Ilovepdf Merged

SOAL NASKAH UU
1. Dari populasi mahasiswa baru, secara acak kita ambil 100 mahasiswa dan didapatkan rata-rata IQ
mereka = 103,8. Pilih pernyataan yang sesuai dengan kondisi … Rata-rata IQ untuk populasi
mahasiswa baru = 103,8
2. Suatu universitas mempunyal populasi 1000 mahasiswa. Pada suatu aptitude test nilal ragam skor
test = 80, yang diperoleh dari sampel test sebanyak 100 mahasiswa. Apabila sampel dilakukan "tanpa
pengemballan", berapakah ragam populasi? ... (1000-100) / 1000-1
3. Kombinasi antara analisis regresi dan analisis varians disebut dengan ... anacova
4. Seorang peneliti ingin melihat besarnya kontribusi faktor komunikasi dalam keluarga, kohesivitas,
dan self concept secara bersama-sama terhadap motivasi menggunakan obat terlarang dari para
mahasiswa. Pengujian hipotesis dalam penelitian tersebut menggunakan teknik statistik ... Analisis
korelasi dengan 3 prediktor
5. Berikut ini tugas-tugas pokok analisis regresi, kecuali ... Mencari besar perbedaan antara
kelompok-kelompok sample
6. Manakah pernyataan yang salah mengenai analisis regresi ... Makin besar harga jumlah kuadrat
residu, makin kecil harga f regresi
7. Pendataan yang melibatkan sebagian anggota populasi disebut ... sampling
8. Samepel random atau Contoh acak adalah jika dan hanya jika setiap anggota populasi memiliki ...
peluang yg sama terpilih sbg anggota sampel
9. Pengacakan sampel dapat dilakukan dengan ... undian
10. Seorang hakim menghadapi terdakwa di pengadilan, hipotesis awal atau hipotesis nol adalah ...
Terdakwa bersalah
11. Pernyataan yang tepat mengenai tingkat kepercayaan 99% adalah ... Peluang data populasi berdiri
di luar tingkat kepercayaan = 1%
12. Pernyataan atau dugaan mengenai satu atau beberapa polusi disebut ... Hipotesa statistik
13. Suatu hipotesis ditolak karena ... Bukti dari sampel tidak mendukung penerimaan hipotesis
14. Kesalahan karena menerima hipotesis nol (H0) yang salah disebut ... Kesalahan jenis 2
Soal Untuk No. 15 – 18
Selama beberapa tahun terakhir ini, rata – rata test aptitude di suatu di suatu institusi pada skor 225. Test
mutakhir dilakukan dengan peserta 100 orang dan dari peserta – peserta itu rata – rata skor 235,simpangan
baku 28. Apakah benar tejadi kenaikan skor test ? (Taraf uji 0,05)
15. Hipotesis nol pada maslah itu ... skor test yang mutakhir lebih rendah dibandingkan dengan
skor test terdahulu
16. Berapakah nilai statistik hitung pada masalah itu ... 3,57
17. Kesimpulan yang mungkin dikemukakan ... skor test saat ini (yg mutakhir) meningkat
dibandingkan terdahulu
Soal Untuk No. 18 – 23
Suatu test diadakan untuk menilai apakah ada hubungan / keterkaitan antar faktor sex (jenis kelamin )
dengan perilaku “mudah menolong”. Data teroleh sebagai berikt :
Perilaku Sex Pria Wanita Total

Penolong 21 29 50
Tidak Penolong 38 12 50
Total 59 41 100
18. Hipotesis alternatif pada test dengan uji chi-kuadrat ... faktor sex dan faktor perilaku
berhubungan
19. Apabila taraf uji = 0,01 berapa batas kritis penerimaan Ho dan H alternative ... 6,635
20. Berapa frekuensi teoritis / harapan dari respon den wanita yang berperilaku tidak menolong ... 20,5
21. Berapakah nilai chi-kuadrat hitung dalam masalah itu ... 11
22. Berapakah nilai asosiasi / keeratan hubungan dengan menghitung koefisien kontingensi ... 0,327
23. Apabila nilai koefisien kontingensi 0,007, bagaimana perkiraan kondisi asosiasi / hubungan antara
kedua faktor tersebut (faktor A dan faktor B) ... faktor a tidak berhubungan dengan faktor b
24. Diketahui bahwa skor kemiringan antara variabel x dan y sebesar 0,5 dan nilai konstan interceptnya
= 6,66. Berapakah skor y yang akan diperoleh Rudy apabila skor X nya = 150 ... 81,66
25. Multikolinieritas pada analisis regresi diartikan sebagai ... situasi yang menunjukkan adanya
korelasi atau hubungan kuat antara dua variabel bebas atau lebih dalam sebuah model regresi
26. Multikolinieritas didalam analisis regresi diartikan sebagai ... pada dimensi antar variabel bebas
27. Jika skema penelitian tediri dari satu variabel bebas dan 2 variabel terkait, maka yang harus
digunakan adalah ... regresi ganda
28. Jika skema penelitian terdiri dari empat variabel bebas dan satu variabel terkait, maka statistik yang
dapat di gunakan adalah ... regresi ganda
29. Apa yang dapat dilakukan ketika terjadi muitikolinearitas pada regresi ganda ... menghilangkan
salah satu variabel
30. Manakah variabel – variabel di bawah ini yang berpotensi mengalami multikolinearitas ketika
berposisi sama – sama sebagai variabel bebas ... harga diri dan konsep diri
1. Indeks prestasi (IP) mahasiswa di suatu perguruan tinggi mendekati sebaran normal,
dengan ratarata 2,14 dan simpangan baku 1,21. Pimpinan perguruan tinggi tersebut
berjanji akan memberi beasiswa kepada 10% mahasiswa dengan IP terbaik. Batas IP
terendah agar mahasiswa mendapatkan beasiswa adalah
Jawaban
3.69
2. Perhatikan tabel distribusi frekuensi variabel X berikut ini
x 1 2 3 4 5
P(X = k
z)
Nilai k
adalah
Jawaban
3. Berikut ini besaran data kelompok yang digunakan sebagai dasar perhitungan dalam
menentukan nilai modus data kelompok adalah
Jawaban
Tepi batas kelas
4. Data yang melibatkan variabel diskrit adalah

Jawaban
Banyaknya anak dalam sebuah keluarga
5. Ukuran statistik yang merupakan ukuran pusat data semu dan tidak dipengaruhi
angka ekstrim adalah
Jawaban
Modus
6. Aktivitas Berikut merupakan aktivitas dalam sastika deskriptif yang bersifat memberi
gambaran, kecuali
Jawaban
Meramalkan dan Menduga Data.
7. Suatu program diet diperkenalkan oleh sebuah lembaga periklanan bahwa program
tersebut dapat menurunkan berat badan dalam waktu 1 minggu tanpa menimbulkan
efek samping. Terhadap peserta program diet yang dipilih secara acak dan berat
badannya ditimbang sebelum dan sesudahnya. Hasilnya sebagai berikut
Berat (Kg)
Sebelum 80 65 76 87 98 86 73 80
Sesudah 78 66 74 82 90 80 72 76
Bila diasumsikan berat badan menyebar normal, dengan selang kepercayaan 95%
beda rata-rata berat badan sebelum dan sesudah adalah
Jawaban
0.9296 < < 5.8204
8. Untuk membuat grafik histogram diperlukan data

Jawaban
Tepi Batas Kelas dan Frekuensi Sampel
9. Sebuah perusahaan membutuhkan karyawan baru melalui tes seleksi karyawan. Dari
seluruh peserta tes, hanya 40% yang lolos. Dari para peserta tes tersebut diambil
sampel secara acak sebanyak 20 orang. Peluang sampel terdiri dari peserta lolos
sebanyak 5 orang adalah
Jawaban
0.0746
10. Seorang kepala daerah ingin menduga proporsi penduduk daerahnya yang menjadi
pegawai negeri. Dari 700 penduduk yang menjadi responden, ternyata ada 96 orang
yang menjadi pegawai negeri. Dengan selang kepercayaan 80% kepala daerah
tersebut mengestimasikan bahwa proporsi penduduk yang menjadi pegawai negeri di
daerahnya adalah
Jawaban
0.114 < 0.146
11. Sebuah perusahaan membutuhkan karyawan yang terdiri

dari 5 putra dan 3 putri. Jika terdapat 15 pelamar. 9
diantaranya putra. Maka banyaknya cara untuk seleksi
karyawan tersebut adalah
Jawaban
2520
12. Berikut ini merupakan tabel analisa Skewness dan Kurtosis data pasien pengunjung
sebuah Puskesmas yang disajikan dalam distribusi kelompok berdasarkan usia
Kelas Titik Frekuensi

(Kg) Tengah (Fi) Xi.Fi (Xi-X) (Xi-X)2 Fi.(Xi-X)2 Fi.(Xi-X)4
Kelas
(Xi)
16-24 20 7 140 -19.8 392.04 2744.28 1075867.53
25-33 29 8 232 -10.8 116.64 933.12 108839.117
34-42 38 17 646 -1.8 3.24 55.08 178.4592
43-51 47 9 441 7.2 51.84 466.56 24186.4704
52-60 56 6 336 16.2 262.44 1574.64 413248.522
61-69 65 3 195 25.2 635.04 1905.12 1209827/4
Jumlah 50 199039.8 7678.8 2832147.5
Hasil analisa tersebut menunjukkan bahwa bentuk kurva data tersebut

merupakan
Jawaban
Distribusi positif dengan bentuk kurva platikurtis
13. Berdasarkan pengamatan terhadap 150 orang laki-laki yang berumur 40 - 60 tahun
diperoleh ratarata kadar kolesterol mereka 215 mg% dan simpangan baku 45 mg%.
Peluang seseorang mempunyai kadar kolesterol > 250 mg% adalah
Jawaban
0.2177
14. Ukuran proporsi keragaman total nilai peubah Y yang dapat dijelaskan oleh nilai
peubah acak Y disebut
Jawaban
Koefisien Determinan
15. Hasil pemeriksaan terhadap 10 orang yang akan melakukan donor darah, 3 diantaranya
bergolongan darah O, 4 orang bergolongan darah A, dan 3 orang bergolongan darah
B. Jika secara acak dipanggil 5 orang pendonor untuk secara bersamaan dilakukan
pengambilan darah. Peluang terpanggilnya 1 orang bergolongan darah O, 2 orang
bergolongan darah A, dan 2 orang bergolongan darah B adalah Jawaban
16. Seorang kepala daerah ingin menduga proporsi penduduk

daerahnya yang menjadi pegawai negeri. Dari 700
penduduk yang menjadi responden, ternyata ada 96 orang
yang menjadi pegawai negeri. Dengan selang kepercayaan
80% kepala daerah tersebut mengestimasikan bahwa
proporsi penduduk yang menjadi pegawai negeri di
daerahnya adalah
Jawaban
0.114 < 𝝅 < 0.146
17. Suatu program diet diperkenalkan oleh sebuah lembaga periklanan bahwa program
tersebut dapat menurunkan berat badan dalam waktu 1 minggu tanpa menimbulkan
efek samping. Terhadap peserta program diet yang dipilih secara acak dan berat
badannya ditimbang sebelum dan sesudahnya. Hasilnya sebagai berikut
Berat (Kg)
Sebelum 80 65 76 87 98 86 73 80
Sesudah 78 66 74 82 90 80 72 76
Bila diasumsikan berat badan menyebar normal, dengan selang kepercayaan 95%
beda rata-rata berat badan sebelum dan sesudah adalah
Jawaban
0.9296 < < 5.8204
18. Rata-rata berat bayi baru lahir di sebuah rumah sakit adalah 3750 dengan simpangan
baku 325 gram. Jika dalam sebulan ada 500 bayi lahir dan berat badan lahir bayi
terdistribusi normal, maka jumlah bayi lahir dengan berat antara 4000 gram dan 4250
gram adalah
Jawaban
79 orang
19. Seorang pegawai asuransi jiwa menawarkan rata-rata kebijakan asuransi setiap
minggunya. Peluang kejadian pegawai itu menawarkan sedangkan satu kebijakan
asuransi dalam rentang waktu seminggu (jika diketahui e = 2,71828)
Jawaban
0.9502
20. Besar responden yang diperlukan untuk menduga rata-rata pendapatan suatu
masyarakat sehingga hasil juga hanya dapat dipercaya 90% menyimpang dari yang
sebenarnya tidak lebih dari Rp. 2 ribu, bila simpangan bakunya Rp. 20 ribu
Jawaban
270 responden
21. Jika X adalah nilai ujian statistika hasil rekap nilai etika di sebuah perguruan tinggi
diperoleh
Maka standar deviasi untuk nilai ujian statistika di perguruan tinggi tersebut
adalah
Jawaban
11.6486
22. Berikut merupakan dalil yang berlaku dalam penjumlahan,
kecuali
Jawaban
23. 4 kantong sedang diambil secara acak dari suatu penyalur beras, di mana masing-
masing beratnya 5,4 ; 5,3 ; 4,7 ; 4,6 kg. Jika kantong-kantong beras tersebut
merupakan sebaran normal dengan selang kepercayaan 90% estimasi rata-rata berat
kantong beras pada penyalur tersebut adalah
Jawaban
4.5176 < 𝝁 < 5.4824
24. 4 kantong sedang diambil secara acak dari suatu penyalur beras, di mana masing-
masing beratnya 5,4 ; 5,3 ; 4,7 ; 4,6 kg. Jika kantong-kantong beras tersebut
merupakan sebaran normal dengan selang kepercayaan 90% estimasi rata-rata berat
kantong beras pada penyalur tersebut adalah
Jawaban
4.5176 < 𝝁 < 5.4824
25. Seorang pedagang buah di Tangerang, setiap hari berbelanja 300 kg buah di Pasar
induk Kramat jati, Jakarta Timur. Probabilitas buah tersebut busuk dan tidak laku
sebesar 20%. Jika suatu saat pedagang tersebut mampu menjual dagangannya sebesar
250 kg buah, maka probabilitas tersebut terjual 250 kg buah tersebut adalah
Jawaban
0.9147
QUIS
1. Data yang diperoleh hasil observasi selama periode tertentu, merupakan:

c. Data time-series
2. Diketahui nilai ujian Statistik I seluruh mahasiswa Universitas Gunadarma
berdistribusi normal dengan rata-rata 60 dan standar deviasi 12. Seluruh peserta ujian
Statistik I tercatat 10 ribu mahasiswa, sebanyak 20 persennya adalah mahasiswa
Akuntansi.Jika ditetapkan yang mendapat nilai A sebanyak 12.3% dari nilai tertinggi,
maka nilai terendah untuk mendapat nilai A adalah: a. 73.92
3. Bentuk dan ketinggian kurva distribusi peluang normal ditentukan oleh

besarnya .. Standard deviasi
4. Diketahui mesin pencetak IC perlu diperbaiki jika dari 1000 unit IC yang
dicetak terdapat 20 unit IC yang rusak. Seorang karyawan pengawasan mutu
mengobservasi sampel acak yang terdiri dari 250 unit IC, kemudian ia mencatat jumlah
ICyang rusak.Jika jumlah IC yang rusak sebagai variabel acak X, maka X tersebut akan
memiliki distribusi probabilitas: Poisson
5. Di Lab Psikologi Dasar tersedia 15 meja praktikum yang dapat digunakan

mahasiswa, suatu saat hadir 20 orang mahasiswa yang akan berpraktikum. Jumlah
susunan penempatan praktikum mahasiswa tersebut adalah: 20P15
Akuntansi. Probabilitas seorang mahasiswa Akuntansi mendapat nilai paling tinggi 45
adalah: 0.1056
7. Data berikut merupakan data kualitatif, kecuali: Masa pakai komponen mesin
8. Ciri-ciri distribusi peluang binomial ... (Setiap ulangan merupakan kejadian

bebas, Hasil percobaan hanya ada sukses atau gagal & Peluang sukses setiap ulangan
adalah konstan) Semua jawaban benar

Akuntansi. Seorang mahasiswa dinyatakan lulus ujian Statistik I jika nilainya paling
sedikit 57, maka jumlah mahasiswa Akuntansi diharapkan lulus ujian Statistik I
sebanyak: 1217 orang
10. Dalam tabel distribusi frekuensi, interval kelas menunjukkan: Perbedaan batas
kelas bawah dari dua kelas yang berdekatan
1. Dalam tabel distribusi frekuensi, interval kelas menunjukkan:

Select one:
a. Perbedaan batas kelas bawah dan batas kelas atas pada kelas yang sama
b. Perbedaan batas kelas bawah dan tepi kelas bawah pada kelas yang berbeda
c. Jarak nilai (hasil pengamatan) tertinggi dan terendah
d. Perbedaan batas kelas bawah dari dua kelas yang berdekatan
IC yang rusak. Probabilitas karyawan tersebut akan menemukan paling sedikit 2 unit
IC yang rusak adalah:
Select one:
a. 0.9596
b. 0.4225
c. 0.0842
d. 0.7566
3. Seorang dosen memberikan kuis yang terdiri dari 25 soal dengan jawaban Benar
(B) dan Salah (S). Susunan jawaban kuis tersebut yang mungkin terjadi akan berjumlah:
Select one:
a. 25P2
b. 25C2
c. 2 pangkat 25
d. 25 pangkat 2
4. Pernyataan yang menunjukkan peubah acak diskrit:

Select one:
a. Berat badan bayi baru lahir
b. Jarak tempuh mobil baru
c. Jumlah produk rusak TV merk Sony
d. Produksi parfum (dalam mililiter)
5. Analisis varian (ANOVA) adalah:

Select one:
a. Semua jawaban salah
b. Teknik untuk memeriksa perbedaan di antara kedua hipotesis
c. Suatu teknik untuk memeriksa perbedaan dari antara rata-rata dari dua
populasi atau lebih
d. Teknik pengujian hipotesis yang paling akurat
6. Untuk menghadapi Lomba Rancang Bangun Robot Tingkat Nasional Tahun

2015, sebanyak 12 mahasiswa FIKTI UG yang terdiri dari 7 mahasiswa dan 5
mahasiswi telah menjalani workshop selama sebulan. Selanjutnya dipilih 5 mahasiswa
yang akan diberangkatkan sebagai team UG ke ajang perlombaan tersebut. Hingga
tahun 2014, team UG telah mengikuti perlombaan tersebut sebanyak 10 kali, mendapat
Juara I sebanyak 3 kali dan Juara II sebanyak 4 kali. Probabilitas 5 mahasiswa terpilih
terdiri dari 3 mahasiswa dan 2 mahasiswi adalah:
Select one:
a. 0.54
b. 0.44
c. 0.64
d. 0.74
7. Permutasi digunakan apabila ...

Select one:
a. Letak dan posisi tidak saling berhubungan
b. Letak dan posisi di mana saja
c. Letak dan posisi dipermasalahkan
d. Letak dan posisi tidak dipermasalahkan
8. Dalam melakukan penelitian, seringkali peneliti ingin membandingkan kondisi

dari dua populasi. Bila peneliti ingin membandingkan rata-ratanya, maka indikasi
perbedaannya bisa dilihat dari selisih ... rata-rata tersebut.
Select one:
a. Interval
b. Parameter
c. Sampel
d. Standard deviasi
9. Tabel t-student digunakan untuk :

Select one:
a. Mengetahui peluang (luas daerah) di bawah kurva
b. Mengetahui ukuran sampel
c. Mengetahui populasi di luar sampel
d. Mengetahui ukuran populasi
10. Rata-rata hitung diperoleh dari ...

Select one:
a. Populasi dibagi sampel
b. Jumlah observasi dibagi range
c. Jumlah nilai setiap datum (total nilai data) dibagi banyaknya observasi
d. Jumlah observasi dibagi sampel
11. Pelaksanaan pengumpulan data primer dilakukan dengan cara:

Select one:
a. Diagram dan grafik
b. Survai dan percobaan
c. Survai dan diagram
d. Minta data dari pemerintah
12. Pengujian hipotesis yang umum dilakukan adalah, kecuali :

Select one:
a. Pengujian keseluruhan populasi
b. Pengujian hipotesis suatu parameter rata-rata
c. Pengujian parameter proporsi
d. Pengujian hipotesis selisih dua parameter rata-rata
13. Tersedia 6 flashdisk 16GB dan 4 flashdisk 32GB yang berbeda merknya, jika
akan dipilih 3 flashdisk 16GB dan 2 flashdisk 32GB, maka jumlah pilihan yang dapat
dibuat adalah:
Select one:
a. 100
b. 140
c. 80
d. 120
14. Bagian statistika yang membahas cara-cara pengumpulan data, penyederhanaan

angka-angka pengamatan yang diperoleh (meringkas dan menyajikan), serta
melakukan pengukuran pemusatan dan pengukuran penyebaran untuk memeroleh
informasi yang lebih menarik, lebih berguna dan lebih mudah dipahami yaitu:
Select one:
a. Statistika non parametrik
b. Statistika deskriptif
c. Statistika parametrik
d. Statistika inferensia
15. Pengujian Ha pada notasinya mengandung pengertian :

Select one:
a. Tidak sama dengan dan tak terhingga
b. Tidak ada jawaban yang benar
c. Lebih kecil atau lebih besar
d. Sama dengan, lebih besar sama dengan dan lebih kecil sama dengan
16. Ciri-ciri distribusi peluang binomial ...

Select one:
a. Peluang sukses setiap ulangan adalah konstan
b. Setiap ulangan merupakan kejadian bebas
c. Semua jawaban benar
d. Hasil percobaan hanya ada sukses atau gagal
17. Data disebut berpasangan apabila:

Select one:
b. Sampel diambil dari dua kelompok populasi secara acak
c. Sampel diambil dari mana saja
d. Sampel diambil dari dua gugus populasi yang tidak saling bebas satu sama lain
18. Jika frekuensi dalam tabel distribusi frekuensi dinyatakan dalam persen, maka
penyajian data secara grafis sebaiknya menggunakan:
Select one:
a. Ogive
b. Poligon
c. Histogram
d. Pie diagram (diagram lingkaran)
19. Hubungan nilai variabel acak dan peluangnya dicerminkan oleh:

Select one:
a. Distribusi peluang
b. Distribusi statistik
c. Distribusi parameter
d. Distribusi statistika
Select one:
a. Data primer
b. Data aktual
c. Data time-series
d. Data sekunder

Select one:
a. Tidak sama dengan atau tak terhingga
b. Tidak ada yang benar.
c. Sama dengan (=), lebih besar sama dengan atau lebih kecil sama dengan
d. Lebih besar atau Lebih kecil
22. Data berikut merupakan data kualitatif, kecuali:

Select one:
a. Pendapat mahasiswa terhadap penampilan dosen
b. Tingkat pendidikan pegawai suatu perusahaan
c. Masa pakai komponen mesin
d. Nomor kendaraan bermotor
IC yang rusak.Jika jumlah IC yang rusak sebagai variabel acak X, maka X tersebut akan
memiliki distribusi probabilitas:
Select one:
a. Geometrik
b. Normal
c. Poisson
d. Binomial
24. Jumlah cara agar 5 kelereng dengan warna yang berbeda dapat disusun sebaris
adalah:
Select one:
a. 120 cara
b. 625 cara
c. 125 cara
d. 25 cara

Akuntansi. Seorang mahasiswa dinyatakan lulus ujian Statistik I jika nilainya paling
sedikit 57, maka jumlah mahasiswa Akuntansi diharapkan lulus ujian Statistik I
sebanyak:
Select one:
a. 1197 orang
b. 1200 orang
c. 1250 orang
d. 1217 orang
26. Bentuk dan ketinggian kurva distribusi peluang normal ditentukan oleh
besarnya ...
Select one:
a. Variabel
b. Peluang
c. Percobaan
d. Standard deviasi

Akuntansi.Jika ditetapkan yang mendapat nilai A sebanyak 12.3% dari nilai tertinggi,
maka nilai terendah untuk mendapat nilai A adalah:
Select one:
a. 78.5
b. 77.9
c. 75.5
d. 73.92
IC yang rusak. Probabilitas karyawan tersebut tidak menemukan IC yang rusak adalah:
Select one:
a. 0.0404
b. 0.0067
c. 0.1512
d. 0.1128
29. Pengujian Ho pada notasinya selalu mengandung pengertian :

Select one:
a. Sama dengan, lebih besar sama dengan dan lebih kecil sama dengan
b. Lebih kecil dan Lebih besar
c. Tidak ada jawaban yang benar
d. Tidak sama dengan dan tak terhingga
30. Untuk menghadapi Lomba Rancang Bangun Robot Tingkat Nasional Tahun
2015, sebanyak 12 mahasiswa FIKTI UG yang terdiri dari 7 mahasiswa dan 5
mahasiswi telah menjalani workshop selama sebulan. Selanjutnya dipilih 5 mahasiswa
yang akan diberangkatkan sebagai team UG ke ajang perlombaan tersebut. Hingga
tahun 2014, team UG telah mengikuti perlombaan tersebut sebanyak 10 kali, mendapat
Juara I sebanyak 3 kali dan Juara II sebanyak 4 kali. Probabilitas 5 mahasiswa terpilih
paling sedikit 3 mahasiswa adalah:
Select one:
a. 0.69
b. 0.56
c. 0.43
d. 0.64

Select one:
c. Lebih besar atau Lebih kecil
d. Sama dengan (=), lebih besar sama dengan atau lebih kecil sama dengan
32. Di Lab Psikologi Dasar tersedia 15 meja praktikum yang dapat digunakan
mahasiswa, suatu saat hadir 20 orang mahasiswa yang akan berpraktikum. Jumlah
susunan penempatan praktikum mahasiswa tersebut adalah:
Select one:
a. 20P15
b. 35C20
c. 20C15
d. 35P20
33. Hipotesis yang didukung atau ingin diterima oleh peneliti adalah:
Select one:
a. Pendugaan hipotesis
b. Hipotesis nol
c. Hipotesis populasi
d. Hipotesis alternatif
34. Populasi adalah:

Select one:
a. Sekumpulan data/individu
b. Semua jawaban benar
c. Himpunan yang mewakili semua kemungkinan pengukuran observasi yang perlu
diperhatikan
d. Sekumpulan individu individu yang memiliki karakteristik khas yang menjadi
perhatian dalam suatu penelitian (pengamatan) dalam ruang lingkup yang ingin diteliti
35. Tersedia 6 flashdisk 16GB dan 4 flashdisk 32GB yang berbeda merknya,
probabilitas akan terpilih 3 flashdisk 16GB dan 2 flashdisk 32GB adalah:
Select one:
a. 0.48
b. 0.41
c. 0.56
d. 0.32
Akuntansi. Jika ditetapkan nilai minimal untuk lulus ujian Statistik I adalah 57, maka
persentase jumlah mahasiswa UG yang lulus Statistik I akan ada sebanyak:
Select one:
a. 49.5%
b. 69.9%
c. 20%
d. 59.9%
Akuntansi. Probabilitas seorang mahasiswa Akuntansi mendapat nilai paling tinggi 45
adalah:
Select one:
a. 0.2939
b. 0.8944
c. 0.1056
d. 0.3944
38. Seorang pegawai pengawasan mutu mengobservasi sebagian produk yang
dipilih dengan cara tertentu dari keseluruhan produk yang dihasilkan. Teknik
pengumpulan data yang digunakan pegawai tersebut adalah:
Select one:
a. Pengamatan langsung
b. Sampling
c. Sensus
d. Proporsional
39. Distribusi Poisson memiliki beberapa karakteristik, kecuali :
Select one:
a. Parameter penentu hanya satu
b. Terdiri dari n ulangan
c. Parameter penentu ada banyak
d. Setiap ulangan harus bebas satu sama lain
40. Kesalahan akibat menerima Ha, padahal sesungguhnya Ho yang benar disebut:
Select one:
a. Keputusan statistik
b. Uji hipotesis
c. Salah jenis 1
d. Salah jenis 2
Bagian Pertama
Pilihlah satu jawaban yang paling benar!
1. Ukuran-ukuran tertentu yang mendeskripsikan karakteristik suatu populasi, yang nilai

sesungguhnya umumnya tidak diketahui dengan pasti dinamakan:
A. Statistik C. Variabel
B. Parameter D. Konstante
2. Ukuran-ukuran tertentu yang nilainya diperoleh dari sampel dinamakan:

3. Cabang Statistika yang mempelajari tentang peringkasan data yang diperoleh dari suatu
kelompok objek dinamakan:
A. Statistika matematik C. Statistika deskriptif
B. Statistika terapan D. Statistika inferensi
4. Cabang Statistika yang mempelajari tentang metode untuk menggeneralisasikan hasil

temuannya terhadap kelompok objek yang lebih luas dinamakan:
5. Peranan metodologi statistika dalam penerapan metode ilmiah ialah pada tahap:
A. Penentuan tujuan C. Analisis data
B. Pengumpulan informasi D. Semuanya benar
6. Yang tergolong dalam data kualitatif ialah:

A. Data nominal dan ordinal
B. Data interval dan rasio
C. Data diskret dan kontinu
D. Data kategorik dan numerik
7. Yang tergolong dalam data kuantitatif ialah:

8. Contoh data diskret di antara yang tersebut di bawah ini yaitu:

A. Lama hidup tikus pwercobaan yang telah diangkat kelenjar anak ginjalnya
B. Curah hujan tahunan di Kota Jakarta
C. Jumlah motor yang diparkir setiap hari di halaman kampus Gunadarma Pondokcina
D. Biaya hidup rata-rata bulanan mahasiswa Gunadarma
9. Contoh data kontinu di antara yang tersebut di bawah ini yaitu:

A. Jumlah gigi sehat tanpa karies pada anak TK
B. Banyak peluru kendali yang ditembakkan pasukan koalisi per hari selama Perang Teluk I
C. Nilai tes esai bahasa Inggris mahasiswa
D. Jumlah kematian akibat kecelakaan lalu lintas per bulan di jalan tol Jagorawi
10. Data yang diperoleh langsung dari subjek yang ingin diketahui karakteristiknya dinamakan:
A. Data diskret C. Data primer
B. Data rasio D. Data sekunder
11. Data yang diperoleh dari pihak ketiga, yang biasanya telah dikumpulkan sebelumnya untuk
keperluan lain dari subjek yang hendak dipelajari dinamakan:
12. Luas lantai berbagai tipe rumah disebuah real estate merupakan contoh data:
A. Nominal C. Interval
B. Ordinal D. Rasio
13. Hasil pengukuran IQ ( intelligence quotient ) merupakan contoh data:

B. Ordinal D. Rasio
14. Jumlah halaman pada buku-buku di sebuah perpustakaan merupakan contoh data:
A. Ordinal dan diskret C. Rasio dan diskret
B. Ordinal dan kontinu D. Rasio dan kontinu
15. Nilai IPK mahasiswa semester akhir Gunadarma merupakan contoh data:
16. Contoh di bawah ini merupakan data berskala ordinal, kecuali:

A. Jenis kelamin subjek
B. Kelompok usia subjek
C. Golongan kepangkatan pada PNS
D. Status social-ekonomi responden
Bagian Pertama
1. Jarak antara kelas yang satu dengan kelas lainnya secara berurutan pada tabel distribusi
frekuensi dinamakan:
A. Rentang
B. Interval kelas
C. Limit kelas (class limit)
D. Batas kelas (class boundary)
2. Array adalah:
A. Kumpulan data yang sudah di urutkan dari yang terkecil ke yang terbesar
B. Kumpulan data yang telah disusun dalam bentuk distribusi frekuensi
C. Kumpulan data yang memiliki lebih daripada satu modus
D. Semuanya salah
3. Misalkan dari suatu survei diperoleh data sebanyak 200 item. Apabila akan dibuat distribusi
frekuensinya, jumlah kelas menurut aturan Sturges adalah:
A. 5
B. 7
C. 9
D. 12
4. Jika untuk soal No. 3 di atas diketahui pula nilai minimum Xmin = 35 dan nilai
maksimum max X =164, maka interval kelas adalah:
A. 14
B. 15
C. 18
D. 19
5. Sebuah tabel yang lengkap sekurang-kurangnya terdiri atas:

A. Judul tabel, stub, body , sumber.
B. Judul tabel, stub, body , jumlah.
C. Judul tabel , stub, column caption, body .
D. Judul tabel, column caption, body, sumber.
6. Tabel yang baik ialah tabel yang:

A. bersifat self − explanatory.
B. sederhana
C. bersifat self − explanatory dan sederhana.
D. bersifat self − explanatory dan kompleks.
7. Data yang tersusun dalam bentuk distribusi frekuensi dapat disajikan dalam bentuk grafik
berikut, kecuali:
A. Histogram
B. Diagram tebar
C. Diagram batang
D. Diagram lingkar
8. Ogive adalah:
A. Poligon frekuensi untuk frekuensi kumulatif
B. Histogram untuk distribusi frekuensi relatif
C. Diagram batang untuk distribusi frekuensi mutlak
D. Semuanya salah
9. Diagram batang terutama dianjurkan penggunaannya untuk:

A. Data kategorik nominal
B. Data kategorik ordinal
C. Data numerik yang dikategorisasikan
D. Semuanya salah
10. Secara konseptual, diagram ‘batang-daun-daun’ (stem-and-leaf) merupakan perpaduan

antara penyajian data secara numerik dengan:
A. Histogram
B. Diagram kotak
C. Piktogram
D. Diagram lingkar
11. Dari grafik di bawah ini dapat disimpulkan bahwa: Diagram. Jumlah penjualan komputer
di Toko A, B, dan C Agustus 2000
A. Jumlah penjualan di Toko B kurang lebih dua kali penjualan di Toko A.
B. Jumlah penjualan di Toko A kurang lebih sepertiga penjualan di Toko C.
C. A) dan B) benar.
D. A) dan B) salah.
Bagian Pertama
1. Ukuran-ukuran berikut merupakan ukuran pusat sekaligus ukuran
lokasi, kecuali:
A. Rerata (mean) C. Variansi
B. Median D. Modus
2. Jumlah seluruh angka data dalam kelompoknya dibagi dengan

banyaknya data disebut:
A. Rerata hitung (arithmetic mean)
B. Rerata geometrik (geometric mean)
C. Rerata harmonik (harmonic mean)
D. Rerata terpangkas (trimmed mean)
3. Jika deviasi suatu nilai terhadap tiap observasi lainnya dijumlahkan, dan hasil
penjumlahannya sama dengan nol, maka nilai tersebut adalah nilai:
A. Rerata C. Modus
B. Median D. Semuanya salah
4. Jika setengah di antara seluruh observasi nilai-nilainya lebih kecil daripada suatu nilai
tertentu, dan setengah observasi lainnya nilainilainya lebih besar daripada nilai tertentu
tersebut, nilai tertentu itu adalah nilai:
A. Rerata C. Modus
B. Median D. Rerata harmonik.
5. Keunggulan rerata (mean) antara lain yaitu:

A. Tidak dipengaruhi oleh data ektrim
B. Dapat digunakan untuk menentukan ukuran pusat data kategorik
C. A) dan B) benar
D. A) dan B) salah
6. Keunggulan median antara lain yaitu:

C. A) dan B) benar
D. A) dan B) salah
7. Salah satu kelemahan modus yaitu:

A. Tidak dapat digunakan untuk data kuantitatif
B. Sangat peka terhadap data ekstrim
C. Tidak dapat dihitung untuk data berkelompok dengan kelas terbuka
D. Tidak semua kumpulan data memiliki modus
8. Pernyataan berikut yang tidak benar mengenai konsep kuantil (fraktil):

A. Kuartil II = median C. Desil 3 = kuartil I
B. Persentil 75 = kuartil III D. Desil 1 = persentil 10
Bagian Kedua
Untuk soal nomor 1 s.d. 6:
Diketahui data hasil ujian Ilmu Alamiah Dasar sekelompok
mahasiswa sebagai berikut:
72, 86, 63, 59, 74, 67, 74, 77, 63, 74, 82, 67
1. Rerata-nya mean ialah:

A. 71.50 C. 74.00
B. 73.00 D. 78.00
2. Mediannya adalah:
A. 71.50 C. 74.00
B. 73.00 D. 78.00
3. Modusnya yaitu:
A. 71.50
B. 73.00
C. 74.00
D. 78.00
4. Kuartil I dan kuartil III masing-masing adalah:

i
i
∑xi
A. 63 dan 77 C. 65 dan 75.5
B. 63 dan 79.5 D. 67 dan 82
5. Rentang-nya (rentang) adalah:

A. 22.5 C. 25
B. 24 D. 27
Untuk soal No. 10 s.d. 14:

Misalkan dimiliki data berikut: n = 5 x = 66
i xi x
2
i
1 . . . 2500
2 75 . . .
3 64 . . .
4......
5 . . . 6400
∑xi = . . .
∑x
2=...
∑x
2
=...
10.
∑ xi =
i1
A. 330 C. 63 800
B. 22 342 D. 108 900
n
11. 2
i1
A. 330 C. 63 800
B. 22 342 D. 108 900
n
2
12. ∑ xi =
i1
A. 330 C. 63 800
B. 22 342 D. 108 900
Bagian Pertama
8. Pernyataan berikut yang tidak benar mengenai konsep kuantil(fraktil):
9. Rentang inter-kuartil (inter-quartile range) adalah:

A. Kuartil IV - kuartil 0 C. Kuartil III – kuartil II
B. Kuartil IV – kuartil II D. Semuanya salah
10. Penyebaran data dapat dinilai dari ukuran berikut, kecuali:
A. Rentang inter-kuartil C. Standar deviasi
B. Deviasi mutlak rata-rata D. Kemencengan
11. Variansi (data tak berkelompok) bagi populasi berhingga adalah:

A. Rata-rata deviasi data observasi terhadap rerata-nya
B. Rata-rata kuadrat deviasi data observasi terhadap rerata-nya
C. Kuadrat rata-rata deviasi data observasi terhadap rerata-nya
D. Akar rata-rata kuadrat deviasi data observasi terhadap rerata-nya
12. Ukuran variansi yang terbaik untuk membandingkan variasi berat badan dan variasi
tinggi badan adalah:
A. Rentang C. Standar deviasi
B. Rentang inter-kuartil D. Koefisien variasi
13.
A. Selalu lebih besar daripada nol
B. Selalu sama dengan nol
C. Dapat lebih kecil daripada nol
D. Semuanya salah
14.
A. 0 C.
B. D. Semuanya salah
15. Himpunan data 1 X , 2 X , . . . , n X memiliki rerata (mean) sama dengan 5, maka

himpunan data ( 1 X + 25), ( 2 X + 25), . . . , ( n X + 25) akan memiliki rerata:
A. X = 5 C. X = 30
B. 5 < X < 30 D. X > 30
16. Himpunan data 1 X , 2 X , . . . , n X memiliki standar deviasi sama dengan 8, maka
himpunan data ( 1 X + 20), ( 2 X + 20), . . . , ( n X + 20) akan memiliki standar deviasi:
A. SD = 8 C. SD = 28
B. 8 < SD < 28 D. SD > 28
17. Himpunan data 1 X , 2 X , . . . , n X memiliki standar deviasi sama dengan 8, maka

himpunan data 2 1 X , 2 2 X , . . . , 2 n X akan memilki standar deviasi:
A. SD =16 C. SD = 56
B. 16 < SD < 56 D. SD > 56
18. Peringkasan data secara grafikal yang menampilkan nilai-nilai kuartil I, median, dan
kuartil III didapatkan pada:
A. Diagram batang-daun-daun C. Diagram titik
B. Diagram kotak D. Semuanya benar
19. Diagram kotak antara lain berguna untuk:

A. Menilai simetris atau tidaknya sebaran data
B. Menilai ada tidaknya data pencilan
C. Keduanya benar
D. Keduanya salah
20. Data pencilan (outlier) adalah:

A. Data yang nilainya lebih kecil daripada ‘pagar bawah’
B. Data yang nilainya lebih besar daripada kuartil ketiga ditambah dengan satu
setengah kali rentang inter-kuartil
C. Data yang nilainya lebih besar daripada ‘nilai perbatasan atas’
D. Semuanya benar

1. Probabilitas adalah:
A. Rasio antara banyaknya cara suatu peristiwa dapat terjadi dengan
jumlah keseluruhan peristiwa yang sama kemungkinannya untuk
terjadi.
B. Proporsi banyak kalinya suatu peristiwa terjadi pada sejumlah besar
percobaan berulang dengan kondisi identik.
C. A) dan B) benar.
D. A) dan B) salah.
2. Jika diketahui di antara 2,056 kelahiran hidup tercatat adanya 1,056 bayi lakilaki, maka
probabilitas untuk mendapatkan bayi perempuan adalah:
A. 0.486 C. 0.947
B. 0.514 D. Tak dapat dihitung
3. Contoh peristiwa saling asing di antara peristiwa berikut yaitu:

A. Peristiwa seorang pasien dinyatakan memiliki tingkat kesadaran apatis
dan somnolen pada sekali pemeriksaan oleh seorang pemeriksa.
B. Peristiwa seorang ibu melahirkan bayi laki-laki pada kehamilanpertama dan
keduanya.
C. Keduanya benar.
D. Keduanya salah.
4. Contoh peristiwa independen di antara peristiwa berikut yaitu:

A. Peristiwa seorang pasien dinyatakan memiliki tingkat kesadaran
apatis dan somnolen pada sekali pemeriksaan oleh seorang
pemeriksa.
B. Peristiwa seorang ibu melahirkan bayi laki-laki pada kehamilan
pertama dan keduanya.
C. Keduanya benar.
D. Keduanya salah.
5. Hukum penjumlahan dalam probabilitas berlaku bagi:

A. Peristiwa independen C. A) dan B) benar.
B. Peristiwa saling-asing D. A) dan B) salah.
6. Jika P (A) = 0.2 dan P (B) = 0.5, maka hukum penjumlahan menyatakan:
A. P (A B) = 0.10 C. P (A B) = 0.7
B. P (A B) = 0.10 D. P (A B) = 0.7
7. Hukum perkalian dalam probabilitas berlaku bagi:

A. Peristiwa independen C. A) dan B) benar.
B. Peristiwa saling-asing D. A) dan B) salah.
8. Jika P (A) = 0.3 dan P (B) = 0.4, maka hukum perkalian menyatakan:
A. P (A B) = 0.12. C. P (A B) = 0.7
B. P (A B) = 0.12 D. P (A B) = 0.7
9. Jika peristiwa A dapat terjadi dengan 6 cara dan peristiwa B dengan 2 cara,
maka aturan banyaknya cara menyatakan peristiwa A dan B dapat terjadi
dalam:
A. 3 cara C. 12 cara
B. 8 cara D. Semuanya salah
10. Area berwarna gelap pada diagram Venn di bawah ini menyatakan:
A. A
B
C C
C
C
C. B C A
CC
B. C A B D. B C B C A
11. Kelompok seni drama Gunadarma yang beranggotakan 12 orang akan memilih tiga orang
anggotanya untuk tampil dalam pentas, masingmasing untuk berperan sebagai dokter, perawat,
dan bidan. Banyaknya kelompok tiga orang anggota yang mungkin dipilih adalah:
A. 15 C. 220
B. 36 D. 1,320
12. Rumah Sakit Sukasehat membutuhkan lima orang perawat baru. Jika
ada sepuluh perawat yang melamar, maka banyak susunan lima
perawat yang mungkin diterima adalah:
A. 15 C. 252
B. 50 D. 30,240
13. Sebuah dadu dan sebuah mata uang, keduanya setimbang, dilemparkan
bersama-sama. Probabilitas untuk mendapatkan angka genap pada dadu
dan sisi muka mata uang bersama-sama adalah:
A. 1
6
B. 1
4
C. 5
6
D. 1
10.
A. 330 C. 63 800
B. 22 342 D. 108 900
11.
A. 330 C. 63 800
B. 22 342 D. 108 900
12.
A. 330 C. 63 800
B. 22 342 D. 108 900
13.
A. 330 C. 63 800
B. 22 342 D. 108 900
14. s =
A. 10.6 C. 112.4
B. 11.9 D. 140.5

1. Misalkan dimiliki data nilai ujian statistika tiga kelas A,
B, dan C. Apabila dilakukan 3 kali uji kesamaan 2 rerata
dengan uji t (multiple t-test;; A vs B, A vs C, dan B vs C),
masing-masing dengan tingkat signifikansi α = 0.05, maka
probabilitas untuk sekurang-kurangnya mendapatkan
satu kali kesalahan tipe I adalah:
A. 0.05 C. 0.053
B. 3 × 0.05 D. 1 – 0.953
2. Untuk menguji hubungan antara variabel independen

kategorik dengan variabel dependen kontinu / numerik,
metode statistika yang dianjurkan penggunaannya adalah:
A. Analisis variansi
B. Analisis regresi linear
C. Analisis regresi logistik.
D. Uji khi-kuadrat Pearson.
3. Pada analisis variansi terhadap suatu himpunan data, akan
diperoleh kesimpulan yang mengarah pada adanya
perbedaan nilai rerata (mean) antar kelompok perlakuan,
jika :
A. Variansi antar-kelompok dan variansi dalam kelompok besar.
B. Variansi antar-kelompok dan variansi dalam kelompok kecil.
C. Variansi antar-kelompok besar dan variansi dalam kelompok kecil.
D. Variansi antar-kelompok kecil dan variansi dalam kelompok besar.
4. Pada uji ANOVA, variansi dalam-kelompok (within group) diestimasi oleh:

A. Jumlah kuadrat perlakuan (treatment sum of squares).
B. Kuadrat rerata perlakuan (treatment mean square).
C. Jumlah kuadrat galat (error sum of squares).
D. Kuadrat rerata galat (error mean square).

Sebuah pabrik benang mempunyai lima mesin pintal A, B, C, D, dan E yang diharapkan dapat
menghasilkan benang yang memiliki kekuatan sama. Untuk memeriksanya, diambil sampel
acak masing-masing 6 potong benang dari hasil produksi tiap mesin. Pemeriksaan kekuatannya
menghasilkan data sebagai berikut:
Mesin
A B C D E
4.2 3.9 4.1 3.6 3.8
4.1 3.8 4.0 3.9 3.6
4.2 3.7 4.2 3.5 3.9
4.3 3.8 4.0 4.0 3.5
4.4 3.6 4.1 4.1 3.7
4.0 3.5 3.8 3.8 3.6
5. Hipotesis nol dan hipotesi alternatif analisis variansi ini

dirumuskan sebagai:
A. H0: 1 2 3 4 5 µ µ µ µ µ = = = =
H1: 1 2 3 4 5µ µ µ µ µ ≠ ≠ ≠ ≠
B. H0: 1 2 3 4 5µ µ µ µ µ = = = =
H1: Semua 1µ , i = 1, 2, 3, 4, 5, tidak sama
C. H0 : 1 2 3 4 5 µ µ µ µ µ = = = =
H1 : Tidak semua 1 µ , i = 1, 2, 3, 4, 5, sama
D. H0 : 1 2 3 4 5 µ µ µ µ µ = = = =
H1 : Tidak semua 1 µ = 0, i = 1, 2, 3, 4, 5
6. JKT sama dengan:

A. 1.2444 C. 4.2144
B. 1.8470 D. 4.4124
7. JKG sama dengan:

A. 6.8 C. 0.68
B. 9.5 D. 0.95
Dengan menggunakan SPSS, analisis variansi 1-arah menghasilkan tabel berikut:

ANOVA
KEKUATAN
Sum of Squares df Mean Square F Sig.
Between Groups 1.169 4 .292 10.768 .000
Within Groups .678 25 .027
Total 1.847 29
8. Berdasarkan nilai statistik penguji, tersebut maka

terhadap H0: 1 2 3 4 5µ µ µ µ µ = = = = disimpulkan bahwa:
A. H0 diterima pada α = 0.01
B. H0 diterima pada α = 0.05
C. H0 ditolak pada α = 0.10
D. Semuanya salah.

Ibu Leoni menyatakan pendapatnya bahwa siswa pada berbagai tingkatan sekolah dan
mahasiswa menghabiskan waktu sama banyaknya untuk menonton acara TV. Untuk
membuktikan pendapatnya ia mengambil sampel acak beberapa siswa SMP, SMU, dan
mahasiswa, serta menanyakan berapa menit mereka menonton TV sejak pulang sekolah /
kuliah sampai dengan waktu tidur setiap hari. Diperoleh data berikut:
Siswa SMP Siswa SMU Mahasiswa
459 115 272
311 153 88
152 201 374
293 30 178
9. JKT (Jumlah Kuadrat Total; Total Sum of Squares) adalah:
A. 12,037.28 C. 108,335.5
B. 64,586.17 D. 172, 921.67
10. JKP (Jumlah Kuadrat Perlakuan; Treatment Sum of Squares) adalah:

A. 12,037.28 C. 108,335.5
B. 64,586.17 D. 172, 921.67
11. KRG ( Jumlah Kuadrat Galat; Error Mean Squares)

adalah:
A. 12,037.28 C. 108,335.5
B. 64,586.17 D. 172, 921.67
Dengan TK_PEND (tingkat pendidikan) sebagai faktor dan JAM_BELAJAR sebagai variabel
dependen, diperoleh hasil analisis variansi 1-arah SPSS sebagai berikut:
ANOVA
JAM_BELAJAR
Sum of Squares df Mean Square F Sig.
Between Groups 64586.167 2 32293.083 2.683 .122
Within Groups 108335.500 9 12037.278
Total 172921.667 11
12. Untuk uji hipotesis H0: 1 2 3 µ µ µ = = , statistik pengujinya adalah:

A. 0.37 C. 1.68
B. 0.60 D. 2.69
13. Dengan tingkat signifikansi α = 0.05, diperoleh kesimpulan:

A. Terdapat perbedaan lama menonton TV antar siswa SMP, SMU, dan mahasiswa yang
bermakna.
B. Ditemukan perbedaan lama menonton TV antar siswa SMP, SMU, dan mahasiswa yang
bermakna secara statistik.
C. Tidak ditemukan perbedaan lama menonton TV antar siswa SMP, SMU, dan
mahasiswa yang bermakna secara statistik.
D. Semuanya salah.

Untuk soal nomor 1 s.d 7:
Pada tabel di bawah ini disajikan data prospektif dari Program Jantung Honolulu (1986), yang
menunjukkan distribusi silang status merokok dan kejadian stroke pada 7,872 orang anggota
populasi.
Perokok Stroke
Ya Tidak
Ya 171 3,264
Tidak 117 4,320
1. Nilai rasio odds (odds ratio) adalah:

A. OR = 0.52 C. OR = 1.89
B. OR = 0.53 D. OR = 1.93
2. Nilai rasio risiko (risk ratio) adalah:
A. RR = 0.52 C. RR = 1.89
B. RR = 0.53 D. RR = 1.93
3. Untuk mengkaji ada tidaknya hubungan antara kebiasaan merokok dengan kejadian stroke
dengan uji khi-kuadrat, hipotesis yang diuji sehubungan dengan nilai rasio imbangan ialah:
A.H0: OR < 1 vs
H1: OR > 1
B.H0 : OR = 1 vs
H1: OR 1
C. H0: OR > 1 vs
H1: OR < 1
D. Semuanya salah.
4. Dengan tingkat signifikansi = 0.05, daerah kritis uji hipotesis

ini adalah:
A.2 > 3.84 C.2 > 9.49
B.2 > 5.02 D.2 > 11.14
5. Statistik penguji pada uji khi-kuadrat untuk data di atas adalah:

A.2 uji= 3.82 C.2 uji= 8.44
B.2 uji= 4.86 D.2 uji= 30.11
6. Pada tingkat signifikansi = 0.05, kesimpulan uji hipotesis ini

adalah:
A. Ditemukan asosiasi yang bermakna secara statistik antara kebiasaan merokok dengan
kejadian stroke.
B. Tidak ditemukan asosiasi yang bermakna secara statistik antara kebiasaan merokok dengan
kejadian stroke.
C. Kebiasaan merokok merupakan faktor risiko yang bermakna secara statistik bagi
kejadian stroke.
D. Kebiasaan merokok merupakan faktor preventif yang bermakna secara statistik bagi
kejadian stroke.
7. Berdasarkan hasil uji hipotesis dan nilai rasio odds, kesimpulan
yang diperoleh adalah:
A. Ditemukan asosiasi yang bermakna secara statistik antara kebiasaan merokok dengan
kejadian stroke.
B. Tidak ditemukan asosiasi yang bermakna secara statistik antara kebiasaan merokok dengan
kejadian stroke.
C. Kebiasaan merokok merupakan faktor risiko yang bermakna secara statistik bagi kejadian
stroke.
D. Kebiasaan merokok merupakan faktor preventif yang bermakna secara statistik bagi
kejadian stroke.

Tabel berikut memperlihatkan ringkasan data Studi Jantung Framingham, yaitu hubungan
antara kadar kolesterol serum (dalam mg/100 ml) dengan kejadian PJK (penyakit jantung
koroner).
Kadar Kejadian PJK
kolesterol serum Ya Tidak
> 260 10 26
220-259 11 68
< 220 24 70
8. Dengan tingkat signifikansi = 0.05, daerah kritis pada uji khi kuadrat untuk data di atas
ialah:
A.2 > 5.99 C.2 > 12.59
B.2 > 7.38 D.2 > 14.45
9. Statistik penguji pada uji khi-kuadrat untuk data di atas besarnya
adalah:
A. 0.68 C. 6.76
B. 4.43 D. 13.56
10. Pada tingkat signifikansi = 0.05, kesimpulan yang diperoleh pada uji khi-kuadrat
terhadap data di atas ialah:
A. Ditemukan asosiasi yang bermakna secara statistik antara kadar kolesterol serum dengan
kejadian PJK.
B. Tidak ditemukan asosiasi yang bermakna secara statistik antara kadar kolesterol serum
dengan kejadian PJK.
C. Kadar kolesterol serum di atas 260 mg/100 ml merupakan faktor risiko yang bermakna
secara statistik bagi kejadian PJK
D. Semuanya salah.

Data pada tabel berikut menunjukkan hubungan antara macam nutrisi bayi (ASI atau PASI)
dengan status gigi geliginya (normal atau mal-oklusi).
Macam Status gigi bayi
nutrisi bayi Normal Mal-oklusi
ASI 4 16
PASI 1 20
11. Uji statistik yang relevan bagi data di atas untuk mengkaji hubungan antara macam nutrisi
bayi dengan status gigi geligi adalah:
A. Uji t C. Uji eksak Fisher
B. Uji khi-kuadrat D. Semuanya salah.
12. Nilai rasio odds untuk data pada tabel di atas adalah:
A. OR = 0.20 C. OR = 3.20
B. OR = 0.31 D. OR = 5.00
Bagian Pertama
1. Misalkan dimiliki garis regresi Yˆ b b X , dan r menyatakan I 0 1 I koefisien korelasi
X dengan Y:
A. Jika r = 0, maka b 0
B. Jika r = −1, maka b = −1
C. Jika r 1 , maka b 1
D. Yang benar lebih daripada satu.
2.
Kedua gambar di atas menunjukkan diagram tebar dan garis regresi 2
sampel data bivariat, masing-masing dengan estimasi garis regresi
Yˆ a b X dan koefisien korelasi r serta garis regresi Yˆ a bX
11122
dan koefisien korelasi r . Jika kedua diagram dibuat dengan skala
pengukuran yang sama, maka:
A. b b dan r r C. b b dan r r
1212 1212
B. b b dan r r D. b b dan r r
1212 1212
3. Misalkan dimiliki 2 himpunan data bivariat, masing-masing dengan

estimasi garis regresi Yˆ a b X dan koefisien korelasi r serta garis regresi Yˆ a bX2
1 1 dan koefisien korelasi 1 r . Jika diketahui b b 0 , maka: 1 2
A. r 0 dan r 0 C. r r 0
B. 1 2 2 1r 0 dan r 0 D. r r 0
4. Dimiliki data bivariat dengan variabel independen X dan variable dependen Y serta estimasi
garis regresi Yˆ b b X. Jika padadiagram tebar X ;Y seluruh titik-titik Xi ;Yi 0
1 terletak pada garis regresi Yˆ b b X , maka: 0 1
A. JKR = 0 C. JKR = JKG
B. JKR =1 D. JKR = JKT
5. Dari himpunan data bivariat (X ; Y) diketahui koefisien korelasinya

r 0, maka bagi model regresi Yi b bX e berlaku:0 1 i i
A. JKR = 0 C. JKR = JKG
B. JKR =1 D. JKR = JKT
Bagian Kedua
Lihat kembali data tinggi dan berat badan mahasiswa Univesitas Gunadarma pada tabel 1
Materi Korelasi sesi 9 yang lalu. Dengan menggunakan data 12 mahasiswa pertama, Tinggi
Badan sebagai variable independen dan Berat Badan sebagai variabel dependen, maka
Sxx = ∑ 𝑋𝑖2 –(∑𝑋𝑖)2/𝑛 = 309.624 –(1.926)2/12 = 309.624 – 309.123 = 501
Syy = ∑ 𝑌𝑖2 –(∑ 𝑌𝑖)2/𝑛 = 43.517 –(711)2/12 = 43.517 – 42.126,75 = 1.390,25 (JKT)
Sxy = ∑ 𝑋𝑖𝑌𝑖 –(∑ 𝑋𝑖)(∑ 𝑌𝑖)/𝑛 = 114.406 – (1.926)(711)/12 = 114.406 – 114.115,5 = 290,5
1. Hitung nilai harapan tinggi badan kelompok tersebut (dalam cm)

berdasarkan garis regresi:
𝑋̅ = ∑ 𝑋𝑖/𝑛= 1.926/12 = 160,5
2. Hitung nilai harapan berat badan mereka (dalam kilogram):

𝑌̅ = ∑ 𝑌𝑖/𝑛= 711/12 = 59,25
3. Jika garis regresi berat badan terhadap tinggi badan dinyatakansebagai Yˆ 0 1X

dengan variabel Y menyatakan berat badan danvariabel X menyatakan tinggi badan, hitung
estimasi 0 :𝛽0 = 𝑌̅ - 𝛽1𝑋̅ = 59,25 – (0,58)(160,5) = 59,25 – 93,09 = -33,84
4. Estimasi 1 adalah: 𝛽1 = 𝑆𝑥𝑦/𝑆𝑥𝑥= 290,5/501= 0,58
5. Jumlah kuadrat regresi adalah: JKR = 𝛽1Sxy = (0,58)(290,5) = 168,49
6. Jumlah kuadrat galat adalah: JKG = JKT – JKR = 1.390,25 - 168,49 = 1.221,76
7. Untuk subjek berusia 50 tahun, taksiran berat badannya (dalam kg) berdasarkan garis regresi
adalah: (salah soal)
𝑌̂ = 𝛽0 + 𝛽1𝑋𝑖 = -33,84 + 0,58𝑋𝑖 = -33,84 + (0,58)(50) = -33,84 + 29 = -4,84

Diketahui: X = 7 Y = 34 n=8
∑ X 2 = 400 ∑ XY = 1, 931 ∑Y 2 = 9,576
1. ∑( X − X )2 =
A. 8
B. 27
2. ∑(Yi −
A. 8 C. 136
B. 27 D. 328
3. ∑( Xi − i
A. 8
B. 27
4. Dengan pembagi (n − 1), Var( X ) adalah:

A. 1.14 C. 19.43
B. 3.86 D. 46.26
5. Dengan pembagi (n − 1), Var (Y ) adalah:

A. 1.14 C. 19.43
B. 3.86 D. 46.86
6. Koefisien korelasi r adalah:

A. 0.45 C. 0.61
B. 0.53 D. 0.72
7. Jika r menyatakan koefisien Pearson antara variabel X dan Y dan diketahui r < 0, maka:
A. Untuk nilai X yang besar, nilai Y juga cenderung besar.
B. Untuk nilai X yang besar, nilai Y cenderung kecil.
C. Untuk nilai X yang kecil, nilai Y cenderung besar
D. B) dan C) benar.
8. Misalkan dimiliki himpunan data bivariat ( X 2 − Y2 ) , . . . , ( X 8 − Y8 ) dan r menyatakan
koefisien korelasi X dengan Y. Jika gambaran titik-titik data tersebut pada diagram
tebar (scatter diagram) membentuk titik-titik sudut segi delapan beraturan, maka:
A. r > 0 C. r < 0
B. r = 0 D. Semuanya salah.
9. Dimiliki data usia (dalam tahun) dan tekanan darah sistolik (dalam mm Hg) kelompok subjek
yang terdiri dari enam orang dewasa sebagai berikut:
Subjek (i) 1 2 3 4 5 6
Usia ( Xi ) 47 52 37 53 65 59
Tekanan darah (Yi ) 135 110 140 120 150 180
Koefisien korelasi antara usia dengan tekanan darah sistolik subjek adalah:
A. 0.122 C. 0.910
B. 0.349 D. 0.954
10. Data berikut menyatakan nilai tes keterampilan (X) dan produktivitas kerja per
minggu (Y) 8 orang karyawan.
Siswa (i) 1 2 3 4 5 6 7 8
Tes keterampilan ( Xi ) 6 9 3 8 7 5 8 10
Produktivitas kerja (Yi ) 30 49 18 42 39 25 41 52
Koefisien korelasi antara nilai tes masuk dengan nilai ujian akhir siswa adalah:
A. 0.982 C. 1.028
B. 0.991 D. 5.13
1. Ada beberapa persyaratan atau asumsi dasar yang harus terpenuhi ketika hendak
memakai analisis korelasi bivariate Pearson untuk menguji hipotesis penelitian:
A. Data penelitian untuk masing-masing variabel setidak-tidaknya berskala rasio

atau interval (yaitu data yang berbentuk angka sesungguhnya atau data metrik
(data kuantitatif). Namun demikian analisis ini bisa juga dipakai untuk data
kuesioner dengan skala likert.
B. Data untuk masing-masing variabel yang dihubungkan berdistribusi normal.
C. Terdapat hubungan yang linear antar variabel penelitian.
D. Semua jawaban benar
2. Cara yang dapat digunakan sebagai pedoman atau dasar pengambilan keputusan
dalam analisis korelasi bivariate Pearson yaitu :
A. melihat nilai signifikansi Sig. (2-tailed).
B. membandingkan nilai r hitung (Pearson Correlations) dengan nilai r tabel
product moment.
C. melihat tanda bintang (*) yang terdapat pada output program SPSS.
3. Koefisien korelasi atau Pearson Correlations memiliki nilai paling kecil -1 dan
paling besar adalah 1. Pernyataan yang benar adalah :
A. Semakin nilai pearson correlations mendekati 1 atau -1 maka hubungan antara
dua variabel adalah semakin kuat.
B. Jika nilai r atau pearson correlations mendekati 0 berarti hubungan dua
variabel menjadi semakin lemah.
C. jika angka korelasi di atas 0,5 maka menunjukkan korelasi yang cukup kuat
sedangkan jika di bawah 0,5 maka menunjukkan korelasi yang lemah.
dalam analisis korelasi bivariate Pearson antara lain menggunakan Nilai
Signifikansi Sig. (2-tailed):
A. Jika nilai Sig. (2-tailed) < 0,05 maka terdapat korelasi antar variabel yang
dihubungkan.
B. Jika nilai Sig. (2-tailed) > 0,05 maka tidak terdapat korelasi.
C. Jawaban A dan B benar
D. Jawaban A dan B salah
dalam analisis korelasi bivariate Pearson antara lain menggunakan Nilai r hitung
(Pearson Correlations):
A. Jika nilai r hitung > r tabel maka tidak ada korelasi antar variabel.
B. Jika nilai r hitung < r tabel maka artinya ada korelasi antar variabel.
6. Persamaan matematik yang memungkinkan peramalan nilai suatu

peubah/variabel tak bebas (dependent variable) dari nilai peubah/variabel bebas
(independent variable) :
A. Persamaan normal
B. Model deterministik
C. Persamaan Regresi
D. Model probabilistik
7. Jika diketahui suatu persamaan garis (persamaan regresi linier) Y = 4+ 0,35 X

maka yang dimaksud dengan nilai “ 4” pada persamaan tersebut adalah :
A. Variabel bebas
B. Nilai X pada saat Y= 0
C. Slope atau kemiringan garis
D. Variabel tidak bebas
8. Diketahui suatu persamaan garis (persamaan regresi linier sederhana)

Y = 4+ 0,35 X
Pernyataan yang benar adalah :
A. Jika X naik sebesar satu unit maka nilai Y turun sebesar 0,35 unit
B. Jika X turun sebesar satu unit maka nilai Y turun sebesar 0,35 unit
C. Jika X turun sebesar satu unit maka nilai Y naik sebesar 0,35 unit
D. Jika X naik sebesar satu unit maka nilai Y naik sebesar 4 unit
9. Diketahui suatu persamaan garis (persamaan regresi linier) yang dinyatakan

sebagai Y = 4+ 0,35 X
Dimana:
X = biaya promosi minuman kemasan botol 600 ml “AIRKU” (dalam juta rupiah)
Y = volume penjualan minuman kemasan botol 600 ml “AIRKU” (dalam ribuan
karton isi 24 botol)
Jika dikeluarkan biaya promosi sebesar 10 juta rupiah, maka diperkirakan

volume penjualan nya sebesar :
A. 7,5 (dalam ribuan karton isi 24 botol)
B. 3,5 (dalam ribuan karton isi 24 botol)
C. 3,5 (dalam juta rupiah)
D. 7,5 (dalam juta rupiah)
10. Diketahui suatu persamaan garis (persamaan regresi linier) yang dinyatakan
sebagai Y = 4+ 0,35 X
Dimana
X = biaya promosi minuman kemasan botol 600 ml “AIRKU” (dalam juta rupiah)
Y = volume penjualan minuman kemasan botol 600 ml “AIRKU” (dalam ribuan
karton isi 24 botol)
Besarnya volume penjualan (Y) pada persamaan Y = 4+ 0,35 X menunjukkan :

A. Volume penjualan yang bersifat perkiraan (peramalan)
B. Volume penjualan yang pasti terjadi
C. Volume penjualan saat ini
D. Jawaban A, B dan C semua salah.
11. Ukuran kekuatan (atau keeratan) dan arah hubungan linier peubah X dan Y
dinyatakan oleh :
A. Koefisien Korelasi Linier (R)
B. Koefisien Korelasi non linier
C. Koefisien Determinasi (Rsquare)
D. Gradien atau Kemiringan Garis
12. Ukuran proporsi keragaman total nilai variabel tak bebas Y yang dapat dijelaskan
oleh nilai variabel bebas X melalui hubungan liniernya :
A. Koefisien Determinasi (Rsquare)
B. Koefisien yang menunjukkan besarnya pengaruh variabel X terhadap variabel
Y
C. Jawaban A dan B salah
D. Jawaban A dan B benar
13. Koefisien korelasi linier dari persamaan regresi linier sederhana bernilai 0.90, hal
ini menggambarkan hubungan kedua variabel (yaitu X dan Y) yang :
A. Positif (searah) dan tinggi (kuat)
B. Positif (searah) dan rendah (lemah)
C. Negatif (tidak searah) dan tinggi (kuat)
D. Negatif (tidak searah) dan rendah (lemah)
14. Koefisien korelasi linier dari persamaan regresi linier sederhana bernilai 0.90.
maka koefisien determinasinya bernilai :
A. 0,81 atau 81% hal ini menggambarkan bahwa pengaruh variabel X terhadap
Y adalah besar
B. 0,18 atau 18% hal ini menggambarkan bahwa pengaruh variabel X terhadap
Y adalah sangat kecil
C. 90 % hal ini menggambarkan bahwa pengaruh variabel X terhadap Y adalah
D. Tidak dapat disimpulkan
15. Pernyataan yang benar mengenai analisis independent sample t test :
A. Untuk variabel bebas yang memiliki 2 kategori, maka uji statistik yang cocok
digunakan adalah uji beda t-test.
B. Merupakan analisis yang digunakan untuk menguji dua rata-rata dari dua
sampel yang saling independen atau tidak berkaitan.
C. Uji dua sampel untuk mengetahui apakah ada perbedaan rata-rata (mean)
antara dua populasi, dengan melihat rata-rata dua sampelnya.
16. Diketahui rata-rata jam kerja karyawan laki-laki 3,25 jam sedangkan rata-rata jam
kerja karyawan perempuan 4,10 jam.
Untuk melihat apakah terdapat perbedaan kedua rata rata tersebut memang nyata
(signifikan) secara statistik maka perlu dilihat analisis output dari Independent
sample t-test, yaitu :
A. Menguji dahulu asumsi apakah variance populasi kedua sampel tersebut (laki-
laki dan perempuan) adalah sama (equal variance assumed) ataukah berbeda
(equal variances not assumed)
B. Melihat nilai t-test untuk menentukan apakah terdapat perbedaan nilai rata-rata
secara nyata (signifikan) atau tidak
C. Jawaban A dan B SALAH
D. Jawaban A dan B BENAR
17. Diketahui :
H0: Varians populasi jam kerja antara karyawan laki-laki dengan karyawan
perempuan adalah sama
perempuan adalah berbeda
Hasil analisis uji beda (t-test) harus menggunakan asumsi equal variance
assumed. Nilai t pada equal variance assumed sebesar 0,597 dengan
probabilitas signifikansi 0,555 (0,555>0,05) (two tail). Keputusan yang benar
adalah:
A. Tolak H0
B. Terima H1
C. Terima H0
D. Tidak dapat diputuskan
18. Diketahui :
perempuan adalah sama
perempuan adalah berbeda
Hasil analisis uji beda (t-test) harus menggunakan asumsi equal variance
assumed. Nilai t pada equal variance assumed sebesar 0,597 dengan
probabilitas signifikansi 0,555 (0,555>0,05) (two tail). Jadi dapat disimpulkan
bahwa rata-rata masa kerja karyawan laki-laki dengan karyawan perempuan
adalah :
A. sama (berbeda secara signifikan)
B. tidak sama (berbeda secara signifikan)
C. tidak sama (tidak berbeda secara signifikan)
D. sama (tidak berbeda secara signifikan)
19. Terdapat 10 bola terdiri dari 4 bola merah dan 6 bola hitam. Pengambilan sebuah
bola dilakukan dengan pemulihan.
Peluang Bola pertama berwarna Merah= P(MERAH) = 4/10
Peluang Bola kedua berwarna Hitam= P(HITAM) = 6/10
P(HITAM MERAH) = Peluang Bola pertama Merah dan Bola kedua Hitam adalah
A. 4/10 x 6/10 = 24/100 = .6/25
B. 4/10 x 6/9 = 24/90 = 8/30
C. 4/10 + 6/9 = 10/19
D. 4/10 + 6/10 = 10/10 = 1
20. Diketahui : P(A) = 0.4, P(B) = 0.35 dan P(A dan B) = 0.5. Tentukan P(A
atau B), dimana kejadian A dan B tidak saling bebas :
A. 0.65
B. 0.6
C. 0.25
D. 0.5
21. Salah satu indikator electronic word of mouth (e-WoM) adalah aktivitas seseorang
menulis dan membaca komentar mengenai website yang dikunjunginya
Peluang seorang pengunjung menulis komentar mengenai website yang
dikunjunginya = P(Tulis) = 0.30
Peluang seorang pengunjung membaca komentar orang lain mengenai website
yang dikunjunginya = P(Baca) = 0.45
Peluang seorang pengunjung menulis DAN membaca komentar orang lain
mengenai website yang dikunjunginya = 0.18
Dari keterangan di atas, pernyataan yang BENAR adalah :
A. Kejadian Tulis dan kejadian Baca adalah kejadian-kejadian bebas
B. Kejadian Tulis dan kejadian Baca adalah kejadian-kejadian saling
berkomplemen
C. Kejadian Tulis dan kejadian Baca adalah kejadian-kejadian tidak bebas
D. Kejadian Tulis dan kejadian Baca adalah kejadian-kejadian saling terpisah
22. Salah satu indikator electronic word of mouth (e-WoM) adalah aktivitas seseorang
menulis dan membaca komentar mengenai website yang dikunjunginya
Peluang seorang pengunjung menulis komentar mengenai website yang
dikunjunginya = P(Tulis) = 0.30
Peluang seorang pengunjung membaca komentar orang lain mengenai website
yang dikunjunginya = P(Baca) = 0.45
Peluang seorang pengunjung menulis DAN membaca komentar orang lain
mengenai website yang dikunjunginya = 0.18
Peluang seorang pengunjung menulis komentar SETELAH terlebih dahulu ia
membaca komentar orang lain mengenai website yang dikunjunginya =
P(Tulis|Baca) = …
A. 0.18/0.45 = 0.4
B. 0.18/0.30 = 0.6
C. 0.30 x 0.45 = 0.135
D. 0.14
23. Kejadian TULIS adalah kejadian seorang pengunjung pengunjung menulis

komentar mengenai website yang dikunjunginya
Kejadian TIDAK TULIS adalah kejadian seorang pengunjung pengunjung tidak
menulis komentar mengenai website yang dikunjunginya
Kejadian BACA adalah kejadian seorang pengunjung pengunjung membaca
komentar orang lain mengenai website yang dikunjunginya
Kejadian TIDAK BACA adalah kejadian seorang pengunjung pengunjung tidaK
membaca komentar orang lain mengenai website yang dikunjunginya
Kejadian-kejadian yang saling berkomplemen adalah:
A. TULIS dan BACA
B. TULIS dan TIDAK TULIS
C. BACA dan TIDAK TULIS
D. TIDAK BACA dan TULIS
24. Definisi dari Peubah Acak adalah :

A. Fungsi yang mendefinisikan titik-titik contoh dalam ruang contoh sehingga
memiliki nilai berupa bilangan nyata
B. Tabel atau rumus yang mencantumkan semua kemungkinan nilai peubah acak
berikut peluangnya
C. Rata-rata dan ragam dari semua peluang titik-titik contoh dalam ruang contoh
D. D.Fungsi yang merubah titik-titik contoh dalam ruang contoh sehingga nilainya
tidak dapat diketahui
25. Definisi Distribusi (Peluang) Teoretis adalah :

A. Fungsi yang mendefinisikan titik-titik contoh dalam ruang contoh sehingga
memiliki nilai berupa bilangan nyata
B. Tabel atau rumus yang mencantumkan semua kemungkinan nilai peubah acak
berikut peluangnya
C. Rata-rata dan ragam dari semua peluang titik-titik contoh dalam ruang contoh
D. Fungsi yang merubah titik-titik contoh dalam ruang contoh sehingga nilainya
tidak dapat diketahui
26. Ciri utama Distribusi (Peluang) Seragam adalah :

A. Nilai peubah acak antara -1 sampai +1
B. Hasil percobaan hanya dapat dikelompokkan ke dalam dua kelas
C. Ulangan percobaan bersifat bebas satu dengan lainnya
D. Setiap nilai peubah acak mempunyai peluang yang sama
27. Contoh peubah acak Diskrit adalah :

A. Volume memory device yang terpakai = 4.8 GB
B. Berat laptop seri X2020 = 1920.20 gram
C. Banyak email yang diidentifikasi sebagai spam = 4 email
D. Lama pemeriksaan virus dari flashdisk = 43 detik
28. Contoh peubah acak Kontinyu adalah :

A. Terdapat 8 unit memory komputer yang harus diformat
B. Biaya retrieving (pengambilan) data dari memori komputer = $4 per 1GB
C. Banyak email yang diidentifikasi sebagai spam = 4 email
D. 10 mahasiswa mengaku sangat suka bermain game online
29. Lima programmer berpeluang sama menjadi Team Leader di suatu proyek.
Distribusi peluang teoritisnya adalah :
A. Binomial(x=3; n = 5, p = 1/3)
B. Poisson(x=3; µ = 5/3)
C. f(x; 1/k=5) untuk x = 1,2,3,4,5
D. Hipergeometrik(x=3; N=5, n = 3, k = 2)
30. Yang bukan merupakan ciri percobaan Binomial adalah :

A. Percobaan diulang n kali
B. Dilakukan tanpa pemulihan (tanpa pengembalian)
C. Hasil percobaan digolongkan ke dalam kelas Berhasil atau Gagal
D. Setiap ulangan bersifat saling bebas dengan ulangan yang lain
31. Peluang seorang gamer meng-install permainan GamesTop2020 di gadgetnya

adalah 0.40. Seandainya ditanyakan “berapakah peluang lebih dari 6 orang gamer
yang meng-install permainan GamesTop202X di gadgetnya jika suatu hari
terdapat 16 orang gamer?”, maka kejadian SUKSES dalam percobaan ini adalah
A. Terpilihnya seorang Gamer di antara pengguna internet

B. Kejadian seorang gamer meng-install GamesTop2020 di gadgetnya
C. Permainan GamesTop2020sangat menarik dan bersifat edukatif
D. Seorang gamer merasa tidak perlu menginstall permainan GamesTop202X di
gadgetnya
32. Peluang seorang gamer meng-install permainan GamesTop2020 di gadgetnya =

0.40. Jika terdapat 16 orang gamer, maka peluang lebih dari 6 orang gamer
meng-install permainan GamesTop202X di gadgetnya dapat dihitung dengan :
A. Binomial (x > 6; n = 16, p = 0.60)

B. 1 - Binomial (x < 6; n = 16, p = 0.60)
C. 1 - Binomial (x > 6; n = 16, p = 0.40)
D. Binomial (x > 6; n = 16, p = 0.40)
33. Peluang seorang gamer meng-install permainan GamesTop2020 di gadgetnya

adalah 0.4. Jika terdapat 16 orang gamer, maka Rata-Rata banyak gamer yang
meng-install permainan GamesTop2020 di gadgetnya = ...
A. 6.4
B. 4.6
C. 0,025
D. 40
34. Seorang programmer setiap hari rata-rata dapat menyelesaikan 4 sub-program.

