net/publication/358869452
CITATIONS READS
0 16,001
1 author:
Mesra Mesra
Universitas Pembangunan Panca Budi
126 PUBLICATIONS 2,122 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Mesra Mesra on 26 February 2022.
i
JUDUL BUKU
ii
STATISTIKA EKONOMI & BISNIS
PENULIS
MESRA B, SE, MM
iii
KATA PENGANTAR
Penulis
iv
DAFTAR ISI
v
C. Angka Indeks Gabungan .................................................................... 93
D. Angka Indeks Gabungan Tidak Tertimbang ...................................... 93
E. Angka Indeks Gabungan Tertimbang ................................................. 96
F. Angka Indeks Berantai ...................................................................... 102
BAB VII. ANALISIS DATA BERKALA .......................................... 105
A. Pengertian Analisis Deret Berkala.................................................... 105
B. Metode Kuadrat Terkecil .................................................................. 106
C. Metode Setengah Rata-rata ............................................................... 111
BAB VIII. ANALISIS REGRESI & KORELASI SEDERHANA .. 121
A. Analisis Regresi Linear Sederhana................................................... 121
B. Analisis Korelasi Sederhana Sederhana ........................................... 128
C. Koefesien Determinasi (R2) atau KD ............................................... 133
vi
BAB I
PENGANTAR STATISTIKA
1
memenuhi syarat: data berdistribusi normal, skala pengukurannya interval
dan rasio serta jumlah data yang relatif besar. Jika persyaratan yang tiga
diatas tidak terpenuhi maka statistika non parametriklah yang perlu
dilakukan karena statistik non parametrik adalah statistik bebas syarat /
sebaran. Ciri-ciri statistika non parametrik adalah:
a) Data tidak berdistribusi normal
b) Data berskala nominal dan ordinal
c) Umumnya dilakukan pada penelitian sosial
d) Jumlah sampel kecil
Adapun contoh uji yang menggunakan statistika non parametrik adalah:
a) Uji tanda (sign test)
b) Rank sum test (wilcoxon)
c) Rank correlation test (spearman)
d) Fisher probability exact test.
e) Chi-square test, dll
Statistika non parametrik mempunyai keunggulan diantaranya:
1) Tidak membutuhkan asumsi normalitas.
2) Statistika non parametrik tidak membutuhkan perhitungan matematik
yang rumit seperti halnya statistik parametrik.
3) Statistik non parametrik dapat digantikan data numerik (nominal)
dengan jenjang (ordinal).
4) Kadang-kadang pada statistik non-parametrik tidak dibutuhkan urutan
atau jenjang secara formal karena sering dijumpai hasil pengamatan
yang dinyatakan dalam data kualitatif.
5) Pengujian hipotesis pada statistik non-parametrik dilakukan secara
langsung pada pengamatan yang nyata.
2
6) Walaupun pada statistik non-parametrik tidak terikat pada distribusi
normal populasi, tetapi dapat digunakan pada populasi berdistribusi
normal.
3
b) Reliabel: menunjukan derajat konsistensi yaitu konsistensi data dalam
interval waktu tertentu.
c) Objektif: menunjukan derajat persamaan persepsi antar orang
(interpersonal agreement).
Tujuan Penelitian
Penelitian itu bertujuan untuk penemuan teori baru, pembuktian
teori yang sudah ada, dan pengembangan dari teori / pengetahuan yang
sudah ada. Penemuan teori baru harus berasal dari data baru yang belum
pernah diketahui sebelumnya. Pembuktian teori yang sudah ada memiliki
data yang sudah dibuktikan dan untuk membuktikan adanya keragu-raguan
terhadap suatu pengetahuan. Pengembangan dari teori yang sudah ada
digunakan untuk memperdalam dan memperluas suatu pengetahuan.
Variabel Penelitian
Variabel diartikan sebagai segala sesuatu yang akan menjadi objek
pengamatan penelitian. Sering pula dinyatakan variabel penelitian itu
sebagai faktor-faktor yang berperan dalam peristiwa atau gejala yang akan
diteliti. Variabel penelitian juga suatu atribut atau sifat atau nilai dari
orang/objek atau kegiatan yang mempunyai variasi tertentu yang
ditetapkan oleh peneliti untuk dipelajari dan ditarik kesimpulan.Macam-
Macam Variabel:
4
d) Variabel intervening, variable yang secara teoritis mempengaruhi
hubungan antara variabel independen dengan dependen, tetapi tidak
dapat diamati dan diukur.
5
dalam penelitian dan berpengaruh terhadap variabel tergantung
dan pengaruh tersebut mencampuri/berbaur dengan variabel
bebas.
b) Variabel kendali (control variables) adalah variabel pembaur yang
dapat dikendalikan pada saat riset design. Pengendalian dapat
dilakukan dengan cara eksklusi (mengeluarkan obyek yang tidak
memenuhi kriteria) dan inklusi (menjadikan obyek yang
memenuhi kriteria untuk diikutkan dalam sampel penelitian) atau
dengan blocking, yaitu membagi obyek penelitian menjadi
kelompok - kelompok yang relatif homogen.
c) Variabel penyerta (concomitant variables) adalah suatu variabel
pembaur (cofounding) yang tidak dapat dikendalikan saat riset
design. Variabel ini tidak dapat dikendalikan, sehingga tetap
menyertai (terikut) dalam proses penelitian, dengan konsekuensi
harus diamati dan pengaruh baurnya harus dieliminir atau
dihilangkan pada saat analisis data.
Paradigma Penelitian
Paradigma Penelitian merupakan pola fikir yang menunjukan
hubungan antara variabel yang akan diteliti dan mencerminkan jumlah
rumusan masalah yang perlu dijawab melalui penelitian, teori yang
digunakan untuk merumuskan hipotesis, jenis dan jumlah hipotesis, dan
teknik analisis statistik yang akan digunakan.
Bentuk-bentuk paradigma:
a) Paradigma sederhana, satu variabel independen dan satu variabel
dependen.
b) Paradigma Sederhana Berurutan
c) Paradigma Ganda dengan Dua Variabel Independen
6
d) Paradigma Ganda dengan Tiga Variabel Independen
e) Paradigma Ganda dengan Dua Variabel Dependen
f) Paradigma Ganda dengan Dua Variabel Independen dan Dua Variabel
Dependen
g) Paradigma Jalur
Proses Penelitian
a) Adanya masalah
b) Rumusan masalah
c) Pengajuan hipotesis
d) Pembuktian hipotesis
e) Kesimpulan dan Saran
Peranan Statistik dalam Penelitian
a) Alat untuk menghitung besarnya anggota sampel yang diambil dari
populasi. Dengan demikian jumlah sampel yang diperlukan lebih dapat
dipertanggung-jawabkan.
7
c) Teknik-teknik untuk menyajikan data, sehingga data lebih
komunikatif. Teknik-teknik penyajian data antara lain: tabel, grafik,
diagram lingkar, dan pistogram.
Ukuran Sampel
Penentuan sampel dari populasi digunakan perhitungan maupun
acuan tabel yang dikembangkan para ahli. Secara umum, untuk penelitian
korelasional jumlah sampel minimal untuk memperoleh hasil yang baik
8
adalah 30, sedangkan dalam penelitian eksperimen jumlah sampel
minimum 15 dari masing-masing kelompok dan untuk penelitian survey
jumlah sampel minimum sampelnya adalah 100.
Dimana:
9
n = sampel
N = populasi
e = nilai presisi 95% atau sig. = 0,05.
n = L / F2 + u + 1
Dimana:
N = Ukuran sampel
F2 = Effect Size
u = Banyaknya ubahan yang terkait dalam penelitian
L = Fungsi Power dari u, diperoleh dari tabel
10
Teknik Sampling
11
Teknik klaster atau Cluster Sampling ini memilih sampel bukan
didasarkan pada individual, tetapi lebih didasarkan pada
kelompok, daerah, atau kelompok subjek yang secara alami
berkumpul bersama. Teknik klaster sering digunakan oleh para
peneliti di lapangan yang wilayahnya mungkin luas. Dengan
menggunakan teknik klaster ini, mereka lebih dapat menghemat
biaya dan tenaga dalam menemui responden yang menjadi subjek
atau objek penelitian.
12
3) Sampling Insidental
Teknik penentuan sampel berdasarkan kebetulan saja, yaitu siapa
saja yang secara kebetulan ditemui oleh peneliti dan memenuhi
syarat untuk dijadikan sampel dalam penelitian.
4) Purposive Sampling
Teknik penentuan sampel dengan pertimbangan tertentu. Contoh
penelitian tentang gizi balita, maka sampel sumber datanya adalah
orang yang ahli gizi. Sampel ini lebih cocok digunakan
untuk Penelitian Kualitatif atau penelitian yang tidak melakukan
generalisasi.
5) Sampling Jenuh (Sensus)
Semua anggota populasi digunakan sebagai sampel. Hal ini sering
dilakukan bila jumlah populasi relatif kecil, (n < 30). Oleh karena
semua anggota populasi dijadikan sampel maka tingkat
kesalahannya sangatlah kecil.
6) Snowball Sampling
Teknik penentuan sampel yang mula-mula jumlahnya kecil,
kemudian membesar. Semua itu terjadi karena sampel yang
diperoleh belum sesuai seperti yang diharapkan. Sehingga jumlah
sampel harus ditambah sampai sampel yang diambil itu benar-
benar mewakili populasi dan sesuai dengan hasil yang diharapkan.
13
b) Data Sekunder
Data yang didapat secara tidak langsung oleh peneliti tetapi
peneliti memperoleh data dari sumber lain. Peneliti mendapatkan
data yang sudah jadi yang dikumpulkan oleh pihak lain dengan
berbagai cara atau metode baik secara komersial maupun non
komersial.
Contoh: BPS, LSI, MARS, dan lain sebagainya.
2. Sumber Data
a) Data Internal
Data internal adalah data yang diperoleh dari dalam perusahaan
maupun organisasi. Data ini biasanya menggambarkan situasi dan
kondisi di dalam perusahaan secara internal dan terkadang data
internal juga merupakan rahasia perusahaan yang tentu saja tidak
mudah untuk mendapatkannya.
Misal: data penjualan, data keuangan, data pegawai.
b) Data Eksternal
Data eksternal adalah data yang menggambarkan situasi serta
kondisi yang ada di luar organisasi / perusahaan. Data eksternal
bisa berupa peluang dan ancaman bagi perusahaan.
Contohnya adalah data jumlah penggunaan suatu produk pada
konsumen, tingkat preferensi pelanggan, persebaran penduduk.
2. Jenis Data
a) Data Kualitatif
Data kualitatif adalah data yang disajikan dalam bentuk kata-kata
yang mengandung makna. Contohnya seperti persepsi konsumen
terhadap rasa sebuah makanan.
