sama. Perbedaan dari
kedua persamaan terletak pada frekuensi dan bobot. Perhatikan contoh kedua berikut, andaikan
terdapat 300 orang pegawai, 800 orang masing-masing berupah Rp. 5.260,- per bulan, 1000 orang
masing-masing berupah Rp. 5.475,- per bulan dan sisanya masing-masing berupah Rp. 5.778,- per
bulan. Upah rata-rata ke-3000 pegawai berikut :
3.1.2. Median
Median adalah nilai yang terletak di tengah suatu data yang telah diurutkan dari nilai terkecil
hingga terbesar. The median of a set values is defined to be the middle value when the measurements
are arranged from lowest to highest, that is, 50% of the measurement lie above it and 50% fall below it
(Rudolf, J.F.,2003). Sejalan dengan yang diungkapkan Rudolf, menurut DR.Boediono (2014) median
adalah nilai yang paling tengah untuk data ganjil atau rata-rata dari dua nilai tengah jika banyaknya
data genap. Sehingga median yang dinotasikan sebagai Med dapat didefinisikan sebagai :
X n +1 , untuk data ganjil
2
Med = X n + X n + 2 (3.6)
2 2
, untuk data genap
2
29
Perhatikan contoh berikut, median dari data : 3,4,4,5,6,8,8,9,10 adalah :
X n +1 = X 9+1 = X 5
2 2
Untuk data yang dinyatakan dalam bentuk tabel distribusi frekuensi, mediannya dihitung
menggunakan persamaan berikut :
n
−F
Med = L0 + c 2 (3.7)
f
Med = Median
L0 = Batas bawah kelas median
c = Lebar kelas
n = Banyaknya data
F = Jumlah frekuensi semua kelas sebelum kelas yang mengandung median
f = Frekuensi Kelas median
30
Modal Frekuensi (fi)
157-165 4
166-174 2
Terlebih dahulu tentukan kelas interval dimana mediannya terletak. Dari tabel di atas, dapat dilihat
bahwa median terletak pada :
X n + X n+2 X 40 + X 40+ 2
X 20 + X 21
2 2
= 2 2
=
2 2 2
Artinya, median adalah nilai rata-rata dari data ke 20 dan 21 yang terletak pada kelas interval 139-147.
Sehingga diperoleh bahwa :
L0 = 138,5
c =9
n = 40
F = 4+4+8=17
f = 12
Maka :
40
2 − 17
Med = 138, 5 + 9 = 140, 75
12
3.1.3. Modus
Untuk menyatakan gejala yang paling sering terjadi atau paling banyak muncul dipakai ukuran
pemusatan data yang disebut modus. Untuk data kuantitatif, modul adalah nilai data yang paling
banyak muncul atau nilai data yang mempunyai frekuensi paling tinggi. Suatu kelompok data mungkin
mempunyai modus atau mungkin juga tidak mempunyai modus. Dengan kata lain, modus suatu data
tidak selalu ada. Bila suatu data mempunyai modus, maka modusnya bisa lebih dari satu atau
modusnya tidak tunggal.
Untuk data kuantitatif yang disusun dalam bentuk tabel distribusi frekuensi, modusnya
diperoleh menggunakan persamaan berikut :
b1
Mod = L0 + c (3.8)
b1 + b2
31
Mod = Modus
L0 = Batas bawah kelas modus
c = Lebar kelas
b1 = selisih antara frekuensi kelas modus dengan frekuensi tepat satu kelas sebelum kelas modus
b2 = selisih antara frekuensi kelas modus dengan frekuensi tepat satu kelas sesudah kelas modus
Terlebih dahulu tentukan kelas interval dimana modusnya terletak. Dari tabel di atas, dapat dilihat
bahwa median terletak pada kelas interval 139-147. Sehingga diperoleh bahwa :
L 0 = 138,5
c =9
b1 = 12-8=4
b2 = 12-5=7
4
Maka Mod = 138, 5 + 9 = 138, 5 + 3, 27 = 141, 77
4+7
Berikut adalah kelebihan dan kekurangan dari mean, median dan modus :
32
Probabilitas dan Statistika 2019
populasi
Sementara hubungan antara ketiga ukuran pemusatan data tersebut didefinisikan sebagai
berikut :
X − Mo = 3 ( X − Med ) (3.9)
Perhatikan contoh berikut adalah data banyaknya penabung (nasabah) di sebuah Bank :
1980 1000
1981 2000 2x
Berdasarkan data yang disajikan pada tabel di atas, Bank tersebut ingin mengetahui rata-rata rasio
pertambahan banyaknya penabung (nasabah) sebagai berikut :
G = 2 2 10 = 4, 47
Artinya, rata-rata rasio pertambhan penabung (nasabah) pada Bank tersebut adalah 4,47 atau 4-5
orang per tahun.
Rata-rata ukur juga dapat dihitung melalui persamaan berikut :
n n
log xi fi log xi
G = Anti log i =1 atau G = Anti log i =1
n n
33
3.1.5. Rata-Rata Harmonis
Rata-rata harmonis merupakan rata-rata yang digunakan jika suatu kelompok data mempunyai
ciri-ciri tertentu yang merupakan bilangan pecahan atau bilangan desimal. Rata-rata harmonis
didefinisikan sebagai :
n
n
f i
RH = n atau RH = i =1
1 n
fi
i =1 xi
x
i =1 i
3.1.6. Kuartil
Nilai kuartil adalah nilai yang membagi nilai observasi suatu data yang telah diurukan dari nilai
terendah sampai nilai tertinggi menjadi empat bagian :
Berdasarkan gambar di atas, jelas bahwa dalam membagi sebuah data menjadi 4 buah bagian sama
akan terdapat 3 kuartil (Q ). Kuartil 1 (Q1) adalah bilangan sehingga 25% dari data lebih kecil atau
sama dengan bilangan itu sendiri. Kuartil 2 (Q2) adalah bilangan yang sama dengan median, yaitu
bilangan yang membagi data menjadi 2 bagian yang sama sehingga 50% data berada di atas bilangan
tersebut dan 50% lainnya berada di bawahnya. Sementara kuartil 3 (Q3) adalah bilangan sehingga 75%
dari data lebih kecil atau sama dengan bilangan tersebut. Kuartil ke-i dari sebuah data didefinisikan
sebagai :
i ( n + 1)
Qi = Nilai yang ke- ; i=1,2,3
4
Perhatikan data upah bulanan karyawan (dalam ribuan rupiah) berikut :
34
40, 30, 50, 65, 45, 55, 70, 60, 80, 35, 85, 95, 100
Untuk dapat mencari nilai-nilai kuartil dari data tersebut, terlebih dahulu data diurutkan dari nilai
terendah sampai dengan nilai tertinggi sebagai berikut :
30, 35, 40, 45, 50, 55, 60, 65, 75, 80, 85, 95, 100
Maka nilai kuartil-kuartilnya adalah :
1 (13 + 1) 14
Q1 = Nilai yang ke- = Nilai yang ke-
4 4
1
= Nilai yang ke- 3
2
Nilai yang ke- 3 + Nilai yang ke- 4
=
2
40 + 45
=
2
= 42, 5
2 (13 + 1) 28
Q2 = Nilai yang ke- = Nilai yang ke-
4 4
= Nilai yang ke- 7
= 60
3 (13 + 1) 42
Q3 = Nilai yang ke- = Nilai yang ke-
4 4
1
= Nilai yang ke- 10
2
Nilai yang ke- 10 + Nilai yang ke- 11
=
2
80 + 85
=
2
= 82, 5
Nilai kuartil untuk data berkelompok atau data yang disajikan dalam bentuk distribusi frekuensi
diperoleh melalui persamaan berikut :
in
4 −F
Qi = L0 + c ; i=1,2,3
f
L0 = batas bawah kelas kuartil
c = lebar kelas
F = jumlah frekuensi semua kelas sebelum kelas kuartil ke-i
f = frekuensi kelas kuartil ke=i
35
Sebagai contoh, berikut adalah data modal :
Q1 adalah bilangan yang membagi data menjadi 25% ke bawah dan 75% ke atas, sehingga dengan
n=40 Q1 terletak pada kelas 130-138, maka :
L 0 = 129,5
c =9
F = 4+5=9
f =8
1 40
4 −9 10 − 9
Q1 = 129, 5 + 9 =129,5+9 = 130, 625
8 8
Q2 adalah bilangan yang membagi data menjadi 50% ke bawah dan 50% ke atas, sehingga dengan
n=40 Q2 terletak pada kelas 139-147, maka :
L0 = 138,5
c =9
F = 4+5+8=17
f = 12
2 40
4 − 17 20 − 17
Q2 = 138, 5 + 9 =138,5+9 = 140, 75
12 12
Q3 adalah bilangan yang membagi data menjadi 75% ke bawah dan 25% ke atas, sehingga dengan
n=40 Q3 terletak pada kelas 148-156, maka :
L0 = 147,5
c =9
F = 4+5+8+12=29
f =5
36
3 40
4 − 29 30 − 29
Q3 = 147, 5 + 9 =147,5+9 = 149, 3
5 5
3.1.7. Desil
Nilai desil adalah nilai-nilai yang membagi nilai observasi suatu data yang telah diurutkan
menjadi 10 bagian yang sama :
i ( n + 1)
Di = Nilai yang ke- ; i=1,2,3,...,9
10
Sebagai contoh, gunakan data yang sama pada perhitungan kuartil, yaitu data upah pegawai yang
telah diurutkan sebagai berikut :
30, 35, 40, 45, 50, 55, 60, 65, 75, 80, 85, 95, 100
Nilai Desil ke-3 dari data tersebut adalah :
3 (13 + 1) 42
D3 = Nilai yang ke- = Nilai yang ke-
10 10
1
= Nilai yang ke- 4
5
1
= Nilai yang ke- 4 + ( Nilai yang ke- 5 − Nilai yang ke- 4 )
5
1
= 45 + ( 50 − 45 )
5
= 46
Artinya, 30% dari data upah lebih kecil dari atau sama dengan 46 (ribuan rupiah).
Nilai Desil ke-7 dari data tersebut adalah :
7 (13 + 1) 98
D7 = Nilai yang ke- = Nilai yang ke-
10 10
8
= Nilai yang ke- 9
10
8
= Nilai yang ke- 9 + ( Nilai yang ke- 10 − Nilai yang ke- 9 )
10
8
= 70 + ( 80 − 70 )
10
= 78
37
Artinya, 70% dari data upah lebih kecil dari atau sama dengan 78 (ribuan rupiah).
Nilai Desil untuk data berkelompok atau data yang disajikan dalam bentuk distribusi frekuensi
diperoleh melalui persamaan berikut :
in
10 − F
Di = L0 + c ; i=1,2,3,...,9
f
L0 = batas bawah kelas desil ke-i
c = lebar kelas
F = jumlah frekuensi semua kelas sebelum kelas desil ke-i
f = frekuensi kelas desil ke=i
Masih menggunakan data yang sama yaitu data modal :
D3 adalah bilangan yang membagi data menjadi 30% ke bawah dan 70% ke atas, sehingga dengan
n=40 D3 terletak pada kelas 130-138, maka :
L 0 = 129,5
c =9
F = 4+5=9
f =8
3 40
4 −9 12 − 9
D1 = 129, 5 + 9 =129,5+9 = 132, 875
8 8
3.1.8. Persentil
Nilai persentil adalah nilai-nilai yang membagi observasi suatu data yang telah diurutkan dari
nilai terkecil hingga terbesar menjadi 100 bagian yang sama. Dengan demikian data akan memiliki 99
38
nilai persentil. Cara perhitungan persentil sama dengan perhitungan kuartil dan desil. Perbedaanya
hanya persamaan yang
i ( n + 1) digunakan. Persentil ke-i
Pi = Nilai yang ke- ; i=1,2,3,...,99
100 dari sebuah data
didefinisikan sebagai :
Nilai Persentil untuk data berkelompok atau data yang disajikan dalam bentuk distribusi frekuensi
diperoleh melalui persamaan berikut :
in
100 − F
Di = L0 + c ; i=1,2,3,...,99
f
L0 = batas bawah kelas persentil ke-i
c = lebar kelas
F = jumlah frekuensi semua kelas sebelum kelas persentil ke-i
f = frekuensi kelas persentil ke=i
x −x i
SR = i =1
n
Perhatikan contoh berikut adalah data produksi sebuah mesin dengan merk tertentu :
20, 30, 50, 70, 80.
Untuk dapat menghitung nilai simpangan rata-rata dari tersebut, terlebih dahulu lakukanperhitungan
nilai rata-rata sebagai berikut :
39
20 + 30 + 50 + 70 + 80
x= = 50
5
Maka simpangan rata-rata dari data di atas adalah :
5
x −x i
SR = i =1
n
20 − 50 + 30 − 50 + 50 − 50 + 70 − 50 + 80 − 50
=
5
30 + 20 + 0 + 20 + 30
=
5
100
=
5
= 20
Untuk data berkelompok didefinisikan sebagai :
n
f i xi − x
SR = i =1
n
f
i =1
i
Gunakan data mengenai modal sebagai contoh perhitungan simpangan rata-rata berikut :
f i xi − x
455, 850
SR = i =1
7
= = 11, 396
40
f
i =1
i
3.2.3. Varians
40
Varians adalah rata-rata kuadrat selisih atau kuadrat simpangan dari semua nilai data terhadap
rata.rata hitung. Varians untuk sampel dinotasikan sebagai S2 sedangkan untuk populasi dinotasikan
sebagai σ2, yang didefinisikan sebagai :
n
(x − x )
2
i
S2 = i =1
n −1
Perhatikan contoh berikut adalah data produksi sebuah mesin dengan merk tertentu :
20, 30, 50, 70, 80.
Untuk dapat menghitung nilai varians dari tersebut, terlebih dahulu lakukanperhitungan nilai rata-rata
sebagai berikut :
20 + 30 + 50 + 70 + 80
x= = 50
5
Maka varians dari data di atas adalah :
5
(x − x )
2
i
S2 = i =1
n −1
( 20 − 50 ) + ( 30 − 50 ) + ( 50 − 50 ) + ( 70 − 50 ) + ( 80 − 50 )
2 2 2 2 2
=
5 −1
900 + 400 + 0 + 400 + 900
=
4
= 650
f (x −x)
2
i i
S2 = i =1
n
fi − 1
i =1
41
Modal Frekuensi (fi) Nilai Tengah (xi)
( xi − x ) fi ( xi − x )
2 2
f (x −x)
2
i i
8097, 9741
S2 = i =1
= = 207, 64
7
40 − 1
fi − 1
i =1
(x − x )
2
i
S= i =1
n −1
Menggunakan hasil perhitungan varians mengenai jumlah produksi mesin, maka diperoleh standard
deviasi dari data tersebut yaitu :
n
(x − x)
2
i
S= i =1
n −1
5
(x − x)
2
i
= i =1
n −1
( 20 − 50 ) + ( 30 − 50 ) + ( 50 − 50 ) + ( 70 − 50 ) + ( 80 − 50 )
2 2 2 2 2
=
5 −1
900 + 400 + 0 + 400 + 900
=
4
= 650
= 25, 495
Cara perhitungan yang sama untuk data berkelompok, standard deviasi atau simpangan baku
didefinisikan sebagai :
42
n
f (x −x)
2
i i
S= i =1
n
fi − 1
i =1
3.2.5. Koefisien Variasi
Dispersi relatif digunakan untuk membandingkan variablitas nilai observasi pada dua atau lebih
kelompok data dengan memperhatikan besar kecilnya nilai observasi pada kelompok data tersebut.
S
KV = 100%
x
Keterangan :
KV : Koefisien variasi
x : rata-rata
S : standar deviasi
Perhatikan kasus berikut, terdapat dua buah bola lampu. Lampu jenis A secara rata-rata
mampu menyala selama 1.500 jam dengan simpangan baku S1=275 jam. Sedangkan lampu jenis B
secara rata-rata mampu menyala selama 1.750 jam dengan simpangan baku S2=300 jam. Lampu
manakah yang memiliki kualitas yang lebih baik?
S1 275
Lampu Jenis A, KVA = 100% = 100% = 18, 3%
x1 1.500
S2 300
Lampu Jenis B, KVB = 100% = 100% = 17,1%
x2 1.750
Berdasarkan hasil perhitungan nilai koefisien variasi pada masing-masing jenis lampu, lampu jenis B
jelas memiliki nilai KV yang lebih kecil dibandingkan dengan KV lampu jenis A. Dengan demikian lampu
jenis B memiliki kualitas yang lebih seragam sedangkan lampu jenis A memiliki kualitas yang
bervariasi. Oleh karena itu, dapat disimpulkan bahwa lampu jenis A memiliki kualitas yang lebih baik
dibandingkan dengan lampu jenis B.
43
(a). Distribusi Simetri
Terdapat beberapa cara yang dipakai untuk menghitung derajat kemiringan distribusi data,
yaitu :
1. Karl Pearson
Menurut Pearson, derajat kemiringan (α) didefinisikan sebagai :
=
( x − Mo ) atau =
3 ( x − Med )
S S
44
Bila α=0 atau mendekati nol maka dikatakan distribusi data simetri, bila α< 0 atau bertanda
negatif maka distribusi data dikatakan miring ke kiri sedangkan bila α> 0 atau bertanda positif
maka distribusi data dikatakan miring ke kanan.
2. Momen
Cara lain yang dapat digunakan untuk menghitung derajat kemiringan distribusi data adalah
rumus momen yang didefinisikan sebagai berikut :
n
(x − x )
3
i
3 = i =1
nS 3
Untuk data berkelompok, rumus momen yang digunakan yaitu :
n
f (x −x)
3
i i
3 = i =1
n 3
fi S
i =1
Bila α3=0 atau mendekati nol maka dikatakan distribusi data simetri, bila α3 < 0 atau bertanda
negatif maka distribusi data dikatakan miring ke kiri sedangkan bila α3> 0 atau bertanda positif
maka distribusi data dikatakan miring ke kanan.
3. Rumus Bowley
Cara ketiga yang dapat digunakan untuk menghitung derajat kemiringan distribusi data adalah
rumus Bowley yang didefinisikan sebagai berikut :
Q3 + Q1 − Q2
=
Q3 − Q1
Jika distribusinya simetri, Q3-Q2=Q2-Q1 maka α=0. Sementara jika distribusinya miring, maka ada
dua kemungkinan yaitu Q1 = Q2 sehingga α=1 dan Q2=Q3 sehingga α=-1
45
Mesokurtis artinya distribusi data memiliki puncak yang normal, tidak terlalu tinggi (runcing) maupun
tidak terlalu rendah. Perhatikan gambar berikut :
Sedangkan, platikurtis artinya distribusi data memiliki puncak yang terlalu rendah atau terlalu mendatar
dan dapat digambarkan sebagai berikut :
Untuk data yang tidak berkelompok, derajat keruncingan distribusi (α4) dihitung melalui
persamaan berikut :
n
(x − x )
4
i
4 = i =1
nS 4
46
Sementara, untuk data yang berkelompok, α4 dihitung melalui persamaan berikut :
n
f (x −x)
4
i i
4 = i =1
n 4
fi S
i =1
Jika α4=3, maka keruncingan distribusi data disebut mesokurtis, Jika α4>3, maka keruncingan distribusi
data disebut leptokurtis dan jika α4<3 maka keruncingan distribusi data disebut sebagai platikurtis.
47
CASE STUDY
Kumpulkan data mengenai rata-rata lamanya (dalam satuan jam) mahasiswa di kampus
mengakses Internet melalui fasilitas Wifi kampus. Kemudian sajikan data yang telah dikumpulkan
melalui sebuah tabel atau grafik dan hitunglah :
a) Rata-Rata
b) Median
c) Modus
d) Kuartil 1 (Q1) , Kuartil 2 (Q2) dan Kuartil 3 (Q3)
e) Persentil 30
f) Range
g) Simpangan Baku (Standard Deviasi)
h) Koefisien Variasi
i) Koefisien Kemiringan dan tentukan kecenderungan kemiringan dari distribusi data yang
diperoleh
j) Koefisien Keruncingan dan tentukan kecenderungan keruncingan puncak dari distribusi data
yang diperoleh.
48
Bab 4. Teori dan Distribusi Probabilitas
49
Dalam perumusan subjektif, probabilitas dirumuskan berdasarkan keyakinan dan pandangan
pribadi terhadap probabilitas terjadinya suatu peristiwa. Sebagai contoh, seorang guru
meyakini bahwa tingkat kelulusan siswa SMA dalam Ujian Nasional tahun 2015 adalah 100%.
P (a) =
Peristiwa
RuangSampel
Probabilitas peristiwa sederhana
• Nilai probabilitasnya harus berkisar antara 0≤p≤1
• Jumlah semua nilai probabilitas sama dengan 1
Sebagai contoh, jika peristiwa A adalah munculnya mata dadu 1 atau 2 atau 3 pada pelemparan
sebuah mata dadu, maka hitunglah probabilits A.
