JAWABAN UJIAN

UJIAN AKHIR SEMESTER GASAL TAHUN AKADEMIK 2022/2023

Mata Ujian : Satistik Ekonomi

Ujian Dimulai : 25 Juni 2023 Jam 16.00
Jawaban di kumpulkan : 26 Juni 2023 Jam 16.00
Nama : I Gusti Bagus Gangga Devananta
NIM : A1C022223
Kelas : Akuntansi F
 KEMENTERIAN PENDIDIKAN, KEBUDAYAAN, RISET DAN TEKNOLOGI
UNIVERSITAS MATARAM FAKULTAS EKONOMI DAN BISNIS
PROGRAM STUDI AKUNTANSI
Jalan Majapahit Nomor 62 Mataram 83125,
Telp. (0370) 631935, fax (0370) 631802

UJIAN AKHIR SEMESTER GASAL TAHUN AKADEMIK 2022/2023

Mata Ujian : Satistik Ekonomi
Ujian Dimulai : 25 Juni 2023 Jam 16.00
Jawaban di kumpulkan : 26 Juni 2023 Jam 16.00
Dosen Pengampu : Dr. H. Iwan Harsono, SE.,M.Ec

PETUNJUK :
1. Jawaban ditik dengan menggunakan huruf New Roman, ukuran font 12 pt.
2. Jawaban dikirim ke GOOGLE DRIVE yang dibuat oleh ketua kelas. Dan HARD COPY
dikumpul Ketua Kelas Juga.
3. Link Google Drive akan diberitahu jam 15.00 Tanggal 26 Juni 2023

Jawaban Jawaban

1. a. Untuk menentukan jumlah kelas menggunakan pedoman Sturges, kita dapat

menggunakan rumus:
650 400 650 550 700 550 550 800 900 1450
700 650 600 900 750 650 400 700 600 1300
900 540 700 800 600 650 670 780 900 1200
900 750 560 850 400 660 740 950 800 1650
900 700 800 400 650 600 700 800 600 1200
Jumlah kelas = 1 + 3.322 log(n)
Di mana n adalah jumlah data. Dalam kasus ini, n = 50 (jumlah data dalam distribusi).
Jumlah kelas = 1 + 3.322 log(50) ≈ 1 + 3.322 × 3.912 ≈ 1 + 12.992 ≈ 13.992
Karena jumlah kelas harus bulat, kita dapat membulatkannya menjadi 14.