Peluang suatu hari seorang programmer dapat menyelesaikan lebih dari 6 sub-
program adalah :
A. Binomial ( x > 6; n = 16, p = 0.67)
B. Hipergeometrik (x > 6; N = 16, n = 6, k = 10)
C. Seragam (x > 6; 1/16)
D. Poisson ( x > 6; µ = 4 )
35. Peluang suatu software dapat menjadi host bagi suatu virus = 1/1000 =0,001. Jika
terdapat 5000 software, peluang terdapat lebih dari 4 software yang menjadi host
suatu virus adalah :
A. Tidak dapat dikerjakan dengan binomial karena n sangat besar dan P sangat
kecil
B. Bisa dikerjakan dengan poisson, dengan menggunakan µ = n . p
36. Peluang suatu software dapat menjadi host bagi suatu virus = 1/1000 =0,001. Jika
terdapat 5000 software, peluang terdapat lebih dari 4 software yang menjadi host
suatu virus adalah :
A. Tidak dapat diketahui
B. Seragam(x =5000 ; 1/5000)
C. Poisson (x > 4; µ = 5)
D. Binomial (x>4; n = 5000, p = 1/5000)
37. Penghitungan peluang kejadian dalam sampel yang diambil tanpa pemulihan
(pengembalian) dan dengan memperhatikan banyak anggota sukses dan gagal
dapat dilakukan dengan Distribusi Peluang ...
A. Poisson
B. Hipergeometrik
C. Binomial
D. Seragam
38. Berikut ini merupakan sifat dari Distribusi Normal, kecuali:

A. Berbentuk genta (bell-shaped) yang simetris
B. Hanya untuk nilai z yang positif
C. Luas seluruh daerah di bawah kurva = 1
D. Peluang Normal melibatkan rata-rata, simpangan baku dan nilai peubah acak
39. Suatu tim programmer rata-rata (µ) menyelesaikan sistem pencatatan transaksi
terintegrasi perbankan dalam waktu 8.9 hari dengan simpangan baku 0.75 (σ)
hari. Dalam proyek serupa yang akan dilakukan bulan depan, klien menyanggupi
akan memberi bonus jika sistem selesai dalam waktu lebih dari 9.8 hari. Peluang
tim programmer tersebut mendapat bonus dari klien karena dapat menyelesaikan
tugas tersebut lebih dari 9.8 hari (x) adalah :
Catatan:
x−
dimana z =

P(X > 9) diduga dengan P(Z > …) . Nilai z adalah sebesar :
A. 1.2
B. – 1.2
C. 0.9
D. Tidak dapat dihitung
40. Suatu tim programmer rata-rata (µ) menyelesaikan sistem pencatatan transaksi
terintegrasi perbankan dalam waktu 8.9 hari dengan simpangan baku 0.75 (σ)
hari. Dalam proyek serupa yang akan dilakukan bulan depan, klien menyanggupi
akan memberi bonus jika sistem selesai dalam waktu lebih dari 9.8 hari. Peluang
tim programmer tersebut mendapat bonus dari klien karena dapat menyelesaikan
tugas tersebut lebih dari 9.8 hari (x) adalah :
x−
dimana z =

Diketahui Luas daerah di bawah kurva Normal dari sumbu z = 0 ke z = 1.2 adalah
0.3849 atau P(0<Z<1.2) = 0.3849. Tentukan P(X > 9.8) :
A. 0.3849
B. 0.8849
C. 0.6151
D. 0.1151
41. Rata-rata waktu pemindaian suhu badan seorang penumpang kereta api listrik
(KRL) = 2.84 detik dengan simpangan baku = 0.13 detik. Peluang pemindaian
suhu badan seorang penumpang KRL selesai dalam lebih dari 3 detik dapat dicari
dengan cara :
Catatan :
A. P(X > 3) didekati dengan P(Z < 1.23)
B. P(X > 3) didekati dengan P(Z > 1.23)
C. P(X < 3) didekati dengan P(Z < 1.23)
D. P(X < 3) didekati dengan P(Z > 1.23)
42. Petugas penerimaan mahasiswa baru di sebuah kampus melakukan pendataan

mengenai jenis pekerjaan orang tua calon mahasiswa yang mendaftar di kampus
tersebut. Skala pengukuran data yang sesuai adalah :
A. Nominal
B. Ordinal
C. Interval
D. Numerik
43. Seorang mahasiswa akan membuat aplikasi berbasis web mengenai pendaftaran
pembuatan e-KTP di Kelurahan Sukmajaya Depok. Untuk keperluan tersebut
mahasiswa membutuhkan data mengenai prosedur pembuatan e-KTP yang
berjalan di kelurahan tersebut.
Sumber data yang dibutuhkan mahasiswa merupakan :
A. Data primer
B. Data sekunder
C. Data kategorik
D. Data numerik
44. Aplikasi berbasis web untuk pendaftaran e-KTP sudah dibuat oleh seorang
mahasiswa. Mahasiswa tersebut ingin mengetahui tanggapan atau penerimaan
user terhadap aplikasi tersebut. Tanggapan user diberikan untuk menilai user
interface, konten dan manfaat dari aplikasi yang sudah dibuat. Daftar pernyataan
dibuat dengan 3 pilihan tanggapan (kurang baik , cukup baik dan baik)
Sumber data dan jenis data yang digunakan mahasiswa tersebut berturut-turut
adalah :
A. Sekunder dan Numerik
B. Primer dan Kategorik
C. Primer dan Numerik
D. Sekunder dan kategorik
45. Contoh berikut ini termasuk dalam statistika deskriptif, kecuali :
A. Tabel yang berisi data npm, nama dan IPK mahasiswa
B. Hasil pengujian hipotesis statistik pada suatu penelitian
C. Histogram yang menunjukkan nilai hasil ujian akhir mata kuliah Statistika dari
50 mahasiswa
D. Diagram kue (diagram pie) yang menunjukkan presentase jenis kelamin
responden
46. Bagian penelitian dan pengembangan produk snack kentang terkemuka di

Indonesia melakukan survei preferensi pelanggannya secara acak terhadap rasa
snack kentang yang akan diluncurkan. Pelanggan yang terpilih diharuskan
melakukan penetapan rangking terhadap 4 rasa snack kentang yang baru (madu,
seaweed, keju, dan barbeque). Hasil survey kemudian disajikan dalam bentuk
diagram pie.
Kategorikan metode statistika, sumber dan jenis data yang digunakan pada
survei tersebut:
A. Statistika inferensia, primer dan kategorik
B. Statistika deskritptif, primer dan numerik
C. Statistika deskriptif, primer dan kategorik
D. Statistika deskriptif, sekunder, numerik
47. Diketahui suatu tabel distribusi frekuensi memiliki 6 kelas. Batas bawah kelas
pertama adalah 80 dan batas atas kelas pertama adalah 119. Batas bawah kelas
keenam adalah 300 dan batas atas kelas keenam adalah 339. Frekuensi kelas
pertama adalah 10. Jumlah data atau frekuensi total adalah 80.
Interval kelas nya adalah :
A. 39
B. 40
C. 41
D. Tidak diketahui
48. Diketahui suatu tabel distribusi frekuensi memiliki 6 kelas. Batas bawah kelas
pertama adalah 80 dan batas atas kelas pertama adalah 119. Batas bawah kelas
keenam adalah 300 dan batas atas kelas keenam adalah 339. Frekuensi kelas
pertama adalah 10. Jumlah data atau frekuensi total adalah 80.
Batas bawah dan batas atas kelas pada kelas kedua adalah :
A. 120 dan 158
B. 119 dan 159
C. 119 dan 158
D. 120 dan 159
49. Diketahui sekelompok data hasil UTS Statistika dari beberapa mahasiswa:
40 40 50 50 60 60 60 70 80 90
Mean, Median dan Modus dari kelompok data tersebut adalah:
A. Semua sama yaitu 60
B. 60, 50 dan 60
C. 60, 40, dan 60
D. Tidak dapat ditentukan
50. Diketahui sekelompok data hasil UTS Statistika dari beberapa mahasiswa:
40 40 50 50 60 60 60 70 80 90
Kuartil kedua, Desil kelima dan Persentil ke limapuluh dari kelompok data tersebut
adalah:
A. 40, 50, 60
B. 70, 80, 90
C. 40, 60, 80
D. Semua sama yaitu 60
KUNCI JAWABAN
01 s/d 10 : DDDCD CBBAA
11 s/d 20 : ADAAD DCDAC
21 s/d 30 : CABAB DCBCB
31 s/d 40 : BDADC CBBAD
41 s/d 50 : BABBB CBDAD
CONTOH UAS STATISTIKA 1 2019 SWWR
Petunjuk : 1. Pilih satu jawaban yang BENAR

2. Boleh menggunakan Kalkulator (bukan HP)
3. Jujur pangkal selamat dunia - akhirat
1. Mr. G seorang ahli geologi mendapatkan data BNPN yang

menunjukkan bahwa dalam tahun 2018 telah terjadi puluhan
bencana dari gempa bumi, banjir hingga tsunami di Indonesia.
Mr. G. memperkirakan pada tahun 2019 akan terjadi bencana
gempa bumi, banjir dan tsunami yang lebih sering.
Metode statistika, sumber data dan tipe (jenis) data pada kasus
di atas berturut-turut adalah :
A. Deskriptif, Sekunder dan Numerik
B. Inferensia, Primer dan Kategorik
C. Deskriptif, Primer dan Kategorik
D. Inferensia, Sekunder dan Kategorik
2. Lurah Talagakuring melakukan pendataan tingkat pendapatan

warganya yang tinggal di wilayah tersebut. Menurut anda,
skala pengukuran data yang tepat yang digunakan adalah :
B. Ordinal D. Rasio
3. Ibu Guru SD Talagakuring melakukan pendataan mengenai

pilihan minat studi murid SD tersebut untuk mengelompokkan
peminatan apakah dalam hal olahraga, seni, sains, sosial atau
bahasa yang akan berguna untuk mendukung peminatan
tersebut pada program ekskul di SD tersebut.
Menurut anda, skala pengukuran data yang tepat yang
digunakan adalah :
B. Ordinal D. Rasio
Kasus untuk soal no. 4 sd 7

Berikut ini adalah tabel 100 warga yang mengikuti vaksinasi diphteri
di kelurahan Talagakuring.
Usia Jumlah peserta Titik Tengah Kelas
(tahun) vaksinasi (tahun)
(frekuensi)
0 - 5 40 2.5
6 - 11 35 8,5
12 - 17 20 14,5
18 - 23 5 20,5
Total 100
4. Berdasarkan tabel di atas, median diduga bernilai :

A. 0 sd 5 C. 12 sd 17
B. 6 sd 11 D. 18 sd 23
5. Berdasarkan tabel di atas, modus dari kelompok data di atas

terletak :
A. di kelas ke-1
B. di kelas ke-2
C. di kelas ke-3
D. di kelas ke-4
6. Tepi batas bawah kelas ke-2 dari tabel di atas :

A. 5,5 B. 6 C. 8.5 D. 11
7. Berdasarkan tabel di atas, frekuensi relatif kelas ke-1 adalah :

A. 40 % B. 25% C. 100% D. 40
8. Dari sekumpulan data hasil ujian sekolah SD Talagakuring

diperoleh nilai median,mean (rata-rata) dan modus masing-
masing adalah adalah 80.
Maka nilai desil ke-5 nya adalah :
A. 80 B. 40 C. 20 D. 400
9. Berikut ini ukuran statistik yang digunakan untuk mengukur

pemusatan data, kecuali:
A. Modus C. Ragam
B. Mean D. Median
Kasus untuk soal no 10 dan 11
Pusat kerajinan vas bunga dari tembikar di kelurahan Talagakuring
menyeleksi banyaknya produk yang RUSAK dari hasil kerja 10
pengrajinnya. Hasil tes dinyatakan dengan nilai Z-score, dimana X
adalah banyaknya produk yang rusak. → yg negative paling tinggi
paling baik
Berikut ini hasil Z score 10 pengrajin yang mengerjakan produk
tersebut.
No. Nama Z-score No. Nama Z-score

01 Ai + 1,8 06 Pendi - 1,7
02 Aka + 1,6 07 Udud - 0,8
03 Ujang - 1,2 08 Oyen
0,0
04 Ecep + 1,4 09 Cucun + 1,2
05 Ureh + 0,6 10 Dasim -0,3
10. Berdasarkan tabel di atas, maka 5 orang pengrajin yang

mendapat teguran keras dari pemilik pusat kerajinan atas hasil
pekerjaannya adalah : → yg positif paling tinggi paling banyak
menghasilkan produk rusak
A. Ai, Aka, Ecep, Cucun, Ureh
B. Oyen, Dasim, Udud, Ujang, Pendi
C. Ai, Aka, Ujang, Ecep, Pendi
D. Ai, Aka, Pendi, Ecep, Cucun
11. Berdasarkan tabel di atas, maka pengrajin yang

kemampuannya pas pas an adalah : → nilai Z = 0
A. Oyen B. Udud C.Pendi D. Ujang
12. Sebuah koin setimbang dilempar 3 kali. Berapakah peluang

kejadian munculnya semua sisinya adalah ANGKA dari ketiga
pelemparan tersebut?
A. 1/6 B. 1/8 C. 1/9 D. 3/8
13. Terdapat 12 baterai yang akan dikemas menjadi kemasan yang

berisi 4 baterai. Jika urutan diperhatikan, maka banyaknya
cara penyusunan yang berbeda adalah:
PERMUTASI 12 diambil 4 → 12! / 8! = 12x11x10x9 =
A. 12 !cara C. 295 cara
B. 12x11x10x9 cara D. 4 X12 cara
14. Sebuah kartu diambil dari setumpuk kartu bridge. Berapakah

peluang terambilnya sebuah kartu As merah? 2/52 atau 1/26
A. 1/26 B. 1/52 C. 1/13 D. 2
15. Warung soto Raos Tuang menyediakan 4 jenis soto, 5 jenis

lauk pendamping soto dan 4 macam minuman. Setiap paket
menu terdiri dari satu jenis soto, 1 jenis lauk dan 1 minuman
(catatan : nasi gratis). Terdapat berapa macam paket atau
menu makanan di warung soto tersebut ? penggandaan →
4x5x4 =
A. 20 B. 13 C. 9 D. 80
16. Pada acara pelantikan anggota PMR sebuah sekolah menengah

pertama, sebanyak 20 calon anggota PMR duduk mengelilingi
api unggun di lokasi pelantikan. Dalam berapa carakah ke-20
peserta pelantikan duduk berkeliling ? (n -1 )!
A. 20! cara B. 21 ! cara C. 18! cara D. 19! cara
17. Berdasarkan hasil pengamatan bertahun-tahun, diketahui

peluang mahasiswa tidak lulus sidang PI (Penulisan Ilmiah)
adalah 0,4. Jika suatu ketika ada 5 mahasiswa, berapakah
peluang tak ada satupun mahasiswa yang tidak lulus sidang PI
? binomial b(x=0; n=5, p=0.4)
A. 0.000 C. 0.923
B. 0.078 D. 1
18. Berdasarkan soal no. 17 di atas, berapakah peluang paling

sedikit satu mahasiswa yang tidak lulus sidang PI ?
B(x≥1 ; n=5, p=0,4) = 1 - b(x=0; n=5, p=0.4) = 1 – 0.078 = 0,922
A. 0,259 C. 0,922
B. 1 D. 0,346
19. Peluang seorang mahasiswa yang dapat membuat aplikasi
berbasis Android berhasil diterima bekerja di PT. Mobile App
adalah 0,4. Jika terdapat 5 mahasiswa yang dapat membuat
aplikasi berbasis Android, berapakah peluang kelima orang
mahasiswa tersebut diterima bekerja di PT. Mobile App ?
b(x=5; n=5, p=0.4)
A. tidak diketahui C. 0.923
B. 1 D. 0,010
20.Jika diketahui nilai peluang sangat kecil sedangkan jumlah

ulangan (n sampel) sangat besar, maka distribusi peluang
teoritis yang harus dipakai adalah :
B(x;n,p) → p(x;µ) dimana µ = n.p n>40, p,0.01
A. binomial C. poisson
B. seragam D. normal
21. Peluang seorang mahasiswa main HP jika mengikuti kuliah di

ruang kelas adalah 0.002. Jika pada suatu hari terdapat 1200
mahasiswa, berapakah peluang bahwa paling sedikit satu
mahasiswa yang main HP di kelas saat mengikuti kuliah?
(gunakan tabel Poisson) → n.p = 0,002 X1200 = 2,4 cari saat
P(x≥1 ; 2,4) = 1 – b(x=0; 2,4) = 1 – 0.0907 = 0,9093
A. 1 C. 0,0907
B. 0.2117 D. 0,9093
Kasus untuk soal no. 22 s/d 24 (Gunakan Kurva Normal)

Dari 200 soal pilihan berganda, yang jawabannya terdiri dari lima
pilihan (a, b, c, d dan e), berapa peluang anda akan menjawab
BENAR, KURANG DARI 50 soal?
n = 200 p = 1/5 = 0.20 q = 1 - 0.20 = 0.80
µ = n . p = 40  = n  p  q = √32 X= 50
22. Nilai Z untuk kasus di atas adalah :
x−
z= adalah : (50 – 40)/ √32 = 1.77

A. 1,25 C. -1,77
B. 1,77 D. 0,33
23. Nilai P (x < 50) dapat dihitung dengan :
A. P (z < 1.77)
B. P (z > 1.77)
C. P (0 < z < 1.77)
D. P (Z = 0)
24. Peluang menjawab benar KURANG DARI 50 soal pada kasus di

atas adalah : catt z = 1.77 → p(0<Z<1,77) = 0,4616
A. P (z < 1.77) = 0.5 + 0.4616 = 0,9616 = 96,16 %

B. P (z > 1.77) = 0.5 - 0.4616 = 0.0384 = 3.84 %
C. P (0 < z < 1.77) = 0.4616 = 46,16 %
D. 0%
25. Jika dari seperangkat kartu bridge diambil 7 kartu secara acak
TANPA pemulihan, berapa peluang diperoleh 5 kartu MERAH?
Kasus ini dapat diselesaikan dengan :
A. Distribusi peluang hipergeometrik
B. Distribusi peluang normal
C. Distribusi peluang poisson
D. Distribusi peluang binomial
26.Dari soal no. 25, dapat dihitung nilai N dan k, yaitu masing
masing : merah berarti kartu hati dan diamond total 26 (k)
A. k = 52, N = 13 C. N = 52, k = 13
B. k = 13, N = 26 D. N = 52, k = 26
27. Dalam suatu kotak terdapat 7 apel yang terdiri dari 2 apel
Merah, 4 apel hijau dan 1 apel Fuji. Berapa peluang terambil 3
apel hijau, dari 5 kali pengambilan yang dilakukan secara acak
DENGAN pemulihan? Kasus ini dapat diselesaikan dengan
A. Distribusi peluang Normal
B. Distribusi peluang Poisson
C. Distribusi peluang Hipergeometrik
D. Distribusi peluang Binomial
Kasus untuk soal no. 28 sd 30 gunakan soal berikut ini
Diketahui sekelompok hasil UTS Statistika dari beberapa mahasiswa
UG:
60 75 70 60 80 75 80 75 85 90
28.Tentukan nilai mean dari data di atas :

A. 60 C. 80
B. 70 D. 75
29.Ragam (asumsikan sebagai data populasi) dari data di atas

adalah : cari sendiriiiii yaaaaaaaaaa
A. 75 C. 80
B. 70 D. 85
30. Median dari data di atas adalah :

A. 60 C. 80
B. 77,5 D. 75
☺ Jujur Pangkal Selamat Dunia Akhirat ☺
Tabel Binomial b(x;n,p)
n=5
X 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
0 .774 .590 .328 .168 .078 .031 .010 .002 .000 .000 .000
1 .204 .328 .410 .360 .259 .156 .077 .028 .006 .000 .000
2 .021 .073 .205 .309 .346 .312 .230 .132 .051 .008 .001
3 .001 .008 .051 .132 .230 .312 .346 .309 .205 .073 .021
4 .000 .000 .006 .028 .077 .156 .259 .360 .410 .328 .204
5 .000 .000 .000 .002 .010 .031 .078 .168 .328 .590 .774
TABEL POISSON ( p(x;μ)
µ
TABEL LUAS DIBAWAH KURVA NORMAL
(Setengah Kurva)
Koordinator : SRI WULAN WINDU RATIH
1. Menurut data dari BPS diketahui hasil survey di kota A pada tahun 2008
menunjukkan bahwa 2 dari 3 wanita menikah pada usia 30 tahun an. Diperkirakan
pada tahun 2018 semakin banyak wanita di kota A yang menikah di atas usia 30
tahun an.
Metode statistika, sumber data dan tipe (jenis) data pada kasus di atas berturut-
turut adalah :
C. Inferensia, Sekunder dan Numerik
D. Deskriptif, Primer dan Kategorik
2. Pemda Depok melakukan pendataan jenis pekerjaan penduduk yang tinggal di

wilayah Depok. Menurut anda, skala pengukuran data yang tepat yang digunakan
adalah :
A. Nominal C. Ordinal
B. Interval D. Rasio
3. Pemda Cianjur melakukan pendataan tingkat pendidikan penduduk yang tinggal

di wilayah Cianjur. Menurut anda, skala pengukuran data yang tepat yang
digunakan adalah :
A. Nominal C. Ordinal
B. Interval D. Rasio
Berikut ini adalah tabel 80 nasabah yang mengambil kredit multiguna Bank Syariah.
Nilai Kredit (juta rupiah) Jumlah Nasabah Titik Tengah

5 - 9 3 7
10 - 14 11 12
15 - 19 17 17
20 - 24 23 22
25 - 29 12 27
30 - 34 7 32
35 - 39 6 37
40 - 44 1 42
Total 80
4. Berdasarkan tabel di atas, besarnya interval kelas adalah :

A. 4 B.5 C.6 D.7
5. Berdasarkan tabel di atas, letak median dan modus :
A. sama-sama di kelas ke-3
B. sama-sama di kelas ke-5
C. sama-sama di kelas ke-6
D. sama-sama di kelas ke-4
6. Tepi batas bawah kelas ke – 3 dari tabel di atas :

A. 15 B. 14.5 C. 17 D. 19.5
7. Berdasarkan tabel di atas, jumlah kelas adalah :

A. 8 B.80 C. 2 D.5
Diketahui dari sekumpulan data hasil UTS Statistika Deskriftif nilai median,mean (rata-
rata) dan modus masing-masing adalah adalah 70.
8. Berdasarkan kasus di atas, maka hubungan empiris ketiga ukuran pemusatannya

(mean, median dan modusnya) diperkirakan :
A. terdistribusi secara simetris
B. terdistribusi tidak simetris, menceng ke kiri
C. terdistribusi tidak simetris, menceng ke kanan
D. jawaban A, B dan C semua benar
9. Berdasarkan kasus di atas, maka nilai kuartil ke-2 adalah :

A. 70 B. 35 C. 17,5 D. 140
10. Diantara tiga ukuran pemusatan berikut yaitu mean (rata-rata), median dan
modus, yang paling populer (banyak dipakai) dan dianggap paling “baik” untuk
dijadikan ukuran, adalah :
A. Modus C. Mean
B. Median D. tidak ada jawaban yang benar
Laboratorium Psikologi Dasar menyeleksi mahasiswa jurusan Psikologi semester 6 untuk

menjadi Asisten Tetap. Hasil tes dinyatakan dengan nilai Z-score (angka baku). Berikut
ini hasil Z score 10 mahasiswa yang ikut seleksi.
01 Alif + 1,4 06 Fadlan - 1,7
02 Bagas + 1,6 07 Gloria - 0,8
03 Caca - 1,2 08 Harith - 0,3
04 Dea + 0,8 09 Icha + 1,8
05 Ela + 0,6 10 Jaya 0
11. Berdasarkan tabel di atas, maka empat mahasiswa yang terpilih sebagai asisten
tetap adalah :
A. Caca, Fadlan, Gloria dan Harith
B. Alif, Bagas, Icha dan Dea
C. Ela,Gloria, Harith dan Jaya
D. Icha, Fadlan, Bagas dan Alif
12. Berdasarkan tabel di atas, maka mahasiswa yang kemampuannya (nilainya) sama
dengan standar minimal untuk diterima sebagai asisten adalah :
A. Harith B. Gloria C. Jaya D. Icha
13. Peluang seorang mahasiswa mengisi KRS tepat waktu = 0,8

Peluang seorang mahasiswa mengambil KRS tepat waktu = 0,6
Peluang seorang mahasiswa mengisi dan mengambil KRS tepat waktu = 0,2
Berapakah peluang seorang mahasiswa mengambil KRS tepat waktu setelah

sebelumnya mengisi KRS tepat waktu ? 0.2/0.8 = 0.25
A. 0,2 B. 0,25 C. 0,33 D. 0,75
14. Sebuah koin setimbang dilempar 2 kali. Berapakah peluang kejadian minimal satu
sisi gambar muncul ?
A. 1/2 B. ¾ C. 4/8 D. 1/4
15. Jika terdapat 10 mahasiswa akan dibagi kedalam 3 kelas yang berbeda, masing-
masing masuk ke kelas 2PA01 sebanyak 5 orang, 2PA02 sebanyak 3 orang dan
dan 2PA03 sebanyak 2 orang. Banyaknya cara penyusunan memasukkan
mahasiswa ke ketiga kelas yang berbeda dapat dilakukan dengan :
A. permutasi sebagian
B. permutasi keliling
C. kombinasi
D. permutasi kelompok
16. Sebuah kartu diambil dari setumpuk kartu bridge. Berapakah peluang terambilnya
sebuah kartu Queen merah ?
A. 1/26 B. 1/52 C. 1 D. 1/13
17. Peluang seorang mahasiswa lulus matakuliah Statistika adalah 4/9. Peluang ia
lulus matakuliah Struktur Data adalah 2/3. Bila peluang lulus salah satu mata
kuliah tersebut di atas adalah 4/5, berapakah peluang ia lulus kedua mata kuliah
tersebut ?
A. 4/5 B. 14/45 C.30/27 D. 10/9
18. Pada acara pelantikan anggota karate suatu universitas, sebanyak 50 calon
pemegang ban hitam duduk mengitari api unggun di lokasi pelantikan. Dalam
berapa carakah ke-50 peserta pelantikan duduk mengitari api unggun ?
A. 50! B. 51 ! C. 48! D. 49!
19. Berdasarkan hasil pengamatan bertahun-tahun, diketahui peluang mahasiswa lulus

sidang PI (Penulisan Ilmiah) adalah 0,8. Jika suatu ketika ada 20 mahasiswa,
berapakah peluang paling banyak 3 mahasiswa yang tidak lulus sidang PI ? p=0.2
Cek tabel binomial saat n=20, x = 0,1,2,3 p =0,2
A. 0.2054 C. 0,4114
B. 0.0115 D. 0,0000
20. Berdasarkan soal no. 1 di atas, berapakah peluang tidak ada satupun mahasiswa
yang tidak lulus sidang PI ? n=20, x = 0 p =0,2
A. 0.2054 C. 0,4114
B. 0.0115 D. 0,0000
21. Peluang seorang mahasiswa yang dapat membuat Website berhasil diterima
bekerja sebagai Website Designer adalah 0,35. Jika terdapat 20 mahasiswa yang
dapat mendisain Website, berapakah peluang minimal 2 orang mahasiswa
diterima bekerja sebagai Website Designer ? Binomial n = 20, 2 sd 20 p=0.35
A.0.0002 B. 0.0100
B. 0,9978 D. 0,0120
x = 0 →0.0002 x = 1 → 0.0020 → 1 – (0.0022) = 0.9978
22. Jika diketahui nilai peluang sangat kecil sedangkan jumlah ulangan (n sampel)
sangat besar, maka distribusi peluang teoritis yang harus dipakai adalah :
B(x ; n, p) → P(x; µ)
A. binomial C. Poisson
23. Dari 1000 mahasiswa, 2 orang mengaku selalu tidur jika mengikuti kuliah di
ruang kelas. Jika pada suatu hari terdapat 2000 mahasiswa, berapakah peluang
bahwa ada 2 orang mahasiswa yang tidur dikelas saat mengikuti kuliah?
A. 0.0183 C. 0,2381
B. 0.7619 D. 0,1465
p = 2/1000 = 0,0002 n = 2000 → n p = µ → 4 → p(x=2; µ=4)

25. Bentuk umum persamaan regresi linier sederhana adalah Y = a + bX.
Pernyataan yang benar mengenai persamaan regresi linier :
A. b adalah suatu konstanta (intersep yaitu Y pada saat X =0)
B. a adalah nilai kemiringan (gradien atau slope)
C. X adalah suatu variabel tak bebas
D. b adalah nilai kemiringan (gradient atau slope)
26. Jika diketahui suatu persamaan garis (persamaan regresi linier) Y = 2 + 0,4 X
Maka yang dimaksud dengan nilai “ 2” pada persamaan tersebut adalah :
A. Nilai X pada saat Y = 0
B. Nilai Y pada saat X = 0
C. Nilai b
D. Kemiringan garis
27. Jika diketahui suatu persamaan garis (persamaan regresi linier) Y = 2 + 0,4 X
Maka yang dimaksud dengan “0,4” pada persamaan tersebut adalah :
A. Jika X naik sebesar satu unit maka nilai Y naik sebesar 0,4 unit
B. Jika X turun sebesar satu unit maka nilai Y turun sebesar 0,4 unit
28. Diketahui suatu persamaan garis (persamaan regresi linier) Y = 2,530 + 1,053 X
Dimana X = biaya promosi minyak goreng “Sainah” (dalam juta rupiah)
dan Y = volume penjualan minyak goreng “Sainah” dalam ratusan juta liter)
Jika dikeluarkan biaya promosi sebesar 10 juta rupiah, maka diperkirakan volume
penjualan nya sebesar :
A. 3,583 (ratusan juta liter)
B. 13,06 (ratusan juta rupiah)
C. 13,06 (ratusan juta liter)
D. 3,583 (ratusan juta rupiah)
29. Besarnya volume penjualan minyak goreng “Sainah” tersebut di atas adalah :
A. Volume penjualan yang pasti terjadi
B. Volume penjualan yang bersifat perkiraan (peramalan)
C. Volume penjualan saat ini
D. Jawaban A, B dan C semua salah.
30. Pernyataan mengenai koefisien korelasi linier berikut ini yang salah adalah :
A. Nilai R = 0 menunjukkan bahwa antara variabel tak bebas (Y) dengan
variabel bebas (X) tidak memiliki relasi linier.
B. Nilai R yang mendekati -1 menunjukkan bahwa antara variabel tak bebas
(Y) dengan variabel bebas (X) memiliki korelasi linier yang rendah
C. Nilai R yang mendekati +1 menunjukkan bahwa antara variabel tak bebas
(Y) dengan variabel bebas (X) memiliki korelasi linier yang tinggi
D. Nilai R = -1 menunjukkan bahwa antara variabel tak bebas (Y) dengan
variabel bebas (X) memiliki korelasi sempurna
31. Ukuran proporsi keragaman total nilai variabel tak bebas Y yang dapat dijelaskan
oleh nilai variabel bebas X melalui hubungan linier :
A. Koefisien korelasi linier
B. Koefisien korelasi non linier
C. Koefisien determinasi (R 2)
D. Koefisien panas
32. Jika diketahui nilai koefisien korelasi linier R = 0,90, maka nilai koefisien
determinasi adalah :
A. 0,81
B. 0.30
C. 0,45
D. 0,18
33. Perhatikan nilai-nilai dan rumus menentukan persamaan regresi linier berikut ini :
∑Xi = 26 ∑Yi = 40 ∑Xi Yi = 232 ∑Xi 2= 158 ∑Yi 2= 248
(∑Xi )2= 676 (∑Yi )2= 1600 dan n = 5
n n n
n  xi yi − (  xi )(  yi )
i =1 i =1 i =1
R=
n n n n
[ n  xi 2 − (  xi ) 2 ] [ n  y i 2 − (  y i ) 2 ]
i =1 i =1 i =1 i
Maka besarnya nilai koefisien korelasi linier adalah :

A. 0,987
B. 0.789
C. 0,897
D. 0,879
34. Berdasarkan soal no 35 di atas, maka nilai koefisien determinasinya adalah (R 2) :

A. 0,7726
B. 0,8046
C. 0,9716
D. 0.6225
35. Untuk menentukan persamaan regresi linier berganda, dengan 2 variabel bebas
diperlukan perhitungan yang bertahap, yaitu :
A. Menentukan empat buah persamaan normal, Eliminasi dan Substitusi.
B. Menentukan tiga buah persamaan normal, Eliminasi dan Substitusi.
C. Menentukan dua buah persamaan normal, Eliminasi dan Substitusi.
D. Menentukan satu buah persamaan normal, Eliminasi dan Substitusi.
36. Pernyataan yang benar mengenai kemiringan (gradient atau slope) suatu
persamaan regresi linier dengan koefisien korelasi linier :
A. Jika kemiringan (gradient atau slope) positif maka koefisien korelasi
linier nya akan negatif
B. Jika kemiringan (gradient atau slope) negatif, maka koefisien korelasi
linier nya akan positif
C. Jika kemiringan (gradient atau slope) negatif maka koefisien korelasi
linier nya akan negative
D. Jawaban A, B dan C semua benar.
37. Untuk mengetahui hubungan antara Nilai IQ dengan Nilai Ujian. Keduanya berupa
data angka ( numerik) maka jenis uji korelasi yang tepat adalah
a. Somers’s D
b. Rank Spearman
c. Pearson
d. Kendall Tau B
38. Untuk mengetahui hubungan Tingkat Gizi (Baik, Cukup, Kurang) dengan Tingkat
Kesehatan (Baik, Cukup, Kurang), sebaiknya digunakan uji korelasi
a. Kendall Tau B
b. Rank Spearman
c. Pearson
d. Somer’s D
39. Pernyataan yang salah terkait Jenis Uji Korelasi Pearson Product Moment
a. Untuk skala data interval dan rasio (numerik)
b. Jumlah data banyak (lebih dari 30)
c. Data harus memenuhi kaidah normalitas (terdistribusi normal) dan
beberapa asumsi lainnya
d. untuk skala data ordinal
40. Untuk mengetahui hubungan yang terkait Kesesuaian Nilai Ujian mahasiswa kelas
2PA05 oleh Dosen I dan Dosen II paling tepat digunakan uji korelasi :
A. Pearson Product Moment

b. Rank Spearman atau Spearman Rho
c. Somer’s D
d. Kendall Tau B
Untuk soal no. 43 sd 49 gunakan kasus ini

Seorang job-specialist menguji 25 karyawan dan mendapatkan bahwa rata-rata
penguasaan pekerjaan kesekretarisan adalah 22 bulan dengan simpangan baku = 4
bulan. Dengan taraf nyata 5% , ujilah apakah rata-rata penguasaan kerja
kesekretarisan lebih dari 20 bulan?
41. Jenis uji pada kasus di atas

A. Uji hipotesis satu arah ekor kiri
B. Uji hipotesis satu arah ekor kanan
C. Uji hipotesis dua arah
D. Uji hipotesis proporsi
42. H0 dan H1 dari kasus di atas :

A. H0 :  = 20 H1 : > 20
B. H0 :  = 20 H1 : < 20
C. H0 :  = 20 H1 :  20
D. H0 :  = 22 H1 : > 20
43. Statistik uji yang digunakan :

A. t , karena sampel kecil
B. t , karena sampel besar
C. Z , karena sampel kecil
D. Z , karena sampel besar
44. Wilayah kritis :

A. t < -t (24; 2.5%) → t < -2.064
B. t > t (24; 2.5%) → t > 2.064
C. Z > 1.96
D. Z < -1.96
45. Nilai yang menjadi batas daerah penerimaan dan penolakan hipotesis.
A. Wilayah kritis
B. Titik kritis → nilai tabel ( misal t tabel atau Ztabel)
C. Nilai nol
D. Nilai α
46. Statistik Hitung
x − 0 22 − 20 2
A. t = = = = 2.5
s / n 4 / 25 0.8
x −  0 22 − 20 2
B. Z= = = = 2.5
s / n 4 / 25 0.8
x − 0 20 − 22 − 2
C. t= = = = - 2.5
s / n 4 / 25 0.8
x −  0 20 − 22 − 2
D. Z= = = = - 2.5
s / n 4 / 25 0.8
47. Kesimpulan hasil pengujian :

A. H0 ditolak, H1 diterima ,
rata-rata penguasaan pekerjaan kesekretarisan lebih dari 20
B. H0 ditolak, H1 diterima , rata-rata penguasaan pekerjaan kesekretarisan
kurang dari 20 bulan
C. H0 ditolak, H1 diterima , rata-rata penguasaan pekerjaan kesekretarisan
tidak sama dengan 20 bulan
D. H0 diterima ,
rata-rata penguasaan pekerjaan kesekretarisan sama dengan 20 bulan
48. Teknik statistika untuk mengetahui parameter dalam populasi (rata-rata , standar
deviasi , proporsi π, koefisien korelasi , dsb) dengan menggunakan statistik
dalam sampel acak yang sesuai (rata-rata x , standar deviasi s, proporsi p̂ ,
koefisien korelasi r, dsb):
A. Statistical Parameter Estimation (Pendugaan Parameter) *
B. Pengujian Hipotesis
C. Distribusi Sampling
D. Uji Chi Kuadrat
49. Parameter disebut juga sebagai :

A. true value *
B. estimate value
C. estimator
D. penduga titik
50. Statistik disebut juga sebagai:
A. estimate value
B. estimator
C. penduga
D. Jawaban A, B dan C benar *
51. Hal yang benar terkait interval estimation berikut ini adalah :
A. Mengestimasi suatu parameter berdasarkan banyak nilai dalam suatu
interval tertentu, hasil estimasi interval AKAN memberikan tingkat
keyakinan tertentu. *
B. Mengestimasi suatu parameter berdasarkan satu nilai saja. Misalnya
mengestimasi  dengan x →  = x , tentu saja hasil estimasi ini TIDAK
memberikan tingkat keyakinan tertentu.
C. Mengestimasi suatu parameter berdasarkan banyak nilai dalam suatu
interval tertentu, Hasil estimasi interval TIDAK akan memberikan tingkat
keyakinan tertentu.
D. Mengestimasi suatu parameter berdasarkan satu nilai saja. Misalnya
mengestimasi  dengan x →  = x , tentu saja hasil estimasi ini AKAN
memberikan tingkat keyakinan tertentu.
52. Misalnya untuk mengestimasi  digunakan interval estimasi :

x − E    x + E atau  = x  E. yang dimaksud dengan “E” adalah :
A. perbedaan true value dan estimate value (difference) yang dikehendaki.
B. estimation error atau kekeliruan estimasi atau galat estimasi.
53. Besarnya E akan tergantung pada :

A. ukuran sampel acak yang digunakan (n)
B. tingkat keyakinan (level of confidence) (1 - )
C. distribusi probabilitas untuk statistik (estimate value) yang digunakan.
D. Jawaban A , B dan C benar
54. Pernyataan berikut ini benar :

A. Interval konfidens untuk estimasi suatu parameter, misalnya  dapat
dituliskan sebagai : P( x − E    x + E) = 1 − 
B. 1 −  adalah level of confidence (tingkat keyakinan) yang merupakan
pernyataan probabilitas, sehingga nilainya adalah 0  1 −   1.
C. Jawaban A dan B salah
D. Jawaban A dan B benar
55. Telah diambil secara acak sampel yang terdiri dari 100 orang mahasiswa sebuah
universitas di Jakarta. Melalui test IQ terhadap 100 mahasiswa tersebut diperoleh
rata-rata IQ sebesar 112 dan varians (ragam) sebesar 100. Dengan menggunakan
tingkat keyakinan (confidence level) sebesar 95%, tentukan interval konfidens
untuk nilai rata-rata IQ seluruh mahasiswa universitas tersebut.
Diketahui : n = 100 X = 112 s2 = 100 → s = 10
1 –  = 0.95 → /2 = 0.025 → Z0.025 = 1.96

Rumus : PX − Z 0.5 s    X + Z 0.5 s  = 1− 
 n n
E = 1.96 ( 10/10) = 1.96
112 – 1,96 < µ < 112 + 1.96
110,04 < µ < 113,96
A. Kita merasa yakin sebesar 95% bahwa rata-rata IQ seluruh mahasiswa

universitas tersebut antara 110.04 dan 113.96
B. Kita merasa yakin sebesar 5% bahwa rata-rata IQ seluruh mahasiswa
universitas tersebut antara 110.04 dan 113.96
C. Kita merasa yakin sebesar 95% bahwa rata-rata IQ seluruh mahasiswa
universitas tersebut antara 100 dan 112
D. Kita merasa yakin sebesar 5% bahwa rata-rata IQ seluruh mahasiswa
universitas tersebut antara 100 dan 112
56. Seorang petani apel ingin mengetahui rata-rata berat buah apel hasil kebunnya.
Untuk itu, diambil sampel secara acak 10 buah apel dengan berat masing-masing
(gram) : 142, 157, 138, 175, 152, 149, 148, 200, 182, dan 164. Jika petani tersebut
merasa yakin 95% bahwa rata-rata berat buah apel akan tercakup dalam interval
estimasi, maka tentukanlah interval estimasinya tersebut.
Diketahui : n = 10 X =  i → X =
x 1607
= 160.7
n 10
n x i2 − ( x i ) 10(261.711) − (1607)2
2
s= → s= = 19.62453113
n(n − 1) 10(9)
1 –  = 0.95 → 0.5 = 0.025 → t0.025;df=9 = 2.262
Ditanyakan : P( . . .    . . . ) = 0.95
 
Rumus : PX − t0.5;df s    X + t0.5;df s  = 1− 
 n n
E = 2,262 (19,624 / √10) = 14,034
160.7 – 14,034 < µ < 160,7 – 14,034
146,666 < µ < 174,734
A. Petani tersebut merasa yakin sebesar 5% bahwa rata-rata berat buah apel
hasil kebunnya ada antara 146.66 gram dan 174.74 gram.
B. Petani tersebut merasa yakin sebesar 95% bahwa rata-rata berat buah apel
hasil kebunnya ada antara 146.66 gram dan 174.74 gram.
C. Petani tersebut merasa yakin sebesar 5% bahwa rata-rata berat buah apel
hasil kebunnya ada antara 138 gram dan 200 gram.
D. Petani tersebut merasa yakin sebesar 95% bahwa rata-rata berat buah apel
hasil kebunnya ada antara 138 gram dan 200 gram.
57. Dari hasil survey yang dilakukan suatu research agency mengenai kebiasaan ibu
rumah tangga menyaksikan tayangan iklan di TV Swasta. Ternyata diperoleh hasil
bahwa 76 orang dari 180 orang ibu rumah tangga yang dipilih secara acak, biasa
menyaksikan tayangan iklan paling sedikit 2 jam per minggu. Jika peneliti
tersebut menggunakan taraf konfidens sebesar 90%, maka tentukan interval
estimasi seluruh ibu rumah tangga yang biasa menyaksikan tayangan iklan paling
sedikit 2 jam per minggu.
Diketahui : Misalkan X adalah ibu rumah tangga yang biasa menyaksikan

tayangan iklan paling sedikit 2 jam per hari.
n = 180 dan X = 76 sehingga p̂ = 76 / 180 = 0.42
1 –  = 0.90 → 0.5 = 0.05 → Z0.05 = 1.645
Ditanyakan : P( . . .  p  . . . ) = 0.90
 p̂(1− p̂) p̂(1− p̂) 

Rumus : Pp̂ − Z0.5  p  p̂ + Z0.5  = 1− 
 n n 
A. Kita merasa yakin sebesar 10% bahwa proporsi ibu-ibu yang biasa
menyaksikan tayangan iklan paling sedikit 2 jam per hari antara 35.9%
dan 48.1%
B. Kita merasa yakin sebesar 90% bahwa proporsi ibu-ibu yang biasa
menyaksikan tayangan iklan paling sedikit 2 jam per hari antara 42% dan
58%
C. Kita merasa yakin sebesar 90% bahwa proporsi ibu-ibu yang biasa
menyaksikan tayangan iklan paling sedikit 2 jam per hari antara 35.9%
dan 48.1%
D. Kita merasa yakin sebesar 10% bahwa proporsi ibu-ibu yang biasa
menyaksikan tayangan iklan paling sedikit 2 jam per hari antara 42% dan
58%
58. Dalam pendugaan parameter, ciri dari penduga yang baik adalah :
a. mempunyai tingkat kepercayaan yang tinggi
b. mempunyai selang antara nilai minimum dan maksimum yang pendek
c. keduanya salah
d. keduanya benar
CATATAN :
Tabel yang dipakai :
1.Tabel binomial dgn n=20
2. Tabel Poisson dengan nilai µ = 4
3. Tabel luas dibawah kurva normal
Semoga bermanfaat…..
ABJAD YUNANI
Huruf Yunani Nama Yunani Aksara Latin ekivalen

Α α alpha A a
Β β beta B b
Γ γ gamma G g
∆ δ delta D d
Ε ε epsilon Ĕ ĕ
Ζ ζ zeta Z z
Η η eta Ē ē
Θ θ theta Th th
Ι ι iota I i
Κ κ kappa K k
Λ λ lambda L l
Μ µ mu M m
Ν ν nu N n
Ξ ξ xi X x
Ο ο omicron Ŏ ŏ
Π π pi P p
Ρ ρ rho R r
Σ σ sigma S s
Τ τ tau T t
Υ υ upsilon Y y
Φ φ phi Ph ph
Φ χ chi Ch ch
Ψ ψ psi Ps ps
Ω ω omega Ō ō
METODE STATISTIKA 1
Johan Harlan
Metode Statistika 1
Penulis : Johan Harlan
ISBN 979-1223-01-7
Cetakan Pertama, 2004
Diterbitkan pertama kali oleh Gunadarma

Jl. Margonda Raya No. 100, Pondokcina, Depok 16424
Telp. +62-21-78881112, 7863819 Faks. +62-21-7872829
e-mail : sektor@gunadarma.ac.id
Hak Cipta dilindungi undang-undang. Dilarang mengutip atau

memperbanyak dalam bentuk apapun sebagian atau seluruh isi
buku tanpa ijin tertulis dari penerbit.
KATA PENGANTAR
Pemberlakuan kurikulum berbasis kompetensi sedikit banyak

memerlukan penyesuaian cara penyampaian materi pengajaran Statistika di
tingkat Perguruan Tinggi. Isi buku-buku Metode Statistika ini sedapat
mungkin disesuaikan dengan silabus yang digunakan untuk perkuliahan
Statistika di jenjang S1, selain diupayakan untuk menggunakan cara
penyampaian yang diharapkan lebih memudahkan pembaca untuk mencerna
materi yang dipelajari.
Seri buku-buku Metode Statistika ini terdiri atas empat buku, yaitu
buku teks Metode Statistika 1, buku teks Metode Statistika 2, buku jawaban
soal-soal latihan Metode Statistika 1, dan buku jawaban soal-soal latihan
Metode Statistika 2. Materi yang diberikan terutama ditujukan untuk
perkuliahan Statistika selama dua semester di jenjang S1, tanpa memerlukan
penguasaan matematika lebih lanjut selain yang telah diperoleh di tingkat
SMU.
Buku teks Metode Statistika 1 memuat materi Statistika Deskriptif,
pengantar teori probabilitas, serta pengenalan terhadap beberapa distribusi
probabilitas yang penting dalam Statistika Terapan. Buku teks Metode
Statistika 2 berisi materi mengenai Inferensi Statistik, yaitu estimasi
parameter dan uji hipotesis, termasuk dengan menggunakan Statistika Non-
Parametrik.
Kepada semua pihak yang telah membantu terlaksananya penerbitan
buku-buku ini, penulis menyampaikan terima kasih yang sebesar-besarnya.
Penulis juga sangat mengharapkan saran, kritik, dan koreksi dari pembaca
demi perbaikan pada penerbitan selanjutnya.
Johan Harlan
Juni 2004
v
DAFTAR ISI
Kata Pengantar v
Daftar Isi vii

Bab 1 Pendahuluan 1
1.1 Konsep Statistika 1
2.2 Notasi Sigma 5
Lampiran 1A Peran Statistika dalam Ilmu Pengetahuan 9
Lampiran 1B Skala Pengukuran 10
Lampiran 1C Contoh-contoh Penggunaan Notasi 11
Sigma
Latihan 1 13
Bab 2 Peringkasan Data 19

2.1 Tabel 19
2.2 Grafik 26
Lampiran 2A Bagian-bagian Tabel 31
Latihan 2 33
Bab 3 Ukuran Statistik 37

3.1 Ukuran Pusat (Nilai Tengah) 37
3.2 Ukuran Penyebaran 52
Lampiran 3A Ukuran Pusat pada Distribusi Simetris 61
dan Asimetris
Lampiran 3B Fraktil 63
2 65
Lampiran 3C Notasi ∑ ( xi − x ) dan ∑ ( xi − x )
Lampiran 3D Diagram Kotak 66
vii
Latihan 3 69
Bab 4 Probabilitas 75
4.1 Konsep Dasar Probabilitas 75
4.2 Probabilitas Peristiwa 80
4.3 Pencacahan Ruang Sampel 83
Lampiran 4A Saling Asing dan Independen 88
Lampiran 4B Teorema Bayes 90
Latihan 4 93
Bab 5 Distribusi Teoretis 100

5.1 Konsep Dasar Distribusi Probabilitas 100
5.2 Distribusi Probabilitas Diskret 105
5.3 Distribusi Probabilitas Kontinu 119
Lampiran 5A Rangkuman Parameter Distribusi 134
Probabilitas
Lampiran 5B Beberapa Contoh Penggunaan Distribusi 136
Probabilitas Diskret
Lampiran 5C Nilai Standar (Nilai Baku, Variabel 139
Standar Z)
Lampiran 5D Beberapa Contoh Penggunaan Distribusi 141
Normal
Lampiran 5E Interpolasi Linear 143
Latihan 5 145
viii
Bab 6 Sampling 152
6.1 Distribusi Sampling 152
6.2 Metode Sampling 157
Lampiran 6A Distribusi X, Distribusi X , dan 167

Distribusi Transformasi X
Lampiran 6B Populasi, Galat Acak, dan Galat 169
Sistematik
Lampiran 6C Strata dan Klaster 171
Lampiran 6D Contoh Penggunaan Keempat Metode 173
Sampling
Latihan 6 183
Kepustakaan 189
Addenda 191
Addendum A Program Komputer Statistik 191
Addendum B1 Distribusi Probabilitas Binomial 193
Addendum B2 Probabilitas Binomial Kumulatif 200
Addendum C1 Distribusi Probabilitas Poisson 205
Addendum C2 Probabilitas Poisson Kumulatif 211
Addendum D Distribusi Normal Standar 213
Addendum E Nilai Kritis Distribusi t 215
Addendum F Bilangan Acak 216
ix
BAB 1
PENDAHULUAN
1.1 KONSEP STATISTIKA
Metode Statistika
adalah teknik tentang pengumpulan data, penyajian data, analisis data,
dan pengambilan kesimpulan dari data yang berhasil dihimpun tersebut.
Istilah “statistika” berasal dari kata “status” (= state), yang berarti

“negara”, karena pada awal mula perkembangannya Statistika digunakan
untuk mengurus hal-hal yang berkaitan dengan penyelenggaraan negara.
Statistika dibedakan menjadi:

1. Statistika Matematika: mempelajari dasar-dasar matematika bagi
berbagai analisis statistik serta mengembangkan teknik-teknik baru
Statistika secara matematik.
2. Statistika Terapan: mempelajari penerapan dan penggunaan Statistika
dalam berbagai bidang ilmu pengetahuan. Statistika Terapan terbagi
atas dua bagian, yaitu:
a. Statistika Deskriptif: serangkaian teknik yang meliputi
pengumpulan, penyajian, dan peringkasan data.
b. Statistika Inferensi: serangkaian teknik untuk mengkaji,
menaksir, dan mengambil kesimpulan berdasarkan sebagian data
(data sampel) yang dipilih secara acak dari seluruh data yang
menjadi subjek kajian (populasi).
Populasi dan Sampel

Populasi adalah himpunan seluruh objek yang ingin diketahui besaran
karakteristiknya. Sampel adalah himpunan bagian populasi yang memiliki
karakteristik yang sama dengan karakteristik populasinya.
1
Parameter dan Statistik
Parameter (parameter populasi) adalah ukuran-ukuran tertentu yang
digunakan untuk menggambarkan suatu populasi. Statistik (statistik sampel)
adalah ukuran-ukuran tertentu yang digunakan untuk menggambarkan suatu
sampel.
Nilai statistik merupakan penaksir (estimator) bagi nilai parameter,

yang nilai sesungguhnya tidak pernah diketahui besarnya.
Istilah “statistik” memiliki pengertian yang berbeda dengan “statistika”.

“Statistika” (statistics) adalah ilmu atau metode untuk pengolahan dan
analisis data, sedangkan “statistik” (statistic) adalah nilai (ukuran) yang
diperoleh dari sampel.
Data
Data merupakan kumpulan fakta atau angka atau segala sesuatu yang
dapat dipercaya kebenarannya, sehingga dapat digunakan sebagai dasar
menarik suatu kesimpulan.
Variabel
Variabel adalah karakteristik unsur yang menjadi perhatian dan
memiliki nilai-nilai yang berbeda-beda.
Data primer dan data sekunder

Data primer adalah data yang diperoleh langsung dari objek yang
ingin diketahui karakteristiknya. Data sekunder adalah data yang tidak
diperoleh langsung dari objek yang ingin diketahui karakteristiknya,
melainkan dari sumber lain yang telah mengumpulkannya terlebih dahulu.
Data kuantitatif dan kualitatif

Data kuantitatif (data numerik) adalah karakteristik suatu variabel
yang nilai-nilainya dinyatakan dalam bentuk numerik. Data kualitatif (data
kategorik) adalah karakteristik suatu variabel yang nilai-nilainya dinyatakan
dalam bentuk non-numerik atau atribut-atribut.
2
Data kuantitatif dibedakan menjadi data diskret dan data kontinu:
- Data diskret adalah karakteristik suatu variabel yang berasal dari
proses pencacahan (counting) dan berupa bilangan bulat.
Contoh: jumlah anak responden ibu rumah tangga, jumlah sesi
perkuliahan Statistika yang diikuti oleh responden mahasiswa, dan
sebagainya.
- Data kontinu adalah karakteristik suatu variabel yang berasal dari
proses pengukuran (measurement) dan nilai-nilainya berada dalam
suatu interval atau rentang tertentu. Nilai-nilai data kontinu dapat
berupa bilangan pecahan yang tak terhingga banyaknya.
Contoh: tinggi badan responden, berat badan responden, dan
sebagainya.
Skala pengukuran
- Skala nominal: data yang dihimpun dapat dibedakan menjadi beberapa
kategori tanpa memperhatikan urutan tertentu.
Contoh: suku bangsa, agama, dan sebagainya.
- Skala ordinal: data yang dihimpun dapat dibedakan menjadi beberapa
kategori yang berbeda dengan memperhatikan urutan.
Contoh: status sosial ekonomi (tinggi-menengah-rendah), kepangkatan
dalam militer (perwira-bintara-tamtama), dan sebagainya.
- Skala interval: data yang dihimpun dapat diletakkan dalam skala
dengan jarak (interval) antara dua titik skala diketahui dan skala
tersebut tidak memiliki titik nol mutlak (titik pusat).
Contoh: tanggal lahir, suhu tubuh dalam skala Celcius, dan sebagainya.
- Skala rasio: data yang dihimpun dapat diletakkan dalam skala dengan
jarak antara dua titik skala diketahui dan skala tersebut memiliki titik
nol mutlak.
Contoh: usia, suhu ruang dalam skala Kelvin, dan sebagainya.
Data nominal dan ordinal tergolong dalam data kualitatif (kategorik),

sedangkan data interval dan rasio merupakan data kuantitatif (numerik).
Data kualitatif dengan dua kategori disebut sebagai data binomial

(dikotomi, binary), yang selalu tergolong dalam data nominal. Contoh data
3
binomial antara lain jenis kelamin (pria-wanita), hasil ujian (lulus-gagal), dan
sebagainya.
Data kualitatif dengan lebih daripada dua kategori dinamakan data

politomi. Data politomi mungkin berupa data nominal ataupun ordinal.
Sifat-sifat skala pengukuran

Dalam urutannya, skala rasio merupakan skala pengukuran yang
tertinggi, sedangkan skala nominal merupakan skala pengukuran yang
terendah. Ringkasan sifat-sifat keempat skala pengukuran tersebut dapat
dilihat pada matriks 1.1 berikut. Tampak bahwa sifat tiap skala yang lebih
rendah selalu juga akan dimiliki oleh skala yang lebih tinggi.
Matriks 1.1 Sifat-sifat keempat skala pengukuran data
Dapat ditentukan Dapat dibilang

xi < x j ,
Skala xi = x j
xi = x j , Nilai interval Nilai rasio
pengukuran atau
atau ( xi − x j ) ( xi / x j )
xi ≠ x j
xi > x j
Rasio + + + +
Interval + + + −
Ordinal + + − −
Nominal + − − −
4
1.2 NOTASI SIGMA
Aturan sumasi
Aturan 1
Jika xi = k, suatu nilai konstan (yaitu nilai yang tidak berubah dengan
i), maka:
n n
∑ xi =
i =1
∑
i =1
k = k + k + . . . + k = nk
n
∑
i =1
xi = nk (1.1)
Aturan 2
Jika k suatu konstante, maka:
n
∑
i =1
kxi = k x1 + k x2 + . . . + k xn
n
= k ( x1 + x2 + . . . + xn ) = k ∑ xi
i =1
n n
∑
i =1
kxi = k ∑ xi
i =1
(1.2)
Aturan 3
n
∑
i =1
( xi + yi ) = ( x1 + y1 ) + ( x2 + y2 ) + . . . + ( xn + yn )
= ( x1 + x2 + . . . + xn ) + ( y1 + y2 + . . . + yn )
n n
= ∑
i =1
xi + ∑
i =1
yi
n n n
∑ ( xi + yi )
i =1
= ∑ xi +
i =1
∑
i =1
yi (1.3)
5
Contoh 1.1
n n
∑ ( xi + k ) ∑
2
1.
i =1
=
i =1
( xi2 + 2kxi + k 2 )
n n n
= ∑ xi2 +
i =1
∑ ( 2kxi )
i =1
+ ∑
i =1
k2 , aturan 3
n n
= ∑ xi2 + 2k ∑ xi + n k 2 ,
i =1 i =1
aturan 2 dan 1
n 2 n
∑( ) ∑ ( xi + 2 xi y i + y i )
2 2
2. xi + y i =
i =1 i =1
n n n
= ∑
i =1
xi2 + 2 ∑ xi yi +
i =1
∑
i =1
yi2 , aturan 3 dan 2
n n n
3. ∑ ( axi + byi ) = ∑ axi + ∑ byi , aturan 3
i =1 i =1 i =1
n n
= a ∑ xi + b ∑ y i , aturan 2
i =1 i =1
n n
∑ xi ( xi −1) = ∑ ( xi − xi )
2
4.
i =1 i =1
n n
= ∑ xi2 −
i =1
∑ xi , aturan 3
i =1
n n
∑ ( xi −1)( xi +1) = ∑ ( xi −1)
2
5.
i =1 i =1
n n
= ∑ xi2 −
i =1
∑1 , aturan 3
i =1
6
n
= ∑
i =1
xi2 − n, aturan 1
Sumasi Ganda
Misalkan dimiliki mn kuantitas xij , i = 1, 2, . . . , m dan j = 1, 2, . . . , n;

x11 x12 ... x1n
x21 x22 x2 n
. . .
. . .
. . .
xm1 xm 2 xmn
n
m  m  n 
maka: ∑  ∑ xij  =
j =1  i =1 
∑  ∑ xij 
i =1  j =1 
n m m n
atau: ∑∑ xij =
j =1 i =1
∑∑
i =1 j =1
xij
Misalkan Aij = aij xi y j , i = 1, 2, . . . , m dan j = 1, 2, . . . , n,

a11 x1 y1 a12 x1 y2 ... a1n x1 yn
a21 x2 y1 a22 x2 y2 a2 n x2 yn
. . .
. . .
. . .
am1 xm y1 am 2 xm y2 amn xm yn
m n n m
maka: ∑∑ aij xi y j =
i =1 j =1
∑∑
j =1 i =1
a xyij i j
7
n
Misalkan Aij = aij x j dan ∑
i =1
Aij = bi , i = 1, 2, . . . , m dan j = 1, 2, . . .
, n,
a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 a22 x2 a2 n xn = b2
. . . .
. . . .
. . . .
am1 x1 + am 2 x2 + ... + amn xn = bm
n
maka: ∑
i =1
aij x j = bi
m n m
dan: ∑∑
i =1 j =1
aij x j = ∑ bi
i =1
8
LAMPIRAN 1A: PERAN STATISTIKA DALAM
ILMU PENGETAHUAN
Diagram 1. Proses ilmiah menurut Wallace
Diagram 2. Siklus metodologi ilmu pengetahuan (Popper)

9
LAMPIRAN 1B: SKALA PENGUKURAN
Diagram 1. Algoritma pemeriksaan skala pengukuran
10
LAMPIRAN 1C: CONTOH-CONTOH
PENGGUNAAN NOTASI SIGMA
Contoh 1:
5
∑
i =1
xi = x1 + x2 + x3 + x4 + x5
4
∑
j =2
yj = y2 + y3 + y4
3
∑ zk
k =0
= z0 + z1 + z2 + z3
3
∑
i =1
( a + bxi ) = ( a + bx1 ) + ( a + bx2 ) + ( a + bx3 )
5
∑
i =3
( axi + byi ) = ( ax3 + by3 ) + ( ax4 + by4 ) + ( ax5 + by5 )
2
∑
i =1
( axi + b )( cxi + d ) = ( ax1 + b )( cx1 + d ) + ( ax2 + b )( cx2 + d )
3
∑
i =1
( axi yi ) = ax1 y1 + ax2 y2 + ax3 y3
2
∑
i =1
( axi2 + bxi + c ) = ( ax12 + bx1 + c ) + ( ax22 + bx2 + c )
3
∑
i =1
( axi + b )( cxi + d ) = ( ax1 + b )( cx1 + d ) + ( ax2 + b )( cx2 + d ) +
( ax3 + b )( cx3 + d )
11
Contoh 2:
i 1 2 3 4 5
Xi 80 65 70 60 65
5
• ∑
i =1
xi = 80 + 65 + 70 + 60 + 65 = 340
5
• ∑
i =1
xi2 = 802 + 652 + 702 + 602 + 652 = 23,350
5
 5
 5 
• ∑
i =1
( 3xi + 7 ) + 3∑ xi 
 i =1 
+  ∑ 7  = (3)(340) + (5)(7) = 1,055 =
 i =1 
5 5
 5 2  5   5 
∑ ( 2 xi + 3) ∑  4∑ xi  + 12∑ xi  +  ∑ 9 
2
• = 4 xi(
2
+ 12 xi + 9 = )
i =1 i =1  i =1   i =1   i =1 
= (4)(23,350) + (12)(340) + (5)(9) = 97,525
5 5
 5
5  
• ∑
i =1
( xi + 4 )( xi − 4 ) = ∑ ( xi2 − 16 ) = ∑ xi2 
i =1  i =1 
‒  ∑16 
 i =1 
= 23,350 ‒ (5)(16) = 23,270
Catatan:
n
∑
i =1
xi = ∑i xi
m n
∑∑
i =1 j =1
xij = x11 + x12 + . . . + x1n + x21 + x22 + . . . + x2 n +
xm1 + xm 2 + . . . + xmn
m n
∑∑
i =1 j =1
xij = ∑∑
i j
xij
12
LATIHAN 1
Bagian Pertama
Pilihlah satu jawaban yang paling benar !
1. Ukuran-ukuran tertentu yang mendeskripsikan karakteristik suatu

populasi, yang nilai sesungguhnya umumnya tidak diketahui dengan
pasti dinamakan:
2. Ukuran-ukuran tertentu yang nilainya diperoleh dari sampel

dinamakan:
3. Cabang Statistika yang mempelajari tentang peingkasan data yang

diperoleh dari suatu kelompok objek dinamakan:
4. Cabang Statistika yang mempelajari tentang metode untuk

menggeneralisasikan hasil temuannya terhadap kelompok objek yang
lebih luas dinamakan:
5. Peranan metodologi statistika dalam penerapan metode ilmiah ialah

pada tahap:
A. Penentuan tujuan C. Analisis data
B. Pengumpulan informasi D. Semuanya benar
13
6. Yang tergolong dalam data kualitatif ialah:
7. Yang tergolong dalam data kuantitatif ialah:

8. Contoh data diskret di antara yang tersebut di bawah ini yaitu:

A. Lama hidup tikus pwercobaan yang telah diangkat kelenjar anak
ginjalnya
B. Curah hujan tahunan di Kota Jakarta
C. Jumlah motor yang diparkir setiap hari di halaman kampus
Gunadarma Pondokcina
D. Biaya hidup rata-rata bulanan mahasiswa Gunadarma
9. Contoh data kontinu di antara yang tersebut di bawah ini yaitu:

A. Jumlah gigi sehat tanpa karies pada anak TK
B. Banyak peluru kendali yang ditembakkan pasukan koalisi per hari
selama Perang Teluk I
C. Nilai tes esai bahasa Inggris mahasiswa
D. Jumlah kematian akibat kecelakaan lalu lintas per bulan di jalan
tol Jagorawi
10. Data yang diperoleh langsung dari subjek yang ingin diketahui
karakteristiknya dinamakan:
14
11. Data yang diperoleh dari pihak ketiga, yang biasanya telah
dikumpulkan sebelumnya untuk keperluan lain dari subjek yang hendak
dipelajari dinamakan:
12. Luas lantai berbagai tipe rumah disebuah real estate merupakan
contoh data:
B. Ordinal D. Rasio
13. Hasil pengukuran IQ ( intelligence quotient ) merupakan contoh data:

B. Ordinal D. Rasio
14. Jumlah halaman pada buku-buku di sebuah perpustakaan merupakan

contoh data:
15. Nilai IPK mahasiswa semester akhir Gunadarma merupakan contoh

data:
16. Contoh di bawah ini merupakan data berskala ordinal, kecuali:

A. Jenis kelamin subjek
B. Kelompok usia subjek
C. Golongan kepangkatan pada PNS
D. Status social-ekonomi responden
15
17. Contoh berikut adalah data berskala interval, kecuali:
A. Tanggal ulang tahun siswa kelas 3 SMU Bintang Kejora
B. Rata-rata suhu luar-rumah harian di Jakarta yang dinyatakan
dalam skala Celcius.
C. Usia penduduk Desa Tamansari pada HUT terakhirnya
D. Semua merupakan contoh data berskala interval
18. Contoh data berskala rasio di antara pilihan di bawah ini adalah:
A. Suhu dalam skala Celcius C. Suhu dalam skala Kelvin
B. Suhu dalam skala Fahrenheit D. Semuanya benar
19. Pilihlah pernyataan yang benar:

A. Semua sifat skala interval dimiliki oleh skala rasio.
B. Semua sifat skala ordinal dimiliki oleh skala nominal.
C. Semua sifat skala interval dimiliki oleh skala ordinal.
D. Semua sifat skala rasio dimiliki oleh skala interval.
20. Yang tidak benar di antara pernyataan berikut ialah:

n n n n
A. ∑ k = nk ; k konstante
i =1
C. ∑ ( xi . yi ) = ∑ xi ∑ yi
i =1 i =1 i =1
n n n n n
B. ∑ kxi = k ∑ xi
i =1 i =1
D. ∑ ( xi + yi ) = ∑ xi + ∑ yi
i =1 i =1 i =1
16
Bagian Kedua

Misalkan x1 = 1, x2 = 3, x3 = 5, x4 = 8, dan x5 = 6.
5
1. ∑x
i=2
1 =
A. 21 C. 23
B. 22 D. 24
5
2. ∑ ( 3x + 5) =
i =1
i
A. 64 C. 84
B. 74 D. 94
5
3. ∑ ( x − 2 )( 2 x + 3) =
i =1
i i
A. 196 C. 217
B. 203 D. 241
Bagian Ketiga
Selesaikanlah soal-soal berikut:
1. Dalam suatu eksperimen , delapan orang anak diberi makan dengan

menu tertentu selama satu bulan. Angka-angka berikut menunjukkan
tambahan berat badan (dalam ons).
Anak 1 2 3 4 5 6 7 8
Tambahan berat 25 14 21 12 17 −10 0 −15
17
Hitunglah:
5 8
∑ ( xi 2 − xi − 1) ∑ ( x − 8)
2
A. E. i
i =1 i =1
8
1 8
B. x = ∑ xi
8 i =1
F. ∑ ( x − 10 )
i =1
i
5 8
C. ∑ ( xi − 8)
i =1
G. ∑ x − 10
i =1
i
8 5
1 1
D. ∑ x −8 i H. ∑ x − 
8
i =1 i =1  i
2. Data dalam tabel di bawah menunjukkan umur beberapa pasangan

pengantin yang melakukan pernikahan pada tahun bulan Juli 1999 di
Kecamatan Depok.
Pasangan (i) 1 2 3 4 5 6 7 8
Umur pria ( xi ) 23 32 25 26 42 29 19 24
Umur wanita ( yi ) 19 38 21 26 35 32 17 20
Hitunglah:
8 8 8
A. ∑
i =1
xi , ∑ yi , dan ∑ xi yi
i =1 i =1
2 2
2    8   8  8 
8 8 8
B. ∑ xi2 ,
i =1
∑
i =1
yi ,  ∑ i  ,  ∑ yi  ,  ∑ xi   ∑ yi 
x
 i =1   i =1   i =1   i =1 
8
C. ∑
i =1
( xi + yi )
8
∑
2
D. ( xi + yi )
i =1
8
E. ∑
i =1
( 2 xi + 5 yi )
18
BAB 2
PERINGKASAN DATA
Peringkasan data dapat dilakukan secara tabular (penyajian tabel),
secara grafikal (penyajian grafik), dan secara numerik (penyajian angka).
Dalam bagian ini akan dibahas mengenai peringkasan data secara tabular dan
grafikal.
2.1. TABEL
Distribusi Frekuensi
Tabel 2.1 Rincian nilai skala Depresi MMPI-2 50 mahasiswa
Psikologi Gunadarma 2003
21 25 24 23 24 21 19 25 23 27
17 32 26 32 28 29 21 21 25 23
35 37 19 26 24 27 16 23 24 25
25 18 31 23 17 26 29 21 16 23
23 30 29 18 28 22 19 24 29 21
Data yang disajikan diatas dikatakan sebagai data mentah (raw data).
Seyogyanya data tersebut disusun dari angka terkecil hingga angka terbesar:
Tabel 2.2. Rincian nilai terurut skala Depresi MMPI-2 50 mahasiswa

16 16 17 17 18 18 19 19 19 21
21 21 21 21 21 22 23 23 23 23
23 23 23 24 24 24 24 24 25 25
25 25 25 26 26 26 27 27 28 28
29 29 29 29 30 31 32 32 35 37
Distribusi frekuensi sering disebut sebagai tabel frekuensi. Contohnya

diperlihatkan pada tabel 2.3.
19
Tabel 2.3. Distribusi frekuensi berat badan 64 mahasiswa
Berat badan (kg) Frekuensi
36-44 20
45-53 19
54-62 17
63-71 5
72-80 1
81-89 1
90-98 1
Jumlah 64
Beberapa istilah:
a. Kelas / kelompok data
Jumlah kelas: biasanya 5 s.d. 15
Aturan Sturges (dibaca: ster’-jes):
Jumlah kelas = 1 + 3.322 log n (2.1)
Aturan Sturges hanya digunakan jika secara substantif menurut bidang

ilmu yang bersangkutan belum ada kategorisasi baku bagi variabel yang
data-nya hendak ditabelkan.
b. Interval kelas
Adalah jarak antara kelas yang satu dengan lainnya secara berurutan.
Rentang + 1
Interval kelas = (2.2)
Jumlah kelas
Rentang adalah beda antara nilai data terbesar dengan nilai data terkecil.
c. Batas kelas dan tepi batas kelas
Batas-batas kelas (class limits) adalah dua angka yang dijadikan sebagai
pembatas kelas, terdiri atas batas kelas atas dan batas kelas bawah.
Kelas IV Kelas V
-----------o------------------------------------------------o---------------
Batas kelas atas Batas kelas bawah

kelas keempat kelas kelima
Diagram 2.1. Batas kelas atas dan bawah dengan garis bilangan
untuk data pada tabel 2.3
20
tepi batas
Kelas IV kelas Kelas V
------------o--------------------------o-----------------------o-----------
71 71.5 72
Batas kelas atas Batas kelas bawah
kelas keempat kelas kelima
Diagram 2.2. Tepi batas kelas (class boundaries ) dengan garis bilangan
untuk data pada tabel 2.3
Contoh distribusi frekuensi dengan tepi batas kelas sebagai batas kelas:
Tabel 2.4. Distribusi berat badan 64 mahasiswa Psikologi Gunadarma
3003 − tepi batas kelas sebagai batas kelas
Berat badan (kg) Frekuensi

35.5-44.5 20
44.5-53.5 19
53.5-62.5 17
62.5-71.5 5
71.5-80.5 1
80.5-89.5 1
89.5-98.5 1
Jumlah 64
d. Titik tengah
Titik tengah setiap kelas dijadikan penaksir data asli yang sudah hilang
sebagai akibat proses pengelompokan. Contoh distribusi frekuensi
dengan titik tengah:
Tabel 2.5. Distribusi berat badan 64 mahasiswa Psikologi Gunadarma
2003 − dengan titik tengah
Batas-batas kelas Tepi-tepi batas kelas Titik-titik tengah Frekuensi

36-44 35.5-44.5 40 20
45-53 44.5-53.5 49 19
54-62 53.5-62.5 58 17
63-71 62.5-71.5 67 5
72-80 71.5-80.5 76 1
81-89 80.5-89.5 85 1
90-98 89.5-98.5 94 1
Jumlah 64
21
Langkah-langkah penyusunan distribusi frekuensi:
a. Menentukan jumlah kelas:
Untuk contoh tabel 2.2 → n = 50
Dengan aturan Sturges:
Jumlah kelas = 1 + 3.322 log 50
= 6.64 ≈ 7 kelas
b. Menentukan interval kelas
Rentang angka data terbesar dengan angka terkecil adalah:
37 – 16 = 21
Interval kelas = [Rentang kelas + 1] : jumlah kelas
= 22 : 7 = 3.14 ≈ 4 (dibulatkan ke atas)
c. Menyusun kelas-kelas data
Tabel 2.6. Batas kelas bawah dan batas kelas atas
Batas kelas bawah Batas kelas atas
13 16
17 20
21 24
25 28
29 32
33 36
37 40
d. Memasukkan data
Semua angka data harus dapat dimasukkan tanpa mengalami keragu-
raguan. Pemasukan data dipermudah dengan membuat tally (melidi)
terlebih dahulu.
Tabel 2.7. Distribusi frekuensi nilai skala Depresi MMPI-2 50

mahasiswa Psikologi Gunadarma 2003 − proses melidi
Nilai skala D Tally Frekuensi
13-16 // 2
17-20 ///// // 7
21-24 ///// ///// ///// //// 19
25-28 ///// ///// // 12
29-32 ///// /// 8
33-36 / 1
37-40 / 1
Jumlah 50
22
Hasil penyusunan distribusi frekuensi:

mahasiswa Psikologi Gunadarma 2003
Nilai skala D Frekuensi

13-16 2
17-20 7
21-24 17
25-28 12
29-32 8
33-36 1
37-40 1
Jumlah 50
Batas atas dapat juga dinyatakan dengan simbol ‘lebih kecil daripada’
(<):

mahasiswa Psikologi Gunadarma 2003 – batas atas dengan
simbol ‘lebih kecil daripada’
Nilai skala D Frekuensi

D < 17 2
17 < D < 21 7
21 < D<25 19
25 < D < 29 12
29 < D < 33 8
33 < D < 37 1
D > 37 1
Jumlah 50
Distribusi Frekuensi Relatif

Frekuensi data dinyatakan dengan bilangan relatif (proporsi atau
persentase). Contoh:
23
Nilai skala D Persentase

D < 17 4%
17 < D < 21 14 %
21 < D<25 38 %
25 < D < 29 24 %
29 < D < 33 16 %
33 < D < 37 2%
D > 37 2%
Jumlah 100 %
Distribusi Frekuensi Kumulatif

Distribusi frekuensi kumulatif dibedakan menjadi dua:
Distribusi frekuensi kumulatif ‘kurang daripada’ (KDP)
Distribusi frekuensi kumulatif ‘sama atau lebih daripada’ (LDP)
Tabel 2.11. Penyusunan distribusi frekuensi kumulatif tipe KDP
13-16 2 < 17 2
17-20 7 < 21 20 + 7 = 9
21-24 19 < 25 9 + 19 = 28
25-28 12 < 29 28 + 12 = 40
29-32 8 < 33 40 + 8 = 48
33-36 1 < 37 48 + 1 = 49
37-40 1 < 41 49 + 1 = 50
24
Distribusi frekuensi kumulatifnya adalah:

Nilai skala D Frekuensi kumulatif
< 17 2
< 21 9
< 25 28
< 29 40
< 33 48
< 37 49
< 41 50
Contoh penyusunan distribusi frekuensi kumulatif tipe ‘sama atau

lebih daripada’:
Tabel 2.13. Penyusunan distribusi frekuensi kumulatif tipe
‘sama atau lebih daripada’
13-16 2 > 13 48 + 2 = 50
17-20 7 > 17 41 + 7 = 48
21-24 19 > 21 22 + 19 = 41
25-28 12 > 25 10 + 12 = 22
29-32 8 > 29 2 + 8 = 10
33-36 1 > 33 1+1=2
37-40 1 > 37 1
Hasil akhirnya adalah:
Tabel 2.14. Penyusunan distribusi frekuensi kumulatif nilai skala Depresi

MMPI-2 50 mahasiswa Psikologi Gunadarma 2003 –
tipe ‘sama atau lebih daripada’
Nilai skala D Frekuensi kumulatif
> 13 50
> 17 48
> 21 41
> 25 22
> 29 10
> 33 2
> 37 1
25
2.2. GRAFIK
Histogram Frekuensi:
Histogram merupakan penyajian secara grafikal data yang ada pada
tabel distribusi frekuensi. Histogram umumnya digunakan untuk data
kuantitatif (numerik) yang dikategorisasikan.
Diagram 2.3. Histogram nilai skala Depresi MMPI-2 50 mahasiswa

Angka-angka pada sumbu horizontal dapat diambil dari:
- Tepi-tepi batas kelas (class boundaries), atau:
- Batas-batas kelas (class limits)
Poligon Frekuensi
Sama seperti histogram, hanya pada poligon frekuensinya dilukiskan
dalam bentuk garis yang menghubungkan tiap titik tengah puncak masing-
masing kelas. Poligon frekuensi untuk data pada tabel 2.8 adalah:
26
Diagram 2.4. Poligon frekuensi nilai skala Depresi MMPI-2 50
Ogive
Distribusi frekuensi kumulatif dapat disajikan dalam bentuk diagram
yang dinamakan ogive. Ogive untuk tabel 2.12 adalah:
Diagram 2.5. Ogive nilai skala MMPI-2 50 mahasiswa Psikologi

Gunadarma 2003
27
Diagram Batang (bar chart)
Biasanya digunakan untuk data kategorik ordinal. Berbeda dengan
histogram, pada diagram batang antara batang yang satu dengan yang
berikutnya didapatkan celah (gap).
Diagram 2.6. Tingkat pendidikan 100 responden

Studi Jantung Honolulu, 1969
Diagram Lingkar (pie chart)

Biasanya digunakan untuk data kategorik nominal.
28
Diagram 2.7. Asal fakultas 218 mahasiswa
Studi Nyeri Kepala Gunadarma, 2003
Diagram Batang-dan-Daun:
Diagram batang-dan–daun (stem-and-leaf) merupakan kombinasi
antara histogram dengan penyajian data individual secara numerik. Untuk
angka dua digit, puluhan dijadikan ‘batang’ dan satuan dijadikan ‘daun’.
Dari contoh data pada tabel 2.15 di bawah dihasilkan diagram batang-
dan-daun seperti terlihat pada diagram 2.8.
Tabel 2.15 Contoh data yang telah diurut untuk pembuatan

diagram batang-dan –daun
41 45 49 51 52 53 55 56 56 57
57 58 59 59 60 61 61 62 63 63
65 65 65 67 67 67 67 69 69 69
69 70 71 71 71 73 73 73 73 73
75 75 77 77 77 79 79 81 81 81
83 83 87 89 89 92 92 93 94 96
29
4* | 159
5* | 12356677899
6* | 01123355577779999
7* | 0111333335577799
8* | 11133799
9* | 22346
Diagram 2.8. Diagram batang-dan-daun yang dihasilkan dari

data pada tabel 2.15
30
LAMPIRAN 2A BAGIAN-BAGIAN TABEL
1. Judul (title).
- ditempatkan di atas tabel
- memberikan deskripsi yang singkat dan eksplisit mengenai isi tabel
- terdiri atas:
a. nomor tabel (table number) jika ada lebih daripada satu tabel
b. cakupan dan jangkauan informasi
c. periode sehubungan dengan isi tabel
d. cara pengumpulan informasi
e. unit pengukuran apabila tak disebutkan di bagian lain tabel
f. jika judul terlalu panjang, sebagian di antaranya ditulis di bawah
judul utama(sebagai headnote)
2. Caption kolom (column caption)

- Klasifikasi yang dianggap lebih penting disusun per kolom
- Caption untuk tiap kolom diletakkan pada puncak tiap kolom
- Kolom disusun menurut urutan kepentingannya, menurut abjad, atau
menurut urutan waktu
3. Stub / caption baris (row caption)

Terletak pada sisi terkiri baris yang berkaitan
4. Badan tabel (body)

- Himpunan entry yang termuat pada sel-sel tabel yang relevan
5. Catatan kaki (footnote)

- Sumber informasi biasanya dicantumkan di bawah tabel
31
Contoh tabel dan bagian-bagiannya
32
LATIHAN 2
Bagian Pertama
1. Jarak antara kelas yang satu dengan kelas lainnya secara berurutan pada
tabel distribusi frekuensi dinamakan:
A. Rentang
B. Interval kelas
C. Limit kelas (class limit)
D. Batas kelas (class boundary)
2. Array adalah:
A. Kumpulan data yang sudah di urutkan dari yang terkecil ke yang
terbesar
B. Kumpulan data yang telah disusun dalam bentuk distribusi
frekuensi
C. Kumpulan data yang memiliki lebih daripada satu modus
D. Semuanya salah
3. Misalkan dari suatu survei diperoleh data sebanyak 200 item. jika akan
dibuat distribusi frekuensinya, jumlah kelas menurut aturan Sturges
adalah:
A. 5 C. 9
B. 7 D. 12
4. Jika untuk soal No. 3 di atas diketahui pula nilai minimum X min = 35
dan nilai maksimum X max = 164, maka interval kelas adalah:
A. 14 C. 18
B. 15 D. 19
5. Sebuah tabel yang lengkap sekurang-kurangnya terdiri atas:

A. Judul tabel, stub, body, sumber.
B. Judul tabel, stub, body, jumlah.
C. Judul tabel, stub, column caption, body.
D. Judul tabel, column caption, body, sumber.
33
6. Tabel yang baik ialah tabel yang:
A. bersifat self − explanatory.
B. sederhana
C. bersifat self − explanatory dan sederhana.
D. bersifat self − explanatory dan kompleks.
7. Data yang tersusun dalam bentuk distribusi frekuensi dapat disajikan

dalam bentuk grafik berikut, kecuali:
A. Histogram C. Diagram batang
B. Diagram tebar D. Diagram lingkar
8. Ogive adalah:
A. Poligon frekuensi untuk frekuensi kumulatif
B. Histogram untuk distribusi frekuensi relatif
C. Diagram batang untuk distribusi frekuensi mutlak
D. Semuanya salah
9. Diagram batang terutama dianjurkan penggunaannya untuk:

A. Data kategorik nominal
B. Data kategorik ordinal
C. Data numerik yang dikategorisasikan
D. Semuanya salah
10. Secara konseptual, diagram ‘batang-daun-daun’ (stem-and-leaf)

merupakan perpaduan antara penyajian data secara numerik dengan:
A. Histogram C. Piktogram
B. Diagram kotak D. Diagram lingkar
34
11. Dari grafik di bawah ini dapat disimpulkan bahwa:
Diagram. Jumlah penjualan komputer di Toko A, B, dan C

Agustus 2000
A. Jumlah penjualan di Toko B kurang lebih dua kali penjualan di
Toko A.
B. Jumlah penjualan di Toko A kurang lebih sepertiga penjualan di
Toko C.
C. A) dan B) benar.
D. A) dan B) salah.
35
Bagian Kedua
Selesaikan soal berikut:
Angka-angka berikut menunjukkan penghasilan bulanan 84 keluarga

di desa B (dalam ribuan rupiah).
67 52 72 42 21 55 47 66 54 37 37 34
59 51 44 56 48 44 69 56 27 34 47 59
20 51 42 78 35 61 44 51 52 77 82 57
63 73 49 67 33 78 48 47 41 62 72 85
25 72 54 52 108 28 93 37 22 37 66 49
69 42 54 59 58 75 61 66 99 97 51 61
26 73 33 71 64 57 55 56 47 87 68 97
Dengan menggunakan langkah-langkah yang telah Anda pelajari,

susunlah tabel distribusi frekuensi untuk menyajikan ringkasan data di atas
secara deskriptif. Perhatikan juga bagian-bagian yang harus ada pada saat
penyajian tabel.
36
BAB 3
UKURAN STATISTIK
3.1 UKURAN PUSAT (NILAI TENGAH)
Rerata; Rerata Hitung (Mean; Arithmetic Mean) untuk
Data Tak-berkelompok (Ungroup Data)
Rerata hitung adalah jumlah seluruh angka data dibagi dengan
banyaknya (jumlah) data.
x + x + . . . + xn
x = 1 2
n
n
∑
i
=1
xi
atau x= (3.1)
n
x : rerata sampel
xi : data ke-i variabel acak X; i = 1, 2, . . . , n
n : ukuran sampel (banyaknya anggota sampel)
Untuk populasi:
N
∑
i
Xi
=1
µ = (3.2)
N
µ : rerata populasi (dibaca: myu)

Xi : data ke-i variabel acak X; i = 1, 2, . . . , N
N : ukuran populasi (banyaknya anggota populasi)
Contoh 3.1:
Misalkan dimiliki data tinggi badan 10 orang mahasiswa (dalam cm):
162, 161, 157, 154. 164, 170, 162, 165, 162, 161.
n
n = 10 dan ∑
i
=1
xi = 162 + 161 + . . . + 161 = 1618
37
n
∑
i
=1
xi
1618
sehingga: x= = = 161.8
n 10
Rerata Hitung untuk Data Berkelompok (Grouped Data)

Rerata sampel:
k
∑
j
f jxj
=1
x= k
∑
j
fj
=1
k
∑
j
f jxj
=1
atau: x= (3.3)
n
x : rerata sampel
xj : titik tengah kelas ke-j; j = 1, 2, . . . , k
fj : frekuensi (banyak anggota) kelas ke-j
n : ukuran sampel (jumlah frekuensi data sampel)
Rerata populasi:
K
∑
j
fjX j
=1
µ = K
∑
j
fj
=1
K
∑
j
fjX j
=1
atau: µ = (3.4)
N
µ : rerata populasi
Xj : titik tengah kelas ke-j; j = 1, 2, . . . , K
fj : frekuensi (jumlah anggota) kelas ke-j
N : ukuran populasi (jumlah frekuensi data populasi)
38
Contoh 3.2:
Lihat kembali data berat badan 64 mahasiswa Psikologi Gunadarma
pada tabel 2.3.
Tabel 3.1. Perhitungan rerata berat badan

mahasiswa Psikologi Gunadarma
Berat badan Titik tengah: Frekuensi:

fj Xj
(kg) Xj fj
36-44 40 20 800
45-53 49 29 931
54-62 58 17 986
63-71 67 5 335
72-80 76 1 76
81-89 85 1 85
90-98 94 1 34
Jumlah 64 3,307
3, 307
x = = 51.67
64
Keunggulan rerata:
1. Lebih dikenal, sehingga penggunaannya pun lebih mudah .
2. Setiap dapat digunakan data kuantitatif memiliki dan hanya memiliki
satu rerata.
3. Karena kumpulan data hanya memilki satu rerata, maka ukuran pusat
data ini dapat digunakan dengan baik dalam prosedur statistika, seperti
perbandingan dua atau lebih kumpulan data.
Kelemahan rerata:
1. Sangat peka terhadap data ekstrim.
2. Tidak dapat digunakan untuk menentukan ukuran pusat data kualitatif.
3. Untuk data berkelompok, hasil perhitungan tidak mencerminkan rerata
sesungguhnya.
4. Untuk data berkelompok dengan kelas terbuka, rerata-nya tidak dapat
dihitung.
39
Rerata Geomerik (Geometric Mean)
Misalkan G menyatakan rerata geometrik untuk data x1 , x2 , . . . , xn ,
maka:
n
G n = x1 . x2 . . . xn = xi (3.5.a)
i =1
log G n = log ( x1 , x2 , . . . , xn = log x1 + log x2 + . . . + log xn

n
n log G = ∑
i =1
log xi
n
∑
i =1
log xi
sehingga: log G = (3.5.b)
n
n
atau: G= n x1 x2 . . . xn = n
i =1
xi (3.5.c)
Contoh 3.3:
Misalkan jumlah kasus DBD (Demam Berdarah Dengue) di kota B
pada tahun 2000, 2001, 2002, dan 2003 masing-masing adalah 124, 130,
143, dan 158. Rerata geometriknya adalah:
G= n x1 x2 . . . xn
= 4 (124 )(130 )(143)(158) = 138.15
Rerata Harmonik (Harmonic Mean)

Misalkan H menyatakan rerata harmonik untuk data x1 , x2 , . . . , xn ,
maka:
n
1
1
∑ x
= i =1 i (3.6.a)
H n
n
sehingga: H= n (3.6.b)
1
∑
i =1 xi
40
Contoh 3.4:
Misalkan kelajuan sebuah mobil adalah 60 km/jam selama
menempuh kilometer pertama, 80 km/jam pada kilometer kedua, dan 65
km/jam pada kilometer ketiga. Rerata kelajuan mobil tersebut (dihitung
sebagai rerata harmonik) dalam km/jam adalah:
n
H= n
1
∑
i =1 xi
3 3
= = = 67.34
1 1 1 1 1 1
+ + + +
x1 x2 x3 60 80 65
Rerata Tertimbang (Weighted Mean)

Misalkan W menyatakan rerata tertimbang untuk data x1 , x2 , . . . ,
xn , masing-masing dengan penimbang (bobot) w1 , w2 , . . . , wn , maka
rerata tertimbang adalah:
n
∑
i
wi xi
=1
W= n (3.7a)
∑
i
wi
=1
Jika penimbang dinyatakan dalam proporsi (atau persentase), maka

∑ wi = 1, sehingga:
n
W= ∑
i
wi xi
=1
(3.7.b)
Contoh 3.5:
Misalkan mahasiswa Y mendapatkan nilai 90 untuk tugas harian mata
kuliah Statistika, 80 untuk Ujian Tengah Semester, dan 60 untuk Ujian Akhir
Semester. Jika bobot tugas harian, UTS, dan UAS masing-masing adalah
10%, 60%, dan 30%, maka nilai akhirnya (dihitung sebagai rerata
tertimbang) adalah:
n
W= ∑
i
wi xi
=1
= (0.10)(90) + (0.60)(80) + (0.30)(60) = 75
41
Rerata Terpangkas (Trimmed mean)
Rerata terpangkas digunakan untuk menghindari pengaruh nilai-nilai
ekstrim terhadap rerata. Untuk menghitungnya, mula-mula data
‘dipangkas’, yaitu dengan membuang sejumlah nilai terendah dan nilai-nilai
tertinggi, misalnya 5% nilai terendah dan 5% nilai tertinggi (atau 10% nilai
terendah dan 10% nilai tertinggi), lalu terhadap sisa data dilakukan
perhitungan rerata hitung seperti biasa.
Median untuk Data Tak-berkelompok

Median adalah ukuran pusat data yang nilainya terletak di tengah-
tengah kumpulan data yang terurut.
Untuk menentukan median, mula-mula data harus disusun berupa
array, yaitu data yang diurutkan dari yang terkecil sampai dengan yang
terbesar:
X1 , X 2 , X 3 ,..., X n
() ( ) ( ) ( )
X adalah data terkecil (= X min ), sedangkan X adalah data terbesar (=
(1) ( n)
X max ).
Posisi median adalah:
n +1
Pmed = (3.8)
2
sehingga median adalah:
Med = X , n ganjil )
 n+1 
 2 
 
X +X
n n 
2  +1
  2 
Med = , n genap ) (3.8.a)
2
Contoh 3.6:
Lihat kembali data tinggi badan 10 orang mahasiswa pada contoh 3.1:
162, 161, 157, 154, 164, 170, 162, 165, 162, 161. Data diurutkan dalam
bentuk array (dibaca: er-rei) sebagai berikut:
42
X = 154 X = 162
(1) ( 6)
X = 157 X = 162
( 2) (7)
X = 161 X = 164
( 3) (8)
X = 161 X = 165
( 4) (9)
X = 162 X = 170
( 5) (10 )
n = 10, sehingga posisi median adalah Pmed = (10 + 1) 2 = 5.5.