P ( A ) = P (1) + P ( 2 ) + P ( 3)
1 1 1
= + +
6 6 6
1
=
2
P ( A) =
Peristiwa ( A) = 1 + 1 + 1 = 1
RuangSampel 6 2
50
Contoh lain, pada sebuah kotak terdapat 10 buah bola pingpong, 3 berwarna putih, 2 hitam dan
sisanya merah. Jika kita mengambil sebuah bola secara random atau acak, maka probabilitas
menemukan bola berwarna merah dapat dihitung sebagai berikut :
P ( A) =
Peristiwa ( A ) = 5
RuangSampel 10
Misalkan, pada pelemparan dadu satu kali, jika A adalah peristiwa munculnya mata dadu 3 dan
B adalah peristiwa munculnya mata dadu 5, berapakah probabilitas munculnya mata dadu 3 atau5 :
P ( A B ) = P ( A) + P ( B )
=1 +1
6 6
=1
3
Padapelemparan dua buah dadu, tentukanlah probabilitas munculnya muka dua dadu dengan
jumlah 7 atau 11? Ruang Sampel dari pelemparan dua buah dadu tersebut dapat dilihat pada tabel
berikut :
Mata Dadu 1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Dengan A adalah kejadian munculnya jumlah 7 dan B adalah kejadian munculnya jumlah 11.
A={(6,1),(5,2),(4,3),(3,4),(2,5),(5,2)}
51
B={(6,5),(5,6)}
P ( A B ) = P ( A) + P ( B ) = 4 +2 =1
36 36 6
Misalkan, dari sebuah survey terhadap 100 responden, diketahui bahwa 60 responden suka film
action, 50 suka drama dan 10 suka keduanya. Jika dari 100 responden tersebut diambil secara acak,
berapakah probabilitas menemukan responden yang suka film action atau responden yang suka
drama?
60 50 10
P ( A B ) = P ( A) + P ( B ) − P ( A B ) = + − =1
100 100 100
Probabilitas terjadinya kejadian A bila kejadian B telah terjadi disebut probabilitas bersyarat yang ditulis
P(A|B) dan dirumuskan sebagai berikut :
52
P ( A B)
P ( A B) =
P (B)
P ( A B)
P ( B A) =
P ( A)
Misalkan, di sebuah kotak terdapat 3 buah bola putih dan 7 bola hitam. Jika diambil 2 bola satu
per satu tanpa disertai pengembalian, maka berapa probabilitas bola pertama yang terambil adalah
putih dan bola kedua adalah hitam?
P ( A B ) = P ( A) P ( B A) =
3 7 21 7
= =
10 (10 − 1) 90 30
Misalkandiberikan populasi sarjana di suatu kota dibagi menurut jenis kelamin dan status pekerjaan
sebagai berikut :
Dari data tersebut, kemudian akan diambil seorang dari mereka untuk ditugaskan melakukan promosi
barang di suatu kota. Bila ternyata yang dipilih adalah dalam status telah bekerja, berapakah
probabilitas bahwa dia (a) laki-laki dan (b) wanita.
53
4.1.7. Ruang Sampel
Seperti yang sudah diuraikan sebelumnya, dalam menghitung probabilitas sebuah peristiwa kita
harus dapat menghitung ruang sampel. Ruang sampel S dapat dihitung melalui tiga cara yaitu aturan
perkalian, permutasi dan kombinasi.
Dalam menghitung ruang sampel S dengan menggunakan aturan perkalian, jika kita memiliki m
unsur a1, a2, ..., amdan n unsur b1, b2, ...,bn yang mengandung unsur dari setiap kelompok akan
membentuk m.n pasang.
Perhatikan percobaan yang terdiri atas pencatatan hari lahir untuk masing-masing dari 20 orang
yang dipilih secara acak. Jika kita mengabaikan tahun kabisat dan andaikan ada hanya 365 hari lahir
yang mungkin berbeda, carilah banyaknya titik dalam ruang sampel terhadap percobaan ini.Jika kita
andaikan bahwa setiap himpunana hari lahir yang mungkin berpeluang sama, berapakah peluang
bahwa setiap orang mempunyai hari lahir yang berbeda?
54
n!
Crn =
r !( n − r ) !
Misalkan, 10 orang hadir dalam sebuah pesta. Jika mereka berjabat tangan satu per satu, maka
berapa kali jabat tangan yang terjadi dalam pesta tersebut.
10!
C210 = = 45
2! (10 − 2 ) !
P (B A )P ( A )
i =1
i i
55
Misalkan, pada sebuah pengundian atau pelemparan dua mata uang logam, distribusi
kemungkinan untuk muncul muka dapat digambarkan melalui diagram Venn berikut :
NilaiX ditentukan terhadap titik sampel yang dalam hal ini tergantung kepada jumlah muka yang
diakibatkan oleh setiap titik :
X(MM)=2
X(MB)=1
X(BM)=1
X(BB)=0
X dikatakan sebagai variabel acak, yang menyatakan jumlah muka yang muncul dari pelemparan 2
mata uang logam yang dapat mengambil 3 nilai x=0,1,2. Maka distribusi kemungkinannya adalah :
x 0 1 2
Variabel acak terbagi menjadi dua, yaitu variabel acak diskrit dan vriabel acak kontinu. A
discrete random variabel is one that can take on only a countable number of values (Rudolf, J.Freund,
2003) atau variabel yang hanya memiliki nilai 0,1,2,3,... dimana untuk tiap nilai variabel terdapat
peluangnya (Sudjana, 2005). Variabel acak diskrit hanya dapat mengambil nilai-nilai tertentu yang
terpisah, yang umumnya dihasilkan dari perhitungan suatu objek (J.Supranto, 2009). Berikut adalah
beberapa contoh variabael acak diskrit :
56
Sementara, a continuous random variable is one that can take on any value in an interval
(Rudolf, J.Freund, 2003) atau merupakan variabel acak yang tidak diskrit, artinya jika X adalah variabel
kontinu maka nilai X berada dalam interval -∞<x<∞ atau batas-batas lain (Sudjana, 2005). Varaibel
acak kontinu adalah variabel acak yang nilai-nilainya dihasilkan dari hasil pengukuran pada suatu objek
(J.Supranto, 2009). Berikut adalah beberapa contoh variabel acak kontinu :
F(x) = P(X≤x)
E(X) = ∑ x p(x)
Nilai varians :
57
2 = E X −
2
n
= ( xi − ) p ( xi )
2
i =1
Data berikut merupakan hasil penjualan mobil selama 300 hari pada PT. Indah Caraka Motor,
Jakarta. Data yang dicatat adalah jumlah mobil yang terjual dalam sehari.
0 54
1 117
2 72
3 42
4 12
5 3
Total 300
Probabilitas untuk masing-masing jumlah mobil yang terjual dalam sehari yaitu :
frekuensi
x Frekuensi p ( x) = x * p(x)
Total
0 54 0,18 0
1 117 0,39 0,39
2 72 0,24 0,48
3 42 0,14 0,42
4 12 0,04 0.,6
5 3 0,01 0,05
Total 300 1,00 1,5
Berdasarkan tabel, dapat diketahui bahwa probabilitas tidak satu pun mobil terjual dalam sehari
adalah 0,18 atau kemungkinannya adalah 18%, sedangkan probabilitas terjualnya 1 unit mobil dalam
sehari adalah 0,39 atau kemungkinannya 39%, probabilitas terjualnya 2 unit mobil dalam sehari adalh
0,24 atau kemungkinannya 24%, probabilitas terjualnya 3 unit mobil dalam sehari adalah 0,14 atau
kemungkinannya 14%, probabilitas terjualnya 4 unit mobil dalam sehari adalah 0,04 atau
kemungkinannya adalah 4% dan probabilitas terjualnya 5 unit mobil dalam sehari adalah 0,01 atau
58
kemungkinannya 1%. Dari tabel yang sama, kita juga dapat mengetahui ekspektasi (harapan) rata-rata
terjualnya mobil dalam 300 hari yaitu 1-2 unit mobil.
Perhatikan contoh berikut, seorang mandor pabrik merencanakan mempunyai tiga pekerja pria
dan tiga pekerja wanita untuknya. Ia ingin memilih dua pekerja untuk pekerjaan khusus. Dia tidak
menginginkan kesalahan dalam pemilihannya. Ia memutuskan untuk memeilih dua pekerja secara
acak. Misalkan, X menyatakan banyaknya wanita dalam pemilihannya, carilah distribusi peluang untuk
X.
Untuk menyelesaikan persoalan tersebut, pertama kita harus menentukan ruang sampel S yaitu
banyaknya cara memilih dua pekerja dari 6 pekerja. Oleh karena urutan pemilihan pekerja tidak
diperhatikan maka perhitungan banyaknya cara memilih dua pekerja dari 6 pekerja dilakukan dengan
menggunakan aturan kombinasi sebagai berikut :
6!
C26 = = 15
2!4!
Selanjutnya, tentukan kemungkinan wanita terpilih dalam pemilihan dua pekerja adalah sebagai
berikut :
Wanita Pria
0 2
1 1
2 0
59
C23C03 3 1
p ( 2) = P ( X = 2) = = =
C26 15 5
Dari probabilitas-probabilitas tersebut, kita dapat dengan jelas melihat pola distribusi peluangnya
yang dapat didefinisikan sebagai :
Cx3C23− x
p ( x) =
C26
Untuk x=0,1,2
Probabilitas sebuah variabel acak X yang berdistribusi binomial didefinisikan sebagai berikut :
p ( x ) = Cxn p x (1 − p )
n− x
Untuk x = 0,1,2,3,…,n
C : kombinasi x dari n
n : banyaknya percobaan
p : probabilitas sukses
= n p
60
Standard deviasi nya didefinisikan sebagai :
= n p (1 − p )
Perhatikan contoh berikut, probabilitas seorang penembak akan menembak tepat pada
sasaran adalah 0m7. Jika penembak tersebut diberi kesempatan untuk menembak 10 kali,
berapakah probabilitas 5 tembakan tepat sasaran.
p ( 5 ) = C510 ( 0, 7 ) (1 − 0, 7 )
5 10 −5
10!
= ( 0,16807 )( 0, 00243)
5!5!
10 9 8 7 6
= ( 0, 000408)
5 4 3 2 1
= 0,102919
dengan :
61
Berapakah probabilitas mendapatkan tepat 5 lembar kertas yang rusak? Dan berapakah
probabilitas mendapatkan paling banyak 2 lembar kertas yang rusak?
Berdasarkan pengalaman, maka probabilitas rusaknya lembar kertas yang dicetak adalah:
100
p= = 0, 01
10.000
Dengan n=1.000 dan rata-rata = n p = 1000 0, 01 = 10 maka probabilitas mendapatkan
tepat 5 lembar kertas yang rusak adalah :
105 e−10
P (5) = = 0, 03783
5!
Sedangkan probabilitas mendapatkan paling banyak 2 lembar kertas yang rusak adalah :
P ( x 2 ) = P ( 0 ) + (1) + ( 2 )
100 e−10 101 e −10 102 e −10
= + +
0! 1! 2!
= 0, 002768
62
Misalkan dalam suatu rak terdapat 50 kain batik yang diantaranya 5 rusak. Bila diambil kain
sebanyak 4 helai secara acak, hitunglah probabilitas untuk memperoleh 0,1,2,3,4 helai kain yang
rusak?
Untuk memudahkan perhitungan probbilitas pada persoalan di atas, maka terlebih dahulu
definisikan setiap informasi yang terdapat dalam persoalan sebagai berikut :
N = banyaknya kain =50
N1 = banyaknya kain rusak = 5
N2 = banyaknya kain baik = 45
n = sampel kain yang diambil =4
X=k = menyatakan banyaknya kain rusak yang diperoleh, maka k=0,1,2,3,4
5 45 5 45
P ( X = 0 ) = = 0, 64696 P ( X = 1) = = 0,30808
0 4 1 3
50 50
4 4
5 45 5 45
P ( X = 2 ) = = 0, 04299 P ( X = 3) = = 0, 00195
2 2 3 1
50 50
4 4
5 45
P ( X = 4 ) = = 0, 00002
4 0
50
4
Perhatikan contoh kedua berikut, suatu masalah penting dihadapi oleh direktur
personalia antara lain pemilihan terbaik dalam kelompok unsur berhingga ditunjukkan oleh situasi
berikut. Dari satu kelompok atas 20 sarjana teknik, 10 dipilih untuk dipekerjakan. Berapakah
peluang bahwa 10 orang yang terpilih termasuk semua di dalamnya 5 sarjana teknik terbaik dalam
kelompok atas 20?
Sama seperti pada persoalan sebelumnya, definisikan setiap informasi yang terdapat dalam soal
sebagai berikut :
N = Kelompok atas Sarjana Teknik =20
N1 = Sarjana Teknik Terbaik= 5
n = Sarjana Teknik yang dipekerjakan =10
X=k = menyatakan banyaknya sarjana teknik terbaik yang terpilih maka k=5
63
Dengan demikian, peluang bahwa 10 orang yang terpilih termasuk semua di dalamnya 5 sarjana
teknik terbaik dalam kelompok atas 20 adalah :
5 15
P ( X = 5 ) = = 0, 0162
5 5
20
10
Pada kenyataanya, dalam sebuah populasi tidak hanya terdapat satu atau dua jenis,
bisa lebih dari dua. Misalkan, X1 adalah banyaknya jenis 1, X2 adalah banyaknya jenis 2 dan X3
adalah banyaknya jenis 3. Maka probabilitas terpilihanya X1=k1, X2=k2, dan X3=k3 didefinisikan
sebagai :
N1 N 2 N 3
P ( X = k ) = 1 2 3
k k k
N1 + N 2 + N 3
k1 + k2 + k3
Misalkan, dalam sebuah kotak terdapat 5 kelereng merah, 10 kelereng putih dan 12
kelereng biru. Bila diambil 3 kelereng, probabilitas untuk memperoleh tiga jenis kelereng tersebut
yang terdiri tas 1 kelereng merah, 1 kelereng putih dan 1 kelereng biru adalah
N1 N 2 N3 5 10 12
P ( X 1 = 1, X 2 = 1, X 3 = 1) = 1 2 3 = = 0, 2051
k k k 1 1 1
N1 + N 2 + N3 27
k1 + k2 + k3 3
x
F ( x) = P ( X x) = f ( x )dx
−
64
Nilai harapan (ekspektasi) rata-rata didefinisikan sebagai :
E(X ) = xgf ( x )dx = 1
−
2 = E X −
2
= E X 2 − E X
Sebagai contoh, jumlah jam, diukur dalam satuan 100 jam, suatu keluarga akan menggunakan
mesin pengisap debu setahun berbentuk variabel acak kontinu dengan fungsi distribusi probbilitas
sebagai berikut :
x 0 x 1
f ( x ) = 2 − x 1 x 2
0
x, lainnya
Probabilitas atau peluang bahwa dalam setahun keluarga itu akan menggunakan mesin pengisap debu
kurang dari 120 jam yaitu :
120
f x = f ( x 1, 2 )
100
= f ( 0 x 1, 2 )
= f ( 0 x 1) + f (1 x 1, 2 )
1 1,2
= xdx +
0
( 2 − x ) dx
1
1 1,2
1 1
= x2 + 2 x − x2
2 0 2 1
1 1 1 1
= g12 − g02 + ( 2g1, 2 ) − g1, 22 − ( 2g1) − g12
2 2 2 2
1
= + 1, 68 − 1,5
2
= 0,5 − 0,18
= 0,32
65
Distribusi noraml ditemukan oleh Cark Gauss pada abad ke-18 sehingga sering juga
disebut sebagai distribusi Gauss. Distribusi normal adalah distribusi variabel kontinu yang memiliki
kurva berbentuk lonceng dan simetris (Lukas, S.A., 2009). Sebuah sampel acak X berdistribusi
normal jika fungsi distribusi peluangnya didefinisikan sebagai :
− 1 x −
2
1
f (x | , ) =
2
e 2
2
Dengan :
− x
−
0
= 3, 1415...
e = 2, 71828...
66
Luas daerah bagian atas sumbu datar dan di bawah lengkungan normal standard yang
telah dihitung hingga 4 desimal dan disusun dalam sebuah daftar, yaitu tabel distribusi normal
standard (Sudjana, 2004). Ketentuan perhitungan luas distribusi normal standard :
1. P(Z>z)=P(Z<-z)
2. P(Z<z)=1-P(Z>z)
3. Memungkinkan untuk operasi penambahan atau perngurangan pada sebuah
kombinasi nilai.
Luas daerah normal standar dari 2 ke kanan sebagai berikut :
P(Z>2)=0,5-P(Z<2)=0,5-0,4772=0,0228
Luas daerah normal standar dari 0,5 ke kiri sebagai berikut :
67
P(Z<-0,5)=0,5-P(-0,5<Z<0) =0,5-0,1915 = 0,3085
Luas daerah normal standar antara -1 sampai dengan 1,5 adalah sebagai berikut :
P(-1<Z<1,5)=P(-1<Z<0)+P(0<Z<1,5)=0,3413+0,4332 =0,7745
Misalkan, nilai ujian masuk perguruan tinggi didistribusikan secara normal dengan rata-
rata 75 dan simpangan baku 10. Berapakah probabilitas atau peluang seorang peserta ujian
mencapai skor antara 80-90?
Untuk menyelesaikan persoalan di atas terdapat dua cara yaitu menggunakan distribusi normal
atau distribusi normal standard. Jika persoalan diselesaikan dengan menggunakan distribusi
normal, maka probabilitas atau peluang seorang peserta ujian mencapai skor antara 80-90
didefinisikan sebagai :
− 1 x −75
90
1
P(80 x 90) = e 2
10 2
dx
80 10 2
Integral di atas akan sulit diselesaikan, oleh karena alternatif untuk memudahkan menghitung
besar probabilitas atau peluang seorang peserta ujian mencapai skor 80-90 dapat menggunakan
distribusi normal standar dengan mentrasnformasikan nilai skor 80-90 menjadi nilai z sebagai
berikut :
68
80 − 75 90 − 75
P(80 x 90) = P( z )
10 10
= P(0, 5 z 1, 5)
= P( z 1, 5) − P ( z 0, 5)
= 0, 9332 − 0, 6915
= 0, 2417
Perhatikan contoh kedua berikut, masa hidup suatu batere yang dihasilkan oleh suatu
perusahaan mendekati distribusi normal. Rata-rata masa hidupnya 300 jam sedangkan simpangan
bakunya 35 jam. Tentukan :
a. Persentase hasil batu batere yang masa hidupnya antara 250 dan 350 jam
b. Persentasi hasil batu batere yang masa hidupnya paling sedikit 325 jam
c. Masa hidup batu batere jika diketahui bahwa terdapat 20% batu batere dengan masa
hidup di atasnya.
Persentasi hasil batu batere yang masa hiduppnya 250 jam didefinisikan sebagai :
250 − 300 350 − 300
P(250 x 350) = P ( z )
35 35
= P(−1, 43 z 1, 43)
= P(−1, 43 z 0) + P (0 z 1, 43)
= 0, 4236 + 0, 4236
= 0, 8472
Artinya, sekitar 84,72% dari produksi batu batere diharapkan akan mempunyai masa hidup antara
250 dan 350 jam.
Persentasi hasil batu batere yang masa hidupnya paling sedikit 325 jam didefinisikan sebagai :
325 − 300
P( x 325) = P( z )
35
= P( z 0, 71)
= 0, 5 − P(0 z 0, 71)
= 0, 5 − 0, 2612
= 0, 2388
Artinya, terdapat sekitar 23,88% batu batere yang masa hidupnya paling sedikit 325 jam.
Masa hidup batu batere jika diketahui bahwa terdapat 20% batu batere dengan masa hidup di
atasnya yaitu :
69
P( X x) = 0, 2
x − 300
P( Z ) = 0, 2
35
x − 300 x − 300
P(0 Z ) = 0, 5 − P( Z )
35 35
x − 300
P(0 Z ) = 0, 5 − 0, 2
35
x − 300
P(0 Z ) = 0, 3
35
z = 0, 84
x − 300
= 0, 84
35
x − 300 = 0, 84 35
x = 329, 4
70
LATIHAN
1. Sekelompok orang terdiri atas 50 orang dan 3 orang diantaranya lahir pada tanggal 31 Desember.
Bila secara acak dipilih 5 orang, berapakah probabilitas orang yang terpilih itu :
a. Tidak terdapat orang yang lahir pada tanggal 31 Desember?
b. Tidak lebih dari satu orang yang lahir pada tanggal 31 Desember
2. Suatu percobaan mengenai ukuran ruang memori dengan menggunakan metode quickshort
menyatakan bahwa ukurang penggunaan ruang memomri berdistribusi normal dengan rata-rata
510,8 byte dan simpangan baku 40,67 byte.
a. Berapa persen dalam percobaan tersebut ditemukan ruang memori yang melebihi 600 byte.
b. Jika ditemukan 10 buah percobaan mempunyai ruang memori berkisar antara 500-550 byte,
berapakah jumlah percobaan yang telah dilakukan oleh peneliti?
c. Jika dalam percobaan tersebut ditemukan bahwa 10% hasil terendah, berapakah ukuran
memori tertingi dari kelompok hasil percobaan dengan ukuran memori terendah tersebut?
