Statistika Ekonomi & Bisnis: September 2017

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/358869452
STATISTIKA EKONOMI & BISNIS
Book · September 2017
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:
ILL IN13 upgrade View project
All content following this page was uploaded by Mesra Mesra on 26 February 2022.
The user has requested enhancement of the downloaded file.

i
JUDUL BUKU
UU No 19 Tahun 2002 Tentang Hak Cipta
Fungsi dan Sifat hak Cipta Pasal 2

1. Hak Cipta merupakan hak eksklusif bagi pencipta atau
pemegang Hak Cipta untuk mengumumkan atau
memperbanyak ciptaannya, yang timbul secara otomatis
setelah suatu ciptaan dilahirkan tanpa mengurangi
pembatasan menurut peraturan perundang-undangan yang
berlaku.
Hak Terkait Pasal 49

1. Pelaku memiliki hak eksklusif untuk memberikan izin atau
melarang pihak lain yang tanpa persetujuannya membuat,
memperbanyak, atau menyiarkan rekaman suara dan/atau
gambar pertunjukannya.
Sanksi Pelanggaran Pasal 72

1. Barangsiapa dengan sengaja dan tanpa hak melakukan
perbuatan sebagaimana dimaksud dalam pasal 2 ayat (1) atau
pasal 49 ayat (2) dipidana dengan pidana penjara masing-
masing paling singkat 1 (satu) bulan dan/atau denda paling
sedikit Rp 1.000.000,00 (satu juta rupiah), atau pidana penjara
paling lama 7 (tujuh) tahun dan/atau denda paling banyak Rp
5.000.000.000,00 (lima miliar rupiah).
2. Barangsiapa dengan sengaja menyiarkan, memamerkan,
mengedarkan, atau menjual kepada umum suatu ciptaan atau
barang hasil pelanggaran Hak Cipta sebagaimana dimaksud
dalam ayat (1), dipidana dengan pidana penjara paling lama 5
(lima) tahun dan/atau denda paling banyak Rp
500.000.000,00 (lima ratus juta rupiah)
ii
PENULIS
MESRA B, SE, MM
iii
KATA PENGANTAR
Alhamdulillah, puji syukur kehadirat Allah SWT atas rahmat dan

limpahan karunia-Nya sehingga buku yang berjudul “Statistika Ekonomi
dan Bisnis” dapat terselesaikan dengan baik. Buku ini berisi tentang
bagaimana cara memecahkan setiap permasalahan bisnis dengan
menggunakan formulasi dan simbol matematis, yang bertujuan untuk
menyederhanakan masalah agar lebih mudah dipahami dan ditemukan
solusinya. Ucapan terimakasih saya sampaikan untuk berbagai pihak yang
membantu dalam penyusunan buku ini dan besar harapan bahwa buku ini
dapat bermanfaat bagi pembaca.
Penulis menyadari bahwa penulisan buku ini tidak akan lepas dari
kekurangan. Pembaca dapat memberikan kritik dan saran yang bersifat
membangun demi perbaikan dan kesempurnaan buku ini.
Akhirnya kepada Allah jua kita berserah diri.
Medan, Januari 2017
Penulis
iv
DAFTAR ISI
KATA PENGANTAR ............................................................................ iv

DAFTAR ISI ............................................................................................ v
BAB I. PENGANTAR STATISTIKA ................................................... 1
A. Pengertian Statistika dan Statistik ........................................................ 1
B. Penelitian dan Statistika........................................................................ 3
C. Populasi dan Sampel ............................................................................. 8
D. Klasifikasi, Jenis dan Macam Data Dalam Statistik ........................... 14
BAB II. DISTRIBUSI FREKUENSI ................................................... 18
A. Pengertian Distribusi Frekuensi ......................................................... 18
B. Cara Membuat Tabel Distribusi Frekuensi ......................................... 21
C. Grafik Histogram dan Poligon ............................................................ 25
D. Jenis-jenis Distribusi Frekuensi.......................................................... 28
BAB III. UKURAN PEMUSATAN DATA ......................................... 40

A. Pengertian Pemusatan Data ................................................................ 40
B. Rata - Rata Hitung .............................................................................. 40
C. Median ................................................................................................ 44
D. Modus ................................................................................................. 47
BAB IV. UKURAN LETAK DATA .................................................... 52
A. Pengertian Ukuran Letak Data ........................................................... 52
B. Kuartil ................................................................................................. 52
C. Desil .................................................................................................... 55
D. Persentil .............................................................................................. 58
BAB V. UKURAN PENYEBARAN DATA ........................................ 62
A. Pengertian Ukuran Penyebaran Data .................................................. 62
B. Jangkauan / Range (R) ........................................................................ 63
C. Simpangan Rata-rata........................................................................... 66
D. Simpangan Baku (Standar Deviasi).................................................... 68
E. Ragam / Varians.................................................................................. 77
BAB VI. ANGKA INDEKS .................................................................. 83
A. Pengertian Angka Indeks.................................................................... 83
B. Angka Indeks Tunggal........................................................................ 86
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
BAB IX. ANALISIS REGRESI DAN KORELASI BERGANDA .. 135

A. Pengertian Regresi Linear Berganda ................................................ 135
B. Regresi Linear Berganda dengan SPSS ............................................ 140
C. Analisis Korelasi Ganda ................................................................... 144
D. Analisis Determinasi (R2) ................................................................ 145
E. Uji Koefisien Regresi Secara Bersama-sama (Uji F) ....................... 147
F. Uji Koefisien Regresi Secara Parsial (Uji t) ..................................... 149
BAB X. KURVA NORMAL ............................................................... 152
A. Pengertian Kurva Normal ................................................................. 152
B. Penggunaan Kurva Normal .............................................................. 154
BAB XI. PENGUJIAN HIPOTESIS ................................................. 162
A. Pengertian Hipotesis ......................................................................... 162
B. Konsep Hipotesis .............................................................................. 162
C. Prosedur Pengujian Hipotesis .......................................................... 162
DAFTAR PUSTAKA .......................................................................... 182
vi
BAB I
PENGANTAR STATISTIKA
A. Pengertian Statistika dan Statistik
Kita sering mendengar antara statistika dengan statistik itu sama

artinya, cuma masalah pengucapannya saja yang berbeda. Tetapi
sebenarnya antara statistika dengan statistik itu mempunyai makna yang
berbeda. Berikut perbedaan istilah keduanya: Statistika adalah suatu ilmu
pengetahuan yang berhubungan dengan metode, teknik atau cara
mengumpulkan, mengolah, menganalisis dan menginter-prestasikan data
untuk disajikan secara lengkap dalam bentuk yang mudah untuk dipahami.
Statistika dikelompokkan menjadi dua macam, yaitu Statistika
deskriptif (statistika deduktif) dan statistika inferensia (statistika induktif).
Statistik deskriptif, yaitu statistik yang digunakan untuk menganalisa data
dengan cara mendeskripsikan atau menggambarkan data yang meliputi
kegiatan-kegiatan pengumpulan, penyajian, penyederhanaan atau
penganalisisan, dan penentuan ukuran-ukuran khusus dari suatu data tanpa
adanya penarikan kesimpulan. Statistika inferensial adalah statistika yang
berhubungan dengan penarikan kesimpulan yang bersifat umum dari data
yang telah disusun dan diolah.
Statistika inferensial merupakan langkah akhir dari tugas statistika
karena dalam setiap penelitian kesimpulan inilah yang diinginkan.
Statistika inferensia harus berdasar pada statistika deskriptif, sehingga
kedua-duanya harus dilakukan secara benar agar kita bisa mendapatkan apa
yang kita inginkan dari hasil pengolahan data yang telah dilakukan.
Statistika inferensia terbagi pula atas statistika parametrik dan
statistika non parametrik. Penggunaan statistika parametrik harus
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.
Sedangkan kelemahan dari statistika non parametrik diantaranya:

1) Statistik non-parametrik terkadang mengabaikan beberapa informasi
tertentu.
2) Hasil pengujian hipotesis dengan statistik non-parametrik tidak
setajam statistik parametrik.
3) Hasil statistik non-parametrik tidak dapat diekstrapolasikan ke
populasi studi seperti pada statistik parametrik. Hal ini dikarenakan
statistik non-parametrik mendekati eksperimen dengan sampel kecil
dan umumnya membandingkan dua kelompok tertentu.
B. Penelitian dan Statistika

Penelitian merupakan cara ilmiah untuk mendapatkan data dengan
tujuan dan kegunaan tertentu. Cara ilmiah, berarti penelitian itu didasarkan
pada ciri-ciri keilmuan yaitu, rasional, empiris dan sistematis.
a) Rasional: penelitian itu dilakukan dengan cara-cara yang masuk akal
sehingga terjangkau oleh penalaran manusia.
b) Empiris: cara-cara yang digunakan dalam penelitian itu teramati oleh
indera manusia.
c) Sistematis: proses yang dilakukan dalam penelitian itu menggunakan
langkah-langkah tertentu yang bersifat logis.
Data yang baik itu harus memenuhi persyaratan:

a) Valid: menunjukan derajat ketepatan antara data sesungguhnya dengan
data si peneliti.
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:
a) Variabel independen, variabel yang mempengaruhi variabel dependen.

b) Variabel dependen, variabel yang dipengaruhi.
c) Variabel Moderator, variabel yang mempengaruhi (memperkuat atau

memperlemah) hubungan antara variabel independen dengan
dependen.
4
d) Variabel intervening, variable yang secara teoritis mempengaruhi
hubungan antara variabel independen dengan dependen, tetapi tidak
dapat diamati dan diukur.
e) Variabel kontrol, variabel yang dikendalikan atau dibuat konstan

sehingga hubungan variabel independen terhadap dependen tidak
dipengaruhi oleh faktor luar yang tidak diteliti.
Arti dan Jenis Variabel

Variabel (Peubah) adalah karakteristik atau sifat yang merupakan
penamaan yang melekat pada suatu obyek yang dikaji. Pada prinsipnya
pengolongan variabel dapat dibedakan atas dua jenis yaitu:
1) Variabel Intraneous yaitu variabel yang dimasukan dalam hipotesis
penelitian yang meliputi:
a) Variabel tergantung adalah variabel yang tercakup dalam
hipotesis penelitian, keragamannya dipengaruhi oleh variabel lain.
b) Variabel bebas adalah variabel yang yang tercakup dalam
hipotesis penelitian dan berpengaruh atau mempengaruhi variabel
tergantung.
c) Variabel antara (intervene variables) adalah variabel yang bersifat
menjadi perantara dari hubungan variabel bebas ke variabel
tergantung.
d) Variabel Moderator adalah variabel yang bersifat memperkuat
atau memperlemah pengaruh variabel bebas terhadap variabel
tergantung.
2) Variabel Extraneous yaitu variabel yang tidak dimasukan dalam
hipotesis penelitian yang meliputi:
a) Variabel pembaur (confounding variables) adalah suatu variabel
yang tercakup dalam hipotesis penelitian, akan tetapi muncul
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
Teknik Analisa Data