Karena n genap, maka median adalah:
X 5 +X 6
() ( ) 162 + 162
Med = = = 162
2 2
Seandainya n = 9 dan X = 170 tidak ada, maka posisi median

(10 )
adalah Pmed = ( 9 + 1) 2 = 5 dan median adalah Med = X = 162.
( 5)
Median untuk Data Berkelompok
 ( n 2 ) − fkmed 
Med = Bmed +  i (3.9)
 f med 
Med : median
Bmed : tepi batas kelas bawah pada kelas median (lower class boundary)
i : interval kelas
n : ukuran sampel
fkmed : frekuensi kumulatif sebelum kelas median
f med : frekuensi pada kelas median
Contoh 3.7:
pada tabel 2.3.
43
Tabel 3.2. Distribusi frekuensi berat badan 64 mahasiswa
Berat Badan (kg) Frekuensi Frekuensi kumulatif

36-44 20 20
45-53 19 39
54-62 17 56
63-71 5 61
72-80 1 62
81-89 1 63
90-98 1 64
Jumlah 64
Titik posisi median = 32. Kelas posisi median yaitu kelas ke-2.
Bmed = 44.5
i =9
fkmed = 20
f med = 19
 ( n 2 ) − fkmed 
Med = Bmed +  i
 f med 
 32 − 20 
= 44.5 +  9 = 50.18
 19 
Keunggulan median:
1. Tidak dipengaruhi oleh data ekstrim
2. Mudah dimengerti dan mudah dihitung, baik dari data tak-berkelompok
maupun data berkelompok. Juga dapat dihitung untuk data
berkelompok dengan kelas terbuka.
3. Dapat digunakan untuk data kuantitatif maupun data kualitatif.
Kelemahan median:
1. Hanya dapat ditentukan dari data yang telah diurutkan sehingga
membutuhkan waktu yang tidak sedikit.
2. Dihitung bukan berdasarkan nilai data, tetapi berdasarkan jumlah data,
sehingga sulit dijadikan sebagai ukuran pusat data untuk
menggambarkan kumpulan datanya.
44
Modus untuk Data Tak-berkelompok
Modus adalah nilai yang memiliki frekuensi tertinggi.
Contoh 3.8:
Lihat kembali data tinggi badan 10 orang mahasiswa pada contoh 3.1:
162, 161, 157, 154, 164, 170, 162, 165, 170, 161. Modus akan lebih mudah
ditentukan jika data tersusun dalam distribusi frekuensi seperti di bawah ini.
Tabel 3.3. Distribusi frekuensi tinggi badan 10 mahasiswa
Tinggi badan (cm) Frekuensi

154 1
157 1
161 2
162 3
164 1
165 1
170 1
Tampak bahwa modus data adalah Mo = 162
Modus untuk Data Berkelompok
 di 
Mo = Bmo +  i (3.10)
 d1 + d 2 
Mo : modus
Bmo : tepi batas kelas bawah pada kelas modus
i : interval kelas
d1 : frekuensi kelas modus dikurangi frekuensi kelas sebelum kelas
modus
d2 : frekuensi kelas modus dikurangi frekuensi kelas sesudah kelas
modus
45
Contoh 3.9:
pada tabel 2.3 dan distribusi frekuensi beserta frekuensi kumulatifnya pada
tabel 3.2.
Kelas posisi modus yaitu kelas pertama.
Bmo = 35.5
i=9
d1 = 20 ‒ 0 = 20
d 2 = 20 ‒ 19 = 1
 di 
Mo = Bmo +  i
 d1 + d 2 
 20 
= 35.5 +  9 = 44.07
 20 + 1 
Keunggulan modus:
1. Dapat digunakan untuk data kualitatif maupun kuantitatif.
2. Tidak dipengaruhi oleh data ekstrim.
3. Dapat dihitung untuk data berkelompok dengan kelas terbuka.
Kelemahan modus:
1. Dalam kasus-kasus tertentu, kumpulan data tidak memiliki modus.
2. Jika modus justru lebih daripada satu, tidak dapat digunakan sebagai
ukuran pusat data.
Contoh 3.10:
Hitung rerata, median, dan modus distribusi frekuensi berikut:
Tabel 3.4. Distribusi frekuensi IPK 32 orang mahasiswa
IPK Frekuensi
X < 1.5 1
1.5 < X < 2.0 4
2.0 < X < 2.5 5
2.5 < X < 3.0 7
3.0 < X < 3.5 11
X > 3.5 4
Jumlah 32
46
Tabel 3.5. Perhitungan rerata, median, dan modus IPK
32 orang mahasiswa
Xj fj Xj fj Frekuensi kumulatif
1.52 1 1.25 1
1.75 4 7.00 5
2.25 5 11.25 10
2.75 7 19.25 17
3.25 11 35.75 28
3.75 4 15.00 32
Jumlah 32 89.50
a. Rerata:
n
∑
i
Xi
=1 89.50
X= = = 2.80
n 32
b. Median:
Kelas posisi median adalah kelas keempat.
 ( n 2 ) − fkmed 
Med = Bmed +  i
 f med 
16 − 10 
= 2.50 +  0.5 = 2.93
 7 
c. Modus:
Kelas posisi modus adalah kelas kelima.
 di 
Mo = Bmo +  i
 d1 + d 2 
 4 
= 3.00 +  0.5 = 3.18
 4 + 7 
Kuartil untuk Data Tak-berkelompok

Kuartil membagai sederetan data terurut menjadi empat bagian yang
sama. Terdapat tiga kuartil, yaitu kuartil pertama ( Q1 ), kuartil kedua ( Q2 ),
dan kuartil ketiga ( Q3 ).
47
Posisi kuartil (n < 30):
n+2
Posisi Q1 = )
4
2n + 2 n +1
Posisi Q2 = = ) (3.11)
4 2
= Posisi median
3n + 2
Posisi Q3 = )
4
Kuartil untuk Data Berkelompok

Nilai kuartil (n > 30):
 ( n 4 ) − fkq 
Q1 = Bq +  i (3.12.a)
 fq 
 ( 3n 4 ) − fkq 
Q3 = Bq +  i (3.12.b)
 fq 
Q1 : kuartil pertama
Q3 : kuartil ketiga
Bq : tepi batas kelas bawah pada kelas kuartil
i : interval kelas
n : ukuran sampel
fkq : frekuensi kumulatif sebelum kelas kuartil
fq : frekuensi pada kelas kuartil
Contoh 3.11:
Lihat tabel 3.5. Tentukan kuartil pertama dan kuartil ketiga!
32
Posisi kuartil pertama: =8
4
Bq = 2.00
i = 0.5
48
fkq = 5
fq = 5
 ( n 4 ) − fkq 
Q1 = Bq +  i
 fq 
8 − 5 
= 2.00 +  (0.5) = 2.25
 5 
Posisi kuartil ketiga:

( 3)( 32 ) = 24
4
Bq = 3.00
i = 0.5
fkq = 17
f q = 11
 ( 3n 4 ) − fkq 
Q3 = Bq +  i
 fq 
 24 − 17 
= 3.00 +  (0.5) = 3.32
 11 
Desil dan Persentil

Pada desil, deretan data terurut dibagi menjadi 10 bagian yang sama.
Desil ke-1: n/10

Desil ke-2: 2n/10
Desil ke-3: 3n/10
Desil ke-4: 4n/10
Desil ke-5: 5n/10 ← Median
Desil ke-6: 6n/10
Desil ke-7: 7n/10
Desil ke-8: 8n/10
Desil ke-9: 9n/10
49
Contoh 3.12:
Lihat tabel 3.6. Tentukan desil ke-7!
Tabel 3.6. Distribusi frekuensi berat badan 120 siswa SMU

Berat Badan (kg) Frekuensi Frekuensi kumulatif
43.5-47.5 1 1
47.5-51.5 4 5
51.5-55.5 17 22
55.5-59.5 28 50
59.5-63.5 25 75
63.5-67.5 18 93
67.5-71.5 13 106
71.5-75.5 6 112
75.5-79.5 5 117
79.5-83.5 2 119
83.5-87.5 1 120
Jumlah 120
120 × 7
Posisi desil ke-7: = 84
10
Bd (tepi batas bawah kelas desil) : 63.5
i (interval kelas) : 4
fkd (frekuensi kumulatif sebelum kelas desil) : 75
f d (frekuensi pada kelas desil) : 18
Desil ke-7 adalah:

 ( 7 n 10 ) − fkd 
D7 = Bd +  i
 fd 
 84 − 75 
= 63.5 +  (4) = 65.5
 18 
50
Posisi beberapa titik persentil:
Persentil ke-1 n/100

Persentil ke-12 12n/100
Contoh 3.13:
Lihat tabel 3.6. Tentukan persentil ke-67!
120 × 67
Posisi titik persentil ke-67: = 80.4
100
B p (tepi batas bawah kelas persentil) : 63.5
i (interval kelas) : 4
fk p (frekuensi kumulatif sebelum kelas persentil) : 75
f d (frekuensi pada kelas persentil) : 18
Persentil ke-67 adalah:

 ( 67 n 10 0 ) − fk p 
P67 = B p +  i
 fp 
 80.4 − 75 
= 63.5 +  (4) = 64.7
 18 
51
3.2 UKURAN PENYEBARAN
Rentang (Range)
Rentang adalah selisih antara data terbesar dan data terkecil.
R = X max ‒ X min (3.13)
Contoh 3.14:
Lihat kembali data tertinggi badan 10 mahasiswa pada contoh 3.1.
Data terkecil adalah X min = 154 dan data terbesar adalah X max = 170,
sehingga rentang adalah:
R = X max ‒ X min
= 170 ‒ 154 = 16
Rentang Inter-kuartil
Rentang inter-kuartil (inter-quartile range) adalah selisih antara
kuartil ketiga dan kuartil pertama.
IQR = Q3 ‒ Q1 (3.14)
Contoh 3.15:
Lihat data IPK 32 orang mahasiswa pada tabel 3.4. Pada contoh 3.11
telah dihitung kuartil pertama Q1 = 2.25 dan kuartil ketiga Q3 = 3.32,
sehingga rentang inter-kuartil adalah:
IQR = Q3 ‒ Q1
= 3.32 ‒ 2.25 = 1.07
Deviasi Mutlak Rata-rata

Deviasi mutlak rata-rata (mean absolute deviation; MAD) adalah rata-
rata nilai mutlak penyimpangan (deviasi) data terhadap reratanya.
Deviasi mutlak rata-rata untuk populasi adalah:
N
∑
i
Xi − µ
=1
MAD = (3.15)
N
52
dan deviasi mutlak rata-rata untuk sampel adalah:
n
∑
i
xi − x
=1
MAD = (3.15.a)
n
Variansi dan Standar Deviasi Data Tak-berkelompok

Variansi adalah rata-rata kuadrat deviasi data observasi terhadap
rerata-nya. Variansi data populasi dilambangkan dengan σ 2 (dibaca: sigma
kuadrat), sedangkan variansi data sampel dilambangkan dengan s 2 .
Standar deviasi, disingkat SD adalah akar variansi. Standar deviasi
data populasi dilambangkan dengan σ , sedangkan standar deviasi data
sampel dilambangkan dengan s.
Rumus definisi variansi dan SD untuk populasi:
N
∑
2
( Xi − µ )
σ2 = i=1
(3.16)
N
N
∑
2
( Xi − µ )
i =1
σ = (3.16.a)
N
σ2 : variansi populasi
σ : standar deviasi populasi
Xi : data ke-i variabel random X; i i = 1, 2, . . . , N
N : ukuran populasi
Rumus definisi variansi dan SD untuk sampel:

n
∑
2
( xi − x )
i
s2 = =1
(3.17)
n −1
53
n
∑
2
( xi − x )
i=1
s= (3.14.a)
n −1
s2 : variansi sampel
s : standar deviasi sampel
xi : data ke-i variabel random X; i = 1, 2, . . . , n
x : rerata sampel
n : ukuran sampel
Dalam praktik, yang digunakan umumnya adalah rumus operasional.
Rumus operasional variansi dan SD untuk populasi:
∑ X i2 − ( ∑ X i ) N 
2
2
σ =  (3.18)
N
∑ X i2 − ( ∑ X i ) N 
2
σ =  (3.18.a)
N
Xi : data ke-i variabel random X; i = 1, 2, . . . , N
N : ukuran populasi
Rumus operasional variansi dan SD untuk sampel:
∑ xi2 − ( ∑ xi ) n 
2
2
s =  (3.19)
n −1
∑ xi2 − ( ∑ xi ) n 
2
s=  (3.19.a)
n −1
xi : data ke-i variabel random X; i = 1, 2, . . . , n
n : ukuran sampel
54
Contoh 3.16:
Lihat kembali data tinggi badan 10 mahasiswa pada contoh 3.1.
Tabel 3.7. Perhitungan variansi dan standar deviasi tinggi badan

10 mahasiswa
2
Tinggi badan (= X i ) Rerata (= X ) ( Xi − X ) ( Xi − X ) X i2
162 161.8 0.2 0.04 26,244
161 161.8 −0.8 0.64 25,921
157 161.8 −4.8 23.04 24,649
154 161.8 −7.8 60.84 23,716
164 161.8 2.2 4.84 26,896
170 161.8 8.2 67.24 28,900
162 161.8 0.2 0.04 26,244
165 161.8 3.2 10.24 27,225
162 161.8 0.2 0.04 26,244
161 161.8 −0.8 0.64 25,921
1,618 0 167.60 261,960
n
∑
2
( Xi − X )
i
s2 = =1
n −1
167.60
= = 18.62
10 − 1
s = 18.62 = 4.32
Dengan rumus operasional:

∑ X i2 − ( ∑ X i ) n 
2
2
s = 
n −1
261,960 − (1, 618 ) 10 
2
=   = 18.62
10 − 1
55
Variansi dan Standar Deviasi Data Berkelompok
Rumus definisi variansi SD untuk populasi:
K 2 K 2
∑ (
fj X j −µ ) ∑ (
fj X j −µ )
σ2 = j =1
K
= j =1
(3.20)
N
∑ fj
j =1
K 2
∑ f j (X j − µ)
j =1
σ = (3.20.a)
N
Xj : titik tengah kelas ke-j; j = 1, 2, . . . , K
fj : frekuensi kelas ke-j
K
N : ukuran populasi (= ∑ f j )
j =1
Rumus definisi variansi dan SD untuk sampel:

k 2
∑ (
f j xj − x )
s2 = j =1
(3.21)
n −1
k 2
∑ f j (xj − x)
j =1
s= (3.21.a)
n −1
s2 : variansi populasi
s : standar deviasi populasi
x : rerata sampel
k
N : ukuran sampel (= ∑ f j )
j =1
56
Dalam praktik, yang digunakan umumnya adalah rumus operasional.
Rumus operasional variansi dan SD untuk populasi:
f j X 2j −  N 
2
∑ 
(∑ f j X j ) 
σ2 = (3.22)
N
∑ f j X 2j − ( ∑ f j X j ) N 
2
σ =  (3.22.a)
N
Xj : titik tengah kelas ke-j: j = 1, 2, . . . , K
N : ukuran populasi
Rumus operasional variansi untuk sampel:
∑ f j x 2j − ( ∑ f j x j ) n 
2
s2 =  (3.23)
n −1
f j x 2j −  ∑ f j x j n 
2
∑ (
) 
s= (3.23.a)
n −1
n : ukuran sampel
Contoh 3.17:
pada tabel 2.3. Pada contoh 3.2 telah dihitung nilai reratanya X = 51.67.
57
Tabel 3.8. Perhitungan variansi dan standar deviasi berat badan 64
mahasiswa Psikologi Gunadarma dengan rumus definisi
2
Titik tengah: X j Deviasi: ( X i − X ) Frekuensi: f j f j ( Xi − X )
40 −11.67 20 2,724.65
49 −2.67 17 135.64
58 6.33 17 680.77
67 15.33 5 1,174.76
76 24.33 1 591.86
85 33.33 1 1,791.67
94 42.33 1 1,791.67
Jumlah 0 64 8,210.11
Variansi-nya adalah:
k 2
∑ (
fj X j − X )
s2 = j =1
n −1
k
∑ 8, 210.11
j =1
` = = 130.32
64 − 1
Dengan rumus operasional, terlebih dahulu harus dihitung f j X j dan
f j X 2j .
Tabel 3.9. Perhitungan variansi dan standar deviasi berat badan 64

mahasiswa Psikologi Gunadarma dengan rumus operasional
Titik tengah: X j Frekuensi: f j fj Xj f j X 2j
40 20 800 32,000
49 19 931 45,619
58 17 986 57,188
67 5 335 22,445
76 1 76 5,776
85 1 85 7,225
94 1 94 8,836
Jumlah 64 3,307 179,089
58
Variansi-nya adalah:
 2
n 
∑ f j j  ∑ j j
x 2
−(
f x ) 
s2 =
n −1
179, 089 − ( 3,307 ) 64 
2
=   = 130.32
64 − 1
Standar deviasi adalah:

s = 130.32 = 11.42
Koefisien Variansi
Koefisien variasi (coefficient of variation; CV) adalah nilai standar
deviasi dibagi dengan rerata. Koefisien merupakan ukuran penyebaran data
yang tak memiliki satuan, karena itu dapat digunakan untuk membandingkan
penyebaran data 2 variabel yang memiliki satuan berbeda, misalnya tinggi
dan berat badan.
Koefisien variansi untuk populasi adalah:
σ
CV = (3.24)
µ
dan koefisien variansi untuk sampel adalah:
s
CV = (3.24.a)
x
Koefisien variansi juga dapat dinyatakan dalam persentase, yaitu CV
= ( σ / µ ) 100% untuk populasi dan CV = (s/ x ) 100% untuk sampel.
Contoh 3.18:
Lihat kembali data tinggi badan 10 mahasiswa pada contoh 3.1. Pada
contoh 3.1. telah dihitung rerata-nya xa = 161.8 cm dan pada contoh 3.16
telah dihitung standar deviasi-nya sa = 4.32 cm, sehingga koefisien variansi-
nya adalah:
s
CVa = a (100%)
xa
59
4.32
= (100%) = 2.67%
161.8
Misalkan untuk kelompok mahasiswa yang sama diketahui pula data
berat badannya dengan rerata xb = 54.4 kg dan standar deviasi sb = 6.75 kg,
sehingga koefisien variasi-nya adalah:
s
CVb = b (100%)
xb
6.75
= (100%) = 12.41%
54.4
Tampak bahwa ukuran berat badan mahasiswa jauh lebih menyebar
dibandingkan ukuran tinggi badan pada kelompok mahasiswa yang sama.
60
LAMPIRAN 3A: UKURAN PUSAT PADA
DISTRIBUSI SIMETRIS DAN ASIMETRIS
Pada diagram 2.3 dapat dilihat gambaran distribusi frekuensi sampel
yang berasal dari populasi kontinu, namun telah dikategorisasikan. Jika
sampel yang berasal dari distribusi kontinu diperbesar ukurannya sampai
menjadi tak berhingga dan diperbanyak jumlah kelasnya sampai menjadi tak
berhingga banyaknya (atau tidak dilakukan kategorisasi lagi), akan diperoleh
beberapa gambaran seperti terlihat pada diagram III.1 di bawah ini.
Diagram III.1. Distribusi frekuensi sampel dari populasi kontinu yang

dikategorisasikan dengan berbagai jumlah kelas
Seandainya populasi berdistribusi simetris, maka dapat diperoleh

gambaran seperti pada diagram III.2. Pada populasi simetris, posisi rerata,
median, dan modus berimpit pada satu titik (nilai-nilai ketiganya sama
besar).
Diagram III.2. Posisi ukuran tengah pada distribusi simetris: rerata,

median, dan modus berimpit pada satu titik
61
Jika nilai-nilai besar lebih banyak daripada nilai-nilai kecil, akan
didapatkan gambaran distribusi asimetris dengan ekor yang lebih panjang di
sisi kanan, seperti pada diagram III.3. Distribusi seperti ini disebut juga
“menceng ke kanan” (skewed to the right). Distribusi ini dapat dianggap
berasal dari distribusi simetris dengan penambahan sejumlah nilai-nilai
ekstrim yang besar. Penambahan nilai-nilai ekstrim yang besar terutama akan
mempengaruhi nilai rerata, sehingga posisi rerata seolah-olah ‘tertarik’ ke
kanan, sedangkan posisi median hanya ‘tertarik’ sedikit (nilai median sedikit
terpengaruh), sedangkan posisi modus tidak berubah.
Diagram III.3. Posisi ukuran tengah pada distribusi menceng ke kanan:

dari ke kiri ke kanan didapatkan modus, median, dan rerata
Keadaan sebaliknya ditemukan pada diagram III.4, yang

menggambarkan distribusi ‘menceng ke kiri’ (skewed to the left). Distribusi
ini dapat dianggap berasal dari distribusi simetris dengan penambahan nilai-
nilai ekstrim kecil, yang mengakibatkan posisi rerata paling banyak ‘tertarik’
ke kiri, posisi median sedikit ‘tertarik’ dan posisi modus tetap.
Diagram III.4. Posisi ukuran tengah pada distribusi menceng ke kiri:

dari kiri ke kanan didapatkan rerata, median, dan modus
62
LAMPIRAN 3B: FRAKTIL
Matriks III.1. Macam-macam fraktil (kuantil)
Macam Data dibagi menjadi Fraktil
Median 2 bagian Med
Kuartil 4 bagian Q1 , Q2 , Q3 , ( Q4 )
Desil 10 bagian D1 , D2 , D3 , . . . , D9 , ( D10 )
Persentil 100 bagian P1 , P2 , P3 , . . . , P99 , ( P100 )
Matriks III.2. Kesamaan beberapa fraktil
Med
Q1 Q2 Q3
D1 D2 D3 D4 D5 D6 D7 D8 D9
P10 P20 P25 P30 P40 P50 P60 P70 P75 P80 P90
Matriks III.3. Cara menghitung fraktil

Cara eksak: Data kecil (n < 30) Aproksimasi: Data besar (n > 30)
Median √ √
Kuartil √ √
Desil √
Persentil √
Matriks III.4. Posisi fraktil *)

Fraktil Cara eksak Aproksimasi
n 1 n
Med 2+ 2 2
n×i 1 n×i
Qi +
4 2 4
n× j 1 n× j
Dj
10 + 2 10
n× k 1 n× k
Pk +
100 2 100
*) Dalam array (data yang telah diurut dari yang terkecil sampai dengan yang terbesar)
63
Contoh:
a. n = 20; digunakan cara eksak karena n < 30.

n×i 1
Posisi Qi : +
4 2
20 ×1 1
Posisi Q1 : + = 5.5
4 2
20 × 2 1
Posisi Q2 : + = 10.5
4 2
20 × 3 1
Posisi Q3 : + = 15.5
4 2
Jika n < 30 umumnya tidak dilakukan perhitungan desil atau

persentil.
b. n = 60; digunakan cara aproksimasi karena n > 30.

n×i
Posisi Qi :
4
60 ×1
Posisi Q1 : = 15
4
60 × 2
Posisi Q2 : = 30
4
60 × 3
Posisi Q3 : = 45
4
n× j
Posisi D j :
10
60 ×1
Posisi D1 : =6
10
60 × 3
Posisi D3 : = 18
10
60 × 7
Posisi D7 : = 42
10
64
2
LAMPIRAN 3C: NOTASI ∑ ( xi - x ) DAN ∑ ( xi - x )
A. ∑ ( xi − x ) = ∑ xi ‒ ∑ x
Karena x = ∑ i , sehingga ∑ x
x
i = n x ; dan pada pengambilan satu
n
sampel, x merupakan konstante, sehingga ∑ x = n x , maka:
∑ ( xi − x ) = ∑ xi ‒ ∑ x
=nx ‒nx =0
∑ ( xi − x ) ∑ ( xi2 − 2 xxi + x 2 )
2
B. =
= ∑ xi2 ‒ 2 x ∑ xi + ∑ x 2 [ x dan x 2 konstante]
= ∑ xi2 ‒ ( 2 x ) ( nx ) + n x 2
= ∑ xi2 ‒ 2n x 2 + n x 2
= ∑ xi2 ‒ n x 2
2
 ∑ xi 
= ∑ x ‒ n
2

i  n 
 
2
( ∑ xi )
= ∑ xi
2
‒
n
65
LAMPIRAN 3D: DIAGRAM KOTAK
Diagram kotak (diagram kotak-dan-titik; box−plot;
box−and−whisker plot) adalah bentuk grafik yang menyajikan peringkasan
data dalam bentuk kuartil pertama, median, dan kuartil ketiga. Secara kasar
dapat dilihat apakah sebaran data simetris atau tidak, selain itu disajikan pula
‘nilai perbatasan bawah’ (lower adjacent value) dan ‘nilai perbatasan atas’
(upper adjacent value) yang antara lain berguna untuk menyimpulkan ada
tidaknya ‘data pencilan’ (outlier).
Tabel III.1. Rincian nilai skala Depresi MMPI-2 45 mahasiswa wanita

Psikologi Gunadarma 2003 dalam bentuk array
x1 x2 x3 x4 x5 x6 x7 x8 x9 x 10 x 11 x 12
() ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
16 17 17 18 19 19 19 21 21 21 21 21
x 13 x 14 x 15 x 16 x 17 x 18 x 19 x 20 x 21 x 22 x 23
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
22 23 23 23 23 23 23 23 24 24 24
x 24 x 25 x 26 x 27 x 28 x 29 x 30 x 31 x 32 x 33 x 34
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
24 25 25 25 25 25 26 26 26 27 27
x 35 x 36 x 37 x 38 x 39 x 40 x 41 x 42 x 43 x 44 x 45
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
28 28 29 29 29 30 31 31 32 32 37
Sumber: Hasil tes MMPI-2 kelas 2PA01 TA 2003/2004
n 45 1
Posisi Q1 = = = 11 ≈ 11
4 4 4
Q1 = x 11 = 21
( )
Posisi Q2 = Med =
2n
=
( 2 )( 45) = 22 1
4 4 2
x 22 + x 23
( ) ( )
Q2 = Med = = 24
2
66
Posisi Q3 =
3n
=
( 3)( 45 ) = 33 3 ≈ 34
4 4 4
Q3 = x 34 = 27
( )
IQR (rentang inter-kuartil) = Q3 – Q1 = 27 – 21 = 6
1.5 IQR = (1.5)(6) = 9
LF (lower fence; pagar bawah):

LF = Q1 – 1.5 IQR = 21 – 9 = 12
LAV (lower adjacent value; nilai perbatasan bawah) adalah nilai x
terkecil yang lebih besar daripada LF:
LAV = x 1 = 16
()
UF (upper fence; pagar atas):
UF = Q3 + 1.5 IQR = 27 + 9 = 36
UAV (upper adjacent value; nilai perbatasan atas) adalah nilai x
terbesar yang lebih kecil daripada UF:
UAV = x 43 = x 44 = 32
( ) ( )
‘Nilai perbatasan bawah’ dan nilai perbatasan atas’ masing-masing
merupakan nilai minimum dan nilai maksimum data yang masih belum
tergolong ‘data pencilan’. Nilai yang lebih kecil daripada ‘nilai perbatasan
bawah’ atau lebih besar daripada ‘nilai perbatasan atas’ (dengan sendirinya
juga lebih kecil daripada ‘pagar bawah’ atau lebih besar daripada ‘pagar
atas’) disebut sebagai ‘data pencilan’ (outlier).
Terdapat 1 nilai data pencilan, yaitu x 45 = 37 (lihat diagram III.5).
( )
67
Diagram III.5. Diagram kotak skala Depresi MMPI-2 45
mahasiswa wanita Psikologi Gunadarma 2003
68
LATIHAN 3
Bagian Pertama
1. Ukuran-ukuran berikut merupakan ukuran pusat sekaligus ukuran

lokasi, kecuali:
A. Rerata (mean) C. Variansi
B. Median D. Modus
2. Jumlah seluruh angka data dalam kelompoknya dibagi dengan

banyaknya data disebut:
A. Rerata hitung (arithmetic mean)
B. Rerata geometrik (geometric mean)
C. Rerata harmonik (harmonic mean)
D. Rerata terpangkas (trimmed mean)
3. Jika deviasi suatu nilai terhadap tiap observasi lainnya dijumlahkan,

dan hasil penjumlahannya sama dengan nol, maka nilai tersebut adalah
nilai:
A. Rerata C. Modus
B. Median D. Semuanya salah
4. Jika setengah di antara seluruh observasi nilai-nilainya lebih kecil

daripada suatu nilai tertentu, dan setengah observasi lainnya nilai-
nilainya lebih besar daripada nilai tertentu tersebut, nilai tertentu itu
adalah nilai:
A. Rerata C. Modus
B. Median D. Rerata harmonik.
5. Keunggulan rerata (mean) antara lain yaitu:

C. A) dan B) benar
D. A) dan B) salah
69
6. Keunggulan median antara lain yaitu:
C. A) dan B) benar
D. A) dan B) salah
7. Salah satu kelemahan modus yaitu:

A. Tidak dapat digunakan untuk data kuantitatif
B. Sangat peka terhadap data ekstrim
C. Tidak dapat dihitung untuk data berkelompok dengan kelas
terbuka
D. Tidak semua kumpulan data memiliki modus
8. Pernyataan berikut yang tidak benar mengenai konsep kuantil

(fraktil):
9. Rentang inter-kuartil (inter-quartile range) adalah:

A. Kuartil IV - kuartil 0 C. Kuartil III – kuartil II
B. Kuartil IV – kuartil II D. Semuanya salah
10. Penyebaran data dapat dinilai dari ukuran berikut, kecuali:

A. Rentang inter-kuartil C. Standar deviasi
B. Deviasi mutlak rata-rata D. Kemencengan
11. Variansi (data tak berkelompok) bagi populasi berhingga adalah:

A. Rata-rata deviasi data observasi terhadap rerata-nya
B. Rata-rata kuadrat deviasi data observasi data observasi terhadap
rerata-nya
C. Kuadrat rata-rata deviasi data observasi terhadap rerata-nya
D. Akar rata-rata kuadrat deviasi data observasi terhadap rerata-nya
12. Ukuran variansi yang terbaik untuk membandingkan variasi berat

badan dan variasi tinggi badan adalah:
A. Rentang C. Standar deviasi
B. Rentang inter-kuartil D. Koefisien variasi
70
n
13. ∑
i =1
( xi − x )
A. Selalu lebih besar daripada nol
B. Selalu sama dengan nol
C. Dapat lebih kecil daripada nol
D. Semuanya salah
n
∑
2
14. ( xi − x ) =
i =1
2
 n 
n  ∑ xi 
A. 0 C. ∑ xi ‒  i =1 
2
i =1 n
n
B. ∑
i =1
xi2 + nx 2 D. Semuanya salah
15. Himpunan data X1 , X 2 , . . . , X n memiliki rerata (mean) sama dengan

5, maka himpunan data ( X1 + 25), ( X 2 + 25), . . . , ( X n + 25) akan
memiliki rerata:
A. X =5 C. X = 30
B. 5 < X < 30 D. X > 30
16. Himpunan data X1 , X 2 , . . . , X n memiliki standar deviasi sama

dengan 8, maka himpunan data ( X1 + 20), ( X 2 + 20), . . . , ( X n + 20)
akan memiliki standar deviasi:
A. SD = 8 C. SD = 28
B. 8 < SD < 28 D. SD > 28
17. Himpunan data X1 , X 2 , . . . , X n memiliki standar deviasi sama

dengan 8, maka himpunan data 2 X1 , 2 X 2 , . . . , 2 X n akan memilki
standar deviasi:
A. SD = 16 C. SD = 56
B. 16 < SD < 56 D. SD > 56
18. Peringkasan data secara grafikal yang menampilkan nilai-nilai kuartil I,

median, dan kuartil III didapatkan pada:
A. Diagram batang-daun-daun C. Diagram titik
B. Diagram kotak D. Semuanya benar
71
19. Diagram kotak antara lain berguna untuk:
A. Menilai simetris atau tidaknya sebaran data
B. Menilai ada tidaknya data pencilan
C. Keduanya benar
D. Keduanya salah
20. Data pencilan (outlier) adalah:

A. Data yang nilainya lebih kecil daripada ‘pagar bawah’
B. Data yang nilainya lebih besar daripada kuartil ketiga ditambah
dengan satu setengah kali rentang inter-kuartil
C. Data yang nilainya lebih besar daripada ‘nilai perbatasan atas’
D. Semuanya benar
Bagian Kedua

Diketahui data hasil ujian Ilmu Alamiah Dasar sekelompok
mahasiswa sebagai berikut:
72, 86, 63, 59, 74, 67, 74, 77, 63, 74, 82, 67
1. Rerata-nya ( mean ) ialah:

A. 71.50 C. 74.00
B. 73.00 D. 78.00
2. Mediannya adalah:
A. 71.50 C. 74.00
B. 73.00 D. 78.00
3. Modusnya yaitu:
A. 71.50 C. 74.00
B. 73.00 D. 78.00
4. Kuartil I dan kuartil III masing-masing adalah:

A. 63 dan 77 C. 65 dan 75.5
B. 63 dan 79.5 D. 67 dan 82
72
5. Rentang-nya (rentang) adalah:
A. 22.5 C. 25
B. 24 D. 27
n
6. Jika diketahui ∑
i =1
xi2 = 62.058, dengan menggunakan pembagi (n – 1)
hitunglah variansi dan standar deviasinya:

A. 59.25 dan 7.70 C. 75.34 dan 8.68
B. 64.64 dan 8.04 D. 83.72 dan 9.15
Untuk soal No. 7 s.d 9:

Misalkan dimiliki data hasil ujian Statistika 10 orang mahasiswa:
75, 40, 80, 55, 90, 70, 55, 60, 60, 55.
7. Rerata data tersebut adalah:

A. 55 C. 64
B. 60 D. 71.7
8. Median data tersebut adalah:

A. 55 C. 64
B. 60 D. 71.7
9. Deviasi mutlak rata-ratanya adalah:

A. 11.8 C. 20
B. 14.7 D. 50

Misalkan dimiliki data berikut: n=5 x = 66
i xi xi2
1 ... 2500
2 75 ...
3 64 ...
4 ... ...
5 ... 6400
∑ xi = . . . ∑ xi2 = . . .
2
( ∑ xi ) =...
73
n
10. ∑
i =1
xi =
A. 330 C. 63 800
B. 22 342 D. 108 900
n
11. ∑
i =1
xi2 =
A. 330 C. 63 800
B. 22 342 D. 108 900
2
 n 
12.  ∑ xi  =
 i =1 
A. 330 C. 63 800
B. 22 342 D. 108 900
4
∑
2
13. ( 2 xi + 12 ) =
i =2
A. 330 C. 63 800
B. 22 342 D. 108 900
14. s=
A. 10.6 C. 112.4
B. 11.9 D. 140.5
Bagian Ketiga
Selesaikanlah soal-soal berikut:
Lihat kembali soal Latihan 2 Bagian Kedua. Hitunglah rerata,
variansi, dan standar deviasi penghasilan bulanan 84 keluarga di desa B:
A. Sebagai data tak berkelompok
B. Sebagai data berkelompok.
Petunjuk:
- Untuk soal A, gunakan rumus operasional. ∑ xi dan ∑ xi2 dihitung
dengan menggunakan program komputer Excel.
- Untuk soal B, gunakan tabel distribusi frekuensi yang telah disusun pada
soal Latihan 2 Bagian Kedua.
74
BAB 4
PROBABILITAS
4.1 KONSEP DASAR PROBABILITAS
Himpunan (set)
a. Himpunan berhingga. Contoh:
− A adalah himpunan mahasiswa kelompok I mata kuliah Statistika
kelas 2PA01, maka:
A = {Agustin, Anita, Endang, . . . , Yenny}
− B adalah himpunan buah yang dijual di sebuah supermarket,
maka:
B = {jeruk, pepaya, melon, . . .}
− C adalah angka-angka yang tampak di permukaan sebuah dadu,
maka:
C = {1, 2, 3, 4, 5, 6}
b. Himpunan tak berhingga:
− D adalah himpunan nilai-nilai IP semester yang mungkin
diperoleh mahasiswa Gunadarma, maka:
D = {x | 0 < x < 4}
(dibaca: x adalah sedemikian hingga x lebih besar atau sama
dengan nol dan x lebih kecil atau sama dengan empat)
Pengertian Peristiwa, Ruang Sampel

Himpunan yang unsur-unsurnya merupakan hasil yang mungkin
pada suatu percobaan dinamakan ruang sampel (sampel space). Unsur suatu
ruang sampel dinamakan titik sampel.
Suatu peristiwa (event; kejadian) adalah himpunan bagian suatu
ruang sampel.Peristiwa sederhana (simple event) adalah peristiwa yang
hanya memuat satu unsur. Peristiwa bersusun (composite event) merupakan
gabungan (union) dua atau lebih peristiwa sederhana.
Jika suatu percobaan telah dilakukan dan hasil yang diperoleh
termasuk dalam himpunan bagian A dikatakan peristiwa A telah terjadi.
75
Ruang sampel ditulis dengan lambang ‘S’ ( = semesta), peristiwa
dengan huruf besar A, B, C, . . . . Jika suatu percobaan menghasilkan n
kemungkinan peristiwa, ruang sampelnya disajikan sebagai:
S = { a1 , a2 , . . . , an } (4.1)
dengan a1 , a2 , . . . , an menyatakan semua hasil yang mungkin terjadi pada
percobaan itu. A = { a2 , a4 } menunjukkan peristiwa yang hanya terdiri dari
hasil a2 dan a4
Contoh 4.1:
1) Percobaan : Pelontaran sebuah dadu
Hasil : Mata dadu yang tampak di atas.
Ruang sampel S = {1, 2, 3, 4, 5, 6}
Salah satu peristiwa : A = titik ganjil tampak
= {1, 3, 5}
2) Percobaan : Pelontaran sebuah mata uang logam dua kali.
Salah satu hasil : MB (hasil pelontaran pertama adalah muka,
dan hasil pelontaran kedua adalah belakang.
Ruang sampel : S = {MM, MB, BM, BB}
Contoh peristiwa : A = paling sedikit satu muka
= {MM, MB, BM}
B = kedua hasil sama
= {MM, BB}
3) Percobaan : Pemilihan seorang mahasiswa secara acak

(random) dan pencatatan indeks prestasinya.
Hasil : Bilangan X di antara 0 dan 4
Ruang sampel : S = {0 < x < 4}, yaitu himpunan bilangan
real di antara 0 dan 4, termasuk.
Contoh peristiwa : A = IP di atas 3
= {3 < x < 4}
B = IP di bawah 2
= {0 < x < 2}
4) Percobaan : Pelemparan sepasang dadu, satu merah dan

satu putih.
Hasil : Dapat dinyatakan sebagai (i, j) dengan i
menyatakan titik yang tampak di atas pada
76
dadu merah, j menyatakan titik yang tampak
di atas pada dadu putih.
Ruang sampel : S = 6 × 6 pasangan berurut (i, j) dengan i = 1,
2, 3, 4, 5, 6 dan j = 1, 2, 3, 4, 5, 6.
Contoh peristiwa:
a) A = jumlah titik yang tampak sama dengan 7
= {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}
b) B = kedua hasil sama
= {(1, 1), (2, 2), (3, 3), (4, 4), (5, 5), (6, 6)}
Operasi Himpunan (Union, Interseksi, Komplemen suatu

Peristiwa)
Union (gabungan) dua peristiwa A, B dinyatakan dengan lambang
A ∪ B , adalah himpunan semua unsur yang termasuk dalam A atau
termasuk dalam B (juga yang termasuk dalam keduanya, jika ada).
Interseksi (irisan) dua peristiwa A, B dinyatakan dengan lambang
A ∩ B , adalah himpunan semua unsur yang termasuk dalam A dan
termasuk dalam B sekaligus.
Komplemen peristiwa A dinyatakan dengan lambang AC (atau A ),
adalah himpunan semua unsur yang tidak termasuk dalam A (relatif
terhadap S).
Operasi himpunan demikian dapat disajikan dalam diagram Venn

(diagram 4.1).
77
Diagram 4.1. Diagram Venn: union, interseksi, komplemen
Contoh 4.2:
1) Sebuah kartu diambil secara acak dari satu dek kartu bridge.
Didefinisikan peristiwa-peristiwa berikut:
A = kartu yang terambil adalah Ace.
B = kartu yang terambil adalah ♥
C = kartu yang terambil adalah .
D = kartu yang terambil adalah Merah
E = kartu yang terambil adalah Hitam
Maka:
B ∪C = kartu yang terambil adalah ♥ atau
B ∩C = karena satu kartu tidak dapat berupa ♥ dan
sekaligus.
B ∪C ∪ E = S = D ∪ E
A∩C = kartu yang terambil adalah Ace
C
D = kartu yang terambil bukan Merah = E
78
C
(B ∪C) = DC = E
∅ adalah himpunan kosong yang tak mempunyai anggota, = {}.
2) Jika sebuah dadu dilemparkan, dan A = {1, 3, 5}; B = {1}; dan C = {2,
4, 6}, maka:
A ∪ C = {1, 2, 3, 4, 5, 6} = S
AC = {2, 4, 6} = C
A ∪ B = {1, 3, 5} = A
B ∪ C = {1, 2, 4, 6}
A∩C = ∅
A ∩ B = {1} = B
BC = {2, 3, 4, 5, 6}
C
B ∩ A = {3, 5}
3) Jika X menyatakan IP seorang mahasiswa, dan A = {3 < x < 4}; B = {0

< x < 2}; C = {1.5 < x < 3}, maka:
A∪C = {1.5 < x < 4}
A∩C = ∅
B ∩C = {1.5 < x < 2}
A ∪ B ∪ C = {0 < x < 4} = S
AC = {0 < x < 3} = B ∪ C
C
A ∪C = {0 < x < 3} = AC
Hukum De Morgan:
C
a) ( A ∪ B) = AC ∩ BC (4.2.a)
C
b) ( A ∩ B) = AC ∪ BC (4.2.b)
Hukum distributif:
a) A ∩ ( B ∪ C ) = ( A ∩ B) ∪ ( A ∩ C ) (4.3.a)
b) A ∪ ( B ∩ C ) = ( A ∪ B) ∩ ( A ∪ C ) (4.3.b)
Partisi:
Misalkan dimiliki himpunan A dengan sejumlah himpunan bagian-
nya A1 , A 2 , . . . , An ..
79
a) Himpunan-himpunan bagian A1 , A 2 , . . . , An dikatakan ‘saling
asing’ (mutually exclusive) jika Ai ∩ Aj = ∅ untuk setiap pasangan
nilai (i, j); i = 1, 2, . . . , n; j = 1, 2, . . . , n; i ≠ j.
b) Himpunan-himpunan bagian A1 , A 2 , . . . , An dikatakan ‘terbagi
habis’ (mutually exclusive) jika A1 ∪ A 2 ∪ . . . ∪ An = A.
c) Himpunan-himpunan bagian A1 , A 2 , . . . , An dikatakan merupakan

‘partisi’ himpunan A jika himpunan-himpunan bagian A1 , A 2 , . . . ,
An ‘saling asing’ dan ‘terbagi habis’.
4.2 PROBABILITAS PERISTIWA

Peristiwa Dengan Probabilitas Sama
Misalkan suatu ruang sampel S mempunyai unsur yang banyaknya
berhingga, dan tiap unsur memiliki probabilitas yang sama untuk terjadi.
Misalkan pula A adalah suatu peristiwa dalam ruang sampel S. Probabilitas P
bahwa peristiwa A akan terjadi jika percobaan dilakukan, didefinisikan
sebagai:
N ( A)
P (A) = (4.4)
N (S )
dengan N (. . .) menyatakan banyaknya unsur dalam peristiwa (. . .).
Contoh 4.3:
1) Jika A adalah peristiwa ‘banyaknya titik ganjil’ pada satu kali
pelontaran sebuah dadu, maka N(A) = 3 dan N(S) = 6, sehingga P(A) =
3/6 = 1/2. Demikian juga P(1) = 1/6 dan P(genap) = 3/6 = 1/2.
2) Dalam pelontaran dua buah dadu, peristiwa ‘berpasangan’ [{1, 1}, {2,
2}, . . . , {6, 6}] terdiri atas 6 unsur. Karena seluruhnya ada 36 unsur
dalam ruang sampelnya (= 62), maka P (berpasangan) = 6/36 = 1/6.
Juga P (jumlah genap) = 18/36 = 1/2.
Untuk setiap peristiwa A, berlaku:
0 < P (A) < 1 (4.5)
80
Selanjutnya:
N (∅ ) 0
P (∅) = = =0 (4.5.a)
N (S ) N (S )
dan:
N (S )
P (S) = =1 (4.5.b)
N (S )
Untuk dua peritiwa A, B, berlaku:

N ( A ∪ B ) = N (A) + N (B) – N ( A ∩ B )
N ( A ∪ B) N ( A) N ( B) ( A ∩ B)
= + –
N (S ) N (S ) N (S ) N (S )
P ( A ∪ B ) = P (A) + P (B) – P ( A ∩ B ) (4.6)
Dua peristiwa A, B, yang saling tidak mempunyai unsur persekutuan,

yaitu A ∩ B = ∅ atau P ( A ∩ B ) = 0 dinamakan ‘saling asing’ (mutually
exclusive atau disjoint).
Untuk setiap dua peristiwa A, B, yang saling asing berlaku hukum
penjumlahan:
P ( A ∪ B ) = P (A) + P (B) (4.7)
Untuk setiap peristiwa A berlaku:

P (A) + P ( AC ) = 1 (4.8)
atau: P ( AC ) = 1 ‒ P (A) (4.8a)
Untuk setiap dua peristiwa A, B, juga berlaku hukum probabilitas

total:
(
P (A) = P ( A ∩ B ) + P A ∩ B C ) (4.9a)
atau: (
P (B) = P ( B ∩ A) + P B ∩ AC ) (4.9.b)
karena ( A ∩ B) dan ( A ∩ BC ) saling asing [ ( B ∩ A) dan ( B ∩ AC ) juga

saling asing].
81
Definisi Probabilitas
Misalkan ruang sampel S suatu percobaan terdiri atas N unsur [ a1 , a2 ,
. . . , a N ] dan misalkan pula p1 , p2 , . . . , pN adalah bilangan-bilangan non-
negatif yang jumlahnya sama dengan 1. Untuk suatu peristiwa A (himpunan
bagian S), probabilitasnya didefinisikan sebagai:
P (A) = ∑ pi (4.10)
dengan pi menyatakan proporsi tiap hasil ai ; ai adalah unsur yang
termasuk dalam A.
Contoh 4.4:
1) Sebuah dadu dibuat sedemikian hingga dalam jangka panjang sisi dadu
akan tampak di atas dalam proporsi (frekuensi relatif) sebagai berikut:
Sisi dengan titik 1 2 3 4 5 6

Proporsi 0.13 0.18 0.18 0.16 0.15 0.20
S = {1, 2, 3, 4, 5, 6}
A = titik genap = {2, 4, 6}
P(A) = p2 + p4 + p6
= 0.18 + 0.16 + 0.20 = 0.54
C
A = titik ganjil = {1, 3, 5}
P(AC) = p1 + p3 + p5
= 0.13 + 0.18 + 0.15 = 0.46 = 1 – P(A)
2) Sebuah bola diambil secara acak dari sebuah kotak berisi 34% bola
merah, 27% bola putih, 20% bola biru, dan 19% bola hitam. Jika a1
menyatakan peristiwa yang terambil bola merah, a2 putih, a3 biru, dan
a4 hitam, maka ruang sampelnya adalah S = { a1 , a2 , a3 , a4 } dengan
p1 = 0.34, p2 = 0.27, p3 = 0.20, dan p4 = 0.19; ∑ pi = 1.
Misalkan A = bola yang terpilih tidak hitam, maka:
P(A) = p1 + p2 + p3
= 0.34 + 0.27 + 0.20 = 0.81 = 1 − p4
3) Pada pelontaran sepasang dadu, misalkan yang diperhatikan adalah
jumlah titik keduanya. Ruang sampel yang terjadi yaitu S yang
82
memiliki 11 unsur: S = { a2 , a3 , . . . , a12 }. Diperoleh distribusi nilai
probabilitas sebagai berikut:
Hasil a2 a3 a4 a5 a6
Prob. 1/36 2/36 3/36 4/36 5/36
Hasil a7 a8 a9 a10 a11 a12

Prob. 6/36 5/36 4/36 3/36 2/36 1/36
Misalkan peristiwa A = jumlah titik genap, maka:

P(A) = p2 + p4 + p6 + p8 + p10 + p12
= 1/36 + 3/36 + 5/36 + 3/36 + 1/36
= 18/36 = 1/2.
4.3 PENCACAHAN RUANG SAMPEL

Aturan Analisis Kombinatorik dalam Probabilitas
1) Jika suatu percobaan terdiri atas 2 bagian, sedemikian hingga bagian
pertama memberikan k hasil yang berbeda, dan jika dengan tiap hasil
itu dapat terjadi m hasil yang berbeda pada bagian kedua, maka banyak
hasil yang mungkin seluruhnya (banyak cara) adalah: k×m.
Contoh 4.5:
a) Sebuah dadu dilontarkan dua kali berturut-turut. Lontaran pertama
dapat memberikan 6 hasil yang mungkin. Untuk tiap hasil ini, pada
lontaran kedua dapat terjadi 6 hasil yang mungkin.
b) Seorang pria mempunyai 5 kemeja, 3 celana, dan 2 pasang sepatu.
Maka banyak cara ia dapat berpakaian secara berbeda adalah 5 × 3
× 2 = 30.
2) Banyak susunan atau urutan berbeda yang dapat dibentuk oleh k objek
yang diambil dari sekumpulan n objek yang berbeda dinamakan banyak
permutasi k objek dari n objek (dengan memperdulikan urutannya;
dinyatakan dengan lambang Pnk , dihitung dengan rumus:
83
n!
Pkn = (4.11)
( n − k )!
= [(n – k) + 1] . [(n – k) + 2] . [(n – k) + 3] . . . (n – 2) .
(n – 1) . n
Jika k = n, banyak permutasi n objek yang berbeda adalah:

Pnn = 1 . 2 . 3 . . . (n – 2) . (n – 1) . n
Pnn = Pn = n! (4.12)
Catatan: n! dinamakan n faktorial, dengan definisi:

n! = 1 . 2 . 3 . . . (n – 2) . (n – 1) . n
Misalkan 5! = 1 . 2 . 3 . 4 . 5 = 120 dengan definisi tambahan 0! = 1
Contoh 4.6:
Banyak bilangan tiga digit yang dapat dibentuk dengan
menggunakan angka-angka 1, 2, 3, 4, 5 adalah:
‒ Tanpa pengulangan:
P35 = 3 . 4 . 5 = 60
‒ Dengan pengulangan:
5 . 5 . 5 = 125
3) Banyak kombinasi k objek yang diambil dari n objek yang berbeda
(tanpa memperdulikan urutannya; dinyatakan dengan lambang Ckn )
adalah:
n!
Ckn = (4.13)
k !( n − k ) !
Contoh 4.7:
Misalkan dimiliki lima bola dengan warna berbeda-beda. Jika
diambil tiga bola dari kumpulan lima bola itu, banyak kombinasi yang
mungkin adalah:
5!
C35 = = 10
3!2!
84
Perhatikan:
Aturan permutasi digunakan jika peristiwa yang disebutkan memiliki
urutan tertentu pada hasil percobaan. Jika urutan itu tidak penting, digunakan
aturan kombinasi.
Probabilitas Bersyarat
Misalkan A dan B dua peristiwa dengan P(B) > 0, maka probabilitas
bersyarat (conditional probability) peristiwa A dengan syarat (jika diketahui)
B terjadi adalah:
P ( A ∩ B)
P ( A B) = (4.14)
P (B)
Contoh 4.8:
1) Misalkan dalam sebuah populasi yang terdiri dari 1000 orang memiliki
data berikut:
Buta warna Normal Jumlah
Pria 60 620 680

Wanita 75 245 320
Jumlah 135 865 1000

Jika seorang dipilih secara acak dari populasi tersebut, A peristiwa yang
dipilih seorang pria dan B peristiwa yang dipilih buta warna, maka:
680
P (A ) = = 0.68
1000
135
P (B ) = = 0.135
1000
Probabilitas yang dipilih buta warna, jika diketahui ia seorang pria,
adalah:
60 3
P ( B A) = =
680 34
Tampak bahwa:
N ( A ∩ B) N ( A ∩ B) N (S )
P ( B A) = =
N ( A) N ( A) N ( S )
85
P ( A ∩ B)
P ( B A) = (4.14.a)
P ( A)
2) Sebuah kartu dipilih secara acak dari satu dek kartu bridge, dan
ternyata diperoleh kartu Merah.
a) Probabilitas kartu itu Ace adalah:
P ( Ace | Merah )
P (Ace|Merah) =
P ( Merah )
2 52 1
= = = P(Ace)
26 52 13
b) Probabilitas kartu itu ♥ (Hati) adalah:
P ( Hati ∩ Merah ) 13 52 1
P(Hati|Merah) = = =
P ( Merah ) 26 52 2
13 1
≠ P(Hati) = =
52 4
Dua peristiwa A, B independen jika:

P ( A | B ) = P ( A) (4.15.a)
P ( B | A) = P ( B ) (4.15.b)
Jika tidak A, B dikatakan dependen:

P ( A | B ) ≠ P(A)
P ( B | A ) ≠ P(B)
Pada peristiwa independen berlaku hukum perkalian:

P ( A ∩ B ) = P ( A) . P ( B ) (4.16)
Contoh 4.9:
1) Sebuah kartu diambil secara acak dari satu dek kartu bridge, lalu
dikembalikan, kartu dikocok kembali, lalu diambil kartu kedua secara
acak (sampling dengan pengembalian).
Misalkan A1 adalah peristiwa ‘diperoleh Ace pada pengambilan
pertama’, dan A2 adalah peristiwa ‘diperoleh Ace pada pengambilan
kedua’, maka:
86
4
P(A1) = P(A2) =
52
 4  4 
P ( A1 ∩ A2 ) =     = P(A1) . P(A2)
 52   52 
Jadi A1, A2 independen.
2) Dua kartu diambil secara acak dari satu dek kartu bridge, kartu pertama
tidak dikembalikan terlebih dahulu pada pengambilan kartu kedua
(sampling tanpa pengembalian), maka probabilitas kedua kartu adalah
Ace:
P ( A1 ∩ A2 ) = P(A1) . P(A2|A1)
 4  3   1  1  1
=    =    =
 52   51   13   17  221
3) Sebuah kotak berisi 100 bola, di antaranya hitam dan 40 sisanya putih.
Di antara 100 bola ini, 70 bernomor 0 dan 30 sisanya bernomor 1.
Diketahui pula 42 bola berwarna hitam dan bernomor 0.
Misalkan sebuah bola diambil secara acak, probabilitas bola itu
bernomor 0 (peristiwa A) dan berwarna hitam (peristiwa B) adalah:
42
P ( A ∩ B) = = 0.42
100
70
P(A) = = 0.7
100
60
P(B) = = 0.6
100
P ( A ∩ B ) = P(A) . P(B), sehingga peristiwa A, B independen.
Seandainya ada 48 bola yang berwarna hitam dan bernomor 0, maka:
48
P ( A ∩ B) = = 0.48
100
≠ P(A) . P(B) = (0.7)(0.6) = 0.42
87
LAMPIRAN 4A: SALING ASING DAN INDEPENDEN
A. Saling asing
Dua peristiwa A dan B dikatakan saling asing jika:
- Keduanya memuat unsur (unsur-unsur) yang seluruhnya berasal dari
satu semesta, dengan kata lain memuat unsur-unsur yang berasal dari
satu ruang sampel.
- Kedua peristiwa tidak memiliki unsur persekutuan.
Contoh:
Pada satu kali pelontaran dadu, semestanya adalah {1, 2, 3, 4, 5, 6}
- Misalkan A = {1, 3, 5} dan B = {2, 4, 6}, maka A dan B saling asing.
- Misalkan pula C = {3, 4, 6}, maka A dan C tidak saling asing.
Untuk peristiwa saling asing berlaku hukum penjumlahan:

P ( A ∪ B ) = P(A) + P(B), karena P ( A ∩ B ) = 0
B. Saling independen
Dua peristiwa A dan B dikatakan saling independen jika:
‾ Unsur-unsur peristiwa berasal dari semesta yang berbeda, dengan kata
lain unsur-unsur pada kedua peristiwa merupakan hasil yang mungkin
pada dua percobaan yang berbeda.
‾ Ruang sampel keduanya dapat digabungkan menjadi satu ruang sampel
‘bersama’.
Contoh:
- Misalkan menyatakan hasil yang diperoleh pada pelontaran sebuah
dadu, A = {1, 2, 3, 4, 5, 6}; B menyatakan hasil pelontaran sebuah mata
uang, B = {Muka, Belakang}, maka A dan B saling independen. Kedua
ruang sampel dapat digabungkan menjadi {(1, Muka), (1, Belakang),
(2, Muka), . . . , (6, Belakang)}.
- Sebuah kotak berisi 6 bola merah dan 4 bola hitam. Dua buah bola
diambil berturut-turut tanpa pengembalian. Misalkan A menyatakan
hasil pada pengambilan bola pertama, A = {Merah, Hitam}, dan B hasil
pada pengambilan bola kedua, tidak saling independen, karena
probabilitas hasil-hasil B tergantung pada hasil peristiwa A. Kedua
88
ruang sampel dapat digabungkan menjadi {(Merah, Merah), (Merah,
Hitam), (Hitam, Merah), (Hitam, Hitam)}.
Untuk peristiwa B yang saling independen, berlaku hukum

perkalian:
P ( A ∩ B ) = P(A) . P(B), karena P(A|B) = P(A) dan P(B|A) = P(B).
89
LAMPIRAN 4B: TEOREMA BAYES
Misalkan B merupakan dua peristiwa yang tidak independen dalam
ruang sampel S maka:
P ( A ∩ B)
P(A|B) =
P (B)
P ( A ∩ B)
Dari: P(B|A) =
P ( A)
diperoleh: P ( A ∩ B ) = P(A) . P(B|A)
P ( A) P ( B | A)
sehingga: P(A|B) =
P ( B)
Selain itu denominator (penyebut) P ( B ) dapat dijabarkan menjadi:
(
P(B) = P ( B ∩ A ) + P B ∩ AC )
(hukum probabilitas total)
= P(A) . P(B|A) + P(A ) . P(B|AC)
C
sehingga diperoleh terorema Bayes:

P ( A) P ( B | A)
P(A|B) = (4.17)
( )(
P ( A) P ( B | A) + P AC P B | AC )
Dalam perkembangan selanjutnya, teorema Bayes menjadi sendi
utama bagi pengembangan Statistika Bayesian, suatu aliran Statistika yang
merupakan alternatif bagi Statistika Klasik Neyman-Pearson yang dipelajari
di sini.
Contoh:
Pada berbagai uji diagnostik di bidang kesehatan umumnya dimiliki
dua parameter, yaitu sensitivitas dan spesifisitas. Sensitivitas adalah
probabilitas bahwa seseorang menunjukkan hasil uji positif dengan syarat ia
sakit (menderita penyakit yang diperiksa dengan uji diagnostik tersebut):
Sn = P ( pos | sakit )
sedangkan spesifisitas adalah probabilitas seseorang menunjukkan hasil uji
negatif dengan syarat ia tidak sakit:
Sp = P ( neg | tidak sakit )
90
Dalam praktik, dengan memperoleh hasil uji positif atau negatif, yang
ingin diketahui ialah probabilitas seseorang menderita penyakit dengan
syarat hasil ujinya positif, yaitu P ( sakit | pos ) ataupun probabilitas
seseorang tidak menderita penyakit dengan syarat hasil ujinya negatif, yaitu
P ( tidak sakit | neg ) . Probabilitas ini dapat dihitung jika diketahui proporsi
penderita penyakit tersebut dalam populasi, yaitu probabilitas tidak bersyarat
untuk menderita penyakit tersebut.
Misalkan suatu uji diagnostik untuk penyakit DM (Diabetes Melitus)
diketahui memiliki sensitivitas sebesar 90% dan spesifisitas 70%, dan
diketahui pula proporsi penderita DM dalam populasi adalah 8%, maka:
Didefinisikan:
A : peristiwa subjek menderita DM
AC : peristiwa subjek sehat (tidak menderita DM)
B : peristiwa subjek menunjukkan hasil uji positif
BC : peristiwa subjek menunjukkan hasil uji negatif dan diketahui
bahwa:
P(B|A) = P ( pos | DM ) = Sn = 0.90
( )
P BC | AC = P ( neg | sehat ) = Sp = 0.70
P ( A) = P ( DM ) = 0.08
Selanjutnya:
( )
P BC | A = P ( neg | DM ) = 1 ‒ Sn = 1 ‒ 0.90 = 0.10
P ( B | A ) = P ( pos | sehat ) = 1 ‒ Sp = 1 ‒ 0.70 = 0.30

C
P ( A ) = P ( sehat ) = 1 ‒ 0.08 = 0.92

C
dan: P ( B ) = P ( A ) P ( B A) + P ( A ) P ( B | A )
C C
P ( pos ) = P ( DM ) P ( pos DM ) + P ( sehat ) P ( pos | sehat )

= (0.08)(0.90) + (0.92)(0.30) = 0.348
Sehingga:
P ( A) P ( B A)
P(A|B) =
P ( B)
91
P ( DM ) P ( pos DM )
atau: P ( DM pos ) =
P ( Pos )
=
( 0.08 )( 0.90 ) = 0.2069 = 20.69%
0.348
Kemudian:
P B C = P ( A ) P  B C A  + P AC P  B C AC 
( ) ( )
   
P ( neg ) = P ( DM ) P ( neg DM ) + P ( sehat ) P ( neg sehat )
= (0.08)(0.10) + (0.92)(0.70) = 0.652
Sehingga:
P AC P  BC AC 
( )
P  AC BC   
  P BC ( )
P ( sehat ) P ( neg sehat )
atau: P ( sehat neg ) =
P ( neg )
=
( 0.92 )( 0.70 ) = 0.9877 = 98.77%
0.652
Maka disimpulkan bahwa seseorang yang hasil ujinya positif hanya
memiliki probabilitas sebesar 20.69% untuk menderita DM, sebaliknya
seseorang yang hasil ujinya negatif memiliki probabilitas sebesar 98.77%
untuk tidak menderita DM.
92
LATIHAN 4
Bagian Pertama
1. Himpunan yang berisikan semua hasil yang mungkin diperoleh pada

suatu eksperimen dinamakan:
A. Titik sampel C. Peristiwa sederhana
B. Ruang sampel D. Peristiwa kompleks
2. Anggota himpunan gabungan (union) dua peristiwa A atau B adalah:

A. Unsur yang termasuk dalam A
B. Unsur yang termasuk dalam B
C. Unsur yang termasuk dalam keduanya
D. Semuanya benar
3. Anggota himpunan irisan (interseksi) A dan B adalah:

A. Unsur yang termasuk dalam A
B. Unsur yang termasuk dalam B
C. Unsur yang termasuk dalam keduanya
D. Semuanya benar
4. Jika diketahui A dan B saling asing dan ∅ menyatakan himpunan

kosong, maka:
A. A ∪ B = ∅ C. (AC ∪ BC)C = ∅
B. A ∩ B = ∅ D. (AC ∩ BC)C = ∅
5. Area berwarna gelap pada diagram Venn di bawah ini adalah:
A. A ∩ (B ∪ C)
B. AC ∩ (B ∪ C)
C. (A ∩ B) ∪ C
D. (A ∩ B) ∪ (B ∩ C) ∪ (A ∩ C)
93
6. Pada pelontaran sebuah dadu, A menyatakan yang tampak di atas
adalah angka ganjil, B menyatakan yang tampak di atas adalah angka
genap, C menyatakan angka yang tampak di atas lebih besar daripada
5, dan S menyatakan semesta (universe), maka:
A. A ∪ B = S C. B ∪ C = C
B. A ∩ C = S D. B ∩ C = C
7. A1, A2, dan A3 masing-masing merupakan himpunan bagian dari

himpunan A. Jika A1 ∪ A2 ∪ A3 = A, maka hubungan antara A1, A2,
dan A3 dikatakan bersifat:
A. Saling asing (mutually exclusive)
B. Terbagi habis (mutually exhaustive)
C. A) dan B) benar
D. A) dan B) salah

A. Hukum penjumlahan berlaku pada dua peristiwa yang saling
independen
B. Hukum perkalian berlaku pada dua peristiwa yang saling asing
C. A) dan B) benar
D. A) dan B) salah
9. Sebuah dadu yang setimbang dilontarkan dua kali berturut-turut.

Probabilitas untuk mendapatkan jumlah angka 7 pada kedua
pelemparan adalah:
 1  1  = 1  1  1  = 1
A. 3
 3  4  4 C. 6
 6  6 
      6
 1  1  = 1  1  1  = 7
B. 4
 3  4  3 D. 7
 6  6 
      36
94
10. Sebuah dadu dan sebuah koin, keduanya setimbang, dilontarkan
bersama-sama. Probabilitas untuk mendapatkan angka lebih besar
daripada 4 pada dadu dan sisi belakang koin bersama-sama adalah:
1 1 4 2 1 5
A. + = C. + =
6 2 6 6 2 6
1 1 1 2 1 1
B. . = D. . =
6 2 12 6 2 6
11. Sebuah dadu dan sebuah koin, keduanya setimbang, dilontarkan

bersama-sama. Probabilitas untuk mendapatkan angka genap pada dadu
dan sisi muka koin bersama-sama adalah:
3 1 2 1 5
A. + =1 C. + =
6 2 6 2 6
3 1 1 2 1 1
B. . = D. . =
6 2 4 6 2 6
12. Tiga buah lampu tanda darurat masing-masing mempunyai probabilitas

0.7 akan menyala. Dengan anggapan ketiga lampu itu menyala secara
independen, maka probabilitas bahwa ketiganya menyala adalah:
A. 0.334 C. 0.433
B. 0.343 D. 0.434
Bagian Kedua
1. Banyaknya bilangan bulat antara 100−1000 dengan tidak ada digit yang
sama adalah:
A. 648 C. 9(P10)
B. 900 D. 10( P 29 )
2
2. Dua belas pertanyaan dalam ujian harus dijawab dengan B (benar) atau
S (salah). Seorang mahasiswa mencoba menjawab secara acak dengan
6 jawaban B dan 6 jawaban S. Ada berapa cara seperti ini?
A. 900 C. 924
B. 920 D. 1000
95
3. Grup A, B, dan C berturut-turut mempunyai 57, 49, dan 43 orang
anggota. A dan B mempunyai 13 anggota bersama; A dan C mempunyai
7 anggota bersama; B dan C 4 anggota bersama; 1 orang anggota dari
ketiga grup. Probabilitas mendapatkan 1 orang anggota ketiga grup
adalah:
1 1
A. C.
126 151
1 1
B. D.
148 160
4. Lima kartu diambil (tanpa pengembalian) dari 1 set kartu bridge.

Probabilitas tidak ada Ace di antara kelima kartu itu adalah:
48
48 C5
A. C.
52
52 C5
B.
( 48)(5) D.
C5
48
52
C5 52
5. Dari 4 kartu tertutup diketahui 2 berwarna merah dan 2 hitam.

Seseorang menebak warna keempat kartu tersebut. Probabilitas tidak
ada tebakan yang benar adalah:
1 3
A. C.
4 4
C2 C2
2 4
B. D.
4 4
C2 C2
96
6. Satu tahun dianggap terdiri atas 365 hari. Probabilitas paling sedikit 2
orang di antara 5 orang mempunyai tanggal lahir yang sama adalah:
1
A.
5
365
1
B. 1−
5
365
C.
( 365)(364)(363)(362)( 361)
5
365
D. 1−
( 365)(364)(363)(362)( 361)
5
365
7.
Tiga kotak; I, II, dan III masing-masing berisi sejumlah bola putih (p)
dan merah (m). Dari kotak I diambil 1 bola, dimasukkan dalam kotak
II. Kemudian dari kotak II diambil 1 bola, dimasukkan ke dalam kotak
III. Selanjutnya 1 bola diambil dari kotak III. Probabilitas untuk
mendapatkan bola merah pada pengambilan ketiga adalah:
416 418
A. C.
630 630
417 419
B. D.
630 630
97
8. Dari 52 kartu bridge diambil setiap kali 1 kartu berturut-turut tanpa
pengembalian. Berapa probabilitas kartu wajik (diamond) tampak
ketiga kalinya pada pengambilan ke-6?
13
C2 C3
39 13
C 2 C3  11 
39
A.
C5
52
C.
 
C5  47 
52
13
C 2 C3
39
 13  C 2 C3  10 
13 39
B.
 52  D.
 