3. Andaikan lot sebesar 300 sekering listrik mengandung 5% rusak. Jika sampel dari 5 sekering diuji,
carilah peluang pengamatan paling sedikit satu rusak!
4. Dari barang yang dihasilkan oleh semacam mesin ternyata 15% rusak. Kemudian diambil secara
acak dari produksi barang itu sebanyak 30 buah untuk diselidiki. Berapa peluangnya dari barang
yang diselidiki itu akan terdapat :
a. Bagus semua
b. Satu rusak
c. Dua bagus
d. Paling sedikit satu rusak
e. Paling banyak dua rusak
5. Misalkan sebuah televisi diiklankan di surat kabar untuk dijual. Jika surat kabar yang memuat iklan
tersebut memiliki 100.000 pembaca dan peluang seorang pembaca akan membalas iklan tersebut
adalah 0,00002, maka :
a. Berapa orangkah diharapkan akan membalas iklas itu?
b. Berapa peluangnya bahwa yang membalas iklan hanya satu orang pembaca?
c. Berapa peluangnya bahwa tidak satupun pembca yang membalas iklan tersebut?
6. Suatu perusahaan mengeluarkan produk baru floopy disk 5,25” dengan target konsumennya
siswa SMU. Alat tersebut rata-rata berumur 11 bulan dengan simpangan baku 0,88. Jika pada
produksi perdana perusahaan tersebut menghasilkan sebanyak 100.000 buah, berapakah :
a. Peluang floopy disk tersebut berumur lebih dari 1 tahun.
71
b. Peluang floopy disk tersebut berumur antara 9 sampai 13 bulan.
c. Batas minimum umur dari 5% kelompok tertinggi floopy disk tersebut.
7. Suatu mesin dapat membuat suatu alat tahanan listrik dengan rata-rata tahanan 47,3 ohm dan
simpangan baku 4,8 ohm. Tahanan tersebut menyebar mengikuti distribusi normal.
a. Hitunglah probabilitas mesin tersebut yang mampu menghasilkan tahanan melebihi 50
ohm!.
b. Jika ada 5.000 alat yang dihasilkan, berapa banyak alat yang mempunyai tahanan antara
40 sampai dengan 50 ohm?
c. Jika ada 10% tahanan yang paling rendah, berapa sebenarnya nilai tahanan tertinggi
untuk kelompok tersebut?.
8. Andaikan bahwa sistem acak dari patroli polisi direncanakan sehingga orang yang berpatroli dapat
mengunjungi rute lokasi yang diberikan yaitu X=0,1,2,... kali per periode setengah jam, dan bahwa
sistem disusun sehingga ia mengunjungi lokasi rata-rata sekali per periode waktu. Andaikan X
mengikuti distribusi peluang Poisson, hitunglah peluang bahwa ia mengunjungi lokasi itu :
a. Satu kali.
b. Dua kali.
c. Paling sedikit satu kali.
72
Bab 5. Validitas dan Reliabilitas
73
Dalam statistika telah dikenal skala nominal, ordinal. Interval dan rasio. Namun, pada pembuatan
sebuah instrument penelitian terdapat beberapa skala pengukuran lain diantaranya skala likert, skala
guttman, semantic differensial dan rating scale.
5.2. Skala Pengukuran Variabel
Skala pengukuran adalah kesepakatan yang digunakan sebagai acuan untuk menentukan
Panjang pendeknya interval yang ada dalam alat ukur, sehingga alat ukur tersebut bila digunakan
dalam pengukuran akan menghasilkan data kuantitaif (Sugiyono, 2017). Misalnya variabel tinggi
badan dengan instrument meteran, skala yang digunakan bisa centimetre, meter, milimeter dan lain
sebagainya. Contoh lain, variabel berat dengan instrument timbangan, skala yang digunakan bisa kg,
gram, mg dan lain sebagainya.
Dalam pengukuran sikap pada beberapa bidang penelitian seperti Pendidikan dan social,
terdapat beberapa skala pengukuran yang dapat digunakan, diantaranya skala likert, skala guttman,
semantic differensial dan rating scale. Berikut definisi dan penjelasan masing-masing skala pengukuran
menurut Sugiyono (2017)
5.2.1. Skala Likert
Skala Likert digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau
kelompok orang tentang sebuah fenomena social yang disebut sebagai variabel penelitian. Dengan
skala likert, variabel yang akan diukur dijabarkan menjadi indicator variabel. Kemudian indicator
tersebut dijadikan sebagai titik tolak untuk menyusun item-item instrument yang dapat berupa
pertanyaan atau pernyataan. Jawaban setiap item instrument yang menggunakan skala likert memiliki
gradasi dari sangat positif sampai sangat negatif yang dapat berupa :
• Sangat Setuju, Setuju, Ragu-Ragu, Tidak Setuju dan Sangat Tidak Setuju.
• Selalu, Sering, Kadang-Kadang, Tidak Pernah.
• Sangat baik, baik, tidak baik, sangat tidak baik.
Untuk keperluan analisis kuantitaif, makan pilihan jawaban di atas dapat diberi skor sebagai
berikut :
Skor 5 untuk Sangat Setuju
Skor 4 untuk Setuju
Skor 3 untuk Ragu-Ragu
Skor 2 untuk Tidak Setuju
Skor 1 untuk Sangat Tidak Setuju
Atau sebagai berikut :
Skor 4 untuk Selalu/Sangat Baik
Skor 3 untuk Sering/Baik
74
Skor 2 untuk Kadang-Kadang/Tidak Baik
Skor 1 untuk Tidak Pernah/Sangat Tidak Baik.
Berikut contoh instrument yang menggunakan skala likert :
Skor
No Item Pertanyaan
SS S RG TS STS
Kualitas Informasi
1 Google Classroom menyediakan informasi yang akurat
2 Google Classroom menyediakan informasi yang terpercaya
3 Google Classroom menyediakan informasi tepat waktu
4 Google Classroom menyediakan informasi yang relevan
5 Google Classroom menyediakan informasi yang mudah dimengerti
6 Google Classroom menyediakan informasi yang detail
Kualitas Interaksi Layanan
7 mahasiswa merasa aman terhadap informasi pribadi
8 Google Classroom memberikan ruang untuk personalisasi
9 Google Classroom memberikan ruang untuk anggota kelas
10 Google Classroom memberikan kemudahan untuk berkomunikasi dengan dosen
Kualitas Antar Muka Pengguna
11 Google Classroom memberikan gambar yang tepat
12 Google Classroom menggunakan huruf (font) yang sesuai
13 Google Classroom menggunakan warna yang sesuai
14 Google Classroom menggunakan desain halaman yang sesuai
15 link pada Google Classroom bekerja dengan baik
16 kecepatan download pada halaman Google Classroom
17 Google Classroom memiliki tata letak yang terstruktur dan konsisten
Usability
18 mahasiswa dengan mudah dapat belajar menggunakan Google Classroom
19 interaksi mahasiswa dengan Google Classroom jelas dan dapat dimengerti
20 Google Classroom mudah untuk dinavigasi
21 Google Classroom mudah untuk digunakan
22 Google Classroom mengandung nilai kompetensi
23 Google Classroom menciptakan pengalaman positif bagi mahasiswa
24 Google Classroom memiliki tampilan yang menarik
75
jawaban dapat dibuat dengan skor tertinggi 1 dan terendah nol. Misalnya untuk jawaban setuju
diberikan skor 1 sedangkan untuk jawaban tidak setujudiberi skor 0 dan Analisa dapat dilakukan
seperti skala likert.
Berikut adalah contoh penggunaan skala Guttman pada pengukuran kualitas website
berdasarkan pendekatan WebQual 4.0
Tidak
No Item Pertanyaan Setuju
Setuju
Kualitas Informasi
1 Google Classroom menyediakan informasi yang akurat
2 Google Classroom menyediakan informasi yang terpercaya
3 Google Classroom menyediakan informasi tepat waktu
4 Google Classroom menyediakan informasi yang relevan
5 Google Classroom menyediakan informasi yang mudah dimengerti
6 Google Classroom menyediakan informasi yang detail
Kualitas Interaksi Layanan
7 mahasiswa merasa aman terhadap informasi pribadi
8 Google Classroom memberikan ruang untuk personalisasi
9 Google Classroom memberikan ruang untuk anggota kelas
10 Google Classroom memberikan kemudahan untuk berkomunikasi dengan dosen
Kualitas Antar Muka Pengguna
11 Google Classroom memberikan gambar yang tepat
12 Google Classroom menggunakan huruf (font) yang sesuai
13 Google Classroom menggunakan warna yang sesuai
14 Google Classroom menggunakan desain halaman yang sesuai
15 link pada Google Classroom bekerja dengan baik
16 kecepatan download pada halaman Google Classroom
17 Google Classroom memiliki tata letak yang terstruktur dan konsisten
Usability
18 mahasiswa dengan mudah dapat belajar menggunakan Google Classroom
19 interaksi mahasiswa dengan Google Classroom jelas dan dapat dimengerti
20 Google Classroom mudah untuk dinavigasi
21 Google Classroom mudah untuk digunakan
22 Google Classroom mengandung nilai kompetensi
23 Google Classroom menciptakan pengalaman positif bagi mahasiswa
24 Google Classroom memiliki tampilan yang menarik
Tingkat Kepuasan
25 secara keseluruhan Google Classroom memuaskan
Setuju diberi skor 1
Tidak Setuju diberi skor 0
Hal yang perlu diingat adalah bahwa penggunaan pilihan jawaban dikotomi “ya-tidak, “benar-
salah” dan lain-lain mengenai sebuah fakta benda bukanlah merupakan skala pengukuran dikotomi.
Sebagai contoh adalah pernyataan mengenai :
76
1. Apakah tempat kerja anda dekat dengan Jalan Jakarta?
a. Ya
b. Tidak
2. Apakah anda punya ijazah sarjana?
a. Ya
b. Tidak
Responden yang memberi penilaian pada angka 5, memberikan arti bahwa persepsi responden
terhadap pemimpin sangat positif, sedangkan bila memberi jawaban pada angka 3 artinya netral dan
jika memberi penilaian pada angja 1, maka persepsi responden terhadap pempinnya sangat negatif.
77
5 untuk Sangat Setuju
4 untuk Setuju
3 untuk Ragu-Ragu
2 untuk Tidak Setuju
1 untuk Sangat Tidak Setuju
No Item Pertanyaan Interval Jawaban
Kualitas Informasi
1 Google Classroom menyediakan informasi yang akurat 5 4 3 2 1
2 Google Classroom menyediakan informasi yang terpercaya 5 4 3 2 1
3 Google Classroom menyediakan informasi tepat waktu 5 4 3 2 1
4 Google Classroom menyediakan informasi yang relevan 5 4 3 2 1
5 Google Classroom menyediakan informasi yang mudah dimengerti 5 4 3 2 1
6 Google Classroom menyediakan informasi yang detail 5 4 3 2 1
Kualitas Interaksi Layanan
7 mahasiswa merasa aman terhadap informasi pribadi 5 4 3 2 1
8 Google Classroom memberikan ruang untuk personalisasi 5 4 3 2 1
9 Google Classroom memberikan ruang untuk anggota kelas 5 4 3 2 1
10 Google Classroom memberikan kemudahan untuk berkomunikasi 5 4 3 2 1
dengan
Kualitas dosen
Antar Muka Pengguna
11 Google Classroom memberikan gambar yang tepat 5 4 3 2 1
12 Google Classroom menggunakan huruf (font) yang sesuai 5 4 3 2 1
13 Google Classroom menggunakan warna yang sesuai 5 4 3 2 1
14 Google Classroom menggunakan desain halaman yang sesuai 5 4 3 2 1
15 link pada Google Classroom bekerja dengan baik 5 4 3 2 1
16 kecepatan download pada halaman Google Classroom 5 4 3 2 1
17 Google Classroom memiliki tata letak yang terstruktur dan konsisten 5 4 3 2 1
Usability
18 mahasiswa dengan mudah dapat belajar menggunakan Google 5 4 3 2 1
Classroom
19 interaksi mahasiswa dengan Google Classroom jelas dan dapat 5 4 3 2 1
dimengerti
20 Google Classroom mudah untuk dinavigasi 5 4 3 2 1
21 Google Classroom mudah untuk digunakan 5 4 3 2 1
22 Google Classroom mengandung nilai kompetensi 5 4 3 2 1
23 Google Classroom menciptakan pengalaman positif bagi mahasiswa 5 4 3 2 1
24 Google Classroom memiliki tampilan yang menarik 5 4 3 2 1
Tingkat Kepuasan
25 secara keseluruhan Google Classroom memuaskan 5 4 3 2 1
Bila kuesioner di atas digunakan sebagai instrument pengukuran kualitas google classroom
berdasarkan pendekatan WebQual 4.0 dan disebarkan kepada 89 mahasiswa dengan rekapitulasi
sebagai berikut untuk dimensi kualitas informasi :
Frekuensi Total
No Item Pertanyaan
1 2 3 4 5
Kualitas Informasi
1 Google Classroom menyediakan informasi yang akurat 0 3 24 45 17 89
2 Google Classroom menyediakan informasi yang terpercaya 0 1 15 54 19 89
78
Frekuensi Total
No Item Pertanyaan
1 2 3 4 5
3 Google Classroom menyediakan informasi tepat waktu 0 7 21 54 7 89
4 Google Classroom menyediakan informasi yang relevan 1 8 22 48 10 89
5 Google Classroom menyediakan informasi yang mudah dimengerti 1 2 16 50 20 89
6 Google Classroom menyediakan informasi yang detail 1 5 29 44 10 89
Skor
No Item Pertanyaan Total
1 2 3 4 5
Kualitas Informasi
1 Google Classroom menyediakan informasi yang akurat 0 6 72 180 85 343
2 Google Classroom menyediakan informasi yang terpercaya 0 2 45 216 95 358
3 Google Classroom menyediakan informasi tepat waktu 0 14 63 216 35 328
4 Google Classroom menyediakan informasi yang relevan 1 16 66 192 50 325
5 Google Classroom menyediakan informasi yang mudah dimengerti 1 4 48 200 100 353
6 Google Classroom menyediakan informasi yang detail 1 10 87 176 50 324
Total Skor 3 52 381 1180 415 2031
Jumlah skor hasil penyebaran kuesioner dalam pengukuran kualitas informasi dari google classroom
tersebut adalah 2031. Untuk dapat ditafsirkan ke dalam kualitatif maka perlu dihitung rentang penilian
sebagai berikut :
Dengan demikian dapat disimpulkan bahwa mahasiswa sudah menilai baik terhadap kualitas
informasi daari google classroom.
79
maupun validitas merupakan ukuran kredibilitas pengukuran (Kothari dan Mercer dalam Murti, 2011).
Alat ukur yang reliabel belum tentu valid. Tetapi alat ukur yang valid harus reliabel. Reliabilitas adalah
keadaan yang diperlukan tetapi tidak mencukupi validitas pengukuran.
Menurut Sugiyono (2017) instrument yang baik adalah sebagai berikut :
Construct Validity :
Uji Validitas :
Disusun Dengan konsultasi
berdasarkan teori ahli
yang relevan
Validitas
Internal/Rasional
Content Validity : Uji Validitas :
Dengan
Disusun
membandingkan
Valid mengukur berdasarkan
program yang ada
rancangan/program
apa yang ingin dengan konsultasi
yang telah ada
diukur ahli
(Ketepatan)
Diuji dengan :
Internal - Split half
Consistency - KR 20, KR 21
- Anova Hoyt
80
5.3.1. Pengujian Validitas Konstruksi (Construct Validity)
Validitas konstuk merujuk pada kesesuaian antara hasil pengukuran alat ukur dengan konsep
(konstuk) teoritis tentang variabel yang diteliti (Murti, 2011). Konstuk adalah sebuah ide atau keyakinan
yang dibentuk oleh sejumlah-bukti yang belum tentu benar (Hornby dalam Murti, 2011). Konstruk
digunakan untuk mengukur variabel “abstrak” yang harus dibangun menjadi sebuah bentuk yang lebih
konkrit. Variabel-variabel “abstrak” tersebut biasanya merupakan variabel-variabel psikologis seperti
depresi, kecemasan, kecerdasan, motivasi, tingkat kepuasan pelayanan dan lain sebagainya.
Murti (2011) memberikan sebuah contoh pemecahan variabel “kecemasan” menjadi bagian-
bagian yang lebih konkrit sehingga dapat diukur secara kuantitatif. Berdasarkan teori, kecemasan
dimanifestasikan oleh adanya bukti seperti telapak tangan berkeringat, takhikardia, gerakan mondar-
mandir, dan kesulitan berkonsentrasi. Dengan demikian, pengukuran variabel kecemasan dikatakan
memiliki validitas konstruk jika berhubungan (berkorelasi) dengan bukti-bukti tersebut (Streiner dan
Norman dalam Murti, 2011).
Validitas konstruk dapat dibedakan menjadi dua yaitu validitas konvergen dan validitas
dismriminan ( Murti, 2011). Validitas konvergen merujuk pada derajat kesesuaian antara atribut hasil
pengukuran alat ukur dan konsep teoritis yang menjelaskan keberadaan atribut-atribut dari variabel
tersebut. Misalnya, dalam pengukuran variabel kecemasan, jika berdasarkan teori kecemasan ditandai
dengan adanya bukti-bukti seperti adanya telapak tangan berkeringat, takhikardia, gerakan mondar -
mandir dan kesulitan memusatkan perhatian, maka alat ukur kecemasan dikatakan memiliki
validitas konvergen jika berkorelasi dengan bukti-bukti tersebut. Sedangkan validitas diskriman
merujuk pada derajat kesesuaian antara atribut-atribut yang seharusnya tidak diukur oleh alat ukur dan
konsep-konsep tentang variabel tersebut. Misalnya, jika teori menyatakan bahwa kecemasan tidak
dimanisestasikan dalam bentuk tingkat kebotakan kepala, maka pengukuran yang memiliki validitas
diskriminan seharusnya tidak berkorelasi dengan tingkat kebotakan kepala. Sehingga, jika hasil
pengukuran menunjukkan adanya korelasi maka kemungkinan ada kesalahan pada konstruks teoritis
yang dibentuk.
Untuk menguji validitas konstruksi, dapat digunakan pendapat dari ahli (judgment experts)
dengan beberapa kemungkinan keputusan yang diberikan oleh ahli diantaranya instrument dapat
digunakan tanpa perbaikan, ada perbaikan danmungkin diperbaiki secara keseluruhan (Sugiyono,
2017). Tenaga ahli yang dilibatkan minimal tiga orang dan umunya harus bergelar doctor sesuai
dengan lingkup yang diteliti (Sugiyono, 2017).
Selanjutnya pengujian validitas konstruksi dilanjutkan dengan uji coba instrument melalui
analisi korelasi atau analisis factor (Sugiyono, 2017). Selain itu, pengujian validitas konsrtuk dapat
81
dilakukan dengan menggunakan Confirmatory Factor Analysis (CFA) dan Anova (Grogan et al. dalam
Murti, 2011).
Analisis factor dilakukan dengan cara mengkorelasikan jumlah skor factor dengan total. Jika
korelasi tiap factor tersebut positif dan besarnya ≥0,3 makafaktor tersebut merupakan konstuk yang
kuat (Sugiyono, 2017). Untuk mengetahui apakah setiap item pertanyaan pada instrument valid atau
tidak, diuji dengan cara mengkorelasikan antara skor item pertanyaan dengan skor total dengan
kriteria yang sama.
5.3.2. Pengujian Validitas Isi (Content Validity)
Validitas isi merujuk pada derajat kesesuaian hasil pengukuran variabel yang diteliti oleh
sebuah alat ukur dengan isi dari variabel tersebut sebagaimana yang dimaksudkan oleh peneliti (Murti,
2011). Validitas isi mencakup dua aspek yaitu relevansi isi dan liputan isi (Messick dalam Murti, 2011).
Relevansi isi merujuk pada kesesuaian masing-masing item pengukuran denga nisi variabel yang
diukur. Sedangan cakupan atau liputan isi merujuk pada lingkup item pengukuran dalam meliputi
segala aspek isi variabel yang diukur. Aspek relevansi isi dan cakupan/liputan isi dari validitas isi
berkaitan erat dengan aspek konsistensi internal dari reliabilitas alat ukur (Murti, 2011).
Pengujian validitas isi yang terdiri atas relevansi isi dan liputan/cakupan isi dapat dilakukan
secara kualitatif maupun kuantitafi. Secara kualitatif pengujian validitas dilakukan berdasarkan
pertimbangan atau pendapat ahli. Sedangkan secara kuantitatif dilakukan dengan mengujicobakan alat
ukur dan analisis korelasi. Analisis korelasi dilakukan dengan mengkorelasikan masing-masing item
pertanyaan dari alat ukur tersebut dengan total keseluruhan item. Sama halnya dengan validitas
konstruk, hasil yang diharapkan adalah setiap item pertanyaan berkorelasi dengan totalnya, dimana
jika nilai korelasi yang diperoleh lebih kecil dari 0,2 sebaiknya dipertimbangkan untuk diperbaiki ulang
dana tau dibuang (Streiner dan Norman dalam Murti, 2011).