14
b) Data Kuantitatif
Data kuantitatif adalah data yang dipaparkan dalam bentuk angka-
angka. Misalnya adalah data jumlah pengangguran suatu daerah,
data besarnya gaji karyawan pada sebuah perusahaan.
Data kuantitatif dibagi terbagi atas data diskrit dan data kontinyu.
✓ Data diskrit merupakan data yang diperoleh dengan cara
menghitung dan selalu berbentuk bilangan bulat. Misalnya
jumlah rumah 100 buah, jumlah anak 3 orang.
✓ Data kontinyu merupakan data yang diperoleh dengan cara
mengukur, bisa dalam bentuk bilangan bulat maupun
pecahan. Misalnya panjang jalan 4,5 km, berat badan 3,5 kg.
3. Waktu Pengumpulan Data
a) Data Cross Section
Data cross-section adalah data yang diperoleh pada satu satuan
waktu saja. Misalnya data bencana alam, data kecelakaan lalu
lintas, dan lain sebagainya.
b) Data Time Series / Berkala
Data berkala adalah data yang datanya menggambarkan sesuatu
dari waktu ke waktu atau periode secara historis. Contoh data
perkembangan volume penjualan suatu perusahaan tahun 2010.
15
b) Data Interval
Data interval mempunyai tingkatan lebih rendah dari data rasio.
Data rasio memiliki jarak data yang pasti namun tidak memiliki
nilai nol mutlak. Contoh dari data interval ialah hasil dari nilai
ujian matematika. Nilai si A 80, si B 79 dan si C 80. Maka urutan
rangkingnya adalah A rangking I, B rangking II dan C rangking
III, walaupun jarak nilainya tidak sama.
c) Data Ordinal
Data ordinal pada dasarnya adalah hasil dari kuantitatif data
kualitatif. Contoh penskalaan dari sikap Sangat Setuju (5), Setuju
(4), Netral (3), Tidak Setuju (2), dan Sangat Tidak Setuju (1). Pada
tingkatan ordinal ini data yang ada tidak mempunyai jarak data
yang pasti, seperti antara sangat setuju dengan setuju dst.
d) Data Nominal
Data nominal adalah tingkatan data paling rendah menurut tingkat
pengukurannya. Data nominal ini hanya sebagai kode / pembeda
saja. Contoh data jenis kelamin, perempuan diberi kode 0 dan laki-
laki diberi kode 1, kode o dan 1 tidak ada nilainya sama sekali.
Contoh lain untuk data nominal adalah data agama, tempat tinggal
untuk desa atau kota.
16
Latihan:
17
BAB II
DISTRIBUSI FREKUENSI
18
3. Tepi Kelas (Class boundary/real limits/true class limits)
Tepi kelas = batas nyata kelas, merupakan batas kelas yang tidak
memiliki lubang untuk angka tertentu antara kelas yang satu dengan
kelas yang lain.
4. Titik tengah kelas atau randa kelas (class mid point, class marks)
Titik tengah merupakan angka atau nilai data yang terletak di tengah
suatu kelas. Titik tengah kelas merupakan nilai yang mewakili
kelasnya.
Rumus:
Batas Bawah Kelas + Batas Atas Kelas
Titik tengah kelas = 2
19
7. Frekuensi Kelas (class Frekuency).
Frekuensi kelas merupakan banyaknya data yang termasuk ke dalam
kelas tertentu.
Contoh:
Tabel Distribusi Frekuensi
400 – 499 15
500 – 599 20
600 – 699 35
700 – 799 25
800 – 899 15
900 – 999 10
Jumlah 120
20
✓ Kelas 4: 700 – 799
✓ Kelas 5: 800 – 899
✓ Kelas 6: 900 – 999
j) Panjang / Interval kelas masing masing: 100
k) Frekuensi kelas: 15, 20, 35, 25, 15 dan 10
Langkah 4.
Menentukan Batas Kelas Interval (Batas Bawah dan Batas Atas).
Batas bawah kelas pertama bisa diambil dari data terkecil
Selisih batas bawah dan batas atas harus sama dengan interval (i) kelas
yang sudah dicari.
21
Langkah 5.
Batas bawah nyata dan batas atas nyata ditentukan.
Batas bawah nyata disebut juga tepi bawah
Tepi bawah = batas bawah dikurangi dengan: 0,5
Batas atas nyata disebut juga tepi atas
Tepi atas = batas atas ditambah dengan: 0,5
Langkah 6.
Menentukan Frekuensi / banyaknya data dari setiap kelas interval.
Langkah 7.
Menentukan Titik Tengah (Xi).
1
Rumus: Titik Tengah = (Batas bawah + Batas Atas)
2
Contoh Soal:
Buatlah Tabel Distribusi Frekuensi dari nilai UTS Statistika 40 Mahasiswa
berikut ini:
65 75 74 72 79 78 75 75 79 71
75 76 74 73 71 72 74 74 71 70
74 77 73 73 70 74 72 72 80 70
73 67 72 72 75 74 74 68 69 80
Langkah 1.
Langkah 2.
22
k = 1 + 3,3 log 40
= 1 + 3,3(1,6)
= 1 + 5,28 = 6,28 ⟹ dibulatkan 6
Langkah 3.
Menentukan panjang kelas interval (i).
i=J/k
= 15/6 = 2,5 ⟹ dibulatkan 3
Langkah 4.
Menentukan masing masing kelas interval.
Dimulai dari 65 (data terkecil) dan panjang kelas = 3 sehingga:
Batas kelas ke - 1 = 65 – 67
Batas kelas ke - 2 = 68 – 70
Batas kelas ke - 3 = 71 – 73
Batas kelas ke - 4 = 74 – 76
Batas kelas ke - 5 = 77 – 79
Batas kelas ke - 6 = 80 – 82
Langkah 5.
Untuk kasus ini, Langkah 5 tidak diperlukan, tetapi langkah ini akan sangat
diperlukan pada kasus yang akan dibahas selanjutnya.
Langkah 6.
Frekuensi setiap kelas interval dapat dicari dengan menentukan turusnya
terlebih dahulu.
Perhatikan tabel Daftar Distribusi Frekuensi Kelompok dibawah ini:
23
Nilai UTS Frekuensi (Fi)
65 – 67 2
68 – 70 5
71 – 73 13
74 – 76 14
77 – 79 4
80 – 82 2
Jumlah 40
Langkah 7.
24
C. Grafik Histogram dan Poligon
Grafik histogram dan grafik poligon merupakan dua grafik yang
digunakan untuk menggambarkan tabel distribusi frekuensi yang sudah
dibuat.
a) Histogram Frekuensi
Histogram adalah diagram yang berbentuk batang / kotak. Garis
horizontal / datar menunjukkan tepi kelas dan garis vertikal / tegak
menunjukkan frekuensi dari kelas tersebut.
Cara membuat histogram, yaitu:
1) Terdapat dua sumbu, yaitu sumbu mendatar dan sumbu tegak.
Sumbu mendatar untuk tepi kelas dan sumbu tegak untuk
frekuensi kelas.
2) Skala pada kedua sumbu tidak harus sama, tetapi jarak diantara
sumbu harus sama / konsisten.
3) Sumbu tegak memuat frekuensi masing-masing kelas interval dan
Sumbu mendatar berisi setiap kelas interval data dari tabel
distribusi frekuensi.
4) Karena garis tegak lurus ditarik dari tepi atas dan tepi bawah setiap
interval, maka diperoleh gambar persegi panjang-persegi panjang
yang saling berimpit pada salah satu sisinya.
5) Agar tampilan grafik lebih bagus, maka lebar untuk setiap batang
harus sama antara satu dengan yang lainnya, termasuk warna
maupun corak arsirannya.
6) Di bagian atas setiap batang diberikan bilangan yang
menunjukkan frekuensi.
25
Contoh: Tabel Distribusi Frekuensi
400 – 499 15
500 – 599 20
600 – 699 35
700 – 799 25
800 – 899 15
900 – 999 10
Jumlah 120
35
35
30
25
frekuensi
25
20
20
15
15 15
10
10
5
0
400 – 499 500 – 599 600 – 699 700 – 799 800 – 899 900 – 999
Besarnya Pengeluaran Mahasiswa ('000)
26
b) Poligon Frekuensi
Poligon merupakan grafik / diagram yang berbentuk garis. Poligon
merupakan bagian dari histogram tetapi dengan mengambil dari titik
tengahnya.
Cara membuat poligon, yaitu:
1) Terdapat dua sumbu, yaitu sumbu mendatar dan sumbu tegak.
2) Skala pada kedua sumbu tidak harus sama antara sumbu mendatar
dan sumbu tegak.
3) Sumbu tegak memuat frekuensi masing-masing kelas interval dan
sumbu mendatar berisi titik tengah setiap interval. Setiap titik
dihubungkan sehingga membentuk sebuah garis. Garis ini
merupakan gabungan dari beberapa titik-titik. Naik turunnya titik
tergantung dari nilai frekuensi.
Contoh:
Tabel Distribusi Frekuensi
Pengeluaran
Frekuensi Titik Tengah
Mahasiswa (‘000)
Jumlah 120
Dari tabel distribusi frekuensi diatas dapat dibuat grafik poligon / garis
sebagai berikut:
27
Grafik Poligon Pengeluaran Mahasiswa
40
35
30
25
Frekuensi
20
15
10
0
400 – 499 500 – 599 600 – 699 700 – 799 800 – 899 900 – 999
Pengeluaran Mahasiswa ('000)
28
Nilai Ujian Tengah Semester dari 40 Mahasiswa
Nilai UTS Frekuensi (Fi)
65 – 67 2
68 – 70 5
71 – 73 13
74 – 76 14
77 – 79 4
80 – 82 2
Jumlah 40
29
Distribusi Frekuensi Relatif
Frekuensi Frekuensi Relatif
Nilai Tugas
(Fi) Perbandingan Desimal Persen
65 – 67 2 2/40 0,050 5
68 – 70 5 5/40 0,125 13
71 – 73 13 13/40 0,325 33
74 – 76 14 14/40 0,350 35
77 – 79 4 4/40 0,100 10
80 – 82 2 5/40 0,050 5
Jumlah 40 1 1 100
Dari tabel di atas dapat dibuat daftar frekuensi kumulatif kurang dari
dan kumulatif lebih dari seperti berikut:
30
Pengeluaran
Frekuensi Kumulatif
Mahasiswa Frekuensi (fi)
Kurang Dari
(‘000)
≤ 499,5 15 = 15
≤ 599,5 20 = 15+20= 35
≤ 699,5 35 = 15+20+35= 70
≤ 799,5 25 = 15+20+35+25= 95
≤ 899,5 15 = 15+20+35+25+15= 110
≤ 999,5 10 = 15+20+35+25+15+10= 120
Pengeluaran
Frekuensi Kumulatif
Mahasiswa Frekuensi (Fi)
Lebih Dari
(‘000)
≤ 399,5 15 = 15+20+35+25+15+10= 120
≤ 499,5 20 = 20+35+25+15+10= 105
≤ 599,5 35 = 35+25+15+10= 85
≤ 699,5 25 = 25+15+10= 50
≤ 799,5 15 = 15+10= 25
≤ 899,5 10 = 10
31
Ada dua macam ogive, yaitu:
a) Ogive naik, grafik disusun berdasarkan distribusi frekuensi
kumulatif kurang dari
b) Ogive turun, grafik disusun berdasarkan distribusi frekuensi
kumulatif lebih dari.