Jadi, jumlah kelas yang direkomendasikan berdasarkan pedoman Sturges adalah 14.
b. Jumlah kelas harus dibulatkan, sehingga jumlah kelas adalah 14.
c. Untuk menghitung range, kita mencari selisih antara data terbesar dan data terkecil. Dalam
kasus ini, data terkecil adalah 400 dan data terbesar adalah 1650.
Range = Data terbesar - Data terkecil = 1650 - 400 = 1250
Jadi, range data tersebut adalah 1250.
d. Untuk menghitung kelas interval, kita membagi range dengan jumlah kelas yang telah
dibulatkan.
Kelas interval = Range / Jumlah kelas = 1250 / 14 ≈ 89.29
Karena kelas interval harus berupa bilangan bulat, kita dapat membulatkannya menjadi 90.
Jadi, kelas interval untuk distribusi tersebut adalah 90.
e. Kelas:
400 - 499
500 - 699
700 - 899
900 – 1099
1100 – 1299
1300 – 1499
1500 - 1699
2. a. Tahapan Kegiatan Statistik:
Perumusan Masalah: Mengidentifikasi dan merumuskan pertanyaan atau masalah yang ingin
dijawab melalui analisis statistik.
Pengumpulan Data: Mengumpulkan data yang relevan dengan masalah yang ingin
diselesaikan. Data dapat diperoleh melalui survei, eksperimen, observasi, atau sumber
lainnya.
Penyusunan Data: Menyusun data yang telah dikumpulkan dalam bentuk yang sesuai untuk
analisis. Ini melibatkan pengkodean data, perbaikan kesalahan, dan organisasi data ke dalam
format yang dapat dianalisis.
Eksplorasi Data: Melakukan analisis awal dan eksplorasi data untuk memahami
karakteristiknya. Ini melibatkan visualisasi data, perhitungan statistik deskriptif seperti mean,
median, dan grafik.
Analisis Data: Menerapkan metode statistik yang tepat untuk menjawab pertanyaan atau
masalah penelitian. Ini meliputi pengujian hipotesis, analisis regresi, analisis varian, dan
metode statistik lainnya.
Interpretasi Hasil: Menginterpretasikan hasil analisis statistik untuk mendapatkan
pemahaman yang relevan dan menjawab pertanyaan penelitian. Ini melibatkan penafsiran
koefisien, nilai p-nilai, interval kepercayaan, dan sebagainya.
Penarikan Kesimpulan: Membuat kesimpulan berdasarkan hasil analisis statistik dan
memberikan jawaban terhadap pertanyaan penelitian yang diajukan.
Pelaporan: Menyajikan hasil analisis statistik dalam laporan atau format yang jelas dan
ringkas. Ini meliputi penulisan laporan, pembuatan grafik atau tabel yang tepat, dan
komunikasi hasil kepada pihak yang berkepentingan.
b. Ilmu Statistika Parametrik dan Statistika Nonparametrik:
Ilmu Statistika Parametrik: Merujuk pada pendekatan statistik yang didasarkan pada asumsi
tentang populasi yang mengikuti distribusi tertentu, seperti distribusi normal. Metode ini
mengasumsikan bahwa parameter populasi diketahui atau dapat diestimasi secara pasti.
Contoh teknik parametrik meliputi uji t, uji F, analisis regresi, dan analisis variansi.
Ilmu Statistika Nonparametrik: Merujuk pada pendekatan statistik yang tidak membuat
asumsi tertentu tentang distribusi populasi atau parameter populasi. Metode ini lebih fleksibel
dan dapat digunakan untuk data yang tidak memenuhi asumsi distribusi tertentu atau ketika
skala pengukuran data tidak jelas. Contoh teknik nonparametrik meliputi uji t yang tidak
berpasangan, uji Chi-square, uji Mann-Whitney U, dan uji Wilcoxon.
Jenis-jenis Uji Statistika Parametrik:
Uji t: Digunakan untuk membandingkan dua kelompok secara statistik.
Uji F: Digunakan untuk membandingkan lebih dari dua kelompok atau variasi yang berbeda.
Analisis Regresi: Digunakan untuk memodelkan hubungan antara satu atau lebih variabel
independen dengan variabel dependen.
Analisis Variansi: Digunakan untuk membandingkan rata-rata antara tiga atau lebih
kelompok.
Jenis-jenis Uji Statistika Nonparametrik:
Uji Chi-square: Digunakan untuk menguji hubungan antara variabel kategorikal.
Uji Mann-Whitney U: Digunakan untuk membandingkan dua kelompok independen pada
data ordinal atau interval yang tidak terdistribusi secara normal.
Uji Wilcoxon: Digunakan untuk membandingkan dua kelompok berpasangan pada data
ordinal atau interval yang tidak terdistribusi secara normal.
Uji Kruskal-Wallis: Digunakan untuk membandingkan tiga kelompok atau lebih pada data
ordinal atau interval yang tidak terdistribusi secara normal.
c. Jenis-jenis Data dalam Statistika dan Contohnya:
Data Nominal: Data yang digunakan untuk mengkategorikan objek atau individu ke dalam
kelompok-kelompok yang berbeda tanpa memiliki urutan atau tingkatan. Contohnya adalah
jenis kelamin (laki-laki, perempuan), warna (merah, biru, hijau), atau status pernikahan
(lajang, menikah, cerai).
Data Ordinal: Data yang memiliki urutan atau tingkatan tetapi tidak memiliki jarak antara
nilai-nilai. Contohnya adalah tingkat pendidikan (SD, SMP, SMA), tingkat kepuasan (sangat
puas, puas, tidak puas), atau peringkat prestasi (peringkat 1, peringkat 2, peringkat 3).
Data Interval: Data yang memiliki urutan, memiliki jarak tetapi tidak memiliki titik nol yang
mutlak. Contohnya adalah suhu dalam skala Celsius atau Fahrenheit, tahun kalender, atau
skor tes IQ.
Data Rasio: Data yang memiliki urutan, memiliki jarak, dan memiliki titik nol yang mutlak.
Contohnya adalah tinggi badan, berat badan, pendapatan, atau jumlah populasi.
d. Mean, Median, Modus, dan Standar Deviasi:
Mean (Rata-rata): Merupakan nilai rata-rata dari sekelompok data. Untuk menghitungnya,
jumlahkan semua data dan bagi hasilnya dengan jumlah data. Mean sangat sensitif terhadap
nilai ekstrim dalam data.
Median: Merupakan nilai tengah dari sekelompok data ketika data diurutkan secara terurut.
Jika jumlah data ganjil, median adalah nilai di tengah. Jika jumlah data genap, median adalah
rata-rata dari dua nilai di tengah.
Modus: Merupakan nilai atau nilai-nilai yang paling sering muncul dalam sekelompok data.
Sebuah kelompok data dapat memiliki satu modus (unimodal), dua modus (bimodal), atau
lebih (multimodal).
Standar Deviasi: Merupakan ukuran dispersi atau variasi data dari rata-rata. Standar deviasi
mengukur sejauh mana setiap data tersebar dari rata-rata. Semakin tinggi standar deviasi,
semakin besar variasi dalam data. Standar deviasi dinyatakan dalam satuan yang sama
dengan data asli.
e. Perbedaan antara Pengujian Beda Rata-rata Sampel Berkorelasi dan Beda Rata-rata Sampel
Independen:
Beda Rata-rata Sampel Berkorelasi: Pengujian ini digunakan ketika terdapat hubungan atau
korelasi antara dua variabel yang diamati. Sampel yang digunakan dalam pengujian ini
adalah pasangan data yang terkait antara kedua variabel tersebut. Contohnya adalah
membandingkan kinerja karyawan sebelum dan setelah pelatihan, di mana setiap karyawan
memiliki data sebelum dan setelah pelatihan.
Beda Rata-rata Sampel Independen: Pengujian ini digunakan ketika tidak ada hubungan atau
korelasi antara dua variabel yang diamati. Sampel yang digunakan dalam pengujian ini
adalah dua kelompok yang independen dan tidak saling terkait. Contohnya adalah
membandingkan rata-rata tingkat kepuasan antara dua kelompok karyawan yang berbeda,
seperti karyawan pria dan karyawan wanita.
f. Perbedaan antara Uji Korelasi Sederhana dan Regresi Linear Sederhana:
Uji Korelasi Sederhana: Digunakan untuk mengukur kekuatan dan arah hubungan antara dua
variabel kontinu. Uji korelasi sederhana memberikan koefisien korelasi (misalnya koefisien
Pearson) yang mengindikasikan sejauh mana hubungan antara variabel-variabel tersebut.
Namun, uji korelasi sederhana tidak memberikan informasi tentang hubungan sebab-akibat
antara variabel-variabel tersebut.
Regresi Linear Sederhana: Digunakan untuk memodelkan hubungan sebab-akibat antara
variabel independen (variabel prediktor) dan variabel dependen (variabel respons). Regresi
linear sederhana memberikan persamaan garis regresi yang menggambarkan hubungan linier
antara variabel-variabel tersebut. Selain itu, regresi linear sederhana juga memberikan
informasi tentang koefisien regresi (intersep dan gradien) serta pengujian signifikansi
terhadap variabel prediktor.
Dengan demikian, perbedaan utama antara uji korelasi sederhana dan regresi linear sederhana
adalah bahwa uji korelasi sederhana hanya mengukur hubungan antara dua variabel,
sedangkan regresi linear sederhana memodelkan hubungan sebab-akibat dan memberikan
persamaan garis regresi.
3. a. Nilai statistik deskriptif untuk variabel X (Gaya Kepemimpinan):