5.3.3. Pengujian Validitas Eksternal
Validitas eksternal instrument diuji dengan cara membandingkan antara kriteria yang ada pada
instrument dengan fakta-fakta empiris yang terjadi di lapangan. Tujuan perbandingan ini adalah untuk
mencari kesamaan. Bila terdapat kesamaan antara kriteria dalam instrument dengan fakta di lapangan,
maka dapat dinyatakan instrument tersebut mempunyai validitas eksternal yang tinggi (Sugiyono,
2017).
Instrument penelitian yang memiliki tingkat validitas eksternal yang tinggi akan mengakibatkan
hasil penelitian memiliki validitas eksternal tinggi juga. Sebuah penelitian dapat dikatakan memiliki
validitas eksternal yang tinggi jika hasil penelitiannya dapat digeneralisasikan atau diterapkan pada
82
sampel lain dalam populasi yang diteliti. Memperbesar ukuran sampel dapat meningkatkan validitas
eksternal instrument maupun validitas eksternal penelitian.
Berdasarkan pengujian yang dilakukan untuk menguji validitas konstruksi, validitas isi dan
validitas eksternal, secara umum pengujian ketiga validitas tersebut dilakukan dengan
mengkorelasikan masing-masing item pertanyaan terhadap totalnya. Jika skala ukur yang digunakan
adalah interval atau rasio, analisis korelasi yang digunakan untuk pengujian validitas adalah korelasi
product-moment atau korelasi Pearson sebagai berikut :
N ( xi y j ) − ( xi y j )
r=
N x − ( x ) N y − ( y )
2
i i
2 2
j j
2
Keterangan :
Uji signifikansi korelasi antara masing-masing item pertanyaan terhadap totalnya dilakukan dengan
pengujian hipotesis sebagai berikut :
H0 : ρi = 0 (Tidak terdapat korelasi antara skor item pertanyaan ke-i dengan total skor
dimensinya)
H1 : ρi ≠ 0 (Terdapat korelasi antara skor item pertanyaan ke-i dengan total skor dimensinya)
Taraf Signifikansi α
Statistik Uji :
r n−2
t=
1− r2
Kriteria Uji : Terima H0 jika -tα/2,n-2 ≤thitung ≤tα/2,n-2 , tolak dalam hal lainnya.
83
5.3.4. Pengujian Reliabilitas
Alat ukur atau instrument penelitian yang baik harus mengukur dengan valid dan reliabel.
Validitas instrument diukur dari validitas konstruksi, validitas isi dan validitas eksternal. Sedangkan
reliabilitas alat ukur terdiri atas dua aspek yaitu konsistensi internal dan stabilitas (Murti, 2011).
Konsistensi internal ditunjukkan dengan adanya korelasi antara skor masing-masing item pertanyaan
dengan skor semua item pertanyaan. Stabilitas alat ukur mencakup pengukuran pada dua kesempatan
yang dipisahkan oleh waktu yang berbeda (test-retest reliability), pengukuran dilakukan oleh pengukur
yang sama pada dua kesempatan yang berbeda (intra-observer reliability) dan pengukuran yang
dilakukan oleh dua atau lebih pengukur yan berbeda (inter-observer reliability) pada kesempatan yang
sama (Murti, 2011).
Konsistensi internal dapat diuji menggunakan korelasi item-total dan Alpha Cronbach). Korelasi
item-total menilai konsistensi internal instrument penelitian (alat ukur) dengan mengkorelasikan skor
masing-masing item pertanyaan dengan total skor semua item pertanyaan dalam pengukuran,
dikurangi dengan item bersangkutan. Oleh karena dikurangi dengan item bersangkutan, korelasi item-
total disebut juga korelasi item sisa (item-rest correlation). Jika item pertanyaan memberikan pilihan
jawaban lebih dari dua alternative, maka korealsi item-total diukur dengan menggunakan korelasi
Pearson. Sedangkan jika item-item pertanyaan memberikan pilihan jawaban dikotomi, maka korelasi
item-total diukur dengan korelasi titik-biserial (point-biserial correlation) (Klein dalam Murti, 2011).
Alpha Cronbach adalah koefisien konsistensi internal yang paling sering digunakan dalam
menguji reliabilitas instrument penelitian. Alpha Cronbach dapat digunakan untuk item-item respons
dikotomi atau lebih. Alpha Cronbach dihitung melalui rumus berikut :
=
k
1 −
i
S2
k − 1 S x 2
Dengan :
k : Jumlah Instrumen pertanyaan
S i
2
: Jumlah varians dari tiap instrumen
Terdapat dua pendapat mengenai Cut off minimal yang digunakan untuk Alpha Cronbach. Murti
(2011) menyebutkan bahwa cut off minimal Alpha Cronbach yang bisa digunakan untuk sebuah instrument
penelitian adalah 0,6. Dengan kata lain, instrument penelitian memiliki konsistensi internal yang baik (reliabel)
jika nilai Alpha Cronbach yang dimiliki minimal 0,6. Sedangkan pendapat lain dari Steriner dan Norman (dalam
Murti, 2011) dan Garson (dalam Murti, 2011) menyebutkan bahwa cut off minimal Alpha Cronbach untuk sebuah
84
instrument penelitian adalah 0,7. Dimana nilai 0,7 memberikan pengertian bahwa instrument penelitian memiliki
konsistensi internal yang memadai, sedangkan 0,8 adalah baik.
Stabilitas alat ukur diuji berdasarkan skala ukur variabel yang digunakan. Jika pengukuran dilakukan
pada dua kesempatan dan menggunakan skala kontinu, maka reliabilitas diuji menggunakan korelasi Pearson
atau Spearman. Sedangkan, jika pengukuran dilakukan pada lebih dari dua kesempatan, atau lebih dari dua
pengukur dan skala yang digunakan adalah kontinu, maka reliabilitas diuji dengan menggunakan kesepakatan
Kappa.
85
CASE STUDY
Buatlah sebuah kuesioner atau instrument penelitian dalam mengukur kualitas pelayanan bandara.
Dengan ketentuan :
1. Kuesioner yang dibentuk harus memenuhi validitas konstruksi, validitas isi dan validitas eksternal
2. Kuesioner yang dibentuk harus memenuhi aspek reliabilitas, konsistensi internal dan stabilitas.
3. Kuesiner yang dibentuk harus menggunakan skala pengukuran variabel yang sesuai.
4. Lakukan pengujian validitas kuesioner dengan menggunakan korelasi pearson.
5. Lakukan pengujian reliabilitas kuesioner dengan menggunakan Alpha Cronbach.
6. Lakukan analisis dari hasil pengujian validitas dan reliabilitas dan berikan kesimpulan.
86
Bab 6. Pengujian Hipotesis
87
status quo and is usually not rejected unless the sample results strongly imply that it is false (Rudolf.
J.Freud, 2003). Hipotesis nol (H0) digunakan untuk menyatakan kondisi parameter yang akan diuji.
Pada umumnya menggunakan notasi “=” yang mengindikasikan kondisi yang sama atau tidak berubah.
Sedangkan hipotesis satu (H1) atau sering juga disebut hipotesis alternatif atau hipotesis
tandingan secara umum menyatakan bahwa hipotesis nol tidak benar. The alternative hypothesis is a
statement that contradicts the null hypothesis. This hypothesis is declared to be accepted if the null
hypothesis is rejected. The alternative hypothesis is often called the research hypothesis because it
usually implies that some action is to be performed,some money spent, or some established theory
overturned(Rudolf, J.F.,2003).
Berikut adalah tanda-tanda yang sering digunakan pada masing-masing hipotesis :
Berdasarkan tanda yang digunakan dalam H1, pengujian hipotesis dibedakan menjadi dua. Jika
hipotesis satu (H1) atau hipotesis alternatif atau hipotesis tandingan menggunakan tanda “≠” artinya
pengujian hipotesis yang dilakukan adalah pengujian hipotesis dua pihak. Sebaliknya jika hipotesis
satu (H1) atau hipotesis alternatif atau hipotesis tandingan menggunakan tanda “<” atau “>” artinya
pengujian hipotesis yang dilakukan adalah pengujian hipotesis satu pihak. Pengujian hipotesis satu
pihak ini, dibedakan menjadi dua, yaitu pihak kanan dan pihak kiri. Pengujian hipotesis disebut
sebagai pengujian pihak kanan jika H1 nya mengandung tanda “>”, sebaliknya jika H1 mengandung
tanda “<” pengujian hipotesis yang dilakukan adalah pengujian pihak kiri.
Penentuan pengujian dua pihak, pihak kanan atau pihak kiri akan berpengaruh terhadap
penentuan nilai kritis yang nantinya akan dibandingkan dengan nilai hitung (Statistik Uji) yang
diperoleh.
Perhatikan contoh berikut, misalkan kita memiliki tiga pernyataan yang ingin diketahui
kebenarannya, yaitu :
1. Peluang lahir bayi laki-laki adalah 0,5
2. Rata-rata nilai TOEFL mahasiswa adalah 450
3. Rata-rata nilai TOEFL mahasiswa adalah lebih dari 450
Dalam mendeskripsikan ketiga pernyataan ilmiah tersebut ke dalam bentuk hipotesis statistik,
yang perlu diperhatikan adalah parameter apa yang diukur dan nilainya. Untuk pernyataan pertama,
parameter yang diukur adalah sebuah peluang. Dalam statistika, peluang dinotasikan sebagai p,
88
kemudian nilai parameter yang diperoleh dari pernyatan ilmiah tersebut adalah 0,5, artinya
pernyataan mengandung tanda “=”. Dengan demikian, informasi yang terkandung dalam pernyataan
dijadikan sebagai hipotesis nol (H0), artinya hipotesis satu atau tandingannya mengandung tanda “≠”.
Hipotesis statistika dari pernyataan pertama dapat didefinisikan sebagai :
H0 : p=0,5 (Peluang lahir bayi laki-laki adalah 0,5)
H1 : p≠0,5 (Peluang lahir bayi laki-laki bukan 0,5)
Dalam pernyataan ilmiah yang ke-2, parameter yang diukur adalah rata-rata. dalam statistika
parameter rata-rata dinotasikan sebagai µ. Nilai dari rata-rata yang dinyatakan dalam pernyataan
ilmiah adalah 450, artinya mengandung tanda “=”. Sama halnya dengan pernyataan ke-1, informasi
yang terkandung dalam pernyataan dijadikan sebagai hipotesis nol (H 0), artinya hipotesis satu atau
tandingannya mengandung tanda “≠”. Hipotesis statistika dari pernyataan pertama dapat didefinisikan
sebagai :
H0 : µ =450 (Rata-rata nilai TOEFL mahasiswa adalah 450)
H1 : µ ≠450 (Rata-rata nilai TOEFL mahasiswa bukan 450)
Dalam pernyataan ilmiah yang ke-3, parameter yang diukur adalah rata-rata. dalam statistika
parameter rata-rata dinotasikan sebagai µ. Nilai dari rata-rata yang dinyatakan dalam pernyataan
ilmiah adalah lebih besar dari 450, artinya mengandung tanda “>”. Dengan informasi yang terkandung
dalam pernyataan dijadikan sebagai hipotesis satu (H1), artinya hipotesis nol atau tandingannya
mengandung tanda “≤”. Hipotesis statistika dari pernyataan pertama dapat didefinisikan sebagai :
H0 : µ ≤450 (Rata-rata nilai TOEFL mahasiswa kurang dari atau sama dengan 450)
H1 : µ>450 (Rata-rata nilai TOEFL mahasiswa lebih dari 450)
89
Taraf signifikansi ditentukan oleh peneliti yang didasarkan pada pertimbangan mengenai
keseriusan atau biaya pembuatan eror tipe I. Besar taraf signifikansi yang sering digunakan adalah
5% dan 1%. Besar taraf signifikansi yang digunakan akan berhubungan dengan derajat kepercayaan
hasil pengujian yang diperoleh. Jika taraf signifikansi yang digunakan adalah 5%, maka derajat
kepercayaan hasil yang diperoleh adalah (1-0,05) atau 95%. Sedangkan jika taraf signifikansi yang
digunakan adalah 1%, maka derajat kepercayaan hasil yang diperoleh adalah (1-0,01) atau 99%.
90
6.3. Uji Rata-Rata
Pengujian hipotesis rata-rata dibagi berdasarkan banyaknya populasi dan asumsi yang dipenuhi
sebagai berikut :
a) Uji Rata-Rata Satu Sampel
Uji rata-rata satu sampel terbagi menjadi dua berdasarkan simpangan baku populasinya
diketahui atau tidak, sebagai berikut :
Asumsi :
• Satu Populasi berdistribusi normal
• Simpangan baku populasi (σ) diketahui
x − 0
z=
n
Kriteria Uji Dua Pihak : Kriteria Uji Pihak Kanan : Kriteria Uji Pihak Kiri :
Terima HO jika –Z1/2(1-α)< Z<Z1/2(1-α) , Terima HO jika Z<Z(0,5-α), Terima HO jika Z >-Z(0,5-α),
Tolak dalam hal lainnya Tolak dalam hal lainnya Tolak dalam hal lainnya
Perhatikan kasus berikut, pengusaha lampu pijar A mengatakan bahwa lampunya bisa
tahan pakai sekitar 800 jam. Akhir-akhir ini timbul dugaan bahwa masa pakai lampu itu telah
berubah. Untuk menentukan hal ini, dilakukan penelitian dengan cara menguji 50 buah lampu.
Ternyata rata-ratanya 792 jam. Dari pengalaman, diketahui bahwa simpangan baku masa hidup
lampu 60 jam. Selidikilah dengan taraf signifikansi 5%, apakah kualitas lampu sudah berubah
atau belum?
Berdasarkan kasus tersebut, maka hipotesis yang diuji adalah sebagai berikut :
H0 : µ=800 (Rata-rata masa pakai lampu adalah 800 jam)
H1 : µ≠800 (Rata-rata masa pakai lampu bukan 800 jam)
α = 0,05
Dari uraian kasus diperoleh informasi mengenai ukuran sampel (n) yaitu 50 buah lampu, rata-
rata masa pakai dari kelima puluh lampu ( x ) yaitu 792 jam dan simpangan baku dari populasi
lampu (σ) yaitu 60 jam, dengan demikianstatistik ujinya dapat dihitung sebagai berikut :
91
792 − 800
Z= = −0.94
60
50
Oleh karena, pengujian hipotesis yang dilakukan adalah pengujian hipotesis dua pihak, maka
nilai kritis yang diperoleh dari Tabel Distribusi Normal Standard adalah :
Z1 = Z1 = 1,96
(1− ) (1−0,05)
2 2
Kriteria Uji :
Terima HO jika –Z1/2(1-α)< Z<Z1/2(1-α) , Tolak dalam hal lainnya
Untuk memudahkan dalam mengambil kesimpulan, gambarkan kurva daerah penolakan dan
penerimaan H0 sebagai berikut :
Tolak H0
Tolak H0
Terima H0
−Z 1 Z1
(1− 0,05) (1− 0,05)
2 2
Z=-0,94
−1,96 1,96
Berdasarkan nilai statistik uji yang diperoleh dan kriteria uji yang digunakan, dapat dilihat pada
kurva bahwa nilai statistik uji (Z) yang bernilai -0,94 berada di daerah penerimaan H0 sehingga
dapat disimpulkan bahwa H0 diterima. Dengan kata lain, kualitas lampu pijar A belum berubah
atau rata-rata masa pakainya masih 800 jam.
Kasus selanjutnya, proses pembuatan barang rata-rata menghasilkan 15,7 unit per jam.
Hasil produksi mempunyai varians sama dengan 2,3. Metode baru diusulkan untuk mengganti
yang lama jika rata-rata per jam menghasilkan paling sedikit 16 unit. Untuk menentukan apakah
metode diganti atau tidak, metode baru dicoba 20 kali dan ternyata rata-rata per jam
menghasilkan 16,9 unit. Pengusaha bermaksud mengambil resiko 5% untuk menggunakan
metode baru apabila metode ini rata-rata menghasilkan lebih dari 16 unit. Metode mana yang
harus diputuskan oleh pengusaha tersebut?.
Hipotesis yang diuji adalah :
H0 : µ=16 (Metode Baru menghasilkan rata-rata per jam 16 unit)
92
H1 : µ>16 (Metode Baru menghasilkan rata-rata per jam lebih dari 16 unit)
α = 0,05
Dari uraian kasus diperoleh informasi mengenai ukuran sampel (n) yaitu 20, rata-rata per jam
yang dihasilkan ( x ) yaitu 16,9 unit dan varians dari populasi (σ2) yaitu 2,3 sehingga simpangan
bakunya adalah = 2,3 = 1,5657 , dengan demikian statistik ujinya dapat dihitung sebagai
berikut :
16,9 − 16
z= = 2, 65
1,5657
20
Oleh karena, pengujian hipotesis yang dilakukan adalah pengujian hipotesis pihak kanan, maka
nilai kritis yang diperoleh dari Tabel Distribusi Normal Standard adalah :
Z( 0,5− ) = 1,64
Kriteria Uji :
Terima HO jika Z <Z(0,5-α), Tolak dalam hal lainnya
Untuk memudahkan dalam mengambil kesimpulan, gambarkan kurva daerah penolakan dan
penerimaan H0 sebagai berikut :
Terima H0
Tolak H0
Z( 0,5− )
1, 64 Z=2,64
Berdasarkan nilai statistik uji yang diperoleh dan kriteria uji yang digunakan, dapat dilihat pada
kurva bahwa nilai statistik uji (Z) yang bernilai 2,64 berada di daerah penolakan H0 sehingga
dapat disimpulkan bahwa H0 ditolak. Dengan kata lain, tidak terdapat cukup bukti untuk menolak
pernyataan bahwa metode baru menghasilkan rata-rata per jam lebih dari 16 unit atau
pengusaha tersebut dapat menggunakan metode baru untuk menggantikan metode lama.
Perhatikan pengujian hipotesis pihak kiri pada kasus berikut, sebuah iklan menyatakan
bahwa sebuah baju merk A yang dihasilkan oleh sebuah pabrik cukup awet untuk dipakai. Iklan
ini dibuat pengusaha berdasarkan kenyataan bahwa baju tersebut dapat digunakan dalam
keadaan masih baik paling singkat selama tempo 180 hari. Untuk meneliti pernyataan yang
93
dibuat dalam iklan itu telah diuji sebanyak 36 buah baju. Ketiga puluh enam baju itu digunakan
orang (dalam kondisi baru) hingga mulai rusak. Jika dari ke 36 baju itu diperoleh rata-rata mulai
rusak pada hari ke-174. Berdasarkan pengalaman diketahui bahwa simpangan baku pemakaian
baju tersebut adalah 10 hari. Dengan menggunakan taraf signifikansi 5%, tentukan apakah
penelitian yang dilakukan berhasil memperlihatkan bahwa baju itu cukup awet sesuai dengan
yang dinyatakan dalam iklan atau tidak.
Hipotesis yang diuji adalah sebagai berikut :
H0 : µ≥ 180 (Baju merk A dapat digunakan dalam keadaan masih baik paling singkat selama
tempo 180 hari)
H1 : µ< 180 (Baju merk A dapat digunakan dalam keadaan masih baik kurang dari tempo 180
hari)
α = 0,05
Dari uraian kasus diperoleh informasi mengenai ukuran sampel (n) yaitu 36 baju, rata-rata masa
mulai rusak ( x ) hari ke-174 dan simpangan baku dari populasi baju (σ) yaitu 10 hari, dengan
demikian statistik ujinya dapat dihitung sebagai berikut :
174 − 180
z= = −3, 6
10
36
Oleh karena, pengujian hipotesis yang dilakukan adalah pengujian hipotesis pihak kiri, maka nilai
kritis yang diperoleh dari Tabel Distribusi Normal Standard adalah :
Z( 0,5− ) = 1,64
Kriteria Uji :
Terima HO jika Z >-Z(0,5-α), Tolak dalam hal lainnya
Untuk memudahkan dalam mengambil kesimpulan, gambarkan kurva daerah penolakan dan
penerimaan H0 sebagai berikut :
Tolak H0
Terima H0
− Z( 0,5− )
Z=-3,6 −1, 64
94
Berdasarkan nilai statistik uji yang diperoleh dan kriteria uji yang digunakan, dapat dilihat pada
kurva bahwa nilai statistik uji (Z) yang bernilai -,36 berada di daerah penolakan H0 sehingga
dapat disimpulkan bahwa H0 ditolak. Dengan kata lain, Baju merk A tidak cukup awet sesuai
dengan yang dinyatakan dalam iklam atau pernyataan Baju merk A dapat digunakan dalam
keadaan masih baik paling singkat selama tempo 180 hari dalam iklan tidak dapat diterima.
