(UAS)
STATISTIK PENDIDIKAN
(J. Supranto)
Oleh:
FAUZIAH NUR
NIM. 0331193021
Dosen Pembimbing:
PROGRAM MAGISTER
PENDIDIKAN AGAMA ISLAM
FAKULTAS ILMU TARBIYAH DAN KEGURUAN
UNIVERSITAS ISLAM NEGERI SUMATERA UTARA
2021
IDENTITAS REVIEWER
Name : Fauziah Nur, Tempat/Tanggal Lahir di Suka Makmur, 20 Juni 1996, Desa Suka
Makmur, Kab. Deli Serdang. Alamat rumah di Jln. Delitua Gg. Sentosa. Telah
menyelesaikan Pendidikan: SD. 060927 tahun 2008, MTs. Muallimin UNIVA Medan
tahun 2011, MA. Muallimin UNIVA Medan tahun 2014, Kemudian melanjutkan
kuliah Strata -1 Stambuk 2014 dengan Jurusan Pendidikan Agama Islam FITK UINSU
dengan gelar S.Pd yang selesai pada tahun 2018. Saat ini sedang menjalani kuliah S-2
di FITK UINSU dengan Jurusan Pendidikan Agama Islam.
i
Kata Pengantar
Puji syukur kehadirat Allah swt yang telah melimpahkan rahmat,taufik dan
hidayahnya sehingga penulis dapat menyelesaikan critical book review mata kuliah
Analisis Kebijakan dan Inovasi Pendidikan sebagai tugas mandiri (UAS).
Atas dukungan dan motivasi yang telah diberikan dalam penyelesaian critical book
review ini, maka penulis mengucapkan terima kasih kepada rekan-rekan sekalian yang
telah mendukung menyelesaikan critical book review ini.
Penulis menyadari bahwa masih jauh dari kesempurnaan dan masih banyak
kekurangan dalam hasil critical book review ini. Untuk itu, penulis mengharapkan
kritik dan saran untuk perbaikan dan kesempurnaan yang bersifat membangun.
Semoga critical book review ini dapat bermanfaat bagi penulis khususnya bagi
para pembaca pada umumnya.
Penulis
ii
A. Identitas Buku
Judul Buku : Statistik Teori dan Aplikasi (Edisi 8 Jilid 1)
Penulis : Prof Johanes. Supranto, MA
Penerbit : Erlangga
Tahun Terbit : 2016
Tempat Terbit : Jakarta
ISBN : 978-602-298-565-5
Tebal Buku : 388 Halaman
B. Ringkasan Buku
Buku ini terdiri dari 12 bab pembahasan yaitu:
BAB 1 Berkenalan dengan Statistik
Menurut Websters’s New World Dicitionary, data berarti sesuatu yang diketahui
atau dianggap. Dengan demikian data dapat memberikan gambaran tentang suatu keadaan
atau persoalan. Data tentang sesuatu pada umumnya dikaitkan dengan tempat dan waktu.
Kegunaan data pada dasarnya adalah untuk membuat keputusan oleh para pembuat
3
keputusan (decision makers). Statistik dapat membantu kita dalam (1) menjabarkan dan
memahami suatu hubungan, (2) mengambil keputusan lebih baik, (3) menangani
perubahan.
Dalam Pemecahan Masalah Secara Statistik ada beberapa langkah-langkah dasar
yang dapat dilakukan yaitu :
(1) Mengidentifikasi masalah atau peluang,
(2) Mengumpulkan fakta yang tersedia,
(3) Mengumpulkan data orisinil yang baru,
(4) Mengklasifikasikan dan mengikhtisarkan data,
(5) Menyajikan Data,
(6) Menganalisis Data.
Data juga mempunyai syarat yang harus dipenuhi untuk menghasilkan keputusan
yang baik,yaitu Objektif, Representatif (mewakili), Kesalahan Sampling (sampling error)
kecil, Tepat Waktu, Relevan.
Data-data yang ada dapat dikumpulkan dari sumber-sumber internal dan eksternal,
dan data orisinil baru dapat diperoleh dari wawancara secara pribadi dan kuesioner. Setelah
data diperoleh kita perlu membahas tentang metode penarikan data secara rinci. Akan
tetapi, perlu diperhatikan bahwa semua data yang akan ditarik akan berupa hasil
perhitungan atau hasil pengukuran oleh suatu instrumen.
Data juga dapat dikelompokkan antara lain, Data Menurut Sifatnya dibedakan
antara Data Kualitatif dan Data Kuantitatif, Data Menurut Sumbernya dibedakan menjadi
Data Internal dan data Eksternal, Data Menurut Cara Memperolehnya dibedakan menjadi
Data Primer dan Data Sekunder, dan Data Menurut Waktu Pengambilannya dibedakan
menjadi Data Cross Section dan Data Berkala.