  C5  39 
52 52
C5
Bagian Ketiga
Selesaikanlah soal-soal berikut!
1. Jika sebuah dadu dilontarkan, dan A = {1, 3}, B = {2, 5, 6}, dan C = {4,
5}, maka:
A. A ∪ B = E. CC =
B. A ∩ B = F. (A ∩ B)C =
C. A ∪ C = G. (B ∪ C)C =
D. A ∩ C = H. (A ∩ C)C =
2. Sebuah dadu dilontarkan dua kali. Peristiwa-peristiwa P, Q, R, dan T

didefinisikan sebagai berikut:
P : Lontaran pertama menghasilkan bilangan genap
Q : Lontaran kedua menghasilkan bilangan ganjil
R : Lontaran kedua menghasilkan angka 1
T : Lontaran pertama menghasilkan angka 6, maka:
A. Elemen-elemen peristiwa P ∩ Q ∩ R adalah: . . .
B. Elemen-elemen peristiwa P ∩ R ∩ T adalah: . . .
3. Di antara 600 orang laki-laki dewasa di desa ‘X’, terdapat 6 orang tuna
aksara, sedangkan di antara perempuan dewasanya didapatkan 8 orang
tuna aksara. Jumlah penduduk dewasa di desa ‘X’ adalah 1000 orang.
Jika seorang penduduk dewasa dipilih secara acak dari desa ‘X’,
hitunglah probabilitas bahwa ia laki-laki dengan syarat ia buta huruf.
98
4. Diketahui 3 peristiwa A, B, dan C. A dan B saling independen, B dan C
saling asing. P (A), P (B), dan P (C) masing-masing adalah 0.5, 0.3,
dan 0.1. Nyatakan peristiwa berikut dalam notasi probabilitas dan
hitunglah probabilitasnya:
A. B dan C keduanya terjadi.
B. Paling sedikit salah satu dari A dan B terjadi
C. B tidak terjadi
D. Ketiga peristiwa terjadi
99
BAB 5
DISTRIBUSI TEORETIS
5.1 KONSEP DASAR DISTRIBUSI PROBABILITAS

Variabel Random
Suatu variabel random (peubah acak) X adalah: cara memberi nilai
angka bagi tiap unsur ruang sampel; atau:
X (a) adalah ukuran karakteristik tertentu, yang diberikan bagi tiap
unsur a suatu ruang sampel.
Contoh 5.1:
Percobaan melontarkan mata uang logam tiga kali menghasilkan ruang
sampel berikut:
 MMM MMB MBB BBB 
 
S=  MBM BMB 
 BMM BBM 
 
Jika mata uang logam seimbang, delapan unsur ruang sampel memiliki
probabilitas sama besar, masing-masing dengan probabilitas 1/8.
Misalkan variabel random X adalah ‘banyak M dalam tiap unsur’,
maka:
X (MMM) = 3
X (MMB) = X (MBM) = X (BMM) = 2
X (MBB) = X (BMB) = X (BBM) = 1
X (BBB) = 0
Contoh 5.2:
Seorang mahasiswa dipilih secara acak dari kelas yang beranggotakan
30 mahasiswa. Ruang sampelnya terdiri atas 30 mahasiswa, dinyatakan
sebagai S = { a1 , a2 , . . . , a30 }.
Misalkan variabel random Y (a) menyatakan indeks prestasi mahasiswa
a, dan IP mahasiswa a1 = 3.16, IP mahasiswa a2 = 2.43, dan seterusnya,
maka:
100
Y ( a1 ) = 3.16 ; Y ( a2 ) = 2.43 ; dan seterusnya
Suatu variabel random yang hanya dapat menjalani nilai-nilai berbeda
yang banyaknya berhingga (data diskret) disebut variabel random diskret.
Suatu variabel random yang dapat menjalani setiap nilai (tak berhingga
banyaknya) dalam suatu interval (data kontinu) disebut variabel random
kontinu.
Pada contoh 5.1 di atas, X hanya dapat menjalani nilai-nilai dalam
himpunan terhingga {0, 1, 2, 3}. Jadi X adalah variabel random diskret.
Pada contoh 5.2 di atas, Y(a) dapat menjalani setiap nilai yang tak
berhingga banyaknya, antara 0 dan 4, termasuk. Jadi Y (a) adalah variabel
random kontinu.
Distribusi Probabilitas
Lihat kembali hasil tiga kali pelontaran mata uang di atas. Ruang
sampelnya adalah:
 MMM MMB MBB BBB 
 
S=  MBM BMB 
 BMM BBM 
 
Dengan asumsi mata uang seimbang, sehingga tiap unsur memiliki
probabilitas sebesar 1/8 untuk terjadi, maka diperoleh distribusi
probabilitas diskret berikut:
Tabel 5.1 Distribusi probabilitas X

Nilai X 0 1 2 3
Probabilitas X 1/8 3/8 1/8 3/8
Dari distribusi probabilitas di atas, dapat dihitung probabilitas

peristiwa-peristiwa yang berhubungan dengan X, misalnya:
P [X > 2] = P [X = 2] + P [X = 3]
= 3/8 + 1/8 = 4/8 = ½
P [1 < X < 3] = P [X = 1] + P [X = 2] + P [X = 3]
= 3/8 + 3/8 + 1/8 = 7/8
101
Nilai Harapan dan Variansi
Rerata suatu variabel random X atau distribusi probabilitasnya,
dinamakan juga nilai harapan X dan dituliskan E [X].
Jika X dapat menjalani nilai-nilai yang mungkin X1 , X 2 , . . . ,
dengan probabilitas masing-masing f ( X i ) = P [X = X i ], maka nilai harapan
X adalah:
n
E [X] = rerata X = µ = ∑
i =1
Xi f ( Xi ) (5.1)
Contoh 5.3:
Misalkan variabel random X menyatakan jumlah anak dalam tiap
keluarga di negara Rusia, dan distribusi probabilitasnya diketahui,
perhitungan nilai harapan X = rerata X dapat dilakukan seperti terlihat pada
tabel 5.2 berikut:
Tabel 5.2. Distribusi probabilitas jumlah anak dalam keluarga di

negara Rusia dan perhitungan nilai harapannya
Xi f ( Xi ) Xi f ( Xi )
0 0.1 0.0
1 0.2 0.2
2 0.4 0.8
3 0.3 0.9
n
∑
i =1
f ( Xi ) = 1 E [X] = 1.9
Contoh 5.4:
Dalam suatu permainan dadu yang dinyatakan ‘seimbang’, untuk
bermain satu lemparan, pemain harus membayar C ribu rupiah dan akan
menerima uang (dalam ribuan rupiah) sebanyak titik yang tampak di atas
pada hasil pelemparan dadu tersebut. Misalkan variabel random X
menyatakan jumlah uang (dalam ribuan rupiah) yang diterima pemain,
distribusi probabilitasnya adalah:
102
Tabel 5.3. Distribusi probabilitas jumlah uang yang diterima pemain
pada permainan dadu seimbang
Nilai X 1 2 3 4 5 6
Prob X 1/6 1/6 1/6 1/6 1/6 1/6
E [X] = 1/6 (1 + 2 + 3 + 4 + 5 + 6)
= 3.5 = Rp. 3,500
Maka permainan dapat dinyatakan ‘adil’ jika C = Rp. 3,500, sehingga
banyak uang yang diterima pemain dalam jangka panjang akan sama dengan
banyak uang uang yang dibayar untuk bermain.
Sifat-sifat nilai harapan:

1) Jika b bilangan konstan, maka:
E [b] = b (5.2)
2) Jika a bilangan konstan, maka:
E [aX] = a E [X] (5.3)
3) Jika a dan b bilangan konstan, maka:
E [aX + b] = a E [X] + b (5.4)
Variansi variabel random X atau distribusi probabilitas, dituliskan
Var ( X ) atau σ 2 , adalah nilai harapa kuadrat deviasi terhadap rerata:
Var ( X ) = E [ X − µ ]2 = E  X 2  ‒ µ 2 (5.5)
 
Var ( X ) = E  X 2  ‒ ( E [ X ])
2
atau: (5.5.a)
 
Standar deviasi variabel random X atau distribusi probabilitasnya,
dituliskan SD (X) atau σ , adalah akar variansi variabel random X atau
distribusi probabilitasnya.
Contoh 5.5:
Misalkan variabel random X menyatakan jumlah penjualan HP merek
N per hari. Distribusi probabilitasnya dan perhitungan variansinya
diperlihatkan pada tabel 5.4 berikut:
103
Tabel 5.4. Distribusi probabilitas jumlah penjualan HP merek N
dan perhitungan variansinya
Xi f ( Xi ) Xi f ( Xi ) X i2 f ( X i )
0 0.1 0.0 0.0
1 0.1 0.1 0.1
2 0.2 0.4 0.8
3 0.3 0.9 2.7
4 0.2 0.8 3.2
5 0.1 0.5 2.5
∑ f ( Xi ) = 1 E [X] = 2.7 E  X 2  = 9.3

 
Var ( X ) = E  X 2  ‒ ( E [ X ])
2
 
= 9.3 – (2.7)2 = 2.01
SD (X) = 2.01 = 1.42
Sifat-sifat variansi dan standar deviasi:

Untuk a dan b konstan:
1. Var ( X ) non-negatif: 1. SD ( X ) non-negatif:
Var ( X ) > 0 SD ( X ) > 0 (5.6)
2. Var ( X + b ) = Var ( X ) 2. SD (X + b) = SD (X) (5.7)
3. Var ( aX ) = a 2 Var ( X ) 3. SD (aX) = a SD (X) (5.8)
4. Var ( aX + b ) = a 2 Var ( X ) 4. SD (aX + b) = a SD (X) (5.9)
Dengan transformasi:
X − µx
Z= (5.10)
σx
maka variabel random X dengan rerata µ x dan standar deviasi σ x menjadi
variabel random Z yang mempunyai rerata 0 dan standar deviasi 1. Variabel
random Z ini dinamakan variabel random standar.
E (Z) = 0 (5.10.a)
Var (Z) = 1 (5.10.b)
104
Contoh 5.6:
Misalkan variabel random X menyatakan banyak penjualan HP merek
N per hari dan variabel random Y menyatakan keuntungan bersihnya sebagai
fungsi X:
Y = 5,000 X – 2,000
Maka: E [Y] = E [5,000 X – 2,000]
= 5,000 E [X] – 2,000
= (5,000)(2.7) – 2,000 = 11,500
Var (Y) = Var [5,000 X – 2,000]
= 5,0002 Var (X)
= (5,0002)(2.01) = 50,250,000
SD (Y) = 50, 250, 000 = 7,088.72
5.2 DISTRIBUSI PROBABILITAS DISKRET

Distribusi Uniform
Misalkan variabel random X (a) menyatakan nilai-nilai yang
diberikan bagi hasil yang mungkin diperoleh pada percobaan dengan ruang
sampel S = { a1 , a2 , . . . , an }, maka variabel random X dikatakan
berdistribusi uniform jika:
1
P ( Xi ) = (5.11)
n
Contoh distribusi uniform misalnya distribusi probabilitas variabel

random X yang menyatakan titik yang tampak di atas pada pelontaran
berulang sebuah dadu yang seimbang. Variabel random X dapat menjalani
nilai-nilai dalam himpunan {1, 2, . . . , 6} masing-masing dengan probabilitas
P ( X i ) = 1/6.
Grafik contoh distribusi probabilitas uniform di atas diperlihatkan

dalam bentuk diagram garis pada diagram 5.1 berikut:
105
Diagram 5.1. Contoh grafik distribusi uniform
Distribusi Binomial
Distribusi binomial dapat dianggap sebagai hasil percobaan yang
diulang-ulang, yang memenuhi syarat sebagai ‘Bernoulli trials’.
Sifat-sifat Bernoulli trials :

1. Tiap percobaan (trial) menghasilkan salah satu dari dua kemungkinan,
yang dinamakan sukses (S) dan tidak sukses / gagal (T).
2. Pada tiap percobaan, probabilitas sukses selalu tetap dan dinyatakan
sebagai:
p = P (S) (5.12.a)
Probabilitas tidak sukses dinyatakan sebagai:
q = P (T) = 1 − p (5.12.b)
sehingga:
p+q=1 (5.12.c)
3. Percobaan-percobaan independen satu dengan yang lain: Hasil suatu
percobaan tidak dipengaruhi oleh hasil pada percobaan-percobaan
sebelumnya.
Contoh 5.7:
Misalkan dilakukan Bernoulli trials sebanyak n kali, dengan
probabilitas sukses p pada tiap percobaan. Variabel random X menyatakan
banyak sukses dalam n kali percobaan tersebut, maka distribusi probabilitas
X dikatakan berdistribusi binomial dengan n kali percobaan dan probabilitas
sukses p.
Misalkan dilakukan n = 4 kali percobaan, maka semua hasil yang
mungkin adalah sebagai berikut:
106
TTTT TTTS SSTT SSST SSSS
TTST STST SSTS
TSTT STTS STSS
STTT TSST TSSS
TSTS
TTSS
Distribusi probabilitasnya diperlihatkan pada tabel 5.5 berikut:
Tabel 5.5 Contoh Distribusi Binomial dengan n = 4
Nilai X Banyak hasil: Cxn Prob. tiap hasil: p x q n − x
0 C04 = 1 p0 q4 = q4
1 C14 = 4 p1 q 3 = p q 3
2 C24 = 6 p 2 q2
3 C34 = 4 p 3 q1 = p 3 q
4 C44 = 1 p4 q0 = p4
Maka diperoleh distribusi probabilitas distribusi binomial:
P (X = x) = Cxn p x q n − x ; x = 0, 1, . . . , n (5.13)
Beberapa contoh grafik distribusi binomial dapat dilihat pada

diagram 5.2.
Diagram 5.2. Contoh beberapa grafik distribusi binomial

dengan n = 5 dan berbagai nilai p
107
Contoh 5.8:
Sepasang suami isteri yang baru menikah merencanakan untuk
memperoleh empat orang anak. Jika rencananya mungkin terlaksana dan
diketahui probabilitas untuk memperoleh anak laki-laki dalam tiap kelahiran
adalah 0.51, maka:
a. Probabilitas untuk memperoleh empat orang anak laki-laki:
P (X = 4) = C44 p 4
= (1)(0.514) = 0.0677
b. Probabilitas untuk memperoleh tiga orang anak laki-laki:
P (X = 3) = C34 p 3 q
= (4)(0.513)(0.49) = 0.2600
c. Probabilitas untuk memperoleh dua orang anak laki-laki:
P (X = 2) = C24 p 2 q 2
= (6)(0.512)(0.492) = 0.3747
d. Probabilitas untuk memperoleh paling sedikit dua orang anak laki-laki:
P (X > 2) = P (X = 2) + P (X = 3) + P (X = 4)
= 0.3747 + 0.2600 + 0.0677 = 0.7024
Nilai-nilai probabilitas distribusi binomial dapat dilihat tabel
probabilitas binomial (Addendum B1). Untuk menjelaskan
penggunaannya, diperlihatkan cuplikan tabel binomial pada tabel 5.6 berikut.
Misalnya:
• Untuk n = 2 dan p = 0.01 : P (X = 1) = 0.0198
• Untuk n = 3 dan p = 0.40 : P (X = 2) = 0.2880
• Untuk n = 25 dan p = 0.99 P (X = 25) = 0.778
Kebanyakan tabel binomial tidak menyajikan nilai-nilai probabilitas
untuk p > 0.50.
Perhatikan bahwa:
P (X = x | p) = P (X’ = n – x | p’ = 1 – p);
yaitu probabilitas untuk mendapatkan x kali sukses P (X = x) adalah sama
dengan probabilitas untuk mendapatkan (n – x) kali sukses P (X’ = n – x) dari
percobaan dengan n yang sama dan probabilitas sukses baru p’ = 1 – p.
108
Tabel 5.6. Cuplikan tabel distribusi binomial [P (X = x)]
p
n X
01 0.05 ... 0.40 ... 0.95 .99
2 0 .9801 ... .3600 ... .0001
1 .0198 ... .4800 ... .0198
2 .0001 ... .1600 ... .9801
3 0 .9703 ... .2160 ... .0000

1 .0294 ... .4320 ... .0003
2 .0003 ... .2880 ... .0294
3 .0000 ... .0640 ... .9703
. . . . .
. . . . .
. . . . .
25 0 .778 ... .000 ... . 000
1 .196 ... .000 ... .000
. . . .
. . . .
. . . .
25 .000 ... .000 ... .778
Misalnya:
• Jika n = 2, P (X = 0) = 0.0001 untuk p = 0.99, bernilai sama dengan:
P (X = 2) = 0.0001 untuk p = 0.01
P (X = 0) = 0.9801 untuk p = 0.01
P (X = 1) = 0.0294 untuk p = 0.01
Nilai-nilai probabilitas distribusi binomial dapat pula disajikan secara
kumulatif, yaitu P (X < x) dalam bentuk tabel binomial kumulatif
(Addendum B2).
109
Tabel 5.7. Cuplikan tabel distribusi binomial kumulatif P (X < x):
p
n X
.01 .05 ... .40 ... .95 .99
2 0 .9801 ... .3600 ... .0001
1 .9999 ... .8400 ... .0199
2 .1000 ... .1000 ... .1000
3 0 .9703 ... .2160 ... .0000

1 .9997 ... .6480 ... .0003
2 .1000 ... .9360 ... .0297
3 .1000 ... .1000 ... .1000
. .
. .
. .
25 0 .778 ... .000 ... . 000

1. .974 ... .000 ... .000
. . . .
. . . .
. . . .222
25 1.00 ... 1.00 ... 1.00
Misalnya:
• Untuk n = 2 dan p =0.01 :
P (X = 1) = P (X < 1) – P (X = 0)
= 0.0000 – 0.9801 = 0.0198
• Untuk n = 3 dan p = 0.40 :
P (X = 2) = P (X < 2) – P (X < 1)
= 0.9360 – 0.6480 = 0.2880
• Untuk n = 25 dan p = 0.99 :
P (X = 25) = P (X < 25) – P (X < 24)
= 1.00 – 0.222 = 0.778
110
Distribusi Hipergeometrik
Sampel dengan dan tanpa pengembalian:
Pengembalian sampel dapat dilakukan dengan atau tanpa
pengembalian. Pada sampling (pengambilan sampel) dengan pengembalian
(with replacement), tiap anggota sampel yang terpilih dikembalikan ke dalam
‘himpunan calon anggota sampel’ untuk pemilihan anggota sampel
berikutnya, sehingga tiap anggota populasi dapat terpilih lebih daripada satu
kali (ataupun tidak terpilih) untuk menjadi anggota sampel.
Pada sampling tanpa pengembalian (without replacement), tiap
anggota sampel yang terpilih dikeluarkan dari ‘himpunan calon anggota
sampel’ untuk pemilihan anggota sampel berikutnya, sehingga tiap anggota
populasi hanya mungkin terpilih satu kali (ataupun tidak terpilih) untuk
menjadi anggota sampel.
Pengambilan sampel dengan pengembalian dari populasi yang
memiliki karakteristik yang bersifat biner (dikotomi) akan menghasilkan
distribusi binomial, sedangkan pengambilan sampel tanpa pengembalian
dari populasi yang memiliki karakteristik biner menghasilkan distribusi
hipergeometrik.
Contoh 5.9:
Sebuah berisi 6 bola merah (M) dan bola hitam (H). Dari kotak
tersebut, dikeluarkan sebuah bola secara acak tiga kali berturut-turut.
Probabilitas untuk mendapatkan bola merah atau hitam pada tiap kali
pengambilan, baik pada sampling dengan ataupun tanpa pengembalian
diperlihatkan pada diagram 5.3.
Pada sampling dengan pengembalian, komposisi isi kotak selalu tetap
6 bola merah dan 4 bola hitam, probabilitas untuk mendapatkan bola merah
selalu tetap berupa P (M) = 6/10 dan probabilitas untuk mendapatkan bola
hitam selalu tetap berupa P (H) = 4/10. Probabilitas untuk mendapatkan x
bola merah (atau n – x bola hitam) pada n kali pengambilan sampel dengan
pengembalian dapat dihitung dengan menggunakan distribusi binomial.
Pada sampling tanpa pengembalian, probabilitas untuk mendapatkan
bola merah (atau bola hitam) pada tiap kali pengambilan akan selalu
berubah, karena komposisi isi kotak akan selalu berubah, sesuai dengan hasil
yang diperoleh pada pengambilan sebelumnya. Probabilitas untuk
mendapatkan x bola merah (atau n – x bola hitam) pada n kali pengambilan
sampel tanpa pengembalian dapat dihitung dengan menggunakan distribusi
hipergeometrik.
111
Diagram 5.3. Skema probabilitas hasil tiap percobaan pada sampling dengan dan tanpa pengembalian
112
Contoh 5.10:
Misalkan dalam sebuah populasi yang beranggotakan N = 1000
terdapat 300 orang perokok (= R) dan 700 orang bukan perokok (= R ).
Apabila dipilih 2 orang secara acak di antara anggota populasi, maka
probabilitas untuk mendapatkan perokok pada kedua kali memilih
anggotanya secara acak tersebut adalah:
a. Sampling dengan pengambilan:
- Memilih anggota pertama: terdapat 300 orang perokok di antara 1000
anggota populasi. Probabilitas untuk memperoleh perokok adalah
P ( R ) P (R) = 300/1000 = 0.30
- Memilih anggota kedua: Tak tergantung hasil pemilihan pertama,
karena selalu akan dikembalikan kedalam populasi, pada pemilihan
kedua terdapat 300 orang perokok di antara 1000 anggota populasi.
Probabilitas untuk memperoleh adalah P (R) = 300/1000 = 0.30
b. Sampling tanpa pengembalian:

- Memilih anggota pertama: terdapat 300 orang perokok di antara 1000
anggota populasi. Probabilitas untuk memperoleh perokok adalah P
(R) = 300/1000 = 0.30
- Memilih anggota kedua: Hasilnya tergantung pada hasil pemilihan
pertama.
= Pemilihan pertama menghasilkan seorang perokok (= R): Untuk
pemilihan kedua terdapat 299 orang perokok di antara 999
P (R) = 299/999 = 0.2993
= Pemilihan pertama menghasilkan seorang bukan perokok (= R ):
Untuk pemilihan kedua terdapat 300 orang perokok di antara 999
P (R) = 300/999 = 0.3003
Proses sampling ini secara skematis diperlihatkan pada diagram 5.4.
Tampak bahwa untuk N besar (dan n kecil; n << N), probabilitas hasil
sampling tanpa pengembalian dapat dianggap sama dengan sampling
dengan pengembalian.
113
R R N
300 700 1000
n = 2:
Dengan pengembalian Tanpa pengembalian
300 300
1) P (R) = = 0.3000 1) P (R) = = 0.3000
1000 1000
300 299 300

2) P (R) = = 0.3000 2) P (R) = = 0.2993 2) P (R) = = 0.3003
1000 999 999
≈ 0.3000 ≈ 0.3000
Diagram 5.4. Skema probabilitas hasil tiap percobaan

pada sampling dengan N besar (n << N)
Contoh 5.11:
Misalkan sebuah kotak berisi 50 tabung elektronik, 10 di antaranya

rusak dan 40 baik.
a N–a N
10 40 50
a. Diambil sampel n = 3 tube (tanpa pengembalian; n < a):

X menyatakan jumlah tube yang rusak dalam sampel: X = {0, 1, 2, 3};
yaitu:
X = {0, 1, . . . n}
b. Diambil sampel n = 15 (n > a): X = {0, 1, . . . , 10}; yaitu:

X {0, 1, . . . , a}
114
Untuk soal a. :
C010C340 C110C240
P (X = 0) = P (X = 1) =
C350 C350
C210C140 C310C040
P (X = 2) = P (X = 3) =
C350 C350
Untuk soal b. :
C010C1540
C110C1440
P (X = 0) = 50 P (X = 1) = 50
C15 C15
C210C1340
C310C1240
P (X = 2) = 50 P (X = 3) = 50
C15 C15
dan seterusnya.
Secara umum distribusi probabilitas distribusi hipergeometrik dapat

dinyatakan sebagai:
C xa CnN−−xa
P (X = x) = (5.14)
CnN
x = 0, 1, . . . , n jika n < a
= 0, 1, . . . , a jika n > a
Matriks 5.1. Rerata dan variansi distribusi binomial dan hipergeometrik
Distribusi Binomial Hipergeometrik

a
Rerata µ=np µ=n = np
N
a b N −n
σ2 = n
σ 2 = n p (1 – p) N N N −1
Var
= npq N −n
= n pq
N −1
Jika N besar dan N >> n, maka:

N–n≈N dan N – 1 ≈ N
N −n
sehingga: n p q ≈ npq
N −1
dan variansi distribusi hipergeometrik dapat dianggap sama dengan variansi
distribusi binomial.
115
Dalam praktik, pengambilan sampel tanpa pengembalian dapat
diasumsikan berdistribusi binomial jika N besar dan N >> n.
Nilai-nilai probabilitas hipergeometrik juga dapat dilihat pada tabel
probabilitas hipergeometrik, walaupun tidak semua buku-buku Statistika
melampirkannya. Cuplikan tabel tersebut dapat dilihat pada tabel 5.8 berikut.
Tabel 5.8. Cuplikan tabel distribusi hipergeometrik [P (X = x)]
N n a x P (x) ... N n a x P (x)

2 1 1 0 0.5000 ... 20 1 1 0 0.9500
2 1 1 1 0.5000 ... 20 1 1 1 0.0500
3 1 1 0 0.6667 ... 20 2 1 0 0.9000
. .
. .
. .
9 4 4 3 0.1587 ... 20 10 10 9 0.0005
9 4 4 4 0.0079 ... 20 10 10 10 0.0000
Misalkan N = 9, n = 4, dan a = 4, maka:

• P (X = 3) = 0.1587
• P (X = 4) = 0.0079
Contoh kedekatan nilai-nilai probabilitas distribusi hipergeometrik
dan distribusi binomial jika N besar dan N >> n diperlihatkan secara grafikal
pada diagram 5.5.
116
Diagram 5.5. Grafik distribusi hipergeometrik (a = 20, N = 1000, n =
100) dan distribusi binomial (p = 0.02, n = 100)
Distribusi Poisson
Variabel random binomial X diasumsikan berdistribusi Poisson
(dibaca: pwa-song’) jika n sangat besar dan p sangat kecil (mendekati 0),
sehingga hasil perkalian n dan p bersifat konstan dan nilainya tidak terlalu
besar.
n p = λ (konstan)
Distribusi probabilitas distribusi Poisson adalah:
e −λ λ x
P (X = x) = (5.15)
x!
e = 2.71828 (bilangan pokok log naturalis)
Rerata X = Var (X) = λ (5.15.a)
Contoh 5.12:
Suatu proses produksi memiliki probabilitas 2% untuk menghasilkan
produk cacat. Jika yang diperiksa adalah 100 produk, maka:
p = 0.02 n = 100
117
λ = np = (100)(0.02) = 2
e −λ λ x
P (X = x) =
x!
e−2λ 0
P (X = 0) = = 0.135
0!
e−2λ1
P (X = 1) = = 0.271
1!
e−2λ 2
P (X = 2) = = 0.271
2!
Nilai-nilai probabilitas Poisson juga dapat diperoleh dari tabel
probabilitas Poisson, yang cuplikannya diperlihatkan pada tabel 5.9.
Tabel 5.9. Cuplikan tabel distribusi Poisson [P (X = x)]
λ
X
.01 .02 ... 2 ... 19 20
0 .9048 .8187 ... .1353 ... .0000 .0000
1 .9005 .1637 ... .2707 ... .0000 .0000
2 .0045 .0164 ... .2707 ... .0000 .0000
. . . . . .
. . . . . .
. . . . . .
38 .0000 .0000 ... .0000 ... .0000 .0001
39 .0000 .0000 ... .0000 ... .0000 .0001
Misalkan, untuk λ = 2 (contoh 5.10 di atas)

• P (X = 0) = 0.1353
• P (X = 1) = 0.2707
• P (X = 2) = 0.2707
• P (X < 2) = P (X = 0) + P (X = 1) + P (X = 2)
= 0.1353 + 0.2707 + 0.2707 = 0.6767
• P (X > 3) = 1 – P (X < 3) = 1 – P (X < 2)
= 1 – 0.6767 = 0.3233
Contoh-beberapa grafik distribusi Poisson dengan berbagai nilai
rerata (= λ) diperlihatkan pada diagram 5.6.
118
Diagram 5.6. Contoh beberapa grafik distribusi Poisson dengan
berbagai nilai rerata (= λ)
5.3 DISTRIBUSI PROBABILITAS KONTINU

Distribusi Homogen
Variabel random kontinu X dikatakan berdistribusi homogen dalam
interval [a, b], apabila variabel itu mempunyai fungsi probabilitas yang
berbentuk:
1
f (x) = a<x<b (5.16)
b−a
Distribusi homogen dapat dianggap sebagai ‘counterpart’ kontinu
bagi distribusi uniform yang diskret (lihat diagram 5.7 di bawah); walaupun
ada juga yang tetap menyebut bentuk kontinu ini sebagai ‘distribusi
uniform’.
119
Diagram 5.7. Grafik fungsi probabilitas distribusi homogen
Distribusi Normal
Variabel random kontinu X dikatakan berdistribusi normal (distribusi
Gauss) dengan rerata µ dan variansi σ 2 , jika variabel itu mempunyai fungsi
probabilitas yang berbentuk:
1
( x − µ )2
1 2
f (x) = e 2σ ; −∞ < x < ∞ (5.17)
2
2πσ
σ2 > 0 π = 3.14 dan e = 2.718

Jika fungsi probabilitas itu digambarkan, maka diperoleh grafik
seperti pada diagram 5.8 di bawah, yang dinamakan ‘kurva normal’.
120
2
Diagram 5.8. Kurva normal X dengan rerata µ dan variansi σ
Sifat-sifat kurva normal:

1. Nilai modus, yaitu nilai sumbu X dengan kurvanya maksimum terletak
pada x = µ.
2. Kurva normal simetris terhadap sumbu vertikal melalui µ.
3. Kurva normal mempunyai titik belok pada x = µ + σ
4. Kurva normal memotong sumbu horizontal secara asimtotis.
5. Luas area di antara kurva normal dan sumbu horizontal sama dengan 1
(secara singkat dikatakan, luas kurva normal sama dengan 1).
Luas area kurva normal merupakan nilai probabilitas untuk
memperoleh seluruh nilai-nilai x yang berada dalam area tersebut. Atas dasar
persamaan :
∞ ∞ 1
1 2(
x − µ )2
∫ f ( x ) dx = ∫ e 2σ dx = 1
−∞ 2πσ 2 −∞
maka luas area kurva normal antara x = a dan x = b (= probabilitas bahwa
nilai x terletak antara a dan b) dapat dihitung sebagai:
b
P [a < x < b] = ∫a f ( x ) dx (5.18)
121
Diagram 5.9. Luas area kurva normal antara x = a dan x = b
Beberapa luas area pada kurva normal X (lihat diagram 5.10):

P [µ – σ < X < µ + σ] ≈ 68% )
P [µ – 2σ < X < µ + 2σ] ≈ 95% ) (5.19)
P [µ – 3σ < X < µ + 3σ] ≈ 99% )
Diagram 5.10. Beberapa luas area pada kurva normal X
Distribusi Z (Distribusi Normal Standar)

Kurva normal dapat berbeda-beda, tergantung pada nilai
parameternya µ dan σ (lihat diagram 5.11.a dan 5.11.b). Untuk penyusunan
tabel probabilitasnya serta menyederhanakan penggunaannya, diperlukan
standardisasi bagi kurva normal, yang menghasilkan kurva normal standar.
122
Diagram 5.11.a. Kurva normal dengan variansi yang sama, namun
rerata berbeda: µ1 < µ2 < µ3
Diagram 5.11.b. Kurva normal dengan rerata yang sama, namun

variansi berbeda: σ1 < σ2 < σ3
Misalkan variabel random kontinu X berdistribusi normal dengan

rerata µ dan variansi σ 2 . Maka transformasi Z = ( X − µ ) σ dikatakan
berdistribusi Z (berdistribusi normal standar) dengan rerata 0 dan variansi 1
(lihat contoh pada diagram 5.12).
1 2
1 z
f (z) = e2 ; −∞< x < ∞ (5.20)
2π
123
Diagram 5.12. Transformasi variabel random normal X dengan µ = 50
dan σ2 menjadi variabel random normal standar Z
Beberapa luas area pada kurve normal standar Z (lihat diagram 5.13):
P [–1 < Z < +1] ≈ 68% )
P [–2 < Z < +2] ≈ 95% ) (5.21)
P [–3 < Z < +3] ≈ 99% )
Diagram 5.13. Beberapa luas area pada kurva normal standar Z
Luas area pada kurva distribusi Z dapat dilihat pada tabel Z.

Penyajian tabel Z dapat dilakukan dalam berbagai bentuk. Dalam salah satu
bentuk penyajian, yang cuplikannya disajikan pada tabel 5.10 di bawah ini,
luas area (table area, TA) yang dimaksud adalah luas area dari Z = 0 sampai
dengan nilai z tertentu, yaitu P (0 < Z < z).
124
Tabel 5.10. Cuplikan salah satu bentuk tabel Z [P (0 < Z < z)]
Z 00 ... 04 ... 06 ... 09

0.0 .0000 ... .0160 ... .0239 ... .0359
0.1 .0398 ... .0557 ... .0636 ... .0753
. . . . .
. . . . .
1.0 .3413 ... .3508 ... .3554 ... .3621
. . . . .
. . . . .
1.6 .4452 ... .4495 ... .4545
. . . . .
. . . . .
1.9 .4713 ... .4750 ... .4767
2.0 .4772 ... .4793 ... .4803 ... .4817
. . . . .
. . . . .
3.0 .4987 ... .4988 ... .4989 ... .4990
Nilai-nilai yang tercantum dalam badan tabel menyatakan luas area [0

< Z < a]; a merupakan nilai pada tepi kiri dan sisi atas tabel. Karena
distribusi Z memiliki standar deviasi sama dengan 1, maka satuan
pengukuran pada sumbu horizontal adalah σ. Perhatikan contoh:
• P [Z = b] = 0
(sifat yang berlaku untuk seluruh distribusi probabilitas kontinu)
• P [0.00 < Z < 1.00] = P [0.00 < Z < 1.00]
= 0.3413
• P [−1.00 < Z < 0.00] = P [−1.00 < Z < 0.00]
= P [0.00 < Z < 1.00] (sifat simetris distribusi Z)
= 0.3413
• P [|Z| < 1.00] = P [−1.00 < Z < 1.00]
= (2)(0.3413) = 0.6826
• P [0.00 < Z < 2.00] = 0.4722
• P [|Z| < 2.00] = (2)(0.4772) = 0.9544
• P [0.00 < Z < 3.00] = 0.4987
125
• P [|Z| < 3.00] = (2)(0.4987) = 0.9974
• P [0.00 < Z < 1.96] = 0.4750
• P [|Z| < 1.96] = (2)(0.4750) = 0.9500
Dapat dibalik: Jika A = 95%, maka |Z| < 1.96 (dengan syarat A simetris
terhadap sumbu vertikal)
• P [|Z| < 1.64] = (2)(0.4495) = 0.8990 ≈ 0.9000
Dapat dibalik: Jika A = 99%, maka |Z| < 1.64 (dengan syarat A simetris
terhadap sumbu vertikal)
• P [1.00 < Z < 2.00] = P [0.00 < Z < 2.00] – P [0.00 < Z < 1.00]
= 0.4772 – 0.3413 = 0.1359
• P [−1.00 < Z < 2.00] = P [−1.00 < Z < 0.00] + P [0.00 < Z < 2.00]
= P [0.00 < Z < 1.00] + P [0.00 < Z < 2.00]
= 0.3413 + 0.4772 = 0.8185
Untuk aplikasi tabel Z pada perhitungan bagi variabel random X yang
berdistribusi normal, transformasikan terlebih dahulu nilai-nilai X menjadi
nilai Z:
X −µ
Z=
σ
sebaliknya pada akhir perhitungan, nilai-nilai Z dapat ditransformasikan
kembali ke nilai X:
X=µ+Zσ
Contoh 5.13:
Nilai-nilai ujian seleksi penerimaan mahasiswa baru secara nasional
dianggap berdistribusi normal dengan rerata 45 dan standar deviasi 13. Jika
hanya 32.5% calon mahasiswa yang akan diterima, berapakah nilai terendah
calon mahasiswa yang diterima?
Misalkan variabel random normal X menyatakan nilai-nilai ujian
seleksi penerimaan mahasiswa baru, maka X ~ N (45 ; 13). Jika x
menyatakan nilai terendah calon mahasiswa yang diterima, maka:
P [X > x] = 0.325
Dengan menggunakan tabel Z serta interpolasi linear (lihat Lampiran
5D dan 5E), diperoleh bahwa untuk luas area sebesar 0.325 pada sisi kanan
distribusi Z, nilai z-nya adalah 0.4538, sehingga:
P [Z > 0.4538] = 0.325
126
Dari transformasi standar Z = ( X − µ ) σ diperoleh:
x=µ+zσ
dan: x = 45 + (0.4538)(13) = 50.90
Contoh 5.14:
Usia hidup rata-rata elemen kering merek PQR adalah 300 jam
dengan standar deviasi 35 jam. Dengan asumsi bahwa distribusi usia hidup
elemen kering itu mendekati distribusi normal, hitunglah:
a. Berapa persen elemen kering merek PQR yang usia hidupnya kurang
daripada 225 jam?
b. Berapa persen elemen kering merek PQR yang usia hidupnya
kurangnya daripada 350 jam?
Misalkan variabel random normal X menyatakan usia hidup rata-rata
elemen kering merek PQR, maka X ~ N (300 ; 35), maka proporsi elemen
kering merek PQR yang usia hidupnya kurang daripada 225 jam dapat
dinyatakan sebagai:
P (X < 225)
yang dengan transformasi standar dapat diubah menjadi:
 225 − 300 
PZ <  = P (Z < −2.14)
 35 
yang bernilai sama dengan:
P (Z > 2.14) = 0.5000 – P (0 < Z < 2.14)
= 0.5000 – 0.4838 = 0.0162 ≈ 1.62%
Proporsi elemen kering merek PQR yang usia hidupnya kurang
daripada 350 jam dapat dinyatakan sebagai:
P (X < 350)
yang dengan transformasi standar dapat diubah menjadi:
 350 − 300 
PZ <  = P (Z < 1.43)
 35 
= 0.5000 + P (0 < Z < 1.43)
= 0.5000 + 0.4236 = 0.9236 = 92.36%
Distribusi t
Distribusi t (Student’s t) digunakan untuk sampel berukuran kecil (n
< 30). Gambaran kurvanya menyerupai distribusi Z, namun memiliki ekor
127
yang lebih tebal (sebaran nilai yang lebih besar) daripada distribusi Z (lihat
diagram 5.14).
Kurvanya / variansinya dapat berubah-ubah sesuai nilai ‘derajat
bebas’-nya (db; df; degree of freedom), yaitu db = n – 1. Pada db > 30,
distribusi t dapat dianggap sama dengan distribusi Z.
Nilai-nilai untuk distribusi t dapat dilihat pada tabel (lihat contoh
cuplikan pada tabel 5.11).
Diagram 5.14. Distribusi t dan distribusi Z
128
Tabel 5.11. Cuplikan salah satu bentuk tabel t [α = P (t > tα)]:
Area satu sisi

db
.10 .05 .025 .01
1 3.078 6.314 12.706 31.821
2 1.886 2.920 4.303 6.965
. . . . .
. . . . .
11 1.363 1.796 2.201 2.718
. . . . .
. . . . .
19 1.328 1.729 2.093 2.539
. . . . .
. . . . .
30 1.310 1.697 2.042 2.457
. . . . .
. . . . .
120 1.289 1.658 1.980 2.358
Z 1.282 1.645 1.960 2.326
Perhatikan:
o Secara matematik, distribusi t baru akan sama dengan distribusi Z pada n
= ∞ , namun secara praktis keduanya sudah dapat dianggap sama pada n
= 30 (n = 50).
o Pada tabel t, badan tabel memuat nilai t dan luas area tercantum pada sisi
atas tabel (pada tabel Z, badan tabel memuat luas area, nilai Z diperoleh
dari sisi kiri dan atas tabel).
o Sesuai kebutuhan, tabel t hanya memuat nilai-nilai t untuk luas area kecil
(10% atau kurang).
Contoh 5.15:
Lihat tabel t satu sisi (satu ekor, one-tail). Tampak bahwa untuk db
11 dan luas area 0.05, nilai t adalah 1.796 atau:
t(11;0.05) = 1.796
129
yang dalam konteks probabilitas berarti bahwa:
P [ t(11) > 1.796] = 0.05
Jika digunakan tabel t dua sisi (dua ekor, two-tails), nilai t sebesar
1.796 dengan db 11 akan diperoleh untuk luas area 0.10, atau:
t(11;0.10) = 1.796
karena yang dimaksud dengan luas area pada tabel t dua sisi adalah:
P [| t(11) | > 1.796] = 0.10
atau: P [( t(11) < −1.796] ∪ ( t(11) > 1.796)] = 0.10
Pendekatan Normal untuk Binomial

Jika X berdistribusi binomial dengan mean µ = n p dan variansi σ 2 =
n p q dan n besar, maka variabel random:
X − np
Z= (5.22)
npq
dapat dianggap berdistribusi normal standar.
Pendekatan ini sangat baik jika n besar dan p mendekati 0.5 (lihat
diagram 5.15). Juga seandainya n tidak terlalu besar, pendekatan ini masih
cukup baik, dengan syarat p tidak terlalu dekat dengan 0 atau 1.
130
Diagram 5.15. Pendekatan normal untuk distribusi binomial dengan p =
0.5. Atas: n = 6; tengah: n = 10; bawah: n = 14
131
Pada pendekatan normal untuk binomial ini biasa digunakan ‘koreksi
kontinuitas’ (karena nilai-nilai diskret pada distribusi binomial), yaitu:
o P (X = c) ≈ P (c – 0.5 < X < c + 0.5) )
o P (X < c) ≈ P (X < c + 0.5) ) (5.23)
o P (X > c) ≈ P (X > c − 0.5) )
Contoh 5.16:
Delapan puluh persen mahasiswa Psikologi Gunadarma adalah
wanita. Jika 50 orang mahasiswa Psikologi Gunadarma dipilih secara acak,
maka probabilitas bahwa sekurang-kurangnya 35 orang di antaranya adalah
wanita dapat dihitung dengan pendekatan normal untuk binomial (tanpa
korelasi kontinuitas).
n = 50 p = 0.80 q = 1 – p = 0.20
 x − np 
P (X > x) = P  Z ≥ 
 npq 

 35 − ( 50 )( 0.80 ) 
P (X > x) = P  Z ≥ 
 ( 50 )( 0.80 )( 0.20 ) 
 
= P (Z > −1.7778)
= P (−1.7778 < Z < 0) + P (Z > 0)
= 0.4614 + 0.5000 = 0.9614
Contoh 5.17:
Misalkan untuk data pada contoh 5.16 di atas hendak dihitung P (X =
35):
• Dengan ‘koreksi kontinuitas’ pada pendekatan normal:
P (X = c) ≈ P (c – 0.5 < X < c + 0.5)
P (X = 35) ≈ P (34.5 < X < 35.5)
 34.5 − 40 35.5 − 40 
=P  <Z< 
 8 8 
= P (−1.9445 < Z < −1.5910)
= P (1.5910 < Z < 1.9445)
= 0.4741 – 0.4442 = 0.0299
132
• Dengan ‘cara eksak’ (menggunakan distribusi binomial):
P (X = x) = C xn p x q n − x
50
P (X = 35) = C35 ( ) ( 0.2 )
0.835 15
= 0.0299
Pada contoh 5.16 di atas, penyelesaiannya yang lebih tepat dengan

koreksi kontinuitas adalah:
P (X > 35) ≈ P (X > 34.5)
 34.5 − 40 
= P Z > 
 8 
= P (Z > −1.9445)
= 0.9741
133
LAMPIRAN 5A: RANGKUMAN PARAMETER DISTRIBUSI PROBABILITAS
A. DISTRIBUSI PROBABILITAS DISKRET
No Distribusi Distribusi probabilitas Rerata Variansi

P [X = x] = 1 n x1 + xn xn2 + x12
1 Uniform E (X) = Var (X) =
x = 1, 2, . . . , n 2 12
2 Binomial P [X = x] = C xn p x q n − x E (X) = n p Var (X) = n p q

x = 0, 1, 2, . . . , n
 a   b   N −n
C aC b a Var (X) = n      
P [X = x] = x Nn− x E (X) = n    N   N   N −1 
3 Hipergeometrik Cn N
 N −n
x = max (0, n – b), . . . , min (a, n) =np =npq  
 N −1 
e −λ λ x
4 Poisson P [X = x] = E (X) = λ Var (X) = λ
x!
x = 0, 1, 2, . . .
134
B. DISTRIBUSI PROBABILITAS KONTINU
No Distribusi Distribusi probabilitas Rerata Variansi

1 a+b ( b − a )2
1 Homogen f (x) = E (X) = Var (X) =
b−a 2 12
1 2
( x − µ)
2 Normal 1 2
E (X) = µ
f (x) = e 2σ Var (X) = σ 2
2π σ 2
1 2
1 z
3 Normal standar (Z) f (z) = e2 E (Z) = 0 Var (Z) = 1
2π
 n +1 
Γ 
f (x) =  2  1
n
4 Student’s t *) n
nπ Γ    t 2 
( n + 1) 2 E (t) = 0 Var (t) =
n−2
 2  1 + 
 n
 
*) Distribusi t: db = n ; untuk n = 1 dan 2, distribusi t tak memiliki variansi
∞
−t λ −1
Γ (λ) = ∫0 e t dt
Γ (1) = 1 ; Γ (2) = 1! ; Γ (3) = 2! ; . . . ; Γ (n + 1) = n! ; n bilangan bulat non-negatif

1 3 1 1 1 5 3 3 3
Γ = π ; Γ = Γ =  π ; Γ = Γ =  π
2 2 2 2 2 2 2 2 4
135
LAMPIRAN 5B: BEBERAPA CONTOH PENGGUNAAN
DISTRIBUSI PROBABILITAS DISKRET
1. Misalkan hanya 40% pemilik TV yang membayar iuran. Jika dipilih

secara acak 10 pemilik TV, maka berapakah probabilitas:
a. Lebih daripada separuhnya membayar iuran?
b. Kurang daripada separuhnya membayar iuran?
Jumlah yang membayar iuran di antara 10 pemilik TV berdistribusi
binomial dengan:
p = 0.4 q = 1 – p = 0.6 n = 10
P [X = x] = C xn p x q n − x
n
P [X > x] = ∑
i= x
Cxn p x q n − x
Probabilitas lebih daripada separuhnya membayar iuran adalah:

10
P [X > 6] = ∑
i =6
Ci10 0.4i 0.610 − i
= P [X = 6] + P [X = 7] + P [X = 8] + P [X = 9] + P [X = 10]
= 0.1115 + 0.0425 + 0.0106 + 0.0016 + 0.0001 = 0.1663
Probabilitas bahwa kurang daripada separuhnya membayar iuran
adalah:
4
P [X < 4] = ∑
i =0
Ci10 0.4i 0.610 − i
= P [X = 0] + P [X = 1] + P [X = 2] + P [X = 3] + P [X = 4]
= 0.0060 + 0.0403 + 0.1209 + 0.2150 + + 0.2508 = 0.6330
2. Perkumpulan binaraga Samson beranggotakan 10 orang, terdiri atas 7

binaragawan profesional dan 3 binaragawan amatir. Jika dipilih secara
acak dua orang binaragawan untuk mewakili perkumpulan dalam
turnamen HUT DKI Jakarta, berapa probabilitas sekurang-kurangnya
satu orang yang terpilih adalah binaragawan amatir?
Jumlah binaragawan amatir yang mungkin terpilih di antara dua wakil
perkumpulan berdistribusi hipergeometrik dengan:
136
N = 10 n=2 a=3 b=7
C xa Cnb− x
P [X = x] =
CnN
P [X > 1] = P [X = 1] + P [X = 2]
C13 C17 C23 C07
= +
C210 C210
( 3)( 7 ) ( 3)(1)
= +
( 45) ( 45)
= 0.4667 + 0.0667 = 0.5333
atau:
P [X > 1] = 1 − P [X = 0]
C03 C27
=1−
C210
(1)( 21)
=1−
( 45)
= 1 – 0.4667 = 0.5333
3. Sebuah kapal penangkap ikan rata-rata mendapat tiga ekor ikan dalam
lima hari.
Beberapa probabilitas penangkapan:
a. Dua ekor ikan dalam tiga hari.
b. Sekurang-kurangnya tiga ekor ikan dalam dua hari.
Jumlah ikan yang ditangkap berdistribusi Poisson dengan rerata λ = 3
untuk periode 5 hari.
a. Untuk periode 3 hari, nilai rerata berubah menjadi:
3
λ’ =   λ
5
= (0.6)(3) = 1.8
e−λ ' ( λ ') x

P [X = x] =
x!
137
e−1.8 1.82
P [X = 2] = = 0.2678
2!
b. Untuk periode 2 hari, nilai rerata berubah menjadi:
2
λ” =   λ
5
= (0.4)(3) = 1.2
P [X > 3] = 1 − P [X < 2]
= 1 – [P (X = 0) + P (X = 1) + P (X = 2)]
= 1 – [0.3012 + 0.3614 + 0.2169]
= 0.1205
138
LAMPIRAN 5C: NILAI STANDAR (NILAI BAKU,
VARIABEL STANDAR Z)
Variabel standar Z
adalah variabel dengan nilai mean nol ( µ z = 0) dan standar deviasi
satu ( σ z = 1). Setiap variabel X dapat ditransformasikan menjadi variabel
standar Z dengan menggunakan rumus:
X − µx
Z=
σx
Jika nilai µ x dan σ x tidak diketahui, digunakan nilai penaksirnya
X −x
(estimatornya), yaitu x dan s x , sehingga Z = .
sx
Contoh:
Lihat data BB lima orang mahasiswa pertama kelas 2PA01 TA
3003/2004 (dalam kg): 50, 56, 47, 45, 54.
2
n=5 ∑ xi = 252 ∑ xi = 12,786
∑ xi
x =
n
252
= = 50.4
5
2 ( ∑ xi )2
∑ xi −
sx = n
n −1
2522
12, 786 −
= 5 = 4.62
5 −1
50 − 50.4
x1 = 50 ⇒ z1 = = −0.09
4.62
56 − 50.4
x2 = 56 ⇒ z2 = = 1.21
4.62
139
47 − 50.4
x3 = 47 ⇒ z3 = = −0.74
4.62
47 − 50.4
x4 = 45 ⇒ z4 = = −1.17
4.62
54 − 50.4
x5 = 54 ⇒ z5 = = 0.78
4.62
140
LAMPIRAN 5D: BEBERAPA CONTOH
PENGGUNAAN DISTRIBUSI NORMAL
1. X berdistribusi normal dengan rerata µ = 50 dan standar deviasi σ = 15.

Hitunglah luas area kurve normal antara X1 = 58 dan X 2 = 86.3.
Luas area antara X1 = 58 dan X 2 = 86.3 adalah sama dengan luas area
antara Z1 = 0.53 dan Z 2 = 2.42, atau:
P (58 < X < 86.3) = P (0.53 < Z < 2.42)
= P (0 < Z < 2.42) − P (0 < Z < 0.53)
= 0.4922 – 0.2019 = 0.2903
2. X berdistribusi normal rerata µ = 60 dan standar deviasi σ = 11.

Hitunglah luas area kurve normal di sisi kanan X1 = 72.
72 − 60
Z1 = = 1.09
11
Luas area di sisi kanan X1 = 72 adalah sama dengan luas area di sisi
kanan Z1 = 1.09 atau:
P (X > 72) = P (Z > 1.09)
= P (0 < Z < ∞ ) – P (0 < Z < 1.09)
= 0.5000 – 0.3621 = 0.1379
141
3. X berdistribusi normal dengan rerata µ = 75 dan standar deviasi σ = 14.
Hitunglah luas area kurve normal di sisi kanan X1 = 70.
70 − 75
Z1 = = −0.36
14
Luas area di sisi kanan adalah sama dengan luas area di sisi kanan
Z1 = −0.36, atau:
P (X > 70) = P (Z > −0.36)
= P (−0.36 < Z < 0) + P (0 < Z < ∞)
= 0.1406 + 0.5000 = 0.6406
4. X berdistribusi normal rerata µ = 25 dan standar deviasi σ = 5.

Hitunglah luas area kurve normal di antara X1 = 20 dan X 2 = 34.8.
Luas area antara X1 = 20 dan X 2 = 34.8 adalah sama dengan luas

area antara Z1 = −1.00 dan Z 2 = 1.96, atau:
P (20 < X < 34.8) = P (−1.00 < Z < 1.96)
= P (−1.00 < Z < 0.00) + P (0.00 < Z < 1.96)
= 0.3413 + 0.4750 = 0.8163
142
LAMPIRAN 5E: INTERPOLASI LINEAR
Interpolasi linear digunakan untuk pembacaan tabel probabilitas
kontinu X secara lebih akurat jika dimiliki nilai x yang terletak di antara dua
nilai berurutan x1 dan x2 yang ada pada tabel (yang masing-masing
bersesuaian dengan luas area A1 dan A 2 ) dan akan ditentukan luas areanya
A yang nilainya berada di antara luas area A1 dan A 2 .
Salah satu dalil planimetri (ilmu ukur bidang) menyatakan: Jika pada
segitiga sebarang ABC, DE sejajar dengan alas BC, maka AD : AB = AE :
AC (lihat diagram V.1).
Diagram V.1. Dalil planimetri: Jika DE // BC,

maka AD : AB = AE : AC
Analogi dengan dalil planimetri di atas, pembacaan tabel dengan
interpolasi linear dapat dilakukan sebagaimana terlihat pada diagram V.2,
yaitu:
( x − x1 ) : ( x 2 − x 1 ) = ( A − A1 ) : ( A 2 − A1 )
sehingga diperoleh:
x − x1
A = A1 + ( A 2 − A1 )
x2 − x 1
Diagram V.2. Interpolasi linear untuk pencarian nilai x atau

luas area A pada tabel probabilitas kontinu
143
Jika yang diketahui adalah A dan yang dicari adalah nilai x, maka:
A − A1
x = x1 + ( x2 − x 1 )
A 2 − A1
Yang dimaksud dengan tabel probabilitas X di sini dapat berupa tabel
Z, tabel t, ataupun tabel probabilitas kontinu lainnya.
Contoh:
1. Misalkan hendak dicari nilai z untuk luas area A = P (0 < Z < z) =
0.4000. Dari tabel Z yang bersesuaian diperoleh:
z A
1.28 0.3997
1.29 0.4015
Maka nilai z yang bersesuaian untuk A = 0.4000 adalah:
A − A1
z = z1 + ( z2 − z1 )
A 2 − A1
0.4000 − 0.3997
= 1.28 + (1.29 – 1.28) = 1.2817
0.4015 − 0.3997
2. Misalkan hendak dicari luas area pada ekor kanan distribusi t [A = P (T

> t)] yang bersesuaian untuk nilai t = 2.000 dengan derajat bebas 10.
Dari tabel t yang bersesuaian nilai-nilai yang ada ialah:
t (10 ; A) A
1.812 0.050
2.228 0.025
Maka luas area A yang bersesuaian untuk nilai t = 2.000 dengan derajat
bebas 10 adalah:
t − t1
A = A1 + ( A 2 − A1 )
t2 − t 1
2.000 − 1.812
= 0.050 + (0.025 – 0.050) = 0.0387
2.228 − 1.812
144
LATIHAN 5
Bagian Pertama

A. Var (X + b) = Var (X) + b ; b konstante
B. SD (X + b) = SD (X) + b
C. Var (aX) = a Var (X) ; a konstante
D. SD (aX) = a SD (X)
2. Yang tergolong dalam distribusi diskret di antara distribusi teoretis di

bawah ini yaitu:
A. Distribusi normal C. Distribusi t
B. Distribusi Z D. Distribusi Poisson
3. Yang tergolong dalam distribusi kontinu di antara distribusi teoretis di

bawah ini yaitu:
A. Distribusi uniform C. Distribusi Poisson
B. Distribusi binomial D. Distribusi normal standar
4. Jika probabilitas kelahiran bayi laki-laki (L) dan perempuan (P)

dianggap tepat sama besar, maka probabilitas pasangan suami isteri
yang memiliki 5 orang anak untuk memperolehnya dengan urutan L-L-
P-L-L adalah:
A. 0.55 = 0.031 C. C45 0.54 (1 − 0.5 )1
1
B. P45 0.54 (1 − 0.5 ) D. Semua salah
5. Jika probabilitas kelahiran bayi laki-laki (L) dan perempuan (P)

dianggap tepat sama besar, maka probabilitas pasangan suami isteri
yang memiliki 4 orang anak untuk memperoleh 2 anak laki-laki dan 2
anak perempuan adalah:
2
A. 0.54 = 0.0625 C. C24 0.52 (1 − 0.5 )
2
B. P24 0.52 (1 − 0.5 ) D. Semua salah
145
6. Jika diasumsikan bahwa probabilitas untuk memperoleh anak laki-laki
pada tiap kelahiran adalah 0.50, maka probabilitas untuk memperoleh
paling sedikit 2 orang anak perempuan pada pasangan suami isteri baru
yang merencanakan untuk memperoleh 4 orang anak adalah:
A. 0.0625 C. 0.3125
B. 0.25 D. 0.6875
7. Jika diasumsikan bahwa probabilitas untuk memperoleh anak laki-laki

pada tiap kelahiran adalah 0.50, maka probabilitas untuk memperoleh
sekurang-kurangnya 1 orang anak laki-laki pada pasangan suami isteri
baru yang merencanakan untuk memperoleh 3 orang anak adalah:
A. 0.125 C. 0.750
B. 0.375 D. 0.875
8. Soal nomor 7 di atas diselesaikan dengan menggunakan distribusi

probabilitas:
A. Uniform. C. Hipergeometrik.
B. Binomial D. Poisson.
9. Diagram di bawah ini merupakan gambaran probabilitas distribusi

binomial dengan parameter:
A. p = 0.25 ; n = 3 C. p = 0.75 ; n = 3
B. p = 0.5 ; n = 3 D. p = 0.5 ; n = 2
10. Pada pengambilan sampel tanpa pengembalian yang ditarik dari suatu
populasi berhingga, perhitungan probabilitasnya secara eksak
didasarkan atas asumsi distribusi:
A. Binomial C. Poisson
B. Hipergeometrik D. Normal
146
11. Dalam sebuah kotak terdapat 12 bola, 5 putih, 4 merah, dan sisanya
kuning. Tiga buah bola diambil secara acak tanpa pengembalian.
Probabilitas bahwa ketiga bola yang terambil semuanya tidak merah
adalah:
A. C812 C711 C610 C. A) dan B) benar
C38 C04
B. D. A) dan B) salah
C312
12. Di antara 20 orang anggota ‘Himpunan Mahasiswa Pecinta Belajar’

Gunadarma, 15 orang adalah perokok. Jika dipilih 5 orang secara acak
untuk menjadi anggota Badan Pengurus, probabilitas bahwa paling
sedikit 4 orang anggota Badan Pengurus merokok adalah:
A. 0.1937 C. 0.4402
B. 0.3661 D. 0.6339
13. Perhitungan probabilitas untuk peristiwa-peristiwa yang saling

independen namun jarang terjadi, dengan probabilitas masing-masing
peristiwa sangat kecil, dilakukan atas dasar asumsi distribusi:
A. Binomial C. Poisson
B. Hipergeometrik D. Normal
14. Probabilitas seseorang yang memasuki Universitas KKN akan dapat

menyelesaikan kuliahnya adalah 0.4. Maka probabilitas bahwa di
antara lima orang mahasiswa tidak ada yang tamat adalah:
A. 0.010 C. 0.087
B. 0.078 D. 0.101
15. Misalkan mahasiswa baru Gunadarma memiliki probabilitas 2% untuk

lulus sebagai sarjana dengan predikat cum − laude. Dari sekelompok
100 orang mahasiswa baru Gunadarma, probabilitas bahwa sekurang-
kurangnya 3 orang di antaranya akan lulus sebagai sarjana dengan
predikat cum − laude adalah:
A. 0.1353 C. 0.3233
B. 0.2707 D. 0.6767
16. Jumlah rata-rata panggilan telepon yang masuk ke sebuah kantor tiap
menit pada jam kerja adalah 2.5. Probabilitas bahwa akan didapatkan
tiga panggilan pada suatu menit tertentu dalam jam kerja adalah:
A. 0.142 C. 0.544
B. 0.214 D. 0.758
147
17. Jumlah rata-rata konsultasi yang diterima oleh guru BP di SMU
‘Santai’ adalah tiga kasus per minggu. Probabilitas bahwa pada minggu
depan hanya akan didapatkan dua kasus konsultasi adalah:
A. 0.149 C. 0.224
B. 0.199 D. 0.423
18. Kurve normal memiliki sifat-sifat berikut, kecuali:

A. Simetris terhadap sumbu vertikal melalui µ .
B. Mempunyai titik belok pada x = µ + 2 σ
C. Memotong sumbu horizontal secara asimptotis.
D. Semuanya merupakan sifat kurve normal.
19. Jika pada suatu distribusi diketahui bahwa rerata, median, dan
modusnya berimpit, maka distribusi tersebut:
A. Belum tentu berdistribusi normal
B. Pasti berdistribusi normal
C. Menceng ke kiri.
D. Menceng ke kanan.
20. Pada kurve normal berlaku:

A. P  X ≤ x + σ  ≈ 68%
B. P  X ≤ µ + 2σ  ≈ 68%
C. P [ µ − 2σ ≤ X ≤ µ + 2σ ] ≈ 68%
D. A) dan C) benar
21. Nilai-nilai seleksi penerimaan mahasiswa baru Gunadarma dapat

dianggap berdistribusi normal dengan mean 60 dan standar deviasi 12.
Jika hanya 70% calon mahasiswa yang akan diterima, nilai terendah
calon mahasiswa yang diterima adalah:
A. 47 C. 66
B. 54 D. 73
22. Jika X berdistibusi normal dengan mean 30 dan variansi 25, maka
probabilitas bahwa 25 < X < 37.5 adalah (menggunakan tabel):
A. 0.0919 C. 0.4332
B. 0.3413 D. 0.7745
148
Untuk soal No. 23 dan 24:
Misalkan nilai-nilai ujian akhir semester mahasiswa Gunadarma
dapat dianggap berdistribusi normal dengan mean 65 dan variansi 100.
23. Jika ambang nilai batang lulus ditetapkan sebesar 55, maka persentase
mahasiswa yang tidak lulus adalah:
A. 4.0 % C. 34.1 %
B. 15.9 % D. 46.0 %
24. Jika diputuskan bahwa 10% mahasiswa terbaik nilai ujian akhir
semesternya akan diberikan beasiswa pada semester berikutnya, maka
nilai terendah yang mendapatkan beasiswa adalah:
A. 67.5 C. 81.4
B. 77.8 D. 85.0
25. Distribusi t (Student’s t) memiliki sifat:

A. Ekornya lebih tipis daripada distribusi Z
B. Nilai-nilainya lebih menyebar dibandingkan dengan distribusi Z
C. Secara praktis dapat dianggap sama dengan distribusi Z pada
derajat bebas lebih kecil daripada 30
D. Semuanya benar
26. Distribusi t dengan derajat bebas 10 memilki standar deviasi:

A. Lebih kecil daripada 1.
B. Sama dengan 1.
C. Lebih besar daripada 1.
D. Dapat lebih kecil atau lebih besar daripada 1.
27. Misalkan variabel X berdistribusi t dengan derajat bebas 9, maka

probabilitas bahwa nilai t lebih kecil daripada −1.383 adalah:
A. 0.01 C. 0.10
B. 0.05 D. 0.25
149
Bagian Kedua
Tabel berikut menyatakan distribusi probabilitas penjualan mobil /

minggu di show-room Kartika (variabel X menyatakan jumlah mobil yang
terjual per minggu):
Nilai X 0 1 2 3
Probabilitas X 0.2 0.4 0.3 0.1
1. Nilai-harapan penjualan mobil per minggu [E (X)] adalah:

A. 0.81 C. 1.3
B. 0.9 D. 2.5
2. E ( X 2 ) dan Var (X) masing-masing adalah:

A. 1.3 dan 0.81 C. 2.5 dan 0.81
B. 1.3 dan 0.9 D. 2.5 dan 0.9
3. Jika keuntungan bersih untuk tiap penjualan mobil rata-rata sebesar Rp.
5,000,000, nilai harapan keuntungan bersih show-room Kartika per
minggu adalah:
A. Rp. 4,050,000 C. Rp. 6,500,000
B. Rp. 4,500,000 D. Rp. 12,500,000

Misalkan variabel random X menyatakan jumlah uang (dalam ribuan
rupiah) yang harus dibayar (X < 0) atau akan diterima (X > 0) seseorang
sesuai dengan banyak titik pada sisi yang tampak di atas pada pelemparan
sebuah dadu dengan distribusi probabilitas sebagai berikut:
Banyak 1 2 3 4 5 6
titik
X −3 −2 −1 1 2 3
P (X) 1/6 1/6 1/6 1/6 1/6 1/6
150
4. Nilai harapan X adalah:
2
A. E (X) = µ = 0 C. E (X) = µ = 4
3
B. E (X) = µ = 3.5 D. Semuanya salah
5. Nilai harapan X 2 adalah:

2
A. E ( X 2) = 0 C. E ( X 2) = 4
3
B. E ( X 2 ) = 3.5 D. Semuanya salah
6. Variansi X adalah:
A. Var (X) = E ( X 2 ) − µ 2 = 0
B. Var (X) = E ( X 2 ) − µ 2 = 3.5
2
C. Var (X) = E ( X 2 ) − µ 2 = 4
3
D. Semuanya salah
Bagian Ketiga
Selesaikanlah soal berikut:
Dari 12 orang pelamar suatu pekerjaan, 3 orang sebenarnya tidak

mampu untuk menangani pekerjaan tersebut. Misalkan 2 orang yang akan
dipilih secara acak untuk dipekerjakan, maka:
A. Berapa jumlah pasangan berbeda yang mungkin terpilih?

B. Jika 2 orang yang dipekerjakan dipilih secara acak, berapa probabilitas
bahwa keduanya tidak mampu untuk menangani pekerjaan tersebut?
151
BAB 6
SAMPLING
6.1 DISTRIBUSI SAMPLING
Distribusi Sampling Nilai Rerata
Misalkan dimiliki populasi dengan N = 3;
X1 = 3 X2 = 6 X3 = 8
µ x = µ = 5.67 σ x2 = σ 2 = 4.22
Misalkan pula dilakukan pengambilan sampel secara acak dengan n =
2. Kemungkinan sampel yang diperoleh adalah:
• Sampling dengan pengembalian (jumlah kemungkinan sampel = N n =
32 = 9):
( x1; x1 ) ( x1; x2 ) ( x1; x3 )
( x2 ; x1 ) ( x2 ; x2 ) ( x2 ; x3 )
( x3 ; x1 ) ( x3 ; x2 ) ( x3 ; x3 )
Rerata-nya masing-masing adalah:
x(1a ) = 3 x( 2 a ) = 4.5 x( 3a ) = 5.5
x( 4 a ) = 4.5 x( 5 a ) = 6 x( 6 a ) = 7
x( 7 a ) = 5.5 x( 8 a ) = 7 x( 9 a ) = 8
• Sampling tanpa pengembalian (jumlah kemungkinan sampel = CnN = C n3

= 3):
( x1; x2 ) ( x1; x3 ) ( x2 ; x3 )
Rerata-nya masing-masing adalah:
x 1b = 4.5 x 2b = 5.5 x 3b = 7
( ) ( ) ( )
152
Kumpulan rerata semua kemungkinan sampel demikian pada
sampling dengan pengembalian:
{x( 1a )
, x( 2 a ) , x( 3 a ) , x( 4 a ) , x( 5 a ) , x( 6 a ) , x( 7 a ) , x(8 a ) , x( 9 a ) }
ataupun apada sampling tanpa pengembalian:
{x( 1b )
, x 2 b , x 3b
( ) ( ) }
dinamakan distribusi sampling nilai rerata dengan rerata:
µx atau E(X )
dan variansi:
σ x2 atau Var ( X )
Standar deviasinya σ x atau SD (X) dinamakan juga standard error (x) =
SE ( X ) .
Teorema Limit Pusat (Central Limit Theorem)

Jika sampel-sampel acak diambil dari populasi berdistribusi sebarang
dengan rerata µ dan variansi σ 2 , maka untuk n besar, distribusi sampling
nilai rerata dapat dianggap mendekati distribusi normal dengan rerata µ dan
variansi σ 2 n .
Dengan kata lain, X dapat dianggap berdistribusi normal dengan
rerata:
µx = E ( X ) = µ (6.1)
dan variansi:
σ2
σ x2 = Var ( X ) = (6.2)
n
Standar deviasi-nya adalah:
σ
σ x = SE ( X ) = (6.3)
n
x −µ
sehingga: Z= (6.4)
σ n
berdistribusi normal standar.
153
Sifat ini hanya berlaku pada sampling dengan pengembalian. Jika
dilakukan sampling tanpa pengembalian, maka rerata-nya adalah:
µx = E ( X ) = µ (6.5)
variansi-nya:
σ 2 ( N − n)
σ x2 = Var ( X ) = (6.6)
n ( N − 1)
dan standar deviasi-nya:
σ x = SE ( X ) =
σ ( N − n) (6.7)
n ( N − 1)
Tetapi jika N relatif jauh lebih besar daripada n, maka pada sampling
tanpa pengembalian dapat dianggap berlaku rerata:
µx = E ( X ) = µ
dan variansi:
σ2
σ x2 = Var ( X ) ≈
n
Perhatikan:
1. Distribusi sampel, jika n cukup besar dan pengembalian sampel
dilakukan secara acak, umumnya akan mendekati distribusi populasinya.
2. Jika ukuran sampel n cukup besar (n > 30), distribusi sampling nilai
rerata dapat dianggap berdistribusi normal (apa pun bentuk distribusi
x −µ
populasinya; lihat diagram 6.1), transformasi bakunya maupun
σ n
x −µ
transformasi (jika σ tak diketahui) selalu berdistribusi normal
s n
standar.
3. Jika ukuran sampel n lebih kecil daripada 30 dan populasinya
berdistribusi normal, distribusi sampling nilai rerata selalu berdistribusi
normal (tak tergantung besar nilai n ; sedangkan transformasi baku
x −µ x −µ
berdistribusi normal standar dan transformasi (jika σ tak
σ n s n
diketahui) berdistribusi t dengan derajat bebas (n – 1).
154
Diagram 6.1. Teorema limit pusat: distribusi x untuk berbagai
populasi dan ukuran sampel
Rangkuman hubungan antara distribusi parental (distribusi populasi) X,
distribusi sampling X , dan distribusi transformasi X diperlihatkan pada
matriks 1 Lampiran 6A.
Contoh 6.1:
Nilai ujian nasional lulusan SMU di Yogyakarta untuk mata pelajaran
matematika mempunyai rerata 41.4 dan variansi 84.64. Apabila dipilih 40
orang lulusan SMU tersebut secara acak, hitung probabilitas bahwa rerata
sampelnya terletak:
a. Antara 40 dan 45
b. Lebih besar daripada 45.
µ = 41.4 σ 2 = 84.64 n = 40
µ x = µ = 41.4
σ2 84.64
σ x2 = = = 2.116
n 40
σx = 2.116 = 1.45
 ( 40 − 41.5) ( 45 − 41.5) 
a. P [40 < X < 45] = P  <Z< 
 1.45 1.45 
= P [‒1.30 < Z < 2.41]
= 0.3485 + 0.4920 = 0.8405
b. P [ X > 45] = P [Z > 2.41]
= 0.5 – 0.4920 = 0.0080
155
Distribusi Sampling Nilai Proporsi
Distribusi sampling proporsi sampel p adalah distribusi binomial
dengan parameter n dan P, n adalah ukuran sampel dan P proporsi populasi.
Variabel random X menyatakan banyaknya sukses dalam n percobaan.
Karena p = X n dan n merupakan konstante, X berdistribusi sama seperti p.
Jika ukuran sampel n membesar, teorema limit pusat juga berlaku di
sini, dan distribusi sampling p dapat dianggap berdistribusi normal dengan
rerata:
E (p) = P (6.8)
dan variansi:
P (1 − P ) PQ
Var (p) = = (6.9)
n n
sehingga:
p−P
Z= (6.10)
PQ n
berdistribusi normal standar.
Contoh 6.2:
Misalkan diketahui bahwa 70% calon pembeli mobil di Indonesia
terutama berminat untuk membeli kendaraan minibus. Apabila diambil
sampel 100 orang calon pembeli mobil secara acak, berapakah bahwa
sekurang-kurangnya 60 orang di antaranya memilih untuk membeli minibus?
P = 0.70 Q = 1 ‒ P = 0.30 n = 100
 0.60 − 0.70 
P (p > 0.60) = P  Z ≥ 
 ( 0.70 )( 0.30 ) 100 

= P (Z > ‒2.1822)
= 0.4854 + 0.5000 = 0.9854 = 98.54%
156
6.2 METODE SAMPLING
Penarikan Sampel
Tujuan
Mengumpulkan data yang valid (sahih) dan reliable (terpercaya)
untuk melakukan inferensi / generalisasi mengenai karakteristik populasi.
Manfaat
Penggunaan proses sampling memungkinkan dilakukannya inferensi /
generalisasi:
dengan jumlah data yang relatif sedikit
dalam jangka waktu yang relatif singkat, dan
dengan jumlah menggunakan biaya / sumber daya yang terbatas.
Validitas dan reliabilitas

Data yang valid (sahih) ialah data yang menyatakan keadaan yang
sesungguhnya hendak diukur. Validitas data tergantung pada 3 faktor:
a. Faktor subjek / objek yang diukur: Sampel harus merupakan sampel
yang ‘representatif’ bagi populasi.
Syarat: pengambilan sampel harus dilakukan secara ‘acak’ (random).
b. Faktor instrumen pengukuran: Harus digunakan instrumen yang
sesungguhnya mengukur apa yang hendak diukur.
c. Faktor subjek pelaku pengukuran.
Ukuran ketidak-validnya data ialah ‘bias’.
Data yang reliable (terpercaya) ialah data dengan variabilitas yang
rendah pada pengukuran berulang. Reliabilitas data ditentukan oleh besar
sampel, selain oleh faktor subjek / objek yang diukur, instrumen pengukuran,
serta pelaku pengukuran. Ukuran reliabilitas data ialah ‘presisi’.
Pemahaman mengenai validitas dan reliabilitas yang dianalogikan
dengan hasil bidikan seorang petembak digambarkan secara sederhana pada
diagram 6.2.
157
Diagram 6.2 Validitas dan reliabilitas data sampel: (a) Tidak valid dan
tidak reliabel; (b) Valid, tidak reliabel; (c) Reliabel, tidak valid; dan (d)
Valid dan reliabel
Beberapa istilah:
- Elemen (unsur) populasi: unit (satuan) yang dicari informasinya;
merupakan unit elementernya yang membentuk populasi yang diteliti.
Elemen populasi adalah unit analisis.
- Unit sampling: terdiri atas satu / lebih elemen, digunakan untuk
memilih elemen untuk anggota sampel.
- Populasi target (sasaran): Populasi yang di-‘target’-kan untuk diteliti
dan diestimasi nilai parameternya.
- Populasi aktual: kumpulan elemen yang ‘eligibel’ (memenuhi syarat)
untuk menjadi anggota sampel.
- Kerangka sampel: kumpulan elemen yang ‘terdaftar’ sebagai calon
anggota sampel.
Macam sampel
Berdasarkan objektif-tidak-nya beserta acak-tidak-nya cara
pengambilan, dikenal berbagai macam sampel yang secara skematis
diperlihatkan pada matriks 6.1.
158
Matriks 6.1. Teknik penarikan sampel
Probabilitas Non-probabilitas
Sampel
- ‘purposive’
Objektif Sampel random
- ‘quota’
- ‘haphazard’
Subjektif Sampel kuasi-random Sampel ‘judgment’
Rumus-rumus statistika matematika hanya berlaku pada penarikan

sampel secara objektif atas dasar probabilitas, yaitu sampel acak / random.
Pada sampling probabilitas, tiap elemen populasi memiliki
probabilitas yang telah diketahui besarnya untuk terpilih. Metode seleksi
probabilitas demikian memiliki lima alternatif:
A. Epsem (equal probability for all elements; probabilitas sama bagi
seluruh elemen): probabilitas sama pada tiap tahap atau pada
keseluruhan tahap sampling
versus
Non-equal probabilities (probabilitas tak sama) bagi elemen yang
berlainan: dikompensasi dengan pembobotan terbalik (inverse weight).
B. Sampling elemen: satu tahap, unit sampling terdiri atas hanya satu
elemen
versus
Sampling klaster (kelompok): unit sampling adalah klaster
(kelompok) elemen.
C. Sampling tak-terstratifikasi: unit sampling dipilih dari keseluruhan
populasi
versus
Sampling stratifikasi: seleksi terpisah bagi masing-masing partisi /
stratum populasi.
D. Seleksi acak: unit sampling dipilih secara acak dari keseluruhan
stratum atau populasi
versus
Seleksi sistematik: unit sampling dipilih secara sistematik dengan
interval seleksi tertentu pada daftar.
Kelima alternatif di atas dapat saling dikombinasikan, menghasilkan

beberapa teknik penarikan sampel acak yang sering digunakan:
159
- Sampling acak sederhana ( simple random sampling)
- Sampling acak stratifikasi (stratified random sampling).
- Sampling acak klaster ( cluster random sampling)
- Sampling acak sistematik (systematic random sampling).
Sampling dengan dan tanpa pengembalian:

Pada keempat teknik penarikan sampel di atas dapat dilakukan
sampling dengan maupun tanpa pengembalian, namun yang umum
dilaksanakan dalam praktik adalah sampling tanpa pengembalian.
Di sini hanya akan dibahas rumus-rumus untuk sampling tanpa
pengembalian.
Sampling Acak Sederhana

Metode untuk memilih n unit sampling di antara N, sehingga tiap
sampel yang mungkin dibentuk memiliki kemungkinan yang sama untuk
terpilih.
• Skema penyampelan:
Diagram 6.3. Sampling acak sederhana

N : populasi
srs : sampling random sederhana
n : sampel
• Data sampel:
x1 , x2 , . . . , xn
• Estimasi rerata dan variansi distribusi sampling nilai rerata:

 n 
x =  ∑ xi  n (6.11)
 i =1 
s2 N − n
ˆ (x ) =
Var (6.12)
n N
• Pelaksanaan.
Dapat digunakan antara lain:
160
(1) metode ‘penarikan undian’,
(2) bilangan acak yang dihasilkan oleh komputer / kalkulator
saintifik; atau
(3) tabel bilangan acak.
Sampling Acak Stratifikasi

Populasi dibagi menjadi beberapa strata, lalu sampel acak sederhana
diambil pada tiap stratum.
• Skema penyampelan.
Diagram 6.4. Sampling acak stratifikasi

N : populasi
Str : stratifikasi
Nh : stratum ke-h; h = 1. 2, . . . , L
srs : sampling random sederhana
• Data sampel.
Stratum 1: x11 , x12 , . . . , x1n
1
Stratum 2: x21 , x22 , . . . , x2 n

2
.
.
.
Stratum L: xL1 , xL 2 , . . . , xLn
L
161
• Estimasi rerata dan variansi distribusi sampling nilai rerata.
L 
xstr =  ∑ N h xh  n (6.13)
 h =1 
dengan:
L 
xh =  ∑ xh  nh (6.14)
 i =1 i 
1 L N h − nh sh2
ˆ ( xstr ) =
Var ∑ 2
Ni
Nh nh
(6.15)
N2 h=1
• Pelaksanaan.
Populasi dibagi menjadi beberapa strata, yang masing-masing relatif
homogen. Lakukan sampling acak sederhana pada tiap stratum.
Sampling Acak Klaster

Unit samplingnya adalah klaster (cluster; kelompok), yang terdiri atas
sejumlah elemen / sub-unit.
A. Sampling satu-tahap (one-stage sampling):
Seluruh anggota klaster yang terpilih secara otomatis terpilih menjadi
anggota sampel.
Diagram 6.5. Sampling acak klaster satu-tahap
N : populasi
clust : pengelompokan (clustering)
162
Ni : kluster ke-i, i = 1, 2, . . . , M
srs : sampling acak sederhana (simple random sampling)
N i = ni : klaster terpilih menjadi sampel ; i = 1, 2, . . . , m
()
n : sampel
• Data sampel.
Klaster 1 : x11 , x12 , . . . , x1N 1
()
Klaster 2 : x21 , x22 , . . . , x2 N

( )
2
.
.
Kluster m : xm1 , xm 2 , . . . , xmN m
( )

m  m
xcl =  ∑ ni xi  ∑ ni (6.16)
 i =1  i =1
dengan:
 ni 
xi =  ∑ xij  ni (6.17)
 j =1 
M −m 1 m
∑
2
ˆ ( xcl ) =
Var ni2 ( xi − xcl ) (6.18)
M m n2 m − 1 i =1
• Pelaksanaan.
Populasi dibagi menjadi sejumlah klaster, yang masing-masing relatif
heterogen. Lakukan sampling acak sederhana dengan klaster sebagai unit
sampling. Untuk tiap klaster yang terpilih, seluruh elemen anggotanya
dijadikan anggota sampel.
B. Sampling dua-tahap (two-stage sampling):

Sampel acak sederhana diambil pada tiap klaster yang terpilih.
• Skema penyampelan:
163
Diagram 6.6. Sampling acak klaster dua-tahap
N : populasi
clust : pengelompokan (clustering)
Ni : kluster ke- i; i = 1, 2, . . . , M
srs : sampling acak sederhana
Ni : klaster terpilih menjadi sampel ; i = 1, 2, . . . , m
()
ni : sampel pada klaster ke-i; i = 1, 2, . . . , m
n : sampel
• Data sampel.
Klaster 1: x11 , x12 , . . . , x1n
()
1
Klaster 2: x21 , x22 , . . . , x2n

( )
2
.
.
Kluster m: xm1 , xm 2 , . . . , xmn( m )

m ni
1 M Ni
xcl =
N m
∑
i =1 ni
∑
j =1
xij (6.19)
• Pelaksanaan.
Populasi dibagi menjadi sejumlah klaster, yang masing-masing relatif
heterogen. Lakukan sampling acak sederhana dengan klaster sebagai unit
sampling. Pada tiap klaster terpilih, dilakukan sampling acak sederhana
164
(sampling tahap kedua) dengan elemen anggotanya sebagai unit untuk
memilih anggota sampel final.
Sampling Acak Sistematik

Anggota sampel pertama dipilih secara acak di antara anggota sampel
pertama / keseluruhan sampel, lalu anggota sampel berikutnya ditentukan
secara sistematik.
A. N merupakan kelipatan bulat k (N = nk)
Diagram 6.7. Sampling acak sistematik:

N merupakan kelipatan k
N : populasi
gr : pengelompokan (grouping)
Oi : objek ke- i; i = 1, 2, . . . , N
srs : sampling acak sederhana
n : sampel
165
B. N tidak merupakan kelipatan bulat k (N ≠ nk)
Diagram 6.8. Sampling acak sistematik: N tidak merupakan

kelipatan bulat k
• Data sampel.
x1 , x2 , . . . , xn

 n 
xsy =  ∑ xi  n (6.20)
 i =1 
n−1
N −n 1
Var ( )
ˆ xsy =
Nn 2 ( n − 1)
∑
i =1
( xi − xi+1 ) (6.21)
• Pelaksanaan.
(1) Bagi N anggota populasi menjadi n grup (group), dengan tiap
group memiliki k = N n elemen. Pilih secara acak satu di antara k
elemen anggota grup pertama untuk dijadikan anggota sampel.
Anggota selanjutnya ditentukan secara sistematik, yaitu tiap
anggota ke-k berikutnya dalam daftar; atau:
(2) Pilih secara acak di antara N anggota populasi untuk dijadikan
anggota sampel. Anggota selanjutnya ditentukan secara sistematik,
yaitu tiap anggota ke-k berikutnya dalam daftar; setelah mencapai
akhir daftar dilanjutkan mulai dari awal sampai kembali ke
anggota sampel pertama.
166
LAMPIRAN 6A: DISTRIBUSI X, DISTRIBUSI X ,
DAN DISTRIBUSI TRANSFORMASI X
X dalam teori sampling merupakan variabel random, karena
diperoleh dari sampel berulang dan memiliki nilai yang berubah-ubah pada
tiap penarikan sampel.
n X + X2 + . . . + Xn
X = ∑ Xi n = 1
i =1 n
X1 , X 2 , . . . , X n masing-masing mempunyai rerata µ dan variansi
σ 2 , sehingga:
 X + X2 + . . . + Xn 
E(X ) = E 1 
 n 
1
= E  X + X 2 + . . . + X n 
n  1
1
=  E ( X 1 ) + E ( X 2 ) + . . . + E ( X n ) 
n
1
= [ nµ ] = µ
n
 X + X2 + . . . + Xn 
dan: Var ( X ) = Var  1 
 n 
1
= 2 Var  X1 + X 2 + . . . + X n 
n
1
= 2 Var ( X 1 ) + Var ( X 2 ) + . . . + Var ( X n ) 
n
1 σ2
=  nσ 2
 =
n2   n
167
Matriks 1. Distribusi tranformasi X untuk distribusi parental X normal dan sebarang serta
ukuran sampel besar dan kecil
Distribusi parental Normal Sebarang

(distribusi X) X ~ N (µ ; σ2) X ~ ? (µ ; σ2)
n besar n kecil n besar n kecil

(n > 30) (n < 30) (n > 30) (n < 30)
Distribusi sampling  σ2   σ2   σ2   σ2 
X ~ N  µ,  X ~ N  µ,  X ~ N  µ,  X ~ ?  µ, 
rerata (distribusi X )  n   n   n   n 
       
σ x −µ x −µ x −µ
~ Z (0 ; 1) ~ Z (0 ; 1) ~ Z (0 ; 1)
Distribusi diketahui σ n σ n σ n
transformasi X ?
σ tak x −µ x −µ x −µ
~ Z (0 ; 1) ~ t( n−1) ~ Z (0 ; 1)
diketahui σ n σ n σ n
168
LAMPIRAN 6B: POPULASI , GALAT ACAK, DAN
GALAT SISTEMATIK
Hirarki populasi
Istilah ‘populasi’ dalam metodologi penelitian memiliki pengertian
lebih luas yang dapat dibedakan atas (lihat diagram 1):
1. Populasi studi (sampel): kumpulan subjek / objek yang sebenarnya
menghasilkan data untuk penelitian. Nilai statistik yang diperoleh dari
studi (sampel) sebagai estimator bagi parameter sesungguhnya
dinyatakan dengan lambang θˆ .
2. Populasi aktual: kumpulan subjek / objek yang ‘eligibel’ (memenuhi
syarat) untuk diikutsertakan dalam penelitian dan proses sampling.
Parameter yang ada pada populasi aktual dinyatakan dengan lambang
θo.
3. Populasi target: kumpulan subjek / objek yang menjadi target
penelitian sebenarnya (yang sebenarnya hendak diteliti). Parameter
yang ada pada populasi target dinyatakan dengan lambang θ
4. Populasi eksternal: kumpulan subjek / objek yang lebih luas daripada
populasi target, memiliki karakteristik yang tidak terlalu berbeda
dengan populasi target, dan dianggap masih ‘layak’ untuk ‘menerima’
generalisasi hasil penelitian.
Diagram VI.1. Hirarki populasi pada penelitian