RSPDN X Y X2 Y2 X.Y
1 115 74 13.225 5.476 8.510
2 87 50 7.569 2.500 4.350
3 110 63 12.100 3.969 6.930
4 114 66 12.996 4.356 7.524
5 80 56 6.400 3.136 4.480
6 106 63 11.236 3.969 6.678
7 125 69 15.625 4.761 8.625
8 120 69 14.400 4.761 8.280
9 123 67 15.129 4.489 8.241
10 118 62 13.924 3.844 7.316
11 110 65 12.100 4.225 7.150
12 115 70 13.225 4.900 8.050
13 116 70 13.456 4.900 8.120
14 83 57 6.889 3.249 4.731
15 110 66 12.100 4.356 7.260
16 110 63 12.100 3.969 6.930
17 62 36 3.844 1.296 2.232
18 116 63 13.456 3.969 7.308
19 102 59 10.404 3.481 6.018
20 123 69 15.129 4.761 8.487
21 97 50 9.409 2.500 4.850
22 114 65 12.996 4.225 7.410
 23 104 65 10.816 4.225 6.760
24 97 63 9.409 3.969 6.111
25 95 58 9.025 3.364 5.510
26 120 63 14.400 3.969 7.560
27 104 66 10.816 4.356 6.864
28 115 62 13.225 3.844 7.130
29 107 46 11.449 2.116 4.922
30 118 65 13.924 4.225 7.670
31 153 58 23.409 3.364 8.874
Jumlah 3.369 1.918 374.185 120.524 210.881