Dalam arti sempit, Statistik berarti data ringkasan berbentuk angka (kuantitatif)
sedangkan dalam arti luas berarti suatu ilmu yang mempelajari cara pengumpulan,
pengolahan/pengelompokan, penyajian dan analisis data serta cara pengambilan
kesimpulan dengan memperthitungkan unsur ketidakpastian berdasarkan konsep
probabilitas. Tetap dalam bukunya Statistical Theory In Research, Anderson and
Bancrof mengatakan Statistika adalah ilmu dan seni pengembangan dan penerapan metode
4
yang paling efektif sehingga kemungkinan kesalahan dalam kesimpulan dan estimasi yang
diperkirakan dengan menggunakan penalaran induktif berdasarkam matematika
probabilitas.
Bab 2 :Pengumpulan dan Pengolahan Data.
Tujuan pengumpulan data yaitu untuk mengetahui jenis elemen (unit terkecil dari objek
penelitian), karakteristik (sifat-sifat yang dilakukan oleh elemen), populasi dan sampel.
Dalam statistik ada dua cara untuk memperoleh data yaitu cara Sensus (pengumpulan data
apabila seluruh elemen populasi diselidiki satu persatu), data yang diperoleh disebut
Parameter. Yang kedua adalah cara Sampling (cara pengumpulan data apabila diselidiki
adalah elemen sampel dari suatu populasi), data yang diperoleh merupakan Data
Perkiraan. Dibandingkan dengan sensus. Pengumpulandata degancara sampling
membutuhkan biaya yang jauh lebih sedikit, memerlukan waktu yang lebih cepat, tenaga
yang tidak terlalu banyak dan dapat menghasilkan cakupan data yang lebih luas serta
terperinci. Dalam pengambilan sampel ada dua cara yang sering dipakai yaitu secara acak
dan bukan acak. Alat yang dipakai untuk memperoleh keterangan dari objek yaitu daftar
pertanyaan (questionnaire), wawancara, observasi, melalui pos/alat komunikasi lain dan
alat ukur lainnya. Akan tetapi hal yang terpenting dalam pengumpulan data adalah
merancang kuesioner (daftar isian yang berupa satu set pertanyaan yang tersusun secara
sistematis dan standar sehingga pertanyaan yang sama dapat diajukan kepada setiap
responden). Sistematis yang dimaksud adalah bahwa item-item pertanyaan disusun menurut
logika (logical sequence) sesuai dengan maksud dan tujuan pengumpulan data. Sedangkan
yang dimaksud dengan standar adalah setiap item pertanyaan mempunyai
pengertian,konsep,dan definisi yang sama. Ada dua tujuna utama dalam membuat
kuesioner suatu survei yang baik yaitu:
1. Memperoleh informasi/data yang berhubungan dengan maksud dan tujuan survei
2. Mengumpulkan informasi dengan kecermatan dan ketelitian yang dapat
dipertanggungjawabkan.
Secara umum metode pengolahan data dibedakan menjadi dua yaitu pengolahan
data decara manual (yang dilakukan untuk jumlah obesrvasi yang tidak terlalau banyak
5
dan memerlukan waktu yang sangat lama karena harus menelitisatu persatu dari setiap
obesrvasi) dan pengolahan data secara elektronik (dengan menggunakan komputer).
Bab 3 :Penyajian Data.
Data dapat disajikan dengan Tabel dan Grafik. Penyajian data dalam bentuk tabel
adalah penyajian dalam kumpulan angka-angka yang disusun menurut kategori-
kategori,sehingga memudahkan untuk pembuatan analisis data. Ada beberapa bentuk tabel
yaitu :
(1) Tabel Satu Arah (one way table),tabel yang memuat keterangan mengenai satu
hal/karakteristik saja
(2) Tabel Dua Arah (two way table),tabelyang menunjukkan hubungan dua
hal/karakteristik
(3) Tabel Tiga Arah (three way table),tabel yang menunjukkan tiga hal/karakteristik.
Penyajian data dalam bentuk grafik adalah penyajian dalam bentuk gambar yang
menunjukkan secara visual data berupa angka yang dapat memudahkan pengambilan
kesimpulan dengan cepat. Ada beberapa bentuk grafik yaitu :
(1) Grafik Garis Tunggal (single line chart),grafik yang terdiri dari satu garis untuk
menggambarkan perkembangan dari suatu karakteristik,
(2) Grafik Garis Berganda (multiple line chart),grafik yang terdiri dari beberapa garis
untuk menggambarkan perkembangan beberapa hal sekaligus,
(3) Grafik Garis Komponen Berganda (multiple component line chart),mirip dengan
grafik berganda tetapi garis yang terakhir menggambarkan jumlah dari komponen-
komponen
(4) Grafik Garis Persentase Komponen Berganda (multiple percentage component line
chart),mirip dengan grafik garis berganda kecuali masing-masing nilai komponen
dinyatakan dalam persentase sehingga garis terakhir merupakan garis yang
menunjukkan nilai 100%,
(5) Grafik Garis Berimbang Neto (net balanced line),grafik yang nilai-nilai selisih
dengan garis timbangan dapat diberi warna yang berbeda untuk menilai selisih
positif dan negatif,
(6) Grafik Batangan Tunggal (single bar chart)
6
(7) Grafik Batangan Berganda (multiple bar chart)
(8) Grafik Batangan Komponen Berganda (multi component bar chart)
(9) Grafik Batangan Persentase Komponen Berganda (multiple percentage component
bar chart)
(10) Grafik Batangan Berimbang Neto (net balanced bar chart)
(11) Grafik Lingkaran Tunggal (single pie chart)
(12) Grafik Lingakaran Berganda (multi pie chart)
(13) Grafik Peta (cartogram chart)
(14) Grafik gambar (pictogram chart)
2. Interval Kelas
Pemilihan interval kelas dan jumlah kelas sebenarnya tidak independen. Semakin
banyak jumlah kelas berarti semakin kecil interval kelas dan sebaliknya.