Jika dibandingkan dengan istilah ‘populasi’ dan ‘sampel’ pada awal
pelajaran Statistika, istilah, ‘populasi’ tersebut mengacu pada ‘populasi
target’ , sedangkan istilah ‘sampel’ mengacu pada ‘ populasi studi’.
169
Galat acak dan galat sistematik
Galak acak (random error) adalah perbedaan antara nilai estimasi
parameter yang diperoleh dari sampel (yaitu statistik sampel; θˆ ) dengan
nilai parameter yang sesungguhnya diestimasi (yaitu parameter aktual; θ0).
Galat acak disebabkan oleh variasi sampling, yang besarnya antara lain
tergantung pada metode sampling yang digunakan, besar ukuran sampel,
karakteristik estimator secara statistik.
Galat sistematik (systematic error) adalah perbedaan antara nilai
0
parameter yang sesungguhnya diestimasi (parameter populasi aktual; θ )
dengan nilai parameter populasi yang sebenarnya hendak diteliti (parameter
populasi target; θ). Galat sistematik disebabkan oleh berbagai aspek
rancangan studi ataupun analisis data di luar variasi sampling, antara lain
penarikan sampel yang tidak acak, ketidaktepatan pengukuran, dan
sebagainya.
Dengan demikian galat (error) menyeluruh dalam sebuah penelitian
( ˆ )
adalah θ − θ , yang dapat dibedakan atas dua komponen, galat acak dan
galat sistematik:
( θˆ − θ) = ( θˆ − θ0) + (θ0 – θ)
Galat acak dapat diperkecil dengan memilih metode sampling yang
lebih adekuat, memperbesar ukuran sampel, atau memilih estimator yang
lebih ‘tepat’ secara statistik. Galat sistematik dapat diperkecil antara lain
dengan penarikan sampel acak, perbaikan kualitas data, dan sebagainya.
170
LAMPIRAN 6C: STRATA DAN KLASTER
Stratum adalah pengelompokan yang relatif homogen, sedangkan
klaster merupakan pengelompokan yang bersifat heterogen (lihat diagram 1).
Sampling acak stratifikasi digunakan jika karakteristik yang menjadi dasar
stratifikasi, misalnya jenis kelamin, tingkat sosial ekonomi, suku bangsa, dan
sebagainya dianggap terkait dengan variabel yang hendak diteliti, untuk
menjamin agar anggota populasi dengan setiap taraf karakteristik tersebut
terwakili secara memadai dalam sampel akhir yang dikumpulkan.
Klaster adalah pengelompokan yang biasanya didasarkan atas tempat
(ruang) atau waktu, misalnya desa, kecamatan, kartu registrasi calon
mahasiswa yang terkumpul per hari, dan sebagainya. Klaster bersifat
heterogen, misalnya dalam satu klaster didapatkan subjek dari berbagai
tingkat sosial ekonomi, pria dan wanita, serta berbagai suku bangsa.
Sampling acak klaster digunakan jika ukuran populasi sangat besar sehingga
tidak mungkin ataupun tidak praktis untuk memperoleh atau menyusun
kerangka sampel secara lengkap.
Diagram VI.2 Strata dan klaster. Stratum A: tingkat sosial-ekonomi

tinggi, statum B: tingkat sosial-ekonomi menengah, dan stratum C:
status sosial ekonomi rendah. Ketiga klaster I, II, III dengan
tingkat sosial ekonomi heterogen
Variansi intra-stratum lebih kecil daripada variansi intra-klaster,
namun sebaliknya variansi antar-stratum lebih besar daripada variansi antar-
klaster.
Contoh:
1. Akan diteliti pengeluaran rata-rata mahasiswa per bulan di universitas
WWW. Jika variabel ini diasumsikan terkait erat dengan jenis kelamin
171
mahasiswa, maka dapat digunakan sampling acak stratifikasi dengan
jenis kelamin sebagai dasar stratifikasi.
2. Akan diteliti proporsi keluarga yang paling sedikit salah satu
anggotanya mendengarkan secara teratur siaran stasiun radio A di
kecamatan TS. Karena kerangka sampel bagi terlalu besar untuk
pelaksanaan sampling acak sederhana, dilakukan sampling acak klaster
dua-tahap dengan menggunakan desa sebagai unit klaster.
172
LAMPIRAN 6D: CONTOH PENGGUNAAN
KEEMPAT METODE SAMPLING
Data:
Basis data (dataset) mahasiswa kelas 2PA01 TA 2002/2003 dengan
nomor anggota kelas / populasi (nomor pada basis data), data jenis kelamin,
berat badan, dan IP semester I.
173
Soal:
1. Dengan menggunakan sampling acak sederhana (simple random
sampling), ambillah sampel yang terdiri atas 10 orang mahasiswa. Buat
daftar anggota sampel yang terpilih (No anggota kelas dan BB). Hitung
nilai rerata BB sampel sebagai estimator bagi nilai rerata populasi (data
kelas).
2. Bagi anggota kelas atas 2 strata, pria dan wanita. Dengan jenis kelamin
sebagai dasar stratifikasi, gunakan metode sampling acak stratifikasi
(stratified random sampling) untuk mendapatkan sampel berukuran 10
yang terdiri atas 2 pria dan 8 wanita. Buat daftar anggota sampel yang
terpilih (No anggota kelas dan BB). Hitung nilai rerata BB sampel.
3. Anggota kelas diklasifikasikan dalam 5 kelompok (klaster) berdasarkan
nilai IP-nya, yaitu klaster 1 (IP < 3.00), klaster 2 (IP 3.00-3.24), klaster
3 (IP 3.25-3.49), klaster 4 (IP 3.50-3.74), dan klaster 5 (IP 3.75-4.00).
Dengan metode sampling acak klaster (cluster random sampling) 2-
tahap, mula-mula dipilih 2 di antara 5 klaster secara acak, lalu dari
kedua klaster tersebut masing-masing diambil 5 orang anggota sampel
secara acak, sehingga seluruhnya didapatkan 10 orang anggota sampel.
Buat daftar anggota sampel yang terpilih [No anggota kelas, No
anggota klaster (nomor pada klaster masing-masing), dan BB). Hitung
nilai rerata BB sampel.
4. Dengan menggunakan metode sampling acak sistematik (systematic
random sampling) terhadap data nomor anggota kelas pada basis data
tersebut, tarik sampel berukuran 10. Buat daftar anggota sampel yang
terpilih (No anggota kelas dan BB). Hitung nilai rerata BB sampel.
5. Hitung nilai rerata BB kelas / populasi sebenarnya (70 mahasiswa kelas
2PA01 TA 2003/2004). Bandingkan hasilnya dengan nilai estimasi
yang diperoleh dengan keempat metode sampling.
Jawaban:
1. Sampling Acak Sederhana
Dengan tabel bilangan acak (tabel E) halaman 1, mulai dari baris
12, kolom ke-10 ke kanan, dan seterusnya.
Dengan ukuran populasi N = 70 dan ukuran sampel n = 10,
dilakukan pembacaan nomor-nomor dua digit: 54, 30, 98, dan
seterusnya. Pembacaan yang telah mencapai ujung kanan baris
diteruskan ke ujung kiri baris di bawahnya.
174
Nomor terpilih (digarisbawahi di bawah ini) adalah nomor yang
lebih kecil daripada (atau sama dengan) 70. Nomor-nomor yang
sama hanya dapat dipilih satu kali.
Pembacaan dihentikan setelah diperoleh 10 nomor berbeda yang
lebih kecil daripada (atau sama dengan) 70.
Tabel 1. Hasil pembacaan tabel bilangan acak
54 / 30 / 9 8 / 74 / 56 78 / 96 / 7 7 / 96 / 38
68 / 86 / 9 4 / 90 / 62 02 / 19 / 6 5 / 51 / 09
27 04 5 6 26 26 dst.
Tabel 2. Hasil sampling acak sederhana

No urut sampel No kelas BB Rerata BB
1 54 45
2 30 40
3 56 60 10
4 38 42 ∑
i =1
xi
5 68 55 x =
6 62 47 10
7 02 51 507
= = 50.7
8 19 49 10
9 65 48
10 51 70
2. Sampling Acak Stratifikasi

a. Stratifikasikan data menurut jenis kelamin
Pria:
1) 2) 1) 2) 1) 2) 1) 2)
No str No kls No str No kls No str No kls No str No kls
1 1 3 20 5 57 7 59
2 19 4 48 6 58
1) 2)
No str = nomor anggota stratum; No kls = nomor dalam kelas
175
Wanita:
No str No kls No str No kls No str No kls No str No kls
1 2 17 18 33 36 49 53
2 3 18 21 34 37 50 54
3 4 19 22 35 38 51 55
4 5 20 23 36 39 52 56
5 6 21 24 37 40 53 60
6 7 22 25 38 41 54 61
7 8 23 26 39 42 55 62
8 9 24 27 40 43 56 63
9 10 25 28 41 44 57 64
10 11 26 29 42 45 58 65
11 12 27 30 43 46 59 66
12 13 28 31 44 47 60 67
13 14 29 32 45 49 61 68
14 15 30 33 46 50 62 69
15 16 31 34 47 51 63 70
16 17 32 35 48 52
2.b. Sampling acak sederhana pada masing- masing stratum

o Digunakan tabel bilangan acak (tabel E) halaman 2, mulai dari
baris ke-25, kolom ke-80 ke kanan, dan seterusnya.
o Dengan ukuran stratum pria N1 = 7, ukuran sampel stratum n1 =
2, dilakukan pembacaan nomor-nomor satu digit: 9, 0, 8, dan
seterusnya.
o Nomor terpilih (digarisbawahi di bawah ini) adalah nomor yang
o Pembacaan dihentikan setelah diperoleh 2 nomor berbeda yang
Tabel 3. Hasil pembacaan tabel bilangan acak untuk stratum pria

9/0/8/4/1 73808 53421 dst
176
Tabel 4. Hasil sampling acak sederhana pada stratum pria
No No str BB Rerata BB
(No kelas)
2
∑
j =1
x1 j
1 4 (48) 60 x1 =
2
135
2 1 (1) 75 = = 67.2
2
o Pembacaan tabel bilangan acak yang terhenti pada titik akhir

untuk stratum pria dilanjutkan dengan pembacaan untuk stratum
wanita.
o Dengan ukuran stratum wanita N 2 = 63, ukuran sampel stratum
n2 = 8, dilakukan pembacaan nomor-nomor dua digit: 73, 80, 85,
dan seterusnya. Pembacaan yang telah mencapai ujung kanan
baris diteruskan ke ujung kiri baris di bawahnya.
sama hanya dipilih satu kali.
kebih kecil daripada (atau sama dengan) 63.
Tabel 5. Hasil pembacaan tabel bilangan acak untuk stratum wanita

73 / 80 / 8 5 / 34 / 21 82 / 31 / 5 2 / 80 / 20
86 / 28 / 2 8 / 33 / 65 76 / 60 / 0 1 12 61
74 35 4 dst.
Tabel 6. Hasil sampling acak sederhana pada stratum wanita

No No str (No kelas) BB Rerata BB
1 34 (37) 50
2 21 (24) 51 8
3 31 (34) 50 ∑
j =1
x2 j
4 52 (56) 60 x2 =
5 20 (23) 42 8
6 28 (31) 46 399
= = 49.875
7 33 (36) 53 8
8 60 (67) 47
177
o Estimasi nilai rerata BB dengan sampel acak stratifikasi yang
diperoleh:
 2  N x + N 2 x2
xst =  ∑ N h xh  N = 1 1
 h =1  N1 + N 2
=
( 7 )( 67.5 ) + ( 63)( 49.875 ) = 51.64
7 + 63
3. Sampling acak klaster

3.a. Tahap I: Sampling acak terhadap klaster
o Digunakan tabel bilangan acak (tabel E) halaman 3, mulai dari
baris ke-60, kolom ke-5 ke kanan, dan seterusnya.
o Dengan jumlah klaster populasi M = 5 dan jumlah klaster sampel
m = 2, dilakukan pembacaan nomor-nomor satu digit: 7, 4, 0, dan
seterusnya.
Tabel 7. Hasil pembacaan tabel bilangan acak untuk memilih klaster

7/4/0/2/2 5 9 7 67 4 9 9 2 7 dst
o Klaster yang terpilih adalah klaster 4 (IP 3.50-3.74) dan klaster 2

(IP 3.00-3.24)
Klaster 4 (IP 3.50-3.74):

No klast No kls No klast No kls No klast No kls No klast No kls
1 2 4 15 7 38 10 62
2 3 5 19 8 40 11 63
3 9 6 37 9 61 12 64
178
Klaster 2 (IP 3.00-3.24):
No klast No kls No klast No kls No klast No kls No klast No kls
1 5 6 18 11 42 16 58
2 8 7 23 12 44 17 65
3 11 8 26 13 47 18 66
4 12 9 27 14 51 19 69
5 17 10 41 15 57
3.b. Tahap II: Sampling acak intra-klaster

untuk pemilihan klaster pria dilanjutkan dengan pembacaan untuk
klaster 4.
o Dengan ukuran populasi klaster 4 N1 = 12, ukuran sampel klaster
4 n1 = 5, dilakukan pembacaan nomor-nomor dua digit: 25, 97,
67, dan seterusnya. Pembacaan yang telah mencapai ujung kanan
Tabel 8. Hasil pembacaan tabel bilangan acak untuk klaster 4

7 40 2/2 5 / 97 / 67 49 / 92 / 7 4 / 58 / 82
74 / 09 / 9 1 / 87 / 58 57 / 51 / 0 5 / 85 / 60
07 / 05 / 0 6 / 52 / 08 96 46 6 2 99 17 dst
Tabel 9. Hasil sampling acak sederhana pada klaster 4
No No str (No kls) BB Rerata BB

1 9 (61) 45 5
2 5 (19) 49 ∑
j =1
x1 j
3 7 (38) 42 x1 =
5
4 6 (37) 50
232
5 8 (40) 46 = = 46.4
5
179
untuk sampling acak sederhana pada klaster 4 dilanjutkan dengan
pembacaan untuk klaster 2.
o Dengan ukuran populasi klaster N 2 = 19, ukuran sampel klaster 2
n2 = 5, dilakukan pembacaan nomor-nomor dua digit: 96, 46, 62,
dan seterusnya. Pembacaan yang telah mencapai ujung kanan
Tabel 10. Hasil pembacaan tabel bilangan acak untuk klaster 2

96 / 46 / 6 2 / 99 / 17 22 / 86 / 2 6 / 99 / 72
35 / 17 / 8 3 / 29 / 11 08 / 17 / 2 0 / 62 / 77
62 / 76 / 5 2 / 13 / 23 38 14 8 2 66 96
81 74 1 dst.
Tabel 11. Hasil sampling acak sederhana pada klaster 2

No No str (No kls) BB Rerata BB
1 17 (65) 48 5
2 11 (42) 59 ∑
j =1
x2 j
3 8 (26) 50 x2 =
5
4 13 (47) 42 269
5 14 (51) 70 = = 53.8
5
o Estimasi nilai rerata BB dengan sampel acak klaster yang

diperoleh:
n
1 M m Ni i
xcl = ∑ ∑x
N m i =1 ni j =1 ij
1 M  N1 1  N 
n n2
=  ∑ x1 j  +  2 ∑ x2 j  
N m  n1 j =1   n2 j =1  
1 5  12   19  
=    ( 232 ) +   ( 269 )  = 56.39
70 2  5   5 
180
4. Sampling Acak Sistematik
o Ukuran populasi N = 70, ukuran sampel n = 10, maka nilai k
adalah N/n = 70/10 = 7, sehingga N merupakan kelipatan bulat k.
o Mula-mula dilakukan sampling acak sederhana, yaitu memilih
menjadi angka 1 di antara 7 (nilai) untuk menentukan nomor
pertama yang terpilih menjadi anggota sampel.
o Digunakan tabel bilangan acak (tabel E) halaman 4, baris ke-80,
kolom ke-55 (hanya dibutuhkan 1 angka).
lebih kecil daripada (atau sama dengan) 7, yaitu nomor 1,
sehingga yang terpilih untuk menjadi anggota sampel sistematik
adalah anggota populasi dengan nomor baris data 1, 8, 18, . . . ,
64 (10 orang).
Tabel 12. Hasil pembacaan tabel bilangan acak untuk penentuan

nomor anggota pertama sampel sistematik
1 6 0 9 1 2 9 5 4 3 dst.
Tabel 13. Hasil sampling acak sistematik
No No kelas BB Rerata BB
1 1 75
2 8 49
3 15 45 10
4 22 57 ∑
i =1
xi
5 29 55
xsy =
10
6 36 53 542
7 43 45 = = 54.2
10
8 50 46
9 57 65
10 64 52
Sebagai bahan perbandingan, pada tabel VI.14 diperlihatkan nilai

estimasi rerata berat badan mahasiswa kelas 2PA01 TA 2002/2003
181
berdasarkan keempat metode sampling beserta nilai rerata populasi
sesungguhnya.
Tabel 14. Estimasi nilai rerata berat badan mahasiswa kelas 2PA01 TA
2002/2003, Depok dengan keempat metode sampling serta nilai rerata
populasi sesungguhnya
No Metode sampling Rerata BB (kg)
1 Sampling acak sederhana 50.7
2 Sampling acak stratifikasi 51.64
3 Sampling acak klaster 56.39
4 Sampling acak sistematik 54.2
Populasi kelas 49.87
182
LATIHAN 6
Bagian Pertama
1. Jika distribusi populasi adalah normal, maka distribusi sampling nilai

rerata-nya:
A. Selalu berdistribusi normal.
B. Tidak selalu berdistribusi normal.
C. Mungkin berdistribusi t
D. B) dan C) benar.
2. Jika berdistribusi populasi sebarang, maka distribusi sampling nilai

rerata-nya:
A. Tidak mungkin berdistribusi normal.
B. Dapat berdistribusi normal jika ukuran sampelnya besar.
C. Dapat berdistribusi normal jika ukuran sampelnya kecil.
D. Distribusi sampling nilai rerata-nya tidak ditentukan oleh ukuran
sampel.

A. SE ( x ) mungkin lebih besar daripada SD (x).
B. SE ( x ) selalu lebih besar daripada SD (x)
C. SE ( x ) mungkin sama dengan SD (x)
D. SE ( x ) selalu lebih kecil daripada SD (x)
4. Pernyataan bahwa Var ( X ) = σ 2 n pada sampling dengan

pengembalian:
A. Hanya berlaku jika distribusi populasi normal.
B. Hanya berlaku jika ukuran sampel besar.
C. Hanya berlaku jika distribusi populasi normal dan ukuran sampel
besar.
D. Berlaku tanpa tergantung pada bentuk distribusi populasi ataupun
ukuran sampel.
183
5. Dibandingkan dengan nilai Var ( X ) pada sampling dengan
pengembalian, nilai Var ( X ) pada sampling tanpa pengembalian:
A. Selalu lebih besar.
B. Dapat lebih besar.
C. Tidak lebih besar.
D. Mungkin lebih besar, sama besar, ataupun lebih kecil.
6. Persyaratan agar teorema limit pusat yang menyatakan bahwa distribusi

sampling nilai rerata berdistribusi normal dengan rerata µ dan variansi
σ 2 n berlaku, antara lain yaitu:
A. Sampling dilakukan tanpa pengembalian.
B. Nilai n besar.
C. A) dan B) benar.
D. A) dan B) salah.
x −µ
7. Pernyataan yang benar mengenai transformasi ialah:
s n
A. Selalu berdistribusi t dengan derajat bebas n
B. Selalu berdistribusi t dengan derajat bebas (n – 1)
C. Dapat berdistribusi Z jika n > 30
D. Semuanya salah.
x −µ
8. Pernyataan yang tidak benar mengenai transformasi ialah:
σ n
A. Hanya berdistribusi Z jika distribusi populasi normal dan n > 30
B. Hanya berdistribusi Z jika distribusi populasi normal
C. Hanya berdistribusi Z jika n > 30
D. Seluruhnya pernyataan di atas tidak benar
184
9. Pilihlah pernyataan yang salah:
A. Jika n besar dan populasi berdistribusi normal, distribusi
x −µ
sampling juga berdistribusi normal.
s n
B. Jika n besar dan populasi berdistribusi menceng ke kanan,
x −µ
distribusi sampling tetap berdistribusi normal.
s n
x −µ
C. Jika n besar dan distribusi sampling berdistribusi normal,
s n
distribusi populasinya pasti normal.
x −µ
D. Jika n besar dan distribusi sampling berdistribusi normal,
s n
distribusi populasinya mungkin menceng ke kiri.
10. Manfaat sampling antara lain yaitu:

A. Mengurangi jumlah data yang dibutuhkan.
B. Mempersingkat jangka waktu penelitian.
C. Mengefisiensikan penggunaan data / sumber daya lainnya.
D. Semuanya benar.
11. Validitas data antara lain ditentukan oleh faktor berikut, kecuali:
A. Subjek / objek yang diukur
B. Instrumen pengukuran
C. Subjek pelaku pengukuran
D. Semua faktor di atas ikut menentukan validitas data
12. Data yang ‘bias’ adalah data yang:

A. Tidak menyatakan keadaan yang sesungguhnya hendak diukur.
B. Memiliki variabilitas yang tinggi pada pengukuran berulang.
C. A) dan B) benar.
D. A) dan B) salah.
13. Kumpulan elemen yang ‘terdaftar’ sebagai calon anggota sampel

dinamakan:
A. Populasi target. C. Populasi eksternal.
B. Populasi aktual D. Kerangka sampel.
185
14. Populasi target adalah:
A. Kumpulan subjek / objek yang mengkontribusikan data bagi
penelitian.
B. Kumpulan subjek / objek yang eligibel untuk mengikuti proses
sampling.
C. Kumpulan subjek / objek yang sebenarnya hendak diestimasi
parameternya.
D. Semuanya salah.
15. Tiap elemen anggota populasi dimiliki probabilitas yang pasti sama
untuk terpilih menjadi anggota sampel pada:
A. Sampling acak sederhana. C. Sampling acak klaster.
B. Sampling acak stratifikasi. D. Semuanya benar.
16. Yang tidak termasuk dalam sampling probabilitas di antara prosedur

sampling berikut yaitu:
A. Sampling purposif (purposive sampling)
B. Sampling acak sederhana
C. sampling acak stratifikasi
D. Semuanya salah
17. Penggunaan prosedur sampling probabilitas antara lain ditujukan

untuk:
A. Memperkecil random error C. Keduanya benar
B. Memperkecil systematic error D. Keduanya salah
18. Jika variansi dalam-kelompok relatif besar dan variansi antar-kelompok

relatif kecil, metode sampling yang dianjurkan adalah:
A. Sampling acak stratifikasi. C. Keduanya benar.
B. Sampling acak klaster D. Keduanya salah.
19. Inferensi statistik berlaku secara valid pada penelitian yang

menggunakan:
A. Sampel kuota C. Sampel purposif
B. Sampel acak. D. Semuanya benar
20. Metode sampling yang hanya memerlukan penentuan secara acak bagi
anggota pertamanya didapatkan pada:
A. Sampling acak sederhana C. Samplingg acak kelompok
B. Sampling acak stratifikasi D. Sampling acak sistematik.
186
Bagian Kedua
Selesaikan soal-soal berikut:
1. Dimiliki populasi:
i 1 2 3 4 5 6 7 8 9 10
Xi 72 68 74 68 90 87 68 71 69 88
Hitunglah:
A. Rerata dan variansi populasi X
B. Rarata dan variansi distribusi sampling X jika dilakukan
sampling dengan pengembalian, n = 3.
C. Rerata dan variansi distribusi sampling X pada sampling tanpa
pengembalian dengan n = 3.
2. Misalkan diketahui bahwa rerata usia penduduk kota Depok adalah 29

tahun dengan standar deviasi 16 tahun. Jika dipilih kelompok yang
terdiri atas 36 orang penduduk secara acak, hitunglah probabilitas
bahwa rerata usia kelompok tersebut kurang daripada 35 tahun.
3. Misalkan pula diketahui proporsi mahasiswa di antara penduduk kota

Depok adalah 0.20. Hitunglah probabilitas bahwa dalam kelompok
yang dipilih pada soal No. 2 di atas sekurang-kurangnya terdapat 10
orang mahasiswa.
187
KEPUSTAKAAN
Aczel AD. Complete Business Statistics. Homewood, Illinois: Richard D

Irwin, Inc,1989.
Ary D, LC Jacobs, A Razavieh. Introduction to Research in Education. New
York: Holt, Rinehart and Winston, Inc, 1972.
Bhattacharyya GK, RA Johnson. Statistical Concepts and Methods. New
York: John Wiley & Sons, 1977.
Chakravarti IM, RG Laha, J Roy. Handbook of Methods of Applied
Statistics, Volume I. Techniques of Computation, Descriptive Methods,
and Statistical Inference. New York: John Wiley & Sons, 1967.
Chambers JM, WS Cleveland, B Kleiner, PA Tukey. Graphical Methods for
Data Analysis. Belmont, California: Wadsworth International Group,
1983.
Cochran WG. Sampling Techniques, Third Edition. New York: John Wiley
& Sons, 1977.
Everitt BS. The Cambridge Dictionary of Statistics. Cambridge: Cambridge
University Press, 1998.
Fox J. Describing Univariate Distributions. In: J Fox, JS Long (Eds).
Modern Methods of Data Analysis. Newbury Park: Sage Publications,
Inc, 1990.
Harshbarger RJ, JJ Reynolds. Calculus with Applications. Lexington,
Massachusetts: DC Heath and Company, 1990.
Hayslett HT. Statistics Made Simple. London: WH Allen & Co, Ltd, 1979.
Huntsberger DV, P Billingsley. Elements of Statistical Inference, Fifth
Edition. Boston: Allyn and Bacon, Inc, 1981.
Jessen RJ. Statistical Survey Techniques. New York: John Wiley & Sons,
1978.
Kartika SH. Analisis Data Statistik. Jakarta: Karunika, Universitas Terbuka,
1985.
Kendall SMG, WR Buckland. A Dictionary of Statistical Terms, 4th Edition.
London: Longman Group Ltd, 1982.
Kreyszig E. Introductory Mathematical Statistics: Principles and Methods.
New York: John Wiley & Sons, 1970.
189
Kustituanto B, R Badrudin. Statistika I (Deskriptif). Jakarta: Penerbit
Gunadarma, 1994.
Maki DP, M Thompson. Finite Mathematics, Third Edition. New York:
McGraw-Hill, Inc, 1989.
Sanders DH. Statistics: A First Course, Fifth Edition. New York: McGraw-
Hill, Inc, 1995.
Scheaffer RL, W Mendelhall, L Ott. Elementary Survey Sampling, Third
Edition. Boston: Duxbury Press, 1986.
Snedecor GW, WG Cochran. Statistical Methods, Seventh Edition. Ames,
Iowa: The Iowa State University Press, 1982.
Soejoeti Z. Metode Statistik I. Jakarta: Universitas Terbuka Depdikbud,
1984.
Steel RGD, JH Torrie. Principles and Procedures of Statistics: A Biometrical
Approach, Second Edition. Auckland: McGraw-Hill International Book
Company, 1981.
Thompson SK. Sampling. New York: John Wiley & Sons, 1992.
190
review
STATISTIKA I
Dr. Ika Satya Perdhana
1
PENGERTIAN
• AWAL : segala sesuatu yang berhubungan
dengan informasi numerikal
• KINI : ilmu, seni, teknik tentang pengumpulan
data, penyajian data, analisis data, dan
pengambilan kesimpulan berdasarkan data
yang berhasil dikumpulkan
• metode yang berhubungan dengan penyajian
dan penafsiran kejadian yang bersifat peluang
dalam suatu penyelidikan terencana atau
penelitian ilmiah
2
DATA
Data :
➢ keterangan mengenai sesuatu
➢Jika diolah akan menghasilkan informasi
Jenis data
• Berdasarkan bentuknya
-Kuantitatif : berbentuk angka/ bilangan
-Kualitatif : tidak berbentuk angka/bilangan
3
DATA (lanjutan)
• Berdasarkan sumbernya
- Data intern : dikumpulkan dan digunakan
sendiri
- Data ekstern : dikumpulkan dan digunakan
oleh pihak lain
- Data primer : diumumkan sendiri oleh
pengumpulnya
- Data sekunder : diumumkan oleh pihak lain
(bukan pengumpulnya)
4
METODE STATISTIKA
➔prosedur-prosedur atau cara-cara penyajian dan
penafsiran data
• Penyajian data meliputi :
pengumpulan, pengorganisasian, peringkasan dan
penyajian data
(data collection, organization, summarization,
presentation)
• Penafsiran data meliputi :
analisis data, pendugaan, pengujian dugaan dan
penarikan kesimpulan (generalisasi). 5
METODE STATISTIKA (lanjutan)
• Statistika deskriptif :
– Serangakaian teknik : pengumpulan, penyajian,
dan peringkasan data
– Bersifat memberikan gambaran
• Statistika inferensia :
– Serangkaian teknik untuk mengkaji, menaksir, dan
mengambil kesimpulan
– Bersifat melakukan generalisasi (menarik
kesimpulan)
6
POPULASI & SAMPEL
• Populasi :
– Seluruh obyek yang ingin diketahui besaran
karakteristiknya
• Sampel :
– Sebagian obyek populasi (memiliki karakteristik sama
dengan populasinya) yang ingin diketahui besaran
karakteristiknya
7
POPULASI & SAMPEL (lanjutan)
• Bias : perbedaan ciri sampel dengan ciri
populasi tempat sampel diambil.
• Sampel yang baik adalah sampel dengan bias
minimal.
• Cara mendapatkan sampel dengan bias
minimal adalah dengan mengambil
sampel/Contoh acak.
•
8
Notasi penjumlahan
9
TABEL DISTRIBUSI FREKUENSI
Prinsip pembentukan Tabel Distribusi Frekuensi
1. Tentukan banyaknya kelas
→Jangan terlalu banyak/sedikit
2. Tentukan interval/selang kelas
→Semua data harus bisa dimasukkan dalam kelas TDF
→1 data hanya dapat dimasukkan ke dalam 1 kelas
3. Sorting data (ascending atau descending)
→Agar range data diketahui dan mempermudah
penghitungan frekuensi tiap kelas
10
Penentuan banyak kelas
→Sebenarnya tidak ada cara khusus menentukan banyaknya kelas.
• Cara Praktis
Banyak kelas : 5 – 15 dan untuk interval/selang kelas dipilih
bilangan-bilangan yang mudah misal kelipatan 5 atau 10
• Aturan STURGES
k = 1 + 3.322 log n
k = banyak kelas
n = banyak pengamatan/data
Banyak kelas pembulatan ke atas/ke bawah (konvensi/perjanjian)
11
Interval kelas
r
i = ---
k
i = interval kelas
k = banyak Kelas
r = range data
Interval kelas
= Beda Batas Bawah Kelas ke-i dengan Batas Bawah kelas ke-i + 1
= Beda Batas Atas Kelas ke-i dengan Batas Atas kelas ke-i + 1
12
DISTRIBUSI FREKUENSI
• Distribusi frekuensi relatif
• Distribusi frekuensi kumulatif

– TDFK >
– TDFK <
Prinsip TDF tidak berlaku (boleh overlapped) 13
TDFK
• Ʃ kelas dalam TDFK = ƩKelas TDF + 1
• Kelas TDFK < :menggunakan batas bawah kelas TDF

• Kelas TDFK > :menggunakan batas atas kelas TDF
• Kelas terakhir TDFK < :batas bawah kelas ke-k+1 TDF

• Kelas pertama TDFK > :batas atas kelas ke-0 TDF
14
15
UKURAN STATISTIKA
Ukuran Pemusatan
→Bagaimana, di mana data berpusat?
• Rata-Rata Hitung
• Median
• Modus
• Kuartil, Desil, Persentil
Ukuran Penyebaran
→Bagaimana penyebaran data?
• Ragam, Varians
• Simpangan Baku
Ukuran Statistik mencakup Grouped &Ungrouped Data

16
Ukuran Pemusatan
• Mean
• Modus
• Median
17
Ukuran Penyebaran
18
Ukuran Penyebaran (lanjutan)
19
20
21
PROBABILITAS
* Ruang Contoh (S) : himpunan yang memuat semua
kemungkinan hasil percobaan
Misal : a.ruang contoh percobaan pelemparan
sebuah mata uang ?
S : {head, tail} atau { gambar, angka}
b.Ruang contoh pelemparan dadu
S : {1, 2, 3, 4, 5, 6 }
*Kejadian = Event : himpunan bagian dari ruang contoh

Misal :
Dari sekumpulan 52 kartu bridge S : { sekop, klaver, hati,
wajik }, kita hanya tertarik pada kejadian A munculnya
kartu yang berwarna merah. A : {hati, wajik } 22
Pencacahan titik contoh
• Penggandaan permutasi
• Banyaknya Permutasi n benda yang berbeda
adalah n!
• Banyaknya permutasi n benda yang disusun

dalam suatu lingkaran adalah (n-1)! 23
24
• Kombinasi
Kombinasi r obyek yang dipilih dari n obyek adalah
susunan r obyek tanpa memperhatikan urutan.
Misal:Kombinasi 2 dari 3 obyek A, B dan C adalah

1. A dan B = B dan A
2. A dan C = C dan A
3. B dan C = C dan B
25
26
Hijau : BENAR Merah : SALAH

a. Lebih kecil dan Lebih besar
b. Tidak ada jawaban yang benar
c. Sama dengan, lebih besar sama dengan dan lebih kecil sama dengan
2. Seorang dosen memberikan kuis yang terdiri dari 25 soal dengan jawaban Benar (B) dan Salah
(S). Susunan jawaban kuis tersebut yang mungkin terjadi akan berjumlah:
a. 25C2
b. 2 pangkat 25
c. 25 pangkat 2
d. 25P2
3. Pengujian hipotesis yang umum dilakukan adalah, kecuali :
a. Pengujian keseluruhan populasi
b. Pengujian hipotesis suatu parameter rata-rata
c. Pengujian hipotesis selisih dua parameter rata-rata
d. Pengujian parameter proporsi
4. Distribusi Poisson memiliki beberapa karakteristik, kecuali :
a. Setiap ulangan harus bebas satu sama lain
b. Parameter penentu hanya satu
c. Parameter penentu ada banyak
d. Terdiri dari n ulangan
5. Kesalahan akibat menerima Ha, padahal sesungguhnya Ho yang benar disebut:
a. Salah jenis 1
b. Salah jenis 2
c. Keputusan statistik
d. Uji hipotesis
6. Diketahui nilai ujian Statistik I seluruh mahasiswa Universitas Gunadarma berdistribusi
normal dengan rata-rata 60 dan standar deviasi 12. Seluruh peserta ujian Statistik I tercatat 10
ribu mahasiswa, sebanyak 20 persennya adalah mahasiswa Akuntansi. Seorang mahasiswa
dinyatakan lulus ujian Statistik I jika nilainya paling sedikit 57, maka jumlah mahasiswa
Akuntansi diharapkan lulus ujian Statistik I sebanyak:
a. 1250 orang
b. 1200 orang
c. 1197 orang
d. 1217 orang
7. Data disebut berpasangan apabila:
b. Sampel diambil dari mana saja
c. Sampel diambil dari dua kelompok populasi secara acak
d. Sampel diambil dari dua gugus populasi yang tidak saling bebas satu sama lain
8. Di Lab Psikologi Dasar tersedia 15 meja praktikum yang dapat digunakan mahasiswa, suatu
saat hadir 20 orang mahasiswa yang akan berpraktikum. Jumlah susunan penempatan
praktikum mahasiswa tersebut adalah:
a. 35C20
b. 35P20
c. 20C15
d. 20P15
a. Lebih kecil atau lebih besar
b. Sama dengan, lebih besar sama dengan dan lebih kecil sama dengan
c. Tidak ada jawaban yang benar
10. Untuk menghadapi Lomba Rancang Bangun Robot Tingkat Nasional Tahun 2015, sebanyak 12
mahasiswa FIKTI UG yang terdiri dari 7 mahasiswa dan 5 mahasiswi telah menjalani workshop
selama sebulan. Selanjutnya dipilih 5 mahasiswa yang akan diberangkatkan sebagai team UG
ke ajang perlombaan tersebut. Hingga tahun 2014, team UG telah mengikuti perlombaan
tersebut sebanyak 10 kali, mendapat Juara I sebanyak 3 kali dan Juara II sebanyak 4 kali.
Probabilitas 5 mahasiswa terpilih terdiri dari 3 mahasiswa dan 2 mahasiswi adalah:
a. 0.64
b. 0.44
c. 0.74
d. 0.54
ribu mahasiswa, sebanyak 20 persennya adalah mahasiswa Akuntansi. Probabilitas seorang
mahasiswa Akuntansi mendapat nilai paling tinggi 45 adalah:
a. 0.2939
b. 0.3944
c. 0.1056
d. 0.8944
12. Bagian statistika yang membahas cara-cara pengumpulan data, penyederhanaan angka-angka
pengamatan yang diperoleh (meringkas dan menyajikan), serta melakukan pengukuran
pemusatan dan pengukuran penyebaran untuk memeroleh informasi yang lebih menarik, lebih
berguna dan lebih mudah dipahami yaitu:
a. Statistika inferensia
b. Statistika non parametrik
c. Statistika parametrik
d. Statistika deskriptif
c. Sama dengan (=), lebih besar sama dengan atau lebih kecil sama dengan
d. Lebih besar atau Lebih kecil
14. Tersedia 6 flashdisk 16GB dan 4 flashdisk 32GB yang berbeda merknya, jika akan dipilih 3
flashdisk 16GB dan 2 flashdisk 32GB, maka jumlah pilihan yang dapat dibuat adalah:
a. 120
b. 140
c. 80
d. 100
15. Diketahui mesin pencetak IC perlu diperbaiki jika dari 1000 unit IC yang dicetak terdapat 20
unit IC yang rusak. Seorang karyawan pengawasan mutu mengobservasi sampel acak yang
terdiri dari 250 unit IC, kemudian ia mencatat jumlah IC yang rusak. Probabilitas karyawan
tersebut akan menemukan paling sedikit 2 unit IC yang rusak adalah:
a. 0.4225
b. 0.7566
c. 0.0842
d. 0.9596
16. Pelaksanaan pengumpulan data primer dilakukan dengan cara:
a. Survai dan diagram
b. Minta data dari pemerintah
c. Diagram dan grafik
d. Survai dan percobaan
17. Seorang pegawai pengawasan mutu mengobservasi sebagian produk yang dipilih dengan cara
tertentu dari keseluruhan produk yang dihasilkan. Teknik pengumpulan data yang digunakan
pegawai tersebut adalah:
a. Proporsional
b. Pengamatan langsung
c. Sampling
d. Sensus
terdiri dari 250 unit IC, kemudian ia mencatat jumlah IC yang rusak.Jika jumlah IC yang rusak
sebagai variabel acak X, maka X tersebut akan memiliki distribusi probabilitas:
a. Geometrik
b. Normal
c. Binomial
d. Poisson
19. Hipotesis yang didukung atau ingin diterima oleh peneliti adalah:
a. Hipotesis populasi
b. Pendugaan hipotesis
c. Hipotesis alternatif
d. Hipotesis nol
20. Jumlah cara agar 5 kelereng dengan warna yang berbeda dapat disusun sebaris adalah:
a. 625 cara
b. 120 cara
c. 125 cara
d. 25 cara
a. Sama dengan (=), lebih besar sama dengan atau lebih kecil sama dengan
c. Lebih besar atau Lebih kecil
d. Tidak sama dengan atau tak terhingga
a. Jarak nilai (hasil pengamatan) tertinggi dan terendah
b. Perbedaan batas kelas bawah dari dua kelas yang berdekatan
c. Perbedaan batas kelas bawah dan batas kelas atas pada kelas yang sama
d. Perbedaan batas kelas bawah dan tepi kelas bawah pada kelas yang berbeda
23. Bentuk dan ketinggian kurva distribusi peluang normal ditentukan oleh besarnya ...
a. Peluang
b. Standard deviasi
c. Variabel
d. Percobaan
ribu mahasiswa, sebanyak 20 persennya adalah mahasiswa Akuntansi. Jika ditetapkan nilai
minimal untuk lulus ujian Statistik I adalah 57, maka persentase jumlah mahasiswa UG yang
lulus Statistik I akan ada sebanyak:
a. 49.5%
b. 59.9%
c. 20%
d. 69.9%
25. Tabel t-student digunakan untuk :
a. Mengetahui populasi di luar sampel
b. Mengetahui ukuran populasi
c. Mengetahui peluang (luas daerah) di bawah kurva
d. Mengetahui ukuran sampel
a. Setiap ulangan merupakan kejadian bebas
b. Peluang sukses setiap ulangan adalah konstan
27. Permutasi digunakan apabila ...
a. Letak dan posisi dipermasalahkan
b. Letak dan posisi tidak dipermasalahkan
c. Letak dan posisi tidak saling berhubungan
d. Letak dan posisi di mana saja
28. Jika frekuensi dalam tabel distribusi frekuensi dinyatakan dalam persen, maka penyajian data
secara grafis sebaiknya menggunakan:
a. Poligon
b. Ogive
c. Pie diagram (diagram lingkaran)
d. Histogram
29. Analisis varian (ANOVA) adalah:
a. Teknik pengujian hipotesis yang paling akurat
b. Semua jawaban salah
c. Teknik untuk memeriksa perbedaan di antara kedua hipotesis
d. Suatu teknik untuk memeriksa perbedaan dari antara rata-rata dari dua populasi atau lebih
30. Hubungan nilai variabel acak dan peluangnya dicerminkan oleh:
a. Distribusi statistik
b. Distribusi parameter
c. Distribusi statistika
d. Distribusi peluang
31. Pernyataan yang menunjukkan peubah acak diskrit:
a. Jarak tempuh mobil baru
b. Jumlah produk rusak TV merk Sony
c. Produksi parfum (dalam mililiter)
d. Berat badan bayi baru lahir
32. Tersedia 6 flashdisk 16GB dan 4 flashdisk 32GB yang berbeda merknya, probabilitas akan
terpilih 3 flashdisk 16GB dan 2 flashdisk 32GB adalah:
a. 0.41
b. 0.56
c. 0.48
d. 0.32
33. Rata-rata hitung diperoleh dari ...
a. Jumlah observasi dibagi sampel
b. Jumlah observasi dibagi range
c. Jumlah nilai setiap datum (total nilai data) dibagi banyaknya observasi
d. Populasi dibagi sampel
ribu mahasiswa, sebanyak 20 persennya adalah mahasiswa Akuntansi.Jika ditetapkan yang
mendapat nilai A sebanyak 12.3% dari nilai tertinggi, maka nilai terendah untuk mendapat
nilai A adalah:
a. 78.5
b. 73.92
c. 75.5
d. 77.9
a. Data aktual
b. Data sekunder
c. Data primer
d. Data time-series
b. Masa pakai komponen mesin
c. Tingkat pendidikan pegawai suatu perusahaan
terdiri dari 250 unit IC, kemudian ia mencatat jumlah IC yang rusak. Probabilitas karyawan
tersebut tidak menemukan IC yang rusak adalah:
a. 0.1128
b. 0.1512
c. 0.0067
d. 0.0404
38. Populasi adalah:
a. Semua jawaban benar
b. Sekumpulan data/individu
c. Himpunan yang mewakili semua kemungkinan pengukuran observasi yang perlu
diperhatikan
d. Sekumpulan individu individu yang memiliki karakteristik khas yang menjadi perhatian
dalam suatu penelitian (pengamatan) dalam ruang lingkup yang ingin diteliti
39. Untuk menghadapi Lomba Rancang Bangun Robot Tingkat Nasional Tahun 2015, sebanyak 12
mahasiswa FIKTI UG yang terdiri dari 7 mahasiswa dan 5 mahasiswi telah menjalani workshop
selama sebulan. Selanjutnya dipilih 5 mahasiswa yang akan diberangkatkan sebagai team UG
ke ajang perlombaan tersebut. Hingga tahun 2014, team UG telah mengikuti perlombaan
tersebut sebanyak 10 kali, mendapat Juara I sebanyak 3 kali dan Juara II sebanyak 4 kali.
Probabilitas 5 mahasiswa terpilih paling sedikit 3 mahasiswa adalah:
a. 0.43
b. 0.64
c. 0.69
d. 0.56
40. Dalam melakukan penelitian, seringkali peneliti ingin membandingkan kondisi dari dua
populasi. Bila peneliti ingin membandingkan rata-ratanya, maka indikasi perbedaannya bisa
dilihat dari selisih ... rata-rata tersebut.
a. Parameter
b. Standard deviasi
c. Sampel
d. Interval
a. Setiap ulangan merupakan kejadian bebas
b. Peluang sukses setiap ulangan adalah konstan
b. Masa pakai komponen mesin
c. Tingkat pendidikan pegawai suatu perusahaan
a. Data time-series
b. Data sekunder
c. Data primer
d. Data aktual
ribu mahasiswa, sebanyak 20 persennya adalah mahasiswa Akuntansi.Jika ditetapkan yang
mendapat nilai A sebanyak 12.3% dari nilai tertinggi, maka nilai terendah untuk mendapat
nilai A adalah:
a. 77.9
b. 78.5
c. 75.5
d. 73.92
45. Bentuk dan ketinggian kurva distribusi peluang normal ditentukan oleh besarnya ...
a. Percobaan
b. Variabel
c. Peluang
d. Standard deviasi
a. Perbedaan batas kelas bawah dan batas kelas atas pada kelas yang sama
b. Perbedaan batas kelas bawah dan tepi kelas bawah pada kelas yang berbeda
c. Jarak nilai (hasil pengamatan) tertinggi dan terendah
d. Perbedaan batas kelas bawah dari dua kelas yang berdekatan
ribu mahasiswa, sebanyak 20 persennya adalah mahasiswa Akuntansi. Probabilitas seorang
mahasiswa Akuntansi mendapat nilai paling tinggi 45 adalah:
a. 0.1056
b. 0.2939
c. 0.3944
d. 0.8944
48. Di Lab Psikologi Dasar tersedia 15 meja praktikum yang dapat digunakan mahasiswa, suatu
saat hadir 20 orang mahasiswa yang akan berpraktikum. Jumlah susunan penempatan
praktikum mahasiswa tersebut adalah:
a. 20P15
b. 20C15
c. 35P20
d. 35C20
terdiri dari 250 unit IC, kemudian ia mencatat jumlah IC yang rusak.Jika jumlah IC yang rusak
sebagai variabel acak X, maka X tersebut akan memiliki distribusi probabilitas:
a. Poisson
b. Geometrik
c. Binomial
d. Normal
ribu mahasiswa, sebanyak 20 persennya adalah mahasiswa Akuntansi. Seorang mahasiswa
dinyatakan lulus ujian Statistik I jika nilainya paling sedikit 57, maka jumlah mahasiswa
Akuntansi diharapkan lulus ujian Statistik I sebanyak:
a. 1217 orang
b. 1197 orang
c. 1200 orang
d. 1250 orang
51. J
1. Rata-rata berat 500 mahasiswa STIKOM adalah 55 kg dan deviasi standarnya 3.4 kg.
Berapakah banyaknya mahasiswa yang mempunyai berat
◦ kurang dari 53 kg
◦ di antara 53 kg dan 57 kg
Penyelesaian
2. Bila nilai ujian statistika mempunyai mean 74 dan deviasi standar 7.9, hitunglah
◦ Nilai lulus terendah, bila mahasiswa dengan nilai 10% terendah mendapat E.
◦ Nilai B tertinggi, bila probabilitas mahasiswa dengan nilai 5% tertinggi men-dapat A .
Penyelesaian
3. Sebuah pengiriman 7 set televisi berisi 2 set cacat. Sebuah hotel melakukan pembelian secara
acak 3 set dari semua set televisi yang ada. Bila x adalah jumlah set televisi yang cacat yang
dibeli oleh hotel tersebut,
◦ Carilah distribusi probabilitas X
◦ Carilah distribusi kumulatif F(x)
◦ Dengan menggunakan F(x), hitunglah P(X = 1) dan P(0 < x  2)
◦ Hitung nilai E(X)
Penyelesaian
4. Jumlah jam total, yang diukur dalam satuan 100 jam, bahwa suatu fungsi keluarga
menggunakan pengisap debu pada periode satu tahun merupakan suatu variabel random
kontinu X yang mempunyai fungsi probabilitas : f(x) = x , untuk 0 < x < 1, f(x) = 2 – x , untuk 1 
x < 2, dan f(x) = 0, untuk x lainnya
◦ Tunjukkan bahwa P(0 < x < 2) = 1
◦ Carilah probabilitas bahwa pada periode satu tahun, sebuah keluarga menggunakan pengisap
debu mereka kurang dari 120 jam
debu mereka antara 50 sampai 100 jam.
debu mereka lebih dari 150 jam.
◦ Hitung nilai harapan X.
Penyeklesaian
5. Sebuah industri yang menghasilkan sabun mandi telah mengambil sampel 3 buah sabun mandi
dengan aroma melati dan 7 aroma mawar. Semua sabun mempunyai bentuk dan ukuran sama.
Semua sampel dimasukkan dalam kotak dan kemudian diambil 4 sabun. Didefinisikan variabel
random X adalah banyaknya sabun mandi beraroma melati yang terambil, tentukan:
• Nilai dari variabel random X
• Distribusi probabilitas variabel random X
• Distribusi kumulatif F(x) kemudian hitung P(X=2)
• Hitung rata-rata dan variansinya
Penyelesaian
6. • Proporsi orang yang menjawab suatu tawaran lewat pos berbetuk varaibel random kontinu X
yang mempunyai fungsi padat probabilitas untuk 0 < x < 1 dan f(x) = 0 untuk nilai x lainnya.
• Buktikan bahwa f(X) merupakan fungsi padat probabilitas.
• Hitung P( ½ < x < ¼)
• Tentukan distribusi kumulatif F(x) kemudian hitung P( ½ < x < ¼)
2(𝑥+2)
𝑓 (𝑥 ) =
5
Penyelesaian
7. Probabilitas menghasilkan produk cacat dari PT Idaman, sebuah perusahaan yang
menghasilkan lemari es, adalah 0,2. Dalam rangka untuk mengendalikan kualitas lemari es,
maka bagian pengendali kualitas bermaksud melakukan penelitian tentang probilitas
kerusakan lemari es. Sebagai langkah awal diambillah sampel sebanyak 8 lemari es. Dari 8
lemari es tersebut berapakah probabilitas diperoleh :
◦ Dua lemari es rusak
◦ Tiga lemari es baik
◦ Paling banyak 7 lemari es baik
◦ Antara 3 sampai 5 lemari es rusak
◦ Paling sedikit 2 lemari es baik
◦ Paling banyak 2 lemari es rusak
Penyelesaian
8. Disket yang diproduksi oleh PT Akbar ternyata sangat berkualitas. Hal ini terbukti dari 100
buah disket ternyata hanya ada 2 disket yang tidak berfungsi. Apabila diambil 150 buah disket,
maka probabilitas:
◦ Tiga diantaranya tidak berfungsi
◦ Maksimum 5 tidak berfungsi
◦ Antara 3 sampai 6 tidak berfungsi
◦ Minimum 145 berfungsi
Penyelesaian
9. Rata-rata banyaknya makanan kaleng yang ada di gudang telah kadaluarsa adalah 5. Diambil
sampel random sebanyak 10 buah makanan kaleng di gudang, hitung probabilitas:
◦ Lima diantaranya kadaluarsa
◦ Maksimum 4 telah kadaluarsa
◦ Antara 5 sampai 8 telah kadaluarsa
◦ Minimum 186 masih bisa dimakan
Penyelesaian
10. Tes IQ 600 calon mahasiswa mempunyai mean 115 dan deviasi standarnya 12. Mahasiswa
dikatakan lulus tes, bila mempunyai IQ paling rendah 95, berapakah mahasiswa yang
dinyatakan tidak lulus ?
Penyelesaian
11. Gaji pegawai suatu perusahaan rata-rata Rp.525,- per jam dengan deviasi standar Rp.60,-.
◦ Berapa persen karyawan yang bergaji Rp.575,- dan Rp.600,- per jam ?
◦ Di atas berapa rupiahkah 5% gaji per jam tertinggi ?
Penyelesaian
12. Bila 7 kartu diambil secara acak, berapa peluang

a. Tepat memperoleh 2 kartu face (king, queen, jack)?
Penyelesaian
Peluang terambilnya 2 kartu face mengikuti aturan kombinasi yaitu pengelompokan unsur
tanpa memperhatikan urutan. Banyaknya kombinasi yang terjadi dapat dihitung dengan
urutan :
𝑛!
nCr =
{𝑟!(𝑛−𝑟)!}
dengan :
nCr = Banyaknya kombinasi r unsur dari n unsur yang tersedia
n = Banyak unsur yang tersedia
r = Banyak unsur yang diambil
Peluang terambilnya 2 kartu face dari total 4 kartu

𝑛!
nCr =
{𝑟!(𝑛−𝑟)!}
4!
4C2 =
{2!(4−2)!}
4!
=
{2! .2!}
4. 3 . 2
=
2 . 1 . 2!
12
=
2
=6
Peluang terambilnya 2 kartu face dari total 52 kartu bridge

𝑛!
nCr =
{𝑟!(𝑛−𝑟)!}
52!
52C2 =
{2!(52−2)!}
52!
=
{2! .50!}
52 . 51 . 50!
=
2 . 1 . 50!
= 1326
Maka peluang terambilnya 2 kartu face adalah :

4𝐶2
P (k) =
52𝐶2
6
=
1326
1
=
221
b. Memperoleh sekurang-kurangnya 1 kartu queen?
Penyelesaian
Seperangkat kartu bridge terdiri dari 52 kartu, sehingga n(S) = 52
Banyaknya kartu Queen ada 4, sehingga peluang terambilnya sebuah kartu Queen :
𝑛(𝑄)
P (Q) =
𝑛(𝑆)
4
=
52
1
=
3
13. Dua puluh mahasiswa tingkat satu dibagi ke dalam 10 pasang, setiap pasangan kira-kira
mempunyai IQ yang sama. Salah seorang dari setiap pasangan diambil secara acak dan
diamsukkan ke dalam kelas yang hanya menggunakan bahan terprogramkan. Anggota
pasangan yang lain dimasukkan ke dalam kelas biasa. Pada akhir semester kedua grup itu
diberikan ujian yang sama dan hasilnya sbb:
Pasangan Bahan Terpogram Kelas Biasa d

1 76 81 -5
2 60 52 8
3 85 87 -2
4 58 70 -12
5 91 86 5
6 75 77 -2
7 82 90 -8
8 64 63 1
9 79 85 -6
10 88 83 5
Tentukan selang kepercayaan 98% bagi selisih sesungguhnya dalam kedua metode pengajaran
tersebut?
Penyelesaian
25. Apa perbedaan antara ukuran Statistik dari data tersebar dengan data kelompok ?
 Ukuran penyebaran data digunakan sebagai ukuran yang menunjukkan seberapa jauh
data tersebar dari rata-rata. Ukuran penyebaran data ini terdiri dari :
 Jangkauan adalah range yaitu selisih data antara nilai terbesar dan terkecil
dalam data kelompok simpangan rata-rata adalah untuk nilai yang di observasi
terhadap rata-rata
 simpangan baku adalah nilai ukuran penyebaran data yang secara umum paling
banyak digunakan
 kuartil adalah ukuran posisi yang membagi kelompok data menjadi 4 bagian
sama besar
 desil adalah nilai batas atas sekumpulan data yang dibagi menjadi 10 bagian
sama besar
 persentil adalah nilai batas yang membagi data menjadi 100 bagian yang sama
besar
 Data kelompok adalah cara penyajian data yang menggunakan tabel distribusi frekuensi
di mana data tersebut dikelompokkan ke data interval tertentu
26. Apakah Persyaratan yang harus dipenuhi untuk menentukan ukuran statistik pada data
kelompok ?
Ada 3 ukuran pemusatan data yang sering digunakan yaitu :
 rata-rata adalah nilai yang memiliki himpunan atau sekumpulan data (aset of data).
Rata-rata sangat baik digunakan apabila sebaran data merata atau nilai antara data
yang satu dengan data yang lain tidak berbeda jauh (homogen)
 median adalah nilai yang terletak di bagian tengah dari suatu kumpulan data yang telah
diurutkan. Nilai median dipengaruhi oleh banyaknya pengamatan dan tidak tergantung
pada besarnya nilai pengamatan walaupun nilainya tersebut sangat ekstrem
 modus adalah nilai yang paling sering muncul dari sekumpulan data
27. Untuk menentukan ukuran statistik data kelompok, data apa yang perlu disajikan pada
ditribusi frekuensi.
Data yang dapat disajikan bisa berupa nilai individual atau nilai data yang sudah
dikelompokkan ke dalam selang interval tertentu yang di sertakan dengan nilai frekuensi yang
sesuai
Bab I
Pendahuluan dan Notasi Sigma
1. Pengertian Statistika
Statistika → metode yang berhubungan dengan

penyajian dan penafsiran kejadian yang
bersifat peluang dalam suatu penyelidikan
terencana atau penelitian ilmiah
Dalam statistika tercakup dua pekerjaan penting, yaitu :

Penyajian
DATA ➔ menghasilkan INFORMASI
penafsiran
Data = ukuran suatu nilai

Data → bentuk jamak (plural)
Datum → bentuk tunggal (singular)
Data-data atau datas adalah penulisan yang salah.
Informasi : data yang telah diproses
2. Jenis-Jenis Data
2.1. Berdasarkan Sumber-nya, data dibedakan menjadi :

Data Primer :
data yang didapatkan atau dikumpulkan sendiri
Misalnya :
dengan melakukan wawancara, observasi atau
penelitian di lapangan atau laboratorium.
Data Sekunder di dapat dari pihak lain misalnya dari
data providers,
Contoh data providers : BPS, LIPI, SRI, dll
2.2. Berdasarkan Jenis-nya, data dibedakan menjadi :
1
(1) Data Numerik (kuantitatif) →
dinyatakan dalam besaran numerik (angka)
Misalnya :
pendapatan per kapita, pengeluaran, harga, jarak,dll.
(2) Data Kategorik (Kualitatif) →

diklasifikasikan berdasar kan kategori/kelas tertentu
Misalnya :
Kategori Mahasiswa : Berprestasi dan Tidak
Berprestasi,
Kategori kota : kecil, sedang dan besar,
Kategori pendukung partai politik XXX, YYY, ZZZ, dll.
Pengolahan Data dengan Statistika mensyaratkan bentuk data

numerik, untuk itu data Kategorik terlebih dahulu harus
diubah ke bentuk numerik dengan memberi bobot pada setiap
kategori.
Data Kategorik dapat dibedakan menjadi :

(a) Data Ordinal :
Urutan kategori menunjukkan tingkatan (ranking)
Misalnya :
Bagaimana prestasi belajar anda semester lalu?
1. Sangat Baik
2. Baik
3. Sedang-sedang saja
4. Buruk
5. Sangat Buruk
(b) Data Nominal :
Urutan/Nilai tidak menunjukkan tingkatan
Misalnya : Apa warna favorit anda :
1. Ungu 3. Abu-abu
2. Coklat 4. Putih
(c) Data Atribut :

2
Nilai data tersebut memberi keterangan atau tanda
pada suatu data.
Jenis data ini tidak diolah.
Misalnya :
Nama : …………..
Alamat : …………..
3. Metode Statistika
Metode Statistika adalah prosedur-prosedur atau cara-

cara penyajian dan penafsiran data.
Penyajian data meliputi :
penyajian data
(collection, organization, summarization, presentation)
Penafsiran data meliputi :

penarikan kesimpulan
(generalisasi).
Dua jenis Metode Statistika (Statistics)
a. Statistika Deskriptif (Descriptive Statistics)

Metode pengumpulan, peringkasan dan penyajian data
Descriptive : bersifat memberi gambaran
b. Statistika Inferensia = Statistika Induktif (Inferential

Statistics)
Metode analisis, peramalan, pendugaan dan penarikan
kesimpulan
Inferential : bersifat melakukan generalisasi
(penarikan kesimpulan).
3
Contoh Masalah Statistika Deskriptif :
1. Tabulasi Data
2. Diagram Balok
3. Diagram Kue Pie
4. Grafik perkembangan harga dari tahun ke tahun
Contoh Masalah Statistika Inferensia :

1. Pendugaan Parameter
2. Pengujian Hipotesis
3. Peramalan dengan Regresi/Korelasi
Perhatikan Contoh berikut, kategorikan metode statistika dan

jenis-jenis data yang digunakan.
Contoh 1
Seorang mahasiswi FE-UG, mengumpulkan data untuk
penulisan ilmiahnya dengan mewawancara 10 pedagang
asongan di depan kampus. Hasilnya diketahui bahwa
rata-rata pendapatan kotor mereka adalah Rp. 97,523.25.
Hasil wawancara tersebut dilaporkan dalam PI-nya.
(Deskriptif, Primer, Numerik)
Contoh 2
Berdasarkan tayangan TV langsung dari Bursa Efek, Drs.
Djoko (seorang pialang saham) memperkirakan bahwa
harga saham perusahaan-perusahaan “Blue-Chip” akan
terus turun sampai minggu ke tiga bulan September.
Perubahan akan bervariasi antara $ -2.35 sampai $ -5.60
per 100 lembar. (Inferensia, Sekunder, Numerik)
Contoh 3
Dalam rangka pengembangan produk, perusahaan
DONKING DONUT melakukan survei rasa kesukaan
(favorite favor) donatnya secara acak terhadap 1000
pelanggannya. Pelanggan terpilih diminta menetapkan
rangking terhadap 4 macam rasa donat yang baru
(MINT, PEACH, MOCCA, SUGAR-FREE). Hasil
4
survey disajikan dalam bentuk diagram pie. (Deskriptif,
Primer, Kategorik)
4. Populasi Vs Sampel
Populasi : keseluruhan pengamatan

Sampel = Contoh = sample : himpunan bagian populasi
Ukuran Populasi ( N ) : banyak anggota populasi
Ukuran Sampel ( n ) : banyak anggota sampel
Bias suatu sample :
perbedaan ciri sampel dengan ciri populasi tempat
sampel diambil.
Sampel yang baik adalah sampel dengan bias minimal
Cara mendapatkan sampel dengan bias minimal

adalah dengan mengambil Sampel/ Contoh acak.
4.1. Sampel Acak
Sampel Acak = Sampel Random = Randomized Sample

adalah :
Sampel yang diambil dari populasi di mana setiap
anggota populasi memiliki peluang yang sama terpilih
sebagai anggota sampel.
Cara pengacakan :
(1) Undian,
(2) Tabel Bilangan Acak
(3) Program komputer Tabel Bilangan Acak
5
4.2. Parameter dan Statistik
Parameter : nilai yang menyatakan ciri populasi

Statistik (Statistic) : nilai yang menyatakan ciri sampel
Bedakan antara :
Statistik (tanpa akhiran “a”) = Statistic (without “s”)
dengan :
Statistika (dengan “a”) = Statistics (with “s”).
Penulisan lambang-lambang (Notasi) parameter dengan

statistik juga berbeda.
Perhatikan Tabel berikut ini :
Ciri Parameter Statistik

Rata-rata  = myu x
Standar Deviasi, Simpangan Baku  = tho s
Ragam, Variance ² s²
Proporsi  p atau p
5. Notasi Penjumlahan ()
Bentuk Umum :
n
x i =1
i = x1 + x2 + x3 +... xn
i : indeks dari 1,2,3,..n:
xi : data/nilai/pengamatan ke-i
6
Dalil-1 :
Penjumlahan 2 atau lebih peubah (variabel) = jumlah
masing-masing penjumlahannya
n n n n
 (x
i =1
i + yi + zi ) =  xi +  yi +  zi
i =1 i =1 i =1
i : indeks, 1,2,3,...n
xi : nilai ke-i untuk variabel ke-1
yi : nilai ke-i untuk variabel ke-2
zi : nilai ke-i untuk variabel ke-3
Dalil-2
Jika c adalah konstanta maka :
n n
 cxi = c xi
i =1 i =1
Dalil-3
n
c
i =1
i = nc
5. Fungsi Ceiling dan Fungsi Floor

Fungsi Ceiling  x  :
Pembulatan ke bilangan bulat (integer) terbesar
terdekat
315
.  =4 3.55 = 4 3.89 = 4
Fungsi Floor  x  :
Pembulatan ke bilangan bulat terkecil terdekat
312
. = 3 3.55 =3 3.97 = 3
 selesai 
7
Soal-soal
1. Nyatakan mana data berikut ini yang merupakan data

diskrit dan mana yang merupakan data kontinu ?
a. Banyaknya saham yang dijual tiap hari di pasar
saham.
b. Temperatur yang dicatat setiap tengah hari pada biro
cuaca.
c. Usia hidup tabung televise yang diproduksi oleh
sebuah perusahaan.
d. Pendapatan tahunan guru besar di perguruan tinggi.
e. Panjang 1000 buah palang produksi sebuah pabrik.
2. Nyatakan apakah pernyataaan berikut ini termasuk dalam

statistika diskriptif atau statistika inferensia ?
a. Akibat penurunan produksi minyak negara-negara
penghasil minyak, diramalkan harga minyak akan
menjadi tiga kali lipat pada tahun yang akan datang.
b. Sekurang-kurangnya 10 % dari semua kebakaran yang
terjadi tahun lalu di Indonesia, di akibatkan oleh
tindakan sengaja orang-orang yang tidak bertanggung
jawab.
c. Sebanyak 60 % diantara siswa yang tidak lulus Ujian
Negara ternyata siswa dari sekolah swasta.
d. Dengan mengasumsikan bahwa kerusakan tanaman
padi akibat musim kering yang berkepanjangan
sebesar 20% maka diramalkan kenaikan harga beras
tidak akan lebih dari Rp.500,00 per kilogram.
e. Meninggalnya tiga orang warga di daerah Tanggerang
diperkirakan karena penyakit flu burung.
8
3. Definisikan suatu populasi bagi contoh-contoh berikut ini :
a. Penghuni 200 rumah di kota Depok dihubungi melalui
telepon dan ditanya apakah mereka merasa senang
dengan di bukanya ITC dan Town Square di jalan
Margonda.
b. Dua ratus pasang sepatu tennis jenis baru diuji,
ternyata rata-rata umur pakainya mencapai 4 bulan.
c. Dari lima kali pencatatan , untuk mencapai kantornya
di tengah kota, seseorang memerlukan waktu 21, 26,
24, 22, dan 21 menit.
4. Dari data berikut ini :

i 1 2 3 4 5 6 7 8 9 10
x 13 24 35 46 49 47 86 43 45 76
y 21 17 65 72 53 78 90 56 87 43
z 24 21 69 76 57 82 85 32 65 43
Dengan menggunakan dalil-dalil notasi sigma tentukan :

4
a.  (2xi + i)2
i=1
8
b.  (2xi 2-yi + 3)
i=3
5
c.  (xi + 2) / xi
i=2
d.  xi 2  yi
e.  (2xi - yi + 3 zi )
9
Bab II
Menghimpun Data
1. Pengertian Data
Data → merupakan kumpulan fakta atau angka atau
segala sesuatu yang dapat dipercaya
kebenarannya sehingga dapat digunakan
sebagai dasar menarik suatu kesimpulan

2. Karakteristik serangkaian Data

2.1.Elemen/Unsur :
Serangkaian data meliputi sekumpulan elemen,
masing-masing elemen memiliki informasi tentang
karakteristik elemenyang bersangkutan
2.2.Variabel
Karakteristik elemen yang menjadi perhatian dan
memiliki nilai yang berbeda-beda
2.3.Kasus (= vector observasi)
Informasi yang menyangkut seluruh variable suatu
elemen tertentu
2.4.Observasi / hasil
Suatu unsur dari serangkaian variable tertentu.
3. Menghimpun data melalui penelitian survey

3.1 Tipe Data
• Data Kualitatif
• Data Kuantitatif :
o Kuantitatif Diskrit
o Kuantitatif Kontinu
3.2 Skala Pengukuran
Skala Nominal : tanpa memperhatikan urutan
Skala Ordinal : memperhatikan urutan
Skala Interval : menggunakan range tertentu
Skala ratio : menggunakan titik pusat
4. Menyusun Kuesioner
Tahap terpenting dalam pengumpulan data
Kuesioner memuat berbagai pertanyaan, terdiri atas :
o Identifikasi data, memuat :
identitas responden,
waktu, wawancara
nama, dan kode pewawancara
o Permohonan kerjasama, memuat :
Instansi/lembaga yang melaksanakan wawancara
Maksud dan tujuan wawancara
o Petunjuk pengisian
o Inti kuesioner :
pertanyaan yang berkaitan dengan informasi/data yang
dibutuhkan
o Klasifikasi data :
menunjukkan karakteristik responden
Tahap-tahap dalam menyusun kuesioner :
a. Persiapan
b. Penetapan isi pertanyaan
pendekatan agar responden memiliki kesediaan untuk
memberikan tanggapan :
• Counterbiasing statement
• Indirect Statement
• Randomized response technique
c. Penetapan tipe pertanyaan
• Pertanyaan terbuka
• Pertanyaan tertutup
• Pertanyaan campuran
• Pertanyaan kotomi
d. Penyusunan kalimat
• Kalimat sederhana
• Kalimat harus jelas
• Hindari pertanyaan bersifat mengarahkan
• Hindari pertanyaan ganda dalam satu kalimat
e. Pengurutan pertanyaan
• Menggunakan pertanyaan pembuka yang
sederhana dan menarik
• Mendahulukan pertanyaan yang bersifat umum
• Letakkan pertanyaan yang sulit dan kurang me
narik pada urutan terakhir
• Susun kalimat dengan urutan logik
f. Penetapan karakteristik fisikal
g. Uji Pendahuluan dan perbaikan
5. Pemilihan Sampel
a. Unit Sampling
b. Kerangka Sampling
c. Populasi Kajian
d. Proses Sampling
6. Kesalahan dalam Survei

a. Kesalahan samplingan
populasi yang sebenarnya.
b. Kesalahan non sampling
• Kesalahan dalam pendifinisian masalah
• Kesalahan dalam pendifinisian populasi
• Kerangka sampling yang tidak representative
• Kesalahan tanggapan
• Kesalahan bukan tanggapan
• Kesalahan pengukuran
• Kesalahan dalam menyusun koesioner
BAB III
Data Mentah ( RAW DATA)

Adalah data yang disajikan dalam bentuk belum diolah dan
belum informative
Distribusi frekuensi :
Penyajian data dengan pengelompokan data berdasarkan ciri-
ciri penting sejumlah data, ke dalam beberapa kelas dan meng
hitung banyaknya pengamatan yang masuk ke dalam setiap
kelas.
• Distribusi frekuensi bilangan
o Data berupa angka
o Kelas menurut besar bilangan
• Distribusi frekuensi kategoris
o Data bukan angka
o Kelas berdasarkan sifat lain
Contoh
• Distribusi frekuensi bilangan • Distribusi frekuensi kategoris
Bobot koper (kg) Banyaknya Kategori Banyaknya
7–9 3 Anak-anak 30
10 – 12 7 Gadis 35
13 – 15 17 Bersuami 25
16 – 18 15 Janda 10
19 - 21 8
Langkah-langkah membuat Distribusi Frekuensi :

1. Tentukan Jumlah kelas
2. Tentukan wilayah data/range/jangkauan
3. Tentukan lebar /interval kelas
4. Tentukan limit /batas kelas (atas dan bawah)
5. Tentukan tepi batas kelas/ class boundaries (atas dan bawah)
6. Tentukan titik tengah
7. Tentukan frekuensi masing-masing kelas
8. Jumlahkan kolom frekuensi (jumlah frekuensi = jumlah
pengamatan)
• Jumlah kelas
a. Tergantung keadaan dan banyaknya data
b. Biasanya antara 5 – 20 kelas
c. Dapat ditentukan dengan aturan Sturges :
Jumlah kelas = 1 + 3.322 log n

Dimana :
n = banyaknya pengamatan
pembulatan hasil perhitungan (pembulatan ke
bawah)
• Wilayah data/range/jangkauan
Dihitung berdasarkan : data terbesar – data terkecil
• Lebar /interval kelas

Besarnya : jangkauan : jumlah kelas
Hasil perhitungan di bulatkan ke atas
• Limit /batas kelas (atas dan bawah)

Angka yang membatasi setiap kelas
• Tepi batas kelas/ class boundaries (atas dan bawah)

Pertengahan antara batas kelas bawah kelas ke n dengan
batas kelas atas kelas ke (n-1)
O O O
Batas kelas atas batas kelas bawah
kelas ke n-1 kelas ke n
tepi batas kelas
• Titik tengah
batas kelas bawah + batas kelas atas
2
Distribusi Frekuensi :
Berdasarkan kelas :
• Distribusi frekuensi terbuka
batas kelas tidak jelas
• Distribusi frekuensi tertutup
batas kelas jelas
Berdasarkan interval kelas :
• Kelas sama
Interval kelas sama
• Kelas tidak sama
Terjadi karena :
Penggabungan kelas yang berfrekuensi nol
Perubahan data yang ekstrim
Berdasarkan perhitungan jumlah sample :
a. Distribusi frekuensi sample
b. Distribusi frekuensi relative
c. Distribusi frekuensi kumulatif
i. Kurang dari ( < )
ii. Lebih dari ( > )
Penyajian grafik
• Diagram Balok
Sumbu x : menggunakan selang kelas
Sumbu y : menggunakan frekuensi
• Histogram
Sumbu x : menggunakan tepi batas kelas
• Poligon
Sumbu x : menggunakan titik tengah
• Ogive/Poligon frekuensi kumulatif
Sumbu y : menggunakan frekuensi kumulatif
Soal Latihan peerorangan :
(dikerjakan dalam selembar kertas, dikumpulkan per kelompok)
Nilai hasil ujian Statistika 1 mahasiwa kelas 2 IA 01

Gunadarma tahun 2007-2008 adalah sebagai berikut :
53 59 62 68 73 75 84 88 90 95
67 63 69 71 76 81 85 93 94 97
63 62 67 65 74 79 78 83 87 94
84 88 90 95 67 63 69 71 76 81
Dengan menggunakan metode sturges buatlah
c. Distribusi frekuensi kumulatif (DFK)
Contoh :
Kelas TBK Frekuensi Frek rel

53 - 60 52,5 – 60,5 2 2 : 40 =
61 - 68 60,5 – 68,5 10 10 : 40 =
69 – 76 68,5 – 76,5 dst dst
77 - 84
85 – 92
93 - 100
interval
Jumlah kelas dengan sturges = 6,322 = 6

Range = 97 – 53 = 44
Interval kelas : 44 : 6 = 7,33 ……= 8
Penentuan batas bawah (BB)
BB kelas pertama : 53 ( nilai terkecil data)
BB kelas ke dua = BB kelas pertama (missal 53) + 8 (interval)= 61
BB kelas ke 3 = BB kelas ke 2 ( 61 ) + 8 (interval) = 69 dst
Kurang dari : (DFK <)
Kelas TBK Frekuensi
< 60,5 52,5 – 60,5 2
< 68,5 60,5 – 68,5 12
< 76,5 68,5 – 76,5 dst
dst
Kurang dari sama dengan : (DFK ≤)

Kelas TBK Frekuensi
≤ 60 52,5 – 60,5 2
≤ 68 60,5 – 68,5 12
≤ 76 68,5 – 76,5 dst
dst
Lebih dari : (DFK >)

Kelas TBK Frekuensi
> 52,5 52,5 – 60,5 40
> 60,5 60,5 – 68,5 38
> 68,5 68,5 – 76,5 dst
dst
Kurang dari sama dengan : (DFK ≥)

Kelas TBK Frekuensi
≥ 53 52,5 – 60,5 40
≥ 61 60,5 – 68,5 38
≥ 69 68,5 – 76,5 dst
dst
Bab IV
Ukuran Statistik
1. Pendahuluan
Ukuran Statistik (diskripsi data):
1. Ukuran Pemusatan
Bagaimana, di mana data berpusat?
 Rata-Rata Hitung = Arithmetic Mean
 Median
 Modus
 Kuartil, Desil, Persentil
2. Ukuran Penyebaran
Bagaimana penyebaran data?
 Ragam, Varians
 Simpangan Baku
Ukuran Statistik akan mencakup untuk :

1. Ungrouped Data
Data yang belum dikelompokkan
2. Grouped Data
Data yang telah dikelompokkan
➔ Tabel Distribusi Frekuensi
2. Ukuran Pemusatan
2.1. Rata-Rata Hitung = Arithmetic Mean

Notasi :  : rata-rata hitung populasi
x : rata-rata hitung sampel
a. Rata-Rata Hitung untuk Ungrouped Data

N
 xi
n
x i
= i =1
dan x = i =1
N n
Dimana :
 : rata-rata hitung populasi x : rata-rata hitung sampel
N : ukuran Populasi n : ukuran Sampel
xi : data sampel /populasi ke i
b. Rata-Rata hitung untuk Grouped Data

➢ Nilai merupakan pendekatan
➢ berhubungan dengan rata-rata hitung sample
➢ tidak berlaku untuk data kelompok dengan kelas
terbuka
• Metode Defisional
n
fx
n
i =1
i i
fx
i =1
i i
𝑥̅ = sehingga : 𝑥̅ =
n

𝑛
fi
i =1
Dimana :
𝑥̅ : rata-rata hitung sampel fi : frekuensi di kelas ke-i
n : ukuran Sampel xi : Titik Tengah Kelas ke-i
• Metode pendugaan
dengan suatu nilai dugaan (M)
 fi di
x = M + i =1
n
Dimana :
di = x i – M
xi : Titik Tengah Kelas ke-i
M : dapat ditentukan sembarang !
Tidak ada cara khusus!
atau …..
M dapat ditentukan dengan :
Titik Tengah Kelas (xi) pada Kelas tepat di tengah TDF
• jika banyak kelas (k) ganjil
maka ambil (xi) pada kelas ke k + 1 (kelas yang di
2
tengah-tengah)
• jika banyak kelas (k) genap
k k
maka gunakan (xi) pada kelas ke dan kelas ke +1
2 2
selanjutnya kedua nilai (xi) tersebut dibagi dua
• Metode pengkodean
dengan menggunakan kode U
hanya bisa untuk interval kelas sama
n
U
i =1
i fi
𝑥̅ = 𝑥𝑎 + 𝑖
𝑛
[ ]
Dimana :
i : interval Ui : kode kelas ke – i
n : ukuran sample fi : frekuensi kelas ke i
xa : Titik Tengah Kelas dengan Ui = 0
Cara menentukan nilai Ui

U=0 → untuk kelas dengan frekuensi tertinggi
U = negative → untuk kelas di atas kelas dengan
frekuensi tertinggi (U = 0)
U = positif → untuk kelas di bawah kelas dengan
Sifat-sifat :
1. Jumlah aljabar simpangan / deviasi suatu himpunan
bilangan dari nilai rata-rata hitung = 0
n
i =1
(𝑥𝑖 − 𝑥̅ )= 0
2. Jumlah kuadrat simpangan suatu himpunan bilangan 𝑥𝑖

dari nilai rata-rata hitung x adalah minimum
n
i =1
(𝑥𝑖 − 𝑥̅ )2 = 𝑚𝑖𝑛𝑖𝑚𝑢𝑚
3. Untuk data tersebar , jika :

f1 bilangan mempunyai nilai tengah m1
:
:
fk bilangan mempunyai nilai tengah mk
𝑓1 𝑚1 +𝑓2 𝑚2 +𝑓3 𝑚3 +⋯+𝑓𝑘 𝑚𝑘

𝑥̅ =
𝑓1 +𝑓2 +𝑓3 +⋯+𝑓𝑘
2.2 Modus
Nilai yang paling sering muncul
Nilai yang frekuensinya paling tinggi
a. Modus untuk Ungrouped Data

Kemungkinan yang terjadi :
data mempunyai beberapa modus (multi-modus)
data tidak mempunyai modus
b. Modus untuk Grouped Data
 d1 
Modus = TBB Kelas Modus + i  
 d1 + d 2 
di mana :
Kelas Modus : Kelas di mana Modus berada
Kelas dengan frekuensi tertinggi
TBB : Tepi Batas Bawah
d1 : Beda Frekuensi Kelas Modus dengan
Frekuensi Kelas sebelumnya
Frekuensi Kelas sesudahnya
I : interval kelas
𝑇𝑒𝑝𝑖 𝐵𝑎𝑡𝑎𝑠 𝐵𝑎𝑤𝑎ℎ 𝑘𝑒𝑙𝑎𝑠 𝑘𝑒 𝑖 =

𝑏𝑎𝑡𝑎𝑠 𝑏𝑎𝑤𝑎ℎ 𝑘𝑒𝑙𝑎𝑠 𝑘𝑒 𝑖 − 𝑏𝑎𝑡𝑎𝑠 𝑎𝑡𝑎𝑠 𝑘𝑒𝑙𝑎𝑠 𝑘𝑒 (𝑖 − 1)
2
𝑇𝑒𝑝𝑖 𝐵𝑎𝑡𝑎𝑠 𝑎𝑡𝑎𝑠 𝑘𝑒𝑙𝑎𝑠 𝑘𝑒 𝑖 =

𝑏𝑎𝑡𝑎𝑠 𝑎𝑡𝑎𝑠 𝑘𝑒𝑙𝑎𝑠 𝑘𝑒 𝑖 − 𝑏𝑎𝑡𝑎𝑠 𝑏𝑎𝑤𝑎ℎ 𝑘𝑒𝑙𝑎𝑠 𝑘𝑒 (𝑖 − 1)
2
Sifat-sifat :
• Tidak dipengaruhi angka ekstrim
• Dapat dihitung dari data kelompok
• Dapat dicari dari data kualitatif
• Merupakan ukuran pusat data semu
Contoh 1. :
a. Nilai rata-rata hitung dengan metode defisional
Kelas Titik Tengah Kelas Frekuensi fi xi

(xi) (fi)
16-23 19.5 10 195
24-31 27.5 17 467.5
32-39 35.5 7 248.5
40-47 43.5 10 435
48-55 51.5 3 154.5
56-63 59.5 3 178.5
Jumlah () 50 1679
1679
x = = 33.58
50
b. Nilai rata-rata hitung dengan metode pengkodean
Kelas xi M di Frekuensi fi di
(fi)
16-23 19.5 39.5 -20 10 -200
24-31 27.5 39.5 -12 17 -204
32-39 35.5 39.5 - 4 7 -28
40-47 43.5 39.5 4 10 40
48-55 51.5 39.5 12 3 36
56-63 59.5 39.5 20 3 60
Jumlah () 0 50 -296
n
fd
i =1
i i
x= M+
n
− 295
= 39.5 + = 39.5 − 592
. = 3358
.
50
Contoh 2. :
Sumbangan PMI warga Depok
Rp. 7500 8000 9000 8000 3000 5000 8000
Modus : Rp. 8000
Contoh 3. :
1. Berat 5 orang bayi :
3.6 3.5 2.9 3.1 3.0
(Tidak Ada Modus)
2. Umur Mahasiswa :
19 18 19 18 23 21
19 21 18 20 22 17
Modus : 18 dan 19
Contoh 4. :
Kelas Frekuensi (fi)

16-23 10
24-31 17
32-39 7
40-47 10
48-55 3
56-63 3
Jumlah () 50
Kelas Modus = 24 - 31
TBB Kelas Modus = 23.5
i (interval) = 8
frek. kelas Modus = 17
frek. kelas sebelum kelas Modus = 10
frek. kelas sesudah kelas Modus = 7
d1 = 17 - 10 = 7
d2 = 17 - 7 = 10
 7 
Modus = 23.5 + 8  
 7 + 10 
 7
= 23.5 + 8 
 17 
= 23.5 + 8 (0.41176...)
= 23.5 + 3.2941...
= 26.7941...  27
2.3. Median, Kuartil, Desil dan Persentil
Median → Nilai yang membagi gugus data yang telah

tersortir (ascending) menjadi 2 bagian yang sama
besar
Kuartil → Nilai yang membagi gugus data yang telah

besar
Desil → Nilai yang membagi gugus data yang telah

tersortir (ascending) menjadi 10 bagian yang
sama besar
Persentil → Nilai yang membagi gugus data yang telah

sama besar
A. Median, Kuartil, Desil dan Persentil untuk Ungrouped
Data
A.1. Median untuk Ungrouped Data

Ukuran Statistik Jumlah Letak Keterangan
Median ( M) 1 𝑛+1
2
Kuartil (Q) 3 𝑞(𝑛 + 1) q = nomor kuartil
4
Desil (D) 9 𝑑(𝑛 + 1) D = nomor desil
10
Presentil (P) 99 𝑝(𝑛 + 1) P = nomor presentil
100
Teknik Penghitungan Nilai Kuartil ke-q, Desil ke-d,
Persentil ke-p
a. Sorting data dari nilai terkecil hingga terbesar
b. Cari letak median, kuartil, desil, presentil
Misalkan didapat :
letak Kuartil ke-q/Desil ke-d/Persentil ke-p
= Data ke-i.j (berupa bilangan pecahan)
Maka :
Nilai Kuartil ke-q/Desil ke-d/Persentil ke-p
= Nilai data ke-i + [0.j (Nilai Data ke-i+1–
Nilai Data ke-i)]
B. Median, Kuartil, Desil dan Persentil untuk Grouped

Data
• Nilainya merupakan pendekatan
• Penentuan letak :
Median ( M) 1 𝑛
2
Kuartil (Q) 3 𝑞(𝑛) q = nomor kuartil
4
Desil (D) 9 𝑑(𝑛) D = nomor desil
10
Presentil (P) 99 𝑝(𝑛) P = nomor presentil
100
B.1. Median untuk Grouped Data
Kelas Median : Kelas di mana Median berada

Kelas Median didapatkan dengan membandingkan
Letak Median dengan Frekuensi Kumulatif
 
Median = TBB Kelas Median + i  s 
 fM 
atau
Median = TBA Kelas Median - i  s' 

 
 fM 
n
Letak Median = n: banyak data
2
dimana :
s : selisih antara Letak Median dengan
Frekuensi Kumulatif sebelum kelas Median
TBA : Tepi Batas Atas
s’ : selisih antara Frekuensi Kumulatif sampai
kelas Median dengan Letak Median
i : interval kelas
fM : Frekuensi kelas Median
B.2. Kuartil untuk Grouped Data
Kelas Kuartil ke-q : Kelas di mana Kuartil ke-q berada

Kelas Kuartil ke-q didapatkan dengan membandingkan
Letak Kuartil ke-q dengan Frekuensi Kumulatif
qn
Letak Kuartil ke-q = ,
4
q = 1. 2.3 dan n : banyak data
Kuartil ke-q = TBB Kelas Kuartil ke-q + i  s `

f 
 Q
Atau
 
Kuartil ke-q =TBA Kelas Kuartil ke-q - i  s' 
 fQ 
dimana :
s : selisih antara Letak Kuartil ke-q dengan
Frekuensi Kumulatif sebelum kelas Kuartil
ke-q
s’ : selisih antara Frekuensi Kumulatif
sampai kelas Kuartil ke-q dengan Letak
Kuartil ke-q
i : interval kelas
fQ : Frekuensi kelas Kuartil ke-q
B.3. Desil untuk Grouped Data
Kelas Desil ke-d : Kelas di mana Desil ke-d berada

Kelas Desil ke-d didapatkan dengan membandingkan
Letak Desil ke-d dengan Frekuensi Kumulatif
Letak Desil ke-d = d  n ,
10
d = 1, 2, 3, . . . 9 n : banyak data
 s 
Desil ke-d = TBB Kelas Desil ke-d + i  
 fD 
atau
 s' 
Desil ke-d =TBA Kelas Desil ke-d - i  
 fD 
dimana :
S : selisih antara Letak Desil ke-d dengan
Frekuensi Kumulatif sebelum kelas
Desil ke-d
sampai kelas Desil ke-d dengan Letak
Desil ke-d
i : interval kelas
fD : Frekuensi kelas Desil ke-d
B.4. Persentil untuk Grouped Data
Kelas Persentil ke-p : Kelas di mana Persentil ke-p berada

Kelas Persentil ke-p didapatkan dengan membandingkan
Letak Persentil ke-p dengan Frekuensi Kumulatif
pn
Letak Persentil ke-p = ,
100
p = 1, 2, 3, . . . 99 n : banyak data
Persentil ke-p = TBB Kelas Persentil ke-p + i  s 

 fP 
atau
 s' 
Persentil ke-p = TBA Kelas Persentil ke-p - i  
 fP 
dimana :
s : selisih antara Letak Persentil ke-p dengan
Frekuensi Kumulatif sebelum kelas Persentil
ke-p
kelas Persentil ke-p dengan Letak Persentil ke-p
i : interval kelas
fP : Frekuensi kelas Persentil ke-p
Contoh 1 :
Tinggi Badan 5 mahasiswa:
1.75 1.78 1.60 1.73 1.78 meter
Sorted :
1.60 1.73 1.75 1.78 1.78 meter
n=5
5+1 6
Letak Median = = =3
2 2
Median = Data ke-3 = 1.75
Contoh 2:
Tinggi 6 mahasiswa :
1.60 1.73 1.75 1.78 1.78 1.80

meter (Sorted)
n= 6
6+1 7
Letak Median → = = 3.5
2 2
Median
= 1  (Data ke 3 + Data ke 4)
2
= 1  (1.75 + 1.78) = 1.765
2
= Data ke-3 + 0.5 (Data ke-4 – Data ke-3)
= 1.75 + 0.5 (1.78 – 1.75)
= 1.75 + (0.5  0.02)
= 1.75 + 0.015 = 1.765
Contoh 3:
Terdapat 253 data yang sudah tersortir ascending
Data ke-190 bernilai 175 ;Data ke-191 bernilai 180
Letak Kuartil ke-3 =
3( n + 1 ) 3( 253 + 1 ) 762
= = = 190.5
4 4 4
Nilai Kuartil ke-3
= Data ke 190 + 0.5 (Data ke-191 – Data ke-190)
= 175 + 0.5 (180 – 175) = 175 + (0.5 5)
= 175 + 2.5 = 177.5
Letak Desil ke-2 =

2( n + 1 ) 2( 253 + 1 )
= = 508 = 50.8
10 10 10
Nilai Desil ke-2
= Data ke-50 + 0.8 (Data ke-51 – Data ke-50
= 45 + 0.8 (48 - 45)
= 45 + (0.8  3)
= 45 + 2.4 = 47.4
Letak Persentil ke-65 =

65( n + 1 ) 65( 253 + 1 ) 16510
= = = 165.1
100 100 100
Nilai Persentil ke-65
= Data ke 165 + 0.1 (Data ke-166 – data ke-165)
= 100 + (0.1 2)
= 100 + 0.2 = 100.2
Contoh 4: Kelas Median

Kelas Frekuensi Frek. Kumulatif
16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 – 63 3 50
 50 ----
n 50
Letak Median = = = 25 interval = i = 8
2 2
Median = Data ke-25 terletak di kelas 24-31
Kelas Median = 24 - 31
TBB Kelas Median = 23.5
TBA Kelas Median = 31.5
f M = 17
Frek. Kumulatif sebelum Kelas Median = 10
→ s = 25 - 10 = 15
Frek. Kumulatif sampai Kelas Median = 27
→ s’ = 27 - 25 = 2
Median = TBB Kelas Median + i  s 
 fM 
= 23.5 + 8  15 
 17 
= 23.5 + 8 (0.8823...)
= 23.5 + 7.0588...
= 30.5588...  30.6
Median = TBA Kelas Median - i  s' 
 fM 
31.5 - 8  
2
=
 17 
= 31.5 - 8 (0.1176...)
= 31.5 - 0.9411..= 30.5588...  30.6
Contoh 5: Tentukan Kuartil ke-3

16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 – 63 3 50
 50 ----
Kelas Kuartil ke-3
interval = i = 8
3n 3  50
Letak Kuartil ke-3 = = = 37.5
4 4
Kuartil ke-3 = Data ke-37.5 terletak di kelas 40 - 47
Kelas Kuartil ke-3 = 40 - 47
TBB Kelas Kuartil ke-3 = 39.5
TBA Kelas Kuartil ke-3 = 47.5
f Q3 = 10
Frek. Kumulatif sebelum Kelas Kuartil ke-3 = 34
→ s = 37.5 - 34 = 3.5
Frek. Kumulatif sampai Kelas Kuartil ke-3 = 44
→ s’ = 44 - 37.5 = 6.5
Kuartil ke-3 = TBB Kelas Kuartil ke-3 + i  s 
f 
 Q
= 39.5 + 8  35
. 