120
100
80
60
40
20
0
399,5 499,5 599,5 699,5 799,5 899,5
Pengeluaran Mahasiswa ('000)
27 79 69 40 51 88 55 48 36 61 51 85 46 55 67
53 44 93 51 65 42 58 55 69 63 55 70 39 59 69
70 48 61 55 60 25 47 78 61 54 45 59 44 68 73
57 76 73 62 36 67 40 51 59 68 33 61 80 57 42
27 46 62 43 54 83 59 15 72 57 52 49 45 54 41
32
82 45 54 52 71 53 82 69 60 35 62 57 48 69 76
41 65 62 75 60 42 55 34 49 45 53 58 26 77 68
49 64 40 61 73 44 59 46 71 86 59 89 60 51 71
43 69 54 31 36 51 75 44 66 53 27 62 44 85 61
80 71 53 56 91 60 41 29 56 57 35 54 43 39 56
33
dikelompokkan terlebih dahulu guna mempermudah perhitungan.
Dengan cara mencoret data yang telah dimasukkan dimulai dari
paling awal (27) yang masuk ke kelas no. 2 (20 - 29) dan
seterusnya data 53 dengan tally di setiap kelas tersedia.
Jumlah tally harus sama dengan jumlah data. Setelah frekuensi
ditemukan lalu tally dihilangkan.
Penyusunan Tabel Distribusi Frekuensi Dengan Tally
Nilai
No Tally Frekuensi
Statistika
1 15 – 24 I 1
2 25 – 34 IIIII IIII 9
3 35 – 44 IIIII IIIII IIIII IIIII IIII 24
4 45 – 54 IIIII IIIII IIIII IIIII IIIII IIIII II 32
5 55 – 64 IIIII IIIII IIIII IIIII IIIII IIIII IIIII IIIII 40
6 65 – 74 IIIII IIIII IIIII IIIII IIIII I 26
7 75 – 84 IIIII IIIII I 11
8 85 – 94 IIIII II 7
Jumlah 150
34
2) Tabel Distribusi Frekuensi Kumulatif dan Relatif
a) Tabel Distribusi Frekuensi Kumulatif
Kumulatif adalah tabel yang menunjukan jumlah observasi yang
menyatakan kurang dari nilai tertentu.
Kurang Dari Frekuensi Kumulatif
Kurang dari 24 1
Kurang dari 34 10
Kurang dari 44 34
Kurang dari 54 66
Kurang dari 64 106
Kurang dari 74 132
Kurang dari 84 143
Kurang dari 94 150
Contoh:
1
Frekuensi relatif untuk kelas 1 =
150
𝑥 100% = 0,67
9
Frekuensi relatif untuk kelas 2 = 𝑥 100% = 6,00
150
35
No Nilai Statistik Frekuensi Relatif (%)
1 15 – 24 1 0,67
2 25 – 34 9 6,00
3 35 – 44 24 16,00
4 45 – 54 32 21,33
5 55 – 64 40 26,67
6 65 – 74 26 17,33
7 75 – 84 11 7,33
8 85 – 94 7 4,67
Jumlah 150 100,00
c) Grafik
Ada dua macam grafik yaitu:
1) Grafik Garis (polygon)
1 15 – 24 1 19,5
2 25 – 34 9 29,5
3 35 – 44 24 39,5
4 45 – 54 32 49,5
5 55 – 64 40 59,5
6 65 – 74 26 69,5
7 75 – 84 11 79,5
8 85 – 94 7 89,5
Jumlah 150
36
Grafik Poligon
40
Frekuensi
32
24 26
9 11
7
1
15 - 24 25 - 34 35 - 44 45 - 54 55 - 64 65 - 74 75 - 84 85 - 94
Nilai Statistika
1 15 – 24 1
2 25 – 34 9
3 35 – 44 24
4 45 – 54 32
5 55 – 64 40
6 65 – 74 26
7 75 – 84 11
8 85 – 94 7
Jumlah 150
37
Grafik Batang Untuk Nilai Statistika
40
40 32
30 24 26
Frekuensi
20 11
9 7
10 1
0
15 - 25 - 35 - 45 - 55 - 65 - 75 - 85 -
24 34 44 54 64 74 84 94
Nilai Mahasiswa
Grafik Lingkaran
1
11 7 9
24
26
32
40
15 - 24 25 - 34 35 - 44 45 - 54
55 - 64 65 - 74 75 - 84 85 - 94
38
Soal Latihan:
138 164 150 132 144 125 149 157 118 124
144 152 148 136 147 140 158 146 128 135
168 165 126 154 138 118 178 163 137 143
135 140 153 135 147 142 173 146 146 150
142 150 135 156 145 145 161 128 155 162
Dari data diatas, buatlah daftar distribusi frekuensi dari gaji tersebut!
39
BAB III
40
Xi = wakil data
N = jumlah data
Jika X1, X2, ... Xn memiliki frekuensi f1, f2,...,fn, maka rata-rata
hitung:
∑ Fi F1 X1 + F2X2 + … + Fn Xn
̅
X= =
∑F F1 + F2 + … + Fn
Contoh :
Contoh:
Tentukan rata-rata hitung dari tabel berikut:
Berat badan 100 orang mahasiswa
Berat Badan (kg) Jumlah (F)
50 – 52 10
53 – 55 25
56 - 58 32
59 – 61 15
62 – 64 18
Jumlah 100
41
Penyelesaian:
Nilai Tengah
Berat Badan (kg) Jumlah (F) F.Xi
(Xi)
50 – 52 10 51 510
53 – 55 25 54 1.350
56 – 58 32 57 1.824
59 – 61 15 60 900
62 – 64 18 63 1.134
Jumlah 100 - 5.718
∑ Fi. Xi
̅=
X
∑F
5.718
=
100
̅
X = 57,18
42
Berat Badan Fd
F X d = X –M
(kg)
50 – 52 10 51 -6 -60
53 – 55 25 54 -3 -75
56 - 58 32 57 0 0
59 – 61 15 60 3 45
62 – 64 18 63 6 108
Jumlah 100 - 0 18
∑ Fd
̅
X = M + ∑F
18
= 57 + 100
̅ = 57,18
X
Metode coding
Metode coding sering digunakan apabila nilai-nilai dalam data yang
berupa bilangan-bilangan besar. Pada dasarnya, metode itu
merupakan penjabaran dari metode simpangan rata-rata.
Dirumuskan :
∑ Fu
̅= M+C(
X )
∑F
Keterangan :
M = rata-rata hitung sementara
C = panjang kelas
u = 0, ±1, ±2, ...
d
= , dengan d = X – M
C
Contoh soal:
Berat badan 100 orang mahasiswa
43
Berat Badan
F X d=X–M u F.u
(kg)
50 – 52 10 51 -6 -2 -20
53 – 55 25 54 -3 -1 -25
56 - 58 32 57 0 0 0
59 – 61 15 60 3 1 15
62 – 64 18 63 6 2 36
Jumlah 100 - 0 0 6
∑ Fu
̅=M+C(
X )
∑F
6
̅
X = 57 + 3 (100) = 57,18
Jadi rata-rata berat badan dari 100 mahasiswa adalah: 57,18 kg.
C. Median
44
Jumlah data = 7 (ganjil)
Data diurutkan akan menjadi seperti berikut:
3, 3, 4, 5, 6, 7, 8
Nilai 5 ada ditengah data yang telah diurutkan, maka 5 merupakan
median.
Contoh 2 :
Tentukan median dari data berikut !
9, 6, 5, 4, 3, 7, 8, 5
Jawab :
Jumlah data = 8 (genap)
Data diurutkan akan menjadi seperti berikut :
3, 4, 5, 5, 6, 7, 8, 9
Nilai 5 dan 6 ada ditengah data yang telah diurutkan, maka
mediannya adalah: (5 + 6) / 2 = 5,5
Rumus:
n
−F
2
Me = Lo + i { }
f
Keterangan:
45
Contoh:
Tentukan median dari distribusi frekuensi berikut:
Diameter dari 40 batang pohon
Diameter Pipa (mm) Frekuensi (F)
85 – 87 2
88 – 90 5
91 – 93 13
94 – 96 14
97 – 99 4
100 – 102 2
Jumlah 40
Penyelesaian :
n
Jumlah frekuensi (n) = 40 sehingga: = 20
2
𝑛
Kelas median adalah (∑ 𝑓2 )0 ≥ 2
Sehingga: f1 + f2 + f3 = 20 ≥ 20
Jadi, kelas median adalah kelas: ke-3
Kelas ke-3 yaitu: 91 – 93,
Maka:
Lo = 90,5
i =3
F=7
f = 13
Sehingga median dari soal diatas adalah:
n
−F
2
Me = Lo + i { }
f
20 − 7
= 90,5 + 3 { }
13
Me = 93,5
46
D. Modus
Contoh :
Tentukan modus dari data : 1, 2, 4, 4, 5, 8, 9.
Modus = 4
Keterangan:
Lo = Tepi bawah dari kelas modus
i = Interval / panjang kelas
b1 = Beda frekuensi kelas modus dengan kelas modus sebelumnya.
b2 = Beda frekuensi kelas modus dengan kelas modus sesudahnya.
Contoh :
Tentukan modus dari distribusi frekuensi berikut ini:
Diameter dari 40 batang pohon
47
Diameter Pipa (mm) Frekuensi (F)
85 – 87 2
88 – 90 5
91 – 93 13
94 – 96 14
97 – 99 4
100 – 102 2
Jumlah 40
Contoh:
Carilah rata–rata, median dan modus dari tabel berikut ini!