Ketiga contoh kasus di atas adalah contoh pengujian hipotesis dimana simpangan baku
dari populasi (σ) diketahui. Pada kenyataannya, dalam sebuah penelitian, informasi mengenai
simpangan baku populasi tidak diketahui. Dengan demikian, asumsi yang harus dipenuhi dalam
menggunakan statistik uji Z tidak terpenuhi. Sebagai alternatifnya, untuk dapat menguji hipotesis
dimana simpangan baku populasinya tidak diketahui, digunakan statistik uji t sebagai berikut :
Asumsi :
• Satu Populasi berdistribusi normal
• Simpangan baku populasi (σ) TIDAK diketahui
x − 0
t=
s
n
Kriteria Uji Dua Pihak : Kriteria Uji Pihak Kanan : Kriteria Uji Pihak Kiri :
Terima HO jika –tα/2;n-1< t<tα/2;n-1 , Terima HO jika t <tα;n-1, Terima HO jika t >-tα;n-1,
Tolak dalam hal lainnya Tolak dalam hal lainnya Tolak dalam hal lainnya
Sama seperti kasus pertama pada pengujian hipotesis sebelumnya, yang berbeda adalah
simpangan baku yang diketahui adalah simpangan baku dari sampel. Pengusaha lampu pijar A
mengatakan bahwa lampunya bisa tahan pakai sekitar 800 jam. Akhir-akhir ini timbul dugaan
bahwa masa pakai lampu itu telah berubah. Untuk menentukan hal ini, dilakukan penelitian
dengan cara menguji 50 buah lampu. Ternyata rata-ratanya 792 jam dan simpangan baku nya
55 jam. Selidikilah dengan taraf signifikansi 5%, apakah kualitas lampu itu sudah berubah atau
belum?
Berdasarkan kasus tersebut, maka hipotesis yang diuji adalah sebagai berikut :
H0 : µ=800 (Rata-rata masa pakai lampu adalah 800 jam)
H1 : µ≠800 (Rata-rata masa pakai lampu bukan 800 jam)
95
α = 0,05
Dari uraian kasus diperoleh informasi mengenai ukuran sampel (n) yaitu 50 buah lampu, rata-
rata masa pakai dari kelima puluh lampu ( x ) yaitu 792 jam dan simpangan bakunya (s) yaitu 55
jam, dengan demikian statistik ujinya dapat dihitung sebagai berikut :
792 − 800
t= = −1, 029
55
50
Oleh karena, pengujian hipotesis yang dilakukan adalah pengujian hipotesis dua pihak, maka
nilai kritis yang diperoleh dari Tabel Distribusi t-Student adalah :
t = t0,025;49 = 2, 01
;( n −1)
2
Kriteria Uji :
Terima HO jika –tα/2;n-1< t<tα/2;n-1 , Tolak dalam hal lainnya
Untuk memudahkan dalam mengambil kesimpulan, gambarkan kurva daerah penolakan dan
penerimaan H0 sebagai berikut :
Tolak H0
Tolak H0
Terima H0
−t t
;( n −1) ;( n −1)
2 2
t = -1,029
−2, 01 2, 01
Berdasarkan nilai statistik uji yang diperoleh dan kriteria uji yang digunakan, dapat dilihat pada
kurva bahwa nilai statistik uji (t) yang bernilai -1,029 berada di daerah penerimaan H0 sehingga
dapat disimpulkan bahwa H0 diterima. Dengan kata lain, kualitas lampu pijar A belum berubah
atau rata-rata masa pakainya masih 800 jam.
Perhatikan contoh kasus pengujian pihak kanan berikut, dikatakan bahwa dengan
menyuntikkan semacam hormon tertentu kepada ayam akan menambah berat telurnya rata-rata
4,5 gram. Sampel acak yang terdiri atas 31 butir telur dari ayam yang telah diberi suntikan
hormon tersebut memberikan rata-rata 4,9 gram dan simpangan baku 0,8 gram. Cukup
96
beralasankah untuk menerima pernyataan bahwa pertambhan rata-rata berta telur lebih dari 4,5
gram?
Kriteria Uji :
Terima HO jika t <tα;n-1, Tolak dalam hal lainnya
Untuk memudahkan dalam mengambil kesimpulan, gambarkan kurva daerah penolakan dan
penerimaan H0 sebagai berikut :
Terima H0
Tolak H0
t ;n −1
1, 697 t=2,78
Berdasarkan nilai statistik uji yang diperoleh dan kriteria uji yang digunakan, dapat dilihat pada
kurva bahwa nilai statistik uji (t) yang bernilai 2,78 berada di daerah penolakan H0 sehingga
dapat disimpulkan bahwa H0 ditolak. Dengan kata lain, cukup beralasan untuk menerima
pernyataan bahwa pertambahan rata-rata berat telur lebih besar dari 4,5 gram.
97
Contoh kasus berikut adalah pengujian hipotesis pihak kiri, akhir-akhir ini masyarakat
mengeluh dan mengatakan bahwa isi bersih makanan A dalam kaleng tidak sesuai dengan yang
tertulis pada etiketnya sebesar 5 ons. Untuk meneliti hal ini, 23 kaleng makanan A telah diteliti
secara acak. Dari ke-23 isi kaleng tersebut, berat rata-ratanya 4,9 ons dan simpangan baku 0,2
ons. Dengan taraf signifikansi 5%, tentukan apa yang dapat anda katakan tentang keluhan
masyarakat tersebut?
Hipotesis yang diuji adalah sebagai berikut :
H0 : µ= 5 (Isi bersih makanan A dalam kaleng sesuai dengan etiketnya yaitu 5 ons)
H1 : µ< 5 (Isi bersih makanan A dalam kaleng tidak sesuai dengan etiketnya yaitu kurang dari
5 ons)
α = 0,05
Dari uraian kasus diperoleh informasi mengenai ukuran sampel (n) yaitu 23 kaleng, rata-rata isi
bersih dalam kaleng ( x ) adalah 4,9 dan simpangan bakunya (s) yaitu 0,2, dengan demikian
statistik ujinya dapat dihitung sebagai berikut :
4,9 − 5
t= = −2,398
0, 2
23
Oleh karena, pengujian hipotesis yang dilakukan adalah pengujian hipotesis pihak kiri, maka nilai
kritis yang diperoleh dari Tabel Distribusi t-Student adalah :
t ;n−1 = t0,05;22 = 1,717
Kriteria Uji :
Terima HO jika t >-tα;n-1, Tolak dalam hal lainnya
Untuk memudahkan dalam mengambil kesimpulan, gambarkan kurva daerah penolakan dan
penerimaan H0 sebagai berikut :
Tolak H0
Terima H0
−t ;n −1
t=-2,398 −1, 717
98
Berdasarkan nilai statistik uji yang diperoleh dan kriteria uji yang digunakan, dapat dilihat pada
kurva bahwa nilai statistik uji (t) yang bernilai -2,398 berada di daerah penolakan H0 sehingga
dapat disimpulkan bahwa H0 ditolak. Dengan kata lain, hasil penelitian dapat digunakan sebagai
bahan pendukung untuk menguatkan keluhan masyarakat bahwa isi bersih makanan dalam
kaleng sudah berkurang daripada yang tertera pada etiket.
B
x1 − x2 x1 − x2 x1 − x2 t=
z= t= t= sB
1 1
+
1 1
+ s12 s22 n
n1 n2
s
n1 n2 +
n1 n2
n
( n1 − 1) s12 + ( n2 − 1) s22
(x − y ) i i
s 2
= B= i =1
n1 + n2 − 2 n
Kriteria uji yang digunakan untuk masing-masing pengujian hipotesis adalah sebagai berikut:
99
Sedangkan untuk asumsi Simpangan baku tidak homogen (σ1 ≠σ2) dan tidak diketahui, kriteria uji
yang digunakan yaitu :
n + n n + n
1 2 1 2
Perhatikan contoh kasus berikut, semacam barang dihasilkan dengan menggunakan dua
proses. Ingin diketahui apakah kedua proses itu menghasilkan hal yang sama atau tidak terhadap
100
kualitas barang itu ditinjau dari rata-rata daya tekannya. Untuk itu diadakan percobaan sebanyak 20
hari dari hasil proses kesatu dan 20 pula dari hasil proses kedua. Rata-rata dan simpangan baku
hasil dari proses satu adalah 9,25 kg dan 2,24 kg. Sedangkan rata-rata dan simpangan baku dari
hasil proses kedua adalah 10,40 kg dan 3,12 kg. Dengan menggunakan taraf signifikansi 5%
bagaimanakah hasilnya?
Hipotesis yang diuji adalah sebagai berikut :
H0 : μ1 =μ2 (kedua proses menghasilkan barang dengan rata-rata dan daya tekan yang sama)
H1 : μ1≠ μ2 (kedua proses menghasilkan barang dengan rata-rata dan daya tekan yang berbeda)
α = 0,05
Dari uraian kasus diperoleh informasi sebagai berikut :
• Proses satu :
Ukuran sampel (n1) = 20
Rata-rata ( x1 ) = 9,25
101
Sehingga wilayah penerimaan H0 adalah :
s12 s22 s12 s22
t +
n1 2 , ( n1 −1) n2 2 , ( n2 −1)
t +
n 2 , ( n1 −1) n t 2 , ( n2 −1)
t
1 2
− t
s1 s2
2 2
s1 s2
2 2
n + n n + n
1 2 1 2
−2, 09 t 2, 09
Kriteria Uji :
Terima HO −2, 09 t 2, 09 , Tolak dalam hal lainnya
Berdasarkan nilai statistik uji yang diperoleh dan kriteria uji yang digunakan, statistik uji t yang
diperoleh adalah 1,339 dan berada di daerah penerimaan H0 sehingga dapat disimpulkan bahwa H0
diterima. Dengan kata lain, kedua proses menghasilkan rata-rata dan daya tekan yang sama.
Perhatikan contoh kasus kedua berikut, seorang ibu percaya bahwa les privat dapat
meningkatkan nilai ujian anaknya. Untuk itu, dilakukan pengamatan terhadap 10 mata pelajaran
yang diikuti oleh anaknya sebelum dan sesudah mengikuti les privat tersebut. Hasilnya sebagai
berikut :
Nilai Sebelum 30 21 21 27 20 25 27 22 28 18
Nilai Sesudah 31 22 37 24 30 15 25 42 19 38
Nilai Sebelum 30 21 21 27 20 25 27 22 28 18
Nilai Sesudah 31 22 37 24 30 15 25 42 19 38
B -1 -1 -16 3 -10 10 2 -20 9 -20
Rata-rata dan simpangan baku dari nilai selisih yang diperoleh adalah sebagai berikut :
102
n
(x − y ) i i
B= i =1
=
( −1) + ( −1) + ( −16 ) + 3 + ( −10 ) + 2 + ( −20 ) + 9 + ( −20 )
10
= −4, 4
n
(( x − y ) − B )
2
i i
SB = i =1
= 11, 35
n −1
Pengujian hipotesis yang dilakukan adalah pengujian dua sampel dependen pihak kiri, sehingga
nilai kritisnya diperoleh melalui tabel distribusi t-Student sebagai berikut :
t ;n−1 = t0,05;9 = 1,833
Kriteria uji :
Terima HO jika t >tα;n-1, Tolak dalam hal lainnya
Untuk memudahkan dalam mengambil kesimpulan, gambarkan kurva daerah penolakan dan
penerimaan H0 sebagai berikut :
Tolak H0
Terima H0
−t ;n −1
−1,833 t = -1,27
Berdasarkan nilai statistik uji yang diperoleh dan kriteria uji yang digunakan, dapat dilihat pada
kurva bahwa nilai statistik uji (t) yang bernilai -1,27 berada di daerah penerimaan H0 sehingga
103
dapat disimpulkan bahwa H0 diterima. Dengan kata lain, les privat tidak dapat meningkatkan nilai
ujian, artinya nilai rata-rata nilai ujian sebelum dan sesudah mengikuti les privat relatif sama.
x −
z= n 0
0 (1 − 0 )
n
Kriteria Uji Dua Pihak : Kriteria Uji Pihak Kanan : Kriteria Uji Pihak Kiri :
Terima HO jika –Z1/2(1-α)< Z <Z1/2(1-α), Terima HO jika Z <Z(0,5-α), Terima HO jika Z >-Z(0,5-α),
Tolak dalam hal lainnya Tolak dalam hal lainnya Tolak dalam hal lainnya
Perhatikan contoh kasus berikut, misalkan sebuah penelitian ingin menguji bahwa distribusi jenis
kelamin laki-laki dan jenis kelamin perempuan adalah sama. Sebuah sampel acak berukutan 4800
orang terdiri atas 2458 orang laki-laki. Dalam taraf nyata 5% , betulkan distribusi kedua jenis kelamin
itu sama?
Hipotesis yang diuji adalah sebagai berikut :
104
H0 : π = 0,5
H1 : π ≠ 0,5
α = 0,05
Statistik Uji :
2458 − 0,5
z= 4800 = 1, 68
0,5 (1 − 0,5 )
4800
Nilai kritis :
Z1/2(1-0,05) =1,96
Tolak H0
Tolak H0
Terima H0
−Z 1 Z1
(1− 0,05) (1− 0,05)
2 2
Z=1,68
−1,96 1,96
Nilai Z yang diperoleh berada dalam wilayah penerimaan H0 sehingga dapat disimpulkan bahwa H0
diterima, artinya proporsi antara laki-laki dan perempuan sama besar.
Contoh berikutnya adalah seorang pejabat mengatakan bahwa paling banyak 60% anggota
masyarakat termasuk golongan A. Sebuah sampel acak telah diambil yang terdiri atas 8500 orang
ternyata 5426 termasuk golongan A. Apabila taraf signifikansi yang digunakan 1%, dapat diterimakah
pernyataan tersebut?.
Hipotesis yang diuji yaitu :
H0 : π 0,6
H1 : π> 0,6
α = 0,05
Statistik Uji :
5426 − 0, 6
z= 8500 = 2, 79
0, 6 (1 − 0, 6 )
8500
105
Nilai Kritis :
Z(0,05-0,01) =2,33
Terima H0
Tolak H0
Z( 0,5− )
2,33 Z=2,79
Nilai Z yang diperoleh berada dalam wilayah penolakan H0 sehingga dapat disimpulkan bahwa H0
ditolak, artinya persentase anggota masyarakat yang termasuk golongan A lebih besar dari 60%.
Contoh berikut adalah kasus untuk pengujian pihak kiri. Seorang prodeusen menyatakan bahwa
paling sedikit 95% dari barang yang dihasilkan tergolong pada kualitas yang memuaskan. Pemeriksaan
terhadap 200 barang yang ia hasilkan, ternyata 18 diantaranya tidak disenangi oleh konsumen karena
cacat. Selidikilah pernyataan produsen tadi dengan taraf nyata 1%.
Hipotesis yang diuji adalah sebagai berikut :
H0 : π ≥ 0,95
H1 : π< 0,95
α = 0,01
Statistik Uji :
182 − 0,95
z= 200 = −2, 6
0,95 (1 − 0,95 )
200
Nilai Kritis :
Z(0,5-0,01) =2,33
106
H0 ditolak H0 diterima
− Z ( 0,5−0,01)
Z=-2,6 −2,33
Nilai Z yang diperoleh berada dalam wilayah penolakan H0 sehingga dapat disimpulkan bahwa H0
ditolak, artinya kurang dari 95% dari barang yang dihasilkan tergolong pada kualitas yang memuaskan.
Sama halnya dengan uji rata-rata, dalam pengujian proporsi juga terkadang melibatkan dua
populasi. Dalam hal ini, kedua populasi diasumsikan berdistribusi Binomial, sebagai berikut :
Asumsi :
• Dua Populasi berdistribusi Binomial
x1 − x2
n n x1 + x2
z = 1 2
p= q = 1− p
1 1 n1 + n2
pq +
n1 n2
Kriteria Uji Dua Pihak : Kriteria Uji Pihak Kanan : Kriteria Uji Pihak Kiri :
Terima HO jika –Z1/2(1-α)< Z <Z1/2(1-α), Terima HO jika Z <Z(0,5-α), Terima HO jika Z >-Z(0,5-α),
Tolak dalam hal lainnya Tolak dalam hal lainnya Tolak dalam hal lainnya
Perhatikan contoh kasus berikut, suatu penelitian dilakukan di daerah A terhadao 250 pemilih.
Ternyata 150 pemilih menyatakan akan memilih calon C. Di daerah B penelitian dilakukan terhadap
300 pemilih dan terdapat 162 yang akan memilih calon C. Adakah perbedaan yang nyata mengenai
pemilihan calon C di antara kedua daerah itu?
Hipotesis yang diuji :
H0 : π1 = π2
107
H1 : π1 ≠ π2
α = 0,05
Statistik Uji :
150 + 162
p= = 0,5673 q = 1 − 0,5673 = 0, 4327
250 + 300
z=
150 (250
− 162 ) (
300 )= 1, 42
1 1
( 0,5673 0, 4327 ) +
250 300
x1 − x2
n n x +x
z = 1 2
p = 1 2 q = 1− p
1 1 n1 + n2
pq +
n1 n2
Nilai Kritis :
Z1/2(1-0,05) =1,96
Tolak H0
Tolak H0
Terima H0
−Z 1 Z1
(1− 0,05) (1− 0,05)
2 2
Z=1,42
−1,96 1,96
Nilai Z yang diperoleh berada dalam wilayah penerimaan H0 sehingga dapat disimpulkan bahwa H0
diterima, artinya tidak terdapat perbedaan yang nyata antara kedua daerah itu dalam pemilihan calon
C.
Selanjutnya, misalkan terdapat dua kelompok yaitu kelompok A dan kelompok B. Masing-masing
terdiri dari 100 pasien yang menderita semacam penyakit. Kepada kelompok A diberikan serum
tertentu tetapi tidak kepada kelompok B. Setelah jangka waktu tertentu, terdapat 80 yang sembuh dari
kelompok A dan 68 dari kelompok B. Apakah penelitian ini memperlihatkan serum ikut membantu
menyembuhkan penyakit?
Hipotesis yang diuji :
H0 : πA = πB
H1 : πA>πB
108
α = 0,05
Statistik Uji :
80 + 68
p= = 0, 74 q = 1 − 0, 74 = 0, 26
100 + 100
z=
(80
100) (
− 68 )
100 = 1,94
1 1
( 0, 74 0, 26 ) +
100 100
Nilai Kritis :
Z(0,5-0,05) =1,64
Terima H0
Tolak H0
Z( 0,5− )
1, 64 Z=1,94
Nilai Z yang diperoleh berada dalam wilayah penolakan H0 sehingga dapat disimpulkan bahwa H0
ditolak, artinya pemberian serum dapat dikatakan membantu menyembuhkan penyakit.
109
LATIHAN
1. Berikanlah contoh untuk memperlihatkan bahwa menguji sebuah pernyataan memang diperlukan!
2. Uraikanlah secara singkat dan jelas, apa yang dimaksud dengan :
a. Hipotesis e. Eror Jenis II
b. Hipotesis nol f. Taraf Signifikansi
c. Hipotesis alternatif g. Nilai Kritis
d. Eror jenis I
3. Seorang pemilik pabrik rokok mempunyai anggapan bahwa rata-rata nikotin yang dikandung oleh
setiap batang rokok adalah sebesar 20 mg, dengan alternatif lebih kecil dari itu. Dari 10 batang
rokok yang dipilih secara acak, diperoleh hasil sebagai berikut :
20 23 18 24 25 17 16 17 21 18
Dengan menggunakan taraf signifikansi 5%, ujilah pendapat tersebut!
4. Seorang produsen menyatakanbahwa paling sedikit 95% dari barang yang dihasilkan tergolong
pada kualitas yang memuaskan. pemeriksaan terhadap 200 barang yang ia hasilkan, ternyata 18
di antaranya tidak disenangi oleh konsumen karena cacat. Selidikilah pernyataan produsen
tersebut dengan taraf signifikansi 1%!
5. Di sebuah pabrik telah dilakukan penyelesaian semacam proyek. Mula-mula dikerjakan 40 orang
buruh dengan menggunakan metode A, kemudian dengan metode B telah dikerjakan oleh
sebanyak 50 orang buruh. Waktu yang diperlukan dalam penyelesaian proyek tersebut, oleh
metode A rata-rata setiap orang memerlukan waktu 55 menit, sedangkan apabila metode B yang
digunakan rata-ratanya memerlukan waktu 58 menit. Jika simpangan bakunya masing-masing 5,5
menit dan 8 menit, tentukan apakah kedua metode tadi mempunyai perbedaan yang nyata
ataukah tidak untuk penyelesaian proyek itu?
6. Suatu riset pemasaran dilakukan di Jakarta dan Surabaya. Tujuan dari riset ini adalah untuk
mengetahui apakah perbedaan yang nyata antara ibu rumah tangga yang senang akan Rinso
dibandingkan dengan Dino. Di Jakarta dari 100 orang ibu rumah tangga yang ditanya, terdapat 68
orang yang mengatakan lebih senang Rinso daripada Dino. Sementara di Surabaya, di antara 300
orang yang ditanya, terdapat 213 yang lebih senang Rinso daripada Dino. Dengan menggunakan
taraf signifikansi 1% ujilah pendapat bahwa proporsi ibu rumah tangga yang lebih senang Rinso
daripada Dino di Surabaya dan di Jakarta adalah sama?