Berdasarkan rumusan dan hipotesis, maka dapat ditentukan teknik
statistik yang digunakan untuk analisa data dan menguji hipotesis.
a) Untuk dua hipotesis deskriptif, bila datanya berbentuk interval dan
ratio, maka pengujian hipotesis menggunakan t-test one sampel.
b) Untuk hipotesis asosiatif, bila data kedua variable berbentuk interval
atau ratio, maka menggunakan teknik statistik korelasi product
moment.
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.
b) Alat untuk menguji validitas dan reliabilitas instrument.
7
c) Teknik-teknik untuk menyajikan data, sehingga data lebih
komunikatif. Teknik-teknik penyajian data antara lain: tabel, grafik,
diagram lingkar, dan pistogram.
d) Alat untuk analisis data seperti menguji hipotesis penelitian yang

diajukan. Dalam hal ini statistik yang digunakan antara lain: korelasi,
regresi linear sederhana, determinasi, t-test, F-test, anova, analisis
jalur, chi square, sign test, regresi linear berganda, dll.
C. Populasi dan Sampel
Populasi adalah keseluruhan dari subjek / objek yang diteliti

sedangkan sampel ialah bagian dari populasi yang menjadi suatu objek
penelitian. Hasil pengukuran atau karakteristik dari sampel disebut dengan
“Statistik”. Alasan pentingnya pengambilan sampel ialah sebagai berikut:
a) Keterbatasan waktu, tenaga dan biaya.

b) Lebih cepat dan lebih mudah.
c) Memberikan informasi yang lebih banyak dan dalam.
d) Dapat ditangani lebih teliti.
Sampel merupakan bahagian kecil dari polulasi. Penarikan sampel

diperlukan jika populasi yang diambil sangat besar, dan peneliti memiliki
keterbatasan untuk menjangkau seluruh populasi sehingga peneliti perlu
mendefinisikan populasi target dan populasi terjangkau baru kemudian
menentukan jumlah sampel dan teknik sampling yang digunakan.
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.
Cara menentukan ukuran sampel:
a) Ukuran sampel lebih dari 30 dan kurang dari 500.

b) Jika sampel dipecah ke dalam sub sampel (pria / wanita, junior / senior,
dan sebagainya), ukuran sampel minimum 30.
c) Dalam penelitian mutivariate (termasuk analisis regresi berganda),
ukuran sampel sebaiknya sebanyak 10 kali lipat lebih besar dari jumlah
variabel dalam penelitian.
d) Untuk penelitian eksperimental sederhana dengan kontrol eskperimen
yang ketat, penelitian yang sukses adalah mungkin dengan ukuran
sampel kecil antara 10 sampai dengan 20.
Besaran atau ukuran sampel ini sampel sangat tergantung dari

besaran tingkat ketelitian atau kesalahan yang diinginkan peneliti. Namun,
dalam hal tingkat kesalahan, pada penelitian sosial maksimal tingkat
kesalahannya adalah 5% (0,05). Makin besar tingkat kesalahan maka
makin kecil jumlah sampel. Namun yang perlu diperhatikan adalah
semakin besar jumlah sampel (semakin mendekati populasi) maka semakin
kecil peluang kesalahan generalisasi dan sebaliknya, semakin kecil jumlah
sampel (menjauhi jumlah populasi) maka semakin besar peluang kesalahan
generalisasi.
Beberapa rumus untuk menentukan jumlah sampel antara lain:
1) Rumus Slovin
N
n = 1+ N(e)2
Dimana:
9
n = sampel
N = populasi
e = nilai presisi 95% atau sig. = 0,05.
Misalnya, jumlah populasi adalah 125, dan tingkat kesalahan yang

dikehendaki adalah 5%, maka jumlah sampel yang digunakan adalah:
n = 125 / 125 (0,05)2 + 1
= 95,23 ⟹ 95
2) Formula Jacob Cohen
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
Power (p) = 0.95 dan Effect size (F2) = 0.1

Harga L tabel dengan t.s 1% power 0.95 dan u = 5 adalah 19.76
maka dengan formula tsb diperoleh ukuran sampel
n = 19.76 / 0.1 + 5 + 1
= 203,6 ⟹ 204
3) Rumus berdasarkan Proporsi atau Tabel Isaac dan Michael

Tabel penentuan jumlah sampel dari Isaac dan Michael memberikan
kemudahan bagi peneliti dalam penentuan jumlah sampel berdasarkan
tingkat kesalahan 1%, 5% dan 10%. Dengan tabel ini, peneliti dapat
secara langsung menentukan besaran sampel berdasarkan jumlah
populasi dan tingkat kesalahan yang dikehendaki. Semakin kecil
tingkat kesalahan yang ditolerir akan semakin valid sebuah penelitian.
10
Teknik Sampling
Teknik sampling merupakan teknik pengambilan sampel yang

secara umum terbagi dua yaitu probability sampling dan non probability
sampling.
a) Probability Sampling / teknik pengambilan sampel berdasarkan

peluang
Pengambilan Sampel berdasarkan peluang dibagi atas:
1) Sampel Acak
Teknik memilih secara acak dapat dilakukan baik dengan manual
/ tradisional maupun dengan menggunakan tabel random.
✓ Cara Tradisional
Dengan cara melakukan pengocokan dan diambil secara
sembarang sampai jumlah sampel yang diinginkan terpenuhi.
✓ Menggunakan Tabel Acak
Dengan menggunakan tabel yang dihasilkan oleh komputer.
Tabel tersebut umumnya terdiri dari kolom dan angka yang
telah diacak oleh komputer, setiap angka yang keluar dan
memenuhi syarat maka itulah yang dijadikan sampel sampai
jumlah sampel yang diinginkan terpenuhi
2) Teknik Stratifikasi
Strata / lapisan / kelompok, misalnya pengelompokan sampel
berdasarkan pekerjaan, pengelompokan berdasarkan tingkatan
kelas di sekolah, pengelompokan berdasarkan agama dan lainnya.
3) Teknik Klaster
Merupakan teknik memilih sampel lainnya dengan menggunakan
prinsip peluang / probabilitas. Teknik ini mempunyai sedikit
perbedaan jika dibandingkan dengan kedua teknik sebelumnya.
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.
b) Non probability sampling / teknik pengambilan sampel tidak

berdasarkan peluang
Teknik pengambilan sampel tidak berdasarkan peluang dibagi pula
atas:
1) Sampling Sistematis
Teknik pengambilan sampel berdasarkan urutan dari anggota
populasi yang sebelumnya telah diberi nomor urut. Contoh
Sampling Sistematis, anggota populasi yang terdiri dari
100 orang, dari semua semua anggota populasi itu diberi nomor
urut 1 sampai 100. Pengambilan sampel dapat dilakukan dengan
mengambil nomor ganjil saja, genap saja, atau kelipatan dari
bilangan tertentu yang sebelumnya telah ditetapkan oleh peneliti.
2) Sampling Kuota
Teknik untuk menentukan sampel dari populasi yang mempunyai
ciri-ciri tertentu sampai jumlah kuota yang diinginkan. Contoh
sampel untuk balita yang mengalami gizi buruk ditentukan
sebanyak 50 orang, maka balita yang mengalami gizi buruk harus
diperoleh sebanyak 50 orang.
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.
D. Klasifikasi, Jenis dan Macam Data Dalam Statistik

1. Cara Memperolehnya Data
a) Data Primer
Data yang diperoleh secara langsung diobjek penelitian oleh
peneliti. Peneliti memperoleh data melalui wawancara, interview
maupun pengamatan.
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.
4. Tingkatan Pengukuran Data

a) Data Rasio
Merupakan tingkatan data yang paling tinggi. Data rasio memiliki
jarak antar nilai yang pasti dan memiliki nilai nol mutlak yang
tidak dimiliki oleh jenis-jenis data lainnya. Contoh berat badan
100 Kg adalah 2 kali lipat dengan berat badan 50 Kg.
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:
1. Jelaskan pentingnya statistika dalam kehidupan sehari-hari, dan siapa

saja yang menggunakan statistika? Sebutkan contoh penggunaan
statistika dalam manajemen?
2. Jelaskan perbedaan statistika deskriptif dan statistika inferensia?
Berikan contoh dari kasus sehari-hari yang Anda alami!
3. Dikatakan bahwa keuntungan saham PT. Telkom Indonesia adalah Rp
550 per lembar, dan nilai saham PT. Telkom Indonesia dua kali saham
PT. Pos Indonesia. Apa skala pengukuran yang dipakai dalam soal di
atas?
17
BAB II
DISTRIBUSI FREKUENSI
A. Pengertian Distribusi Frekuensi

Distribusi frekuensi merupakan pengelompokan data menurut
kelas / kategori tertentu yang disusun dalam sebuah tabel / daftar. Tabel
distribusi frekuensi digunakan jika ukuran data yang cukup besar (n > 30).
Distribusi frekuensi didapatkan dari keterangan atau gambar sederhana dan
sistematis dari data yang diperoleh. Tujuan pengelompokan data ke dalam
distribusi frekuensi ialah untuk memperoleh gambaran yang sederhana,
jelas dan sistematis mengenai peristiwa yang dinyatakan dalam angka-
angka.
Bagian-Bagian Dari Distribusi Frekuensi
1. Kelas – kelas (class)
Kelas-kelas merupakan kelompok nilai maupun variabel yang telah
tersusun. Pengelompokan kelas harus terurut dari kelas terkecil sampai
kelas terbesar.
2. Batas Kelas (class limits)
Batas Kelas merupakan nilai-nilai yang membatasi kelas satu dengan
kelas lainnya. Terdapat dua batas kelas, yaitu:
a) Batas kelas atas (upper class limits), terdapat di deretan sebelah

kanan setiap kelas.
b) Batas kelas bawah (lower class limits), terdapat di deretan kiri
setiap kelas.
Batas kelas ialah batas semu dari semua kelas, karena diantara
kelas yang satu dengan yang lain masih terdapat lubang tempat
angka - angka tertentu.
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.
Terdapat dua Tepi kelas yaitu :

• Tepi atas kelas atau batas kelas atas sebenarnya.
• Tepi bawah kelas atau batas kelas bawah sebenarnya.
Rumus tepi atas kelas dan tepi bawah kelas:

Tepi atas kelas = batas kelas atas sebenarnya ditambah dengan: 0,5
Tepi bawah kelas = batas kelas bawah sebenarnya dikurangi dengan:
0,5
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
5. Interval kelas (class interval)