Hasil Tugas Frekuensi (fi)
65 – 67 2
68 – 70 5
71 – 73 13
74 – 76 14
77 – 79 4
80 – 82 2
Jumlah (Ʃ) 40
48
Jawab:
a) Rata – rata:
Ʃfixi
X̅ =
Ʃfi
b) Median:
n
−F
Me = Lo + i { 2 }
f
n 40
Median = nilai tengah sehingga : = = 20 (berada pada
2 2
sehingga:
Lo = 70,5
I= 3
F= 7
f = 13
n
−F
2
Me = Lo + i { }
f
49
40
−7
2
Me = 70,5 + 3 { }
13
20 − 7
Me = 70,5 + 3 { }
13
13
= 70,5 + 3 { }
13
Me = 73,5
c) Modus (Mo)
(b1)
Mo = Lo + i { }
(b1+b2)
1
Mo = 73,5 + 3 { }
11
3
Mo = 73,5 +
11
Mo = 73,5 + 0,3
Mo = 73,8
50
Soal Latihan:
1. Carilah rata–rata, median dan modus dari tinggi badan dari mahasiswa
berikut!
51
BAB IV
Ukuran letak data adalah suatu nilai tunggal yang mengukur letak
nilai-nilai pada suatu data, atau biasanya juga disebut dengan ukuran yang
didasarkan pada letak dari ukuran tersebut dalam suatu distribusi. Dalam
ukuran letak data kita mengenal adanya kuartil, desil, serta persentil.
B. Kuartil
Kuartil adalah ukuran letak yang membagi suatu distribusi menjadi
4 bagian yang sama. Kuartil terbagi menjadi tiga bagian, yaitu kuartil
pertama/bawah, kuartil kedua/tengah, dan kuartil ketiga/atas. Kuartil biasa
diberi simbol: K atau Q. Kuartil dibagi menjadi 2 jenis yaitu kuartil data
tunggal dan kuartil data berkelompok.
1(n + 1)
Q1 =
4
b) Kuartil kedua/tengah
2(n + 1)
Q2 =
4
c) Kuartil ketiga/atas
3(n + 1)
Q3 =
4
52
Contoh:
Data penjualan mobil setiap bulan selama 7 bulan terakhir tahun 2016
adalah: 2,4,3,3,6,5,7. Urutan data, menjadi : 2,3,3,4,5,6,7
Jawab:
Keterangan:
Lo = Tepi bawah kelas kuartil
n = Banyaknya data
F = Frekuensi kumulatif sebelum kelas kuartil
f = Frekuensi kelas kuartil
i = Interval / panjang kelas
53
Contoh:
Data nilai matematika berikut ini:
Tentukan letak dari Q1, Q2 dan Q3
Nilai Frekuensi
40 – 49 4
50 – 59 5
60 – 69 14
70 – 79 10
80 – 89 4
90 – 99 3
Jumlah 40
Jawab:
Q1 = n/4 = 40/4 = 10
⟹ berada di kelas 3 ⟹ 60 – 69 ⟹ Lo = 59,5
Q2 = 2n/4 = 80/4 = 20
⟹ berada di kelas 3 ⟹ 60 – 69 ⟹ Lo = 59,5
Q3 = 3n/4 = 120/4 = 30
⟹ berada di kelas 4 ⟹ 70 – 79 ⟹ Lo = 69,5
Masing-masing kelas mempunyai interval: 10
Maka:
a) Q1 = …?
n/4 = 10,
sehingga:
F = 9 dan f = 14
n
−F
4
Q1 = Lo + i { }
f
10 − 9
= 59,5 + 10{ }
14
Q1 = 60,21
54
b) Q2 = …?
2n/4 = 20,
sehingga:
F = 9 dan f = 14
2n
−F
4
Q2 = Lo + i { }
f
20 − 9
= 59,5 + 10{ }
14
Q2 = 67,35
c) Q3 = …?
3n/4 = 30,
sehingga:
F = 23 dan f = 10
3n
−F
4
Q3 = Lo + i { }
f
30 − 23
= 69,5 + 10{ }
10
Q3 = 76,5
C. Desil
Desil membagi data menjadi sepuluh bagian yang sama besar. Desil
biasa diberi simbol: D. Desil dibagi menjadi 2 jenis yaitu desil data tunggal
serta desil data berkelompok.
Ket:
Di = Desil ke-i
55
i = 1, 2, 3, …, 9
n = banyaknya data
Contoh:
Diketahui data: 9, 10, 11, 6, 8, 7, 7, 5, 4, 5.
Tentukan:
a) Desil ke - 2 (D2)
b) Desil ke - 4 (D4)
Penyelesaian:
Data diurutkan: 4, 5, 5, 6, 7, 7, 8, 9, 10, 11
a) Desil ke - 2 (D2)
𝟐(𝟏𝟎 + 𝟏)
D2 = 𝟏𝟎
D2 = 2,2
D2 terletak pada urutan ke - 2,2 sehingga:
D2 = X2 + 0,2(X3 – X2)
Jadi:
D2 = 5 + 0,2(5 – 5) = 5
D4 = 4,4
D4 terletak pada urutan ke - 4,4 sehingga:
D4 = X4 + 0,4(X5 – X4)
Jadi: D4 = 6 + 0,4(7 – 6) = 6,4
56
Keterangan:
Contoh:
Diketahui data pada tabel di bawah ini:
Interval Frekuensi
41 – 45 3
46 – 50 6
51 – 55 16
56 – 60 8
61 – 65 7
Jumlah 40
Jawab:
D1 = n/10 = 40/10 = 4
⟹ berada di kelas 2 ⟹ 46 – 50 ⟹ Lo = 45,5
D9 = 9n/10 = 360/10 = 36
⟹ berada di kelas 5 ⟹ 61 – 65 ⟹ Lo = 60,5
57
n/10 = 4,
sehingga: F = 3 dan f = 6
𝐧
−𝐅
D1 = Lo + i { 𝟏𝟎 𝐟 }
𝟒–𝟑
= 45,5 + 5{ }
𝟔
D1= 46,33
b) D9 = …?
9n/10 = 36,
sehingga: F = 33 dan f = 7
𝟗𝐧
−𝐅
𝟏𝟎
D9 = Lo + i { }
𝐟
𝟑𝟔 − 𝟑𝟑
= 60,5 + 5{ 𝟕
}
D9 = 62,64
D. Persentil
Membagi data menjadi 100 bagian yang sama disebut persentil.
Persentil biasa diberi simbol: P. Persentil dibagi menjadi 2 jenis yaitu
persentil data tunggal serta persentil data berkelompok.
1) Persentil Data Tunggal
𝐢(𝐧 + 𝟏)
Pi = 𝟏𝟎𝟎
Ket:
Pi = Persentil ke-i
i = 1, 2, 3, …, 99
n = banyaknya data
Contoh:
Diketahui: 9, 10, 11, 6, 8, 7, 7, 5, 4, 5
58
Tentukan:
a) Persentil ke-30
b) Persentil ke-75.
Jawab:
Data diurutkan: 4, 5, 5, 6, 7, 7, 8, 9, 10, 11
a) Persentil ke-30 (P30)
𝟑𝟎(𝟏𝟎 + 𝟏)
P30 = = 3,3
𝟏𝟎𝟎
P30 = 5,3
59
F = Frekuensi kumulatif sebelum kelas persentil
f = Frekuensi kelas persentil
i = Interval / panjang kelas
Contoh:
Diketahui data pada tabel di bawah ini:
Interval Frekuensi
41 – 45 3
46 – 50 6
51 – 55 16
56 – 60 8
61 - 65 7
Jumlah 40
Jawab:
P25 = 25n/100 = 1.000/100 = 10
⟹ Kelas 3 ⟹ 51 – 55 ⟹ Lo = 50,5
P60 = 60n/100 = 2.400/100 = 24
⟹ Kelas 3 ⟹ 51 – 55 ⟹ Lo = 50,5
60
25n
−F 10 − 9
P25 = Lo + i { 100 f } = 50,5 + 5{ }
16
P25 = 50,81
b) P60 = …?
60n/100 = 24, sehingga: F = 9 dan f = 16
60n
−F 24 − 9
100
P60 = Lo + i { } = 50,5 + 5{ }
f 16
P60 = 55,19
Soal Latihan:
Tentukanlah:
a. Nilai Q2
b. Nilai D9
c. Nilai P60
61
BAB V
Contoh:
❖ Data homogen: 50 50 50 50 50 ⟹ rata-rata hitung = 50
❖ Data relatif homogen: 50 40 30 60 70 ⟹ rata-rata hitung = 50
❖ Data heterogen: 100 40 80 20 10 ⟹ rata-rata hitung = 50
Bila kita perhatikan, ketiga kondisi di atas memberikan nilai rata-
rata hitung yang sama, yaitu sebesar 50. Namun, kenyataannya rata-rata
hitung pada data yang homogen dapat dengan baik mewakili himpunan
data keseluruhan. Rata-rata hitung pada data yang relatif homogen cukup
baik mewakili himpunan datanya. Sedangkan, rata-rata hitung pada data
yang heterogen tidak dapat mewakili dengan baik himpunan data secara
keseluruhan.
62
Ukuran penyebaran data dibagi pula atas: jangkauan data (range),
simpangan rata-rata dan simpangan baku.
Kegunaan Range:
Kelebihan Range:
63
Dengan menggunakan range dalam waktu singkat kita dapat
memperoleh gambaran umum mengenai luas penyebaran data yang kita
hadapi.
Kelemahan Range:
Contoh:
64
b) Range Untuk Data Berkelompok
Kedua cara di atas akan memberikan hasil yang berbeda. Cara pertama
cenderung menghilangkan kasus-kasus ekstrim.
Contoh:
Harga saham pilihan pada bulan Juni 2014 di BEJ.
Hitunglah Range dari data tersebut.
1 150 - 249 2
2 250 - 349 4
3 350 - 449 5
4 450 - 549 6
5 550 - 649 4
6 650 - 749 2
Jawab:
= 749 – 150
Range = 599
Jadi range dari harga saham diatas adalah: 599
65
C. Simpangan Rata-rata
Keterangan:
SR = Simpangan rata-rata
xi = data ke-i
x̄ = rata-rata hitung
n = jumlah data
Contoh:
Hitung simpangan rata-rata dari data berikut ini:
12, 3, 11, 3, 4, 7, 5, 11
Jawab:
Dari data diatas diketahui: x̄ = 7
Σ|xi− x̄|
SR =
n
5+4+4+4+3+0+2+4
= 8
26
= 8
SR = 3,25
66
b) Simpangan Rata-rata Untuk Data Berkelompok
Simpangan Rata-rata (SR) untuk data berkelompok adalah rata-rata
hitung dari nilai absolut simpangan yang dirumuskan:
ΣFi|xi− x̄|
SR =
ΣFi
Contoh:
Tabel 1. Nilai UTS Matematika Mahasiswa
Interval Kelas Frekuensi
40 – 44 3
45 – 49 4
50 – 54 6
55 – 59 8
60 – 64 10
65 – 69 11
70 – 74 15
75 – 79 6
80 – 84 4
85 – 89 2
90 – 94 2
Jawab:
Nilai
Kelas Fi |x – x̄| Fi |x – x̄|
Tengah (xi)
40 – 44 42 3 23,7 71,1
45 – 49 47 4 18,7 74,8
50 – 54 52 6 13,7 82,2
55 – 59 57 8 8,7 69,6
60 – 64 62 10 3,7 37
67
Nilai
Kelas Fi |x – x̄| Fi |x – x̄|
Tengah (xi)
65 – 69 67 11 1,3 14,3
70 – 74 72 15 6,3 94,5
75 – 79 77 6 11,3 67,8
80 – 84 82 4 16,3 65,2
85 – 89 87 2 21,3 42,6
90 – 94 92 2 26,3 52,6
Jumlah 71 671,7
SR = 9,46
Jadi Simpangan rata-rata = 9,46
68
a) Simpangan Baku Untuk Data Tidak Berkelompok
1) Untuk Populasi
𝚺(𝐱𝐢− 𝐱̄ )2
S=√
𝐧
2) Untuk Sampel
𝚺(𝐱𝐢− 𝐱̄ )2
S=√ 𝐧−𝟏
Contoh:
Dari 40 orang siswa diambil sampel 9 orang untuk diukur tinggi
badannya, diperoleh data berikut: 165, 170, 169, 168, 156, 160, 175,
162, 169. Hitunglah simpangan baku sampel dari data tersebut!