 10 
= 39.5 + 8 (0.35)
= 39.5 + 2.8 = 42.3
Kuartil ke-3 = TBA Kelas Kuartil ke-3 - i  s' 
 
 fQ 
 6.5
= 47.5 - 8  
 10 
= 47.5 - 8 ( 0.65)
= 47.5 - 5.2 = 42.3
Contoh 6: Tentukan Desil ke-9

16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 - 63 3 50
 50 ----
Kelas Desil ke-9
interval = i = 8
9n 9  50
Letak Desil ke-9 = = = 45
10 10
Desil ke-9 = Data ke-45 terletak di kelas 48 - 55
Kelas Desil ke-9 = 48 - 55
TBB Kelas Desil ke-9 = 47.5
TBA Kelas Desil ke-9 = 55.5
f D9 = 3
Frek. Kumulatif sebelum Kelas Desil ke-9 = 44
→ s = 45 - 44 = 1
Frek. Kumulatif sampai Kelas Desil ke-9 = 47
→ s’ = 47 - 45 = 2
Desil ke-9 = TBB Kelas Desil ke-9 + i  s 
 fD 
= 47.5 + 8  1 
 3
= 47.5 + 8 (0.333...)
= 47.5 + 2.66...
= 50.166...
 s' 
Desil ke-9 = TBA Kelas Desil ke-9 - i  
 fD 
= 55.5 - 8  2 
 3
= 47.5 - 8 ( 0.666...)
= 55.5 -5.33...
= 50.166...
Contoh 7: Tentukan Persentil ke-56

16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 – 63 3 50
 50 ----
Kelas Persentil ke-56
interval = i = 8
56n 56  50
Letak Persentil ke-56 = = = 28
100 100
Persentil ke-56 = Data ke-28 terletak di kelas 32 - 39
Kelas Persentil ke-56 = 32 - 39
TBB Kelas Persentil ke-56 = 31.5
TBA Kelas Persentil ke-56 = 39.5
f P56 = 7
Frek. Kumulatif sebelum Kelas Persentil ke-56 = 27
→ s = 28 - 27 = 1
Frek. Kumulatif sampai Kelas Persentil ke-56 = 34
→ s’ = 34 - 28 = 6
 s
Persentil ke-56 = TBB Kelas Persentil ke-56 + i  
 fP 
= 31.5 + 8  1 
 
7
= 31.5 + 8 (0.142...)
= 31.5 + 1.142..
= 32.642...
 s' 
Persentil ke-56 = TBA Kelas Persentil ke-56 - i  
 fP 
= 39.5 - 8  6 
 7
= 39.5 - 8 (0.857...)
= 39.5 - 6.857...
= 32.642...
2.4 Rata-Rata Tertimbang (Weighted Mean)
Dalam beberapa kasus setiap nilai diberi beban.

misalnya : pada kasus perhitungan Indeks Prestasi,
Potongan Harga Barang, dll
n
Bx
i =1
i i
xB = n
B
i =1
i
Dimana
xB : rata-rata tertimbang xi : data ke-I
Bi : beban ke-I n: banyak data
2.5 Rata-Rata Geometrik (Geometric Mean)
Rata-rata geometrik digunakan untuk menghitung rata-rata

laju pertumbuhan (growth rate).
misalnya : pertumbuhan penduduk, penjualan, tingkat bunga
dll.
G = n x1  x2  x3    xn
atau
log x1 + log x 2 + log x 3 +    + log x n

log G =
n
ingat !!!
G = antilog (log G)
Dimana
G : rata-rata geometrik
xi : data ke-I
n : banyak data
Meliputi :
• Jangkauan :
o Beda antara data terbesar dengan data terkecil
• Inter quartile :
o Beda antara Quartile ke3 dengan Quartile ke 1
• Deviasi kuartil :
o Rata-rata hitung inter kuartil
• Deviasi rata-rata :
o Rata-rata beda absolute antara data observasi
individu dengan pusat data (nilai rata-rata)
• Variasi :
o Variabilitas data yang merupakan rata-rata
selisih/beda kuadrat antara data observasi dengan
pusat data (nilai rata-rata)
• Simpangan baku
• Koefisien variasi
3.1 Inter quartile = Q3 – Q1
3.2 Deviasi Quartil = Q3 – Q1

2
3.3 Deviasi rata-rata
3.3.1 Deviasi rata-rata untuk Ungrouped Data
POPULASI :
N
 xi − 
Deviasi rata - rata = i =1

SAMPEL :
n
 xi − x
n
3.3.2 Deviasi rata-rata untuk Grouped Data
POPULASI :
k
f i  xi − 

SAMPEL :
k
 fi  xi − x
n
3.4 Ragam = Varians (Variance) dan Simpangan Baku =

Standar Deviasi (Standard Deviation)
3.4.1. Ragam dan Simpangan Baku untuk Ungrouped Data
POPULASI :
N N
N  xi 2 − (  xi ) 2
N
 (x i − ) 2
2 = i =1 atau 2 = i =1 i =1
 N2
dan  = 2
SAMPEL :
n n n
 (x i − x )2 n xi 2 − (  xi )2
i =1 i =1
s2 = i =1
atau s2 =
n −1 n( n − 1)
dan s= s2
Dimana :
x i : data ke-i
 : rata-rata populasi x : rata-rata sampel
² : ragam populasi s² : ragam sampel
 : simpangan baku populasi s : simpangan baku sampel
N : ukuran populasi n : ukuran sampel
3.4.2. Ragam dan Simpangan Baku untuk Grouped Data
POPULASI :
k
 f i  ( xi −  ) 2
 2
= i =1
dan  = 2

SAMPEL :
k
f  ( xi − x ) 2
s = s2
i
i =1
s2 = dan
n −1
Dimana :
x i : Titik Tengah Kelas ke-i f i : frekuensi kelas ke-i
k : banyak kelas
3.5. Koefisien Ragam
Koefisien Ragam = Koefisien Varians
Semakin besar nilai Koefisien Ragam maka data semakin
bervariasi, keragaman data makin tinggi.
Untuk Populasi
→ Koefisien Ragam = 
 100%

Untuk Sampel
s
→ Koefisien Ragam =  100%
x
3.6. Angka Baku (z-score)
• Angka baku adalah ukuran penyimpangan data dari

rata-rata populasi .
• z dapat bernilai nol (0), positif (+) atau negatif (-)
• z nol → data bernilai sama dengan rata-rata
populasi
• z positif → data bernilai di atas rata-rata populasi
• z negatif → data bernilai di bawah rata-rata
populasi
x−
z=

Dimana :
z : Angka baku x : nilai data
 : rata-rata populasi  : simpangan baku populasi
 selesai 
Penyajian Data dalam Distribusi Frekuensi (Group Data)
1. Perhitungan Ukuran Pusat Statistik
a. Penentuan /Perhitungan Nilai rata-rata

a.1. Defisional a.2. Pendugaan a.3. Pengkodean
Kelas (k) TBK Titik tengah frekuensi M di Ui Ui . Fi
i BK TBB TBA xi fi xi . Fi nilai duga xi - di fi . Di
1 16-23 15.5 23.5 19.5 10 195 39.5 -20 -200 -1 -10
2 24-31 23.5 31.5 27.5 17 467.5 39.5 -12 -204 0 0
3 32-39 31.5 39.5 35.5 7 248.5 39.5 -4 -28 1 7
4 40-47 39.5 47.5 43.5 10 435 39.5 4 40 2 20
5 48-55 47.5 55.5 51.5 3 154.5 39.5 12 36 3 9
6 56-63 55.5 63.5 59.5 3 178.5 39.5 20 60 4 12
Jumlah
50 1679 237 0 -296 9 38
(S)
k k

k
f x  fid i  f iU i
i . i
x  M  i 1
x  Xa  i 1
x  i1
n n
n
b. Penentuan /Perhitungan Modus
Kelas (k) TBK Titik tengah frekuensi Keterangan

i BK TBB TBA xi fi
1 16-23 15.5 23.5 19.5 10 𝒅𝟏 = 17 - 10
kelas modus
2 24-31 23.5 31.5 27.5 17
𝒅𝟐 = 17 - 7
3 32-39 31.5 39.5 35.5 7
4 40-47 39.5 47.5 43.5 10
5 48-55 47.5 55.5 51.5 3
6 56-63 55.5 63.5 59.5 3

Jumlah
50
(S)
Xa
 d1 
 d1  d 2 
 7 
Modus = 23.5 + 8  
 7 1  10 
Modus = 23.5 + 8 (7 /17)
c. Penentuan /Perhitungan Median, Kuartil , Desil, Presentil
Kelas (k) TBK Titik tengah frekuensi FKm Penentuan letak :

i BK TBB TBA xi fi
1 16-23 15.5 23.5 19.5 10 10 s = 25 - 10 Ukuran Statistik Jumlah Letak Keterangan

𝑛
2 24-31 23.5 31.5 27.5 17 27 s' = 27 - 25 kelas median Median ( M) 1
2
𝑞. 𝑛
3 32-39 31.5 39.5 35.5 7 34 s = 37.5 - 34 Kuartil (Q) 3 q = nomor kuartil
4
40-47 39.5 47.5 43.5 10 44 s' = 44 - 37.5 kelas 𝑄3 Desil (D) 9 𝑑. 𝑛 D = nomor desil
4
10
48-55 47.5 55.5 51.5 3 47 Presentil (P) 99 𝑝. 𝑛 P = nomor presentil
5
100
6 56-63 55.5 63.5 59.5 3 50
Jumlah
50
(S)
TBB 𝑄3 TBB kelas Median

Median :
Letak Median = 𝑛 = 25
2
 s 
Median = TBB Kelas Median + i  
 fM 
 
 
 15 
Median = 23.5 + 8  17  =
 
 
 
Quartil ke 3 = 𝑄3
Letak 𝑄3 3. 𝑛
= = 3 x 50 = 37.5
4 4
TBB=Kelas Kuartil ke-q + i  s
Kuartil ke-q 
`
f 
 
Q
 3 .5 
Kuartil ke-q
39.5=+ 8   ` = ….
 10 
Untuk Desil dan Presentil sama , hanya edikit berbeda cara mencari letaknya ( lihat rumus)
d. Penentuan /Perhitungan Deviasi rata-rata , Varians dan standart deviasi
Kelas (k) TBK Titik tengah frekuensi deviasi rata2 varians σ2

𝑥𝑖 − µ
i BK TBB TBA xi fi 𝑥𝑖 − µ 𝑥𝑖 − µ . 𝑓𝑖 (𝑥𝑖 − µ) 2
(𝑥𝑖 − µ)2 . 𝑓𝑖
1 16-23 15.5 23.5 19.5 10 -14.08 14.08 140.8 140.8 1982.464
2 24-31 23.5 31.5 27.5 17 -6.08 6.08 103.36 103.36 628.4288
3 32-39 31.5 39.5 35.5 7 1.92 1.92 13.44 13.44 25.8048
4 40-47 39.5 47.5 43.5 10 9.92 9.92 99.2 99.2 984.064
5 48-55 47.5 55.5 51.5 3 17.92 17.92 53.76 53.76 963.3792
6 56-63 55.5 63.5 59.5 3 25.92 25.92 77.76 77.76 2015.5392
Jumlah
50 488.32 6599.68
(S)
k

k
f i  xi   f i  ( xi   ) 2
Deviasi rata - rata  i 1

 2
 i 1
Standart deviasi (σ)
σ = σ2
Bab IV
Ukuran Statistik
1. Pendahuluan
1. Ukuran Pemusatan
 Median
 Modus
 Ragam, Varians
 Simpangan Baku

1. Ungrouped Data
2. Grouped Data
 Tabel Distribusi Frekuensi
2. Ukuran Pemusatan


N
 xi
n
x i
 i 1
dan x  i 1
N n
Dimana :

 Nilai merupakan pendekatan
 berhubungan dengan rata-rata hitung sample
 tidak berlaku untuk data kelompok dengan kelas
terbuka
 Metode Defisional
n
fx
n
i 1
i i
fx
i 1
i i
n
f
𝑛
i
i 1
Dimana :
 Metode pendugaan
 fi di
x  M  i 1
n
Dimana :
di = x i – M
atau …..
 jika banyak kelas (k) ganjil
maka ambil (xi) pada kelas ke k  1 (kelas yang di
2
tengah-tengah)
 jika banyak kelas (k) genap
k k
2 2
 Metode pengkodean
n
U
i 1
f
i i
𝑥̅ = 𝑥𝑎 + 𝑖
𝑛
[ ]
Dimana :

Sifat-sifat :
n
i 1
(𝑥𝑖 − 𝑥̅ )= 0

n
i 1

:
:
𝑓1 𝑚1 +𝑓2 𝑚2 +𝑓3 𝑚3 +⋯+𝑓𝑘 𝑚𝑘

𝑥̅ =
𝑓1 +𝑓2 +𝑓3 +⋯+𝑓𝑘
2.2 Modus

 d1 
 d1  d 2 
di mana :
I : interval kelas

2

2
Sifat-sifat :
 Tidak dipengaruhi angka ekstrim
 Dapat dihitung dari data kelompok
 Dapat dicari dari data kualitatif
 Merupakan ukuran pusat data semu
Contoh 1. :

(xi) (fi)
16-23 19.5 10 195
24-31 27.5 17 467.5
32-39 35.5 7 248.5
40-47 43.5 10 435
48-55 51.5 3 154.5
56-63 59.5 3 178.5
Jumlah () 50 1679
1679
x = = 33.58
50
(fi)
16-23 19.5 39.5 -20 10 -200
24-31 27.5 39.5 -12 17 -204
32-39 35.5 39.5 - 4 7 -28
40-47 43.5 39.5 4 10 40
48-55 51.5 39.5 12 3 36
56-63 59.5 39.5 20 3 60
Jumlah () 0 50 -296
n
fdi 1
i i
x M
n
 295
= 39.5   39.5  5.92  3358
.
50
Contoh 2. :
Rp. 7500 8000 9000 8000 3000 5000 8000
Modus : Rp. 8000
Contoh 3. :
3.6 3.5 2.9 3.1 3.0
(Tidak Ada Modus)
2. Umur Mahasiswa :
19 18 19 18 23 21
19 21 18 20 22 17
Modus : 18 dan 19
Contoh 4. :

16-23 10
24-31 17
32-39 7
40-47 10
48-55 3
56-63 3
Jumlah () 50
i (interval) = 8
d1 = 17 - 10 = 7
d2 = 17 - 7 = 10
 7 
Modus = 23.5 + 8  
 7  10 
 7
= 23.5 + 8 
 17 
= 23.5 + 8 (0.41176...)
= 23.5 + 3.2941...
= 26.7941...  27
Median  Nilai yang membagi gugus data yang telah

besar
Kuartil  Nilai yang membagi gugus data yang telah

besar
Desil  Nilai yang membagi gugus data yang telah

sama besar
Persentil  Nilai yang membagi gugus data yang telah

sama besar
Data

2
4
10
100
Persentil ke-p
Misalkan didapat :
Maka :
Nilai Data ke-i)]

Data
 Nilainya merupakan pendekatan
 Penentuan letak :
Median ( M) 1 𝑛
2
4
10
100

 
 fM 
atau

 
 fM 
n
2
dimana :
i : interval kelas

qn
4

f 
 Q
Atau
 
 fQ 
dimana :
ke-q
Kuartil ke-q
i : interval kelas

10
d = 1, 2, 3, . . . 9 n : banyak data
 s 
 fD 
atau
 s' 
 fD 
dimana :
Desil ke-d
Desil ke-d
i : interval kelas

pn
100
p = 1, 2, 3, . . . 99 n : banyak data

 fP 
atau
 s' 
 fP 
dimana :
ke-p
i : interval kelas
Contoh 1 :
1.75 1.78 1.60 1.73 1.78 meter
Sorted :
1.60 1.73 1.75 1.78 1.78 meter
n=5
51 6
Letak Median = = =3
2 2
Contoh 2:
1.60 1.73 1.75 1.78 1.78 1.80

meter (Sorted)
n= 6
61 7
Letak Median  = = 3.5
2 2
Median
2
= 1  (1.75 + 1.78) = 1.765
2
= 1.75 + 0.5 (1.78 – 1.75)
= 1.75 + (0.5  0.02)
= 1.75 + 0.015 = 1.765
Contoh 3:
3( n  1 ) 3( 253  1 ) 762
   190 .5
4 4 4
Nilai Kuartil ke-3
= 175 + 0.5 (180 – 175) = 175 + (0.5 5)
= 175 + 2.5 = 177.5
Letak Desil ke-2 =

2( n  1 ) 2( 253  1 )
  508  50.8
10 10 10
Nilai Desil ke-2
= 45 + 0.8 (48 - 45)
= 45 + (0.8  3)
= 45 + 2.4 = 47.4

65( n  1 ) 65( 253  1 ) 16510
   165 .1
100 100 100
= 100 + (0.1 2)
= 100 + 0.2 = 100.2

16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 – 63 3 50
 50 ----
n 50
2 2
 Kelas Median = 24 - 31
f M = 17
 s = 25 - 10 = 15
 s’ = 27 - 25 = 2
 fM 
= 23.5 + 8  15 
 17 
= 23.5 + 8 (0.8823...)
= 23.5 + 7.0588...
= 30.5588...  30.6
 fM 
31.5 - 8  
2
=
 17 
= 31.5 - 8 (0.1176...)
= 31.5 - 0.9411..= 30.5588...  30.6

16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 – 63 3 50
 50 ----
Kelas Kuartil ke-3
interval = i = 8
3n 3  50
4 4
 Kelas Kuartil ke-3 = 40 - 47
f Q3 = 10
 s = 37.5 - 34 = 3.5
 s’ = 44 - 37.5 = 6.5
f 
 Q
= 39.5 + 8  3.5
 10 
= 39.5 + 8 (0.35)
= 39.5 + 2.8 = 42.3
 
 fQ 
 6.5
= 47.5 - 8  
 10 
= 47.5 - 8 ( 0.65)
= 47.5 - 5.2 = 42.3

16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 - 63 3 50
 50 ----
Kelas Desil ke-9
interval = i = 8
9n 9  50
10 10
 Kelas Desil ke-9 = 48 - 55
f D9 = 3
 s = 45 - 44 = 1
 s’ = 47 - 45 = 2
 fD 
= 47.5 + 8  1
 3
= 47.5 + 8 (0.333...)
= 47.5 + 2.66...
= 50.166...
 s' 
 fD 
= 55.5 - 8  2 
 3
= 47.5 - 8 ( 0.666...)
= 55.5 -5.33...
= 50.166...

16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 – 63 3 50
 50 ----
interval = i = 8
56n 56  50
100 100
 Kelas Persentil ke-56 = 32 - 39
f P56 = 7
 s = 28 - 27 = 1
 s’ = 34 - 28 = 6
 s
 fP 
= 31.5 + 8  1 
 
7
= 31.5 + 8 (0.142...)
= 31.5 + 1.142..
= 32.642...
 s' 
 fP 
= 39.5 - 8  6 
 7
= 39.5 - 8 (0.857...)
= 39.5 - 6.857...
= 32.642...

n
Bx
i 1
i i
xB  n
B
i 1
i
Dimana

dll.
G  n x1  x2  x3    xn
atau
log x 1  log x 2  log x 3      log x n

log G =
n
ingat !!!
G = antilog (log G)
Dimana
xi : data ke-I
n : banyak data
Meliputi :
 Jangkauan :
 Inter quartile :
 Deviasi kuartil :
 Deviasi rata-rata :
 Variasi :
 Simpangan baku
 Koefisien variasi

2
POPULASI :
N
 xi  

SAMPEL :
n
 xi  x
n
POPULASI :
k
 fi  xi  

SAMPEL :
k
 fi  xi  x
n

POPULASI :
N N
N  xi 2  (  xi ) 2
N
 (x i  ) 2
2  i 1 atau 2  i 1 i 1
 N2
dan   2
SAMPEL :
n n n
 (x i  x )2 n xi 2  (  xi )2
i 1 i 1
s2  i 1
atau s2 
n 1 n( n  1)
dan s s2
Dimana :
x i : data ke-i
POPULASI :
k
 f i  ( xi   ) 2
 2
 i 1
dan   2

SAMPEL :
k
f  ( xi  x ) 2
s  s2
i
i 1
s2  dan
n 1
Dimana :
k : banyak kelas
Untuk Populasi
 Koefisien Ragam = 
 100%

Untuk Sampel
s
 Koefisien Ragam =  100%
x
 Angka baku adalah ukuran penyimpangan data dari

 z dapat bernilai nol (0), positif (+) atau negatif (-)
 z nol  data bernilai sama dengan rata-rata
populasi
 z positif  data bernilai di atas rata-rata populasi
 z negatif  data bernilai di bawah rata-rata
populasi
x
z

Dimana :
 selesai 
Skewness dan Kurtosis
A. Skewness (Kemiringan Kurva)
Ukuran kemiringan kurva (Skewness) adalah derajat ( ukuran ) ketidak sime trisan
lengkungan halus (kurva) dari suatu distribusi data
Lengkungan halus (kurva) distribusi data ada tiga jenis:

• Kurva Positif
• Menceng ke kanan – kemiringan positif
• Rata-rata hitung > modus/median
• Kurva Normal
• Simetri
• Kurva negative
• Menceng ke kiri – kemiringan negative
• Rata-rata hitung < modus/median
Kurva Menceng ke Kanan Kurva Normal Kurva Menceng ke Kiri

Positive Skew Simetri Negative Skew
Mean > Median > Modus Mean = Median = Mean < Median < Modus
Modus
Data lebih kecil Data lebih besar
Bentuk Penyebaran Data
Pada Kelompok A ,
data menyebar normal sehingga histogram yang terbentuk mengikuti kurva
normal dengan frekuensi mean = median = modus = 20
Pada Kelompok B
data simetris kanan dan kiri sehingga histogram yang terbentuk bersifat
simetris dengan frekuensi mean = median = modus = 20, memiliki 2 modus
Pada Kelompok C
data lebih menyebar ke data yang lebih kecil sehingga histogram yang
terbentuk panjang ke kanan dengan frekuensi mean (16,52) > median (15) >
modus (10)
Pada Kelompok D
data lebih menyebar ke data yang lebih besar sehingga histogram yang
terbentuk panjang ke kiri dengan frekuensi mean (23,48) < median (25) <
modus (30)
Ukuran kemencengan kurva dapat dihitung dengan rumus :

1. Rumus Pearson
2. Rumus Momen
3. Rumus Bowley
1. Ukuran Kemencengan Kurva Pearson

K = 𝑋̅ – 𝑀𝑜 K = ukuran kemencengan
Mo= modus
𝑋̅ = rata-rata
Apabila :
• K bernilai positif maka keragaman disebut dengan positive skew/right
skewed (ekor bagian kanan lebih panjang)
• K bernilai negative maka keragaman disebut dengan negative skew/right
skewed (ekor bagian kiri lebih panjang)
Koefisien Kemencengan Pearson

merupakan nilai selisih rata-rata dengan modus dibagi simpangan baku.
Model distribusi berdasarkan koefisien kemiringan

• Jika koefisien kemiringan < nol , maka bentuk distribusinya negative
(ekor bagian kiri lebih panjang)
• Jika koefisien kemiringan = nol , maka bentuk distribusinya simetrik
• Jika koefisien kemiringan > nol , maka bentuk distribusinya positif
(ekor bagian kanan lebih panjang)
Derajat kemiringan Kurva Pearson
Contoh (data tersebar/ungroup data) :
Berikut adalah waktu tunggu (dalam menit) 20 pelanggan di restoran ABC

saat malam minggu untuk memperoleh meja.
28 39 23 67 37 28 56 40 28 50
51 45 44 65 61 27 24 61 34 44
Tentukan ukuran kemencengan Pearson data tersebut

Penyelesaian :
Dari data tersebut diperoleh :
Contoh (group data) :
Berikut adalah data tinggi badan karyawan suatu perusahaan
Tentukan besarnya kemencengan kurva data tersebut
Kelas Frekuensi (𝑓𝑖 )
93 - 97 2
98 – 102 10
103 – 107 12
108 - 112 10
113 – 117 7
118 – 122 4
123 – 127 3
128 – 132 1
133 – 137 0
138 - 142 1
Penyelesaian :
Mean = 𝑥̅ = 109.6
Median = Med = 108
Modus = Mod = 105
Standar deviasi = S = 9.26
• Ukuran Kemencengan Pearson adalah
K = 109.6 – 105 = 4.6
• Koefisien Kemencengan (CK) adalah
4.6
CK = = 0.5
9.26
2. Koefisien Kemencengan dengan Momen

Rata-rata dan varian merupakan ukuran untuk menentukan MOMEN
Momen dapat digunakan untuk mengukur ketidak simetrisan terhadap
distribusi data dalam suatu variabel
Simbul Momen : Mr artinya Momen ke r
Momen data tersebar (Un-group data)
Momen data Kelompok (Group data)
Untuk r = 1 , maka M1 (Momen pertama) = Mean

Untuk r = 2 , maka M2 (Momen ke dua) = Varians
Untuk r = 3 , maka M3 (Momen ke tiga) = Kemencengan
Untuk r = 4 , maka M4 (Momen ke empat) = Keruncingan
Derajat Kemencengan kurva dengan Momen

Data tersebar (Un-group data)
Keterangan :
𝛼3 = koefisien kemencengen
M3 = momen ke 3 , mengukur kemencengan
s = simpangan baku
n = banyaknya data
xi = data ke i
𝑥̅ = rata-rata hitung /arithmetic atau mean
Data Kelompok
Keterangan
s = simpangan baku
n = banyaknya data pengamatan
k = banyaknya kelas
fi = frekuensi kelas ke i
𝑥̅ = rata-rata hitung atau mean
Jika : 𝛼3 = 0, maka distribusi datanya simetris
𝛼3 < 0, maka distribusi datanya menceng ke kiri
𝛼3 > 0 , maka distribusi datanya menceng ke kanan
Data berkelompok
Keterangan
s = simpangan baku
k = banyaknya kelas
c = besar interval kelas
di = simpangan kelas ke I terhadap titik asal konsumsi

28 39 23 67 37 28 56 40 28 50
51 45 44 65 61 27 24 61 34 44
Tentukan ukuran kemencengan data tersebut

Penyelesaian :
1 28 -14.6 213.16 -3112.136

2 39 -3.6 12.96 -46.656
3 23 -19.6 384.16 -7529.536
4 67 24.4 595.36 14526.784
5 37 -5.6 31.36 -175.616
6 28 -14.6 213.16 -3112.136
7 56 13.4 179.56 2406.104
8 40 -2.6 6.76 -17.576
9 28 -14.6 213.16 -3112.136
10 50 7.4 54.76 405.224
11 51 8.4 70.56 592.704
12 45 2.4 5.76 13.824
13 44 1.4 1.96 2.744
14 65 22.4 501.76 11239.424
15 61 18.4 338.56 6229.504
16 27 -15.6 243.36 -3796.416
17 24 -18.6 345.96 -6434.856
18 61 18.4 338.56 6229.504
19 34 -8.6 73.96 -636.056
20 44 1.4 1.96 2.744
Jumlah 852 0 3826.8 13675.44
Mean 42.6

93 - 97 2
98 – 102 10
103 – 107 12
108 - 112 10
113 – 117 7
118 – 122 4
123 – 127 3
128 – 132 1
133 – 137 0
138 - 142 1
Penyelesaian :
𝑥̅ = 109.6
3. Ukuran kemencengan Kurva menurut Bowley
K = (Q1 + Q3) – 2Q2
Keterangan :
K = ukuran kemencengan
Q1 = kuartil pertama
Q2 = kuartil ke dua
Q3 = kuartil ke tiga
𝐾
CK = 𝑄
3 −𝑄1
Keterangan :
CK = koefisien kemencengan
Q2 = kuartil ke dua
Contoh (data tersebar):
Berikut ini adalah waktu tunggu (dalam menit) 20 pelanggan di restoran
ABC saat malam Minggu untuk memperoleh meja
28 39 23 67 37 28 56 40 28 50
51 45 44 65 61 27 24 61 34 44
Ukuran dari data tersebut :
Q1 = 28 Q2 = 42 Q3 = 54,75
Ukuran kemencengan Bowley
K = (Q1 + Q3) – 2Q2
= (28 +54,75) – 2(42) = - 1,25
Koefisien kemencengan (CK)
𝐾 −1.25
CK = = = -0,046
𝑄3 −𝑄1 54,75 −28
Contoh (data kelompok):
Data tinggi badan karyawan suatu perusahaan .
Tentukan besarnya kemencengan kurva dari data berikut :
93 - 97 2
98 – 102 10
103 – 107 12
108 - 112 10
113 – 117 7
118 – 122 4
123 – 127 3
128 – 132 1
133 – 137 0
138 - 142 1
Q1 = 102.71 Q2 = 108 Q3 = 116
K = (Q1 + Q3) – 2Q2
= (102.71 +116) – 2(108) = 2.71
𝐾 2.71
CK = = = 0.204
𝑄3 −𝑄1 116 −102.71
B. Ukuran keruncingan (Kurtosis)
Kurtosis merupakan derajat kepuncakan atau ukuran tinggi rendahnya puncak

suatu distribusi data yang biasanya diambil secara relative terhadap distribusi
normal data.
Jenis Kurtosis :
1. Leptokurtis,
merupakan distribusi yang memiliki puncak kurva tinggi
2. Mesokurtis,
merupakan distribusi yang puncak tidak tinggi dan tidak
mendatarmendatar, bila merupakan distribusi simetris dianggap sebagai
distribusi/kurva normal
3. Platikurtis ,
merupakan distribusi yang memiliki puncak kurva rendah
Leptokurtik Mesokurtik Platikurtik
Metode untuk menentukan drajat Kepuncakan (Kurtosis)

1. Metode Person :
2. Metode Momen
1. Derajat Kurtosis metode Pearson adalah :
1
(𝑄1 − 𝑄2 )
𝐾= 2
𝑃90 − 𝑃10
Standart koefisien kurtosis metode Pearson
Jika koefisien Kurtosis kurang dari 0.263 maka distribusinya platikurtik
Jika koefisien Kurtosis sama dengan 0.263 maka distribusinya mesokurtik
Jika koefisien Kurtosis lebih dari 0.263 maka distribusinya leptokortik
2. Derajat Kurtosis metode Momen
a. Data tersebar (Un-group data)
Keterangan :
𝛼4 = koefisien Keruncingan
M4 = momen ke 4 , mengukur keruncingan
s = simpangan baku
n = banyaknya data
xi = data ke i
b. Data Kelompok (Group data)
Keterangan
𝛼4 = koefisien keeruncingan
s = simpangan baku
k = banyaknya kelas
Jika : 𝛼4 > 3, maka bentuk kurva leptokurtis (meruncing)
𝛼4 = 3, maka bentuk kurva mesokurtis (normal)
𝛼4 < 3 , maka bentuk kurva platikurtis (mendatar)
Contoh Menghitung Koefisien Keruncingan Kurva dengan Momen
Untuk data kelompok :
Sehingga :
Jadi kurva yang terbentuk adalah kurva leptokurtis karena 𝛼4 > 3

Probabilitas
1. Pendahuluan
• Percobaan : proses yang menghasilkan data
• Ruang Contoh (S) : himpunan yang memuat semua kemungkinan hasil percobaan
• Kejadian = Event : himpunan bagian dari ruang contoh

Misal : Dari sekumpulan 52 kartu bridge
• S : { sekop, klaver, hati, wajik },
kejadian A munculnya kartu berwarna merah.
• A : {hati, wajik }
o Titik Contoh : Anggota Ruang Contoh/Kejadian
o Konsep Dasar (Klasik) Peluang / Probabilitas

Dibedakan menjadi :
1. Probabilitas Teoritik
• Besarnya peluang (probabilitas) terjadinya suatu peristiwa yg akan terjadi
sudah diketahui sebelum dilakukan percobaan.
• Diketahui ; berdasarkan pemikiran yg logis dimana Probabilitas satu
kejadian
• merupakan Perbandingan frekuensi kejadian itu dengan kejadian dari
seluruh kejadian yg mungkin terjadi.
• Dinyatakan dlm persen atau proporsi
• Peluang kejadian A dinotasikan sebagai P(A)
Jika setiap titik contoh mempunyai peluang yang sama maka :

n
P( A) =
N
n : banyak titik contoh penyusun Kejadian
N : banyak titik contoh dalam Ruang Contoh (S)
• Nilai Peluang Kejadian A → 0  P(A)  1

Dimana : P (S) = 1 → Peluang Kejadian yang pasti terjadi
P () = 0 → Peluang Kejadian yang pasti tidak terjadi
2. Probabilitas Empiris
• Besarnya peluang (probabilitas) terjadinya st peristiwa berdasarkan
observasi thd percobaan yg benar2 dilakukan.
3. Macam-macam kejadian yang mempengaruhi perhitungan probabilitas
a. Gejala Majemuk
suatu gejala yg tersusun atas lebih dari satu kejadian yang terjadi
secara bersama atau berurutan.
b. Kejadian bebas/ independent events
Suatu gejala terdiri dari 2 peristiwa (K1 & K2), dimana terjadinya K1
tidak mempengaruhi terjadinya K2 dan sebaliknya.
c. Kejadian terikat/ conditional events
Dua kejadian atau lebih dimana timbulnya K1 menjadi syarat timbulnya
K2 atau sebaliknya.
d. Kejadian-kejadian Mutually Exclusive (saling lepas)
1
Kemunculan suatu kejadian meniadakan kemunculan kejadian yg
lain/tdk terjadi secara bersamaan.
e. Kejadian-kejadian Not Mutually Exclusive
Kemunculan suatu kejadian dpt terjadi secara bersamaan atau sendiri-
sendiri.
2. Penghitungan Banyak Titik Contoh
2.1 Kaidah Penggandaan = Kaidah Perkalian
Kaidah Penggandaan:
Jika operasi ke-1 dapat dilakukan dalam n1 cara
operasi ke-2 dapat dilakukan dalam n2 cara
:
:
operasi ke-k dapat dilakukan dalam nk cara
maka k operasi dalam urutan tersebut dapat dilakukan dalam n1  n 2  … nk cara

Contoh :
Berapa banyak bilangan 4 digit yang dapat dibentuk dari angka 3, 4, 6, 7, dan 8
a. jika semua angka boleh berulang?
5  5  5  5 = 625
b. jika angka tidak boleh berulang?
5  4  3  2 = 120
c jika bilangan tersebut: GANJIL dan angka tidak boleh berulang?
4  3  2  2 = 48
d. Berapa peluang bilangan yang muncul adalah bilangan GANJIL dan angka tidak berulang
(lihat Kejadian c) pada kondisi pembentukan bilangan 4 digit, angka boleh berulang (lihat
Kejadian A)
n = 48 N = 625
n 48
P(C) = =
N 625
2.2. Permutasi
Permutasi sejumlah obyek adalah penyusunan obyek tersebut dalam suatu urutan/posisi
tertentu.
Dalam permutasi urutan/posisi diperhatikan!!!
• Dalil-1 Permutasi:
Banyaknya Permutasi n benda yang berbeda adalah n!
Konsep Bilangan Faktorial

n! = n  (n-1) (n-2) ....  2  1 dimana : 0! = 1 dan 1! = 1
100! = 100  99! atau 100! = 100  99  98!, dst
• Dalil-2 Permutasi :
Banyaknya permutasi r benda dari n benda yang berbeda adalah :
n!
Pr =
n
(n − r )!
Perhatikan dalam contoh ini urutan/posisi obyek sangat diperhatikan!
2
• Dalil-3 Permutasi Melingkar:
Banyaknya permutasi n benda yang disusun dalam suatu lingkaran adalah : (n-1)!
• Dalil-4 Permutasi Obyek yang Sama:

Banyaknya permutasi untuk sejumlah n benda
dimana : jenis/kelompok pertama berjumlah n1
jenis/kelompok kedua berjumlah n2
: :
: :
jenis/kelompok ke-k berjumlah nk
n!
adalah : n = n1 + n2 + . . . + nk
n1 ! n2 ! n3 !   nk !
Contoh :
Berapa permutasi dari kata STATISTIKA?
10!
S = 2; T = 3; A = 2; I = 2; K = 1 Permutasi = = 75600
2! 3! 2! 2!1!
2.3 Kombinasi
Kombinasi r obyek yang dipilih dari n obyek adalah susunan r obyek tanpa memperhatikan
urutan/posisi
• Dalil-1 Kombinasi : Kombinasi r dari n obyek adalah
n!
Crn =
r !(n − r )!
2.4 Kaidah Perkalian & Kombinasi
Dalam banyak soal, kaidah penggandaan/perkalian dan kombinasi seringkali digunakan

bersama-sama.
Contoh :
Manajer SDM mengajukan 10 calon manajer yang berkualifikasi sama, 5 calon berasal dari
Kantor Pusat, 3 calon dari Kantor cabang dan 2 dari Program Pelatihan manajer.
(a) Berapa cara Manajer SDM dapat memilih 6 manajer baru dengan ketentuan 3 berasal
dari Kantor Pusat. 2 dari Kantor Cabang dan 1 dari Program Pelatihan manajer?
Pemilihan 3 dari 5 calon dari Kantor Pusat = C = 5! = 10 5
3
3! 2!
Pemilihan 2 dari 3 calon dari Kantor Cabang = 3!
C23 = =3
2!1!
Pemilihan 1 dari 2 calon dari Program Pelatihan = 2!
C12 = =2
1!1!
n = Pemilihan Manajer = 10  3  2 = 60 cara
(b) Berapa cara memilih 6 dari 10 kandidat manajer?

10 10!
N = Pemilihan 6 dari 10 kandidat manajer = C 6
= = 210
6!4 !
(c) Berapa peluang 6 manajer baru tersebut terdiri dari 3 dari Kantor Pusat, 2 dari Kantor
Cabang dan 1 dari Program Pelatihan?
P(manajer) = n = 60
N 210
3
3. Pengolahan Peluang
3.1 Konsep dasar Peluang

n
P ( A) =
N
n : banyak titik contoh penyusun Kejadian A
3.2 Kaidah Penjumlahan Peluang Kejadian
Dalil 1. Kaidah Penjumlahan Peluang Kejadian
Bila A dan B adalah dua kejadian sembarang, maka

P(AB) = P(A) + P(B) - P(AB)
atau
P(AB) = P(A) + P(B) - P(AB)
AB = kejadian A atau B AB = kejadian A dan B
Konsekuensi 1. Kaidah Penjumlahan Peluang

Bila A dan B adalah kejadian Saling Terpisah (AB=),
maka : P(AB)=P(A)+ P(B)

Bila A1, A2,..., Ak saling terpisah,
maka : P(A1  A2  . . .  Ak) = P(A1) + P(A2) + . . . + P(Ak)
Dalil 2. Kaidah Penjumlahan Peluang
Jika A dan A' adalah 2 kejadian yang berkomplemen, maka :

P(A) + P(A')= 1
3.3 Peluang Bersyarat
Peluang Bersyarat berlaku untuk penetapan peluang kejadian yang tidak bebas.
(= Kejadian-kejadian yang bergantung dengan kejadian )
Contoh kejadian tidak bebas : pengambilan sampel tanpa pemulihan

Tanpa pemulihan = anggota sampel yang telah terambil tidak dikembalikan ke dalam
ruang contoh (S).
Kejadian yang terjadi tanpa bergantung dengan kejadian lain disebut Kejadian Bebas.
Contoh kejadian bebas :

pengambilan sampel dengan pemulihan
Dengan pemulihan = anggota sampel yang telah terambil dikembalikan ke dalam ruang
contoh (S)
4
Notasi Peluang Bersyarat :
𝑃(𝐵|𝐴)
Dibaca : "Peluang terjadinya B, bila A telah terjadi"
atau "Peluang B, jika peluang A diketahui"
Dalil 3 : Peluang Bersyarat secara umum
Bila dalam suatu percobaan kejadian A dan B , Kejadian B terjadi setelah

dan terjadinya kejadian A
P( A  B)
P( B A) = dimana : P(A)  0
P( A)
Perhatikan : P(BA)  P(AB) P(AB) = P (BA)
Dalil 4 : Peluang Dua Kejadian bebas
Peluang Dua Kejadian A dan B dikatakan bebas , jika kejadian B tidak

mempengaruhi peluang kejdian A atau sebaliknya
P(BA) = P(B) atau P(AB) = P(A)
Bila hal itu tidak dipenuhi, A dan B dikatakan tidak bebas
3.4 Kaidah Penggandaan Peluang = Kaidah perkalian peluang
Kaidah Penggandaan Peluang, merupakan perhitungan peluang dari beberapa

kejadian yang dapat terjadi sekaligus.
Dalil 5 : Kaidah Perkalian Peluang
Bila dalam suatu percobaan kejadian A dan B dapat terjadi sekaligus /

bersamaan , maka :
P(A  B) = P(A)  P(BA)
= P(B  A)
= P(B)  P(AB)
Dalil 6 : Kaidah Perkalian Peluang Kejadian Bebas
Bila A dan B adalah kejadian bebas / independent, jika kejadian B tidak

mempengarui peluang terjadinya kejadian A, maka :
P(A  B) = P(A)  (B)
Dalil 7 : Kaidah Penggandaan Peluang (secara umum)
5
(Peluang kejadian Bersama)
Bila dalam suatu percobaan kejadian A1, A2,..., Ak, maka :
P(A1 A2A3...Ak) = P(A )  P(A2A1)  P(A3A1 A2) ........

P(AkA1A2A3  . . .  Ak-1)
3.5. Peluang Total dan Kaidah Bayes
Dalil 8 : Kaidah Peluang Total
Bila kejadian Bi ≠ 0 untuk i = 1, 2, 3 …,k , dan kejadian Bi berhubungan

dengan kejadian A ,maka untuk sembarang kejadian A yang merupakan
himpunan bagian dari ruang contoh R berlaku :L
P(A) = P(B1)P(AB1) + P(B2)P (AB2) ... P(Bk)  P(ABk)
Dalil 9 : Kaidah Bayes
Bila kejadian B1 , B2, B3, …, Bk merupakan sekatan dari ruang contoh R dengan
P(Bi) ≠ 0 untuk i = 1, 2, 3 …,k , maka untuk sembarang kejadian A yang
bersifat P(A) ≠ 0 adalah :
𝑃(𝐵𝑖 ) 𝑥 𝑃(𝐴|𝐵𝑖 )
𝑃(𝐵𝑖 |𝐴) =
∑𝑘𝑗=1 𝑃(𝐵𝑖 ) 𝑥 𝑃(𝐴|𝐵𝑖 )
Untuk I = 1, 2, 3, … ,k
6
Soal dan Pembahasan :
Contoh Soal 1.
Dari 200 orang yangmenginap di sebuah hotel, diketahui :

125 orang adalah laki-laki (L)
75 orang adalah sarjana (S)
Dan 25 orang adalah laki-laki sarjana
Jika seorang yang menginap tersebut terpilih mendapatkan hadiah , berapa peluang bahwa orang
yang terpilih tersebut adalah :
a. Laki-laki
b. Sarjana
c. Bukan sarjana
d. Laki-laku dan sarjana
e. Laki-laki tetapi bukan sarjana
Contoh Soal 2 :
Ada 5 orang sedang diskusi dengan posisis kursi disusun melingkar

Ada berapa kemungkinan susunan duduk mereka yang berbeda ?
Contoh Soal 3:
Sebanyak 9 orang mahasiswa akan pergi mengadakan kegiatan pengabdian kepada masyarakat
dengan mengendarai mobil , tersedia 3 mobil dengan kapasitas tempat duduk masing-masing 3
orang, 2 orang dan 4 orang
Ada berapa kemungkinan susunan mereka dapat terangkut oleh ketiga mobil tersebut .
Contoh Soal 4.
Tim bola basket suatu universitas terdiri dari 9 orang , diantaranya ada yang bernama Johny dan
Arif. Ada berapa kombinasi pemain yang dapat diturunkan bila :
a. Setiap pemain mempunyai kemungkinan untuk terpilih
b. Johny terpilih sebagai pemain
c. Johny dan Arif terpilih untuk bermain
Contoh Soal 5 :
Sepuluh orang sedang antri periksa Kesehatan , terdiri atas 6 orang Laki-laki dan 4 orang
perempuan. Petugas memanggil satu persatu, untuk diperiksa oleh dokter berdasarkan nomer irut
antrian.
Berapa peluang bahwa :
a. Orang yang dipanggil pertama dan ke dua adalah Laki-laki
b. Orang yang dipanggil pertama Laki-laki dan ke dua adalah Perempuan
c. Orang yang dipanggil pertama dan ke dua adalah Laki-laki
Contoh Soal 6 :
Perjalanan kereta api (KRL) berangkat dari Bogor ke Jakarta.

Peluang KRL berangkat tepat waktu (B) adalah 0.80
Peluang KRL datang di Jakarta tepat waktu (D) adalah 0.9
Peluang KRL berangkat dan datang tepat waktu adalah 0.75
Pada suatu hari diketahui KRL berangkat dari Bogor tepat waktu.
Berapa peluang KRL tersebut tiba di Jakarta tepat waktu
Contoh Soal 7 :
Anggota MPR yang bersidang di Gedung DPR/MPR, disediakan akomodasi menginap di tiga
hotel yaitu Hotel Hilton, Hotel Mulia dan Hotl Sahid, dengan komposisi masing-masing 50 %,
20 % dan 30 %.
Untuk menuju tempat sidang dari hotel masing-masing, panitia menyediakan kendaraan untuk
antar jemput.
Karena tempat menginap tidak berada dalam komplek tempat bersidang, maka ada kemungkinan
bahwa mereka datang terlambat untuk brsidang, yaitu dari Hotel Hilton sebesar 0.1, dari Hotel
Mulia sebesar 0.15 dan dari Hotel Sahit 0,2.
Pada sidang pertama di pagi hari, maka hitunglah :
a. Peluang bahwa seorang pesertya didang datang terlambatadalah menginap di Hotel
Sahid.
b. Peluang seorang peserta sidang akan terlambat mengikuti sidang
Distribusi Peluang Teoritis
1. Pendahuluan
Distribusi teoritis meruipakan distribusi dengan frekwensi yang diturunkan secara matematis.
Sedang pada Distribusi frekwensi, frekwensi diperoleh dari hasil observasi/pengamatan
Ruang sampel dibedakan menjadi :
• Ruang sampel Diskrit
berisi sejumlah kemungkinan terhingga atau urutan tidak terbatas dengan unsur
sebanyak jumlah bilangan bulat,
• Ruang sampel kontinyu.
berisi sejumlah kemungkinan tak terhingga yang sama dengan jumlah titik-titik dalam
sebuah segmen garis,
Titik-titik contoh di dalam Ruang Sampel (S) dapat disajikan dalam bentuk numerik/bilangan.
Peubah Acak
PEUBAH ACAK = VARIABEL ACAK = RANDOM VARIABLE
(beberapa buku juga menyebutnya sebagai STOCHASTIC VARIABLE )
• Adalah Fungsi yang mendefinisikan titik-titik contoh dalam ruang contoh sehingga memiliki
nilai berupa bilangan nyata
Atau : merupakan suatu fungsi yang menghubungkan sebuah bilangan real dengan setiap
unsur dalam ruang sampel.
• Biasanya PEUBAH ACAK dinotasikan sebagai X (X kapital)
Nilai dalam X dinyatakan sebagai x (huruf kecil x).
Contoh 1 :
Pelemparan sekeping Mata Uang setimbang sebanyak 3 Kali
S : {GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA}
dimana G = GAMBAR dan A = ANGKA
X: setiap satu sisi GAMBAR bernilai satu (G = 1)
S : {GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA} Perhatikan bahwa X{0,1,2,3}
        Nilai 𝑥1 = 0, 𝑥2 = 1 𝑥3 = 2, 𝑥4 = 3
3 2 2 2 1 1 1 0
1
• Kategori Peubah Acak
Peubah Acak dapat dikategorikan menjadi:
a. Peubah Acak Diskrit :
▪ nilainya berupa bilangan cacah, dapat dihitung dan terhingga.
▪ merupakan hasil penghitungan untuk hal-hal yang dapat dicacah
Misal : Banyaknya Produk yang rusak = 12 buah
Banyak pegawai yang di-PHK = 5 orang
b. Peubah Acak Kontinyu:

▪ nilainya berupa selang bilangan, tidak dapat di hitung dan tidak terhingga
(memungkinkan pernyataan dalam bilangan pecahan)
▪ merupakan hasil pengukuran, mengambil nilai-nilai pada skala kontinyu
→ untuk hal-hal yang diukur (jarak, waktu, berat, volume)
Misalnya : Jarak Pabrik ke Pasar = 35.57 km
Waktu produksi per unit = 15.07 menit
Berat bersih produk = 209.69 gram
Volume kemasan = 100.00 cc
Distribusi Peluang Teoritis :
Tabel atau Rumus yang mencantumkan semua kemungkinan nilai peubah acak berikut
peluangnya.
Berhubungan dengan kategori peubah acak, maka dikenal :

a. Distribusi Peluang Diskrit :
Seragam*),
Bernoulli /Binomial*),
Hipergeometrik*),
Poisson*)
b. Distribusi Peluang Kontinyu :
Normal*) t, F, 𝑋 2 (chi kuadrat)
2
2. Distribusi Peluang Diskrit
2.1 Distribusi Peluang Seragam
Definisi Distribusi Peluang Seragam :

Jika Peubah Acak X mempunyai nilai 𝑥1 , 𝑥2 , 𝑥3 , …. 𝑥𝑘 , yang berpeluang sama, maka
distribusi peluang seragamnya adalah :
1
f(x;k) = untuk x = 𝑥1 , 𝑥2 , 𝑥3 , …. 𝑥𝑘
k
Contoh 2 :
Jika Abi, Badu dan Cici berpeluang sama mendapat beasiswa, maka distribusi peluang
seragamnya adalah :
1
f(x; 3) = 3 untuk x = Abi, Badu, Cici
atau x =1,2,3(mahasiswa dinomori)

Secara umum: nilai k dapat dianggap sebagai kombinansi N dan n
k = CnN N = banyaknya titik contoh dalam ruang contoh/populasi
n = ukuran sampel acak = banyaknya unsur peubah acak X
2.2 Distribusi Peluang Binomial
Percobaan Bernoulli /Binomial

Percobaan Binomial adalah percobaan yang mempunyai ciri-ciri sebagai berikut:
1. Percobaan diulang n kali
2. Hasil setiap ulangan hanya dapat dikategorikan ke dalam 2 kelas;
Misal: "BERHASIL" atau "GAGAL"
("YA" atau "TIDAK"; "SUCCESS" or "FAILED")
3. Peluang keberhasilan = p dan dalam setiap ulangan nilai p tidak berubah.
Peluang gagal = q = 1- p.
4. Setiap ulangan bersifat bebas (independent) satu dengan yang lain.
3
Definisi Distribusi Peluang Binomial
b(x;n,p) = Cxn p x q n-x untuk x = 0,1,23,...,n

n: banyaknya ulangan
p: peluang berhasil pada setiap ulangan
x: banyak keberhasilan dalam peubah acak X
q: peluang gagal = 1 - p pada setiap ulangan
Catatan :
untuk memudahkan membedakan p dengan q, terlebih dahulu harus dapat
menetapkan mana kejadian SUKSES mana yang GAGAL. Anda dapat menetapkan
bahwa kejadian yang ditanyakan adalah = kejadian SUKSES
Contoh 3 :
Tentukan peluang mendapatkan "MATA 1" muncul 3 kali pada pelemparan 5 kali
sebuah dadu setimbang!
Kejadian sukses/berhasil = mendapat "MATA 1"
x=3
n = 5 → pelemparan diulang 5 kali
1 1 5
p= q = 1- =
6 6 6
b(x;n,p) = Cxn p x q n-x
b( 3;5, 16 ) = C35 ( 16 ) 3 ( 56 ) 2
5! 52
= = 10  0.003215...= 0.03215...
3! 2! 65
Tabel Peluang Binomial

Soal-soal peluang peluang binomial dapat diselesaikan dengan bantuan Tabel Distribusi
Peluang Binomial (Lihat hal 157-162, Statistika 2)
4
Cara membaca Tabel tersebut :
Misal :
n x p = 0.10 p = 0.15 p = 0.20 dst
5 0 0.5905 0.4437 0.3277
1 0.3280 0.3915 0.4096
2 0.0729 0.1382 0.2048
3 0.0081 0.0244 0.0512
4 0.0004 0.0020 0.0064
5 0.0000 0.0001 0.0003
Perhatikan :
Total setiap Kolom p = 1.0000 karena pembulatan, nilainya tidak persis = 1.0000
hanya mendekati 1.0000
x = 0 n = 5 p = 0.10 b(0; 5, 0.10) = 0.5905
x =1 n = 5 p = 0.10 b(1; 5, 0.10) = 0.3280
Jika 0 x  2, n = 5 dan p = 0.10 maka
b(x; n, p) = b(0; 5, 0.10)+ b(1; 5, 0.10)+b(2;5,0.10)
= 0.5905 + 0.3280 +0.0729
= 0.9914
Contoh 4
Suatu perusahaan “pengiriman paket ” terikat perjanjian bahwa keterlambatan paket akan
menyebabkan perusahaan harus membayar biaya kompensasi.
Jika Peluang setiap kiriman akan terlambat adalah 0.20 Bila terdapat 5 paket, hitunglah
probabilitas :
a. Tidak ada paket yang terlambat, sehingga perusahaan tidak membayar biaya kompensasi?
(x = 0)
b. Lebih dari 2 paket terlambat? (x 2)
c. Tidak Lebih dari 3 paket yang terlambat?(x  3)\
d. Ada 2 sampai 4 paket yang terlambat?(2  x  4)
e. Paling tidak ada 2 paket yang terlambat?(x  2)
Jawab
a. x = 0 → b(0; 5, 0.20) = 03277 (lihat di tabel atau dihitung dgn rumus)
5
b. x  2 → Lihat tabel dan lakukan penjumlahan sebagai berikut :
b(3; 5, 0.20) + b(4; 5, 0.20) + b(5; 5, 0.20) =
0.0512 + 0.0064 + 0.0003 = 0.0579
atau .....
→ 1 - b(x  2) = 1 - [b(0; 5, 0.20) + b(1; 5, 0.20) + b(2; 5, 0.20)
= 1 - [0.3277 + 0.4096 + 0.2048)
= 1 - 0.9421 = 0.0579
perhatikan hasil perhitungan sebelumnya,!!
c. x  3 → Lihat tabel dan lakukan penjumlahan
b(0; 5, 0.20) + b(1; 5, 0.20) + b(2; 5, 0.20) +b(3; 5, 0.20) =
0.3277 + 0.4096 + 0.2048 + 0.0512 = 0.9933
atau ....
→ 1 - b(x 3) = 1 - [ b(4; 5, 0.20) + b(5; 5, 0.20)]
= 1 - [0.0064 + 0.0003]
= 1 - 0.0067 = 0.9933
d. 2  x  4 → Lihat tabel dan lakukan penjumlahan sebagai berikut :
b( 2; 5, 0.20) + b(3; 5, 0.20) + b(4; 5, 0.20) =
0.2048 + 0.0512 +0,0064 = 0.2624
e. Kerjakan sendiri!!!
Rata-rata dan Ragam Distribusi Binomial b(x; n, p) adalah

Rata-rata  = np
Ragam  ² = npq
n = ukuran populasi
p = peluang keberhasilan setiap ulangan
q = 1 - p = peluang gagal setiap ulangan
6
Contoh 5:
Untuk b(5; 5 0.20), di mana x = 5, n = 5 dan p = 0.20
sehingga q = 0.80 maka
 = 5 0.20 = 1.00
² = 5 0.20  0.80 = 0.80  = 0.80 = 0.8944....
2.3 Distribusi Peluang Poisson
Percobaan Poisson memiliki ciri-ciri berikut :

1. Hasil percobaan pada suatu selang waktu dan tempat tidak tergantung dari hasil percobaan di
selang waktu dan tempat yang lain yang terpisah
2. Peluang terjadinya suatu hasil percobaan sebanding dengan panjang selang waktu dan luas
tempat percobaan terjadi. Hal ini berlaku hanya untuk selang waktu yang singkat dan luas
daerah yang sempit
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi pada satu selang waktu dan luasan
tempat yang sama diabaikan
Definisi Distribusi Peluang Poisson :

e−  x
poisson( x;  ) =
x!
e : bilangan natural = 2.71828...
x : banyaknya unsur BERHASIL dalam sampel  : rata-rata keberhasilan
Perhatikan rumus yang digunakan! Peluang suatu kejadian Poisson hitung dari rata-rata
populasi ()
Tabel Peluang Poisson

Seperti halnya peluang binomial, soal-soal peluang Poisson dapat diselesaikan dengan Tabel
Poisson (Statistika 2, hal 163-164)
7
Cara membaca dan menggunakan Tabel ini tidak jauh berbeda dengan Tabel Binomial
Misal:
x  = 4.5  = 5.0
0 0.0111 0.0067
1 0.0500 0.0337
2 0.1125 0.0842
3 0.1687 0.1404
dst dst dst
15 0.0001 0.0002
poisson (2; 4.5) = 0.1125
poisson (x < 3; 4.5) = poisson (0;4.5) + poisson (1; 4.5) + poisson (2; 4.5)
= 0.0111 + 0.0500 + 0.1125 = 0.1736
poisson (x > 2;4.5) = poisson (3; 4.5) + poisson (4; 4.5) +...+ poisson (15;4.5)
atau = 1 – poisson (x  2)
= 1 - [poisson (0;4.5) + poisson (1; 4.5) + poisson (2; 4.5)]
= 1 - [0.0111 + 0.0500 + 0.1125 ]
= 1 - 0.1736
= 0.8264
Contoh 6 :
Rata-rata seorang sekretaris baru melakukan 5 kesalahan ketik per halaman. Berapa
peluang bahwa pada halaman berikut ia membuat:
a. tidak ada kesalahan?(x = 0)
b. tidak lebih dari 3 kesalahan?( x  3)
c. lebih dari 3 kesalahan?(x >3)
d. paling tidak ada 3 kesalahan (x  3)
Jawab:
Diketahui :  = 5
a. x = 0 → dengan rumus? hitung poisson(0; 5)
atau → dengan Tabel Distribusi Poisson
di bawah x:0 dengan  = 5.0 → (0; 5.0) = 0.0067
8
b. x  3 → dengan Tabel Distribusi Poisson hitung
poisson(0; 5.0) + poisson(1; 5.0) + poisson(2; 5.0) + poisson(3; 5.0)
= 0.0067 + 0.0337 + 0.0842 + 0.1404 = 0.2650
c. x  3 → poisson( x  3; 5.0)
= poisson(4; 5.0) + poisson(5; 5.0) + poisson (6; 5.0) + poisson(7; 5.0) + ... +
poisson(15; 5.0)
atau
poisson(x >3) = 1 – poisson (x3)
= 1- [poisson(0;5.0) + poisson(1;5.0) + poisson(2;5.0) + poisson(3; 5.0)]
= 1 - [0.0067 + 0.0337 + 0.0842 + 0.1404]
= 1 - 0.2650
= 0.7350
Pendekatan Poisson untuk Distribusi Binomial :
Distribusi Poisson merupakan suatu bentuk pembatasan distribusi Binomial pada saat n besar,
peluang keberhasilan p mendekati 0 , dan np bersifat konstan.
Sehingga :
Peluang Poisson digunakan untuk Pendekatan Peluang Binomial, dilakukan jika :
n besar (n > 20) dan p sangat kecil (p < 0.01) dengan menetapkan p maka nilai :
=nxp
Contoh 7
Dari 1 000 orang mahasiswa 2 orang mengaku selalu terlambat masuk kuliah setiap hari,
jika pada suatu hari terdapat 5 000 mahasiswa, berapa peluang ada lebih dari 3 orang yang
terlambat?
Kejadian Sukses : selalu terlambat masuk kuliah
2
p= = 0.002 n = 5 000 x>3
1000
jika diselesaikan dengan peluang Binomial :
→ b(x > 3; 5 000, 0.002) tidak ada di Tabel,
jika menggunakan rumus sangat tidak praktis.
9
Dimana p = 0.002 n = 5 000 x>3
 = n  p = 0.002  5 000 = 10
b. diselesaikan dengan peluang Poisson
poisson (x > 3; 10) = 1 - poisson (x  3)
= 1 - [poisson (0;10) + poisson(1; 10) + poisson(2;10) + poisson(3; 10)
= 1 - [0.0000 + 0.0005 + 0.0023 +0,0075 ]
= 1 - 0.0103 = 0.9972
2.4 Distribusi Peluang Hipergeometrik
Peluang Binomial → perhatian hanya untuk peluang BERHASIL

Peluang Hipergeometrik
→ untuk kasus di mana peluang BERHASIL berkaitan dengan Peluang GAGAL
→ ada penyekatan dan pemilihan/kombinasi obyek (BERHASIL dan GAGAL)
Percobaan hipergeometrik adalah percobaan dengan ciri-ciri sebagai berikut:

1. Contoh acak berukuran n diambil dari populasi berukuran N
2. k dari N diklasifikasikan sebagai "BERHASIL" sedangkan N-k diklasifikasikan sebagai
"GAGAL"
Definisi Distribusi Hipergeometrik:
Bila dalam populasi N obyek, k benda termasuk kelas "BERHASIL" dan N- k

(sisanya) termasuk kelas "GAGAL", maka Distribusi Hipergeometrik
peubah AcakXyang menyatakan banyaknya keberhasilan dalam contoh acak
berukuran n adalah :
C xk CnN−−x k
h ( x; N , n , k ) =
CnN
untuk x = 0,1,2,3...,k
10
Contoh 8 :
Jika dari seperangkat kartu bridge diambil 5 kartu secara acak tanpa pemulihan,
berapa peluang diperoleh 3 kartu hati?
N = 52 n=5 k = 13 x=3
C313 C239
h( 3;52,5,13) = (selesaikan sendiri !)
C552
Rata-Rata dan Ragam bagi Distribusi Hipergeometrik h(x; N, n, k) adalah :

nk N −n k k
Rata-rata =  = Ragam =  2 =  n  (1 − )
N N −1 N N
Perluasan Distribusi Hipergeometrik jika terdapat lebih dari 2 kelas
Distribusi Hipergeometrik dapat diperluas menjadi penyekatan ke dalam beberapa kelas

C x11  C x22  C x kk
a a a
f ( x1 , x 2 ,..., x k ; a1 , a 2 ,..., a k , N , n) =
CnN
k k
dan perhatikan bahwa n = x
i =1
i
dan N = a i
i =1
N : ukuran populasi atau ruang contoh

n : ukuran contoh acak
xi : banyaknya keberhasilan kelas ke-i dalam contoh
k : banyaknya penyekatan atau kelas
ai : banyaknya keberhasilan kelas ke-i dalam populasi
Contoh 9 :
Dari 10 pengemudi motor, 3 orang mengemudikan motor merk "S", 4 orang
memggunakan motor merk "Y" dan sisanya mengemudikan motor merk "H". Jika
secara acak diambil 5 orang, berapa peluang 1 orang mengemudikan motor merk "S",
2 orang merk "Y" dan 2 orang merk "H"?
11
Jawab :
N = 10, n = 5
a1 = 3, a2 = 4, a3= 3
x1 = 1, x2 = 2, x3= 2
C13  C24  C23 3 6 3 54 3
f (1,2,2; 3,4,3, 10, 5) = 10 = = = = 0.2142...
C5 252 252 18
Pendekatan Hipergeometrik dapat juga dilakukan untuk menyelesaikan persoalan

binomial :
Perbedaan antara distribusi binomial dan distribusi hipergeometrik terletak pada
cara penarikan sampel.
• Binomial → sifat pengulangan yang saling bebas dan untuk pengambilan contoh
dilakukan dengan pemulihan (dengan pengembalian / with replacement).)
• Hipergeometrik → tidak diperlukan sifat pengulangan yang saling bebas dan untuk
pengambilan contoh dilakukan tanpa pemulihan (tanpa pengembalian / without
replacement )
Contoh 10 :
Dalam suatu kotak terdapat 5 bola yang terdiri dari 2 bola Merah, 2 bola Biru dan
1 buah Putih. Berapa peluang
a. terambil 2 bola Merah, dari 4 kali pengambilan yang dilakukan secara acak
dengan pemulihan?
b. terambil 2 bola Merah, dari 4 kali pengambilan yang dilakukan secara acak
tanpa pemulihan?
Soal a diselesaikan dengan Distribusi Peluang binomial :

p = 2/5 = 0.40 n=4 x=2
b(2; 4,0.40) = 0.16 (lihat Tabel atau gunakan rumus Binomial)
Soal b diselesaikan dengan Distribusi Peluang Hipergeometrik

N=5 n=4 k=2 x=2
N-k = 3 n-x=2
h(2; 5, 4,2) = C2
2
 C23 1 3 3
= = = 0.60
C45 5 5
12
3 Distribusi Peluang Kontinyu
3.1 Distribusi Normal
Distribusi probabilitas kontinu yang terpenting adalah distribusi normal dan grafiknya disebut kurva
normal.
Sifat kurva normal
• Kurva mencapai maksimum pada x =µ
• Kurva setangkup terhadap garis tegak yang melalui x = µ
• Kurva mempunyai titik belok pada x =µ ± σ
• Sumbu x merupakan asimtot dari kurva normal
• Seluruh luas di bawah kurva, di atas sumbu x adalah 1
Sifat-sifat distribusi normal :
• Nilai Peluang peubah acak dalam Distribusi Peluang Normal dinyatakan dalam luas dari
di bawah kurva berbentuk genta\lonceng (bell shaped curve).
• Kurva maupun persamaan Normal melibatkan nilai x,  dan .
• Keseluruhan kurva akan bernilai 1, ini mengambarkan sifat peluang yang tidak pernah
negatif dan maksimal bernilai satu
• Nilai rata-rata (mean) pada distribusi normal akan terletak ditengah-tengah dari kurve normal.
• Bentuknya simetris dengan nilai mean = median =modus
• Ujung masing-masing sisi kurve sejajar dgn sumbu horisontal dan tidak memotong sumbu
horisontal tsb.
• Sebagian besar data ada ditengah-tengah dan sebagian kecil ada pada masing-masing sisi/tepi.
68% data berada dalam jarak ± 1 standar deviasi
95% data berada dalam jarak ± 2 standar deviasi,
99% data berada dalam jarak ± 3 standar deviasi.
Perhatikan gambar di bawah ini:
Gambar1. Kurva Distribusi Normal
i x
13
Definisi Distribusi Peluang Normal
1 x − 2
1 − ( )

n(x; , ) = e 2
22
untuk nilai x : - < x <  e = 2.71828.....  = 3.14159...
 : rata-rata populasi
 : simpangan baku populasi
² : ragam populasi
• Untuk memudahkan penyelesaian soal-soal peluang Normal, telah disediakan tabel

nilai z (Statistika2, hal 175)
Perhatikan dalam tabel tersebut :

1. Nilai yang dicantumkan adalah nilai z
x−
z=

2. Luas kurva yang dicantumkan dalam tabel = 0.50 (setengah bagian kurva
normal
0 z
3. Nilai z yang dimasukkan dalam tabel ini adalah luas dari sumbu 0 sampai
dengan nilai z
Dalam soal-soal peluang Normal tanda = .  dan  diabaikan,

jadi hanya ada tanda < dan >
14
Cara membaca Tabel Nilai z
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0
0.1
0.2
::
1.0
1.1
1.2 0.3944
1.3
:
3.4
Nilai 0.3944 adalah untuk luas atau peluang 0 < z < 1.25 yang digambarkan sebagai
berikut
luas = 0.3944
0 1.25
Gambar 2. Peluang 0 < z < 1.25
Dari Gambar 2 dapat kita ketahui bahwa P(z >1.25 ) = 0.5 - 0.3944 = 0.1056
0 1.25
Gambar 3. Peluang (z>1.25)
15
P(z < 25) = 0.5 + 0.3944 = 0.8944
0 1.25
Gambar 4. Peluang (z <1.25)
Luas daerah untuk z negatif dicari dengan cara yang sama, perhatikan contoh berikut :
P(-1.25 < z <0) = 0.3944
-1.25 0
Gambar 5. Peluang (-1.25 < z < 0)
P(z >-1.25) = 0.5 + 0.3944 = 0.8944
-1.25 0
Gambar 6. Peluang (z>-1.25)
P(z < -1.25) = 0.5 - 0.3944 = 0.1056
-1.25 0
Gambar 7. Peluang (z < -1.25)
16
Jika ingin dicari peluang diantara suatu nilai z→ 𝑧1 < z < 𝑧2 , perhatikan contoh berikut:
P(-1.25<z<1.25) = 0.3944 + 0.3944 = 0.788
-1.25 0 1.25
Gambar 8. Peluang (-1.25<z<1.25)
P(-1.30 < z < -1.25) = 0.4032 - 0.3944 = 0.0088
-1.30 -1.25 0
Gambar 9. Peluang(-1.30<x<1.25)
Peluang (1.25 < z < 1.35) = 0.4115 - 0.3944 = 0.0171
0 1.25 1.35
Gambar 10. Peluang (1.25 < z < 1.35)
• Untuk memastikan pembacaan peluang normal, gambarkan daerah yang ditanyakan!
17
Contoh 11 :
Rata-rata upah seorang buruh = $ 8.00 perjam dengan simpangan baku = $ 0.60,
jika terdapat 1 000 orang buruh, hitunglah :
a. banyak buruh yang menerima upah/jam kurang dari $ 7.80
b. banyak buruh yang menerima upah/jam lebih dari $ 8.30
c. .banyak buruh yang menerima upah/jam antara $ 7.80 sampai 8.30
 = 8.00  = 0.60
a. x < 7.80
x− 7.80 − 8.00
z= = = −0.33
 0.60
P(x < 7.80) = P(z < -0.33) = 0.5 - 0.1293 = 0.3707 (Gambarkan!)
banyak buruh yang menerima upah/jam kurang dari $ 7.80
= 0.3707 x 1 000
= 370.7 = 371 orang
b. x > 8.30
x− 8.30 − 8.00
z= = = 0.50.
 0.60
P(x > 8.30) = P(z > 0.50) = 0.5 - 0.1915 = 0.3085 (Gambarkan!)
Banyak buruh yang menerima upah/jam lebih dari $ 8.30

= 0.3085 x 1 000
= 308.5 = 309 orang
c. 7.80 < x < 8.30
z1 = -0.33 z2 = 0.50
P(7.80 < x < 8.30) = P(-0.33 < z < 0.50) = 0.1915 + 0.1293 = 0.3208
(Gambarkan)
Banyak buruh yang menerima upah/jam dari $ 7.80 sampai $ 8.30
= 0.3208 x 1000 = 320.8 = 321 orang
18
• Pendekatan untuk peluang Binomial bila p bernilai sangat kecil dan n relatif besar
o JIKA rata-rata ()  20 MAKA lakukan pendekatan dengan distribusi
POISSON dengan
 =np
o JIKA rata-rata () > 20 MAKA lakukan pendekatan dengan distribusi
NORMAL dengan
 =np
▪ 2 = n pq
  = n pq
Contoh 12 :
Dari 200 soal pilihan berganda, yang jawabannya terdiri dari lima pilihan (a, b, c,d
dan e), berapa peluang anda akan menjawab BENAR lebih dari 50 soal?
n = 300 p = 1/5 = 0.20 q = 1 - 0.20 = 0.80
a. Kerjakan dengan POISSON
P(x >50, p = 0.20)  = n  p = 200  0.20 = 40
Poisson (x > 50;  = 40 ),  = 40 dalam TABEL POISSON menggunakan
RUMUS, terlalu rumit!
b. KERJAKAN dengan NORMAL

P (x > 50, p = 0.20)  = n  p = 200  0.20 = 40
 2 = n  p  q = 200  0.20 0.80 = 32
 = n pq = 32
P(x > 50 , p = 0.20) → P (z > ?)
50 − 40 10
z= = = 17677
.  177
.
32 5.6568...
P (z > 1.77) = 0.5 - 0.4616 = 0.0384 = 3.84 %
 selesai 
19
PENARIKAN SAMPEL
SAMPLING MENGESTIMASI PARAMETER POPULASI
ESTIMATOR TIDAK BIAS

Suatu besaran statistik yang memiliki nilai harapan sama
dengan parameter yang diestimasi (populasi).
• Estimator adalah statistic yang digunakan untuk melakukan estimasi parameter