n=84 ∑X   ∑Y ∑X2  ∑Y2   ∑XY

Mean (rata-rata): ΣX / n = 3369 / 84 = 40.107

Median: Nilai tengah dari data terurut adalah nilai ke-42 dan ke-43. Dalam hal ini, median
adalah (110 + 110) / 2 = 110.
Modus: Mode adalah nilai yang paling sering muncul dalam data. Dalam data ini, tidak ada
nilai yang muncul lebih dari sekali, sehingga tidak ada modus yang dapat ditentukan.
Varians: (ΣX2 / n) - (mean)2 = (374.185 / 84) - (40.107)2 = 57.552
Standar deviasi: √varians = √57.552 = 7.588
b. Uji Normalitas: Untuk menguji normalitas variabel X, dapat menggunakan uji statistik
seperti uji Jarque-Bera, berikut adalah hasilnya

Uji normalitas diatas menunjukan angka berikut

probabilitas = 0,001 >0,05 (maka data terdistribusi tidak normal)

c. Korelasi Sederhana:
Variable Coefficient Std. Error t-Statistic Prob.  

C 28.96432 7.600498 3.810845 0.0007

 X 0.302792 0.069180 4.376880 0.0001

R-squared 0.397804    Mean dependent var 61.87097

Perhitungan korelasi sederhana dapat dilihat dari R-Squared nya berdasarkan hasil regres R-
Squared 0.397804 maka pangkat 0.397804 = 0,15824802
maka hubungan antara variabel x dan y adalah searah ( positif)
Kinerja karyawan =28.96432 +0.302792 gaya kepemimpinan + ei
maka nilai konstanta 28.96432 artinya variabel gaya kepemimpinan dianggap konstan dengan
arah positif
maka nilai koefisien gaya kepemimpinan 0.302792 yaitu variabel gaya kepemimpinan
mengalami kenaikan sebesar satu satuan dengan asumsi koefisien regresi variabel lainadalah
nol

d. Regresi Linear Sederhana:

hasil regres variabel y dan x sebagai berikut
Dependent Variable: Y
Method: Least Squares
Date: 06/26/23 Time: 09:47
Sample: 1 31
Included observations: 31

Variable Coefficient Std. Error t-Statistic Prob.  