Jawab:
Diketahui: x̄ = 166
Σ(xi− x̄ )2
S=√
n−1
1 + 16 + 9 + 4 + 100 + 36 + 81 + 16 + 9
S=√
9 −1
69
272
S=√
8
S = 5,83
ΣFi(xi− x̄ )2
S=√
ΣFi
Keterangan:
S = Simpangan baku
Fi = frekuensi data ke-i
xi = data ke-i
x̄ = rata-rata hitung
ΣFi = jumlah data
Contoh:
Hitunglah simpangan baku dari nilai mahasiswa berikut ini:
Jawab:
Dari hasil perhitungan sebelumnya diperoleh µ = 65,7
70
xi Fi xi - µ (xi - µ)2 Fi (xi - µ)2
ΣFi = 71 9.685,99
ΣFi(xi− x̄ )2 9.685,99
S=√ = √
ΣFi 71
S = 11,68
Jadi simpangan bakunya adalah: 11,68
71
2
∑(X− X) ̅
s=√
n
∑ X2 ∑X 2
s=√ -( )
n n
∑ X2 (∑ X) 2
s=√ –
n−1 n(n−1)
Contoh soal:
Tentukan simpangan baku dari data:
1, 3, 5, 10, 12, 13, 15, 16!
Penyelesaian:
Dari perhitungan diperoleh:
varians (s2) = 35,1
Dengan demikian simpangan bakunya adalah:
s = √𝑣𝑎𝑟𝑖𝑎𝑛𝑠
= √35,1
s = 5,9
72
30 35 44 52 56 68 76 84 92 98
5102,5
=√
10−1
= √566,9
s = 23,8
∑ X2 (∑ X) 2
s=√ –
n−1 n(n−1)
73
45.425 (635)2
= √ 10−1 − 10(10−1)
= √5047,2 − 4480,2
s = 23,8
∑ fX2 ∑ fX 2
s=√ -( )
n n
∑ fX2 (∑ fX) 2
s=√ – n(n−1)
n−1
c) Metode coding
Untuk sampel besar (n > 30):
∑ fu2 ∑ fu 2
s = C√ -( )
n n
74
∑ fu2 (∑ fu) 2
s = C√ -
n−1 n(n−1)
Keterangan:
C = panjang interval dalam kelas
d X−M
u = =
C C
M = rata-rata hitung sementara
Contoh:
Tentukan simpangan baku dari distribusi frekuensi pada contoh
diatas!
Penyelesaian:
Dari perhitungan didapatkan varians (s2) = 272,952.
Dengan demikian, simpangan bakunya adalah:
s = √varians = √272,952 = 16,5
Tentukan simpangan baku dari distribusi frekuensi berikut!
Berat badan 100 Mahasiswa Unpab
50 – 52 10
53 – 55 25
56 - 58 32
59 – 61 15
62 – 64 18
Jumlah 100
Penyelesaian:
Dengan metode biasa
75
Berat
f X fX X-̅
X (X - ̅
X)2 f.(X - ̅
X)2
Badan (kg)
50 – 52 10 51 510 -6,18 38,1924 381,924
53 – 55 25 54 1.350 -3,18 10,1124 252,810
56 – 58 32 57 1.824 -0,18 0,0324 1,0368
59 – 61 15 60 900 2,82 7,9524 119,286
62 – 64 18 63 1.134 5,82 33,8724 609,7032
∑ fX
̅
X=
∑f
5718
=
100
̅
X = 57,18
2
∑ f(X− X) ̅1.364,76
s=√ =√ = 3,68
n 100
76
∑ fX2 ∑ fX 2
s =√ -( )
n n
328.320 (5718)2
=√ − = 3,7
100 100
152 6 2
= 3 . √100 − (100)
= 3,69
E. Ragam / Varians
77
b) Untuk sampel kecil (n ≤ 30):
∑(X−X̅) 2
s2 = n−1
Metode angka kasar:
a) Untuk sampel besar (n > 30):
2 ∑ X2 ∑X 2
s = − ( )
n n
Contoh soal:
X X-̅
X (X - ̅
X)2 X2
1 - 7,85 61,6 1
3 - 5,85 34,2 9
5 - 3,85 14,8 25
10 1,15 1,3 100
12 3,15 9,9 144
15 6,15 37,8 225
16 7,15 51,1 256
62 - 210,7 760
78
̅ )2
∑(X− X
s2 = n−1
210,7
= 7−1
s2 = 35,1
∑ X2 (∑ X)2
s2 = n − 1 − n(n − 1)
760 (62)2
= 7−1 − 7(7 − 1)
3844
= 126,6 − 42
= 126,6 – 91,5
s2 = 35,1
2) Varians data berkelompok
Untuk data berkelompok (distribusi frekuensi), variansnya dapat
ditentukan dengan menggunakan tiga metode, yaitu metode biasa,
metode angka kasar, metode coding.
a) Metode biasa
Untuk sampel besar (n > 30):
̅ )2
∑ f (X − X
s2 = n
Untuk sampel kecil (n ≤ 30):
̅ )2
∑ f (X − X
s2 = n−1
b) Metode angka kasar
Untuk sampel besar (n > 30):
∑ fX2 ∑ fX 2
s2 = -( )
n n
79
∑ fX2 ∑ fX 2
s2 = - (n−1)
n−1
c) Metode coding
Untuk sampel besar (n > 30):
∑ fu2 ∑ fu 2
s2 = C2 . -( )
n n
Keterangan:
C = panjang interval kelas
d X−M
u =C= C
M = rata-rata hitung sementara
Contoh Soal:
Penyelesaian:
1) Dengan metode biasa:
̅ = 93,5
X
Sehingga:
80
̅ )2
∑ f (X− X
s2 = n
468
= 40
s2 = 11,7
Diameter X f ̅
X-X ̅ )2 f (X - X
(X - X ̅ )2
85 – 87 86 2 -7,5 56,25 112,5
88 – 90 89 5 -4,5 20,25 101,2
91 – 93 92 13 -1,5 2,25 5
94 – 96 95 14 1,5 2,25 29,25
97 – 99 98 4 4,5 20,25 31,5
100 – 102 101 2 7,5 56,25 81
112,5
Jumlah - 40 - - 468
Kelas X F X2 fX f X2
85 – 87 86 2 7.396 172 14.792
88 – 90 89 5 7.921 445 39.605
91 – 93 92 13 8.464 1196 110.032
94 – 96 95 14 9.025 1330 126.350
97 – 99 98 4 9.604 392 38.416
100 – 102 101 2 10.201 202 20.402
Jumlah - 40 - 3.737 394.597
∑ fX2 ∑ fX 2
s2 = -( )
n n
394.597 3,737 2
= -( )
40 40
81
3) Dengan metode coding
Kelas X f u u2 fu fu2
85 – 87 86 2 -3 9 -6 18
88 – 90 89 5 -2 4 -10 20
91 – 93 92 13 -1 1 -13 13
94 – 96 95 14 0 0 0 0
97 – 99 98 4 1 1 4 4
100 – 102 101 2 2 4 4 8
Jumlah - 40 - - -21 63
∑ 𝑓𝑢2 ∑ 𝑓𝑢 2
s2 = C2 . -( )
𝑛 𝑛
63 −21 2
= 32 . (40 − ( 40 ) )
= 9 (1,575 – 0,276)
s2 = 11,691
Soal:
1. Tentukan nilai dari simpangan rata-rata dan simpangan baku dari tabel
distribusi berikut ini:
Nilai Frekuensi
11 - 15 5
16 - 20 2
21 - 25 10
26 - 30 9
31 - 35 4
82
BAB VI
ANGKA INDEKS
Contoh 2:
Sebuah grosir beras ingin mengetahui perubahan nilai penjualan beras
selama 5 tahun terakhir, sedangkan data penjualan yang dimilikinya
sebagai berikut :
83
Nilai Penjualan
Tahun
(Dalam Jutaan Rupiah)
2010 300
2011 250
2012 350
2013 400
2014 425
Penyelesaian:
Nilai Penjualan Angka Indeks
Tahun
(Dalam Jutaan Rupiah) Tahun Dasar = 100
2010 300
250
2011 250 x 100 = 83,33
300
350
2012 350 x 100 = 116,6
300
400
2013 400 x 100 = 133,33
300
425
2014 425 x 100 = 141,6
300
84
Contoh 3:
Harga eceran rata-rata empat bahan pokok tahun 2012 – 2013:
Harga Rata-rata (Rp/Kg)
Bahan Pokok
2012 2013
Beras 472,42 531,67
Gula Pasir 654,17 670,83
Minyak Goreng 650,00 650,00
Garam 196,87 358,33
Jumlah 1.973,46 2.110,83
85
diekspor, diimpor, dikonsumsi dan sebagainya dalam waktu dan
tempat yang sama atau berlainan. Nilai ini dapat diperoleh dari hasil
perkalian antara harga dengan kuantitas.
Contoh:
a) Indeks biaya hidup, merupakan nilai pengeluaran konsumsi setiap
keluarga, yang tak lain dari hasil perkalian antara harga dan
kuantitas barang yang dikonsumsi.
b) Indeks nilai produksi, yang tak lain merupakan hasil perkalian
antara harga dan kuantitas barang yang diproduksi.