Interval kelas merupakan selang yang memisahkan kelas yang satu
dengan kelas yang lainnya.
6. Panjang kelas / Interval (interval size).
Panjang kelas merupakan jarak antara tepi atas kelas dengan tepi
bawah kelas.
19
7. Frekuensi Kelas (class Frekuency).
Frekuensi kelas merupakan banyaknya data yang termasuk ke dalam
kelas tertentu.
Contoh:
Tabel Distribusi Frekuensi
Pengeluaran Mahasiswa (‘000) Frekuensi
400 – 499 15
500 – 599 20
600 – 699 35
700 – 799 25
800 – 899 15
900 – 999 10
Jumlah 120
Penjelasan dari tabel distribusi frekuensi diatas:

a) Banyaknya kelas: 6
b) Batas kelas: 400; 499; 500; 599; 600; 699; 700; 799; 800; 899; 900; 999
c) Batas Bawah Kelas: 400; 500; 600; 700; 800; 900
d) Batas Atas Kelas: 499; 599; 699; 799; 899; 999
e) Batas Nyata Kelas: 399,5; 499,5; 599,5; 699,5; 799,5; 899,5; 999,5
f) Tepi Atas Kelas: 499,5; 599,5; 699,5; 799,5; 899,5; 999,5
g) Tepi Bawah Kelas: 399,5; 499,5; 599,5; 699,5; 799,5; 899,5
h) Titik Tengah Kelas: 449,5; 549,5; 649,5; 749,5; 849,5; 949,5
i) Panjang / Interval Setiap Kelas
✓ Kelas 1: 400 – 499
✓ Kelas 2: 500 – 599
✓ Kelas 3: 600 – 699
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
B. Cara Membuat Tabel Distribusi Frekuensi

Ada beberapa langkah dalam membuat tabel distribusi frekuensi,
yang akan diuraikan berikut ini:
Langkah 1.
Menentukan Jangkauan Data (J):
Rumus: Data Terbesar – Data Terkecil
Langkah 2.
Menentukan Banyaknya Kelas Interval (k):
Rumus Sturges: k = 1 + 3,3 Log n
Dimana:
k = banyak kelas berupa bilangan bulat
n = banyaknya data
Langkah 3.
Menentukan Panjang Kelas / Interval (i):
J
Rumus: i =
k
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.
Data terbesar: 80 dan data terkecil: 65, sehingga jangkauan data:

Jangkauan (J) = 80 – 65 = 15
Langkah 2.
Banyaknya kelas interval adalah:
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
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.
Menentukan titik tengah interval:

Titik tengah kelas ke-1 = ½ (65 + 67) = 66
Untuk lebih jelasnya perhatikan tabel berikut ini:
Nilai UTS Frekuensi (Fi) Titik Tengah (Xi)

65 – 67 2 66
68 – 70 5 69
71 – 73 13 72
74 – 76 14 75
77 – 79 4 78
80 – 82 2 81
Jumlah 40
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
Pengeluaran Mahasiswa (‘000) Frekuensi (Fi)
400 – 499 15
500 – 599 20
600 – 699 35
700 – 799 25
800 – 899 15
900 – 999 10
Jumlah 120
Dari tabel distribusi frekuensi diatas dapat dibuat grafik histogram

sebagai berikut:
Grafik Histogram Pengeluaran Mahasiswa

40
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)
400 – 499 15 449,5

500 – 599 20 549,5
600 – 699 35 649,5
700 – 799 25 749,5
800 – 899 15 849,5
900 – 999 10 949,5
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)
D. Jenis-jenis Distribusi Frekuensi

Berdasarkan kriteria-kriteria tertentu, distribusi frekuensi dapat
dibedakan atas tiga jenis, yaitu distribusi frekuensi biasa, distribusi
frekuensi relatif, dan distribusi frekuensi kumulatif.
1. Distribusi Frekuensi Biasa
Distribusi frekuensi biasa adalah distribusi frekuensi yang hanya
berisikan jumlah frekuensi dari setiap kelompok data, yang terdiri dari:
a) Distribusi frekuensi numerik
Distribusi frekuensi numerik berarti pembagian kelasnya dalam
bentuk angka.
Contoh:
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
b) Distribusi frekuensi peristiwa atau kategori

Distribusi frekuensi yang pembagian kelasnya berdasarkan data
atau golongan data yang ada.
Contoh:
Hasil Pelemparan Dadu sebanyak 30 kali
Angka Dadu (X) Banyaknya Peristiwa (f)
1 4
2 6
3 5
4 3
5 8
6 4
Jumlah 30
2. Distribusi Frekuensi Relatif

Distribusi frekuensi relatif adalah distribusi frekuensi yang berisikan
nilai-nilai hasil bagi antara frekuensi kelas dan jumlah pengamatan
yang terkandung dalam kumpulan data yang berdistribusi tertentu.
Frekuensi relatif dirumuskan:
Fi
Frelatif = x 100%
ΣFi
Contoh:
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
3. Distribusi Frekuensi Kumulatif

Distribusi frekuensi kumulatif (frekuensi yang dijumlahkan).
Distribusi frekuensi kumulatif memiliki kurva yang disebut ogive. Ada
dua macam distribusi frekuensi kumulatif yaitu distribusi frekuensi
kumulatif kurang dari dan distribusi frekuensi lebih dari.
a. Daftar distribusi kumulatif kurang dari (gunakan tepi atas).
b. Daftar distribusi kumulatif lebih dari (gunakan tepi bawah).
Untuk lebih jelasnya, perhatikan contoh data berikut ini.

Pengeluaran Frekuensi Tepi Bawah Tepi Atas
Mahasiswa (‘000)
400 – 499 15 399,5 499,5
500 – 599 20 499,5 599,5
600 – 699 35 599,5 699,5
700 – 799 25 699,5 799,5
800 – 899 15 799,5 899,5
900 – 999 10 899,5 999,5
Jumlah 120
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
Daftar frekuensi kumulatif kurang dari dan lebih dari dapat

digambarkan dalam sebuah kurva ogive.
Cara menggambar frekuensi kumulatif dalam sebuah grafik yaitu:
a) Tepi atas (499,5; 599,5; 699,5; 799,5; 899,5; 999,5) atau tepi
bawah (399,5; 499,5; 599,5; 699,5; 799,5; 899,5;) diletakkan pada
sumbu X,
b) Frekuensi kumulatif kurang dari atau frekuensi kumulatif lebih
dari diletakkan pada sumbu Y.
Ogive merupakan kurva frekuensi kumulatif yang telah dihaluskan.
Apabila titik-titik dihubungkan, maka terbentuk kurva yang disebut
ogive.
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.
Kurva Ogive Pengeluaran Mahasiswa

140
Frekuensi Kumulatif
120
100
80
60
40
20
0
399,5 499,5 599,5 699,5 799,5 899,5
Pengeluaran Mahasiswa ('000)
Frek. Kumulatif Kurang Dari Frek. Kumulatif Lebih Dari
Jika frekuensi kumulatif digambarkan dalam sebuah grafik

maka terbentuklah sebuah garis yang menaik dan menurun.
a) Menaik untuk frekuensi kumulatif kurang dari dan
b) Menurun untuk frekuensi kumulatif lebih dari.
Contoh Soal: Nilai mata kuliah statistika dari 150 mahasiswa
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
1) Tabel Distribusi dari soal diatas:

a) Hitung jangkauan (J) data,
J = Data terbesar - Data terkecil.
Data terbesar = 93 dan terkecil = 15.
J = 93 – 15
J = 78
b) Hitung jumlah kelas interval (k)
K = 1 + 3,3 Log 150
= 1 + 3,3 (2,18) = 8,19 ⟹ dibulatkan 8

K=8
c) Hitung panjang kelas (i)
i=J/k
= 78 / 8 = 9,75 ⟹ dibulatkan 10
i = 10
d) Susun interval kelas
Secara teoritis penyusunan kelas dimulai dari data terkecil, yaitu
15.
e) Memasukan data dengan tally
Tally merupakan pemasukan / penghitungan data ke dalam tabel
yang sudah disiapkan terlebih dahulu. Dalam tabel ini data sudah
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
Setelah kolom tally dihilangkan, bentuk tabelnya menjadi:

No Nilai Statistik Frekuensi
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
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
b) Tabel Distribusi Frekuensi Relatif

Penyajian data yang merubah frekuensi setiap kelas dalam bentuk
persentase (%) dinamakan distribusi frekuensi relatif.
Distribusi Frekuensi Relatif Nilai Statistika
Frekuensi kelas
Rumus frekuensi relatif = x 100%
Jumlah pengamatan
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)
No Nilai Statistik Frekuensi Titik Tengah
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
2) Grafik Batang (histogram), dibagi pula atas:

✓ Grafik Batang / Balok (3D)
✓ Diagram Lingkaran (Piechart)
Diagram lingkaran digunakan untuk membandingkan
data dari berbagai kelompok.
Contoh:
No Nilai Statistik Frekuensi
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:
1. Diberikan data mentah tentang gaji bulanan 50 pegawai honorer dalam

ribuan rupiah.
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
UKURAN PEMUSATAN DATA
A. Pengertian Pemusatan Data

Ukuran Pemusatan Data merupakan ukuran yang dapat melihat
bagaimana data tersebut mengumpul / memusat. Ukuran pemusatan data
yaitu mencari sebuah nilai yang dapat mewakili dari suatu rangkaian data.
Macam-macam ukuran pemusatan data:
1. Rata - rata hitung (mean)
2. Median
3. Modus
B. Rata - Rata Hitung
Rata-rata hitung (mean) adalah nilai rata-rata dari data-data yang

tersedia. Rata-rata hitung dari populasi diberi simbol: µ (baca: miu). Rata-
̅ (baca: eks bar). Menentukan rata-
rata hitung dari sampel diberi simbol: 𝐗
rata hitung secara umum dapat dirumuskan:
Jumlah Semua Nilai Data

Rata-rata hitung =
Jumlah Data
a) Rata-rata hitung (mean) untuk data tunggal

 Jika X1, X2, ... Xn merupakan n buah nilai dari variabel X, maka
rata-rata hitungnya sebagai berikut :
ΣX
̅
X=
n
X1 + X 2 + … + X n
=
n
Keterangan:
̅ = rata-rata hitung (mean)
X
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 :
Nilai ulangan matematika Budi pada semester I adalah 7, 8, 5, 7, 8,

dan 7. Maka rata - ratanya adalah:
7+8+5+7+8+7 42
X̅ = = = 7
6 6
b) Rata-rata hitung (mean) untuk data kelompok
 Metode biasa
ΣFi. Xi
̅
X=
ΣF
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
 Metode Simpangan Rata-rata

Apabila M adalah rata-rata hitung sementara maka rata-rata hitung
dapat dihitung dengan rumus :
∑ Fd
̅= M+
X
∑F
Keterangan:
M = rata-rata hitung sementara, biasanya diambil dari titik tengah
kelas terbesarnya / modus
d = X–M
X = titik tengah interval kelas
F = frekuensi kelas
Contoh:
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:
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
Median adalah nilai tengah dari data yang telah diurutkan.