7. Ada pendapat bahwa tak ada perbedaan antara gaji bulanan bagi karyawan perusahaan A dan B
yaitu sama, dengan alternatif ada perbedaan. Dari hasil wawancara terhadap 100 orang
110
karyawan, (50 dari perusahaan a dan 50 dari perusahaan B), diketahui bahwa rata-rata gaji
karyawan perusahaan a adalah Rp. 89.000 dengan simpangan baku rp. 40.000. Sedangkan rata-
rata gaji karyawan B adalah Rp. 92.000 dengan simpangan baku Rp.30.000. Dengan
menggunakan taraf signifikansi 5% ujilah pendapat tersebut?
111
Bab 7. Regresi Linear Sederhana dan
Korelasi
7.1. Analisis Regresi
7.1.1. Definisi Analisis Regresi
Istilah regresi pertama kali diperkenalkan oleh Francis Galton (1886). Dalam sebuah
makalah yang terkenal, Galton menemukan bahwa,walaupun terdapat sebuah kecenderungan
bagi orang tua dengan tinggi badan yang tinggi memiliki anak-anak yang tinggi dan bagi orang
tua dengan tinggi badan pendek memiliki anak-anak yang pendek, terdapat sebuah
kecenderungan bahwa rata-rata tinggi badan dari anak-anak dari orang tua dengan tinggi badan
tertentu bergerak atau mundur(regress) ke arah tinggi badan rata-rata populasi secara
keseluruhan.
Hukum Regresi Semesta (law of universal regression) yang dikemukakan oleh Galton
diperkuat oleh Karl Pearson, temannya. Pearson mengumpulkan lebih dari seribu catatan tinggi
badan anggota kelompok keluarga. Dia menemukan bahwa rata-rata tinggi badan anak laki-laki
pada kelompok ayah yang tinggi, lebih rendah atau kurang dari tinggi badan ayahnya. Sedangkan,
rata-rata tinggi anak laki-laki pada kelompok ayah yang pendek, lebih besar atau lebih tinggi
daripada tinggi badan ayahnya. Dengan demikian mundurnya (regressing) anak laki-laki yang
tinggi maupun pendek serupa ke arah rata-rata tinggi badan semua laki-laki. Dengan kata lain,
Galton menyebut hal tersebut sebagai “regression to mediocrity” atau “kemunduran ke arah
sedang”.
Definisi dari analisis regresi sendiri telah diungkapkan oleh beberapa penulis sebagai
berikut :
• Menurut Gujarati (2004), Analisis regresi berkenaan dengan studi ketergantungan satu
variable, variable tak bebas, pada satu atau lebih variable lain, variabel yang menjelaskan
(explanatory variables), dengan maksud menaksir dan atau meramalkan nilai-rata-rata
hitung (mean) atau rata-rata (populasi) variabel tak bebas, dipandang dari segi nilai yang
diketahui atau tetap (dalam pengambilan sampel berulang) variabel yang menjelaskan
(yang belakangan).
• Menurut Sanford Wisberg (2005), Analisis regresi merupakan sebuah analisis yang
digunakan untuk menjawab pertanyaan mengenai kebergantungan variabel respon
(variabel tak bebas) pada satu atau lebih variabel predictor (variabel bebas/variabel
menjelaskan/Explanatory Variable), termasuk prediksi nilai dari variabel respon,
112
menemukan variabel-variabel predictor yang penting dan memperkirakan dampak
perubahan nilai dari sebuah variabel predictor atau sebuah perlakuan terhadap nilai
variabel respon.
• Menurut Rudolf J. Freund (2003), Analisis regresi merupakan sebuah metode statistika
yang digunakan untuk menganalisis hubungan antara dua atau lebih variabel sedemikian
rupa sehingga salah satu variabel dapat diprediksi atau dijelaskan dengan menggunakan
informasi dari variabel lainnya.
• Menurut Lukas Setia Atmaja (2009), Analisis regresi adalah suatu proses melakukan
estimasi untuk memperoleh suatu hubungan fungsional antara variabel acak Y dengan
variabel X
Dari keempat definisi di atas, jelas bahwa sebuah analisis regresi bertujuan untuk menaksir
atau menduga nilai variabel y (variabel respon/variabel tak-bebas/varianel dependen.
Syarat pertama yang harus dipenuhi untuk dapat berbicara pengaruh dalam sebuah
analisis regresi adalah adanya urutan kejadian yaitu terjadinya sebab mendahului terjadinya akibat
yang disebut sebagai temporal order. Dengan kata lain, variabel tak bebas (respon/dependen)
yang dinotasikan sebagai Y terjadi setelah variabel bebas (independen/penjelas/explanatory) yang
dinotasikan sebagai variabel X, terjadi. Misalnya, sebuah kepala keluarga ingin menaksir atau
menduga besar pengeluaran rumah tangga per bulan berdasarkan penghasilan yang diterimanya.
113
Dalam hal ini, pengeluaran rumah tangga adalah sebuah variabel tak bebas yaitu variabel Y jelas
terjadi setelah kepala keluarga tersebut menerima penghasilan yaitu variabel bebas atau variabel
X. Dengan demikian, terdapat urutan kejadian yaitu penghasilan terjadi mendahului terjadinya
pengeluaran.
Selain adanya urutan kejadian, syarat kedua yang harus dipenuhi untuk dapat berbicara
pengaruh dalam sebuah analisis regresi adalah adanya hubungan antara variabel Y dan variabel
X. Salah satu cara untuk mengukur asosiasi antara variabel-variabel adalah menggunakan
koefisien korelasi. Dikaitkan dengan kasus sebelumnya, maka untuk dapat berbicara pengaruh
antara penghasilan dan pengeluaran, harus dipastikan terlebih dahulu bahwa terdapat hubungan
antara penghasilan dan pengeluaran. Dengan kata lain, harus dihitung nilai koefisien korelasi
antara penghasilan dan pengeluaran dan dilakukan pengujian signifikansi koefisien korelasi
tersebut.
Syarat ketiga yang harus dipenuhi yaitu variabel akibat (variabel Y) disebabkan oleh
variabel sebab (variabel X) dan bukan oleh variabel lain. Masih berkaitan dengan kasus
sebelumnya, variabel pengeluaran terjadi disebabkan oleh variabel adanya variabel penghasilan
bukan oleh variabel lainnya.
Hal paling penting untuk dapat berbicara pengaruh dalam sebuah analisis regresi adalah
syarat keempat, yaitu dukungan teori. Artinya, untuk dapat mengatakan bahwa variabel Y
dipengaruhi oleh variabel X harus didasarkan pada teori pendukung atau referensi yang
menyatakan bahwa variabel X mempengaruhi variabel Y. Masih dikaitkan dengan kasus yang
sama, untuk dapat mengatakan bahwa besar penghasilan mempengaruhi besar pengeluaran
maka harus didasarkan pada referensei yang menyatakan bahwa variabel penghasilan (X)
mempengaruhi variabel pengeluaran (Y), yaitu bisa diperoleh dalam ilmu ekonomi.
114
Sebagai contoh, digunakan kasus yang sama pada sub bab sebelumnya. Analisis regresi
berbicara pengaruh dari variabel penghasilan terhadap variabel pengeluaran (satu arah),
sedangkan analisis korelasi berbicara keeratan hubungan antara dua variabel tersebut, tidak
berbicara apakah variabel penghasilan mempengaruhi variabel pengeluaran maupun sebaliknya.
Dengan kata lain, dalam analisis regresi variabel diperlakukan berbeda yaitu variabel tak bebas
(Y) dan variabel bebas (X), sedangkan dalam analisis korelasi, kedua variabel diperlakukan sama
atau setara.
115
Terdapat dua teknik penaksiran yang dapat digunakan dalam penaksiran parameter a dan
b, yaitu metode ordinary least square(OLS) dan metode maksimum likelihood. Taksiran parameter
regresi yang diperoleh melalui metode OLS adalah sebagai berikut :
n n
n
xi
i −1
yi
xi yi −
i −1
b= i −1 n
2
n
xi
n 2 i −1
xi −
i −1 n
n n
yi x i
a= i −1
−b i −1
= Y − bX
n n
Metode OLS pertama kali dikemukakan oleh Carl Friedrich Gauss kebangsaan Jerman.
Gauss membuat asumsi yang dikenal sebagai asumsi klasik regresi yaitu :
1. Nilai harapan kekeliruan untuk setiap nilai X adalah nol atau ditulis : E(i|Xi) =0
2. Gangguan i dan j tidak berkolerasi atau tidak terjadi korelasi berurutan atau tidak terjadi
autokorelasi (non-autokorelasi). Atau ditulis : Cov(i, j)=0
3. Varians gangguan i untuk setiap Xi adalah konstan yang sama dengan dengan
2(homoskedastisitas) Atau ditulis : var(i|Xi)= 2
4. Gangguan I tidak berkolerasi dengan Xi. Atau ditulis Cov(i ,Xi)=0
Dari keempat asumsi klasik di atas, terdapat tiga asumsi yang membentuk sebuah asumsi
utama dalam sebuah analisis regresi, yaitu asumsi (1),(2) dan (3) yang secara ringkas ditulis
sebagai i~ N(0, 2). Artinya, error term dalam model regresi populasi harus mengikuti distribusi
normal dengan rata-rata 0 dan simpangan baku σ.
116
5. Koefisien determinasi
plon t di atas, jelas menunjukkan bahwa semakin tinggi nilai kualitas layanan (variabel X) yaitu
titik-titik nilainya semakin ke kanan, semakin tinggi juga nilai penjualan produk (variabel Y) yaitu
titik-titik nilainya semakin ke atas. Dengan demikian titik-titik nilai dari pasangan (x,y) membentuk
sebuah pola menaik atau membentuk trend linear ke atas, artinya hubungan antara variabel
kualitas layanan dan variabel penjualan produk adalah linear.
117
7.1.5.2. Uji Asumsi Klasik
Seperti yang sudah dijelaskan sebelumnya, dalam membentuk sebuah persamaan
regresi, terdapat beberapa asumsi yang harus dipenuhi yaitu normalitas, non-autokorelasi,
homoskedastisitas dan non-multikolinieritas (khusus untuk analisis regresi berganda)
Asumsi normalitas yang dimaksud adalah bahwa residual (error terms) dari model
regresi harus mengikuti pola distribusi normal. Terdapat dua cara dalam menguji asumsi ini,
yaitu metode grafik melalui plot normal kuantil dan uji hipotesisi melalui statistik Kolmogorov-
Smirnov). Hipotesis yang diuji adalah sebagai berikut :
H0 : Distribusi residual (error term) mengikuti pola distribusi normal
H1 : Distribusi residual (error term) tidak mengikuti pola distribusi normal
Asumsi kedua yang harus dipenuhi dalam sebuah analisis regresi adalah non-
autokorelasi. Asumsi non-autokorelasi memberikan pengertian bahwa tidak terdapat korelasi di
antara dua residual (error terms) yang beruntun. Sama halnya dengan asumsi normalitas,
terdapat dua cara dalam menguji asumsi ini yaitu melalui metode grafik dan uji hipotesis. Metode
grafik yang digunakan adalah dengan memplotkan nilai e (residual) terhadapat t (waktu), dimana
jika secara visual terdapat pola yang sistematis maka e (residual) cenderung berautokorelasi.
Oleh karena uji asumsi melalui metode grafik selalu subjektif menurut penelitinya dan sering
ditemukan adanya kekeliruan dalam pengambilan kesimpulan maka diperlukan sebuah uji
hipotesis untuk memperkuat hasil pengujian melalui metode grafik. Uji hipotesis dilakukan
dengan menggunakan statistik Durbin-Watson dengan hipotesis yang diuji adalah sebagai
berikut :
H0 : = 0 Tidak terdapat autokorelasi
H1 : 0 Terdapat autokorelasi
Statistik Durbin-Watson didefinisikan sebagai :
n
(e − et t −1 )2
dH = t =2
n
e
t =1
2
t
Kriteria Uji
Bandingkan dH dengan dTabel
dTabel dari tabel Durbin Watson
dL=dB : Batas Bawah
dU=dA : Batas Atas
118
Asumsi klasik lain dalam sebuah analisis regresi adalah homoskedastisitas, artinya
varians dari residual (error terms) untuk setiap nilai X adalah sama atau konstan. Untuk menguji
asumsi ini dilakukan dengan dua cara, yaitu metode grafik menggunakan scatter plot antara nilai
taksiran variabel Y dengan nilai residual kuadrat atau nilai variabel X dengan nilai residual
kuadrat.
1− r s
2 n(n − 1)
2
Jika variabel bebas (X) yang dilibatkan dalam analisis regresi lebih dari satu maka
analisis regresi yang dlakukan dinamakan sebagai analisis regresi berganda. Dalam membentuk
persamaan regresi pada analisis regresi berganda, selain ketiga asumsi yang sudah dijelaskan
119
sebelumnya, terdapat asumsi lain yang harus dipenuhi, yaitu asumsi non-Multikolinieritas.
Asumsi ini memberikan pengertian bahwa tidak terdapat korelasi di antara variabel-variabel
bebas (Xi) dengan (Xj). Pemeriksaan asumsi ini dilakukan menggunakan statistik Variance
Inflation Factor (VIF) dengan kriteria bahwa nilai VIF yang lebih besar dari 10 mengindikasikan
adanya kolinieritas di antara variabel bebas.
Kriteria Uji :
Tolak H0 jika Fhitung> Fα,v1,v2
Terima H0 jika Fhitung< Fα,v1,v2
v1 = k banyaknya variabel independen
v2 = n-k-1
120
Statistik Uji :
KTG b1
s ( b1 ) = thitung =
Sxx s ( b1 )
Kriteria Uji :
Terima H0 jika -tα/2,n-2 ≤thitung ≤tα/2,n-2 , tolak dalam hal lainnya.
( yˆ − y )
2
JK ( Re gresi )
R2 = i =1
=
n
JK (Total )
( y − y )
2
i =1
7.2. Korelasi
7.2.1. Koefisien Korelasi Sederhana
Koefisien korelasi menyatakan besar keeratan hubungan antara variabel X dan variabel Y
yang didefinisiikan sebagai :
n n
n X i Yi
XY − i i
i =1
n
i =1
S xy
r= i =1
=
n
2
n
2 S xx S yy
n Xi n Yi
X 2 − i =1 Y 2 − i =1
i =1
i
n i =1
i
n
121
Sebelum kita menyatakan besar keeratan hubungan antara kedua variabel tersebut,
terlebih dahulu harus dilakukan pengujian hipotesis apakah terdapat hubungan yang signifikan
antara kedua variabel. Hipotesis yang diuji yaitu :
H0 : ρ = 0
H1 : ρ ≠ 0
Taraf Signifikansi α
Statistik Uji :
r n−2
t=
1− r2
Kriteria Uji :
Terima H0 jika -tα/2,n-2 ≤thitung ≤tα/2,n-2 , tolak dalam hal lainnya.
Setelah terbukti melalui hasil pengujian bahwa terdapat hubungan yang signifikan antara
kedua variabel baru kita dapat menafsirkan arti dari koefisien korelasi yang telah diperoleh. Arti
dari koefisien korelasi menurut Guilford (Mindra Jaya, 2010) sebagai berikut :
≥0,2 - < 0,4 Hubungan yang rendah atau hubungan tidak erat
Tanda positif menunjukkan adanya hubungan yang selaras antara variabel bebas dengan
variabel tak bebas ( dalam arti semakin tinggi nilai dari variabel bebas semakin tinggi pula nilai
dari variabel tak bebas)
Tanda negatif menunjukkan adanya hubungan yang terbalik antara variabel tak bebas dengan
variabel bebas ( dalam arti semakin tinggi nilai dari variabel bebas semakin kecil nilai dari
variabel tak bebas)
122
7.3. Contoh Kasus
Perhatikan contoh berikut, Sebuah perusahaan melakukan penelitian dengan tujuan ingin
mengetahui taksiran penjualan produk berdasarkan kualitas pelayanan yang diberikan.Data yang
digunakan adalah sebagai berikut :
No. Kualitas Layanan (X) Penjualan Barang (Y) No. Kualitas Layanan (X) Penjualan Barang (Y)
18 45 160
1 54 167 19 47 155
2 50 155 20 53 159
3 53 148 21 49 159
4 45 146 22 56 172
5 48 170 23 57 168
6 63 173 24 50 159
7 46 149 25 49 150
8 56 166 26 58 165
9 52 170 27 48 159
10 56 174 28 52 162
11 47 156 29 56 168
12 56 158 30 54 166
13 55 150 31 59 177
14 52 160 32 47 149
15 50 157 33 48 155
16 60 177 34 56 160
17 55 166
2 2
No. Kualitas Layanan (X) Penjualan Barang (Y) XY X Y
1 54 167 9018 2916 27889
2 50 155 7750 2500 24025
3 53 148 7844 2809 21904
4 45 146 6570 2025 21316
5 48 170 8160 2304 28900
6 63 173 10899 3969 29929
7 46 149 6854 2116 22201
8 56 166 9296 3136 27556
9 52 170 8840 2704 28900
10 56 174 9744 3136 30276
11 47 156 7332 2209 24336
12 56 158 8848 3136 24964
13 55 150 8250 3025 22500
14 52 160 8320 2704 25600
15 50 157 7850 2500 24649
16 60 177 10620 3600 31329
17 55 166 9130 3025 27556
18 45 160 7200 2025 25600
19 47 155 7285 2209 24025
20 53 159 8427 2809 25281
21 49 159 7791 2401 25281
123
2 2
No. Kualitas Layanan (X) Penjualan Barang (Y) XY X Y
22 56 172 9632 3136 29584
23 57 168 9576 3249 28224
24 50 159 7950 2500 25281
25 49 150 7350 2401 22500
26 58 165 9570 3364 27225
27 48 159 7632 2304 25281
28 52 162 8424 2704 26244
29 56 168 9408 3136 28224
30 54 166 8964 2916 27556
31 59 177 10443 3481 31329
32 47 149 7003 2209 22201
33 48 155 7440 2304 24025
34 56 160 8960 3136 25600
Total 1782 5485 288380 94098 887291
288380 −
(1782 ) ( 5485 )
5485 1782
b= 34 = 1, 2874 a= − (1, 2874 ) = 93, 8495
( 1782 )
2
34 34
94098 −
34
Artinya, Secara rata-rata penjualan barang pada saat kualitas layanan nol adalah 93,845 (94 pcs) dan
meningkat sebesar 1,2874 (1 pcs) jika kualitas layanan meningkat sebesar satu satuan.
Statistik Uji :
KT ( Re gresi )
Fhitung =
KT ( Galat )
124
JK ( Re gresi ) = b1S xy JK ( Total ) = S yy
2
= b1S xy n
Yi
(1782 ) ( 5485 ) = Yi − i =1
n
2
= 1, 2874 288380 − i =1 n
34
( 5485 )
2
= 1, 2874 ( 901,4705 ) = 887291 −
34
= 1160,5374
= 2431,4412
JK ( Re gresi ) JK ( Re sidu )
KT ( Re gresi ) = KT ( Galat ) =
v1 v2
1270,9038
=
1160,5374 =
1 34 − 1 − 1
= 1160,5374 1270,9038
=
32
= 39, 7157
KT ( Re gresi )
F=
KT ( Galat )
1160,5374
=
39, 7157
= 29, 2211
Sumber Variasi DF JK KT F
Total 33 2431.4412
Kriteria Uji :
125
Terima H0 jika Fhitung< Fα,v1,v2
v2 = n-k-1
Nilai Kritis:
Artinya, terdapat pengaruh signifikan dari kualitas layanan terhadap penjualan produk
Statistik Uji :
KTG 39,7157
s ( b1 ) = = = 0,2381
(1782 )
2
Sxx
94098 −
34
b1 1, 2874
thitung = = = 5, 4056
s ( b1 ) 0,2381
Kriteria Uji :
Kesimpulan:
Koefisien Determinasi :
126
JK ( Re gresi )
R2 = 100%
JK ( Total )
1160, 5374
= 100%
2431, 4412
= 47,73%
Koefisien determinasi sebesar 47,73% menjelaskan bahwa sebesar 47,73% variasi dari penjualan
produk dapat dijelaskan oleh kualitas layanan dalam hubungan yang linear.
(1782 ) ( 5485 )
288380 −
34
r= = 0, 690872
(1782 ) 887291 − ( 5485 )
2 2
94098 −
34 34
Taraf Signifikansi 5%
0, 690872 34 − 2
Statistik Uji : t = = 5, 405654
1 − 0, 6908722
Kriteria Uji :
Kesimpulan : thitung > 2,0369 sehingga H0 ditolak, artinya terdapat korelasi antara kualitas layanan dan
penjualan
127
Case Study 1
Suatu penelitian lingkungan bertujuan untuk mengetahui tingkat pencemaran yang berasal dari mobil.