Keterangan:
IH = indeks harga yang tidak ditimbang
Ht = harga yang dihitung angka indeksnya
Ho = harga pada tahun dasar
86
Contoh:
Harga
Jenis Bahan Pokok
2007 2008
Beras (Kg) 472,92 531,67
Ikan Asin (Kg) 2.633,30 3.133,33
Minyak Goreng (Btl) 45,83 650
Gula Pasir (Kg) 654,17 670,83
Garam (Kg) 250 258,33
Sabun Cuci (Btg) 300 308,33
Tekstil (Meter) 1.000 1.300
Batik Kasar (Helai) 5.500 8.500
Minyak Tanah (Ltr) 200 200
Hitunglah:
a. Indeks harga eceran rata-rata beras tahun 2008 waktu dasar tahun
2007.
b. Indeks harga rata-rata gula pasir tahun 2008 waktu dasar tahun
2007.
c. Indeks harga rata-rata tekstil tahun 2008 dengan dasar tahun 2007.
Penyelesaian:
a) Untuk Beras
Ht
IH = x 100%
Ho
531,67
= x 100%
472,92
IH = 112,42%
Jadi, indeks harga eceran rata-rata beras pada tahun 2008 dengan
tahun 2007 sebagai tahun dasar adalah 112,42%. Artinya, harga
eceran rata-rata per kg beras di kota “X” pada tahun 2008
mengalami kenaikan sebesar 12,42%.
87
b) Untuk Gula Pasir
Ht
IH = x 100%
Ho
670,83
= x 100%
654,17
IH = 102,54%
Indeks harga eceran rata-rata gula pasir pada tahun 2008 dengan
tahun 2007 sebagai tahun dasar adalah 102,54%. Artinya, harga
eceran rata-rata per kg gula pasir pada tahun 2008 mengalami
kenaikan sebesar 2,54% dibandingkan tahun 2007.
c) Untuk Tekstil
Ht
IH = x 100%
Ho
1.300
= x 100%
1.000
IH = 130%
Jadi, indeks harga untuk tekstil pada tahun 2008 dengan tahun
2007 mengalami kenaikan sebesar 30%.
Keterangan:
IK = indeks kuantitas yang tidak ditimbang
Kt = kuantitas yang dihitung angka indeksnya
Ko = kuantitas pada tahun dasar
Contoh:
Kuantitas / Produksi
Jenis Bahan Pokok
2007 2008
88
Beras (Kg) 112 120
Ikan Asin (Kg) 234 265
Minyak Goreng (Btl) 60 76
Gula Pasir (Kg) 100 114
Garam (Kg) 15 17
Sabun Cuci (Btg) 300 309
Tekstil (Meter) 156 167
Batik Kasar (Helai) 500 578
Minyak Tanah (Ltr) 222 250
Hitunglah:
a. Indeks kuantitas eceran rata - rata beras pada tahun 2008 dengan
waktu dasar tahun 2007.
b. Indeks kuantitas rata-rata gula pasir pada tahun 2008 dengan waktu
dasar tahun 2007.
c. Indeks kuantitas tekstil pada tahun 2008 dengan waktu dasar tahun
2007.
Penyelesaian:
a) Untuk Beras
Kt
IK = x 100%
Ko
120
= x 100%
112
IK = 107,14
Jadi, indeks produksi beras pada tahun 2008 dengan tahun 2007
sebagai tahun dasar adalah 7,14%(107,14% - 100%).
89
Artinya, kuantitas / produksi beras mengalami kenaikan pada
tahun 2008 sebesar 7,14%(107,14% - 100%) dibandingkan tahun
2007.
c) Untuk Tekstil
Kt
IK = x 100%
Ko
167
= x 100%
156
IK = 107,05%
Jadi, indeks kenaikan produksi / kuantitas tekstil pada tahun 2008
dengan tahun 2007 sebagai tahun dasar adalah 107,05%.
Keterangan:
IN = angka indeks nilai
IV = indeks value
Vt = nilai yang dihitung angka indeksnya
Vo = nilai pada tahun dasar
Contoh:
90
Jenis Bahan Harga Kuantitas
Pokok 2007 (Ho) 2008 (Ht) 2007 (Ko) 2008 (Kt)
Beras 472,92 531,67 112 120
Ikan Asin 2.633,30 3.133,33 234 265
Minyak Goreng 45,83 650,00 60 76
Gula Pasir 654,17 670,83 100 114
Garam 250,00 258,33 15 17
Sabun Cuci 300,00 308,33 300 309
Tekstil 1.000,00 1.300,00 156 167
Batik Kasar 5.500,00 8.500,00 500 578
Minyak Tanah 200,00 200,00 222 250
Hitunglah:
a. Indeks nilai untuk beras pada tahun 2008 dengan waktu dasar tahun
s2007s
Sabun
300 308,33 300 309 90.000 95.274
Cuci
91
Harga Kuantitas Nilai
s Bahan
Pokok 2007 2008 2007 2008 2007 2008
(Ho) (Ht) (Ko) (Kt) (Ho.Ko) (Ht.Kt)
Batik
5.500 8.500 500 578 2.750.000 4.913.000
Kasar
Penyelesaian:
a) Untuk Beras
Ht.Kt
IN = x 100%
Ho.Ko
63.800
= x 100%
52.967,04
IN = 120,45%
Jadi, indeks nilai komoditi beras pada tahun 2008 dengan tahun
2007 sebagai tahun dasar adalah 20%.
92
c) Untuk Tekstil
Ht.Kt
IN = x 100%
Ho.Ko
217.100
= x 100%
156.000
IN = 139,10%
Jadi, indeks nilai untuk tekstil pada tahun 2008 dengan tahun
2007 sebagai tahun dasar adalah 39,10%.
93
Ʃ𝐇𝐭
IHG = 𝐱 𝟏𝟎𝟎%
Ʃ𝐇𝐨
Keterangan:
Harga (Rp)
Nama Barang
2010 2011
IHG = 115,38%
94
Jadi, harga tahun 2011 mengalami kenaikan sebesar 15,38%.
Keterangan:
IK = indeks kuantitas yang tidak ditimbang
Kt = kuantitas yang akan dihitung angka indeksnya
Ko = kuantitas pada tahun dasar
Contoh:
Kuantitas (Unit)
Nama Barang
2010 2011
Tahu 50 100
Tempe 100 100
Telur 200 250
Garam 300 450
Minyak 150 100
95
3) Angka Indeks Nilai Gabungan (ING) atau
IVA = Indeks Value Aggregate
Ʃ𝐇𝐭.𝐊𝐭
ING = 𝐱 𝟏𝟎𝟎% atau
Ʃ𝐇𝐨.𝐊𝐨
Ʃ𝐕𝐭
IVA = 𝐱 𝟏𝟎𝟎%
Ʃ𝐕𝐨
Keterangan:
IN = angka indeks nilai
Vt = nilai yang dihitung angka indeksnya
Vo = nilai pada tahun dasar
Contoh:
𝚺(𝐏𝐧.𝐖)
IA = 𝐱 𝟏𝟎𝟎%
𝚺(𝐏𝐨.𝐖)
Keterangan:
96
IA = indeks harga yang ditimbang
Pn = nilai yang dihitung angka indeksnya
Po = harga pada tahun dasar
W = faktor penimbang
Contoh:
18.250
= x 100%
16.500
IA = 110,61%
Jadi, tahun 2004 terjadi kenaikan harga 10,61%.
2) Metode Laspeyres
Angka indeks Laspeyres adalah angka indeks yang ditimbang
dengan faktor penimbangnya kuantitas tahun dasar (Qo).
97
𝚺(𝐏𝐧.𝐐𝐨)
IL = 𝐱 𝟏𝟎𝟎%
𝚺(𝐏𝐨.𝐐𝐨)
Keterangan:
IL = angka indeks Laspeyres
Pn = harga tahun yang dihitung angka indeksnya
Po = harga pada tahun dasar
Qo = kuantitas pada tahun dasar
Contoh:
Harga Kuantitas
Nama Barang 2003 2004 2003 2004 Pn x Q0 P0 x Q0
(P0) (Pn) (Q0) (Qn)
Tahu 200 300 50 100 15.000 10.000
3) Metode Paasche
98
Angka indeks Paasche adalah angka indeks yang tertimbang
dengan faktor penimbang kuantitas tahun n (tahun yang dihitung
angka indeksnya) atau Qn.
𝚺(𝐏𝐧.𝐐𝐧)
IP = 𝐱 𝟏𝟎𝟎%
𝚺(𝐏𝐨.𝐐𝐧)
Keterangan:
IP = angka indeks Paasche
Pn = harga tahun yang dihitung angka indeksnya
Po = harga pada tahun dasar
Qn = kuantitas tahun yang dihitung angka indeksnya
Contoh:
Harga Kuantitas
Nama
Barang 2003 2004 2003 2004 Pn x Qn P0 x Qn
(P0) (Pn) (Q0) (Q0)
Tahu 200 300 50 100 30.000 20.000
Tempe 300 350 100 100 35.000 30.000
Telur 500 500 200 250 125.000 125.000
Garam 100 50 300 450 22.500 45.000
Minyak 200 300 150 100 30.000 20.000
Jumlah 242.500 240.000
IP = 101,04%
Berarti terjadi kenaikan harga sebesar 1,04% pada tahun 2004.
99
Dari Metode Laspeyres dan Metode Paasche terdapat suatu
kelemahan sebagai berikut.
a) Angka indeks Laspeyres mempunyai kelemahan yaitu hasil
penghitungan lebih besar (over estimate), karena pada
umumnya harga barang cenderung naik, sehingga kuantitas
barang yang diminta mengalami penurunan. Dengan
demikian besarnya Qo akan lebih besar daripada Qn.
b) Angka indeks Paasche mempunyai kelemahan yaitu hasil
penghitungan cenderung lebih rendah (under estimate),
karena dengan naiknya harga akan menyebabkan permintaan
turun, sehingga Qn lebih kecil daripada Qo.
𝐈𝐋 + 𝐈𝐏
ID =
𝟐
Keterangan:
ID = angka indeks Drobisch
IL = angka indeks Laspeyres
IP = angka indeks Paasche
Contoh:
Berdasarkan penghitungan angka indeks Laspeyres dan Paasche,
100
pada soal di atas dapat dihitung besarnya indeks Drobisch
sebagai berikut:
105 + 101,04 206,04
ID = =
2 2
ID = 103,03%
Berarti terdapat kenaikan harga 3,02% pada tahun 2004.
101
Contoh:
Harga Kuantitas
Nama (Qo + Qn) (Qo + Qn)
2003 2004 2003 2004 Pn Po
Barang
(P0) (Pn) (Q0) (Qn)
Tahu 200 300 50 100 45.000 30.000
Tempe 300 350 100 100 70.000 60.000
Telur 500 500 200 250 225.000 225.000
Garam 100 50 300 450 37.500 75.000
Minyak 200 300 150 100 75.000 50.000
Jumlah 452.500 440.000
Berdasarkan data di atas, maka angka indeks Marshal Edgewarth
dapat dihitung sebagai berikut:
Σ(Qo + Qn)Pn
IM = x 100%
Σ(Qo + Qn)Po
452.500
IM = x 100%
440.000
IM = 102,84%
Berarti terdapat kenaikan harga 2,84% pada tahun 2004.