• Sensus = pendataan setiap anggota populasi
• Sampling = pendataan sebagian anggota populasi = penarikan contoh = pengambilan
sampel
• Inferensia Statistik membahas generalisasi/penarikan kesimpulan dan prediksi/
peramalan. Generalisasi dan prediksi tersebut melibatkan sampel/contoh, sangat jarang
menyangkut populasi.
• Pekerjaan yang melibatkan populasi tidak digunakan, karena:
1. mahal dari segi biaya dan waktu yang panjang
2. populasi akan menjadi rusak atau habis jika disensus
misal :
dari populasi donat ingin diketahui rasanya, jika semua donat dimakan,
dan donat tidak tersisa, tidak ada yang dijual?
• Beda antara Statistik Sampel dengan Parameter Populasi
Ukuran/Ciri Parameter Populasi Statistik Sampel

(Estimator)
Rata-Rata  → (myu) x → (x bar)
Selisih 2 Rata-rata 1 − 2 → (nilai mutlak) x1 − x 2 → (nilai mutlak)
Standar Deviasi =  → (tho) S
Simpangan Baku
Varians = Ragam ² s²
Proporsi  → (phi) atau p p atau p
Selisih 2 proporsi 1 −  2 → (nilai mutlak) p1 − p2 → (nilai mutlak)
catatan : pada Nilai Mutlak, nilai negatif diabaikan
SAMPEL RANDOM
• Sampling acak adalah sampel dipilih sedemikian hingga mewakili populasi. setiap
anggota populasi memiliki kesempatan yang sama untuk terpilih sebagai sampel
• Sampel yang baik adalah
o Sampel yang representatif
o Besaran/ciri sampel (Statistik Sampel) memberikan gambaran yang tepat mengenai
besaran ukuran populasi (Parameter Populasi)
o penghematan biaya dan waktu
o menjaga keakuratan hasil-hasilnya
• Sampel yg baik diperoleh dengan memperhatikan hal-hal berikut
1. keacakannya (randomness)
2. ukuran
3. teknik penarikan sampel (sampling) yang sesuai dengan kondisi atau sifat populasi
• Sampel Acak = Contoh Random → dipilih dari populasi di mana setiap anggota
populasi memiliki peluang yang sama terpilih menjadi anggota ruang sampel
• Suatu kesimpulan yang diambil berdasarkan sampel harus:
o valid
o dapat dipercaya
MANFAAT PENARIKAN SAMPEL

➢ Untuk menduga parameter populasi yang tidak diketahui berdasarkan nilai
statistik sampel.
➢ Untuk menentukan apakah perbedaan antara dua sampel disebabkan oleh variasi
secara kebetulan atau tidak secara kebetulan (signifikan)
METODE SAMPLING
Salah satu teknik untuk mendapatkan sampel acak adalah dengan memanfaatkan bilangan acak
(random numbers)
Klasifikasi berdasarkan :
1. Jumlah sampel yang diambil :
➢ Tunggal
➢ Ganda
➢ Multiple
2. Cara memakainya :
➢ Sampling Kebijaksanaan
➢ Sampling Random/Acak
• Penarikan Sampel Acak dapat dilakukan dengan 2 cara

1. Penarikan sampel tanpa pemulihan/tanpa pengembalian :
setelah didata, anggota sampel tidak dikembalikan ke dalam ruang sampel
2. Penarikan sampel dengan pemulihan :
bila setelah didata, anggota sampel dikembalikan ke dalam ruang sampel.
CARA PENGAMBILAN SAMPEL

➢ Dengan Pengembalian (sampling with replacement)
Setiap unsur dari populasi dapat terpilih lebih dari satu kali
➢ Tanpa Pengembalian (sampling without replacement)
Setiap unsur dari populasi hanya dapat terpilih satu kali
TEKNIK PENARIKAN SAMPEL :
➢ Penarikan Sampel Acak Sederhana (Simple Randomized Sampling)

Setiap sampel yang berukuran sama mempunyai Probabilitas sama.
➢ Penarikan Sampel Sistematik (Systematic Sampling)

Setiap sampel dipilih dengan aturan tertentu
Contoh
Tetapkan interval lalu pilih secara acak anggota pertama sampel.
Misalnya interval = 20
Secara acak terpilih :
Anggota populasi ke-7 sebagai anggota ke-1 dalam sampel, maka :
Anggota populasi ke-27 menjadi anggota ke-2 dalam sampel
Anggota populasi ke-47 menjadi anggota ke-3 dalam sampel, →dst.
➢ Penarikan Sampel Acak Berlapis (Stratified Random Sampling)

Populasi terdiri dari beberapa kelas/kelompok.
Dari setiap kelas diambil sampel secara acak.
Antar Kelas bersifat (cenderung) berbeda nyata (heterogen).
Anggota dalam suatu kelas akan (cenderung) sama (homogen).
Pemilihan sampel diawali dengan pengelompokan berdasarkan strata.
➢ Penarikan Sampel Gerombol/Kelompok (Cluster Sampling)

Populasi juga terdiri dari beberapa kelas/kelompok
Sampel yang diambil berupa kelompok bukan individu
Anggota Antar Kelas bersifat (cenderung) sama (homogen).
Anggota dalam suatu kelas akan (cenderung) berbeda (heterogen).
Pemilihan sampel dilakukan dengan pengelompokan, sebagian kelompok dipilih secara
random atau sistematis
➢ Penarikan Sampel Area (Area Sampling)

Prinsipnya sama dengan Cluster Sampling.
Pengelompokan ditentukan oleh letak geografis atau administratif.
JENIS POPULASI
➢ Populasi Terhingga (FINITE)
Jumlah populasi kecil dan terbatas
➢ Populasi Tak Terhingga (INFINITE)
Jumlah populasi besar, pengambilan sampel tidak menghabiskan unsur dalam
populasi tersebut.
Berdasarkan Ukurannya, maka sampel dibedakan menjadi :
1. Sampel Besar jika ukuran sampel (n)  30
2. Sampel Kecil jika ukuran sampel (n) < 30
DISTRIBUSI PENARIKAN SAMPEL
( DISTRIBUSI SAMPLING)
distribusi besaran-besaran statistik yang muncul dari sample.
• Jumlah Sampel Acak yang dapat ditarik dari suatu populasi adalah sangat banyak.
• Nilai setiap Statistik Sampel akan bervariasi/beragam antar sampel.
• Suatu statistik dapat dianggap sebagai peubah acak yang besarnya sangat tergantung
dari sampel yang kita ambil.
• Karena statistik sampel adalah peubah acak maka ia mempunyai distribusi yang kita
sebut sebagai :
Distribusi peluang statistik sampel = Distribusi Sampling = Distribusi Penarikan
Sampel
DEVIASI STANDAR berkaitan dengan nilai asli

STANDAR ERROR berkaitan dengan nilai hasil hitungan
SAMPLING ERROR : perbedaan hasil yang diperoleh dari suatu sampel dengan hasil
yang diperoleh dari populasi.
DISTRIBUSI SAMPLING RATA-RATA

Beberapa notasi :
n : ukuran sampel N : ukuran populasi
x : rata-rata sampel  : rata-rata populasi
s : standar deviasi sampel  : standar deviasi populasi
x : rata-rata antar semua sampel
x : standar deviasi antar semua sampel = standard error = galat Baku

a. Distribusi Sampling Rata Rata Sampel Besar
1. Distribusi Sampling Bagi Rata Rata Satu Populasi
DALIL - 1
JIKA …….
Sampel:   Populasi berukuran = N
berukuran = 𝑛 ≥ 30diambil DENGAN PEMULIHAN dari  Terdistribusi NORMAL
rata-rata = 𝑥̅   Rata-rata = µ ; simpangan baku = σ
MAKA………
Distribusi Rata-rata akan mendekati distribusi Normal dengan :
 x−
x = dan x = dan nilai z=
n  n
DALIL - 2
JIKA …….
berukuran = n ≥ 30 diambil TANPA PEMULIHAN dari  Terdistribusi NORMAL
rata-rata = 𝑥̅   Rata-rata= µ;simpangan baku= σ
MAKA……….
 𝑁−𝑛
x = dan  x = √ dan nilai Z=
𝑥̅ −µ
𝑁−𝑛
n 𝑁−1 (𝜎⁄𝑛)√
𝑁−1
N −n
• disebut sebagai FAKTOR KOREKSI populasi terhingga.
N −1
• Faktor Koreksi (FK) akan menjadi penting jika sampel berukuran n diambil dari
populasi berukuran N yang terhingga/ terbatas besarnya
• Jika sampel berukuran n diambil dari populasi berukuran N yang sangat besar maka
N −n
FK akan mendekati 1 →  1 , hal ini mengantar kita pada dalil ke-3 yaitu :
N −1
➢ DALIL LIMIT PUSAT = DALIL BATAS TENGAH
( THE CENTRAL LIMIT THEOREM )
DALIL - 3 : DALIL LIMIT PUSAT
JIKA….
Sampel:   Populasi berukuran = N yang BESAR
Berukuran = n  diambil dari  distribusi : SEMBARANG
rata-rata =𝑥̅   Rata-rata= µ; simpangan baku= σ
MAKA…….
 x−
x =  dan  x = dan nilai z=
n  n
• Dalil Limit Pusat berlaku untuk :

1. penarikan sampel dari populasi yang sangat besar,
2. distribusi populasi tidak dipersoalkan
• Beberapa buku mencatat hal berikut : Populasi dianggap BESAR
jika ukuran sampel
n
KURANG DARI 5 % ukuran populasi atau  5%
N
2. Distribusi Sampling Bagi Beda 2 Rata Rata
• Beda atau selisih 2 rata-rata = 1 − 2 → ambil nilai mutlaknya!
• Melibatkan 2 populasi yang BERBEDA dan SALING BEBAS

• Sampel-sampel yang diambil dalam banyak kasus (atau jika dilihat secara akumulatif)
adalah sampel BESAR
DALIL - 4
JIKA….
Dua (2) Sampel   Dua (2) Populasi berukuran BESAR
berukuran n1 dan n2  diambil dari  Rata-rata 1 dan 2
rata-rata = x1 dan x2   Ragam 12 dan  2 2
MAKA….
12 2 2
x − x = 1 − 2 dan standard error =  x − x = + dan
1 2 1 2
n1 n2
x1 − x2 − 1 − 2
z=
nilai z 12  2 2
+
n1 n2
b. Distribusi Sampling Rata-rata Sampel Kecil

DALIL -5
JIKA…
ukuran KECIL n < 30  diambil dari  terdistribusi : NORMAL
rata-rata = x simp. baku = s   Rata-rata = 
MAKA….
Distribusi Rata-rata akan mendekati distribusi-t dengan :
s x−
x = dan x = dan nilai t=
n s n
Pada derajat bebas = n – 1 dan suatu nilai α
• Distribusi Sampling untuk sampel kecil didekati dengan distribusi t Student = distribusi
t (W.S. Gosset) dimana Distribusi-t pada prinsipnya adalah pendekatan distribusi sampel
kecil dengan distribusi normal.
Dua hal yang perlu diperhatikan dalam Tabel t adalah
a. Derajat bebas (db) = degree of freedom = v = n – 1 dimana n : ukuran sampel
b. Nilai 
adalah luas daerah kurva di kanan nilai t atau luas daerah kurva di kiri nilai –t
Nilai  → 0.1 (10%) ; 0.05 (5%) ; 0.025(2.5%) ; 0.01 (1%) ; 0.005(0.5%)
Nilai  terbatas karena banyak kombinasi db yang harus disusun!
• Distribusi t akan di gunakan pula dalam PENGUJIAN HIPOTESIS
Penggunaan Distribusi T dalam pengujian
Nilai  ditentukan terlebih dahulu
Lalu nilai t tabel ditentukan dengan menggunakan nilai  dan db.
Nilai t tabel menjadi batas selang pengujian
Lakukan pembandingan nilai t tabel dengan nilai t hitung.
Nilai t hitung untuk kasus distribusi rata-rata sampel kecil didapat dengan
menggunakan DALIL 5
• Pembacaan Tabel Distribusi-t
Misalkan n = 9 → db = 8; Nilai  ditentukan = 2.5% di kiri dan kanan kurva

t tabel (db, ) = t tabel(8; 0.025) = 2.306
Jadi t = 2.306 dan -t = -2.306
2.5% 95 % 2.5%
-2.306 2.306
Arti Gambar di atas :
nilai t sampel berukuran n = 9, berpeluang 95% jatuh dalam selang
-2.306 < t < 2.306.
Peluang t >2.306 = 2.5 % dan Peluang t < -2.306 = 2.5 %
Coba cari nilai t tabel untuk beberapa nilai db dan  yang lain!
• Perbedaan Tabel z dan Tabel t
Tabel z → nilai z menentukan nilai 
Tabel t → nilai  dan db menentukan nilai t
• Dalam banyak kasus nilai simpangan baku populasi () tidak diketahui, karenanya
nilai  diduga dari nilai simpangan baku sampel (s)
Distribusi penarikan Sampel besar untuk Nilai Tengah dan Proporsi dari :
1. Satu Populasi
Populasi terbatas / pengambilan Populasi tak terhingga /
sampel tanpa pemulihan / pengambilan sampel dengan
Parameter pengembalian : pengembalian / pemulihan
Nilai Nilai
Tengah Standar deviasi (x) Tengah Standar deviasi x
Nilai Tengah
x x = 
𝜎 𝑁−𝑛 x =  𝜎
x = √ x =
√𝑛 𝑁−1 √𝑛
Proporsi p p = p 𝑝 .𝑞 𝑝 .𝑞
p =√ * f. koreksi p =√
𝑁 𝑁
q = ( 1 – p) q = ( 1 – p)
Catatan :
𝑁−𝑛
Factor koreksi √ digunakan jika :
𝑁−1
▪ Sampling dilakukan pada populasi terbatas.
▪ Sampel > 5 % dari populasi
2. Dua Populasi
Parameter Nilai Tengah Standar deviasi 𝑥

𝜎12 𝜎22
Nilai Tengah x 𝜎𝑥1 −𝑥2 =√ +
µx = µ1 − µ2 𝑁1 𝑁2
1 −x2
Proporsi p 𝜎𝑝 = √𝜎𝑝21 − 𝜎𝑝22

µp = 𝑝1 − 𝑝2
1 −p2
𝑝1 𝑞1 𝑝2 𝑞2
𝜎𝑝 = √ +
𝑁1 𝑁2
Contoh Soal :
Sebaran Penarikan Contoh bagi Nilai tengah ( sebaran peluang suatu statistic) dari
Suatu populasi yang terdiri atas angka : 0 ; 1 ; 2 ; 3 diambil contoh sebesar 2 dengan
pemulihan
Jawab :
Nilai tengah Contoh Acak sebesar 2 dengan pemulihan tersebut :
No. Contoh 𝑥̅ No. Contoh 𝑥̅

1 0;0 0 9 2;0 1
2 0;1 0.5 10 2;1 1.5
3 0;2 1 11 2;2 2
4 0;3 1.5 12 2;3 2.5
5 1;0 0.5 13 3;0 1.5
6 1;1 1 14 3;1 2
7 1;2 1.5 15 3;2 2.5
8 1;3 2 16 3;3 3
Sebaran Penarikan Contoh bagi 𝑥̅ dengan pemulihan :

𝑥̅ F f(𝑥̅ )
0 1 1/16
0.5 2 2/16
1 3 3/16
1.5 4 4/16
2 3 3/16
2.5 2 2/16
3 1 1/16
Tabel Distribusi t
 (/2) 0.1 0.05 0.025 0.01 0.005
db 1 3.078 6.314 12.706 31.821 63.656

2 1.886 2.920 4.303 6.965 9.925
3 1.638 2.353 3.182 4.541 5.841
4 1.533 2.132 2.776 3.747 4.604
5 1.476 2.015 2.571 3.365 4.032
6 1.440 1.943 2.447 3.143 3.707

7 1.415 1.895 2.365 2.998 3.499
8 1.397 1.860 2.306 2.896 3.355
9 1.383 1.833 2.262 2.821 3.250
10 1.372 1.812 2.228 2.764 3.169
11 1.363 1.796 2.201 2.718 3.106

12 1.356 1.782 2.179 2.681 3.055
13 1.350 1.771 2.160 2.650 3.012
14 1.345 1.761 2.145 2.624 2.977
15 1.341 1.753 2.131 2.602 2.947
16 1.337 1.746 2.120 2.583 2.921

17 1.333 1.740 2.110 2.567 2.898
18 1.330 1.734 2.101 2.552 2.878
19 1.328 1.729 2.093 2.539 2.861
20 1.325 1.725 2.086 2.528 2.845
21 1.323 1.721 2.080 2.518 2.831

22 1.321 1.717 2.074 2.508 2.819
23 1.319 1.714 2.069 2.500 2.807
24 1.318 1.711 2.064 2.492 2.797
25 1.316 1.708 2.060 2.485 2.787
26 1.315 1.706 2.056 2.479 2.779

27 1.314 1.703 2.052 2.473 2.771
28 1.313 1.701 2.048 2.467 2.763
29 1.311 1.699 2.045 2.462 2.756
30 1.310 1.697 2.042 2.457 2.750
 1.282 1.645 1.960 2.326 2.576

Inferensia Statistika
• Tehnik pengambilan keputusan tentang suatu parameter populasi
• Mencakup semua metode yang digunakan dalam penarikan kesimpulan atau generalisasi
mengenai suatu populasi
• Meliputi :
• Pendugaan Parameter
• Pengujian Hipotesis
• Perbedaan estimasi dan uji hipotesis :
Estimasi : pendugaan kenyataan yang ada di tingkat populasi berdasarkan sampel
Uji hipotesis : lebih ditujukan untuk membuat suatu pertimbangan tentang perbedaan antara
nilai statistik di sampel dengan nilai parameter populasi
I. Pendugaan Parameter
Tujuan pendugaan : mengetahui bagaimana data yang ada pada sampel bisa menggambarkan
keadaan populasi
Pendugaan / Estimator adalah kuantitas sample yang merupakan nilai sample untuk menduga
kuantitas populasi.
Nilai sample estimasi parameter
Statistical parameter angka hasil evaluasi penduga
Ciri-ciri penduga yang baik :
a. Tidak bias
Memiliki nilai harapan yang sama dengan parameter yang diestimasikan
μǑ = E(Ǒ) = Ө
b. Efisien
Penduga memiliki ragam / variasi terkecil
c. Konsisten
Penduga berkonsentrasi secara sempurna pada parameter jika besar sample bertambah
secara tak terhingga
P(Ө - Ǒ) = 0 bila n= ∞
Jenis estimasi :
Estimasi titik
• Adalah suatu nilai tunggal yang dihitung berdasarkan pengukuran sampel yang akan
dipakai untuk menduga nilai tunggal yang ada di tingkat populasi yang belum diketahui
• Hasil adalah suatu angka mutlak (angka pasti)
• Estimator yang digunakan
Mean atau rata-rata
Standar deviasiVariansi
Estimasi interval/Penduga selang
• suatu estimasi terhadap parameter populasi dengan memakai range (interval nilai)
• Hasil merupakan sekumpulan angka dan akan lebih objektif
• Menyatakan berapa besar tingkat kepercayaan bahwa interval yang terbentuk memang
mengandung nilai parameter yang diduga
• Peneliti bebas menentukan interval kepercayaan (90%, 95%, 99%)
o Semakin besar tingkat kepercayaan yang diberikan, semakin tinggi tingkat
kepercayaan bahwa parameter populasi yang diestimasi terletak dalam interval
yang terbentuk, namun penelitian menjadi semakin tidak teliti
o Ketelitian bisa dikaitkan dengan alpha (daerah penolakan)
Misal :
▪ apabila ditetapkan interval kepercayaan sebesar 95% maka alpha sebesar
5% (100%-95%)
Artinya bahwa diberikan toleransi untuk melakukan kesalahan sebanyak
5 kali dalam 100 kali percobaan
▪ Interval kepercayaan 90% (alpha 10%)
10 kali dari 100 kali percobaan
Maka interval kepercayaan 95% akan lebih teliti dibanding interval 90%
(alpha 0.10)
Penduga Selang
Bila Ǒ adalah penduga (titik) bagi parameter Ǒ1 maka Ǒ1 < Ө < Ǒ2 sehingga
P (Ǒ1 < Ө < Ǒ2) = 1 -  adalah penduga interval bagi Ө , dimana 0< <1
1 -  = interval kepercayaan
Ǒ1 Ө Ǒ2
Interval kepercayaan / interval convidensi :
Besarnya keyakinan untuk menerima kebenaran dari pendugaan dan mentolerir kesalahan
duga (error of estimate) sebesar 
𝜶⁄𝟐 𝜶⁄𝟐
batas keyakinan bawah batas keyakinan atas
Bentuk Umum Selang Kepercayaan
Batas Bawah < (Simbol) Parameter < Batas Atas
Pendugaan dapat dilakukan :
a. Searah mentolerir kesalahan duga sebesar 
b. Dua arah mentolerir kesalahan duga sebesar  tetapi dalam menentukan nilai
kritis digunakan 𝜶⁄𝟐
a. Pendugaan Satu Nilai tengah populasi (μ) dengan populasi tak terbatas
Kriteria
no Selang kepercayaan Nilai dugaan
populasi/sampel
1 • sample besar P (-𝑧𝜶⁄𝟐 < Z <𝑧𝜶⁄𝟐 ) = 1 -  µ𝟏𝟐 = x ± 𝒁𝜶⁄𝟐 𝝈⁄√𝒏
(n ≥ 30)
•  diketahui
2 • sample kecil Terdistribusi normal µ𝟏𝟐 = x ± 𝒕𝜶⁄𝟐,𝒗 𝒔⁄√𝒏
(n < 30) P (-𝑡𝜶⁄𝟐,𝒗 < Z < 𝑡𝜶⁄𝟐,𝒗 )
= 1- 
•  tidak Tidak terdistribusi normal µ𝟏𝟐 = x ± k 𝒙

diketahui P (x - k x < μ < x + k x)
𝟏
=1- 𝟐
𝒌
Galat (e) dalam pendugaan μ tidak melebihi :

𝒁𝜶⁄𝟐 𝝈⁄√𝒏
Ukuran contoh bagi pendugaan μ
𝒁𝜶⁄𝟐 𝛔 𝟐
n=
𝒆
• Populasi terhingga/terbatas
Untuk memenuhi keyakinan sebesar selang kepercayaan perlu factor koreksi untuk harga x
sebesar :
𝑁−𝑛
√
𝑁−1
Sehingga rumus besaran simpangan baku menjadi :
𝑁−𝑛 𝜎
𝜎𝑥 √ 𝑁−1 dimana : 𝜎𝑥 =
√𝑛
b. Pendugaan Beda dua Nilai tengah populasi (𝝁𝟏 -µ𝟐 )
no Kriteria Selang kepercayaan bagi

Estimasi/pendugaan
populasi/sampel (𝝁𝟏 -µ𝟐 )
1 o sample besar (n≥ 30) P (-𝑧𝜶⁄𝟐 < Z <𝑧𝜶⁄𝟐 ) = (𝝁𝟏 − 𝝁𝟐 )𝑨𝑩
o 1 dan 2 tidak
diketahui 1- 𝜎21 𝜎22
= (𝒙𝟏 -𝒙𝟐 ) ± 𝑧𝜶⁄𝟐 √ +𝑁
𝑁1 2
2 o sample kecil (n<30) P (-𝑡𝜶⁄𝟐,𝒗 < t < 𝑡𝜶⁄𝟐,𝒗 ) (𝝁𝟏 − 𝝁𝟐 )𝑨𝑩
o 1 = 2
o 1 dan 2 tidak = 1-  1
= (𝒙𝟏 -𝒙𝟐 ) ± 𝑡𝜶⁄𝟐,𝒗 𝑠𝑝 √ +
1
diketahui 𝑛1 𝑛2
(𝑛1 −1)𝑠12 + (𝑛2 −1)𝑠22

𝑠𝑝2 = 𝑛1 +𝑛2 − 2
v = 𝑛1 + 𝑛2 − 2

o 1 ≠ 2
o 1 dan 2 tidak = 1-  = (𝒙𝟏 -𝒙𝟐 ) ± 𝑡𝜶⁄𝟐,𝒗 √
𝑠12
+
𝑠22
[ 𝑠12 ⁄𝑛1 +𝑠22 ⁄𝑛2 ]2

V = (𝑠2⁄𝑛 2 2 2
1 1) (𝑠 ⁄𝑛 )
+ 2 2
(𝑛1 −1) (𝑛2−1 )
4 o data berpasangan P (-𝑡𝜶⁄𝟐,𝒗 < t < 𝑡𝜶⁄𝟐,𝒗 ) (𝝁𝟏 − 𝝁𝟐 )𝑨𝑩 = 𝑥𝐷 ± 𝑡𝜶⁄𝟐,𝒗 𝑠𝑑 ⁄√𝑛
= 1- 
𝑛 ∑ 𝑑𝑖2 −(∑ 𝑑𝑖 )2
𝑠𝑑2 = 𝑛(𝑛−1)
𝑑𝑖 = 𝑥1𝑖 − 𝑥2𝑖
∑𝑑
𝑥𝐷 = 𝑛 𝑖
v = n– 1
Pendugaan Proporsi populasi ()
1. Pendugaan untuk satu proporsi

Menggunakan sebaran normal
Transformasi normal baku dari Dalil limit pusat
( p – μp)
z=
p
p =  (p . q) / n
dimana : p = proporsi yang diharapkan
μp = proporsi populasi = 
Selang kepercayaan bagi proporsi ( ) adalah P (-z/2< Z < z /2 ) = 1 - 
1- 
/2 /2
- z /2 O z /2
Maka : P (-z/2< Z < z /2 ) = 1 - 

Sama dengan :
( p – μp)
P ( - z/2 < < z /2 ) = 1 - 
p
P ( p - z/2p<  < p + z/2p) = 1- 
Selang kepercayaan (1 -  ) 100 % bagi proporsi 
p - z/2 p <  < p + z/2 p
atau : 1< < 2 dimana :  12 = p ± z/2 p
sehingga :
 1 = p - z/2 p
 2 = p + z/2 p
Bila p = proporsi yang diharapkan
μp = proporsi populasi = 
n = ukuran contoh acak
p = ragam populasi normal
Galat (e) dalam pendugaan proporsi tidak melebihi :
z/2 p
Ukuran contoh bagi pendugaan proporsi

z/2 2p.q
n=
e2
Jika p = q = ½ maka ukuran contoh dapat diketahui dengan rumus :
z/2 2
n=
4 e2
2. Pendugaan untuk beda dua proporsi

Menggunakan sebaran normal
Transformasi normal baku dari Dalil limit pusat
(p1 – p2) - (1 - 2)

z=
p1-p2
p1-p2 =  (p1 . q1) / n1 + (p2 . q2) / n2
dimana : p1 – p2 = selisih proporsi yang diharapkan
1 - 2 = selisih proporsi populasi
Selang kepercayaan bagi beda 2 proporsi (1 - 2) adalah P (-z/2< Z < z /2 ) = 1 - 
1- 
/2 /2
- z /2 O z /2
Maka : P (-z/2< Z < z /2 ) = 1 - 

Sama dengan :
(p1 – p2) - (1 - 2)
P ( - z/2 < < z /2 ) = 1 - 
p1-p2
P ((p1 – p2) - z/2p1-p2< (1 - 2) < (p1 – p2) + z/2p1-p2) = 1- 
Selang kepercayaan (1 -  ) 100 % bagi beda dua proporsi populasi (1 - 2)
(p1 – p2) - z/2p1-p2< (1 - 2) < (p1 – p2) + z/2p1-p2

atau : (1 - 2)A < (1 - 2) < (1 - 2)B
dimana : (1 - 2) AB = (p1 – p2) ± z/2 p
sehingga : (1 - 2) A = (p1 – p2) - z/2 p

(1 - 2) B = (p1 – p2) + z/2 p
Bila (p1 – p2) = beda proporsi yang diharapkan

(1 - 2) = beda proporsi populasi
n1 dan n2 = ukuran contoh acak populasi 1 dan populasi 2
p1-p2 = ragam populasi normal
Soal-soal dan Pembahasan
Contoh Soal 1
Contoh soal 2.
Contoh soal 3 :
Contoh Soal 4 :
Contoh Soal 5 :
Regresi & Korelasi Linier Sederhana
1. Pendahuluan
• Gagasan perhitungan ditetapkan oleh Sir Francis Galton (1822-1911)
• Persamaan regresi :Persamaan matematik yang memungkinkan peramalan nilai suatu

peubah takbebas (dependent variable) dari nilai peubah bebas
(independent variable)
• Diagram Pencar = Scatter Diagram

Diagram yang menggambarkan nilai-nilai observasi peubah takbebas dan peubah bebas.
Nilai peubah bebas ditulis pada sumbu X (sumbu horizontal)

Nilai peubah takbebas ditulis pada sumbu Y (sumbu vertikal)
Nilai peubah takbebas ditentukan oleh nilai peubah bebas
Anda sudah dapat menentukan mana peubah takbebas dan peubah bebas?
Contoh 1:
Umur Vs Tinggi Tanaman (X : Umur, Y : Tinggi)

Biaya Promosi Vs Volume penjualan (X : Biaya Promosi, Y : Vol. penjualan)
• Jenis-jenis Persamaan Regresi : a. Regresi Linier :

- Regresi Linier Sederhana
- Regresi Linier Berganda
b. Regresi Nonlinier
- Regresi Eksponensial
•
•
• Regresi Linier
- Bentuk Umum Regresi Linier Sederhana
Y = a + bX
Y : peubah takbebas
X : peubah bebas
a : konstanta
b : kemiringan
- Bentuk Umum Regresi Linier Berganda

Y = a + b1X1 + b2X2 + ...+ bnXn
1
Y : peubah takbebas a : konstanta
X1 : peubah bebas ke-1 b1 : kemiringan ke-1
Xn : peubah bebas ke-n bn : kemiringan ke-n
• Regresi Non Linier

- Bentuk umum Regresi Eksponensial
Y = abx
log Y = log a + (log b) x
2. Regresi Linier Sederhana
• Metode Kuadrat terkecil (least square method): metode paling populer untuk menetapkan
persamaan regresi linier sederhana
- Bentuk Umum Regresi Linier Sederhana :

Y = a + bX
Y : peubah takbebas X : peubah bebas
a : konstanta b : kemiringan
Nilai b dapat positif (+) dapat negartif (-)
b : positif → Y b : negatif → Y
Y = a + bX Y = a - bX
X X
• Penetapan Persamaan Regresi Linier Sederhana
n
 n  n 
n  xi yi −   xi    yi 
i =1  i =1   i =1 
b= 2
n
 n 
n  x −   xi 
2
i =1  i =1 
i
2
n n
y
i =1
i x
i =1
i
a = y − bx sehingga a= −b
n n
n : banyak pasangan data
yi : nilai peubah takbebas Y ke-i
xi : nilai peubah bebas X ke-i
Contoh 2 :
Berikut adalah data Biaya Promosi dan Volume Penjualan PT BIMOIL perusahaan Minyak
Goreng.
x y
Tahun Biaya Promosi Volume Penjualan x²
(Juta Rupiah) (Ratusan Juta Liter) xy
1992 2 5
1993 4 6
1994 5 8
1995 7 10
1996 8 11
 x = y = xy = x² =
n=5
bentuk umum persaman regresi linier sederhana : Y = a + b X
n
 n  n 
n  xi yi −   xi    yi 
i =1  i =1   i =1  (5  232) − (26  40) 1160 − 1040 120
b= b= = = = 105263
. ... =
n
 n 
2
(5  158) − (262 ) 790 − 676 114
n xi2 −  xi 
i =1  i =1 
1.053
n n
 yi
i =1
x
i =1
i
a= −b
n n
40  26 
a= −  105263
. ...  = 8 − (105263
. ...5.2) = 8 − 5.4736... = 2.5263.... = 2.530
5  5
Y=a+bX → Y = 2.530 + 1.053 X
3
• Peramalan dengan Persamaan Regresi
Contoh 3 :
Diketahui hubungan Biaya Promosi (X dalam Juta Rupiah) dan Y (Volume penjualan dalam
Ratusan Juta liter) dapat dinyatakan dalam persamaan regresi linier berikut
Y = 2.530 + 1.053 X
Perkirakan Volume penjualan jika dikeluarkan biaya promosi Rp. 10 juta ?
Jawab : Y = 2.530 + 1.053 X

X = 10
Y = 2.53 + 1.053 (10) = 2.53 + 10.53 = 13.06 (ratusan juta liter)
Volume penjualan = 13.06 x 100 000 000 liter
3. Korelasi Linier Sederhana
• Koefisien Korelasi (r) : ukuran hubungan linier peubah X dan Y

Nilai r berkisar antara (+1) sampai (-1)
Nilai r yang (+) ditandai oleh nilai b yang (+)
Nilai r yang (-) ditandai oleh nilai b yang (-)
Jika nilai r mendekati +1 atau r mendekati -1 maka

X dan Y memiliki korelasi linier yang tinggi
Jika nilai r = +1 atau r = -1 maka X dan Y memiliki korelasi linier sempurna
Jika nilai r = 0 maka X dan Y tidak memiliki relasi (hubungan) linier

(dalam kasus r mendekati 0, anda dapat melanjutkan analisis ke regresi eksponensial)
• Koefisien Determinasi Sampel = R = r²

Ukuran proporsi keragaman total nilai peubah Y yang dapat dijelaskan oleh nilai peubah X
melalui hubungan linier.
4
• Penetapan & Interpretasi Koefisien Korelasi dan Koefisien Determinasi
n
 n  n 
n xi yi −   xi    yi 
i =1  i =1   i =1 
r=
 n  n

2
 n  n

2

n xi −  xi   n yi −  yi  
2 2
 i =1  i =1    i =1  i =1  
R = r2
Contoh 4 :
Lihat Contoh 2, setelah mendapatkan persamaan Regresi Y = 2.530 + 1.053 X, hitung koef.
korelasi (r) dan koef determinasi (R).
Gunakan data berikut (lihat Contoh 2)
x = 26 y = 40 xy = 232 x² =158 y² = 346
n
 n  n 
n xi yi −   xi    yi 
i =1  i =1   i =1 
r=
 n   n 2  n  
2 2
2 
n
n xi −  xi   n yi −  yi  
 i =1  i =1    i =1  i =1  
(5  232) − (26  40) 1160 − 1040 120

r= = =
 (5  158) − (26 )   (5  346) − (40 )
2 2  790 − 676  1730 − 1600 114  130
120 120
= = = 0.9857...
14820 12173
. ...
Nilai r = 0.9857 menunjukkan bahwa peubah X (biaya promosi) dan Y (volume penjualan)
berkorelasi linier yang positif dan tinggi
R = r 2 = 0.9857...2 = 0.97165....= 97 %
Nilai R = 97% menunjukkan bahwa 97% proporsi keragaman nilai peubah Y (volume penjualan)
dapat dijelaskan oleh nilai peubah X (biaya promosi) melalui hubungan linier.
Sisanya, yaitu 3 % dijelaskan oleh hal-hal lain.
5
Regresi dan Korelasi Berganda
Persamaan regresi :
Persamaan matematika untuk meramal kan nilai suatu peubah tak bebas dari nilai satu/lebih
peubah bebas
Persamaan regresi linier ≈ persamaan garis lurus
Y = a + bx
a = intersep
b = gradien/kemiringan
Metode untuk menentukan persamaan garis regresi:

a. Metode tangan bebas
berdasarkan diagram pencar pada bidang Cartesius
b. Metode kuadrat terkecil
ŷ= a + bx
n Σxy – Σx Σy
b =
n Σx2 – (Σx )2
Σ y – b Σx
a =
n
Kurva regresi
kurva yang menghubungkan nilai tengah setiap sebaran
μY/x = α + β x
α dan β = koefisien regresi
Korelasi :
Pengukuran hubungan antara peubah acak x dan y
Koefisien korelasi ( r ) :
Ukuran hubungan linier antara 2 peubah acak x dan y
Nilai koefisien korelasi ( r ) : -1 < r < 1

Korelasi positif (r = +) = hub. linier positif
Korelasi negatif (r = -) = hub. linier negatif Korelasi positif (r = 0) = tidak ada hub.linier
n ∑x y – ∑x ∑y
r =
[n∑x2-(∑x)2] [n∑y2-(∑y)2]
Dengan mom𝑒n perkalian :
Jika x = X - X dan y = Y - Y
∑ 𝑥𝑦
Maka : r =
√∑ 𝑥 2 ∑ 𝑦 2
Merupakan peramalan nilai peubah acak tak bebas Y berdasarkan hasil pengukuran pada
beberapa peubah acak bebas (X1, X2, …, Xr.)
Persamaan :
 Y|X1, X2, …, Xr = o + 1 x1 + 2 x2 + … + r xr
Persamaan regresi
Ŷ = bo + b1 x1 + b2 x2 + … + br xr
Nilai dugaan kuadrat terkecil untuk persamaan regresi adalah :
∑ yi = n bo + b1 ∑ x1i + b2 ∑ x2i
∑ x1i yi = bo ∑ x1i + b1 ∑ x1i2 + b2 ∑ x1ix2i
∑ x2i yi = bo ∑ x2i + b1 ∑ x1ix2i + b2 ∑ x2i2
bo = y – b1 x1 – b2 x2
Koefisien Determinan Korelasi Berganda : R2y.12

menunjukkan proporsi keragaman total nilai-nilai peubah Y
JKG
2
R y.12 = 1 -
(n – 1) sy2
dimana :
JKG = ∑ ( yi – ŷi )2
Atau
JKG = ∑ yi2 – bo ∑ yi – b1 ∑ x1i yi – b2 ∑ x2i yi
Koefisien Korelasi Parsial : r Y 2.1
hubungan linier antara peubah Y dan X1, X2
r Y2 – rY1 r12
rY2 . 1 =
(1 – rY12)( 1 – r122)
dimana :
n ∑x1i yi – ∑x1i ∑yi
r Y1 =
[n∑x1i2-(∑x1i)2][n∑yi2-(∑yi)2]

r Y2 =
[n∑x2i2-(∑x2i) 2 ][n∑yi2-(∑yi)2]
n ∑x1i x2i – ∑x1i ∑x2i

r 12 =
[n∑x1i2-(∑x1i)2][n∑x2i2-(∑x2i)2]
Regresi Berganda & Korelasi
Regresi Linier Berganda
• Pembahasan akan meliputi regresi linier dengan 2 Variabel Bebas (X1 dan X2) dan 1 Variabel
Tak Bebas (Y).
• Bentuk Umum : Y = a + b1 X1 + b2 X2
Y : peubah takbebas a : konstanta
• a , b1 dan b2 didapatkan dengan menyelesaikan tiga persamaan Normal berikut:
n n n
(i)
n a + b1  x1i + b 2  x2i =  yi
i =1 i =1 i =1
n n n n
(ii)
a  x1i + b1  x1i + b 2  x2i x1i =  x1i yi
2
i =1 i =1 i =1 i =1
n n n n
(iii)
a  x2i + b1  x2i x1i + b 2  x2i =  x2i yi 2
i =1 i =1 i =1 i =1
n : banyak pasangan data yi : nilai peubah takbebas Y ke-i

x1i : nilai peubah bebas X1 ke-i x2i : nilai peubah bebas X2 ke-i
1
Contoh 4:
Berikut adalah data Volume Penjualan (juta unit) Mobil dihubungkan dengan variabel biaya
promosi (X1 dalam juta rupiah/tahun) dan variabel biaya penambahan asesoris (X2 dalam
ratusan ribu rupiah/unit).
x1 x2 y x1 x2 x1y x2y x1² x2² y²
2 3 4 6 8 12 4 9 16
3 4 5 12 15 20 9 16 25
5 6 8 30 40 48 25 36 64
6 8 10 48 60 80 36 64 100
7 9 11 63 77 99 49 81 121
8 10 12 80 96 120 64 100 144
x 1 x 2
= y x x 1 2
x 1
y= x 2
y= x 1
2
= x 2
2
= y
2
=
=31 40 =50 =239 296 379 187 306 470
Tetapkan Persamaan Regresi Linier Berganda = a + b1 X1 + b2 X2
n=6
 x = 31 1 x 2
= 40  y = 50
 x x =239 1 2 x 1
y =296  x y = 379
2
 x =187 x  y = 470
2 2 2
1 2
=306
Masukkan notasi-notasi ini dalam ketiga persamaan normal,

n n n
(i) n a + b1  x1i + b 2  x2i =  yi
i =1 i =1 i =1
n n n n
(ii) a  x1i + b1  x1i 2 + b 2  x2i x1i =  x1i yi
i =1 i =1 i =1 i =1
n n n n
(iii) a  x2i + b1  x2i x1i + b 2  x2i 2 =  x2i yi
i =1 i =1 i =1 i =1
Sehingga didapatkan tiga persamaan berikut:
(i) 6a + 31 b1 + 40 b2 = 50
2
(ii) 31 a + 187 b1 + 239 b2 = 296
(iii) 40 a + 239 b1 + 306 b2 = 379
Lakukan Eliminasi, untuk menghilangkan (a)
(ii) 31 a + 187 b1 + 239 b2 = 296 6

(i) 6a + 31 b1 + 40 b2 = 50  31
(ii) 189 a + 1122 b1 + 1434 b2 = 1776

(i) 189 a + 961 b1 + 1240 b2 = 1550
(iv) 161b1 + 194 b2 = 226
Lalu
(iii) 40 a + 239 b1 + 306 b2 = 379  6

(i) 6a + 31 b1 + 40 b2 = 50  40
(iii) 240 a + 1434 b1 + 1836 b2 = 2274

(i) 240 a + 1240 b1 + 1600 b2 = 2000
(v) 194 b1 + 236 b2 = 274
Selanjutnya, eliminasi (b1) dan dapatkan nilai (b2)
(v) 194 b1 + 236 b2 = 274  161

(iv) 161 b1 + 194 b2 = 226  194
(v) 31234 b1 + 37996 b2 = 44114

(iv) 31234 b1 + 37636 b2 = 43844
360 b2 = 270
b2 = 0.75
Dapatkan Nilai (b1) dan nilai (a) dengan melakukan substitusi, sehingga:
(v) 194 b1 + 236 b2 = 274
Perhatikan b2 = 0.75
3
194 b1 + 236 (0.75) = 274
194 b1 + 177 = 274
194 b1 = 97
b1 = 0.50
(i) 6a + 31 b1 + 40 b2 = 50
Perhatikan b1 = 0.50 dan b2 = 0.75
6a + 31(0.50) + 40 (0.75) = 50
6a + 15.5 + 30 = 50
6a = 4.5
a = 0.75
Sehingga Persamaan Regresi Berganda
a + b1 X1 + b2 X2 dapat ditulis sebagai 0.75 + 0.50 X1 + 0.75 X2
Korelasi Linier berganda
• Koefisien Determinasi Sampel untuk Regresi Linier Berganda diberi notasi sebagai berikut
2
R y.12
• Sedangkan Koefisien Korelasi adalah akar positif Koefisien Determinasi atau
2
ry.12 = Ry.12
• Rumus
Ry2.12 = 1 − JKG
( n −1) s 2y
JKG : Jumlah Kuadrat Galat

sy ² : Jumlah Kuadrat y (terkoreksi)
di mana
s = 2
n y − 2
( y ) 2
y
n(n − 1)
4
JKG =  y 2 − a  y − b1  x1 y − b2  x 2 y
Contoh 5:
Jika diketahui (dari Contoh 4)

n=6
 x1 = 31  x 2 = 40  y = 50
 x x =239
1 2 x 1
y =296  x y = 379
2
 x =187 x  y = 470
2 2 2
1 2
=306
2
Maka tetapkan R y.12 dan jelaskan artinya nilai tersebut!
s y2 =
n y 2 − ( y ) 2
=
6(470) − (50) 2 2820 − 2500 320
= = = 10.667
n(n − 1) 6(6 − 5) 30 30
JKG =  y 2 − a  y − b1  x1 y − b2  x 2 y = 470 - 0.75(50) - 0.5 (296) - 0.75 (379)

= 470 - 37.5 - 148 - 284.25
= 0.25
0.25 0.25
Ry2.12 = 1 − ( nJKG = 1− = 1−
−1) s 2 y 5  10.667 53.333
= 1 - 0.0046875
= 0.9953125
= 99.53%
2
Nilai R y.12 = 99.53% menunjukkan bahwa 99.53% proporsi keragaman nilai peubah Y (volume
penjualan) dapat dijelaskan oleh nilai peubah X (biaya promosi) dan X2 (biaya aksesoris) melalui
hubungan linier.
Sisanya sebesar 0.47% dijelaskan oleh hal-hal lain.
5
 Selesai 
6
Pengujian Parameter
Komponen dalam pengujian parameter :

1. Hipotesis :
Hipotesis :
adalah pernyataan atau dugaan mengenai satu atau lebih populasi.
Hipotesis yang bersifat statistik :
adalah suatu asumsi mengenai parameter fungsi frekuensi variable random
H0 : hipotesis nol / null hypothesis
o adalah hipotesis yang dirumuskan dengan harapan akan ditolak atau
diterima tergantung pada hasil eksperimen / pemilihan sample
o merupakan hipotesis yang akan di uji
H1 : Ha : Hypothesis alternative. (Alternative hypothesis)
Merupakan hipotesis yang akan diterima bila menolak hipotesis nol (H0
ditolak)
2. Nilai kritik :
Nilai statistik sample yang dipakai sebagai dasar untuk menerima atau menolak
H0, merupakan pembatas wilayah kritik dengan wilayah penerimaan
wilayah penerimaan : wilayah penerimaan Hipotesis
wilayah kritik : wilayah penolakan Hipotesis
Ukuran wilayah kritik : ()
Taraf nyata untuk menentukan nilai batas keyakinan
3. Jenis pengujian:
o Pengujian searah
Pengujian alternative H1 lebih besar dari suatu nilai parameter atau H1 lebih
kecil dari suatu nilai parameter.
Taraf nyata nilai kritis = 
1- = koefisien keyakinan
H1 = Ө > Ө0
Wilayah penerimaan
Ho 1- wil. Kritis

H1 = Ө < Өo
wil. kritis 1- Wilayah penerimaan

Ho

o Pengujian 2 arah
Taraf nyata nilai kritis : /2
H1 =  ≠ 0
wil. kritis 1- wil. kritis
/2 /2
Wilayah penerimaan Ho
4. Kemungkinan hasil hipotensis
Nilai satistik pada wilayah kritis

➔ Tolak H0 dengan resiko kesalahan sebesar 
Nilai statistic pada wilayah penerimaan
➔ Terima H0 dengan resiko kesalahan sebesar 
5. Galat hipotesis / Galat Pengujian :
Kesimpulan yang salah dalam pengambilan keputusan
Galat ada 2 jenis :
Galat jenis I : taraf nyata : 
Penolakan hipotesis nol yang benar
Galat jenis II : taraf nyata : 
Penolakan hipotesis nol yang salah
Hypotesis H0 benar H0 salah

Keputusan
Terima H0 Keputusan benar Galat jenis II
prob. 1- 
Tolak H0 Galat jenis I Keputusan yang benar
 prob. 1-
Langah - langkah pengujian hipotesis parameter populasi 

1. Nyatakan hipotesis nol-nya Ho
2. Pilih hipotesis alternative H1 yang sesuai
 < 0
 > 0
 ≠ 0
3. Tentukan taraf nyata 
4. Pilih statistic uji yang sesuai
5. Tentukan wilayah kritiknya
6. Hitung nilai statistic uji berdasarkan data contoh
7. Keputusan :
Tolak H0 bila nilai statistic uji tersebut jatuh dalam wilayah kritik
Terima H0 bila nilai statistic uji tersebut jatuh di luar wilayah kritik
Soal dan Pembahasan Uji T
1. Ada pendapat bahwa rata-rata tingkat pengeluaran wisatawan asing selama mereka di Jakarta
adalah US$ 1.000. Intuk membuktikan pernyataan tersebut , dipilih 15 orang wisatawan asing
dan ternyata rata-rata pengeluarannya US$ 925 dengan simpangan baku US$ 85. Dengan
informasin ini apakah pernyataan tersebut dapat dipercaya ? Gunakan taraf uji 5 % dan
asumsikan pengeluaran wisatawan menyebar normal.
Diketahui : o = 1000 s = 85 x = 925 n = 15
 = 0.05
Soal :Uji : Ho =  = 1000
Jawab : Ho =  = 1000
Ha =  ≠1000
Wilayah kritis t < - t 0.025, 14 t > t0.025,14

t < …… t > ……
Nilai Uji : t = ( x – μo)

x
t = 925 – 1000 Keputusan t hitung ……. ± t 0.025.
85/ √15 Kesimpulan : …………….
2. Suatu contoh acak berukuran n1 = 16 yang dipilih dari populasi normal dengan simpangan
baku 1 = 8 menghasilkan rata-rata contoh 75. Suatu contoh acak lain nya berukuran n2 = 9
yang yang dipilih dari populasi normal lain yang bebas dari populasi pertama dengan
simpangan baku 2 = 10 menghasilkan rata-rata contoh 70. Dengan taraf uji 5 % apakah dapat
dikatakan bahwa nilai tengah ke dua populasi tersebut berbeda ?
Diketahui : s1 = 8 x1 = 75 n = 16 σ1 ≠ σ2
s2 = 10 x2 = 70 n=9
 = 0.05
Soal :Uji : Ha = 1 - 2 ≠ 0
Jawab : Ho = 1 - 2 = 0
Ha = 1 - 2 ≠ 0
Wilayah kritis t < - t 0.025, v t > t 0.025,v
t < …… t > ……
2 2
[ 𝑠1 ⁄𝑛1 +𝑠2 ⁄𝑛2 ] 2
V = (𝑠2 2 2 2
1 ⁄𝑛1 ) + (𝑠2 ⁄𝑛2 )
(𝑛1 −1) (𝑛2−1 )
(64/16 + 100/9)2
v=
((64/16)2/15) + ((100/9)2/8)
(x1 −𝑥2 ) − 𝜇0
Nilai Uji : t =
√(𝑠12 ⁄𝑛1 +𝑠22 ⁄𝑛1 )
t= (75-70) – 0
(64/16 +100/9)
t = ……… Keputusan t hitung ……. ± t 0.025
Kesimpulan : …………….
3. Dari dua contoh acak masing-masing berukuran n1 = 10 dan n2 = 14 dipilih dari dua populasi
normal yang bebas menghasilkan x1 = 54, s1 = 8 , x2 = 60 dan s2 = 7. Dengan taraf uji 5 %
apakah dapat dikatakan bahwa nilai tengah ke dua populasi tersebut berbeda ? Bila
diasumsikan kedua populasi terdistribusi normal dengan simpangan baku yang sama
Diketahui : s1 = 8 x1 = 54 n = 10 σ1 = σ2
s2 = 7 x2 = 60 n = 14
 = 0.05
Soal : Uji : Ha = 1 - 2 ≠ 0
Jawab : Ho = 1 - 2 = 0
Ha = 1 - 2 ≠ 0
Wilayah kritis t < - t 0.025, (10+14-2) t > t 0.025,(10+14-2)
t < …… t > ……
(𝑛1 −1)𝑠12 + (𝑛2 −1)𝑠22
𝑠𝑝2 = 𝑛1 +𝑛2 − 2
(10-1 )82+ (14-1 )72

Sp2 = =
( 10 + 14 - 2 )
Sp =  Sp2 Sp = …….
(x1 −𝑥2 ) − 𝜇0
Nilai Uji : t =
𝑆𝑝 √(1⁄𝑛1 +1⁄𝑛2 )
t= (54-60) – 0
Sp(1/10 +1/14)
t = ……… Keputusan t hitung ……. ± t 0.025
Kesimpulan : …………….
4. Suatu program diet diperkenalkan oleh sebuah lembaga periklanan bahwa program tersebut
dapat menurunkan berat badan dalam waktu satu minggu tanpa menimbulkan efek samping.
Hasil test terhadap peserta program diet itu dipilih secara acak dan berat badannya ditimbang
sebelum dan sesudahnya. Hasilnya sebagai berikut :
Berat (kg)
Sebelum 85 65 76 87 98 86 73 80
Sesudah 78 66 74 82 90 80 72 76
Dengan taraf uji 5 % apakah dapat dikatakan program diet itu dapat menurunkan berat badan
lebih dari 10 kilogram, bila diasumsikan penurunan berat menyebar normal ?
Diketahui : Hasil test terhadap peserta program diet :

Berat (kg)
Sebelum(x1) 85 65 76 87 98 86 73 80
Sesudah(x2) 78 66 74 82 90 80 72 76
XD = x2-x1 -8 1 -2 -5 -8 -6 -1 -4
sD = 3.271 xD = - 4.125 n=8
 = 0.05
Soal : Apakah program diet itu dapat menurunkan berat badan lebih dari 10 kg
Jawab :
Ho = 2 - 1 ≥ -10
Ho = 2 - 1 < - 10
Wilayah kritis : t < - t 0.05, 7

t < …….
Nilai uji :
𝑛 ∑ 𝑑𝑖2 −(∑ 𝑑𝑖 )2
𝑠𝑑2 = 𝑛(𝑛−1)
( xD −µ0 )
t=
𝑆𝑑 ⁄√𝑛
-4.125 – (-10) Keputusan t hitung ……. t - 0.05,7

t= Kesimpulan : …………….
3.271 / 7
t = ……
Uji t atau T test
Pengertian Uji tes
• dikembangkan oleh William Seely Gosset pada tahun 1915
• Disebut juga dengan Student t dan merupakan salah satu metode statistik yang digunakan
untuk menguji kebenaran atau kepalsuan hipotesis yang menyatakan bahwa diantara dua
buah mean sample yang diambil secara random dari populasi yang sama terdapat perbedaan
signifikan
• Student t test adalah uji komparatif untuk menilai perbedaan antara nilai tertentu dengan rata-
rata kelompok populasi. Student t test disebut juga dengan istilah one sample t test atau uji t
satu sampel oleh karena uji t di sini menggunakan satu sampel.
Persyaratan analisis Uji t

Sebagaimana halnya uji parametris lainnya, uji student test juga mempunyai asumsi atau syarat
yang harus dipenuhi, antara lain:
• Data berskala interval atau rasio.
• Sampel diambil secara acak dari populasi yang sama
Hanya terdapat satu subjek namun diuji berulang-ulang dalam berbagai waktu. Jadi dengan
kata lain, sampel yang diambil berasal dari pengambilan acak atau simple random sampling
• Data bersifat independen, artinya tidak terdapat korelasi antara rata-rata populasi dengan nilai
tiap-tiap sampel dalam populasi.
• Data tidak terdapat outlier atau data pencilan.
Adanya outlier harus dicari dan sampel yang menjadi outlier harus dikeluarkan dari
penelitian. Dinyatakan sebagai pencilan jika nilainya ekstrem atau melebihi dari 3 kali
standart deviasi..
• Data harus berdistribusi normal. Uji normalitas yang digunakan dapat berbagai macam,.
Untuk menentukan uji yang tepat sebaiknya perhatikan jumlah sampel.
Penggolongan Uji t
Satu Sampel
Berhubungan
Uji t (Dependen)
Dua Sampel
Terpisah
(independent)
Uji t satu sampel :

digunakan untuk menguji perbedaan rata-rata suatu variable dengan suatu konstanta
tertentu atau nilai hopotesis
𝑥̅ − µ
Rumus : 𝑡=𝑠
⁄ 𝑛
√
t = koefisien t
𝑥̅ = mean sampel
µ = mean populasi
S = standart deviasi sampel
n = banyaknya sampel
Pola Uji T untuk satu sampel
Kriteria populasi/sampel Ho Ha Nilai kritis Nilai Uji Statistik

sample kecil (n< 30) μ = μo μ < μo t < -𝑡𝛼,𝑣 ( 𝑥 – 𝜇𝑜)
t=
𝑠⁄√𝑛
 tidak diketahui μ > μo t >𝑡𝛼,𝑣
μ ≠ μo t <-𝑡𝛼⁄2 ,𝑣 v= n-1
t > 𝑡𝛼⁄2 ,𝑣
Dependen sample test
Adalah salah satu metode yang digunakan untuk membandingkan rata-rata pada sampel
yang sama dan berbentuk pasangan
Pola uji t untuk data dependen (dependent sample test)
o data berpasangan μ1 - μ2 = μo μD < μ o t < -𝑡𝛼,𝑣 ( xD −µ0 )

t=
𝑆 𝑑 ⁄√ 𝑛
atau μD > μ o
t >𝑡𝛼,𝑣 𝑛 ∑ 𝑑𝑖2 − (∑ 𝑑𝑖 )2
μD = μo μD ≠ μ o 𝑆 2𝑑 =
t <-𝑡𝛼⁄2 ,𝑣 𝑛(𝑛−1)
dan
∑ 𝑑𝑖
t > 𝑡𝛼⁄2 ,𝑣 𝑥𝐷 =
𝑛
𝑣 = 𝑛− 1
Independent test
Digunakan untuk menguji signifikansi beda rata-rata dua kelompok
Pola uji t untuk data independen (independent sample test)
o sample kecil (n<30) μ1 - μ2 = μo μ1 - μ2 < μ o t < -𝑡𝛼,𝑣 (x1 −𝑥2 ) − 𝜇0

o 1 ≠ 2 μ1 - μ2 > μ o t=
t >𝑡𝛼,𝑣 √(𝑠12 ⁄𝑛1 +𝑠22 ⁄𝑛1 )
o 1 dan 2 tidak μ1 - μ2 ≠ μ o
diketahui t <-𝑡𝛼⁄2 ,𝑣
[ 𝑠2 ⁄𝑛 +𝑠2 ⁄𝑛 ]2
dan v = (𝑠21⁄𝑛 )12 2(𝑠2 ⁄𝑛2 )2
1 1 + 2 2
t > 𝑡𝛼⁄2 ,𝑣 (𝑛1 −1) (𝑛2−1 )

o 1 = 2 μ1 - μ2 > μ o t=
t >𝑡𝛼,𝑣 𝑆𝑝 √(1⁄𝑛1 +1⁄𝑛2 )
diketahui t <-𝑡𝛼⁄2 ,𝑣 (𝑛1 −1)𝑠12 + (𝑛2 −1)𝑠22
2
dan 𝑠𝑝 =
𝑛1 +𝑛2 − 2
t > 𝑡𝛼⁄2 ,𝑣
v = 𝑛1 + 𝑛2 − 2
Aturan uji t
Nilai t atau F adalah mutlak
Jika t atau F hitung (nilai mutlak)< t atau F table maka Ho diterima
Jika t atau F hitung (nilai mutlak) > t atau F table maka Ho ditolak
Atau : jika sig > α , m aka Ho terima
Jika sig < α , mka Ho tolak
BAB III
Data Mentah ( RAW DATA)

Adalah data yang disajikan dalam bentuk belum diolah dan
belum informative
Penyajian data dengan pengelompokan data berdasarkan ciri-
ciri penting sejumlah data, ke dalam beberapa kelas dan meng
hitung banyaknya pengamatan yang masuk ke dalam setiap
kelas.
• Distribusi frekuensi bilangan
o Data berupa angka
o Kelas menurut besar bilangan
• Distribusi frekuensi kategoris
o Data bukan angka
o Kelas berdasarkan sifat lain
Contoh
• Distribusi frekuensi bilangan • Distribusi frekuensi kategoris
Bobot koper (kg) Banyaknya Kategori Banyaknya
7–9 3 Anak-anak 30
10 – 12 7 Gadis 35
13 – 15 17 Bersuami 25
16 – 18 15 Janda 10
19 - 21 8
Langkah-langkah membuat Distribusi Frekuensi :

1. Tentukan Jumlah kelas
2. Tentukan wilayah data/range/jangkauan
3. Tentukan lebar /interval kelas
4. Tentukan limit /batas kelas (atas dan bawah)
5. Tentukan tepi batas kelas/ class boundaries (atas dan bawah)
6. Tentukan titik tengah
7. Tentukan frekuensi masing-masing kelas
8. Jumlahkan kolom frekuensi (jumlah frekuensi = jumlah
pengamatan)
• Jumlah kelas
a. Tergantung keadaan dan banyaknya data
b. Biasanya antara 5 – 20 kelas
c. Dapat ditentukan dengan aturan Sturges :
Jumlah kelas = 1 + 3.322 log n

Dimana :
n = banyaknya pengamatan
pembulatan hasil perhitungan (pembulatan ke
bawah)
• Wilayah data/range/jangkauan
Dihitung berdasarkan : data terbesar – data terkecil
• Lebar /interval kelas

Besarnya : jangkauan : jumlah kelas
Hasil perhitungan di bulatkan ke atas
• Limit /batas kelas (atas dan bawah)

Angka yang membatasi setiap kelas
• Tepi batas kelas/ class boundaries (atas dan bawah)

Pertengahan antara batas kelas bawah kelas ke n dengan
batas kelas atas kelas ke (n-1)
O O O
Batas kelas atas batas kelas bawah
kelas ke n-1 kelas ke n
tepi batas kelas
• Titik tengah
batas kelas bawah + batas kelas atas
2
Distribusi Frekuensi :
Berdasarkan kelas :
• Distribusi frekuensi terbuka
batas kelas tidak jelas
• Distribusi frekuensi tertutup
batas kelas jelas
Berdasarkan interval kelas :
• Kelas sama
Interval kelas sama
• Kelas tidak sama
Terjadi karena :
Penggabungan kelas yang berfrekuensi nol
Perubahan data yang ekstrim
Berdasarkan perhitungan jumlah sample :
c. Distribusi frekuensi kumulatif
Penyajian grafik
• Diagram Balok
Sumbu x : menggunakan selang kelas
• Histogram
• Poligon
Sumbu x : menggunakan titik tengah
• Ogive/Poligon frekuensi kumulatif
Sumbu y : menggunakan frekuensi kumulatif
Soal Latihan peerorangan :
(dikerjakan dalam selembar kertas, dikumpulkan per kelompok)
Nilai hasil ujian Statistika 1 mahasiwa kelas 2 IA 01

Gunadarma tahun 2007-2008 adalah sebagai berikut :
53 59 62 68 73 75 84 88 90 95
67 63 69 71 76 81 85 93 94 97
63 62 67 65 74 79 78 83 87 94
84 88 90 95 67 63 69 71 76 81
Dengan menggunakan metode sturges buatlah
c. Distribusi frekuensi kumulatif (DFK)
Contoh :
Kelas TBK Frekuensi Frek rel

53 - 60 52,5 – 60,5 2 2 : 40 =
61 - 68 60,5 – 68,5 10 10 : 40 =
69 – 76 68,5 – 76,5 dst dst
77 - 84
85 – 92
93 - 100
interval
Jumlah kelas dengan sturges = 6,322 = 6

Range = 97 – 53 = 44
Interval kelas : 44 : 6 = 7,33 ……= 8
Penentuan batas bawah (BB)
BB kelas pertama : 53 ( nilai terkecil data)
BB kelas ke dua = BB kelas pertama (missal 53) + 8 (interval)= 61
BB kelas ke 3 = BB kelas ke 2 ( 61 ) + 8 (interval) = 69 dst
Kurang dari : (DFK <)
Kelas TBK Frekuensi
< 60,5 52,5 – 60,5 2
< 68,5 60,5 – 68,5 12
< 76,5 68,5 – 76,5 dst
dst
Kurang dari sama dengan : (DFK ≤)

Kelas TBK Frekuensi
≤ 60 52,5 – 60,5 2
≤ 68 60,5 – 68,5 12
≤ 76 68,5 – 76,5 dst
dst
Lebih dari : (DFK >)

Kelas TBK Frekuensi
> 52,5 52,5 – 60,5 40
> 60,5 60,5 – 68,5 38
> 68,5 68,5 – 76,5 dst
dst
Kurang dari sama dengan : (DFK ≥)

Kelas TBK Frekuensi
≥ 53 52,5 – 60,5 40
≥ 61 60,5 – 68,5 38
≥ 69 68,5 – 76,5 dst
dst
Distribusi Peluang Teoritis
1. Pendahuluan
Distribusi teoritis meruipakan distribusi dengan frekwensi yang diturunkan secara matematis.
Sedang pada Distribusi frekwensi, frekwensi diperoleh dari hasil observasi/pengamatan
Ruang sampel dibedakan menjadi :
• Ruang sampel Diskrit
berisi sejumlah kemungkinan terhingga atau urutan tidak terbatas dengan unsur
sebanyak jumlah bilangan bulat,
• Ruang sampel kontinyu.
berisi sejumlah kemungkinan tak terhingga yang sama dengan jumlah titik-titik dalam
sebuah segmen garis,
Titik-titik contoh di dalam Ruang Sampel (S) dapat disajikan dalam bentuk numerik/bilangan.
Peubah Acak
PEUBAH ACAK = VARIABEL ACAK = RANDOM VARIABLE
(beberapa buku juga menyebutnya sebagai STOCHASTIC VARIABLE )
• Adalah Fungsi yang mendefinisikan titik-titik contoh dalam ruang contoh sehingga memiliki
nilai berupa bilangan nyata
Atau : merupakan suatu fungsi yang menghubungkan sebuah bilangan real dengan setiap
unsur dalam ruang sampel.
• Biasanya PEUBAH ACAK dinotasikan sebagai X (X kapital)
Nilai dalam X dinyatakan sebagai x (huruf kecil x).
Contoh 1 :
Pelemparan sekeping Mata Uang setimbang sebanyak 3 Kali
S : {GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA}
dimana G = GAMBAR dan A = ANGKA
X: setiap satu sisi GAMBAR bernilai satu (G = 1)
S : {GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA} Perhatikan bahwa X{0,1,2,3}
        Nilai 𝑥1 = 0, 𝑥2 = 1 𝑥3 = 2, 𝑥4 = 3
3 2 2 2 1 1 1 0
1
• Kategori Peubah Acak
Peubah Acak dapat dikategorikan menjadi:
a. Peubah Acak Diskrit :
▪ nilainya berupa bilangan cacah, dapat dihitung dan terhingga.
▪ merupakan hasil penghitungan untuk hal-hal yang dapat dicacah
Misal : Banyaknya Produk yang rusak = 12 buah
Banyak pegawai yang di-PHK = 5 orang
b. Peubah Acak Kontinyu:

▪ nilainya berupa selang bilangan, tidak dapat di hitung dan tidak terhingga
(memungkinkan pernyataan dalam bilangan pecahan)
▪ merupakan hasil pengukuran, mengambil nilai-nilai pada skala kontinyu
→ untuk hal-hal yang diukur (jarak, waktu, berat, volume)
Misalnya : Jarak Pabrik ke Pasar = 35.57 km
Waktu produksi per unit = 15.07 menit
Berat bersih produk = 209.69 gram
Volume kemasan = 100.00 cc
Distribusi Peluang Teoritis :
Tabel atau Rumus yang mencantumkan semua kemungkinan nilai peubah acak berikut
peluangnya.
Berhubungan dengan kategori peubah acak, maka dikenal :

a. Distribusi Peluang Diskrit :
Seragam*),
Bernoulli /Binomial*),
Hipergeometrik*),
Poisson*)
b. Distribusi Peluang Kontinyu :
Normal*) t, F, 𝑋 2 (chi kuadrat)
2
2. Distribusi Peluang Diskrit
2.1 Distribusi Peluang Seragam
Definisi Distribusi Peluang Seragam :

Jika Peubah Acak X mempunyai nilai 𝑥1 , 𝑥2 , 𝑥3 , …. 𝑥𝑘 , yang berpeluang sama, maka distribusi
peluang seragamnya adalah :
1
f(x;k) = untuk x = 𝑥1 , 𝑥2 , 𝑥3 , …. 𝑥𝑘
k
Contoh 2 :
Jika Abi, Badu dan Cici berpeluang sama mendapat beasiswa, maka distribusi peluang seragamnya
adalah :
1
f(x; 3) = 3 untuk x = Abi, Badu, Cici
atau x =1,2,3(mahasiswa dinomori)

Secara umum: nilai k dapat dianggap sebagai kombinansi N dan n
k = CnN N = banyaknya titik contoh dalam ruang contoh/populasi
n = ukuran sampel acak = banyaknya unsur peubah acak X
2.2 Distribusi Peluang Binomial
Percobaan Bernoulli /Binomial

Percobaan Binomial adalah percobaan yang mempunyai ciri-ciri sebagai berikut:
1. Percobaan diulang n kali
2. Hasil setiap ulangan hanya dapat dikategorikan ke dalam 2 kelas;
Misal: "BERHASIL" atau "GAGAL"
("YA" atau "TIDAK"; "SUCCESS" or "FAILED")
3. Peluang keberhasilan = p dan dalam setiap ulangan nilai p tidak berubah.
Peluang gagal = q = 1- p.
4. Setiap ulangan bersifat bebas (independent) satu dengan yang lain.
3
Definisi Distribusi Peluang Binomial
b(x;n,p) = Cxn p x q n-x untuk x = 0,1,23,...,n

n: banyaknya ulangan
p: peluang berhasil pada setiap ulangan
x: banyak keberhasilan dalam peubah acak X
q: peluang gagal = 1 - p pada setiap ulangan
Catatan :
untuk memudahkan membedakan p dengan q, terlebih dahulu harus dapat menetapkan
mana kejadian SUKSES mana yang GAGAL. Anda dapat menetapkan bahwa
kejadian yang ditanyakan adalah = kejadian SUKSES
Contoh 3 :
Tentukan peluang mendapatkan "MATA 1" muncul 3 kali pada pelemparan 5 kali
sebuah dadu setimbang!
Kejadian sukses/berhasil = mendapat "MATA 1"
x=3
n = 5 → pelemparan diulang 5 kali
1 1 5
p= q = 1- =
6 6 6
b(x;n,p) = Cxn p x q n-x
b( 3;5, 16 ) = C35 ( 16 ) 3 ( 56 ) 2
5! 52
= = 10  0.003215...= 0.03215...
3! 2! 65
Tabel Peluang Binomial

Soal-soal peluang peluang binomial dapat diselesaikan dengan bantuan Tabel Distribusi
Peluang Binomial (Lihat hal 157-162, Statistika 2)
4
Cara membaca Tabel tersebut :
Misal :
n x p = 0.10 p = 0.15 p = 0.20 dst
5 0 0.5905 0.4437 0.3277
1 0.3280 0.3915 0.4096
2 0.0729 0.1382 0.2048
3 0.0081 0.0244 0.0512
4 0.0004 0.0020 0.0064
5 0.0000 0.0001 0.0003
Perhatikan :
Total setiap Kolom p = 1.0000 karena pembulatan, nilainya tidak persis = 1.0000
hanya mendekati 1.0000
x = 0 n = 5 p = 0.10 b(0; 5, 0.10) = 0.5905
x =1 n = 5 p = 0.10 b(1; 5, 0.10) = 0.3280
Jika 0 x  2, n = 5 dan p = 0.10 maka
b(x; n, p) = b(0; 5, 0.10)+ b(1; 5, 0.10)+b(2;5,0.10)
= 0.5905 + 0.3280 +0.0729
= 0.9914
Contoh 4
Suatu perusahaan “pengiriman paket ” terikat perjanjian bahwa keterlambatan paket akan
menyebabkan perusahaan harus membayar biaya kompensasi.
Jika Peluang setiap kiriman akan terlambat adalah 0.20 Bila terdapat 5 paket, hitunglah
probabilitas :
a. Tidak ada paket yang terlambat, sehingga perusahaan tidak membayar biaya kompensasi?
(x = 0)
b. Lebih dari 2 paket terlambat? (x 2)
c. Tidak Lebih dari 3 paket yang terlambat?(x  3)\
d. Ada 2 sampai 4 paket yang terlambat?(2  x  4)
e. Paling tidak ada 2 paket yang terlambat?(x  2)
Jawab
a. x = 0 → b(0; 5, 0.20) = 03277 (lihat di tabel atau dihitung dgn rumus)
5
b. x  2 → Lihat tabel dan lakukan penjumlahan sebagai berikut :
b(3; 5, 0.20) + b(4; 5, 0.20) + b(5; 5, 0.20) =
0.0512 + 0.0064 + 0.0003 = 0.0579
atau .....
→ 1 - b(x  2) = 1 - [b(0; 5, 0.20) + b(1; 5, 0.20) + b(2; 5, 0.20)
= 1 - [0.3277 + 0.4096 + 0.2048)
= 1 - 0.9421 = 0.0579
perhatikan hasil perhitungan sebelumnya,!!
c. x  3 → Lihat tabel dan lakukan penjumlahan
b(0; 5, 0.20) + b(1; 5, 0.20) + b(2; 5, 0.20) +b(3; 5, 0.20) =
0.3277 + 0.4096 + 0.2048 + 0.0512 = 0.9933
atau ....
→ 1 - b(x 3) = 1 - [ b(4; 5, 0.20) + b(5; 5, 0.20)]
= 1 - [0.0064 + 0.0003]
= 1 - 0.0067 = 0.9933
d. 2  x  4 → Lihat tabel dan lakukan penjumlahan sebagai berikut :
b( 2; 5, 0.20) + b(3; 5, 0.20) + b(4; 5, 0.20) =
0.2048 + 0.0512 +0,0064 = 0.2624
e. Kerjakan sendiri!!!
Rata-rata dan Ragam Distribusi Binomial b(x; n, p) adalah

Rata-rata  = np
Ragam  ² = npq
n = ukuran populasi
p = peluang keberhasilan setiap ulangan
q = 1 - p = peluang gagal setiap ulangan
6
Contoh 5:
Untuk b(5; 5 0.20), di mana x = 5, n = 5 dan p = 0.20
sehingga q = 0.80 maka
 = 5 0.20 = 1.00
² = 5 0.20  0.80 = 0.80  = 0.80 = 0.8944....
2.3 Distribusi Peluang Poisson
Percobaan Poisson memiliki ciri-ciri berikut :

1. Hasil percobaan pada suatu selang waktu dan tempat tidak tergantung dari hasil percobaan di
selang waktu dan tempat yang lain yang terpisah
2. Peluang terjadinya suatu hasil percobaan sebanding dengan panjang selang waktu dan luas
tempat percobaan terjadi. Hal ini berlaku hanya untuk selang waktu yang singkat dan luas
daerah yang sempit
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi pada satu selang waktu dan luasan
tempat yang sama diabaikan
Definisi Distribusi Peluang Poisson :

e−  x
poisson( x;  ) =
x!
e : bilangan natural = 2.71828...

x : banyaknya unsur BERHASIL dalam sampel  : rata-rata keberhasilan
Perhatikan rumus yang digunakan! Peluang suatu kejadian Poisson hitung dari rata-rata
populasi ()
Tabel Peluang Poisson

Seperti halnya peluang binomial, soal-soal peluang Poisson dapat diselesaikan dengan Tabel
Poisson (Statistika 2, hal 163-164)
7
Cara membaca dan menggunakan Tabel ini tidak jauh berbeda dengan Tabel Binomial
Misal:
x  = 4.5  = 5.0
0 0.0111 0.0067
1 0.0500 0.0337
2 0.1125 0.0842
3 0.1687 0.1404
dst dst dst
15 0.0001 0.0002
poisson (2; 4.5) = 0.1125
poisson (x < 3; 4.5) = poisson (0;4.5) + poisson (1; 4.5) + poisson (2; 4.5)
= 0.0111 + 0.0500 + 0.1125 = 0.1736
poisson (x > 2;4.5) = poisson (3; 4.5) + poisson (4; 4.5) +...+ poisson (15;4.5)
atau = 1 – poisson (x  2)
= 1 - [poisson (0;4.5) + poisson (1; 4.5) + poisson (2; 4.5)]
= 1 - [0.0111 + 0.0500 + 0.1125 ]
= 1 - 0.1736
= 0.8264
Contoh 6 :
Rata-rata seorang sekretaris baru melakukan 5 kesalahan ketik per halaman. Berapa
peluang bahwa pada halaman berikut ia membuat:
a. tidak ada kesalahan?(x = 0)
b. tidak lebih dari 3 kesalahan?( x  3)
c. lebih dari 3 kesalahan?(x >3)
d. paling tidak ada 3 kesalahan (x  3)
Jawab:
Diketahui :  = 5
a. x = 0 → dengan rumus? hitung poisson(0; 5)
atau → dengan Tabel Distribusi Poisson
di bawah x:0 dengan  = 5.0 → (0; 5.0) = 0.0067
8
b. x  3 → dengan Tabel Distribusi Poisson hitung
poisson(0; 5.0) + poisson(1; 5.0) + poisson(2; 5.0) + poisson(3; 5.0)
= 0.0067 + 0.0337 + 0.0842 + 0.1404 = 0.2650
c. x  3 → poisson( x  3; 5.0)
= poisson(4; 5.0) + poisson(5; 5.0) + poisson (6; 5.0) + poisson(7; 5.0) + ... +
poisson(15; 5.0)
atau
poisson(x >3) = 1 – poisson (x3)
= 1- [poisson(0;5.0) + poisson(1;5.0) + poisson(2;5.0) + poisson(3; 5.0)]
= 1 - [0.0067 + 0.0337 + 0.0842 + 0.1404]
= 1 - 0.2650
= 0.7350
Pendekatan Poisson untuk Distribusi Binomial :
Distribusi Poisson merupakan suatu bentuk pembatasan distribusi Binomial pada saat n besar,
peluang keberhasilan p mendekati 0 , dan np bersifat konstan.
Sehingga :
Peluang Poisson digunakan untuk Pendekatan Peluang Binomial, dilakukan jika :
n besar (n > 20) dan p sangat kecil (p < 0.01) dengan menetapkan p maka nilai :
=nxp
Contoh 7
Dari 1 000 orang mahasiswa 2 orang mengaku selalu terlambat masuk kuliah setiap hari,
jika pada suatu hari terdapat 5 000 mahasiswa, berapa peluang ada lebih dari 3 orang yang
terlambat?
Kejadian Sukses : selalu terlambat masuk kuliah
2
p= = 0.002 n = 5 000 x>3
1000
jika diselesaikan dengan peluang Binomial :
→ b(x > 3; 5 000, 0.002) tidak ada di Tabel,
jika menggunakan rumus sangat tidak praktis.
9
Dimana p = 0.002 n = 5 000 x>3
 = n  p = 0.002  5 000 = 10
b. diselesaikan dengan peluang Poisson
poisson (x > 3; 10) = 1 - poisson (x  3)
= 1 - [poisson (0;10) + poisson(1; 10) + poisson(2;10) + poisson(3; 10)
= 1 - [0.0000 + 0.0005 + 0.0023 +0,0075 ]
= 1 - 0.0103 = 0.9972
2.4 Distribusi Peluang Hipergeometrik
Peluang Binomial → perhatian hanya untuk peluang BERHASIL

Peluang Hipergeometrik
→ untuk kasus di mana peluang BERHASIL berkaitan dengan Peluang GAGAL
→ ada penyekatan dan pemilihan/kombinasi obyek (BERHASIL dan GAGAL)
Percobaan hipergeometrik adalah percobaan dengan ciri-ciri sebagai berikut:

1. Contoh acak berukuran n diambil dari populasi berukuran N
2. k dari N diklasifikasikan sebagai "BERHASIL" sedangkan N-k diklasifikasikan sebagai
"GAGAL"
Definisi Distribusi Hipergeometrik:
Bila dalam populasi N obyek, k benda termasuk kelas "BERHASIL" dan N- k

(sisanya) termasuk kelas "GAGAL", maka Distribusi Hipergeometrik
peubah AcakXyang menyatakan banyaknya keberhasilan dalam contoh acak
berukuran n adalah :
C xk CnN−−x k
h ( x; N , n , k ) =
CnN
untuk x = 0,1,2,3...,k
10
Contoh 8 :
Jika dari seperangkat kartu bridge diambil 5 kartu secara acak tanpa pemulihan,
berapa peluang diperoleh 3 kartu hati?
N = 52 n=5 k = 13 x=3
C313 C239
h( 3;52,5,13) = (selesaikan sendiri !)
C552
Rata-Rata dan Ragam bagi Distribusi Hipergeometrik h(x; N, n, k) adalah :

nk N −n k k
Rata-rata =  = Ragam =  2 =  n  (1 − )
N N −1 N N
Perluasan Distribusi Hipergeometrik jika terdapat lebih dari 2 kelas
Distribusi Hipergeometrik dapat diperluas menjadi penyekatan ke dalam beberapa kelas

C x11  C x22  C x kk
a a a
f ( x1 , x 2 ,..., x k ; a1 , a 2 ,..., a k , N , n) =
CnN
k k
dan perhatikan bahwa n = x
i =1
i
dan N = a i
i =1
N : ukuran populasi atau ruang contoh

n : ukuran contoh acak
xi : banyaknya keberhasilan kelas ke-i dalam contoh
k : banyaknya penyekatan atau kelas
ai : banyaknya keberhasilan kelas ke-i dalam populasi
Contoh 9 :
Dari 10 pengemudi motor, 3 orang mengemudikan motor merk "S", 4 orang
memggunakan motor merk "Y" dan sisanya mengemudikan motor merk "H". Jika
secara acak diambil 5 orang, berapa peluang 1 orang mengemudikan motor merk "S",
2 orang merk "Y" dan 2 orang merk "H"?
11
Jawab :
N = 10, n = 5
a1 = 3, a2 = 4, a3= 3
x1 = 1, x2 = 2, x3= 2
C13  C24  C23 3 6 3 54 3
f (1,2,2; 3,4,3, 10, 5) = 10 = = = = 0.2142...
C5 252 252 18
Pendekatan Hipergeometrik dapat juga dilakukan untuk menyelesaikan persoalan

binomial :
Perbedaan antara distribusi binomial dan distribusi hipergeometrik terletak pada
cara penarikan sampel.
• Binomial → sifat pengulangan yang saling bebas dan untuk pengambilan contoh
dilakukan dengan pemulihan (dengan pengembalian / with replacement).)
• Hipergeometrik → tidak diperlukan sifat pengulangan yang saling bebas dan untuk
pengambilan contoh dilakukan tanpa pemulihan (tanpa pengembalian / without
replacement )
Contoh 10 :
Dalam suatu kotak terdapat 5 bola yang terdiri dari 2 bola Merah, 2 bola Biru dan 1
buah Putih. Berapa peluang
a. terambil 2 bola Merah, dari 4 kali pengambilan yang dilakukan secara acak
dengan pemulihan?
b. terambil 2 bola Merah, dari 4 kali pengambilan yang dilakukan secara acak
tanpa pemulihan?
Soal a diselesaikan dengan Distribusi Peluang binomial :

p = 2/5 = 0.40 n=4 x=2
b(2; 4,0.40) = 0.16 (lihat Tabel atau gunakan rumus Binomial)
Soal b diselesaikan dengan Distribusi Peluang Hipergeometrik