Median biasa disimbolkan dengan Me atau Md.
1) Median data tunggal
❖ Jika jumlah data ganjil, maka mediannya berada berada pas
ditengah.
Me = Xn/2
❖ Jika jumlah data genap, mediannya adalah hasil bagi jumlah
dua data yang berada di tengah.
Xn
2 + X(n+2)/ 2
Me =
2
Contoh 1:
Tentukan median dari data berikut: 3, 5, 4, 6, 8, 7, 3
Jawab:
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
2) Median data kelompok
Rumus:
n
−F
2
Me = Lo + i { }
f
Keterangan:
Lo = Tepi bawah kelas median

n = Banyaknya data
F = Frekuensi kumulatif sebelum kelas median
f = Frekuensi kelas median
i = Interval / panjang kelas
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
Modus adalah nilai yang sering muncul / paling banyak dalam

sebuah data. Dalam sekelompok data modus bisa saja lebih dari satu, yang
dikenal dengan bimodus, trimodus dan seterusnya. Modus disimbolkan
dengan Mo. Cara mencari modus dibedakan antara data tunggal dan data
kelompok.
 Modus data tunggal
Modus data tunggal adalah data yang jumlahnya terbanyak.
Contoh :
Tentukan modus dari data : 1, 2, 4, 4, 5, 8, 9.
Modus = 4
 Modus data kelompok

Modus akan berada pada kelas yang memiliki frekuensi terbesar. Kelas
yang memiliki frekuensi terbesar disebut kelas modus.
Rumus:
(b1)
Mo = Lo + i { }
(b1+b2)
Keterangan:
Lo = Tepi bawah dari kelas modus
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:
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
Untuk mencari modus untuk data yang sudah dikelompokkan, lihat

frekuensi yang terbesarnya. Frekuensi yang terbesar dari
pengelompokkan data diatas yaitu: 14, yang berada pada kelas ke-4,
dengan batas kelas: 94 – 96.
Maka:
Lo = 93,5
i = 3
b1 = 14 – 13 = 1
b2 = 14 – 4 = 10
Sehingga modus dari soal diatas dapat dicari dengan:
(b1)
Mo = Lo + i { }
(b1+b2)
( 1)
= 93,5 + 3 {(1+10)} = 96,5
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
Hasil Tugas Frekuensi Titik Tengah fixi

(fi) (xi)
65 – 67 2 66 132
68 – 70 5 69 345
71 – 73 13 72 936
74 – 76 14 75 1.050
77 – 79 4 78 312
80 – 82 2 81 162
Jumlah (Ʃ) 40 2.937
Ʃfixi 2.937
X̅ = = = 73,43
Ʃfi 40
b) Median:
n
−F
Me = Lo + i { 2 }
f
n 40
Median = nilai tengah sehingga : = = 20 (berada pada
2 2
frekuensi kumulatif di kelas ke-3),
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)
Modus = nilai yang sering muncul atau paling besar

frekuensinya. Dari tabel diatas frekuensi terbesar = 14, berada pada
kelas ke-4,
sehingga:
Lo = 73,5
i = 3
b1 = 14 – 13 = 1
b2 = 14 – 4 = 10
1
Mo = 73,5 + 3 { }
(1+10)
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!
Tinggi Badan Frekuensi (Fi)

151 – 155 5
156 – 160 8
161 – 165 9
166 – 170 12
171 – 175 10
176 – 180 16
Jumlah 60
51
BAB IV
UKURAN LETAK DATA
A. Pengertian Ukuran Letak Data
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) Kuartil Data Tunggal

a) Kuartil pertama/bawah
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:
𝟏(𝟕 + 𝟏) 𝟐(𝟕 + 𝟏) 𝟑(𝟕 + 𝟏)

Q1 = =2 Q2 = =4 Q3 = =6
𝟒 𝟒 𝟒
2) Kuartil Data Kelompok

Secara umum rumus untuk kuartil data berkelompok adalah:
𝐢𝐧
−𝐅
Qi = Lo + i { 𝟒 }
𝐟
Keterangan:
Lo = Tepi bawah kelas kuartil
n = Banyaknya data
F = Frekuensi kumulatif sebelum kelas kuartil
f = Frekuensi kelas kuartil
a) Kuartil pertama / bawah

𝐧
−𝐅
𝟒
Q1 = Lo + i { }
𝐟
b) Kuartil kedua / tengah

𝟐𝐧
−𝐅
𝟒
Q2 = Lo + i { }
𝐟
c) Kuartil ketiga / atas

𝟑𝐧
−𝐅
𝟒
Q3 = Lo + i { }
𝐟
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
Q3 = 3n/4 = 120/4 = 30
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.
1) Desil Data Tunggal

Rumus Desil Secara Umum:
𝐢(𝐧 + 𝟏)
Di = 𝟏𝟎
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
b) Desil ke-4 (D4)

𝟒(𝟏𝟎 + 𝟏)
D4 = 𝟏𝟎
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
2) Desil Data Kelompok
Secara umum rumus untuk desil berkelompok adalah:

𝐢𝐧
−𝐅
𝟏𝟎
Di = Lo + i { }
𝐟
56
Keterangan:
Lo = Tepi bawah kelas desil

n = Banyaknya data
F = Frekuensi kumulatif sebelum kelas desil
f = Frekuensi kelas desil
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
Dari data tersebut tentukan:

a) Desil ke-1
b) Desil ke-9
Jawab:
D1 = n/10 = 40/10 = 4
D9 = 9n/10 = 360/10 = 36
Masing-masing kelas mempunyai interval : 5

a) D1 = …?
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,
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 terletak pada urutan ke-3,3

sehingga:
P30 = X3 + 0,3(X4 – X3)
Jadi:
P30 = 5 + 0,3(6 – 5)
P30 = 5,3
b) Persentil ke-75 (P75)

𝟕𝟓(𝟏𝟎 + 𝟏)
P75 = = 8,25
𝟏𝟎𝟎
P75 terletak pada urut ke-8,25

sehingga:
P75 = X8 + 0,25(X9 – X8)
Jadi:
P75 = 9 + 0,25(10 – 9) = 9,25
2) Persentil Data Kelompok

𝐢𝐧
−𝐅
𝟏𝟎𝟎
Pi = Lo + i { }
𝐟
Keterangan:
Lo = Tepi bawah kelas persentil

n = Banyaknya data
59
F = Frekuensi kumulatif sebelum kelas persentil
f = Frekuensi kelas persentil
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
Dari data tersebut tentukan:

a) Persentil ke-25
b) Persentil ke-60
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
Masing-masing kelas mempunyai interval : 5

a) P25 = …?
25n/100 = 10,
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:
Diketahui data sebagai berikut:

Nilai Frekuensi
41 – 45 3
46 – 50 6
51 – 55 16
56 – 60 8
61 – 65 7
Tentukanlah:
a. Nilai Q2
b. Nilai D9
c. Nilai P60
61
BAB V
UKURAN PENYEBARAN DATA
A. Pengertian Ukuran Penyebaran Data

Ukuran penyebaran data adalah ukuran yang menunjukkan
seberapa jauh data itu menyebar dari rata-ratanya. Pada ukuran penyebaran
data, kita akan mempelajari tentang jangkauan / Range, Simpangan, Ragam
/ Variasi, ukuran penyebaran pada nilai kuartil, dan Pencilan (Outlier).
Ukuran penyebaran data itu diambil dari berbagai macam ukuran
statistik yang dapat digunakan untuk mengetahui luas penyebaran data atau
variasi data atau homogenitas data atau stabilitas data. Terdapat tiga (3)
kondisi penyebaran/ variasi/dispersi data, yaitu data yang homogen (tidak
bervariasi), data heterogen (sangat bervariasi), dan data yang relatif
homogen (tidak begitu bervariasi).
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.
B. Jangkauan / Range (R)
Merupakan salah satu ukuran statistik yang menunjukkan jarak

penyebaran antara skor (nilai) yang terendah sampai skor (nilai) yang
tertinggi. Range adalah perbedaan antara data terbesar dengan data terkecil
yang terdapat pada sekelompok data. Range adalah salah satu ukuran
statistik yang menunjukan jarak penyebaran data antara nilai terendah (X-
min) dengan nilai tertinggi (X-max). Ukuran ini sudah digunakan pada
pembahasan daftar distribusi frekuensi. Jarak atau kisaran nilai (range)
merupakan ukuran paling sederhana dari ukuran penyebaran. Jarak
merupakan perbedaan antara nilai terbesar dan nilai terkecil dalam suatu
kelompok data baik data populasi atau sampel. Semakin kecil ukuran jarak
menunjukkan karakter yang lebih baik, karena berarti data mendekati nilai
pusat dan kompak.
Semakin kecil range / jaraknya maka akan semakin homogen

distribusi nilai tersebut, sebaliknya makin besar rangenya, akan bervariasi
nilai-nilai yang ada dalam distribusi nilai tersebut.
Kegunaan Range:
Range digunakan sebagai ukuran, apabila di dalam waktu yang

sangat singkat kita ingin memperoleh gambaran tentang penyebaran data
yang sedang kita selidiki dengan mengabaikan faktor ketelitian /
kecermatan.
Kelebihan Range:
63
Dengan menggunakan range dalam waktu singkat kita dapat
memperoleh gambaran umum mengenai luas penyebaran data yang kita
hadapi.
Kelemahan Range:
Range akan sangat bergantung kepada nilai-nilai ekstrimnya.

Range sebagai ukuran penyebaran data tidak memperhatikan distribusi
yang terdapat di dalam Range itu sendiri.
Diantara ukuran variasi yang paling sederhana dan paling mudah

dihitung adalah nilai jarak (range). Suatu himpunan data sudah disusun
menurut urutan yang terkecil (X1) sampai dengan yang terbesar (Xn).
a) Range Untuk Data Tidak Berkelompok

Rumus :
R = Nilai Tertinggi – Nilai Terendah
Contoh:
Data nilai UAS Statistika:

Kelas A : 90 80 70 90 70 100 80 50 75 70
Kelas B : 80 80 75 95 75 70 95 60 85 60
Tentukan rentang / jangkauan dari Kelas A dan Kelas B.

Langkah-langkah menjawab :
Urutkan dahulu kemudian dihitung berapa rentangannya.
Kelas A : 50 70 70 70 75 80 80 90 90 100
Kelas B : 60 60 70 75 75 80 80 85 95
Rentangan kelas A : 100 – 50 = 50
Rentangan kelas B : 95 – 60 = 35
64
b) Range Untuk Data Berkelompok
Untuk data berkelompok, range dapat dihitung dengan cara:

❖ Range = Nilai Tengah Kelas Akhir - Nilai Tengah Kelas Pertama
❖ Range = Tepi Atas Kelas Akhir - Tepi Bawah Kelas Pertama
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.
No. Harga saham Frekuensi
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:
Range = Batas atas kelas tertinggi – Batas bawah kelas terendah
= 749 – 150
Range = 599
Jadi range dari harga saham diatas adalah: 599
65
C. Simpangan Rata-rata
Simpangan rata-rata / Deviasi rata-rata adalah rata-rata

penyimpangan data dari rata-ratanya. Di dalam menghitung simpangan
rata-rata harus kita cari rata-rata dari harga mutlak selisih antara tiap-tiap
data dengan rata-ratanya. Harga mutlak adalah nilai dengan tidak
memandang positif atau negatif, semuanya dianggap positif. Harga mutlak
dari X biasa ditulis dengan │X│.
a) Simpangan Rata-2 Untuk Data Tidak Berkelompok

Σ|xi− x̄|
SR =
n
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
Dari soal diketahui: x̄ = 65,7

ΣFi|xi− x̄|
SR =
ΣFi
671,7
= 71
SR = 9,46
Jadi Simpangan rata-rata = 9,46
D. Simpangan Baku (Standar Deviasi)