102
1) Indeks tahun 2000 = 500/500 × 100 = 100,00
2) Indeks tahun 2001 = 600/500 × 100 = 120,00
3) Indeks tahun 2002 = 700/600 × 100 = 116,67
4) Indeks tahun 2003 = 800/700 × 100 = 114,29
5) Indeks tahun 2004 = 900/800 × 100 = 112,50
Soal Latihan:
Pertanyaan:
a) Hitung angka indeks harga agregatif tertimbang dengan rumus
Paasche untuk tahun 2010 dengan tahun dasar 2009!
b) Jelaskan pengertian dari angka indeks tahun 2010 dibandingkan
dengan angka indeks tahun 2009 pada soal butir
103
BAB VII
ANALISIS DATA BERKALA
A. Pengertian Analisis Deret Berkala
104
Pola gerakan runtut waktu atau deret berkala dapat dikelompokan
kedalam 4 (empat) pola pokok. Pola ini bisanya disebut sebagai komponen
dari deret berkala (runtut waktu). Empat komponen deret berkala itu
adalah:
a) Trend, yaitu gerakan yang berjangka panjang yang menunjukkan
adanya kecenderungan menuju ke satu arah kenaikan dan penurunan
secara keseluruhan dan bertahan dalam jangka waktu yang digunakan
sebagai ukuran adalah 10 tahun keatas.
b) Variasi Musim, yaitu ayunan sekitar trend yang bersifat musiman serta
kurang lebih teratur.
c) Variasi Siklus, yaitu ayunan trend yang berjangka lebih panjang dan
agak lebih teratur.
d) Variasi Yang Tidak Tetap (Irreguler), yaitu gerakan yang tidak teratur
sama sekali.
Dimana: a = ∑Y / n
b = ∑XY / ∑X2
105
Keterangan:
Y‘ = data berkala (time series)
a0 = nilai trend pada tahun dasar.
b = rata-rata pertumbuhan nilai trend tiap tahun.
x = variabel waktu (hari, minggu, bulan atau tahun).
Contoh:
1) Untuk jumlah data ganjil:
Data Penjualan (Unit) PT. Bahagia Tahun 2010 - 2014
No Tahun (n) Penjualan (Y)
1 2010 130
2 2011 145
3 2012 150
4 2013 165
5 2014 170
106
Dari data tersebut akan dibuat peramalan penjualan dengan
menggunakan Metode least Square.
Penyelesaian:
2012 150 0 0 0
107
Tahun 2015 ⟹ 3
Tahun 2016 ⟹ 4
Tahun 2017 ⟹ 5
Tahun 2018 ⟹ 6
Tahun 2019 ⟹ 7
108
2) Untuk jumlah data genap:
Data genap tidak memiliki data pas ditengah tetapi data tengahnya
berada diantara dua data / bilangan, maka cara untuk mencari variabel
X sebagai variabel waktu, lihat contoh dibawah ini:
1 2005 130
2 2006 145
3 2007 150
4 2008 165
5 2009 170
6 2010 185
Penyelesaian:
Analisis Menggunakan Metode Least Square
a = ΣY / n = 945 / 6 = 157,5
b = ΣXY / ΣX2 = 365 / 70 = 5,21
109
Persamaan trendnya adalah:
Y = 157,5 + 5,21X
110
Langkah-langkah penyelesaian sebagai berikut:
✓ Mengelompokkan data menjadi 2 kelompok.
✓ Menentukan periode dasar. Misalnya diasumsikan periode dasar
menggunakan tahun tengah data tahun kelompok I sehingga
periode dasar terletak antara tahun 2003 dan tahun 2004.
✓ Menentukan Angka Tahun. Karena periode dasar berangka tahun x
= 0 dan terletak antara tahun 2003 dan 2004, maka angka tahun
untuk tahun 2003 adalah: -1 dan angka tahun 2004 adalah: 1.
✓ Menentukan nilai Semi Total yakni Jumlah total penjualan masing-
masing kelompok.
✓ Menentukan Semi average tiap Kelompok data yaitu dengan cara
membagi semi total dengan banyak data dalam kelompok.
✓ Menentukan trend awal tahun yaitu dengan mengurangkan semi
average kelompok 2 dengan semi average kelompok 1 dan
membagi dengan banyak data.
Trend
Bawang Semi Semi Rata
Tahun Kel X Awal
Merah (Ton) Total Rata (Y)
Tahun
2001 861.150 -5
2002 766.572 -3
2003 762.795 -1 779.243 +
I 4.675.456 779.243
2004 757.399 1 23.678X
2005 732.609 3
2006 794.931 5
2007 802.810 7
2008 853.615 9
2009 965.164 11 921.311 +
II 5.527.868 921.311
2010 1.048.934 13 23.678X
2011 893.124 15
2012 964.221 17
111
Penyelesian:
Semi Total:
a) Kelompok I:
= 861.150 + 766.572 + 762.795 + 757.399 + 732.609 + 794.931
= 4.675.456
b) Kelompok II:
= 802.810 + 853.615 + 965.164 + 1.048.934 + 893.124 + 964.221
= 5.527.868
Semi Rata-rata:
a) Kelompok I:
861.150 + 766.572 + 762.795 +757.399 + 732.609 + 794.931
=
6
4.675.456
=
6
= 779.243
b) Kelompok II:
802.810 + 853.615 + 965.164 + 1.048.934 + 893.124 + 964.221
= 6
5.527.868
=
6
= 921.311
921.311 − 779.243
b=
6
b = 23.678
Maka rumus peramalan yang digunakan yaitu: Y’= a + b(X)
112
Misalkan untuk meramal pada tahun 2017
Maka: X = 27
Y2017 = a + b(X)
= 779.243 + 23.678(27)
= 779.243 + 639.306
Y2017 = 1.418.549
Jadi, dapat diramalkan untuk tahun 2017 produksi padi Indonesia
yaitu 1.418.549 ton.
113
✓ Menentukan Angka Tahun. Karena periode dasar tahun 2009
berangka tahun x = 0.
✓ Menentukan nilai Semi Total yakni Jumlah total penjualan masing-
masing kelompok.
✓ Menentukan Semi rata-rata tiap kelompok data.
✓ Menentukan trend awal tahun.
✓ Untuk menentukan peramalan gunakan rumus yang dijadikan
sebagai kelompok 1.
114
Penyelesaian:
Semi Total:
a) Kelompok II:
= 938.293 + 772.818 + 861.150 + 766.572 + 762.795 + 757.399 +
732.609
= 5.591.636
b) Kelompok I:
= 794.931 + 802.810 + 853.615 + 965.164 + 1.048.934 + 893.124
+ 964.221
= 6.322.799
Semi Rata-rata:
a) Kelompok I:
938.293 + 772.818 + 861.150 + 766.572 + 762.795 + 757.399 + 732.609
=
7
5.591.636
= = 798.805
7
b) Kelompok II:
794.931 + 802.810 + 853.615 + 965.164 + 1.048.934 + 893.124 + 964.221
=
7
6.322.799
=
7
= 903.257
903.257 − 798.805
b=
7
b = 14.921
115
Maka rumus peramalan yang digunakan yaitu:
Y’= a + b(X)
Y’= 798.805 + 14.921x
Misalkan untuk meramal pada tahun 2015, Maka: X = 6
Y2015 = a + b(X)
= 798.805 + 14.921(6)
Y2015 = 868.769
3) Data Ganjil
2000 326.693
2001 300.648
2002 282.248
2003 355.802
2004 423722
2005 440002
2006 391.371
2007 350.171
2008 367.111
2009 358.014
2010 403.827
2011 526.917
2012 465.534
116
Langkah pengerjaan untuk data ganjil, yaitu:
a) Jumlah deret berkala dikelompokkan menjadi 2 bagian yang sama
dengan cara memasukkan periode tahun serta nilai deret berkala
tertengah ke dalam tiap kelompok, dengan rumus:
b = (Y2 – Y1) / n – 1
b = (408.992 - 360.069) / 7 – 1
= 48.923 / 6
b = 8.154
Trend
Kentang Semi Semi
Tahun Kel X Awal
(Ton) Total Average
Tahun
2000 326.693 -3
2001 300.648 -2
2002 282.248 -1
2005 440.002 2
2006 391.371 3
2006 391.371 3
2007 350.171 4
2008 367.111 5
2011 526.917 8
2012 465.534 9
117
Untuk meramalkan tahun berikutnya, terlebih dahulu mencari
nilai “X”, dengan menggunakan persamaan:
Y’ = 360.069 + 8.154X
Y2013 = 441.609
118
Perhitungan untuk prediksi tahun berikutnya seperti contoh soal
sebelumya.
Jadi rumus peramalan/prediksi yang digunakan untuk tahun
selanjutnya adalah:
Y’ = a + b(X)
Y’ = 354.853 + 8.154(X)
Y2013 = 526.087
Latihan:
119
BAB IX
Y = variabel terikat
a = konstanta
b1, b2 = koefisien regresi
X1, X2 = variabel bebas
120
Contoh:
121
Tabel Pembantu
Resp. X1 X2 Y X1Y X2Y X1X2 X2 Y2
3 4 2 15 60 30 8 16 4
4 6 4 17 102 68 24 36 16
5 8 6 23 184 138 48 64 36
6 7 5 22 154 110 35 49 25
7 4 3 10 40 30 12 16 9
8 6 3 14 84 42 18 36 9
9 7 4 20 140 80 28 49 16
10 6 3 19 114 57 18 36 9
X Y = a X + b X + b X X
1 1 1
X Y = a X + b X X + b X
2
2 2 1 1 2 2 2
122
-102 = -46 b1 - 27 b2……………………… …….(4)
Persamaan (1) dikalikan 4, persamaan (3) dikalikan 1:
680 = 40 a + 240 b1 + 160 b2
737 = 40 a + 267 b1 + 182 b2 _
-57 = + -27 b1 - 22 b2………………………………….(5)
Persamaan (4) dan Persamaan (5):
-102 = -46 b1 – 27 b2 ⟹ dikali 27
-57 = -27 b1 – 22 b2 ⟹ dikali 46
Sehingga menjadi:
-2.754 = -1.242 b1 – 729 b2
-2.622 = -1.242 b1 – 1.012 b2 _
-132 = 283 b2
b2 = -132 / 283
b2 = -0,466
Harga b2 dimasukkan ke dalam salah satu persamaan (4) atau (5):
-102 = -46 b1- 27 (-0,466)
-102 = -46 b1 + 12,582
46 b1 = 114,582
b1 = 2,4909
123
b1 = 2,4909
b2 = -0,466
Keterangan:
a = konstanta
b1 = koefisien regresi X1
b2 = koefisien regresi X2
Pengujian Hipotesis:
1) Koefisien Korelasi Berganda (r)
b1ΣX1Y+b2ΣX2Y
r=
ΣY2
2,4909(1.122)+ −0,466(737)
r=
3.162
r = 0,775
F hit = 5,25
F Tabel:
124
Dk Pembilang = k = 2
Dk Penyebut = n – k - 1 = 10 – 2 - 1 = 7
F tabel = 4,74
Hipotesis:
Ho : b1 = b2 = 0, Variabel Promosi Dan Harga Tidak Berpengaruh
Signifikan Terhadap Keputusan Konsumen
Membeli Makanan Ringan Merk “Chokiku”
Ha : b1 ≠ b2 ≠ 0, Variabel Promosi Dan Harga Berpengaruh Signifikan
Terhadap Keputusan Konsumen Membeli
Makanan Ringan Merk “Chokiku”
Kriteria:
F hitung ≤ F tabel = Ho diterima
F hitung > F tabel = Ho ditolak, Ha diterima
F hitung (5,25) > F tabel (4,74) = Ho ditolak, Ha Diterima
Jadi, dapat disimpulkan bahwa Promosi dan Harga berpengaruh
signifikan terhadap keputusan konsumen membeli Membeli Makanan
Ringan Merk “Chokiku.”