N=5 n=4 k=2 x=2
N-k = 3 n-x=2
h(2; 5, 4,2) = C2
2
 C23 1 3 3
= = = 0.60
C45 5 5
12
3 Distribusi Peluang Kontinyu
3.1 Distribusi Normal
Distribusi probabilitas kontinu yang terpenting adalah distribusi normal dan grafiknya disebut kurva
normal.
Sifat kurva normal
• Kurva mencapai maksimum pada x =µ
• Kurva setangkup terhadap garis tegak yang melalui x = µ
• Kurva mempunyai titik belok pada x =µ ± σ
• Sumbu x merupakan asimtot dari kurva normal
• Seluruh luas di bawah kurva, di atas sumbu x adalah 1
Sifat-sifat distribusi normal :
• Nilai Peluang peubah acak dalam Distribusi Peluang Normal dinyatakan dalam luas
dari di bawah kurva berbentuk genta\lonceng (bell shaped curve).
• Kurva maupun persamaan Normal melibatkan nilai x,  dan .
• Keseluruhan kurva akan bernilai 1, ini mengambarkan sifat peluang yang tidak pernah
negatif dan maksimal bernilai satu
• Nilai rata-rata (mean) pada distribusi normal akan terletak ditengah-tengah dari kurve normal.
• Bentuknya simetris dengan nilai mean = median =modus
• Ujung masing-masing sisi kurve sejajar dgn sumbu horisontal dan tidak memotong sumbu
horisontal tsb.
• Sebagian besar data ada ditengah-tengah dan sebagian kecil ada pada masing-masing sisi/tepi.
68% data berada dalam jarak ± 1 standar deviasi
95% data berada dalam jarak ± 2 standar deviasi,
99% data berada dalam jarak ± 3 standar deviasi.
Perhatikan gambar di bawah ini:
Gambar1. Kurva Distribusi Normal
𝑥̅ 𝑥𝑖
13
Definisi Distribusi Peluang Normal
1 x − 2
1 − ( )

n(x; , ) = e 2
22
untuk nilai x : - < x <  e = 2.71828.....  = 3.14159...
 : rata-rata populasi
 : simpangan baku populasi
² : ragam populasi
• Untuk memudahkan penyelesaian soal-soal peluang Normal, telah disediakan tabel

nilai z (Statistika2, hal 175)
Perhatikan dalam tabel tersebut :

1. Nilai yang dicantumkan adalah nilai z
x−
z=

2. Luas kurva yang dicantumkan dalam tabel = 0.50 (setengah bagian kurva
normal
0 z
3. Nilai z yang dimasukkan dalam tabel ini adalah luas dari sumbu 0 sampai
dengan nilai z
Dalam soal-soal peluang Normal tanda = .  dan  diabaikan,

jadi hanya ada tanda < dan >
14
Cara membaca Tabel Nilai z
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0
0.1
0.2
::
1.0
1.1
1.2 0.3944
1.3
:
3.4
Nilai 0.3944 adalah untuk luas atau peluang 0 < z < 1.25 yang digambarkan sebagai
berikut
luas = 0.3944
0 1.25
Gambar 2. Peluang 0 < z < 1.25
Dari Gambar 2 dapat kita ketahui bahwa P(z >1.25 ) = 0.5 - 0.3944 = 0.1056
0 1.25
Gambar 3. Peluang (z>1.25)
15
P(z < 1.25) = 0.5 + 0.3944 = 0.8944
0 1.25
Gambar 4. Peluang (z <1.25)
Luas daerah untuk z negatif dicari dengan cara yang sama, perhatikan contoh berikut :
P(-1.25 < z <0) = 0.3944
-1.25 0
Gambar 5. Peluang (-1.25 < z < 0)
P(z >-1.25) = 0.5 + 0.3944 = 0.8944
-1.25 0
Gambar 6. Peluang (z>-1.25)
P(z < -1.25) = 0.5 - 0.3944 = 0.1056
-1.25 0
Gambar 7. Peluang (z < -1.25)
16
Jika ingin dicari peluang diantara suatu nilai z→ 𝑧1 < z < 𝑧2 , perhatikan contoh berikut:
P(-1.25<z<1.25) = 0.3944 + 0.3944 = 0.788
-1.25 0 1.25
Gambar 8. Peluang (-1.25<z<1.25)
P(-1.30 < z < -1.25) = 0.4032 - 0.3944 = 0.0088
-1.30 -1.25 0
Gambar 9. Peluang(-1.30<x<1.25)
Peluang (1.25 < z < 1.35) = 0.4115 - 0.3944 = 0.0171
0 1.25 1.35
Gambar 10. Peluang (1.25 < z < 1.35)
• Untuk memastikan pembacaan peluang normal, gambarkan daerah yang ditanyakan!
17
Contoh 11 :
Rata-rata upah seorang buruh = $ 8.00 perjam dengan simpangan baku = $ 0.60,
jika terdapat 1 000 orang buruh, hitunglah :
a. banyak buruh yang menerima upah/jam kurang dari $ 7.80
b. banyak buruh yang menerima upah/jam lebih dari $ 8.30
c. .banyak buruh yang menerima upah/jam antara $ 7.80 sampai 8.30
 = 8.00  = 0.60
a. x < 7.80
x− 7.80 − 8.00
z= = = −0.33
 0.60
P(x < 7.80) = P(z < -0.33) = 0.5 - 0.1293 = 0.3707 (Gambarkan!)
banyak buruh yang menerima upah/jam kurang dari $ 7.80
= 0.3707 x 1 000
= 370.7 = 371 orang
b. x > 8.30
x− 8.30 − 8.00
z= = = 0.50.
 0.60
P(x > 8.30) = P(z > 0.50) = 0.5 - 0.1915 = 0.3085 (Gambarkan!)
Banyak buruh yang menerima upah/jam lebih dari $ 8.30
= 0.3085 x 1 000
= 308.5 = 309 orang
c. 7.80 < x < 8.30
z1 = -0.33 z2 = 0.50
P(7.80 < x < 8.30) = P(-0.33 < z < 0.50) = 0.1915 + 0.1293 = 0.3208
(Gambarkan)
Banyak buruh yang menerima upah/jam dari $ 7.80 sampai $ 8.30
= 0.3208 x 1000 = 320.8 = 321 orang
18
• Pendekatan untuk peluang Binomial bila p bernilai sangat kecil dan n relatif besar
o JIKA rata-rata ()  20 MAKA lakukan pendekatan dengan distribusi
POISSON dengan
 =np
o JIKA rata-rata () > 20 MAKA lakukan pendekatan dengan distribusi
NORMAL dengan
 =np
2 = n pq
 = n pq
Contoh 12 :
Dari 200 soal pilihan berganda, yang jawabannya terdiri dari lima pilihan (a, b,
c,d
dan e), berapa peluang anda akan menjawab BENAR lebih dari 50 soal?
n = 300 p = 1/5 = 0.20 q = 1 - 0.20 = 0.80
a. Kerjakan dengan POISSON
P(x >50, p = 0.20)  = n  p = 200  0.20 = 40
Poisson (x > 50;  = 40 ),  = 40 dalam TABEL POISSON menggunakan
RUMUS, terlalu rumit!
b. KERJAKAN dengan NORMAL

P (x > 50, p = 0.20)  = n  p = 200  0.20 = 40
 2 = n  p  q = 200  0.20 0.80 = 32
 = n pq = 32
P(x > 50 , p = 0.20) → P (z > ?)
50 − 40 10
z= = = 17677
.  177
.
32 5.6568...
P (z > 1.77) = 0.5 - 0.4616 = 0.0384 = 3.84 %
 selesai 
19
Bab II
Menghimpun Data
1. Pengertian Data
Data → merupakan kumpulan fakta atau angka atau
segala sesuatu yang dapat dipercaya
kebenarannya sehingga dapat digunakan
sebagai dasar menarik suatu kesimpulan

2. Karakteristik serangkaian Data

2.1.Elemen/Unsur :
Serangkaian data meliputi sekumpulan elemen,
masing-masing elemen memiliki informasi tentang
karakteristik elemenyang bersangkutan
2.2.Variabel
Karakteristik elemen yang menjadi perhatian dan
memiliki nilai yang berbeda-beda
2.3.Kasus (= vector observasi)
Informasi yang menyangkut seluruh variable suatu
elemen tertentu
2.4.Observasi / hasil
Suatu unsur dari serangkaian variable tertentu.
3. Menghimpun data melalui penelitian survey

3.1 Tipe Data
• Data Kualitatif
• Data Kuantitatif :
o Kuantitatif Diskrit
o Kuantitatif Kontinu
3.2 Skala Pengukuran
Skala Nominal : tanpa memperhatikan urutan
Skala Ordinal : memperhatikan urutan
Skala Interval : menggunakan range tertentu
Skala ratio : menggunakan titik pusat
4. Menyusun Kuesioner
Tahap terpenting dalam pengumpulan data
Kuesioner memuat berbagai pertanyaan, terdiri atas :
o Identifikasi data, memuat :
identitas responden,
waktu, wawancara
nama, dan kode pewawancara
o Permohonan kerjasama, memuat :
Instansi/lembaga yang melaksanakan wawancara
Maksud dan tujuan wawancara
o Petunjuk pengisian
o Inti kuesioner :
pertanyaan yang berkaitan dengan informasi/data yang
dibutuhkan
o Klasifikasi data :
menunjukkan karakteristik responden
Tahap-tahap dalam menyusun kuesioner :
a. Persiapan
b. Penetapan isi pertanyaan
pendekatan agar responden memiliki kesediaan untuk
memberikan tanggapan :
• Counterbiasing statement
• Indirect Statement
• Randomized response technique
c. Penetapan tipe pertanyaan
• Pertanyaan terbuka
• Pertanyaan tertutup
• Pertanyaan campuran
• Pertanyaan kotomi
d. Penyusunan kalimat
• Kalimat sederhana
• Kalimat harus jelas
• Hindari pertanyaan bersifat mengarahkan
• Hindari pertanyaan ganda dalam satu kalimat
e. Pengurutan pertanyaan
• Menggunakan pertanyaan pembuka yang
sederhana dan menarik
• Mendahulukan pertanyaan yang bersifat umum
• Letakkan pertanyaan yang sulit dan kurang me
narik pada urutan terakhir
• Susun kalimat dengan urutan logik
f. Penetapan karakteristik fisikal
g. Uji Pendahuluan dan perbaikan
5. Pemilihan Sampel
a. Unit Sampling
b. Kerangka Sampling
c. Populasi Kajian
d. Proses Sampling
6. Kesalahan dalam Survei

a. Kesalahan samplingan
populasi yang sebenarnya.
b. Kesalahan non sampling
• Kesalahan dalam pendifinisian masalah
• Kesalahan dalam pendifinisian populasi
• Kerangka sampling yang tidak representative
• Kesalahan tanggapan
• Kesalahan bukan tanggapan
• Kesalahan pengukuran
• Kesalahan dalam menyusun koesioner
Bab I
Pendahuluan dan Notasi Sigma
1. Pengertian Statistika
Statistika → metode yang berhubungan dengan

penyajian dan penafsiran kejadian yang
bersifat peluang dalam suatu penyelidikan
terencana atau penelitian ilmiah
Dalam statistika tercakup dua pekerjaan penting, yaitu :

Penyajian
penafsiran
Data = ukuran suatu nilai

Data → bentuk jamak (plural)
Datum → bentuk tunggal (singular)
Data-data atau datas adalah penulisan yang salah.
2. Jenis-Jenis Data
2.1. Berdasarkan Sumber-nya, data dibedakan menjadi :

Data Primer :
data yang didapatkan atau dikumpulkan sendiri
Misalnya :
dengan melakukan wawancara, observasi atau
penelitian di lapangan atau laboratorium.
Data Sekunder di dapat dari pihak lain misalnya dari
data providers,
Contoh data providers : BPS, LIPI, SRI, dll
2.2. Berdasarkan Jenis-nya, data dibedakan menjadi :
1
(1) Data Numerik (kuantitatif) →
dinyatakan dalam besaran numerik (angka)
Misalnya :
pendapatan per kapita, pengeluaran, harga, jarak,dll.
(2) Data Kategorik (Kualitatif) →

diklasifikasikan berdasar kan kategori/kelas tertentu
Misalnya :
Kategori Mahasiswa : Berprestasi dan Tidak
Berprestasi,
Kategori kota : kecil, sedang dan besar,
Kategori pendukung partai politik XXX, YYY, ZZZ, dll.
Pengolahan Data dengan Statistika mensyaratkan bentuk data

numerik, untuk itu data Kategorik terlebih dahulu harus
diubah ke bentuk numerik dengan memberi bobot pada setiap
kategori.
Data Kategorik dapat dibedakan menjadi :

(a) Data Ordinal :
Urutan kategori menunjukkan tingkatan (ranking)
Misalnya :
Bagaimana prestasi belajar anda semester lalu?
1. Sangat Baik
2. Baik
3. Sedang-sedang saja
4. Buruk
5. Sangat Buruk
(b) Data Nominal :
Urutan/Nilai tidak menunjukkan tingkatan
Misalnya : Apa warna favorit anda :
1. Ungu 3. Abu-abu
2. Coklat 4. Putih
(c) Data Atribut :

2
Nilai data tersebut memberi keterangan atau tanda
pada suatu data.
Jenis data ini tidak diolah.
Misalnya :
Nama : …………..
Alamat : …………..
3. Metode Statistika
Metode Statistika adalah prosedur-prosedur atau cara-

cara penyajian dan penafsiran data.
Penyajian data meliputi :
penyajian data
(collection, organization, summarization, presentation)
Penafsiran data meliputi :

penarikan kesimpulan
(generalisasi).
Dua jenis Metode Statistika (Statistics)
a. Statistika Deskriptif (Descriptive Statistics)

Metode pengumpulan, peringkasan dan penyajian data
Descriptive : bersifat memberi gambaran
b. Statistika Inferensia = Statistika Induktif (Inferential

Statistics)
Metode analisis, peramalan, pendugaan dan penarikan
kesimpulan
Inferential : bersifat melakukan generalisasi
(penarikan kesimpulan).
3
Contoh Masalah Statistika Deskriptif :
1. Tabulasi Data
2. Diagram Balok
3. Diagram Kue Pie
4. Grafik perkembangan harga dari tahun ke tahun
Contoh Masalah Statistika Inferensia :

1. Pendugaan Parameter
2. Pengujian Hipotesis
3. Peramalan dengan Regresi/Korelasi
Perhatikan Contoh berikut, kategorikan metode statistika dan

jenis-jenis data yang digunakan.
Contoh 1
Seorang mahasiswi FE-UG, mengumpulkan data untuk
penulisan ilmiahnya dengan mewawancara 10 pedagang
asongan di depan kampus. Hasilnya diketahui bahwa
rata-rata pendapatan kotor mereka adalah Rp. 97,523.25.
Hasil wawancara tersebut dilaporkan dalam PI-nya.
(Deskriptif, Primer, Numerik)
Contoh 2
Berdasarkan tayangan TV langsung dari Bursa Efek, Drs.
Djoko (seorang pialang saham) memperkirakan bahwa
harga saham perusahaan-perusahaan “Blue-Chip” akan
terus turun sampai minggu ke tiga bulan September.
Perubahan akan bervariasi antara $ -2.35 sampai $ -5.60
per 100 lembar. (Inferensia, Sekunder, Numerik)
Contoh 3
Dalam rangka pengembangan produk, perusahaan
DONKING DONUT melakukan survei rasa kesukaan
(favorite favor) donatnya secara acak terhadap 1000
pelanggannya. Pelanggan terpilih diminta menetapkan
rangking terhadap 4 macam rasa donat yang baru
(MINT, PEACH, MOCCA, SUGAR-FREE). Hasil
4
survey disajikan dalam bentuk diagram pie. (Deskriptif,
Primer, Kategorik)
4. Populasi Vs Sampel
Populasi : keseluruhan pengamatan

Sampel = Contoh = sample : himpunan bagian populasi
Ukuran Populasi ( N ) : banyak anggota populasi
Ukuran Sampel ( n ) : banyak anggota sampel
Bias suatu sample :
perbedaan ciri sampel dengan ciri populasi tempat
sampel diambil.
Sampel yang baik adalah sampel dengan bias minimal
Cara mendapatkan sampel dengan bias minimal

adalah dengan mengambil Sampel/ Contoh acak.
4.1. Sampel Acak
Sampel Acak = Sampel Random = Randomized Sample

adalah :
Sampel yang diambil dari populasi di mana setiap
anggota populasi memiliki peluang yang sama terpilih
sebagai anggota sampel.
Cara pengacakan :
(1) Undian,
(2) Tabel Bilangan Acak
(3) Program komputer Tabel Bilangan Acak
5
4.2. Parameter dan Statistik
Parameter : nilai yang menyatakan ciri populasi

Statistik (Statistic) : nilai yang menyatakan ciri sampel
Bedakan antara :
Statistik (tanpa akhiran “a”) = Statistic (without “s”)
dengan :
Statistika (dengan “a”) = Statistics (with “s”).
Penulisan lambang-lambang (Notasi) parameter dengan

statistik juga berbeda.
Perhatikan Tabel berikut ini :
Ciri Parameter Statistik

Rata-rata  = myu x
Standar Deviasi, Simpangan Baku  = tho s
Ragam, Variance ² s²
Proporsi  p atau p
5. Notasi Penjumlahan ()
Bentuk Umum :
n
x i =1
i = x1 + x2 + x3 +... xn
i : indeks dari 1,2,3,..n:
xi : data/nilai/pengamatan ke-i
6
Dalil-1 :
Penjumlahan 2 atau lebih peubah (variabel) = jumlah
masing-masing penjumlahannya
n n n n
 (x
i =1
i + yi + zi ) =  xi +  yi +  zi
i =1 i =1 i =1
i : indeks, 1,2,3,...n
xi : nilai ke-i untuk variabel ke-1
yi : nilai ke-i untuk variabel ke-2
zi : nilai ke-i untuk variabel ke-3
Dalil-2
n n
 cxi = c xi
i =1 i =1
Dalil-3
n
c
i =1
i = nc
5. Fungsi Ceiling dan Fungsi Floor

Fungsi Ceiling  x  :
Pembulatan ke bilangan bulat (integer) terbesar
terdekat
315
.  =4 3.55 = 4 3.89 = 4
Fungsi Floor  x  :
Pembulatan ke bilangan bulat terkecil terdekat
312
. = 3 3.55 =3 3.97 = 3
 selesai 
7
Soal-soal
1. Nyatakan mana data berikut ini yang merupakan data

diskrit dan mana yang merupakan data kontinu ?
a. Banyaknya saham yang dijual tiap hari di pasar
saham.
b. Temperatur yang dicatat setiap tengah hari pada biro
cuaca.
c. Usia hidup tabung televise yang diproduksi oleh
sebuah perusahaan.
d. Pendapatan tahunan guru besar di perguruan tinggi.
e. Panjang 1000 buah palang produksi sebuah pabrik.
2. Nyatakan apakah pernyataaan berikut ini termasuk dalam

statistika diskriptif atau statistika inferensia ?
a. Akibat penurunan produksi minyak negara-negara
penghasil minyak, diramalkan harga minyak akan
menjadi tiga kali lipat pada tahun yang akan datang.
b. Sekurang-kurangnya 10 % dari semua kebakaran yang
terjadi tahun lalu di Indonesia, di akibatkan oleh
tindakan sengaja orang-orang yang tidak bertanggung
jawab.
c. Sebanyak 60 % diantara siswa yang tidak lulus Ujian
Negara ternyata siswa dari sekolah swasta.
d. Dengan mengasumsikan bahwa kerusakan tanaman
padi akibat musim kering yang berkepanjangan
sebesar 20% maka diramalkan kenaikan harga beras
tidak akan lebih dari Rp.500,00 per kilogram.
e. Meninggalnya tiga orang warga di daerah Tanggerang
diperkirakan karena penyakit flu burung.
8
3. Definisikan suatu populasi bagi contoh-contoh berikut ini :
a. Penghuni 200 rumah di kota Depok dihubungi melalui
telepon dan ditanya apakah mereka merasa senang
dengan di bukanya ITC dan Town Square di jalan
Margonda.
b. Dua ratus pasang sepatu tennis jenis baru diuji,
ternyata rata-rata umur pakainya mencapai 4 bulan.
c. Dari lima kali pencatatan , untuk mencapai kantornya
di tengah kota, seseorang memerlukan waktu 21, 26,
24, 22, dan 21 menit.
4. Dari data berikut ini :

i 1 2 3 4 5 6 7 8 9 10
x 13 24 35 46 49 47 86 43 45 76
y 21 17 65 72 53 78 90 56 87 43
z 24 21 69 76 57 82 85 32 65 43
Dengan menggunakan dalil-dalil notasi sigma tentukan :

4
a.  (2xi + i)2
i=1
8
b.  (2xi 2-yi + 3)
i=3
5
c.  (xi + 2) / xi
i=2
d.  xi 2  yi
e.  (2xi - yi + 3 zi )
9
Probabilitas
1. Pendahuluan
• Percobaan : proses yang menghasilkan data
• Ruang Contoh (S) : himpunan yang memuat semua kemungkinan hasil percobaan
• Kejadian = Event : himpunan bagian dari ruang contoh

Misal : Dari sekumpulan 52 kartu bridge
• S : { sekop, klaver, hati, wajik },
kejadian A munculnya kartu berwarna merah.
• A : {hati, wajik }
o Titik Contoh : Anggota Ruang Contoh/Kejadian
o Konsep Dasar (Klasik) Peluang / Probabilitas

Dibedakan menjadi :
1. Probabilitas Teoritik
• Besarnya peluang (probabilitas) terjadinya suatu peristiwa yg akan terjadi
sudah diketahui sebelum dilakukan percobaan.
• Diketahui ; berdasarkan pemikiran yg logis dimana Probabilitas satu
kejadian
• merupakan Perbandingan frekuensi kejadian itu dengan kejadian dari
seluruh kejadian yg mungkin terjadi.
• Dinyatakan dlm persen atau proporsi
• Peluang kejadian A dinotasikan sebagai P(A)

n
P( A) =
N
n : banyak titik contoh penyusun Kejadian
• Nilai Peluang Kejadian A → 0  P(A)  1

Dimana : P (S) = 1 → Peluang Kejadian yang pasti terjadi
P () = 0 → Peluang Kejadian yang pasti tidak terjadi
2. Probabilitas Empiris
• Besarnya peluang (probabilitas) terjadinya st peristiwa berdasarkan
observasi thd percobaan yg benar2 dilakukan.
3. Macam-macam kejadian yang mempengaruhi perhitungan probabilitas
a. Gejala Majemuk
suatu gejala yg tersusun atas lebih dari satu kejadian yang terjadi
secara bersama atau berurutan.
b. Kejadian bebas/ independent events
Suatu gejala terdiri dari 2 peristiwa (K1 & K2), dimana terjadinya K1
tidak mempengaruhi terjadinya K2 dan sebaliknya.
c. Kejadian terikat/ conditional events
Dua kejadian atau lebih dimana timbulnya K1 menjadi syarat timbulnya
K2 atau sebaliknya.
d. Kejadian-kejadian Mutually Exclusive (saling lepas)
1
Kemunculan suatu kejadian meniadakan kemunculan kejadian yg
lain/tdk terjadi secara bersamaan.
e. Kejadian-kejadian Not Mutually Exclusive
Kemunculan suatu kejadian dpt terjadi secara bersamaan atau sendiri-
sendiri.
2. Penghitungan Banyak Titik Contoh
2.1 Kaidah Penggandaan = Kaidah Perkalian
Kaidah Penggandaan:
Jika operasi ke-1 dapat dilakukan dalam n1 cara
operasi ke-2 dapat dilakukan dalam n2 cara
:
:
operasi ke-k dapat dilakukan dalam nk cara
maka k operasi dalam urutan tersebut dapat dilakukan dalam n1  n 2  … nk cara

Contoh :
Berapa banyak bilangan 4 digit yang dapat dibentuk dari angka 3, 4, 6, 7, dan 8
a. jika semua angka boleh berulang?
5  5  5  5 = 625
b. jika angka tidak boleh berulang?
5  4  3  2 = 120
c jika bilangan tersebut: GANJIL dan angka tidak boleh berulang?
4  3  2  2 = 48
d. Berapa peluang bilangan yang muncul adalah bilangan GANJIL dan angka tidak berulang
(lihat Kejadian c) pada kondisi pembentukan bilangan 4 digit, angka boleh berulang (lihat
Kejadian A)
n = 48 N = 625
n 48
P(C) = =
N 625
2.2. Permutasi
Permutasi sejumlah obyek adalah penyusunan obyek tersebut dalam suatu urutan/posisi
tertentu.
Dalam permutasi urutan/posisi diperhatikan!!!
• Dalil-1 Permutasi:
Banyaknya Permutasi n benda yang berbeda adalah n!
Konsep Bilangan Faktorial

n! = n  (n-1) (n-2) ....  2  1 dimana : 0! = 1 dan 1! = 1
100! = 100  99! atau 100! = 100  99  98!, dst
• Dalil-2 Permutasi :
Banyaknya permutasi r benda dari n benda yang berbeda adalah :
n!
Pr =
n
(n − r )!
Perhatikan dalam contoh ini urutan/posisi obyek sangat diperhatikan!
2
• Dalil-3 Permutasi Melingkar:
Banyaknya permutasi n benda yang disusun dalam suatu lingkaran adalah : (n-1)!
• Dalil-4 Permutasi Obyek yang Sama:

Banyaknya permutasi untuk sejumlah n benda
dimana : jenis/kelompok pertama berjumlah n1
jenis/kelompok kedua berjumlah n2
: :
: :
jenis/kelompok ke-k berjumlah nk
n!
adalah : n = n1 + n2 + . . . + nk
n1 ! n2 ! n3 !   nk !
Contoh :
Berapa permutasi dari kata STATISTIKA?
10!
S = 2; T = 3; A = 2; I = 2; K = 1 Permutasi = = 75600
2! 3! 2! 2!1!
2.3 Kombinasi
Kombinasi r obyek yang dipilih dari n obyek adalah susunan r obyek tanpa memperhatikan
urutan/posisi
• Dalil-1 Kombinasi : Kombinasi r dari n obyek adalah
n!
Crn =
r !(n − r )!
2.4 Kaidah Perkalian & Kombinasi
Dalam banyak soal, kaidah penggandaan/perkalian dan kombinasi seringkali digunakan

bersama-sama.
Contoh :
Manajer SDM mengajukan 10 calon manajer yang berkualifikasi sama, 5 calon berasal dari
Kantor Pusat, 3 calon dari Kantor cabang dan 2 dari Program Pelatihan manajer.
(a) Berapa cara Manajer SDM dapat memilih 6 manajer baru dengan ketentuan 3 berasal
dari Kantor Pusat. 2 dari Kantor Cabang dan 1 dari Program Pelatihan manajer?
Pemilihan 3 dari 5 calon dari Kantor Pusat = C = 5! = 10 5
3
3! 2!
Pemilihan 2 dari 3 calon dari Kantor Cabang = 3!
C23 = =3
2!1!
Pemilihan 1 dari 2 calon dari Program Pelatihan = 2!
C12 = =2
1!1!
n = Pemilihan Manajer = 10  3  2 = 60 cara
(b) Berapa cara memilih 6 dari 10 kandidat manajer?

10 10!
N = Pemilihan 6 dari 10 kandidat manajer = C 6
= = 210
6!4 !
(c) Berapa peluang 6 manajer baru tersebut terdiri dari 3 dari Kantor Pusat, 2 dari Kantor
Cabang dan 1 dari Program Pelatihan?
P(manajer) = n = 60
N 210
3
3. Pengolahan Peluang
3.1 Konsep dasar Peluang

n
P ( A) =
N
n : banyak titik contoh penyusun Kejadian A
3.2 Kaidah Penjumlahan Peluang Kejadian
Dalil 1. Kaidah Penjumlahan Peluang Kejadian
Bila A dan B adalah dua kejadian sembarang, maka

P(AB) = P(A) + P(B) - P(AB)
atau
P(AB) = P(A) + P(B) - P(AB)
AB = kejadian A atau B AB = kejadian A dan B

Bila A dan B adalah kejadian Saling Terpisah (AB=),
maka : P(AB)=P(A)+ P(B)

Bila A1, A2,..., Ak saling terpisah,
maka : P(A1  A2  . . .  Ak) = P(A1) + P(A2) + . . . + P(Ak)
Dalil 2. Kaidah Penjumlahan Peluang
Jika A dan A' adalah 2 kejadian yang berkomplemen, maka :

P(A) + P(A')= 1
3.3 Peluang Bersyarat
Peluang Bersyarat berlaku untuk penetapan peluang kejadian yang tidak bebas.
(= Kejadian-kejadian yang bergantung dengan kejadian )
Contoh kejadian tidak bebas : pengambilan sampel tanpa pemulihan

Tanpa pemulihan = anggota sampel yang telah terambil tidak dikembalikan ke dalam
ruang contoh (S).
Kejadian yang terjadi tanpa bergantung dengan kejadian lain disebut Kejadian Bebas.
Contoh kejadian bebas :

pengambilan sampel dengan pemulihan
Dengan pemulihan = anggota sampel yang telah terambil dikembalikan ke dalam ruang
contoh (S)
4
Notasi Peluang Bersyarat :
𝑃(𝐵|𝐴)
Dibaca : "Peluang terjadinya B, bila A telah terjadi"
atau "Peluang B, jika peluang A diketahui"
Dalil 3 : Peluang Bersyarat secara umum
Bila dalam suatu percobaan kejadian A dan B , Kejadian B terjadi setelah

dan terjadinya kejadian A
P( A  B)
P( B A) = dimana : P(A)  0
P( A)
Perhatikan : P(BA)  P(AB) P(AB) = P (BA)
Dalil 4 : Peluang Dua Kejadian bebas
Peluang Dua Kejadian A dan B dikatakan bebas , jika kejadian B tidak

mempengaruhi peluang kejdian A atau sebaliknya
P(BA) = P(B) atau P(AB) = P(A)
Bila hal itu tidak dipenuhi, A dan B dikatakan tidak bebas
3.4 Kaidah Penggandaan Peluang = Kaidah perkalian peluang
Kaidah Penggandaan Peluang, merupakan perhitungan peluang dari beberapa

kejadian yang dapat terjadi sekaligus.
Dalil 5 : Kaidah Perkalian Peluang
Bila dalam suatu percobaan kejadian A dan B dapat terjadi sekaligus /

bersamaan , maka :
P(A  B) = P(A)  P(BA)
= P(B  A)
= P(B)  P(AB)
Dalil 6 : Kaidah Perkalian Peluang Kejadian Bebas
Bila A dan B adalah kejadian bebas / independent, jika kejadian B tidak

mempengarui peluang terjadinya kejadian A, maka :
P(A  B) = P(A)  (B)
Dalil 7 : Kaidah Penggandaan Peluang (secara umum)
5
(Peluang kejadian Bersama)
Bila dalam suatu percobaan kejadian A1, A2,..., Ak, maka :
P(A1 A2A3...Ak) = P(A )  P(A2A1)  P(A3A1 A2) ........

P(AkA1A2A3  . . .  Ak-1)
3.5. Peluang Total dan Kaidah Bayes
Dalil 8 : Kaidah Peluang Total
Bila kejadian Bi ≠ 0 untuk i = 1, 2, 3 …,k , dan kejadian Bi berhubungan

dengan kejadian A ,maka untuk sembarang kejadian A yang merupakan
himpunan bagian dari ruang contoh R berlaku :L
P(A) = P(B1)P(AB1) + P(B2)P (AB2) ... P(Bk)  P(ABk)
Dalil 9 : Kaidah Bayes
Bila kejadian B1 , B2, B3, …, Bk merupakan sekatan dari ruang contoh R dengan
P(Bi) ≠ 0 untuk i = 1, 2, 3 …,k , maka untuk sembarang kejadian A yang
bersifat P(A) ≠ 0 adalah :
𝑃(𝐵𝑖 ) 𝑥 𝑃(𝐴|𝐵𝑖 )
𝑃(𝐵𝑖 |𝐴) =
∑𝑘𝑗=1 𝑃(𝐵𝑖 ) 𝑥 𝑃(𝐴|𝐵𝑖 )
Untuk I = 1, 2, 3, … ,k
6
Bab IV
Ukuran Statistik
1. Pendahuluan
1. Ukuran Pemusatan
 Median
 Modus
 Ragam, Varians
 Simpangan Baku

1. Ungrouped Data
2. Grouped Data
 Tabel Distribusi Frekuensi
2. Ukuran Pemusatan


N
 xi
n
x i
 i 1
dan x  i 1
N n
Dimana :

 Nilai merupakan pendekatan
 berhubungan dengan rata-rata hitung sample
 tidak berlaku untuk data kelompok dengan kelas
terbuka
 Metode Defisional
n
fx
n
i 1
i i
fx
i 1
i i
n
f
𝑛
i
i 1
Dimana :
 Metode pendugaan
 fi di
x  M  i 1
n
Dimana :
di = x i – M
atau …..
 jika banyak kelas (k) ganjil
maka ambil (xi) pada kelas ke k  1 (kelas yang di
2
tengah-tengah)
 jika banyak kelas (k) genap
k k
2 2
 Metode pengkodean
n
U
i 1
f
i i
𝑥̅ = 𝑥𝑎 + 𝑖
𝑛
[ ]
Dimana :

Sifat-sifat :
n
i 1
(𝑥𝑖 − 𝑥̅ )= 0

n
i 1

:
:
𝑓1 𝑚1 +𝑓2 𝑚2 +𝑓3 𝑚3 +⋯+𝑓𝑘 𝑚𝑘

𝑥̅ =
𝑓1 +𝑓2 +𝑓3 +⋯+𝑓𝑘
2.2 Modus

 d1 
 d1  d 2 
di mana :
I : interval kelas

2

2
Sifat-sifat :
 Tidak dipengaruhi angka ekstrim
 Dapat dihitung dari data kelompok
 Dapat dicari dari data kualitatif
 Merupakan ukuran pusat data semu
Contoh 1. :

(xi) (fi)
16-23 19.5 10 195
24-31 27.5 17 467.5
32-39 35.5 7 248.5
40-47 43.5 10 435
48-55 51.5 3 154.5
56-63 59.5 3 178.5
Jumlah () 50 1679
1679
x = = 33.58
50
(fi)
16-23 19.5 39.5 -20 10 -200
24-31 27.5 39.5 -12 17 -204
32-39 35.5 39.5 - 4 7 -28
40-47 43.5 39.5 4 10 40
48-55 51.5 39.5 12 3 36
56-63 59.5 39.5 20 3 60
Jumlah () 0 50 -296
n
fdi 1
i i
x M
n
 295
= 39.5   39.5  5.92  3358
.
50
Contoh 2. :
Rp. 7500 8000 9000 8000 3000 5000 8000
Modus : Rp. 8000
Contoh 3. :
3.6 3.5 2.9 3.1 3.0
(Tidak Ada Modus)
2. Umur Mahasiswa :
19 18 19 18 23 21
19 21 18 20 22 17
Modus : 18 dan 19
Contoh 4. :

16-23 10
24-31 17
32-39 7
40-47 10
48-55 3
56-63 3
Jumlah () 50
i (interval) = 8
d1 = 17 - 10 = 7
d2 = 17 - 7 = 10
 7 
Modus = 23.5 + 8  
 7  10 
 7
= 23.5 + 8 
 17 
= 23.5 + 8 (0.41176...)
= 23.5 + 3.2941...
= 26.7941...  27
Median  Nilai yang membagi gugus data yang telah

besar
Kuartil  Nilai yang membagi gugus data yang telah

besar
Desil  Nilai yang membagi gugus data yang telah

sama besar
Persentil  Nilai yang membagi gugus data yang telah

sama besar
Data

2
4
10
100
Persentil ke-p
Misalkan didapat :
Maka :
Nilai Data ke-i)]

Data
 Nilainya merupakan pendekatan
 Penentuan letak :
Median ( M) 1 𝑛
2
4
10
100

 
 fM 
atau

 
 fM 
n
2
dimana :
i : interval kelas

qn
4

f 
 Q
Atau
 
 fQ 
dimana :
ke-q
Kuartil ke-q
i : interval kelas

10
d = 1, 2, 3, . . . 9 n : banyak data
 s 
 fD 
atau
 s' 
 fD 
dimana :
Desil ke-d
Desil ke-d
i : interval kelas

pn
100
p = 1, 2, 3, . . . 99 n : banyak data

 fP 
atau
 s' 
 fP 
dimana :
ke-p
i : interval kelas
Contoh 1 :
1.75 1.78 1.60 1.73 1.78 meter
Sorted :
1.60 1.73 1.75 1.78 1.78 meter
n=5
51 6
Letak Median = = =3
2 2
Contoh 2:
1.60 1.73 1.75 1.78 1.78 1.80

meter (Sorted)
n= 6
61 7
Letak Median  = = 3.5
2 2
Median
2
= 1  (1.75 + 1.78) = 1.765
2
= 1.75 + 0.5 (1.78 – 1.75)
= 1.75 + (0.5  0.02)
= 1.75 + 0.015 = 1.765
Contoh 3:
3( n  1 ) 3( 253  1 ) 762
   190 .5
4 4 4
Nilai Kuartil ke-3
= 175 + 0.5 (180 – 175) = 175 + (0.5 5)
= 175 + 2.5 = 177.5
Letak Desil ke-2 =

2( n  1 ) 2( 253  1 )
  508  50.8
10 10 10
Nilai Desil ke-2
= 45 + 0.8 (48 - 45)
= 45 + (0.8  3)
= 45 + 2.4 = 47.4

65( n  1 ) 65( 253  1 ) 16510
   165 .1
100 100 100
= 100 + (0.1 2)
= 100 + 0.2 = 100.2

16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 – 63 3 50
 50 ----
n 50
2 2
 Kelas Median = 24 - 31
f M = 17
 s = 25 - 10 = 15
 s’ = 27 - 25 = 2
 fM 
= 23.5 + 8  15 
 17 
= 23.5 + 8 (0.8823...)
= 23.5 + 7.0588...
= 30.5588...  30.6
 fM 
31.5 - 8  
2
=
 17 
= 31.5 - 8 (0.1176...)
= 31.5 - 0.9411..= 30.5588...  30.6

16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 – 63 3 50
 50 ----
Kelas Kuartil ke-3
interval = i = 8
3n 3  50
4 4
 Kelas Kuartil ke-3 = 40 - 47
f Q3 = 10
 s = 37.5 - 34 = 3.5
 s’ = 44 - 37.5 = 6.5
f 
 Q
= 39.5 + 8  3.5
 10 
= 39.5 + 8 (0.35)
= 39.5 + 2.8 = 42.3
 
 fQ 
 6.5
= 47.5 - 8  
 10 
= 47.5 - 8 ( 0.65)
= 47.5 - 5.2 = 42.3

16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 - 63 3 50
 50 ----
Kelas Desil ke-9
interval = i = 8
9n 9  50
10 10
 Kelas Desil ke-9 = 48 - 55
f D9 = 3
 s = 45 - 44 = 1
 s’ = 47 - 45 = 2
 fD 
= 47.5 + 8  1
 3
= 47.5 + 8 (0.333...)
= 47.5 + 2.66...
= 50.166...
 s' 
 fD 
= 55.5 - 8  2 
 3
= 47.5 - 8 ( 0.666...)
= 55.5 -5.33...
= 50.166...

16 – 23 10 10
24 – 31 17 27
32 – 39 7 34
40 – 47 10 44
48 – 55 3 47
56 – 63 3 50
 50 ----
interval = i = 8
56n 56  50
100 100
 Kelas Persentil ke-56 = 32 - 39
f P56 = 7
 s = 28 - 27 = 1
 s’ = 34 - 28 = 6
 s
 fP 
= 31.5 + 8  1 
 
7
= 31.5 + 8 (0.142...)
= 31.5 + 1.142..
= 32.642...
 s' 
 fP 
= 39.5 - 8  6 
 7
= 39.5 - 8 (0.857...)
= 39.5 - 6.857...
= 32.642...

n
Bx
i 1
i i
xB  n
B
i 1
i
Dimana

dll.
G  n x1  x2  x3    xn
atau
log x 1  log x 2  log x 3      log x n

log G =
n
ingat !!!
G = antilog (log G)
Dimana
xi : data ke-I
n : banyak data
Meliputi :
 Jangkauan :
 Inter quartile :
 Deviasi kuartil :
 Deviasi rata-rata :
 Variasi :
 Simpangan baku
 Koefisien variasi

2
POPULASI :
N
 xi  

SAMPEL :
n
 xi  x
n
POPULASI :
k
 fi  xi  

SAMPEL :
k
 fi  xi  x
n

POPULASI :
N N
N  xi 2  (  xi ) 2
N
 (x i  ) 2
2  i 1 atau 2  i 1 i 1
 N2
dan   2
SAMPEL :
n n n
 (x i  x )2 n xi 2  (  xi )2
i 1 i 1
s2  i 1
atau s2 
n 1 n( n  1)
dan s s2
Dimana :
x i : data ke-i
POPULASI :
k
 f i  ( xi   ) 2
 2
 i 1
dan   2

SAMPEL :
k
f  ( xi  x ) 2
s  s2
i
i 1
s2  dan
n 1
Dimana :
k : banyak kelas
Untuk Populasi
 Koefisien Ragam = 
 100%

Untuk Sampel
s
 Koefisien Ragam =  100%
x
 Angka baku adalah ukuran penyimpangan data dari

 z dapat bernilai nol (0), positif (+) atau negatif (-)
 z nol  data bernilai sama dengan rata-rata
populasi
 z positif  data bernilai di atas rata-rata populasi
 z negatif  data bernilai di bawah rata-rata
populasi
x
z

Dimana :
 selesai 
Inferensia Statistika
• Tehnik pengambilan keputusan tentang suatu parameter populasi
• Mencakup semua metode yang digunakan dalam penarikan kesimpulan atau generalisasi
mengenai suatu populasi
• Meliputi :
• Pendugaan Parameter
• Pengujian Hipotesis
• Perbedaan estimasi dan uji hipotesis :
Estimasi : pendugaan kenyataan yang ada di tingkat populasi berdasarkan sampel
Uji hipotesis : lebih ditujukan untuk membuat suatu pertimbangan tentang perbedaan antara
nilai statistik di sampel dengan nilai parameter populasi
I. Pendugaan Parameter
Tujuan pendugaan : mengetahui bagaimana data yang ada pada sampel bisa menggambarkan
keadaan populasi
Pendugaan / Estimator adalah kuantitas sample yang merupakan nilai sample untuk menduga
kuantitas populasi.
Nilai sample estimasi parameter
Statistical parameter angka hasil evaluasi penduga
Ciri-ciri penduga yang baik :
a. Tidak bias
Memiliki nilai harapan yang sama dengan parameter yang diestimasikan
μǑ = E(Ǒ) = Ө
b. Efisien
Penduga memiliki ragam / variasi terkecil
c. Konsisten
Penduga berkonsentrasi secara sempurna pada parameter jika besar sample bertambah
secara tak terhingga
P(Ө - Ǒ) = 0 bila n= ∞
Jenis estimasi :
Estimasi titik
• Adalah suatu nilai tunggal yang dihitung berdasarkan pengukuran sampel yang akan
dipakai untuk menduga nilai tunggal yang ada di tingkat populasi yang belum diketahui
• Hasil adalah suatu angka mutlak (angka pasti)
• Estimator yang digunakan
Mean atau rata-rata
Standar deviasiVariansi
Estimasi interval/Penduga selang
• suatu estimasi terhadap parameter populasi dengan memakai range (interval nilai)
• Hasil merupakan sekumpulan angka dan akan lebih objektif
• Menyatakan berapa besar tingkat kepercayaan bahwa interval yang terbentuk memang
mengandung nilai parameter yang diduga
• Peneliti bebas menentukan interval kepercayaan (90%, 95%, 99%)
o Semakin besar tingkat kepercayaan yang diberikan, semakin tinggi tingkat
kepercayaan bahwa parameter populasi yang diestimasi terletak dalam interval
yang terbentuk, namun penelitian menjadi semakin tidak teliti
o Ketelitian bisa dikaitkan dengan alpha (daerah penolakan)
Misal :
▪ apabila ditetapkan interval kepercayaan sebesar 95% maka alpha sebesar
5% (100%-95%)
5 kali dalam 100 kali percobaan
▪ Interval kepercayaan 90% (alpha 10%)
10 kali dari 100 kali percobaan
Maka interval kepercayaan 95% akan lebih teliti dibanding interval 90%
(alpha 0.10)
Penduga Selang
Bila Ǒ adalah penduga (titik) bagi parameter Ǒ1 maka Ǒ1 < Ө < Ǒ2 sehingga
P (Ǒ1 < Ө < Ǒ2) = 1 -  adalah penduga interval bagi Ө , dimana 0< <1
Ǒ1 Ө Ǒ2
Interval kepercayaan / interval convidensi :
Besarnya keyakinan untuk menerima kebenaran dari pendugaan dan mentolerir kesalahan
duga (error of estimate) sebesar 
𝜶⁄𝟐 𝜶⁄𝟐
batas keyakinan bawah batas keyakinan atas
Bentuk Umum Selang Kepercayaan
Batas Bawah < (Simbol) Parameter < Batas Atas
Pendugaan dapat dilakukan :
a. Searah mentolerir kesalahan duga sebesar 
b. Dua arah mentolerir kesalahan duga sebesar  tetapi dalam menentukan nilai
kritis digunakan 𝜶⁄𝟐
a. Pendugaan Satu Nilai tengah populasi (μ) dengan populasi tak terbatas
Kriteria
no Selang kepercayaan Nilai dugaan
populasi/sampel
1 • sample besar P (-𝑧𝜶⁄𝟐 < Z <𝑧𝜶⁄𝟐 ) = 1 -  µ𝟏𝟐 = x ± 𝒁𝜶⁄𝟐 𝝈⁄√𝒏
(n ≥ 30)
•  diketahui
2 • sample kecil Terdistribusi normal µ𝟏𝟐 = x ± 𝒕𝜶⁄𝟐,𝒗 𝒔⁄√𝒏
(n < 30) P (-𝑡𝜶⁄𝟐,𝒗 < Z < 𝑡𝜶⁄𝟐,𝒗 )
= 1- 
•  tidak Tidak terdistribusi normal µ𝟏𝟐 = x ± k 𝒙

diketahui P (x - k x < μ < x + k x)
𝟏
=1- 𝟐
𝒌
Galat (e) dalam pendugaan μ tidak melebihi :

𝒁𝜶⁄𝟐 𝝈⁄√𝒏
Ukuran contoh bagi pendugaan μ
𝒁𝜶⁄𝟐 𝛔 𝟐
n=
𝒆
• Populasi terhingga/terbatas
Untuk memenuhi keyakinan sebesar selang kepercayaan perlu factor koreksi untuk harga x
sebesar :
𝑁−𝑛
√
𝑁−1
Sehingga rumus besaran simpangan baku menjadi :
𝑁−𝑛 𝜎
𝜎𝑥 √ 𝑁−1 dimana : 𝜎𝑥 =
√𝑛
b. Pendugaan Beda dua Nilai tengah populasi (𝝁𝟏 -µ𝟐 )
no Kriteria Selang kepercayaan bagi

Estimasi/pendugaan
populasi/sampel (𝝁𝟏 -µ𝟐 )
1 o sample besar (n≥ 30) P (-𝑧𝜶⁄𝟐 < Z <𝑧𝜶⁄𝟐 ) = (𝝁𝟏 − 𝝁𝟐 )𝑨𝑩
o 1 dan 2 tidak
diketahui 1- 𝜎21 𝜎22
= (𝒙𝟏 -𝒙𝟐 ) ± 𝑧𝜶⁄𝟐 √ +𝑁
𝑁1 2
o 1 = 2
o 1 dan 2 tidak = 1-  1
= (𝒙𝟏 -𝒙𝟐 ) ± 𝑡𝜶⁄𝟐,𝒗 𝑠𝑝 √ +
1
(𝑛1 −1)𝑠12 + (𝑛2 −1)𝑠22

𝑠𝑝2 = 𝑛1 +𝑛2 − 2
v = 𝑛1 + 𝑛2 − 2

o 1 ≠ 2
o 1 dan 2 tidak = 1-  = (𝒙𝟏 -𝒙𝟐 ) ± 𝑡𝜶⁄𝟐,𝒗 √
𝑠12
+
𝑠22
[ 𝑠12 ⁄𝑛1 +𝑠22 ⁄𝑛2 ]2

V = (𝑠2⁄𝑛 2 2 2
1 1) (𝑠 ⁄𝑛 )
+ 2 2
(𝑛1 −1) (𝑛2−1 )
4 o data berpasangan P (-𝑡𝜶⁄𝟐,𝒗 < t < 𝑡𝜶⁄𝟐,𝒗 ) (𝝁𝟏 − 𝝁𝟐 )𝑨𝑩 = 𝑥𝐷 ± 𝑡𝜶⁄𝟐,𝒗 𝑠𝑑 ⁄√𝑛
= 1- 
𝑛 ∑ 𝑑𝑖2 −(∑ 𝑑𝑖 )2
𝑠𝑑2 = 𝑛(𝑛−1)
∑𝑑
𝑥𝐷 = 𝑛 𝑖
v = n– 1
Pengujian Parameter
Komponen dalam pengujian parameter :

1. Hipotesis :
Hipotesis :
adalah pernyataan atau dugaan mengenai satu atau lebih populasi.
Hipotesis yang bersifat statistik :
adalah suatu asumsi mengenai parameter fungsi frekuensi variable random
H0 : hipotesis nol / null hypothesis
o adalah hipotesis yang dirumuskan dengan harapan akan ditolak atau
diterima tergantung pada hasil eksperimen / pemilihan sample
o merupakan hipotesis yang akan di uji
H1 : Ha : Hypothesis alternative. (Alternative hypothesis)
Merupakan hipotesis yang akan diterima bila menolak hipotesis nol (H0
ditolak)
2. Nilai kritik :
Nilai statistik sample yang dipakai sebagai dasar untuk menerima atau menolak
H0, merupakan pembatas wilayah kritik dengan wilayah penerimaan
wilayah penerimaan : wilayah penerimaan Hipotesis
wilayah kritik : wilayah penolakan Hipotesis
Ukuran wilayah kritik : ()
Taraf nyata untuk menentukan nilai batas keyakinan
3. Jenis pengujian:
o Pengujian searah
Pengujian alternative H1 lebih besar dari suatu nilai parameter atau H1 lebih
kecil dari suatu nilai parameter.
Taraf nyata nilai kritis = 
1- = koefisien keyakinan
H1 = Ө > Ө0
Wilayah penerimaan
Ho 1- wil. Kritis

H1 = Ө < Өo
wil. kritis 1- Wilayah penerimaan

Ho

o Pengujian 2 arah
Taraf nyata nilai kritis : /2
H1 =  ≠ 0
wil. kritis 1- wil. kritis
/2 /2
Wilayah penerimaan Ho
4. Kemungkinan hasil hipotensis
Nilai satistik pada wilayah kritis

➔ Tolak H0 dengan resiko kesalahan sebesar 
Nilai statistic pada wilayah penerimaan
➔ Terima H0 dengan resiko kesalahan sebesar 
5. Galat hipotesis / Galat Pengujian :
Kesimpulan yang salah dalam pengambilan keputusan
Galat ada 2 jenis :
Galat jenis I : taraf nyata : 
Penolakan hipotesis nol yang benar
Galat jenis II : taraf nyata : 
Penolakan hipotesis nol yang salah
Hypotesis H0 benar H0 salah

Keputusan
Terima H0 Keputusan benar Galat jenis II
prob. 1- 
Tolak H0 Galat jenis I Keputusan yang benar
 prob. 1-
Langah - langkah pengujian hipotesis parameter populasi 

1. Nyatakan hipotesis nol-nya Ho
2. Pilih hipotesis alternative H1 yang sesuai
 < 0
 > 0
 ≠ 0
3. Tentukan taraf nyata 
4. Pilih statistic uji yang sesuai
5. Tentukan wilayah kritiknya
6. Hitung nilai statistic uji berdasarkan data contoh
7. Keputusan :
Tolak H0 bila nilai statistic uji tersebut jatuh dalam wilayah kritik
Terima H0 bila nilai statistic uji tersebut jatuh di luar wilayah kritik
Regresi dan Korelasi Berganda
Persamaan regresi :
Persamaan matematika untuk meramal kan nilai suatu peubah tak bebas dari nilai satu/lebih
peubah bebas
Persamaan regresi linier ≈ persamaan garis lurus
Y = a + bx
a = intersep
b = gradien/kemiringan
Metode untuk menentukan persamaan garis regresi:

a. Metode tangan bebas
berdasarkan diagram pencar pada bidang Cartesius
b. Metode kuadrat terkecil
ŷ= a + bx
n Σxy – Σx Σy
b =
n Σx2 – (Σx )2
Σ y – b Σx
a =
n
Kurva regresi
kurva yang menghubungkan nilai tengah setiap sebaran
μY/x = α + β x
α dan β = koefisien regresi
Korelasi :
Pengukuran hubungan antara peubah acak x dan y
Koefisien korelasi ( r ) :
Ukuran hubungan linier antara 2 peubah acak x dan y
Nilai koefisien korelasi ( r ) : -1 < r < 1

Korelasi positif (r = +) = hub. linier positif
Korelasi negatif (r = -) = hub. linier negatif Korelasi positif (r = 0) = tidak ada hub.linier
n ∑x y – ∑x ∑y
r =
[n∑x2-(∑x)2] [n∑y2-(∑y)2]
Dengan mom𝑒n perkalian :
Jika x = X - X dan y = Y - Y
∑ 𝑥𝑦
Maka : r =
√∑ 𝑥 2 ∑ 𝑦 2
Merupakan peramalan nilai peubah acak tak bebas Y berdasarkan hasil pengukuran pada
beberapa peubah acak bebas (X1, X2, …, Xr.)
Persamaan :
 Y|X1, X2, …, Xr = o + 1 x1 + 2 x2 + … + r xr
Persamaan regresi
Ŷ = bo + b1 x1 + b2 x2 + … + br xr
Nilai dugaan kuadrat terkecil untuk persamaan regresi adalah :
∑ yi = n bo + b1 ∑ x1i + b2 ∑ x2i
∑ x1i yi = bo ∑ x1i + b1 ∑ x1i2 + b2 ∑ x1ix2i
∑ x2i yi = bo ∑ x2i + b1 ∑ x1ix2i + b2 ∑ x2i2
bo = y – b1 x1 – b2 x2
Koefisien Determinan Korelasi Berganda : R2y.12

menunjukkan proporsi keragaman total nilai-nilai peubah Y
JKG
2
R y.12 = 1 -
(n – 1) sy2
dimana :
JKG = ∑ ( yi – ŷi )2
Atau
JKG = ∑ yi2 – bo ∑ yi – b1 ∑ x1i yi – b2 ∑ x2i yi
Koefisien Korelasi Parsial : r Y 2.1
hubungan linier antara peubah Y dan X1, X2
r Y2 – rY1 r12
rY2 . 1 =
(1 – rY12)( 1 – r122)
dimana :
r Y1 =
[n∑x1i2-(∑x1i)2][n∑yi2-(∑yi)2]

r Y2 =
[n∑x2i2-(∑x2i) 2 ][n∑yi2-(∑yi)2]
n ∑x1i x2i – ∑x1i ∑x2i

r 12 =
[n∑x1i2-(∑x1i)2][n∑x2i2-(∑x2i)2]
Uji t atau T test
Pengertian Uji tes
• dikembangkan oleh William Seely Gosset pada tahun 1915
• Disebut juga dengan Student t dan merupakan salah satu metode statistik yang digunakan
untuk menguji kebenaran atau kepalsuan hipotesis yang menyatakan bahwa diantara dua
buah mean sample yang diambil secara random dari populasi yang sama terdapat perbedaan
signifikan
• Student t test adalah uji komparatif untuk menilai perbedaan antara nilai tertentu dengan rata-
rata kelompok populasi. Student t test disebut juga dengan istilah one sample t test atau uji t
satu sampel oleh karena uji t di sini menggunakan satu sampel.
Persyaratan analisis Uji t

Sebagaimana halnya uji parametris lainnya, uji student test juga mempunyai asumsi atau syarat
yang harus dipenuhi, antara lain:
• Data berskala interval atau rasio.
• Sampel diambil secara acak dari populasi yang sama
Hanya terdapat satu subjek namun diuji berulang-ulang dalam berbagai waktu. Jadi dengan
kata lain, sampel yang diambil berasal dari pengambilan acak atau simple random sampling
• Data bersifat independen, artinya tidak terdapat korelasi antara rata-rata populasi dengan nilai
tiap-tiap sampel dalam populasi.
• Data tidak terdapat outlier atau data pencilan.
Adanya outlier harus dicari dan sampel yang menjadi outlier harus dikeluarkan dari
penelitian. Dinyatakan sebagai pencilan jika nilainya ekstrem atau melebihi dari 3 kali
standart deviasi..
• Data harus berdistribusi normal. Uji normalitas yang digunakan dapat berbagai macam,.
Untuk menentukan uji yang tepat sebaiknya perhatikan jumlah sampel.
Penggolongan Uji t
Satu Sampel
Berhubungan
Uji t (Dependen)
Dua Sampel
Terpisah
(independent)
Uji t satu sampel :

digunakan untuk menguji perbedaan rata-rata suatu variable dengan suatu konstanta
tertentu atau nilai hopotesis
𝑥̅ − µ
Rumus : 𝑡=𝑠
⁄ 𝑛
√
t = koefisien t
𝑥̅ = mean sampel
µ = mean populasi
S = standart deviasi sampel
n = banyaknya sampel
Pola Uji T untuk satu sampel

sample kecil (n< 30) μ = μo μ < μo t < -𝑡𝛼,𝑣 ( 𝑥 – 𝜇𝑜)
t=
𝑠⁄√𝑛
 tidak diketahui μ > μo t >𝑡𝛼,𝑣
μ ≠ μo t <-𝑡𝛼⁄2 ,𝑣 v= n-1
t > 𝑡𝛼⁄2 ,𝑣
Dependen sample test
Adalah salah satu metode yang digunakan untuk membandingkan rata-rata pada sampel
yang sama dan berbentuk pasangan
Pola uji t untuk data dependen (dependent sample test)
o data berpasangan μ1 - μ2 = μo μD < μ o t < -𝑡𝛼,𝑣 ( xD −µ0 )

t=
𝑆 𝑑 ⁄√ 𝑛
atau μD > μ o
t >𝑡𝛼,𝑣 𝑛 ∑ 𝑑𝑖2 − (∑ 𝑑𝑖 )2
μD = μo μD ≠ μ o 𝑆 2𝑑 =
t <-𝑡𝛼⁄2 ,𝑣 𝑛(𝑛−1)
dan
∑ 𝑑𝑖
t > 𝑡𝛼⁄2 ,𝑣 𝑥𝐷 =
𝑛
𝑣 = 𝑛− 1
Independent test
Digunakan untuk menguji signifikansi beda rata-rata dua kelompok
Pola uji t untuk data independen (independent sample test)

o 1 ≠ 2 μ1 - μ2 > μ o t=
t >𝑡𝛼,𝑣 √(𝑠12 ⁄𝑛1 +𝑠22 ⁄𝑛1 )
diketahui t <-𝑡𝛼⁄2 ,𝑣
[ 𝑠2 ⁄𝑛 +𝑠2 ⁄𝑛 ]2
dan v = (𝑠21⁄𝑛 )12 2(𝑠2 ⁄𝑛2 )2
1 1 + 2 2
t > 𝑡𝛼⁄2 ,𝑣 (𝑛1 −1) (𝑛2−1 )

o 1 = 2 μ1 - μ2 > μ o t=
t >𝑡𝛼,𝑣 𝑆𝑝 √(1⁄𝑛1 +1⁄𝑛2 )
diketahui t <-𝑡𝛼⁄2 ,𝑣 (𝑛1 −1)𝑠12 + (𝑛2 −1)𝑠22
2
dan 𝑠𝑝 =
𝑛1 +𝑛2 − 2
t > 𝑡𝛼⁄2 ,𝑣
v = 𝑛1 + 𝑛2 − 2
Aturan uji t
Nilai t atau F adalah mutlak
Jika t atau F hitung (nilai mutlak)< t atau F table maka Ho diterima
Jika t atau F hitung (nilai mutlak) > t atau F table maka Ho ditolak
Atau : jika sig > α , m aka Ho terima
Jika sig < α , mka Ho tolak
Skewness dan Kurtosis
A. Skewness (Kemiringan Kurva)
Ukuran kemiringan kurva (Skewness) adalah derajat ( ukuran ) ketidak sime trisan
lengkungan halus (kurva) dari suatu distribusi data
Lengkungan halus (kurva) distribusi data ada tiga jenis:

• Kurva Positif
• Menceng ke kanan – kemiringan positif
• Rata-rata hitung > modus/median
• Kurva Normal
• Simetri
• Kurva negative
• Menceng ke kiri – kemiringan negative
• Rata-rata hitung < modus/median
Kurva Menceng ke Kanan Kurva Normal Kurva Menceng ke Kiri

Positive Skew Simetri Negative Skew
Mean > Median > Modus Mean = Median = Mean < Median < Modus
Modus
Data lebih kecil Data lebih besar
Bentuk Penyebaran Data
Pada Kelompok A ,
data menyebar normal sehingga histogram yang terbentuk mengikuti kurva
normal dengan frekuensi mean = median = modus = 20
Pada Kelompok B
data simetris kanan dan kiri sehingga histogram yang terbentuk bersifat
simetris dengan frekuensi mean = median = modus = 20, memiliki 2 modus
Pada Kelompok C
data lebih menyebar ke data yang lebih kecil sehingga histogram yang
terbentuk panjang ke kanan dengan frekuensi mean (16,52) > median (15) >
modus (10)
Pada Kelompok D
data lebih menyebar ke data yang lebih besar sehingga histogram yang
terbentuk panjang ke kiri dengan frekuensi mean (23,48) < median (25) <
modus (30)
Ukuran kemencengan kurva dapat dihitung dengan rumus :

1. Rumus Pearson
2. Rumus Momen
3. Rumus Bowley
1. Ukuran Kemencengan Kurva Pearson

K = 𝑋̅ – 𝑀𝑜 K = ukuran kemencengan
Mo= modus
𝑋̅ = rata-rata
Apabila :
• K bernilai positif maka keragaman disebut dengan positive skew/right
skewed (ekor bagian kanan lebih panjang)
• K bernilai negative maka keragaman disebut dengan negative skew/right
skewed (ekor bagian kiri lebih panjang)
Koefisien Kemencengan Pearson

merupakan nilai selisih rata-rata dengan modus dibagi simpangan baku.
Model distribusi berdasarkan koefisien kemiringan

• Jika koefisien kemiringan < nol , maka bentuk distribusinya negative
(ekor bagian kiri lebih panjang)
• Jika koefisien kemiringan = nol , maka bentuk distribusinya simetrik
• Jika koefisien kemiringan > nol , maka bentuk distribusinya positif
(ekor bagian kanan lebih panjang)
Derajat kemiringan Kurva Pearson

28 39 23 67 37 28 56 40 28 50
51 45 44 65 61 27 24 61 34 44
Tentukan ukuran kemencengan Pearson data tersebut

Penyelesaian :
93 - 97 2
98 – 102 10
103 – 107 12
108 - 112 10
113 – 117 7
118 – 122 4
123 – 127 3
128 – 132 1
133 – 137 0
138 - 142 1
Penyelesaian :
Mean = 𝑥̅ = 109.6
Median = Med = 108
Modus = Mod = 105
Standar deviasi = S = 9.26
• Ukuran Kemencengan Pearson adalah
K = 109.6 – 105 = 4.6
• Koefisien Kemencengan (CK) adalah
4.6
CK = = 0.5
9.26
2. Koefisien Kemencengan dengan Momen

Rata-rata dan varian merupakan ukuran untuk menentukan MOMEN
Momen dapat digunakan untuk mengukur ketidak simetrisan terhadap
distribusi data dalam suatu variabel
Simbul Momen : Mr artinya Momen ke r
Momen data tersebar (Un-group data)
Momen data Kelompok (Group data)
Untuk r = 1 , maka M1 (Momen pertama) = Mean

Untuk r = 2 , maka M2 (Momen ke dua) = Varians
Untuk r = 3 , maka M3 (Momen ke tiga) = Kemencengan
Untuk r = 4 , maka M4 (Momen ke empat) = Keruncingan
Derajat Kemencengan kurva dengan Momen

Data tersebar (Un-group data)
Keterangan :
s = simpangan baku
n = banyaknya data
xi = data ke i
Data Kelompok
Keterangan
s = simpangan baku
k = banyaknya kelas
Jika : 𝛼3 = 0, maka distribusi datanya simetris
𝛼3 < 0, maka distribusi datanya menceng ke kiri
𝛼3 > 0 , maka distribusi datanya menceng ke kanan
Data berkelompok
Keterangan
s = simpangan baku
k = banyaknya kelas

28 39 23 67 37 28 56 40 28 50
51 45 44 65 61 27 24 61 34 44
Tentukan ukuran kemencengan data tersebut

Penyelesaian :
1 28 -14.6 213.16 -3112.136

2 39 -3.6 12.96 -46.656
3 23 -19.6 384.16 -7529.536
4 67 24.4 595.36 14526.784
5 37 -5.6 31.36 -175.616
6 28 -14.6 213.16 -3112.136
7 56 13.4 179.56 2406.104
8 40 -2.6 6.76 -17.576
9 28 -14.6 213.16 -3112.136
10 50 7.4 54.76 405.224
11 51 8.4 70.56 592.704
12 45 2.4 5.76 13.824
13 44 1.4 1.96 2.744
14 65 22.4 501.76 11239.424
15 61 18.4 338.56 6229.504
16 27 -15.6 243.36 -3796.416
17 24 -18.6 345.96 -6434.856
18 61 18.4 338.56 6229.504
19 34 -8.6 73.96 -636.056
20 44 1.4 1.96 2.744
Jumlah 852 0 3826.8 13675.44
Mean 42.6

93 - 97 2
98 – 102 10
103 – 107 12
108 - 112 10
113 – 117 7
118 – 122 4
123 – 127 3
128 – 132 1
133 – 137 0
138 - 142 1
Penyelesaian :
𝑥̅ = 109.6
3. Ukuran kemencengan Kurva menurut Bowley
K = (Q1 + Q3) – 2Q2
Keterangan :
Q2 = kuartil ke dua
𝐾
CK = 𝑄
3 −𝑄1
Keterangan :
CK = koefisien kemencengan
Q2 = kuartil ke dua
Contoh (data tersebar):
28 39 23 67 37 28 56 40 28 50
51 45 44 65 61 27 24 61 34 44
Q1 = 28 Q2 = 42 Q3 = 54,75
K = (Q1 + Q3) – 2Q2
= (28 +54,75) – 2(42) = - 1,25
𝐾 −1.25
CK = = = -0,046
𝑄3 −𝑄1 54,75 −28
Contoh (data kelompok):
Data tinggi badan karyawan suatu perusahaan .
Tentukan besarnya kemencengan kurva dari data berikut :
93 - 97 2
98 – 102 10
103 – 107 12
108 - 112 10
113 – 117 7
118 – 122 4
123 – 127 3
128 – 132 1
133 – 137 0
138 - 142 1
Q1 = 102.71 Q2 = 108 Q3 = 116
K = (Q1 + Q3) – 2Q2
= (102.71 +116) – 2(108) = 2.71
𝐾 2.71
CK = = = 0.204
𝑄3 −𝑄1 116 −102.71
B. Ukuran keruncingan (Kurtosis)
Kurtosis merupakan derajat kepuncakan atau ukuran tinggi rendahnya puncak

suatu distribusi data yang biasanya diambil secara relative terhadap distribusi
normal data.
Jenis Kurtosis :
1. Leptokurtis,
merupakan distribusi yang memiliki puncak kurva tinggi
2. Mesokurtis,
merupakan distribusi yang puncak tidak tinggi dan tidak
mendatarmendatar, bila merupakan distribusi simetris dianggap sebagai
distribusi/kurva normal
3. Platikurtis ,
merupakan distribusi yang memiliki puncak kurva rendah
Leptokurtik Mesokurtik Platikurtik
Metode untuk menentukan drajat Kepuncakan (Kurtosis)

1. Metode Person :
2. Metode Momen
1. Derajat Kurtosis metode Pearson adalah :
1
(𝑄1 − 𝑄2 )
𝐾= 2
𝑃90 − 𝑃10
Standart koefisien kurtosis metode Pearson
Jika koefisien Kurtosis kurang dari 0.263 maka distribusinya platikurtik
Jika koefisien Kurtosis sama dengan 0.263 maka distribusinya mesokurtik
Jika koefisien Kurtosis lebih dari 0.263 maka distribusinya leptokortik
2. Derajat Kurtosis metode Momen
a. Data tersebar (Un-group data)
Keterangan :
𝛼4 = koefisien Keruncingan
s = simpangan baku
n = banyaknya data
xi = data ke i
b. Data Kelompok (Group data)
Rumus 1.
Keterangan
𝛼4 = koefisien keeruncingan
s = simpangan baku
k = banyaknya kelas
Jika : 𝛼4 > 3, maka bentuk kurva leptokurtis (meruncing)
𝛼4 = 3, maka bentuk kurva mesokurtis (normal)
𝛼4 < 3 , maka bentuk kurva platikurtis (mendatar)
Rumus 2.
Keterangan
𝛼4 = koefisien keruncingan
s = simpangan baku
k = banyaknya kelas
Contoh Menghitung Koefisien Keruncingan Kurva dengan Momen
Untuk data tersebar

28 39 23 67 37 28 56 40 28 50
51 45 44 65 61 27 24 61 34 44
Perhitungan Koefisien Keruncingan kurva waktu tunggu pelanggan di
restoran ABC ebagai beruikut :
1 28 -14.6 213.16 -3112.136 45437.1856

2 39 -3.6 12.96 -46.656 167.9616
3 23 -19.6 384.16 -7529.536 147578.9056
4 67 24.4 595.36 14526.784 354453.5296
5 37 -5.6 31.36 -175.616 983.4496
6 28 -14.6 213.16 -3112.136 45437.1856
7 56 13.4 179.56 2406.104 32241.7936
8 40 -2.6 6.76 -17.576 45.6976
9 28 -14.6 213.16 -3112.136 45437.1856
10 50 7.4 54.76 405.224 2998.6576
11 51 8.4 70.56 592.704 4978.7136
12 45 2.4 5.76 13.824 33.1776
13 44 1.4 1.96 2.744 3.8416
14 65 22.4 501.76 11239.424 251763.0976
15 61 18.4 338.56 6229.504 114622.8736
16 27 -15.6 243.36 -3796.416 59224.0896
17 24 -18.6 345.96 -6434.856 119688.3216
18 61 18.4 338.56 6229.504 114622.8736
19 34 -8.6 73.96 -636.056 5470.0816
20 44 1.4 1.96 2.744 3.8416
Jumlah 852 0 3826.8 13675.44 1345192.464
Mean 42.6
Untuk data kelompok :
Sehingga :
Jadi kurva yang terbentuk adalah kurva leptokurtis karena 𝛼4 > 3

:
·
I .
j,,.,__.. ,,_,,.•, :.
\I
I



B. Ordinal D. Rasio

digunakan adalah :
B. Ordinal D. Rasio

(frekuensi)
0 - 5 40 2.5
6 - 11 35 8,5
12 - 17 20 14,5
18 - 23 5 20,5
Total 100

A. 0 sd 5 C. 12 sd 17
B. 6 sd 11 D. 18 sd 23

terletak :
A. di kelas ke-1
B. di kelas ke-2
C. di kelas ke-3
D. di kelas ke-4

A. 5,5 B. 6 C. 8.5 D. 11

A. 40 % B. 25% C. 100% D. 40

A. 80 B. 40 C. 20 D. 400

A. Modus C. Ragam
B. Mean D. Median
paling baik
tersebut.

01 Ai + 1,8 06 Pendi - 1,7
02 Aka + 1,6 07 Udud - 0,8
0,0
04 Ecep + 1,4 09 Cucun + 1,2
05 Ureh + 0,6 10 Dasim -0,3



A. 1/6 B. 1/8 C. 1/9 D. 3/8


A. 1/26 B. 1/52 C. 1/13 D. 2

4x5x4 =
A. 20 B. 13 C. 9 D. 80


A. 0.000 C. 0.923
B. 0.078 D. 1

B(x≥1 ; n=5, p=0,4) = 1 - b(x=0; n=5, p=0.4) = 1 – 0.078 = 0,922
A. 0,259 C. 0,922
B. 1 D. 0,346
b(x=5; n=5, p=0.4)
B. 1 D. 0,010


P(x≥1 ; 2,4) = 1 – b(x=0; 2,4) = 1 – 0.0907 = 0,9093
A. 1 C. 0,0907
B. 0.2117 D. 0,9093

n = 200 p = 1/5 = 0.20 q = 1 - 0.20 = 0.80
µ = n . p = 40  = n  p  q = √32 X= 50
x−
z= adalah : (50 – 40)/ √32 = 1.77

A. 1,25 C. -1,77
B. 1,77 D. 0,33
A. P (z < 1.77)
B. P (z > 1.77)
C. P (0 < z < 1.77)
D. P (Z = 0)

A. P (z < 1.77) = 0.5 + 0.4616 = 0,9616 = 96,16 %

B. P (z > 1.77) = 0.5 - 0.4616 = 0.0384 = 3.84 %
C. P (0 < z < 1.77) = 0.4616 = 46,16 %
D. 0%
A. k = 52, N = 13 C. N = 52, k = 13
B. k = 13, N = 26 D. N = 52, k = 26
UG:
60 75 70 60 80 75 80 75 85 90

A. 60 C. 80
B. 70 D. 75

A. 75 C. 80
B. 70 D. 85

A. 60 C. 80
B. 77,5 D. 75
n=5
X 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
0 .774 .590 .328 .168 .078 .031 .010 .002 .000 .000 .000
1 .204 .328 .410 .360 .259 .156 .077 .028 .006 .000 .000
2 .021 .073 .205 .309 .346 .312 .230 .132 .051 .008 .001
3 .001 .008 .051 .132 .230 .312 .346 .309 .205 .073 .021
4 .000 .000 .006 .028 .077 .156 .259 .360 .410 .328 .204
5 .000 .000 .000 .002 .010 .031 .078 .168 .328 .590 .774
µ
(Setengah Kurva)



B. Ordinal D. Rasio

digunakan adalah :
B. Ordinal D. Rasio

(frekuensi)
0 - 5 40 2.5
6 - 11 35 8,5
12 - 17 20 14,5
18 - 23 5 20,5
Total 100

A. 0 sd 5 C. 12 sd 17
B. 6 sd 11 D. 18 sd 23

terletak :
A. di kelas ke-1
B. di kelas ke-2
C. di kelas ke-3
D. di kelas ke-4

A. 5,5 B. 6 C. 8.5 D. 11

A. 40 % B. 25% C. 100% D. 40

A. 80 B. 40 C. 20 D. 400

A. Modus C. Ragam
B. Mean D. Median
paling baik
tersebut.

01 Ai + 1,8 06 Pendi - 1,7
02 Aka + 1,6 07 Udud - 0,8
0,0
04 Ecep + 1,4 09 Cucun + 1,2
05 Ureh + 0,6 10 Dasim -0,3



A. 1/6 B. 1/8 C. 1/9 D. 3/8


A. 1/26 B. 1/52 C. 1/13 D. 2

4x5x4 =
A. 20 B. 13 C. 9 D. 80


A. 0.000 C. 0.923
B. 0.078 D. 1

B(x≥1 ; n=5, p=0,4) = 1 - b(x=0; n=5, p=0.4) = 1 – 0.078 = 0,922
A. 0,259 C. 0,922
B. 1 D. 0,346
b(x=5; n=5, p=0.4)
B. 1 D. 0,010


P(x≥1 ; 2,4) = 1 – b(x=0; 2,4) = 1 – 0.0907 = 0,9093
A. 1 C. 0,0907
B. 0.2117 D. 0,9093

n = 200 p = 1/5 = 0.20 q = 1 - 0.20 = 0.80
µ = n . p = 40  = n  p  q = √32 X= 50
x−
z= adalah : (50 – 40)/ √32 = 1.77

A. 1,25 C. -1,77
B. 1,77 D. 0,33
A. P (z < 1.77)
B. P (z > 1.77)
C. P (0 < z < 1.77)
D. P (Z = 0)

A. P (z < 1.77) = 0.5 + 0.4616 = 0,9616 = 96,16 %

B. P (z > 1.77) = 0.5 - 0.4616 = 0.0384 = 3.84 %
C. P (0 < z < 1.77) = 0.4616 = 46,16 %
D. 0%
A. k = 52, N = 13 C. N = 52, k = 13
B. k = 13, N = 26 D. N = 52, k = 26
UG:
60 75 70 60 80 75 80 75 85 90

A. 60 C. 80
B. 70 D. 75

A. 75 C. 80
B. 70 D. 85

A. 60 C. 80
B. 77,5 D. 75
n=5
X 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
0 .774 .590 .328 .168 .078 .031 .010 .002 .000 .000 .000
1 .204 .328 .410 .360 .259 .156 .077 .028 .006 .000 .000
2 .021 .073 .205 .309 .346 .312 .230 .132 .051 .008 .001
3 .001 .008 .051 .132 .230 .312 .346 .309 .205 .073 .021
4 .000 .000 .006 .028 .077 .156 .259 .360 .410 .328 .204
5 .000 .000 .000 .002 .010 .031 .078 .168 .328 .590 .774
µ
(Setengah Kurva)

Ilovepdf Merged

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

Ilovepdf Merged

Diunggah oleh

Hak Cipta:

Format Tersedia

SOAL NASKAH UU

Soal Untuk No. 15 – 18

Soal Untuk No. 18 – 23

Perilaku Sex Pria Wanita Total

2. Perhatikan tabel distribusi frekuensi variabel X berikut ini

4. Data yang melibatkan variabel diskrit adalah

8. Untuk membuat grafik histogram diperlukan data

11. Sebuah perusahaan membutuhkan karyawan yang terdiri

Kelas Titik Frekuensi

Hasil analisa tersebut menunjukkan bahwa bentuk kurva data tersebut

16. Seorang kepala daerah ingin menduga proporsi penduduk

1. Data yang diperoleh hasil observasi selama periode tertentu, merupakan:

3. Bentuk dan ketinggian kurva distribusi peluang normal ditentukan oleh

5. Di Lab Psikologi Dasar tersedia 15 meja praktikum yang dapat digunakan

8. Ciri-ciri distribusi peluang binomial ... (Setiap ulangan merupakan kejadian

9. Diketahui nilai ujian Statistik I seluruh mahasiswa Universitas Gunadarma

1. Dalam tabel distribusi frekuensi, interval kelas menunjukkan:

4. Pernyataan yang menunjukkan peubah acak diskrit:

5. Analisis varian (ANOVA) adalah:

6. Untuk menghadapi Lomba Rancang Bangun Robot Tingkat Nasional Tahun

7. Permutasi digunakan apabila ...

8. Dalam melakukan penelitian, seringkali peneliti ingin membandingkan kondisi

9. Tabel t-student digunakan untuk :

10. Rata-rata hitung diperoleh dari ...

11. Pelaksanaan pengumpulan data primer dilakukan dengan cara:

12. Pengujian hipotesis yang umum dilakukan adalah, kecuali :

14. Bagian statistika yang membahas cara-cara pengumpulan data, penyederhanaan

15. Pengujian Ha pada notasinya mengandung pengertian :

16. Ciri-ciri distribusi peluang binomial ...

17. Data disebut berpasangan apabila:

19. Hubungan nilai variabel acak dan peluangnya dicerminkan oleh:

21. Pengujian Ha pada notasinya mengandung pengertian :

22. Data berikut merupakan data kualitatif, kecuali:

25. Diketahui nilai ujian Statistik I seluruh mahasiswa Universitas Gunadarma

27. Diketahui nilai ujian Statistik I seluruh mahasiswa Universitas Gunadarma

29. Pengujian Ho pada notasinya selalu mengandung pengertian :

31. Pengujian Ho pada notasinya selalu mengandung pengertian :

34. Populasi adalah:

1. Ukuran-ukuran tertentu yang mendeskripsikan karakteristik suatu populasi, yang nilai

2. Ukuran-ukuran tertentu yang nilainya diperoleh dari sampel dinamakan:

4. Cabang Statistika yang mempelajari tentang metode untuk menggeneralisasikan hasil

6. Yang tergolong dalam data kualitatif ialah:

7. Yang tergolong dalam data kuantitatif ialah:

8. Contoh data diskret di antara yang tersebut di bawah ini yaitu:

9. Contoh data kontinu di antara yang tersebut di bawah ini yaitu:

13. Hasil pengukuran IQ ( intelligence quotient ) merupakan contoh data:

16. Contoh di bawah ini merupakan data berskala ordinal, kecuali:

5. Sebuah tabel yang lengkap sekurang-kurangnya terdiri atas:

6. Tabel yang baik ialah tabel yang:

9. Diagram batang terutama dianjurkan penggunaannya untuk:

10. Secara konseptual, diagram ‘batang-daun-daun’ (stem-and-leaf) merupakan perpaduan

2. Jumlah seluruh angka data dalam kelompoknya dibagi dengan

5. Keunggulan rerata (mean) antara lain yaitu:

6. Keunggulan median antara lain yaitu:

7. Salah satu kelemahan modus yaitu:

8. Pernyataan berikut yang tidak benar mengenai konsep kuantil (fraktil):

1. Rerata-nya mean ialah:

4. Kuartil I dan kuartil III masing-masing adalah:

5. Rentang-nya (rentang) adalah:

Untuk soal No. 10 s.d. 14:

9. Rentang inter-kuartil (inter-quartile range) adalah:

11. Variansi (data tak berkelompok) bagi populasi berhingga adalah:

15. Himpunan data 1 X , 2 X , . . . , n X memiliki rerata (mean) sama dengan 5, maka