Standar deviasi adalah sebuah ukuran penyebaran yang
menunjukkan standar penyimpangan atau deviasi data terhadap
penyimpangan rata-ratanya. Standar deviasi disebut juga dengan
simpangan baku. Simpangan baku digunakan untuk mengukur
penyimpangan atau deviasi masing-masing nilai individu dari suatu
himpunan data terhadap rata-rata hitungnya. Satuan simpangan baku
mengikuti data aslinya, simpangan baku juga dibagi menjadi simpangan
baku populasi dan simpangan sampel, berikut rumus untuk simpangan
baku populasi dan simpangan baku sampel.
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
Simpangan baku / standar deviasi merupakan akar kuadrat

positif dari varians. Diantara ukuran dispersi atau variasi, simpangan
baku adalah yang paling banyak digunakan sebab memiliki sifat-sifat
matematis yang sangat penting dan berguna sekali untuk pembahasan
teori dan analisis. Simpangan baku digunakan untuk mengukur
penyimpangan atau deviasi masing-masing nilai individu dari suatu
himpunan data terhadap rata-rata hitungnya. Satuan simpangan baku
mengikuti data aslinya, seperti pada varians, simpangan baku juga
dibagi menjadi simpangan baku populasi dan simpangan sampel.
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
Jadi simpangan bakunya adalah: 5,83
b) Simpangan Baku Untuk Data Berkelompok

Data yang berkelompok dalam bentuk tabel distribusi frekuensi, rumus
simpangan bakunya:
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
xi Fi xi - µ (xi - µ)2 Fi (xi - µ)2
42 3 –23,7 561,69 1.685,07
47 4 –18,7 349,69 1.398,76
52 6 –13,7 187,69 1.126,14
70
xi Fi xi - µ (xi - µ)2 Fi (xi - µ)2
57 8 – 8,7 75,69 605,52
62 10 –3,7 13,69 136,90
67 11 1,3 1,69 18,59
72 15 6,3 39,69 595,35
77 6 11,3 127,69 766,14
82 4 16,3 265,69 1.062,76
87 2 21,3 453,69 907,38
92 2 26,3 691,69 1.383,38
ΣFi = 71 9.685,99
Jadi, simpangan bakunya (S) :
ΣFi(xi− x̄ )2 9.685,99
S=√ = √
ΣFi 71
S = 11,68
Jadi simpangan bakunya adalah: 11,68
Simpangan baku adalah akar dari tengah kuadrat simpangan

dari nilai tengah atau akar simpangan rata-rata kuadrat. Simpangan
baku sampel disimbolkan dengan s. Simpangan baku populasi
disimbolkan dengan σ. Untuk menentukan nilai simpangan baku,
caranya ialah dengan menarik akar dari varians.
Jadi: s = √𝑣𝑎𝑟𝑖𝑎𝑛𝑠
1) Simpangan baku data tunggal

a) Metode biasa
Untuk sampel besar (n > 30):
71
2
∑(X− X) ̅
s=√
n
Untuk sampel kecil (n ≤ 30):

2
̅)
∑(X− X
s=√
n−1
b) Metode angka kasar

∑ 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
Jadi simpangan baku dari data diatas adalah : 5,9.
Berikut ini adalah sampel nilai UTS Statistika I:
72
30 35 44 52 56 68 76 84 92 98
Tentukan simpangan bakunya!

Penyelesaian:
n = 10
X X-X ̅ ̅)2
(X - X X2
30 -33,5 1122,25 900
35 -28,5 812,25 1225
44 -19,5 380,25 1936
52 -11,5 132,25 2704
56 -7,5 56,25 3136
68 4,5 20,25 4624
76 12,5 156,25 5776
84 20,5 420,25 7056
92 28,5 812,25 8464
98 34,5 1190,25 9604
635 𝑋̅= 63,5 5.102,5 45.425
Dengan metode biasa:

2
∑(X− X) ̅
s =√
n−1
5102,5
=√
10−1
= √566,9
s = 23,8
Jadi simpangan baku dengan metode biasa adalah: 23,8
Dengan metode angka kasar:
∑ 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
Jadi simpangan baku dengan metode kasar adalah: 23,8
2) Simpangan baku data berkelompok

a) Metode biasa
2
̅)
∑ f(X− X
s=√
n

2
̅)
∑ f(X− X
s=√
n−1

∑ fX2 ∑ fX 2
s=√ -( )
n n
∑ fX2 (∑ fX) 2
s=√ – n(n−1)
n−1
c) Metode coding
∑ 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
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
Berat Badan (kg) Banyaknya Mahasiswa (f)
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
Jumlah 100 285 5.718 1.364,76
∑ fX
̅
X=
∑f
5718
=
100
̅
X = 57,18
2
∑ f(X− X) ̅1.364,76
s=√ =√ = 3,68
n 100
Dengan metode angka kasar
Berat Badan (kg) f X X2 fX fX2
50 – 52 10 51 2.601 510 26.010

53 – 55 25 54 2.916 1.350 72.900
56 - 58 32 57 3.249 1.824 103.968
59 – 61 15 60 3.600 900 54.000
62 – 64 18 63 3.969 1.134 71.442
Jumlah 100 285 5.718 328.320
76
∑ fX2 ∑ fX 2
s =√ -( )
n n
328.320 (5718)2
=√ − = 3,7
100 100
Dengan metode coding

Berat Badan
f X u u2 fu fu2
(kg)
50 – 52 10 51 -2 4 -20 40
53 – 55 25 54 -1 1 -25 25
56 - 58 32 57 0 0 0 0
59 – 61 15 60 1 1 15 15
62 – 64 18 63 2 4 36 72
Jumlah 100 6 152
c=3
∑ 𝑓𝑢2 ∑ 𝑓𝑢 2
s = C√ -( )
𝑛 𝑛
152 6 2
= 3 . √100 − (100)
= 3,69
E. Ragam / Varians
Varians adalah nilai tengah kuadrat simpangan dari nilai

tengah atau simpangan rata-rata kuadrat. Untuk sampel variansnya
disimbolkan dengan 𝑠 2 . Untuk populasi, variansnya disimbolkan
dengan 𝜎 2 (baca sigma).
1) Varians data tunggal
Metode biasa:
a) Untuk sampel besar (n > 30):
∑(X−X̅) 2
s2 = n
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
b) Untuk sampel kecil (n ≤ 30):

∑ X2 (∑ X)2
s2 = −
n−1 n(n − 1)
Contoh soal:
Tentukan varians dari data:

1, 3, 5, 10, 12, 15, 16!
Penyelesaian:
n=7
1+3+5+10+12+15+16
̅
X=
7
̅
X = 8,85
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
̅ )2
∑ f (X − X
s2 = n
̅ )2
∑ f (X − X
s2 = n−1
∑ fX2 ∑ fX 2
s2 = -( )
n n
79
∑ fX2 ∑ fX 2
s2 = - (n−1)
n−1
c) Metode coding
∑ fu2 ∑ fu 2
s2 = C2 . -( )
n n

∑ fu2 ∑ fu 2
s2 = C2 . - (n−1)
n−1
Keterangan:
C = panjang interval kelas
d X−M
u =C= C
Contoh Soal:
Tentukan varians dari distribusi frekuensi berikut!

Diameter pohon (mm) Frekuensi (f)
85 – 87 2
88 – 90 5
91 – 93 13
94 – 96 14
97 – 99 4
100 – 102 2
Jumlah 40
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
2) Dengan metode angka kasar
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
= 8739,9 – 8728,2 = 11,7
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
A. Pengertian Angka Indeks
Angka indeks didefinisikan sebagai suatu perbandingan (rasio)

antara dua atau lebih variabel / data yang berasal dari dua periode atau
lebih, salah satu periode tersebut merupakan periode dasar. Angka indeks
merupakan ukuran statistik yang biasanya digunakan untuk menyatakan
perubahan-perubahan relatif (perbandingan) nilai suatu variabel tunggal
atau nilai sekelompok variabel. Perubahan relatif dinyatakan dalam bentuk
persentase. Angka indeks yang dinyatakan dalam persentase (biasanya
persentase tidak dinyatakan atau tidak ditulis), akan tetapi setiap angka
indeks selalu dibaca dalam persen. Angka Indeks juga bisa diartikan
sebagai angka yang dipakai sebagai perbandingan dua atau lebih kegiatan
yang sama dalam waktu yang berbeda.
Contoh 1:
Rata-rata harga per kg beras di kota “A” pada tahun 2011 dan tahun 2012
masing-masing adalah Rp. 7.000 dan Rp. 8.000. Apabila kita bandingkan
harga beras pada tahun 2012 dengan tahun 2011, kita dapatkan angka
indeks sebagai berikut: Angka Indeks = Rp 8.000/Rp 7.000 x 100% = Rp.
114,28. Angka Indeks sebesar 114, 28 memiliki makna bahwa rata-rata
harga per kg beras di tahun 2012 mengalami kenaikan sebesar 14,28% dari
rata-rata harga per kg beras di tahun 2011.
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
Berdasarkan tabel di atas, perkembangan nilai penjualan beras adalah:

Tahun 2010 sebagai tahun dasar diberi nilai 100. Tahun 2011 angka indeks
83,33 berarti nilai penjualan turun sebesar 16,67% dari nilai penjualan pada
tahun 2010. Tahun 2012 angka indeks 116,6 berarti nilai penjualan naik
sebesar 16,6% dari nilai penjualan pada tahun 2010. Tahun 2013 angka
indeks 133,3 berarti nilai penjualan naik sebesar 33,3% dari nilai penjualan
pada tahun 2010. Tahun 2014 angka indeks 141,6 berarti penjualan naik
sebesar 41,6% dari nilai penjualan tahun 2010.
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
Perubahan harga rata-rata gabungan ke empat bahan pokok tersebut, dapat

dilihat melalui indeks harga gabungan sebagai berikut:
Indeks harga rata-rata gabungan tahun 2012/2013, 2.110,83/1.973,46 x 100
= 106,96. Indeks harga rata-rata gabungan pada tahun 2008 dengan tahun
dasar 2007 = 106,96, memiliki arti bahwa harga rata-rata gabungan per kg
keempat bahan pokok tersebut naik sebesar = 6,96% dari harga rata-rata
gabungan tahun 2012.
Jenis-Jenis Angka Indeks:

1. Indeks harga (price indeks), adalah angka yang dapat dipakai untuk
melihat perubahan mengenai harga-harga barang, baik harga sejenis
barang maupun sekelompok barang dalam dalam waktu dan tempat
yang sama atau berlainan.
2. Indeks kuantitas (quantity indeks), adalah angka yang dapat dipakai
untuk melihat perubahan mengenai kuantitas sejenis barang atau
sekelompok barang yang dihasilkan (diproduksi), dijual, dikonsumsi,
diekspor dan sebagainya dalam waktu yang sama atau berlainan.
3. Indeks nilai (value indeks), adalah angka yang dapat dipakai untuk
melihat perubahan nilai uang dari suatu barang yang diproduksi,
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.
Masalah Pokok Dalam Penyusunan Angka Indeks:
1. Perumusan tentang tujuan penyusunan angka indeks.