Contoh kasus:
125
PER dan ROI. Data-data yang di dapat berupa data rasio dan ditabulasikan
sebagai berikut.
Tabel. Tabulasi Data (Data Fiktif)
Harga Saham
Tahun PER (%) ROI (%)
(Rp)
1990 8300 4.90 6.47
1991 7500 3.28 3.14
1992 8950 5.05 5.00
1993 8250 4.00 4.75
1994 9000 5.97 6.23
1995 8750 4.24 6.03
1996 10000 8.00 8.75
1997 8200 7.45 7.72
1998 8300 7.47 8.00
1999 10900 12.68 10.40
2000 12800 14.45 12.42
2001 9450 10.50 8.62
2002 13000 17.24 12.07
2003 8000 15.56 5.83
2004 6500 10.85 5.20
2005 9000 16.56 8.53
2006 7600 13.24 7.37
2007 10200 16.98 9.38
126
3) Pada kolom Name ketik Y, kolom Name pada baris kedua ketik X1,
kemudian untuk baris kedua ketik X2.
4) Pada kolom Label, untuk kolom pada baris pertama ketik Harga
Saham, untuk kolom pada baris kedua ketik PER, kemudian pada baris
ketiga ketik ROI.
5) Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
6) Buka data view pada SPSS data editor, didapat kolom variabel Y, X 1,
dan X2.
7) Ketikkan data sesuai dengan variabelnya
8) Klik Analyze - Regression - Linear
9) Klik variabel Harga Saham dan masukkan ke kotak Dependent,
kemudian klik variabel PER dan ROI kemudian masukkan ke kotak
Independent.
10) Klik Statistics, klik Casewise diagnostics, klik All cases. Klik
Continue
11) Klik OK, maka hasil output yang didapat pada kolom Coefficients dan
Casewise diagnostics adalah sebagai berikut:
Tabel. Hasil Analisis Regresi Linear Berganda
127
Persamaan regresinya sebagai berikut:
Y’ = a + b1X1+ b2X2
Y’ = 4662,491 + (-74,482)X1 + 692,107X2
Y’ = 4662,491 - 74,482X1 + 692,107X2
Keterangan:
Y’ = Harga saham yang diprediksi (Rp)
a = konstanta
b1, b2 = koefisien regresi
X1 = PER (%)
X2 = ROI (%)
128
b) Koefisien regresi variabel PER (X1) sebesar -74,482; artinya jika
variabel independen lain nilainya tetap dan PER mengalami kenaikan
1%, maka harga saham (Y’) akan mengalami penurunan sebesar
Rp.74,482. Koefisien bernilai negatif artinya terjadi hubungan negatif
antara PER dengan harga saham, semakin naik PER maka semakin
turun harga saham.
c) Koefisien regresi variabel ROI (X2) sebesar 692,107; artinya jika
variabel independen lain nilainya tetap dan ROI mengalami kenaikan
1%, maka harga saham (Y’) akan mengalami peningkatan sebesar
Rp.692,107. Koefisien bernilai positif artinya terjadi hubungan positif
antara ROI dengan harga saham, semakin naik ROI maka semakin
meningkat harga saham.
Nilai harga saham yang diprediksi (Y’) dapat dilihat pada tabel
Casewise Diagnostics (kolom Predicted Value). Sedangkan Residual
(unstandardized residual) adalah selisih antara harga saham dengan
Predicted Value, dan Std. Residual (standardized residual) adalah nilai
residual yang telah terstandarisasi (nilai semakin mendekati 0 maka model
regresi semakin baik dalam melakukan prediksi, sebaliknya semakin
menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik model regresi
dalam melakukan prediksi).
129
semakin mendekati 1 berarti hubungan yang terjadi semakin kuat,
sebaliknya nilai semakin mendekati 0 maka hubungan yang terjadi semakin
lemah.
Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi
koefisien korelasi sebagai berikut:
✓ 0,00 - 0,199 = sangat rendah
✓ 0,20 - 0,399 = rendah
✓ 0,40 - 0,599 = sedang
✓ 0,60 - 0,799 = kuat
✓ 0,80 - 1,000 = sangat kuat
Dari hasil analisis regresi, lihat pada output moddel summary dan disajikan
sebagai berikut:
130
menunjukkan seberapa besar persentase variasi variabel independen yang
digunakan dalam model mampu menjelaskan variasi variabel dependen. R 2
sama dengan 0, maka tidak ada sedikitpun persentase sumbangan pengaruh
yang diberikan variabel independen terhadap variabel dependen, atau
variasi variabel independen yang digunakan dalam model tidak
menjelaskan sedikitpun variasi variabel dependen. Sebaliknya R 2 sama
dengan 1, maka prosentase sumbangan pengaruh yang diberikan variabel
independen terhadap variabel dependen adalah sempurna, atau variasi
variabel independen yang digunakan dalam model menjelaskan 100%
variasi variabel dependen.
Dari hasil analisis regresi, lihat pada output moddel summary dan
disajikan sebagai berikut:
Tabel. Hasil analisis determinasi
131
negatif. Menurut Santoso (2001) bahwa untuk regresi dengan lebih dari dua
variabel bebas digunakan Adjusted R2 sebagai koefisien determinasi.
Standard Error of the Estimate adalah suatu ukuran banyaknya
kesalahan model regresi dalam memprediksikan nilai Y. Dari hasil regresi
di dapat nilai 870,80 atau Rp.870,80 (satuan harga saham), hal ini berarti
banyaknya kesalahan dalam prediksi harga saham sebesar Rp.870,80.
Sebagai pedoman jika Standard error of the estimate kurang dari standar
deviasi Y, maka model regresi semakin baik dalam memprediksi nilai Y.
132
Tahap-tahap untuk melakukan uji F adalah sebagai berikut:
1. Merumuskan Hipotesis
Ho : Tidak ada pengaruh secara signifikan antara PER dan ROI secara
bersama-sama terhadap harga saham.
Ha : Ada pengaruh secara signifikan antara PER dan ROI secara
bersama-sama terhadap harga saham.
2. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan a = 5% (signifikansi 5% atau 0,05
adalah ukuran standar yang sering digunakan dalam penelitian)
3. Menentukan F hitung
Berdasarkan tabel diperoleh F hitung sebesar 25,465
4. Menentukan F tabel
Dengan menggunakan tingkat keyakinan 95%, a = 5%, df 1 (jumlah
variabel–1) = 2, dan df 2 (n-k-1) atau 18-2-1 = 15 (n adalah jumlah
kasus dan k adalah jumlah variabel independen), hasil diperoleh untuk
F tabel sebesar 3,683 (Lihat pada lampiran) atau dapat dicari di Ms
Excel dengan cara pada cell kosong ketik =finv(0.05,2,15) lalu enter.
5. Kriteria pengujian
✓ Ho diterima bila F hitung < F tabel
✓ Ho ditolak bila F hitung > F tabel
6. Membandingkan F hitung dengan F tabel.
Nilai F hitung > F tabel (25,465 > 3,683), maka Ho ditolak.
7. Kesimpulan
Karena F hitung > F tabel (25,465 > 3,683), maka Ho ditolak, artinya
ada pengaruh secara signifikan antara price earning ratio (PER)
dan return on investmen (ROI) secara bersama-sama terhadap terhadap
harga saham. Jadi dari kasus ini dapat disimpulkan bahwa PER dan ROI
133
secara bersama-sama berpengaruh terhadap harga saham pada
perusahaan di BEJ.
134
4. Menentukan t tabel
Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan
derajat kebebasan (df) n-k-1 atau 18 – 2 - 1 = 15 (n adalah jumlah
kasus dan k adalah jumlah variabel independen). Dengan
pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t tabel
sebesar 2,131 (Lihat pada lampiran) atau dapat dicari di Ms Excel
dengan cara pada cell kosong ketik =tinv(0.05,15) lalu enter.
5. Kriteria Pengujian
✓ Ho diterima jika -t tabel < t hitung < t tabel
✓ Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
6. Membandingkan thitung dengan t tabel
Nilai -t hitung > -t tabel (-1,259 > -2,131) maka Ho diterima
7. Kesimpulan
Oleh karena nilai -t hitung > -t tabel (-1,259 > -2,131) maka Ho
diterima, artinya secara parsial tidak ada pengaruh signifikan
antara PER dengan harga saham. Jadi dari kasus ini dapat
disimpulkan bahwa secara parsial PER tidak berpengaruh
terhadap harga saham pada perusahaan di BEJ.
135
Berdasarkan tabel diperoleh t hitung sebesar 5,964
4. Menentukan t tabel
Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan
derajat kebebasan (df) n-k-1 atau 18-2-1 = 15 (n adalah jumlah
kasus dan k adalah jumlah variabel independen). Dengan
pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t tabel
sebesar 2,131.
5. Kriteria Pengujian
✓ Ho diterima jika -t tabel £ t hitung £ t tabel
✓ Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
6. Membandingkan thitung dengan t tabel
Nilai t hitung > t tabel (5,964 > 2,131) maka Ho ditolak
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (5,964 > 2,131) maka Ho
ditolak, artinya secara parsial ada pengaruh signifikan antara ROI
dengan harga saham. Jadi dari kasus ini dapat disimpulkan bahwa
secara parsial ROI berpengaruh positif terhadap harga saham pada
perusahaan di BEJ.
136
DAFTAR PUSTAKA
137