Dalam hal ini diperkirakan bahwa tingkat emisi hydrokarbon (HC) dari mntung dari jaraknya. Dengan
demikian, mobil yang masih baru lebih sedikit mengeluarkan HC daripada mobil tua. Untuk itu,
sebanyak 10 mobil merek tertentu dipilih secara acak, kemudian diperiksa berapa jarak tempuh (dalam
ribuan kilometer) dari mobil tersebut dan diukur tingkat emisi HC-nya (dalam ppm). Hasilnya adalah
sebagai berikut :
Jarak (x) 31 38 48 52 63 67 75 84 89 99
Emisi (y) 553 590 608 650 700 680 834 752 845 960
1. Untuk mengetahui keeratan hubungan antara jarak tempuh dan tingkat emisi, hitung nilai
korelasi antara jarak tempuh dengan tingkat emisi (HC), kemudian lakukan uji signifikansi
korelasi antara jarak tempuh dan tingkat emisi!
2. Telaah hubungan antara jarak tempuh dengan tingkat emisi dengan membuat scatter plot
antara kedua variabel tersebut, simpulkan!
3. Hitunglah nilai parameter a dan b, kemudian tuliskan persamaan regresi antara jarak tempuh
dan tingkat emisi (HC), interpretasikan!
4. Lakukan uji signifikansi model regresi pada (3) secara overall untuk mengetahui apakah
persamaan regresi yang diperoleh dapat digunakan untuk menaksir tingkat emisi (HC),
simpulkan!
5. Lakukan uji model regresi pada (3) secara parsial untuk mengetahui apakah jarak tempuh
mempengaruhi tingkat emisi (HC) secara signifikan atau tidak, simpulkan!
6. Hitunglah nilai koefisien determinasi untuk mengetahui besar variasi tingkat emisi (HC) yang
dapat dijelaskan oleh jarak tempuh, jelaskan!
128
Case Study 2
PT Cemerlang dalam beberapa bulan gencar mempromosikan sejumlah peralatan elektronik dengan
membuka outlet-outlet di berbagai daerah. Berikut data mengenai penjualan dan biaya promosi yang
dikeluarkan.
Perusahaan tersebut, ingin mengetahui apakah promosi yang dilakukan berpengaruh secara signifikan
terhadap tingkat penjualan (sales) dan persamaan regresi yang dapat digunakan untuk memprediksi
penjualan (sales) berdasarkan biaya promosi yang dikeluarkan. Berdasarkan data di atas :
1. Untuk mengetahui keeratan hubungan antara promosi dan tingkat penjualan, hitung nilai
korelasi antara kedua variabel tersebut kemudian lakukan uji signifikansi korelasi antara kedua
variabel tersebut!
2. Telaah hubungan antara promosi dan tingkat penjualan dengan membuat scatter plot antara
kedua variabel tersebut, simpulkan!
3. Hitunglah nilai parameter a dan b, kemudian tuliskan persamaan regresi antara promosi dan
tingkat penjualan, interpretasikan!
4. Lakukan uji signifikansi model regresi pada (3) secara overall untuk mengetahui apakah
persamaan regresi yang diperoleh dapat digunakan untuk memprediksi penjualan berdasarkan
biaya promosi yang dikeluarkan, simpulkan!
129
5. Lakukan uji model regresi pada (3) secara parsial untuk mengetahui apakah tingkat penjualan
dipengaruhi oleh promosi secara signifikan, simpulkan!
6. Hitunglah nilai koefisien determinasi untuk mengetahui besar variasi tingkat penjualan yang
dapat dijelaskan oleh biaya promosi yang dikeluarkan, jelaskan!
Case Study 3
Bank Indonesia (BI) sebagai Bank Sentral saat ini tidak berniat menaikkan tingkat suku bunga untuk
dapat menekan lajunya dollar terhadap rupiah, karena jika kenaikkan suku bunga ini dilakukan oleh BI,
hal tersebut tentunya akan memperburuk rekapitulasi perbankan, yang pada akhirnya sektor dunia
usaha lainnya kembali terpuruk.
BI menduga bahwa menguatnya kurs dollar yang terjadi pada semua mata uang (termasuk rupiah)
dewasa ini lebih disebabkan oleh perilaku Federal Reserve (Bank Sentral Amerika) yang menaikkan
suku bunganya, hal seperti ini diprediksi hanya bersifat temporer dan situsional, yang diharapkan tidak
akan berlangsung lama.
Untuk membuktikan dugaanya, BI berniat untuk melakukan penelitian untuk mengetahui seberapa
besar pengaruh perubahan tingkat suku bunga oleh Federal Reserve terhadap perubahan kurs rupiah.
Untuk itu diamati 10 data perubahan tingkat suku bunga yang diimbangi oleh perubahan kurs, hasilnya
sebagai berikut :
Perubahan
Tingkat Suku -0.5 0.1 0.3 -0.1 0.5 -0.5 -0.4 0.2 -0.3 0.4
Bunga (%)
Perubahan
Kurs Rupiah 200 50 -200 50 -300 300 250 -100 350 -250
(%)
130
Bab 8. Analisis Time Series
131
Tahun Triwulan 1 Triwulan2 Triwulan 3 Triwulan 4
1983 187 243 209 291
1984 198 263 270 297
1985 274 363 295 335
1986 233 273 240 290
1987 207 295 239 316
1988 237 367 300 430
1989 282 425 383 478
1990 375 430 392 560
1991 373 423 387 433
Perusahaan tersebut ingin melihat gerakan penjualan mobil tersebut pada masing-masing triwulan.
Untuk melihat gerakan tersebut dibuat scatter plot sebagai berikut :
Triwulan 1
400
350
300
250
200
Triwulan 1
150
100
50
0
1982 1984 1986 1988 1990 1992
Triwulan2
500
400
300
Triwulan2
200
100
0
1982 1984 1986 1988 1990 1992
132
Triwulan 3
450
400
350
300
250
200 Triwulan 3
150
100
50
0
1982 1984 1986 1988 1990 1992
Triwulan 4
600
500
400
300
Triwulan 4
200
100
0
1982 1984 1986 1988 1990 1992
Berdasarkan keempat scatter plotjelas terlihat bahwa gerakan perkembangan penjualan mobil di
persuhaan tersebut cenderung ke arah naik. Artinya, dari tahun ke tahun mengalami kenaikan.
133
suatu gerakan jangka panjang yang memiliki unsur siklus, yaitu perluasan (expansion), puncak (peak),
kemunduran (contraction) dan depresi (trough).
Berdasarkan metode Least Square, taksiran parameter a dan b dalam sebuah persamaan trend
didefinisikan sebagai :
n n
yi y x i i
a= i =1
b= i =1
n
x
n
i
i =1
Untuk dapat membentuk sebuah persamaan trend, periode waktu t (hari, minggu, bulan, tahun,
dll.) ditransformasi ke dalam sebuah koding waktu dengan ketentuan sebagai berikut :
134
8.3.1. Koding Waktu Data Ganjil
Jika data yang dikumpulkan banyaknya adalah ganjil, maka periode waktu yang
berada di tengah (Median) dijadikan sebagai tahun dasar dengan koding waktunya (x) adalah nol
(0). Koding waktu untuk periode sebelum tahun dasar adalah negatifnya yaitu -1,-2,-3,...
sedangakan untuk periode waktu setelahnya adalah positifnya yaitu 1,2,3,...
Untuk lebih jelasnya perhatikan contoh berikut :
Tahun Koding
1980 -2
1981 -1
1982 0
1983 1
1984 2
Tahun Koding
1980 -5
1981 -3
1982 -1
1983 1
1984 3
1985 5
Perhatikan contoh kasus berikut, data berikut adalah data penjualan PT. Mendota selama 5 tahun.
Data tersebut disajikan pada tabel berikut :
Tahun Penjualan
1985 7
1986 10
135
1987 9
1988 11
1989 13
Perusahaan tersebut ingin membentuk sebuah persamaan trend yang dapat digunakan untuk menaksir
atau menduga penjualan pada masa yang akan datang. Hasil penaksiran ini dapat digunakan untuk
rencana produksi untuk tahun-tahun selanjutnya.
2
Tahun Penjualan X X XxY
1985 7 -2 4 -14
1986 10 -1 1 -10
1987 9 0 0 0
1988 11 1 1 11
1989 13 2 4 26
Jumlah 50 0 10 13
n n
y i
50 y x i i
13
a= i =1
= = 10 b= i =1
n
= = 1, 3
5 10
x
n
i
i =1
Penjualan Menurut
Tahun Penjualan X
Persamaan
1985 7 -2 10 + 1,3 (-2) = 7,4
1986 10 -1 10 + 1,3 (-1) = 8,7
1987 9 0 10 + 1,3 (0) = 10
1988 11 1 10 + 1,3 (1) = 11,3
1989 13 2 10 + 1,3 (2) = 12.6
136
Prediksi penjualan tengah tahun 1990
Koding tahun 1990 = 3
yˆ = 10 + 1, 3 ( 3 ) = 13, 9
Artinya, taksiran penjualan pada pertengahan tahun 1990 adalah 13,9 satuan penjualan (bisa
unit atau bisa dalam mata uang rupiah)
Prediksi penjualan awal tahun 1991
Koding awal tahun 1991 = 3 + 0,5 = 3,5
yˆ = 10 + 1, 3 ( 3, 5 ) = 14, 55
Artinya, taksiran penjualan pada awal tahun 1991 adalah 14,55 satuan penjualan (bisa unit
atau bisa dalam mata uang rupiah)
Sebagai contoh perhatikan kasus berikut. Misalkan dari sebuah data diperoleh sebuah persamaan
trend Yˆ = 780 + 42 X dengan tahun dasar awal 1983 dan ingin dirubah tahun dasarnya menjadi awal
1985 sebagai berikut :
137
84 3 -2
85 5 0
86 7 2
87 9 4
• Trend Kwartalan
a b
Yˆ = + U
4 ( 4 )2
138
Yˆ = a + bX + cX 2
Dengan :
( y ) ( x 4 ) − ( x 2 y )( x 2 )
a=
( n x ) − ( x )
4 2 2
b=
xy
x 2
n ( x y ) − ( x ) ( y )
2 2
c=
( n x ) − ( x )
4 2 2
2. Trend Eksponensial
Persamaan trend Kuadratik didefinisikan sebagai :
Yˆ = a b X
ln Yˆ = ln ( a ) + X ln ( b )
Dengan :
ln y
a = anti ln
n
( x ln y )
b = anti ln
x 2
Permasalahan yang muncul dalam penaksiran sebuah persamaan trend dari data berkala adalah
bagaimana kita menentukan trend yang cocok dengan data berkala yang diketahui. Terdapat dua cara
dalam memilih trend, sebagi berikut :
• Menganalisis grafik atau scatter plot.
Langkah yang harus dilakukan adalh membuat plot antara data dengan waktu (t), kemudian plot
tersebut dianalisis apakah membentuk trend linear, kuadratik atau eksponensial,
• Menghitung Mean Square Error (MSE)
Langkah yang harus dilakukan yaitu membuat persamaan trend linear dan non-linear (kuadratik
dan Eksponensial). Kemudian tentukan nilai MSE dari masing-masing persamaan trend,
bandingkan dan pilihlah persamaan trend yang memiliki nilai MSE terkecil.
139
Terdapat tiga alasan mengapa variasi musiman perlu untuk dipelajari :
• Dapat membuat pola perubahan masa lalu
• Dapat memproyeksikan kondisi di masa mendatang dengan mengacu pada pola di masa lalu
• Sekali kita dapat mengetahui pola musiman, maka kita dapat mengubah efeknya dari time
series.
Variasi musiman dari sebuah data berkala dapat diukur melalui sebuah angka indeks yang disebut
sebagai indeks musim. Indeks musim adalah angka-angka yang bervariasi dari suatu angka dasar
sebesar 100%. Jika suatu periode waktu misalnya dalam bulan tertentu (atau bisa dalam minggu,
triwulan dan periode musim lainnya) memiliki nilai indeks musim sebesar 100, artinya pada bulan
tersebut tidak terdapat variasi musim.
Indeks musim dapat dihitung menggunakan metode rata-rata dan metode Ration Moving Average
(RMA). Dalam metode rata-rata, kita akan membandingkan nilai rata-rata musim dengan suatu nilai
rata-rata total. Sedangkan dalam metode RMA, kita akan mencari unsur variasi musim (V).
Perhatikan contoh perhitungan indeks musim melalui metode rata-rata berikut :
Triwulan
Tahun
1 2 3 4
250 290 260 310
290 270 340 410
310 480 325 380
305 360 340 385
330 440 410 450
Jumlah 1485 1840 1675 1935
Total 6935
Rata-Rata 297 368 335 387
Rata-Rata Total 346.75
Indeks Triwulan (%) 85.65 106.13 96.61 111.61
Total Indeks 400.00
Indeks triwulan diperoleh dari hasil perbandingan antara rata total dengan rata-rata masing-masing
triwulan dikalikan dengan 100%. Dimana total indeks dari masing-masing triwulan harus sama dengan
400.
Contoh berikut adalah perhitungan indeks musim melalui metode RMA, dengan menggunakan
data yang sama diperoleh :
140
Moving Average yang Persentase terhadap
Tahun Triwulan Penjualan Moving Total Moving Average
dipusatkan Moving Average
1 125
2 87 442 110.5
1988
3 90 447 111.75 111.125 80.9899
4 140 451 112.75 112.25 124.7216
1 130 456 114 113.375 114.6637
2 91 462 115.5 114.75 79.3028
1989
3 95 470 117.5 116.5 81.5451
4 146 475 118.75 118.125 123.5979
1 138 478 119.5 119.125 115.8447
2 96 482 120.5 120 80.0000
1990
3 98 493 123.25 121.875 80.4103
4 150 502 125.5 124.375 120.6030
1 149 506 126.5 126 118.2540
2 105 515 128.75 127.625 82.2723
1991
3 102 529 132.25 130.5 78.1609
4 159 538 134.5 133.375 119.2127
1 163 548 137 135.75 120.0737
2 114 575 143.75 140.375 81.2110
1992
3 112
4 186
141
Moving average yang dipusatkan diperoleh dengan mencari rata-rata dari dua nilai moving
average. Contoh :
111,125=(110,5+111,75)/2
112,25=(111,75+112,75)/2
• Persentase terhadap Moving Average
Persentase terhadap Moving Averagediperoleh dari hasil bagi antara moving average yang
dipusatkan dengan penjualan dikalikan 100%. Contoh :
80,9899=(111,125/90)x100%
124,7216=(112,25/140)x100%
Langkah selanjutnya, sajikan persentasi terhadap moving average yang diperoleh dari hasil
perhitungan pada tabel, menjadi sebagai berikut :
Triwulan
Tahun
1 2 3 4
1988 - - 80.9899 124.7216
1989 114.6637 79.3028 81.5451 123.5979
1990 115.8447 80.0000 80.4103 120.6030
1991 118.2540 82.2723 78.1609 119.2127
1992 120.0737 81.2110 - -
Rata-rata
117.2090 80.6965 80.2765 122.0338
(V)
Total V 400.2159
Indeks
117.1458 80.6530 80.2332 121.9680
Musim
Indeks musim diperoleh dari hasil bagi antara rata-rata (V) dari masing-masing triwulan dengan total V
dikalikan 400. Berdasarkan hasil perhitungan indeks pada tabel di atas, diperoleh bahwa pada semua
nilai indeks dari keempat triwulan tidaklah 100, sehingga semua triwulan memiliki variasi musim.
142
Y
Persentase = 100%
Yˆ
3. Jika nilai persentase yang diperoleh <100, artinya variasi siklis berada di bawah garis trend dan
jika >100 berada di atas garis trend.
Variasi siklis, juga dapat diidentifikasi melalui nilai siklus relatif yang didefinisikan sebagai :
RCR =
( Y Yˆ ) 100%
Yˆ
143
LATIHAN
1. Data berikut merupakan data deret waktu mengenai angka kelahiran per 1000 penduduk di suatu
negara selama jangka waktu 1915,1920,...,1955.
Tahun 1915 1920 1925 1930 1935 1940 1945 1950 1955
Kelahiran per 1000 penduduk 25 23.7 21.3 18.5 16.9 17.6 19.5 23.6 24
Buatlah persamaan trend nya dan lakukan peramalan kelahiran penduduk per 1000 penduduk
pada 3 tahun selanjutnya!
2. Hasil penjualan barang “A” yang dilakukan oleh suatu pabrik selama 1957-1966, dalam jutaan
rupiah adalah sebagai berikut :
Tahun 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966
Penjualan
265.1 283.1 286.8 339.4 407.6 407.5 457.1 435.7 586.9 604.6
(dalam jutaan Rupiah)
Jika data tersebut memiliki trend berbentuk eksponensial, maka buatlah persamaan trendnya dan
lakukan peramalan penjualan untuk 3 tahun berikutnya!
3. Pesanan semacam barang yang diterima oleh suatu pabrik setiap tahun, dinyatakan dalam jutaan
rupiah adalah sebagai berikut :
Berdasarkan hasil perhitungan, diperoleh bahwa persamaan trend linear dari data pesanan
barang tersebut adalah :
Yˆ = 24, 26 + 1,08 X
Hitung prediksi rata-rata pesanan barang per bulan pada tahun 1966!
144
4. Berikut adalah data mengenai banyaknya pengangguran di Negara Indonesia Tahun 1986-2004.
Pengangguran Pengangguran
Tahun Tahun
(Juta Orang) (Juta Orang)
Tentukan persamaan trend linear kemudian hitung prediksi banyaknya pengangguran untuk
tengah tahun 2016!
145
DAFTAR PUSTAKA
Atmaja, Lukas Setia., Ph.D, Statistika untuk Bisnis dan Ekonomi, Penerbit Andi, Yogyakarta, 2009.
Azwar, Saifuddin. Reliabilitas dan Validitas, Edisi 4. Pustaka Pelajar, Yogyakarta. 2015.
Freud, Rudolf J. & William J. Wilson. Statistical Methods, 2nd Edition. Academic Press, USA, 2003.
Gujarati, Damodar N. Basic Econometrics, fourth edition. The McGraw−Hill Companies, 2004.
Jaya, I.G. Mindra. Modul Praktikum Analisis Regresi. Statistika Universitas Padjadjaran, 2010.
Murti, Bhisma. Validitas dan Reliabilitas Pengukuran. Universitas Sebelas Maret. 2011.
Sugiyono. Metode Penelitian Kuantitaif, Kualitatif dan R&D. Afabeta Bandung. 2017.
Supranto,J., Statistik Teori dan Aplikasi, Edisi ketujuh Buku 1 dan 2, Penerbit Erlangga Jakarta, 2008.
Weisberg, Sanford. Applied Linear Regression, Third Edition. John Wiley & Son,Inc. New Jersey. 2005.