2. Sumber dan syarat perbandingan data.
3. Pemilihan periode dasar.
4. Pemilihan timbangan.
5. Pemilihan metode perhitungan angka indeks.
B. Angka Indeks Tunggal
Angka indeks tunggal merupakan angka indeks sederhana yang

perhitungannya didasarkan pada satu jenis barang / komoditas. Angka
indeks tunggal dibagi atas:
1) Angka Indeks Harga (IH)
𝐇𝐭
IH = 𝐱 𝟏𝟎𝟎%
𝐇𝐨
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%.
2) Angka Indeks Kuantitas (K)

𝐊𝐭
IK = 𝐱 𝟏𝟎𝟎%
𝐊𝐨
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.
b) Untuk Gula Pasir

Kt
IK = x 100%
Ko
114
= x 100%
100
IK = 114%
Jadi, indeks kenaikan produksi / kuantitas gula pasir pada tahun
2008 dengan tahun dasar 2007 mengalami kenaikan sebesar 14%.
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%.
3) Angka indeks nilai (IN) atau IV = Indeks Value

𝐇𝐭.𝐊𝐭 𝐕𝐭
IN = 𝐇𝐨.𝐊𝐨 𝐱 𝟏𝟎𝟎% atau IV = 𝐕𝐨 𝐱 𝟏𝟎𝟎%
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
Harga Kuantitas Nilai

s Bahan
Pokok 2007 2008 2007 2008 2007 2008
(Ho) (Ht) (Ko) (Kt) (Ho.Ko) (Ht.Kt)
Beras 472,92 531,67 112 120 52.967,04 63.800
Ikan Asin 2.633,30 3.133,33 234 265 616.192,2 830.332
Minyak 45,83 650 60 76 2.749,80 49.400

Goreng
Gula Pasir 654,17 670,83 100 114 65.417 76.475
Garam 250 258,33 15 17 3.750 4.392
Sabun
300 308,33 300 309 90.000 95.274
Cuci
Tekstil 1.000 1.300 156 167 156.000 217.100
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
Minyak 200 200 222 250 44.400 50.000

Tanah
b. Indeks nilai untuk gula pasir pada tahun 2008 dengan waktu dasar
tahun 2007.
c. Indeks nilai untuk tekstil pada tahun 2008 dengan waktu dasar tahun
2007.
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%.
b) Untuk Gula Pasir

Ht.Kt
IN = x 100%
Ho.Ko
76.475
= x 100%
65.417
IN = 116,90%
Jadi, indeks nilai untuk gula pasir pada tahun 2008 dengan tahun
2007 sebagai tahun dasar adalah 16,90%.
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%.
C. Angka Indeks Gabungan

Angka indeks gabungan merupakan angka indeks yang
perhitungannya didasarkan pada beberapa jenis barang / komoditas.
Barang-barang yang terdapat dalam satu kelompok tersebut haruslah
mempunyai sifat-sifat yang sama, misalnya:
• Beras, ikan, minyak goreng, garam dan gula pasir.
• Beras, jagung, ketela, kentang, kol dan kacang.
Angka indeks gabungan dibagi pula atas:

1) Angka Indeks Gabungan Tidak Tertimbang
2) Angka Indeks Gabungan Tertimbang
D. Angka Indeks Gabungan Tidak Tertimbang
Angka Indeks Gabungan Tidak Tertimbang dibagi pula atas indeks

harga gabungan, indeks kuantitas gabungan dan indeks nilai gabungan.
1) Angka Indeks Harga Gabungan (IHG)
Pada indeks ini yang dihitung adalah perbandingan harga dari
sekelompok barang.
Misal: daging, ikan, cabe, dll
Rumus:
93
Ʃ𝐇𝐭
IHG = 𝐱 𝟏𝟎𝟎%
Ʃ𝐇𝐨
Keterangan:
IHG = indeks harga gabungan yang tidak ditimbang

Ht = harga yang dihitung angka indeknya
Ho = harga pada tahun dasar
Contoh:
Pada tahun 2011 dilakukan survey disebuah pasar. Sekelompok barang

yang terdiri dari telur, tempe, tahu, garam dan minyak, merupakan
kebutuhan pokok, yang hasil disurvey di pasar memiliki harga berikut
ini:
Harga (Rp)
Nama Barang
2010 2011
Tahu 200 300

Tempe 300 350
Telur 500 500
Garam 100 50
Minyak 200 300
Jumlah 1.300 1.500
Berdasarkan data di atas, maka angka indeks harga gabungan tahun

2011 adalah:
ƩHt
IHG = x 100%
ƩHo
1.500
= x 100%
1.300
IHG = 115,38%
94
Jadi, harga tahun 2011 mengalami kenaikan sebesar 15,38%.
2) Angka Indeks Kuantitas Gabungan (IKG)

Rumus:
Ʃ𝐊𝐭
IKG = 𝐱 𝟏𝟎𝟎%
Ʃ𝐊𝐨
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
Jumlah 800 1.000
Berdasarkan data di atas, maka angka indeks kuantitas gabungan tahun

2011 adalah:
ƩKt
IKG = x 100%
ƩKo
1.000
= x 100%
800
IKG = 125%
Jadi, pada tahun 2011 terjadi kenaikan kuantitas sebesar 25%.
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:
Harga (H) Kuantitas (K) Nilai

Nama (Rp) (Harga x Kuantitas)
Barang 2010 2011 2010 2011
(Ho.Ko) (Ht.Kt)
(Ho) (Ht) (Ko) (Kt)
Tahu 200 300 50 100 10.000 30.000
Tempe 300 350 100 100 30.000 35.000
Telur 500 500 200 250 100.000 125.000
Garam 100 50 300 450 30.000 22.500
Minyak 200 300 150 100 30.000 30.000
Jumlah 1.300 1.500 800 1.000 200.000 242.500
E. Angka Indeks Gabungan Tertimbang
1) Metode agregatif sederhana
Angka indeks tertimbang dengan metode agregatif sederhana

dapat dihitung dengan rumus seperti di bawah ini.
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:
Harga (P0) Harga (Pn) Bobot

Nama Barang Pn x W P0 x W
2003 2004 (W)
Tahu 200 300 5 1.500 1.000
Tempe 300 350 10 3.500 3.000
Telur 500 500 20 10.000 10.000
Garam 100 50 5 250 500
Minyak 200 300 10 3.000 2.000
Jumlah 18.250 16.500
InIndeks harga tahun 2004 dapat dihitung dengan cara:

∑(Pn.W)
IA = ∑(Po.W)
x 100%
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
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
Tempe 300 350 100 100 35.000 30.000
Telur 500 500 200 250 100.000 100.000
Garam 100 50 300 450 15.000 30.000
Minyak 200 300 150 100 45.000 30.000
Jumlah 210.000 200.000
Berdasarkan data di atas, maka indeks Laspeyres dapat dihitung:

210.000
IL = x 100%
200.000
IL = 105%
Berarti terjadi kenaikan harga sebesar 5% pada tahun 2004.
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
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
Berdasarkan data di atas, maka indeks Paasche dapat dihitung:

242.500
IP = x 100%
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.
Untuk menghilangkan kelemahan tersebut dilakukan dengan cara

mengintegrasikan angka indeks tersebut, yaitu dengan
menggunakan metode angka indeks Drobisch and Bowley.
4) Metode Drobisch and Bowley
Angka indeks tertimbang dengan Metode Drobisch and Bowley

dapat dirumuskan sebagai berikut.
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.
5) Metode Irving Fisher

Penghitungan angka indeks dengan Metode Irving Fisher
merupakan angka indeks yang ideal. Irving Fisher menghitung
indeks kompromi dengan cara mencari rata-rata ukur dari indeks
Laspeyres dan indeks Paasche.
Berdasarkan penghitungan angka indeks Laspeyres dan Paasche,
maka dapat dihitung besarnya indeks Irving Fisher sebagai
berikut.
IF = √IL X IP
= √105% X 101,04%
IF = 3,26%
6) Metode Marshal Edgewarth
Menurut metode ini, angka indeks ditimbang dihitung dengan cara
menggabungkan kuantitas tahun dasar dan kuantitas tahun n,
kemudian mengalikannya dengan harga pada tahun dasar atau
harga pada tahun n.
Angka indeks Marshal Edgewarth dapat dirumuskan sebagai
berikut.
𝚺(𝐐𝐨 + 𝐐𝐧)𝐏𝐧
IM = 𝐱 𝟏𝟎𝟎%
𝚺(𝐐𝐨 + 𝐐𝐧)𝐏𝐨
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%
F. Angka Indeks Berantai

Angka indeks rantai adalah penghitungan angka indeks dengan
menggunakan tahun sebelumnya sebagai tahun dasar. Misalnya
menghitung angka indeks tahun 2000 dengan tahun dasar 1999, angka
indeks tahun 2001 dengan tahun dasar 2000, dan angka indeks tahun 2002
dengan tahun dasarnya 2001.
Tahun 2000 2001 2002 2003 2004
Harga 500 600 700 800 900
Indeks rantai dapat dihitung sebagai berikut:
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:
1. Berikut harga beberapa jenis barang elektronik:
Harga / Unit (Rupiah) Jumlah

Merek
2010 2011 2010 2011
Axio 2.500.000 2.650.000 8 12
Asus 3.000.000 3.250.000 7 9
Toshiba 2.200 2.500 9 12
Carilah:
1) Angka Indeks Tunggal untuk harga, kuantitas dan nilai!
2) Angka Indeks Gabungan yang tertimbang!
2. Harga beberapa jenis ikan sebagai berikut:
Konsumsi Harga ( Rp. / Kg )
Jenis ikan Satuan
Th. 2010 2009 2010
Mas Kg 6 55.000 60.000
Udang Kg 10 25.000 30.000
Tongkol Kg 15 13.000 15.000
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
Data yang dikumpulkan dari waktu ke waktu untuk

menggambarkan perkembangan suatu kegiatan, seperti: data penjualan
perusahaan, jumlah produksi sebuah pabrik, perubahan harga, biaya
promosi sebuah perusahaan, jumlah penduduk suatu daerah, data
kunjungan pasien suatu rumah sakit, data kelahiran.
Merupakan rangkaian suatu variabel yang disusun berdasarkan
jangka waktu. Serangkaian data yang terdiri dari variabel Yi yang
merupakan serangkaian hasil observasi dan fungsi dari variabel Xi yang
merupakan variabel waktu yang bergerak secara seragam dan ke arah yang
sama, dari waktu yang lampau ke waktu yang mendatang.
Data berkala atau runtun waktu adalah serangkaian pengamatan
terhadap peristiwa, kejadian atau variabel yang diambil dari waktu ke
waktu, dicatat secara teliti menurut urut-urutan waktu terjadinya, kemudian
disusun sebagai data statistik. Dari suatu runtut waktu akan dapat diketahui
pola perkembangan suatu peristiwa, kejadian atau variabel. Jika
perkembangan suatu peristiwa mengikuti suatu pola yang teratur, maka
berdasarkan pola perkembangan tersebut akan dapat diramalkan peristiwa
yang bakal terjadi dimasa yang akan datang.
Jika nilai variabel atau besarnya gejala (peristiwa) dalam runtut
waktu (serangkaian waktu) diberi simbol Y1, Y2, ..Yn dan waktu-waktu
pencatatan nilai variabel (peristiwa) diberi simbol X1, X2, ..Xn maka rutut
waktu dari nilai variabel Y dapat ditunjukan oleh persamaan Y = f (X) yaitu
besarnya nilai variabel Y tergantung pada waktu terjadinya peristiwa itu.
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.
Trend digunakan dalam melakukan peramalan (forecasting).