C 28.96432 7.600498 3.810845 0.0007

X 0.302792 0.069180 4.376880 0.0001

R-squared 0.397804    Mean dependent var 61.87097

Adjusted R-squared 0.377039    S.D. dependent var 7.864443
S.E. of regression 6.207240    Akaike info criterion 6.551651
Sum squared resid 1117.365    Schwarz criterion 6.644166
Log likelihood -99.55058    Hannan-Quinn criter. 6.581808
F-statistic 19.15708    Durbin-Watson stat 1.573070
Prob(F-statistic) 0.000143

Sehingga persamaan regresinya adalah

Persamaan Regresi: Y = a + bX, di mana Y adalah variabel terikat (Kinerja Karyawan), X
adalah variabel bebas (Gaya Kepemimpinan),
Kinerja karyawan =.28.96432 +0.302792 gaya kepemimpinan + ei
Pengujian Signifikansi: Untuk menguji signifikansi regresi, menggunakan uji t
uji regresi secara parsial ( uji t)
df=(n-k-1)
df = (31-1-1)
df= 29
Nilai T tabel = 2,756386
Gaya Kepemimpinan dengan nilai hitung =4.376880 > 2,756386 dan probabilitas 0.0001<
0.05 maka berpengaruh dan signifikan

e. Uji Beda Rata-rata Sampel Berkorelasi:

Menggunakan Uji Wilcoxon karena data tidak normal berikut adalah hasil perhitungannya
Test for Equality of Means of Y
Categorized by values of X
Date: 06/26/23 Time: 10:41
Sample: 1 31
Included observations: 31

Method df Value Probability

Anova F-test (4, 26) 10.69320 0.0000

Analysis of Variance

Source of Variation df Sum of Sq. Mean Sq.

Between 4 1154.006 288.5015

Within 26 701.4778 26.97991

Total 30 1855.484 61.84946

Category Statistics

Std. Err.
X Count Mean Std. Dev. of Mean
[60, 80) 1 36.00000 NA NA
[80, 100) 6 55.66667 5.006662 2.043961
[100, 120) 18 64.05556 5.682504 1.339379
[120, 140) 5 67.40000 2.607681 1.166190
[140, 160) 1 58.00000 NA NA
All 31 61.87097 7.864443 1.412496

Nilai signifikasi 0,00 < 0,05 menunjukan adanya perbedaan yang signifikan antara variabel
Logaritma Pajak daerah sebelum pemekaran dan data Y adalah logaritma Pajak daerah
setelah pemekaran
4. Untuk menghitung MEAN (rata-rata), MEDIAN (nilai tengah), dan MODUS (nilai yang
paling sering muncul) dari data jumlah karyawan dalam perusahaan garmen, kita perlu
menggunakan frekuensi masing-masing kelas.

Jumlahtenagakerja Frekuensi
10-19 8
20-29 12
30-39 20
40-49 30
50-59 15
60-69 8
70-79 7

Berikut adalah perhitungannya:

MEAN (Rata-rata): Untuk menghitung mean, kita perlu mengalikan setiap nilai tengah kelas
dengan frekuensinya, kemudian menjumlahkan hasilnya, dan membaginya dengan total
frekuensi.
Mean = (∑(Midpoint * Frekuensi)) / Total Frekuensi
Midpoint adalah nilai tengah dari setiap kelas.
Midpoint Frekuensi Midpoint * Frekuensi 15 8 120 25 12 300 35 20 700 45 30 1350 55 15
825 65 8 520 75 7 525
Total Frekuensi = 8 + 12 + 20 + 30 + 15 + 8 + 7 = 100
Mean = (120 + 300 + 700 + 1350 + 825 + 520 + 525) / 100 = 4340 / 100 = 43.4
Jadi, MEAN dari data jumlah karyawan tersebut adalah 43.4.
MEDIAN (Nilai Tengah): Median adalah nilai yang berada di tengah-tengah data setelah
diurutkan.
Total Frekuensi / 2 = 100 / 2 = 50
Dalam data ini, median berada di kelas ke-4, yaitu kelas 40-49. Oleh karena itu, nilai
tengahnya adalah 45.
Jadi, MEDIAN dari data jumlah karyawan tersebut adalah 45.
MODUS (Nilai yang Paling Sering Muncul): Modus adalah nilai yang memiliki frekuensi
tertinggi.
Dalam data ini, kelas dengan frekuensi tertinggi adalah kelas 40-49 dengan frekuensi 30.
Jadi, MODUS dari data jumlah karyawan tersebut adalah 40-49.
Dengan demikian, MEAN = 43.4, MEDIAN = 45, dan MODUS = 40-49.
5. Statistik memiliki berbagai aplikasi dan penggunaan dalam bidang akuntansi. Berikut ini
beberapa contoh penggunaan statistik dalam akuntansi:
Analisis Laporan Keuangan: Statistik digunakan dalam analisis laporan keuangan untuk
mengidentifikasi tren, menghitung rasio keuangan, dan melakukan perbandingan antara
perusahaan. Dengan menggunakan statistik, akuntan dapat menginterpretasikan data
keuangan dengan lebih baik dan membuat keputusan yang lebih informasional.
Pengendalian Kualitas: Statistik digunakan dalam pengendalian kualitas untuk mengukur dan
memantau kinerja proses bisnis. Contohnya, menggunakan metode statistik seperti diagram
kendali, akuntan dapat mengidentifikasi penyimpangan dari standar kualitas yang ditetapkan
dan mengambil tindakan korektif yang diperlukan.
Peramalan dan Anggaran: Statistik digunakan dalam membuat peramalan dan anggaran
keuangan. Dengan menggunakan teknik statistik seperti regresi dan analisis deret waktu,
akuntan dapat membuat estimasi pendapatan, biaya, dan kebutuhan modal di masa depan. Hal
ini membantu manajemen dalam perencanaan strategis dan pengambilan keputusan.
Audit dan Pemeriksaan: Statistik digunakan dalam audit dan pemeriksaan untuk menguji
validitas dan keandalan data keuangan. Contohnya, dengan menggunakan teknik sampling
statistik, auditor dapat melakukan pengujian atas sebagian data transaksi dan membuat
kesimpulan yang representatif terhadap keseluruhan populasi.
Analisis Biaya: Statistik digunakan dalam analisis biaya untuk mengidentifikasi faktor-faktor
yang mempengaruhi biaya produksi atau biaya operasional perusahaan. Dengan
menggunakan analisis regresi, akuntan dapat menentukan hubungan antara biaya dengan
variabel-variabel tertentu seperti volume produksi, tenaga kerja, atau bahan baku.
Evaluasi Risiko Keuangan: Statistik digunakan dalam evaluasi risiko keuangan untuk
mengidentifikasi potensi risiko yang dapat mempengaruhi kinerja keuangan perusahaan.
Dengan menggunakan analisis statistik seperti analisis varian atau simulasi Monte Carlo,
akuntan dapat mengukur dan memodelkan risiko yang terkait dengan variabilitas pendapatan,
biaya, atau nilai aset.
Penggunaan statistik dalam bidang akuntansi membantu meningkatkan pemahaman tentang
data keuangan, mengambil keputusan yang lebih informasional, mengidentifikasi tren atau
masalah potensial, dan memperkuat pengendalian internal perusahaan.

6. IP Saya Pada Semester Lalu 2.69 Namun Ada Nilai (A) Pada Mata Kuliah Bahasa Inggris
Yang Tidak Terinput Saat Pengisian Nilai Semester Kemarin.