146
Probabilitas dan Statistika 2019
Nilai di dalam tabel adalah nilai peluang dalam area 0 sampai dengan z
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
147
Tabel Distribusi t-Student’s
148
Tabel Distribusi F untuk α = 0,1
df2/df1 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 39,863 49,500 53,593 55,833 57,240 58,204 58,906 59,439 59,858 60,195 60,705 61,220 61,740 62,002 62,265 62,529 62,794 63,061 63,328
2 8,526 9,000 9,162 9,243 9,293 9,326 9,349 9,367 9,381 9,392 9,408 9,425 9,441 9,450 9,458 9,466 9,475 9,483 9,491
3 5,538 5,462 5,391 5,343 5,309 5,285 5,266 5,252 5,240 5,230 5,216 5,200 5,184 5,176 5,168 5,160 5,151 5,143 5,134
4 4,545 4,325 4,191 4,107 4,051 4,010 3,979 3,955 3,936 3,920 3,896 3,870 3,844 3,831 3,817 3,804 3,790 3,775 3,761
5 4,060 3,780 3,619 3,520 3,453 3,405 3,368 3,339 3,316 3,297 3,268 3,238 3,207 3,191 3,174 3,157 3,140 3,123 3,105
6 3,776 3,463 3,289 3,181 3,108 3,055 3,014 2,983 2,958 2,937 2,905 2,871 2,836 2,818 2,800 2,781 2,762 2,742 2,722
7 3,589 3,257 3,074 2,961 2,883 2,827 2,785 2,752 2,725 2,703 2,668 2,632 2,595 2,575 2,555 2,535 2,514 2,493 2,471
8 3,458 3,113 2,924 2,806 2,726 2,668 2,624 2,589 2,561 2,538 2,502 2,464 2,425 2,404 2,383 2,361 2,339 2,316 2,293
9 3,360 3,006 2,813 2,693 2,611 2,551 2,505 2,469 2,440 2,416 2,379 2,340 2,298 2,277 2,255 2,232 2,208 2,184 2,159
10 3,285 2,924 2,728 2,605 2,522 2,461 2,414 2,377 2,347 2,323 2,284 2,244 2,201 2,178 2,155 2,132 2,107 2,082 2,055
11 3,225 2,860 2,660 2,536 2,451 2,389 2,342 2,304 2,274 2,248 2,209 2,167 2,123 2,100 2,076 2,052 2,026 2,000 1,972
12 3,177 2,807 2,606 2,480 2,394 2,331 2,283 2,245 2,214 2,188 2,147 2,105 2,060 2,036 2,011 1,986 1,960 1,932 1,904
13 3,136 2,763 2,560 2,434 2,347 2,283 2,234 2,195 2,164 2,138 2,097 2,053 2,007 1,983 1,958 1,931 1,904 1,876 1,846
14 3,102 2,726 2,522 2,395 2,307 2,243 2,193 2,154 2,122 2,095 2,054 2,010 1,962 1,938 1,912 1,885 1,857 1,828 1,797
15 3,073 2,695 2,490 2,361 2,273 2,208 2,158 2,119 2,086 2,059 2,017 1,972 1,924 1,899 1,873 1,845 1,817 1,787 1,755
16 3,048 2,668 2,462 2,333 2,244 2,178 2,128 2,088 2,055 2,028 1,985 1,940 1,891 1,866 1,839 1,811 1,782 1,751 1,718
17 3,026 2,645 2,437 2,308 2,218 2,152 2,102 2,061 2,028 2,001 1,958 1,912 1,862 1,836 1,809 1,781 1,751 1,719 1,686
18 3,007 2,624 2,416 2,286 2,196 2,130 2,079 2,038 2,005 1,977 1,933 1,887 1,837 1,810 1,783 1,754 1,723 1,691 1,657
19 2,990 2,606 2,397 2,266 2,176 2,109 2,058 2,017 1,984 1,956 1,912 1,865 1,814 1,787 1,759 1,730 1,699 1,666 1,631
20 2,975 2,589 2,380 2,249 2,158 2,091 2,040 1,999 1,965 1,937 1,892 1,845 1,794 1,767 1,738 1,708 1,677 1,643 1,607
21 2,961 2,575 2,365 2,233 2,142 2,075 2,023 1,982 1,948 1,920 1,875 1,827 1,776 1,748 1,719 1,689 1,657 1,623 1,586
149
df2/df1 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
22 2,949 2,561 2,351 2,219 2,128 2,061 2,008 1,967 1,933 1,904 1,859 1,811 1,759 1,731 1,702 1,671 1,639 1,604 1,567
23 2,937 2,549 2,339 2,207 2,115 2,047 1,995 1,953 1,919 1,890 1,845 1,796 1,744 1,716 1,686 1,655 1,622 1,587 1,549
24 2,927 2,538 2,327 2,195 2,103 2,035 1,983 1,941 1,906 1,877 1,832 1,783 1,730 1,702 1,672 1,641 1,607 1,571 1,533
25 2,918 2,528 2,317 2,184 2,092 2,024 1,971 1,929 1,895 1,866 1,820 1,771 1,718 1,689 1,659 1,627 1,593 1,557 1,518
26 2,909 2,519 2,307 2,174 2,082 2,014 1,961 1,919 1,884 1,855 1,809 1,760 1,706 1,677 1,647 1,615 1,581 1,544 1,504
27 2,901 2,511 2,299 2,165 2,073 2,005 1,952 1,909 1,874 1,845 1,799 1,749 1,695 1,666 1,636 1,603 1,569 1,531 1,491
28 2,894 2,503 2,291 2,157 2,064 1,996 1,943 1,900 1,865 1,836 1,790 1,740 1,685 1,656 1,625 1,593 1,558 1,520 1,478
29 2,887 2,495 2,283 2,149 2,057 1,988 1,935 1,892 1,857 1,827 1,781 1,731 1,676 1,647 1,616 1,583 1,547 1,509 1,467
30 2,881 2,489 2,276 2,142 2,049 1,980 1,927 1,884 1,849 1,819 1,773 1,722 1,667 1,638 1,606 1,573 1,538 1,499 1,456
40 2,835 2,440 2,226 2,091 1,997 1,927 1,873 1,829 1,793 1,763 1,715 1,662 1,605 1,574 1,541 1,506 1,467 1,425 1,377
60 2,791 2,393 2,177 2,041 1,946 1,875 1,819 1,775 1,738 1,707 1,657 1,603 1,543 1,511 1,476 1,437 1,395 1,348 1,291
120 2,748 2,347 2,130 1,992 1,896 1,824 1,767 1,722 1,684 1,652 1,601 1,545 1,482 1,447 1,409 1,368 1,320 1,265 1,193
∞ 2,706 2,303 2,084 1,945 1,847 1,774 1,717 1,670 1,632 1,599 1,546 1,487 1,421 1,383 1,342 1,295 1,240 1,169 1,000
150
Tabel Distribusi F untuk α = 0,05
df2/df1 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 161,448 199,500 215,707 224,583 230,162 233,986 236,768 238,883 240,543 241,882 243,906 245,950 248,013 249,052 250,095 251,143 252,196 253,253 254,314
2 18,513 19,000 19,164 19,247 19,296 19,330 19,353 19,371 19,385 19,396 19,413 19,429 19,446 19,454 19,462 19,471 19,479 19,487 19,496
3 10,128 9,552 9,277 9,117 9,014 8,941 8,887 8,845 8,812 8,786 8,745 8,703 8,660 8,639 8,617 8,594 8,572 8,549 8,526
4 7,709 6,944 6,591 6,388 6,256 6,163 6,094 6,041 5,999 5,964 5,912 5,858 5,803 5,774 5,746 5,717 5,688 5,658 5,628
5 6,608 5,786 5,410 5,192 5,050 4,950 4,876 4,818 4,773 4,735 4,678 4,619 4,558 4,527 4,496 4,464 4,431 4,399 4,365
6 5,987 5,143 4,757 4,534 4,387 4,284 4,207 4,147 4,099 4,060 4,000 3,938 3,874 3,842 3,808 3,774 3,740 3,705 3,669
7 5,591 4,737 4,347 4,120 3,972 3,866 3,787 3,726 3,677 3,637 3,575 3,511 3,445 3,411 3,376 3,340 3,304 3,267 3,230
8 5,318 4,459 4,066 3,838 3,688 3,581 3,501 3,438 3,388 3,347 3,284 3,218 3,150 3,115 3,079 3,043 3,005 2,967 2,928
9 5,117 4,257 3,863 3,633 3,482 3,374 3,293 3,230 3,179 3,137 3,073 3,006 2,937 2,901 2,864 2,826 2,787 2,748 2,707
10 4,965 4,103 3,708 3,478 3,326 3,217 3,136 3,072 3,020 2,978 2,913 2,845 2,774 2,737 2,700 2,661 2,621 2,580 2,538
11 4,844 3,982 3,587 3,357 3,204 3,095 3,012 2,948 2,896 2,854 2,788 2,719 2,646 2,609 2,571 2,531 2,490 2,448 2,405
12 4,747 3,885 3,490 3,259 3,106 2,996 2,913 2,849 2,796 2,753 2,687 2,617 2,544 2,506 2,466 2,426 2,384 2,341 2,296
13 4,667 3,806 3,411 3,179 3,025 2,915 2,832 2,767 2,714 2,671 2,604 2,533 2,459 2,420 2,380 2,339 2,297 2,252 2,206
14 4,600 3,739 3,344 3,112 2,958 2,848 2,764 2,699 2,646 2,602 2,534 2,463 2,388 2,349 2,308 2,266 2,223 2,178 2,131
15 4,543 3,682 3,287 3,056 2,901 2,791 2,707 2,641 2,588 2,544 2,475 2,403 2,328 2,288 2,247 2,204 2,160 2,114 2,066
16 4,494 3,634 3,239 3,007 2,852 2,741 2,657 2,591 2,538 2,494 2,425 2,352 2,276 2,235 2,194 2,151 2,106 2,059 2,010
17 4,451 3,592 3,197 2,965 2,810 2,699 2,614 2,548 2,494 2,450 2,381 2,308 2,230 2,190 2,148 2,104 2,058 2,011 1,960
18 4,414 3,555 3,160 2,928 2,773 2,661 2,577 2,510 2,456 2,412 2,342 2,269 2,191 2,150 2,107 2,063 2,017 1,968 1,917
151
df2/df1 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
19 4,381 3,522 3,127 2,895 2,740 2,628 2,544 2,477 2,423 2,378 2,308 2,234 2,156 2,114 2,071 2,026 1,980 1,930 1,878
20 4,351 3,493 3,098 2,866 2,711 2,599 2,514 2,447 2,393 2,348 2,278 2,203 2,124 2,083 2,039 1,994 1,946 1,896 1,843
21 4,325 3,467 3,073 2,840 2,685 2,573 2,488 2,421 2,366 2,321 2,250 2,176 2,096 2,054 2,010 1,965 1,917 1,866 1,812
22 4,301 3,443 3,049 2,817 2,661 2,549 2,464 2,397 2,342 2,297 2,226 2,151 2,071 2,028 1,984 1,938 1,889 1,838 1,783
23 4,279 3,422 3,028 2,796 2,640 2,528 2,442 2,375 2,320 2,275 2,204 2,128 2,048 2,005 1,961 1,914 1,865 1,813 1,757
24 4,260 3,403 3,009 2,776 2,621 2,508 2,423 2,355 2,300 2,255 2,183 2,108 2,027 1,984 1,939 1,892 1,842 1,790 1,733
25 4,242 3,385 2,991 2,759 2,603 2,490 2,405 2,337 2,282 2,237 2,165 2,089 2,008 1,964 1,919 1,872 1,822 1,768 1,711
26 4,225 3,369 2,975 2,743 2,587 2,474 2,388 2,321 2,266 2,220 2,148 2,072 1,990 1,946 1,901 1,853 1,803 1,749 1,691
27 4,210 3,354 2,960 2,728 2,572 2,459 2,373 2,305 2,250 2,204 2,132 2,056 1,974 1,930 1,884 1,836 1,785 1,731 1,672
28 4,196 3,340 2,947 2,714 2,558 2,445 2,359 2,291 2,236 2,190 2,118 2,041 1,959 1,915 1,869 1,820 1,769 1,714 1,654
29 4,183 3,328 2,934 2,701 2,545 2,432 2,346 2,278 2,223 2,177 2,105 2,028 1,945 1,901 1,854 1,806 1,754 1,698 1,638
30 4,171 3,316 2,922 2,690 2,534 2,421 2,334 2,266 2,211 2,165 2,092 2,015 1,932 1,887 1,841 1,792 1,740 1,684 1,622
40 4,085 3,232 2,839 2,606 2,450 2,336 2,249 2,180 2,124 2,077 2,004 1,925 1,839 1,793 1,744 1,693 1,637 1,577 1,509
60 4,001 3,150 2,758 2,525 2,368 2,254 2,167 2,097 2,040 1,993 1,917 1,836 1,748 1,700 1,649 1,594 1,534 1,467 1,389
120 3,920 3,072 2,680 2,447 2,290 2,175 2,087 2,016 1,959 1,911 1,834 1,751 1,659 1,608 1,554 1,495 1,429 1,352 1,254
∞ 3,842 2,996 2,605 2,372 2,214 2,099 2,010 1,938 1,880 1,831 1,752 1,666 1,571 1,517 1,459 1,394 1,318 1,221 1,000
152
Tabel Durbin Watson untuk Taraf Signifikansi 5%
obs. k'=1 k'=2 k'=3 k'=4 k'=5 k'=6 k'=7 k'=8 k'=9 k'=10
N dL du dL du dL du dL du dL du dL du dL du dL du dL du dL du
6 0,610 1,400 - - - - - - - - - - - - - - - - - -
7 0,700 1,356 0,467 1,896 - - - - - - - - - - - - - - - -
8 0,763 1,332 0,559 1,777 0,368 2,287 - - - - - - - - - - - - - -
9 0,724 1,320 0,629 1,699 0,455 2,128 0,296 2,588 - - - - - - - - - - - -
10 0,879 1,320 0,697 1,641 0,525 2,016 0,376 1,414 0,243 2,822 - - - - - - - - - -
11 0,927 1,324 0,658 1,604 0,595 1,928 0,444 2,283 0,316 2,645 0,203 3,005 - - - - - - - -
12 0,971 1,331 0,812 1,579 0,658 1,864 0,512 2,177 0,379 2,506 0,268 2,832 0,171 3,149 - - - - - -
13 1,010 1,340 0,861 1,562 0,715 1,816 0,574 1,094 0,445 2,390 0,328 1,692 0,230 2,985 0,147 3,266 - - - -
14 1,045 1,350 0,905 1,551 0,767 1,779 0,632 2,030 0,505 2,296 0,389 1,572 0,286 1,848 0,200 3,111 0,127 3,360 - -
15 1,077 1,361 0,946 1,543 0,814 1,750 0,685 1,977 0,562 2,220 0,447 2,472 0,343 2,727 0,251 2,979 0,175 3,216 0,111 3,438
16 1,106 1,371 0,982 1,539 0,857 1,728 0,734 1,935 0,615 2,157 0,502 2,388 0,396 2,624 0,304 2,860 1,222 3,090 0,155 3,304
17 1,133 1,381 1,015 1,536 0,897 1,710 0,779 1,900 0,664 2,104 0,554 2,318 0,451 2,537 0,358 2,757 0,272 2,975 1,198 3,184
18 1,158 1,391 1,046 1,535 0,933 1,696 0,820 1,872 0,710 2,060 0,603 2,257 0,502 2,461 0,407 2,667 0,321 2,873 1,244 3,073
19 1,180 1,401 1,074 1,536 0,967 1,685 0,859 1,848 0,752 2,023 0,649 2,206 0,549 2,396 0,456 2,589 0,369 2,783 0,290 2,974
20 1,201 1,411 1,100 1,537 0,998 1,676 0,894 1,828 0,792 1,991 0,692 2,162 0,595 2,339 0,502 2,521 0,416 2,704 0,336 2,885
21 1,221 1,420 1,125 1,538 1,026 1,669 0,927 1,812 0,829 1,964 0,732 2,124 0,637 2,290 0,547 2,460 0,461 2,633 0,380 2,806
22 1,239 1,429 1,147 1,541 1,053 1,664 0,958 1,797 0,863 1,940 0,769 2,090 0,677 2,246 0,588 2,407 0,504 2,571 0,424 2,734
23 1,257 1,437 1,168 1,543 1,078 1,660 0,986 1,785 0,895 1,920 0,804 2,061 0,715 2,208 0,628 2,360 0,545 2,514 0,465 2,670
153
obs. k'=1 k'=2 k'=3 k'=4 k'=5 k'=6 k'=7 k'=8 k'=9 k'=10
N dL du dL du dL du dL du dL du dL du dL du dL du dL du dL du
24 1,273 1,446 1,188 1,546 1,101 1,656 1,013 1,775 0,925 1,902 0,837 2,035 0,751 2,174 0,666 2,318 0,584 2,464 0,506 2,613
25 1,288 1,454 1,206 1,550 1,123 1,654 1,038 1,767 0,953 1,886 0,868 2,012 0,784 2,144 0,702 2,280 0,621 2,419 0,544 2,560
26 1,302 1,461 1,224 1,553 1,143 1,652 1,062 1,759 0,979 1,873 0,897 1,992 0,816 2,117 0,735 2,246 0,657 2,379 0,581 2,513
27 1,316 1,469 1,240 1,556 1,162 1,651 1,084 1,753 1,004 1,861 0,925 1,974 0,845 2,093 0,767 2,216 0,691 2,342 0,616 2,470
28 1,328 1,476 1,255 1,560 1,181 1,650 1,104 1,747 1,028 1,850 0,951 1,958 0,874 2,071 0,798 2,188 0,723 2,309 0,650 2,431
29 1,341 1,483 1,270 1,563 1,198 1,650 1,124 1,743 1,050 1,841 0,975 1,944 0,900 2,052 0,826 2,164 0,753 2,278 0,682 2,396
30 1,352 1,489 1,284 1,567 1,214 1,650 1,143 1,739 1,071 1,833 0,998 1,931 0,926 2,034 0,854 2,141 0,782 2,251 0,712 2,363
31 1,363 1,496 1,297 1,570 1,229 1,650 1,160 1,735 1,090 1,825 1,020 1,920 0,950 2,018 0,879 2,120 0,810 2,226 0,741 2,333
32 1,373 1,502 1,309 1,574 1,244 1,650 1,177 1,732 1,109 1,819 1,041 1,909 0,972 2,004 0,904 2,102 0,836 2,203 0,769 2,306
33 1,383 1,508 1,321 1,577 1,258 1,651 1,193 1,730 1,127 1,813 1,061 1,900 0,994 1,991 0,927 2,085 0,861 2,181 0,795 2,281
34 1,993 1,514 1,333 1,580 1,271 1,652 1,208 1,728 1,144 1,808 1,080 1,891 1,015 1,979 0,950 2,069 0,885 2,162 0,821 2,257
35 1,402 1,519 1,343 1,584 1,283 1,653 1,222 1,726 1,160 1,803 1,097 1,884 1,034 1,967 0,971 2,054 0,908 2,144 0,845 2,236
36 1,411 1,525 1,354 1,587 1,295 1,654 1,236 1,724 1,175 1,799 1,114 1,877 1,053 1,957 0,991 2,041 0,930 2,127 0,868 2,216
37 1,419 1,530 1,364 1,590 1,307 1,655 1,249 1,723 1,190 1,795 1,131 1,870 1,071 1,948 1,011 2,029 0,951 2,112 0,891 2,198
38 1,427 1,535 1,373 1,594 1,318 1,656 1,261 1,722 1,204 1,792 1,146 1,864 1,088 1,939 1,029 2,017 0,970 2,098 0,912 2,180
39 1,435 1,540 1,382 1,597 1,328 1,658 1,273 1,722 1,218 1,789 1,161 1,859 1,104 1,932 1,047 2,007 0,990 2,085 0,932 2,164
40 1,442 1,544 1,391 1,600 1,338 1,659 1,285 1,721 1,230 1,786 1,175 1,854 1,120 1,924 1,064 1,997 1,008 2,072 0,952 2,149
45 1,475 1,566 1,430 1,615 1,383 1,666 1,336 1,720 1,287 1,776 1,238 1,835 1,189 1,895 1,139 1,958 1,089 2,022 1,038 2,088
50 1,503 1,585 1,462 1,628 1,421 1,674 1,378 1,721 1,335 1,771 1,291 1,822 1,246 1,875 1,201 1,930 1,156 1,986 1,110 2,044
55 1,528 1,601 1,490 1,641 1,452 1,681 1,414 1,724 1,374 1,768 1,334 1,814 1,294 1,861 1,253 1,909 1,212 1,959 1,170 2,010
60 1,549 1,616 1,514 1,652 1,480 1,689 1,444 1,727 1,408 1,767 1,372 1,808 1,335 1,850 1,298 1,894 1,260 1,939 1,222 1,984
154
obs. k'=1 k'=2 k'=3 k'=4 k'=5 k'=6 k'=7 k'=8 k'=9 k'=10
N dL du dL du dL du dL du dL du dL du dL du dL du dL du dL du
65 1,567 1,629 1,536 1,662 1,503 1,696 1,471 1,731 1,438 1,767 1,404 1,806 1,370 1,843 1,336 1,882 1,301 1,923 1,266 1,964
70 1,583 1,641 1,554 1,672 1,525 1,703 1,494 1,735 1,464 1,768 1,433 1,802 1,401 1,837 1,369 1,873 1,337 1,910 1,305 1,948
75 1,598 1,652 1,571 1,680 1,543 1,709 1,515 1,739 1,487 1,770 1,458 1,801 1,428 1,834 1,399 1,867 1,369 1,901 1,339 1,935
80 1,611 1,662 1,586 1,688 1,560 1,715 1,534 1,743 1,507 1,772 1,480 1,801 1,453 1,831 1,425 1,861 1,397 1,893 1,369 1,925
85 1,624 1,671 1,600 1,696 1,575 1,721 1,550 1,747 1,525 1,774 1,500 1,801 1,474 1,829 1,448 1,857 1,422 1,886 1,396 1,916
90 1,635 1,679 1,612 1,703 1,589 1,726 1,566 1,751 1,542 1,776 1,518 1,801 1,494 1,827 1,469 1,854 1,445 1,881 1,420 1,909
95 1,645 1,687 1,623 1,709 1,602 1,732 1,579 1,755 1,557 1,778 1,536 1,802 1,512 1,827 1,489 1,852 1,465 1,877 1,442 1,903
100 1,654 1,694 1,634 1,715 1,613 1,736 1,592 1,758 1,571 1,780 1,550 1,803 1,528 1,826 1,506 1,850 1,484 1,874 1,462 1,898
150 1,720 1,746 1,706 1,760 1,693 1,774 1,679 1,788 1,665 1,802 1,651 1,817 1,637 1,832 1,622 1,847 1,608 1,862 1,594 1,977
200 1,758 1,778 1,748 1,789 1,738 1,799 1,728 1,810 1,718 1,820 1,707 1,831 1,697 1,841 1,686 1,852 1,675 1,863 1,685 1,874
155