Metode yang biasanya dipakai, antara lain adalah Metode Kuadrat Terkecil
(Metode Least Square) dan Metode Setengah Rata-rata (Metode Semi
Average).
B. Metode Kuadrat Terkecil
Metode ini paling sering digunakan untuk meramalkan Y, karena

perhitungannya lebih teliti. Persamaan garis trendnya dari metode kuadrat
terkecil ialah:
Y‘ = a0 + bx
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).
Untuk melakukan penghitungan, maka harus memenuhi syarat:

a) ΣX = 0
b) Jarak diantara data / tahun harus sama / konsisten.
Cara mencari nilai / angka X untuk variabel waktu antara data genap dan
data ganjil, caranya sebagai berikut:
Untuk n ganjil maka:
• Jarak antara dua waktu diberi nilai satu satuan.
• Di atas 0 diberi tanda negatif
• Dibawahnya diberi tanda positif.
Untuk n genap maka:
• Jarak antara dua waktu diberi nilai dua satuan.
• Di atas 0 diberi tanda negatif
• Dibawahnya diberi tanda positif.
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:
Tahun (n) Penjualan (Y) X X2 XY
2010 130 -2 4 -260
2011 145 -1 1 -145
2012 150 0 0 0
2013 165 1 1 165
2014 170 2 4 340
Total 760 0 10 100
Mencari nilai a dan b:

a = ∑Y / n = 760 / 5
a = 152
b = ∑XY / ∑X2 = 100 / 10
b = 10
Sehingga persamaan trendnya adalah:
Y = 152 + 10X
Dari persamaan fungsi Y diatas dapat disusun ramalan penjualan pada

tahun berikutnya untuk dijadikan dasar pembuatan anggaran
penjualan.
Misal ramalan penjualan untuk tahun 2015 s/d 2019.
Y2015 s/d Y2015 = …..?
Terlebih dahulu dicari X untuk tahun 2015, dengan melanjutkan tabel

sebelumnya, maka X untuk tahun 2015 s/d 2019 adalah:
107
Tahun 2015 ⟹ 3
Tahun 2016 ⟹ 4
Tahun 2017 ⟹ 5
Tahun 2018 ⟹ 6
Tahun 2019 ⟹ 7
Maka perhitungannya adalah:

Y2015 = 152 + 10(3)
Y2015 = 182
Y2016 = 152 + 10(4)

Y2016 = 192
Y2017 = 152 + 10(5)

Y2017 = 202
Y2018 = 152 + 10(6)

Y2018 = 212
Y2019 = 152 + 10(7)

Y2019 = 222
Sehingga ramalan penjualan untuk tahun berikutnya adalah:

Tahun Penjualan (Y)
2015 182
2016 192
2017 202
2018 212
2019 222
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:
Data Penjualan (Unit ) PT. Sempana Tahun 2005 - 2010
No Tahun (n) Penjualan (Y)
1 2005 130
2 2006 145
3 2007 150
4 2008 165
5 2009 170
6 2010 185
Penyelesaian:
Analisis Menggunakan Metode Least Square
Tahun (n) Penjualan (Y) X X2 XY

2005 130 -5 25 -650
2006 145 -3 9 -435
2007 150 -1 1 -150
2008 165 1 1 165
2009 170 3 9 510
2010 185 5 25 925
Total 945 0 70 365
Mencari nilai a dan b:
a = ΣY / n = 945 / 6 = 157,5
b = ΣXY / ΣX2 = 365 / 70 = 5,21
109
Persamaan trendnya adalah:
Y = 157,5 + 5,21X
C. Metode Setengah Rata-rata
Metode trend setengah rata-rata menentukan bahwa untuk

mengetahui fungsi Y = a + bx, semua data dibagi menjadi dua kelompok.
a) Metode Setengah Rata-rata dengan data dalam jumlah genap.
b) Metode Setengah Rata-rata dengan data dalam jumlah ganjil.
Persamaan trendnya adalah sebagai berikut:
b = (Y2 - Y1) / n
Keterangan:
b = perubahan nilai variabel setiap tahun
Y1 = rata-rata kelompok pertama
Y2 = rata-rata kelompok kedua
n = periode tahun antara tahun A
Contoh:
1) Data Genap Kelompok Genap
Tahun Padi (Ton)
2001 861.150
2002 766.572
2003 762.795
2004 757.399
2005 732.609
2006 794.931
2007 802.810
2008 853.615
2009 965.164
2010 1.048.934
2011 893.124
2012 964.221
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
Trend Awal Tahun:

Rumus Persamaan trendnya: b = (Y2 - Y1) / n
921.311 − 779.243
b=
6
b = 23.678
Maka rumus peramalan yang digunakan yaitu: Y’= a + b(X)
Y’= 779.243 + 23.678X
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.
2) Data Genap Kelompok Ganjil

Tahun Padi (Ton)
1999 938.293
2000 772.818
2001 861.150
2002 766.572
2003 762.795
2004 757.399
2005 732.609
2006 794.931
2007 802.810
2008 853.615
2009 965.164
2010 1.048.934
2011 893.124
2012 964.221
Analisis data dilakukan dengan cara sebagai berikut:

✓ Mengelompokkan data menjadi 2 kelompok.
✓ Menentukan periode dasar. Misalnya periode dasar mengguna-kan
tahun tengah data tahun kelompok II.
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.
Semi Trend Awal

Tahun Padi Kel x Semi Total
Average Tahun
1999 938.293 -10

2000 772.818 -9
2001 861.150 II -8
2002 766.572 -7 798.805 798.805 +
5.591.636
(Y1) 14.922X
2003 762.795 -6
2004 757.399 -5
2005 732.609 -4
2006 794.931 -3
2007 802.810 -2
2008 853.615 I -1
2009 965.164 0 903.257 903.257 +
6.322.799
(Y2) 14.922X
2010 1.048.934 1
2011 893.124 2
2012 964.221 3
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
Trend Awal Tahun:
Rumus Persamaan trendnya: b = (Y2 - Y1) / n
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
Tahun Kentang (Ton)
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
2003 355.802 I 0 360.069 +

2.520.486 360.069
8.154X
2004 423.722 1
2005 440.002 2
2006 391.371 3
2006 391.371 3
2007 350.171 4
2008 367.111 5
2009 358.014 II 6 408.992 +

2.862.945 408.992
8.154X
2010 403.827 7
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
Misal: Produksi kentang pada tahun 2013 = …?
Jawab: X untuk tahun 2013 adalah: 10
Maka: Y2013 = 360.069 + 8.154(10)
Y2013 = 441.609
b) Jumlah deret berkala dikelompokkan menjadi 2 bagian yang sama

dengan cara menghilangkan periode tahun serta nilai deret berkala
tertengah.
b = (Y2 - Y1) / n + 1
= (411.929 – 354.852) / 6 + 1 = 8.154
Trend
Kentang Semi Semi
Tahun Kel X Awal
(Ton) Total Average
Tahun
2000 326.693 -5
2001 300.648 -3
2002 282.248 -1 354.853 +
I 2.129.115 354.853
2003 355.802 1 8.154X
2004 423.722 3
2005 440.002 5
2007 350.171 9
2008 367.111 11
2009 358.014 13 411.929 +
II 2.471.574 411.929
2010 403.827 15 8.154X
2011 526.917 17
2012 465.534 19
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)
Misal: Produksi kentang pada tahun 2013 = …?
Jawab: X untuk tahun 2013 adalah: 21
Maka: Y2013 = 354.853 + 8.154(21)
Y2013 = 526.087
Jadi produksi kentang pada tahun 2013 adalah: 526.087 ton.
Latihan:
Tabel 1. Total penjualan mobil tahun 2005 - 2011

No. Tahun Jumlah Penjualan
1. 2005 500.710
2. 2006 296.008
3. 2007 411.638
4. 2008 600.628
5. 2009 464.816
6. 2010 702.508
7. 2011 750.678
Carilah ramalan penjualan pada tahun 2015!
119
BAB IX
ANALISIS REGRESI DAN KORELASI BERGANDA
A. Pengertian Regresi Linear Berganda

Analisis regresi linier berganda adalah hubungan secara linear
antara dua atau lebih variabel independen (X1, X2,….Xn) dengan variabel
dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel
independen dengan variabel dependen apakah masing-masing variabel
independen berhubungan positif atau negatif dan untuk memprediksi nilai
dari variabel dependen apabila nilai variabel independen mengalami
kenaikan atau penurunan. Data yang digunakan biasanya berskala interval
atau rasio.
Persamaan regresi linear berganda sebagai berikut:
Y’ = a + b1X1+ b2X2+…..+ bnXn
Keterangan:
Y’ = Variabel dependen (variabel terikat)
X1 & X2 = Variabel independen (variabel bebas)
a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
Kegunaan Analisis Regresi Linear Berganda untuk mengukur pengaruh

antara lebih dari satu variabel prediktor (variabel bebas) terhadap variabel
terikat.
Y = a + b1X1 + b2X2 +…+ bnXn
Y = variabel terikat
a = konstanta
b1, b2 = koefisien regresi
X1, X2 = variabel bebas
120
Contoh:
Seorang Manajer Pemasaran makanan ringan “Chokiku” ingin mengetahui

apakah Promosi dan Harga berpengaruh terhadap keputusan konsumen
membeli produk tersebut?
Hipotesis:
Ho : ß1 = ß2 = 0, Promosi dan Harga tidak berpengaruh signifikan
terhadap keputusan konsumen membeli makanan
ringan merek “Chokiku”.
Ha : ß 1 ≠ ß 2 ≠ 0, Promosi dan Harga berpengaruh signifikan terhadap
keputusan konsumen membeli makanan ringan merek
“Chokiku”.
No. Promosi Harga (X2) Keputusan Konsumen

Responden (X1) (Y)
1 10 7 23
2 2 3 7
3 4 2 15
4 6 4 17
5 8 6 23
6 7 5 22
7 4 3 10
8 6 3 14
9 7 4 20
10 6 3 19
Jumlah 60 40 170
121
Tabel Pembantu
Resp. X1 X2 Y X1Y X2Y X1X2 X2 Y2
1 10 7 23 230 161 70 100

X1 492
X
2 2 3 7 14 21 6 4 9
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
∑ 60 40 170 1.122 737 267 406 182
 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
170 = 10a + 60b1 + 40b2……………….…. (1)

1.122 = 60a + 406b1 + 267b2………………….. (2)
737 = 40a + 267b1 + 182b2………………….. (3)
Persamaan (1) dikalikan 6, persamaan (2) dikalikan 1:

1.020 = 60 a + 360 b1 + 240 b2
35.163 = 60 a + 406 b1 + 267 b2 _
-102 = -46 b1 + -27 b2
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
Harga b1 dan b2 dimasukkan ke dalam persamaan (1):

170 = 10a + 60 (2,4909) + 40 (-0,466)
170 = 10a + 149,454 – 18,640
10a = 170 – 149,454 + 18,640
a = 39,186 / 10
a = 3,9186
Jadi:
a = 3,9186
123
b1 = 2,4909
b2 = -0,466
Keterangan:
a = konstanta
b1 = koefisien regresi X1
b2 = koefisien regresi X2
Persamaan regresinya adalah:

Y = 3,9186 + 2,4909 X1 – 0,466 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
2) Koefisien Determinasi (R2)

R2 = (r)2 x 100%
= (0,775)2 x 100%
R2 = 0,60 ⟹ 60%
3) F Hitung
𝐑𝟐 (𝐍−𝐤−𝟏)
F Hitung = , k = jumlah variabel bebas
𝐤(𝟏−𝐑𝟐)
𝟎,𝟔𝟎 (𝟏𝟎−𝟐−𝟏)
=
𝟐(𝟏−𝟎,𝟔𝟎)
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.”
B. Regresi Linear Berganda dengan SPSS
Contoh kasus:
Seorang mahasiswa bernama Bambang melakukan penelitian

tentang faktor-faktor yang mempengaruhi harga saham pada perusahaan di
BEJ. Bambang dalam penelitiannya ingin mengetahui hubungan antara
rasio keuangan PER dan ROI terhadap harga saham. Dengan ini Bambang
menganalisis dengan bantuan program SPSS dengan alat analisis regresi
linear berganda. Dari uraian di atas maka didapat variabel dependen (Y)
adalah harga saham, sedangkan variabel independen (X1 dan X2) adalah
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
Langkah-langkah pada program SPSS:

1) Masuk program SPSS
2) Klik variable view pada SPSS data editor
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 (%)
Persamaan regresi di atas dapat dijelaskan sebagai berikut:

a) Konstanta sebesar: 4.662,491; artinya jika PER (X1) dan ROI (X2)
nilainya adalah 0, maka harga saham (Y’) nilainya adalah
Rp.4662,491.
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).
C. Analisis Korelasi Ganda
Analisis ini digunakan untuk mengetahui hubungan antara dua atau

lebih variabel independen (X1, X2,…Xn) terhadap variabel dependen (Y)
secara serentak. Koefisien ini menunjukkan seberapa besar hubungan yang
terjadi antara variabel independen (X1, X2,……Xn) secara serentak
terhadap variabel dependen (Y). nilai R berkisar antara 0 sampai 1, nilai
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:
Tabel. Hasil analisis korelasi ganda
Berdasarkan tabel di atas diperoleh angka R sebesar 0,879. Hal ini

menunjukkan bahwa terjadi hubungan yang sangat kuat antara PER dan
ROI terhadap harga saham.
D. Analisis Determinasi (R2)
Analisis determinasi dalam regresi linear berganda digunakan untuk

mengetahui persentase sumbangan pengaruh variabel independen (X1,
X2,……Xn) secara serentak terhadap variabel dependen (Y). Koefisien ini
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
Berdasarkan tabel di atas diperoleh angka R 2 (R Square) sebesar

0,772 atau (77,2%). Hal ini menunjukkan bahwa prosentase sumbangan
pengaruh variabel independen (PER dan ROI) terhadap variabel dependen
(harga saham) sebesar 77,2%. Atau variasi variabel independen yang
digunakan dalam model (PER dan ROI) mampu menjelaskan sebesar
77,2% variasi variabel dependen (harga saham). Sedangkan sisanya
sebesar 22,8% dipengaruhi atau dijelaskan oleh variabel lain yang tidak
dimasukkan dalam model penelitian ini.
Adjusted R Square adalah nilai R Square yang telah disesuaikan,
nilai ini selalu lebih kecil dari R Square dan angka ini bisa memiliki harga
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.
E. Uji Koefisien Regresi Secara Bersama-sama (Uji F)
Uji ini digunakan untuk mengetahui apakah variabel independen

(X1,X2….Xn) secara bersama-sama berpengaruh secara signifikan terhadap
variabel dependen (Y). Atau untuk mengetahui apakah model regresi dapat
digunakan untuk memprediksi variabel dependen atau tidak. Signifikan
berarti hubungan yang terjadi dapat berlaku untuk populasi (dapat
digeneralisasikan), misalnya dari kasus di atas populasinya adalah 50
perusahaan dan sampel yang diambil dari kasus di atas 18 perusahaan, jadi
apakah pengaruh yang terjadi atau kesimpulan yang didapat berlaku untuk
populasi yang berjumlah 50 perusahaan.
Dari hasil output analisis regresi dapat diketahui nilai F seperti pada
tabel 2 berikut ini.
Tabel. Hasil Uji F
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.
F. Uji Koefisien Regresi Secara Parsial (Uji t)
Uji ini digunakan untuk mengetahui apakah dalam model regresi

variabel independen (X1, X2,…..Xn) secara parsial berpengaruh signifikan
terhadap variabel dependen (Y). Dari hasil analisis regresi output dapat
disajikan sebagai berikut:
Tabel. Uji t
Langkah-langkah pengujian sebagai berikut:

a) Pengujian koefisien regresi variabel PER
1. Menentukan Hipotesis
✓ Ho : Secara parsial tidak ada pengaruh signifikan antara PER
dengan harga saham.
✓ Ha : Secara parsial ada pengaruh signifikan antara PER
dengan harga saham
Tingkat signifikansi menggunakan a = 5%
3. Menentukan t hitung
Berdasarkan tabel diperoleh t hitung sebesar -1,259
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.
b) Pengujian koefisien regresi variabel ROI

1. Menentukan Hipotesis
✓ Ho : Secara parsial tidak ada pengaruh signifikan antara ROI
dengan harga saham
✓ Ha : Secara parsial ada pengaruh signifikan antara ROI dengan
harga saham
Tingkat signifikansi menggunakan a = 5%.
3. Menentukan t hitung
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
Arikunto Suharsimi. (2005). Manajemen Penelitian. Jakarta: Rineka Cipta.

Budiyono. 2004. Statistika Dasar untuk Penelitian. Surakarta: FKIP UNS
Press
Fraenkel, J. & Wallen, N. (1993). How to Design and evaluate research in
education. (2nd ed). New York: McGraw-Hill Inc.
Gay, L.R. dan Diehl, P.L. (1992), Research Methods for Business and.
Management, MacMillan Publishing Company, New York
Slovin dikutip dari Riduwan. (2005). Belajar Mudah Penelitian Untuk
Guru, Karyawan dan Peneliti Pemula, Bandung : Alfabeta. p :65
Malhotra K. Naresh. 1993. Marketing Research An Applied Orientation,
second edition, Prentice Hall International Inc, New Jersey
Roscoe dikutip dari Uma Sekaran. 2006. Metode Penelitian Bisnis. Jakarta
: Salemba Empat. p :
Sugiyono. 2005. Metode Penelitian Bisnis. Bandung: Alfabeta
Husaini Usman dan Purnomo, 2008. Metodologi Penelitian Sosial.
Penerbit PT Bumi Aksara : Jakarta.
137
View publication stats

Statistika Ekonomi & Bisnis: September 2017

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Statistika Ekonomi & Bisnis: September 2017

Diunggah oleh

Hak Cipta:

Format Tersedia

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

STATISTIKA EKONOMI & BISNIS

Book · September 2017

ILL IN13 upgrade View project

The user has requested enhancement of the downloaded file.

UU No 19 Tahun 2002 Tentang Hak Cipta

Fungsi dan Sifat hak Cipta Pasal 2

Hak Terkait Pasal 49

Sanksi Pelanggaran Pasal 72

Alhamdulillah, puji syukur kehadirat Allah SWT atas rahmat dan

Medan, Januari 2017

KATA PENGANTAR ............................................................................ iv

BAB III. UKURAN PEMUSATAN DATA ......................................... 40

BAB IX. ANALISIS REGRESI DAN KORELASI BERGANDA .. 135

DAFTAR PUSTAKA .......................................................................... 182

A. Pengertian Statistika dan Statistik

Kita sering mendengar antara statistika dengan statistik itu sama

Sedangkan kelemahan dari statistika non parametrik diantaranya:

B. Penelitian dan Statistika

Data yang baik itu harus memenuhi persyaratan:

a) Variabel independen, variabel yang mempengaruhi variabel dependen.

c) Variabel Moderator, variabel yang mempengaruhi (memperkuat atau

e) Variabel kontrol, variabel yang dikendalikan atau dibuat konstan

Arti dan Jenis Variabel

Teknik Analisa Data

b) Alat untuk menguji validitas dan reliabilitas instrument.

d) Alat untuk analisis data seperti menguji hipotesis penelitian yang

C. Populasi dan Sampel

Populasi adalah keseluruhan dari subjek / objek yang diteliti

a) Keterbatasan waktu, tenaga dan biaya.

Sampel merupakan bahagian kecil dari polulasi. Penarikan sampel

Cara menentukan ukuran sampel:

a) Ukuran sampel lebih dari 30 dan kurang dari 500.

Besaran atau ukuran sampel ini sampel sangat tergantung dari

Misalnya, jumlah populasi adalah 125, dan tingkat kesalahan yang

2) Formula Jacob Cohen

Power (p) = 0.95 dan Effect size (F2) = 0.1

3) Rumus berdasarkan Proporsi atau Tabel Isaac dan Michael

Teknik sampling merupakan teknik pengambilan sampel yang

a) Probability Sampling / teknik pengambilan sampel berdasarkan

b) Non probability sampling / teknik pengambilan sampel tidak

D. Klasifikasi, Jenis dan Macam Data Dalam Statistik

4. Tingkatan Pengukuran Data

1. Jelaskan pentingnya statistika dalam kehidupan sehari-hari, dan siapa

A. Pengertian Distribusi Frekuensi

a) Batas kelas atas (upper class limits), terdapat di deretan sebelah

Terdapat dua Tepi kelas yaitu :

Rumus tepi atas kelas dan tepi bawah kelas:

5. Interval kelas (class interval)

Pengeluaran Mahasiswa (‘000) Frekuensi

Penjelasan dari tabel distribusi frekuensi diatas:

B. Cara Membuat Tabel Distribusi Frekuensi

Data terbesar: 80 dan data terkecil: 65, sehingga jangkauan data:

Banyaknya kelas interval adalah:

Menentukan titik tengah interval:

Nilai UTS Frekuensi (Fi) Titik Tengah (Xi)

Pengeluaran Mahasiswa (‘000) Frekuensi (Fi)

Dari tabel distribusi frekuensi diatas dapat dibuat grafik histogram

Grafik Histogram Pengeluaran Mahasiswa

400 – 499 15 449,5

D. Jenis-jenis Distribusi Frekuensi

b) Distribusi frekuensi peristiwa atau kategori

2. Distribusi Frekuensi Relatif