7
Xn± X 1
c=
k
3. Batas Kelas
Batas kelas bawah menunjukkan kemungkinan nilai data terkecil pada suatu kelas
sedangkan batas kelas atas mengidentifikasi kemungkinan nilai data terbesar
dalam suatu kelas.
Sering kali data dari tabel disajikan dalam bentuk grafik misalnya dalam bentuk
histogram/grafik batangan,frekuensi poligon dan frekeunsi kurva. Grafik batangan biasanya
digunakan untuk menyajikan datayang bukan merupakan tabel frekuensi. Dalam analisis
ekonomi,khususnya pada masalah pemerataan pendapatan dikenal suatu kurva yang disebut
Kurva Lorenz. Pada dasarnya kurva ini sama dengan kurva frekuensi kumulatif. Dalam
kurva ini ditunjukkan pembagian pendapatan yang sama sehingga menunjukkan keadilan
atau makin tidak sama, makin tidak adil. Pembagian pendapatan yang tidak sama atau
kurang merata disebut dengan Income Gap yaitu jurang pemisah antara yang
berpendapatan tinggi dengan yang berpendapatan rendah. Apabila income gap semakin
besar sering terjadi kekacauan yang menimbulkan pemberontakan.
Bab 5 :Ukuran Pemusatan.
Rata-rata (average) adalah nilai yang mewakii himpunan atau sekelompok data (a
set of data). Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data
yang disusun menurut besar kecilnya nilai. Rata-rata yang sering digunakan dalam ukuran
pemusatan adalah Rata-rata Hitung (arithmetic mean), Rata-rata Ukur (geometric mean)
dan Rata-rata Harmonis (harmonic mean).
Rata-rata Hitung
Apabila kita mempunyai nilai variabel X, sebagai hasil pengamatan sebanyak N kali,
yaitu X1, X2,. . ., Xi, . . . , XN maka :
a) Rata-rata sebenarnya (populasi)
N
1
µ=
N
∑ Xi
i=1
8
n
1
X = ∑ Xi
n i=1
BEBERAPA SIFAT/CIRI RATA-RATA HITUNG
Rata-rata hitung memiliki beberapa sifat yaitu :
1. Jumlah deviasi atau selisih kelompok nilai terhadap nilai terhadap rata-ratanya sama
dengan nol.
2. Jumlah deviasi kuadrat dari suatu kelompok nilai terhadap nilai k akan minimum
jika k = X .
3. Apabila ada kelompok nilai :
Kelompok Pertama sebanyak f1 nilai dengan rata-rata X 1
Kelompok Kedua sebanyak f2 nilai dengan rata-rata X 2
Kelompok ke-i sebanyak fi nilai rata-rata dengan rata-rata X i
4. Apabila k adalah sembarang nilai yang merupakan nilai rata-rata asumsi/anggaran
dan di merupakan deviasi dari nilai Xi terhadap k (di = Xi – k,i = 1,2,.......,n)
5. Jika suatu kelompok data sangat heterogen, maka rata-rata hitung tidak dapat
mewakili masing-masing nilai dari kelompok tersebut dengan baik. Rata-rata hitung
hanya dapat mewakili dengan sempurna atau nilainya tepat bila kelompok datanya
homogen.
MEDIAN (DATA TIDAK BERKELOMPOK)
Apabila ada sekelompok nilai sebanyak n diurutkan mulai dari yang terkecil Xi
sampai dengan yang terbesar Xn, maka nilai yang ada ditengah disebut Median.
Untuk n Ganjil ditulis : n= 2k + 1
1
Untuk n Genap ditulis : median = (Xk + Xk+1)
2
MEDIAN (DATA BERKELOMPOK)
Secara Geometrik, median juga merupakan nilai X dari absis (sumbu horizontal)
sesuai dengan jarak tegak lurus yang membagi suatu histogram menjadi dua daerah sama
luasnya. Jadi seluruh observasi seolah-olah dibagi menjadi dua,setengah di sebelah kiri
median (yang terdiri dari observasi yang nilainya sama atau lebih kecil dari median) dan
9
setengah di sebelah kanan median (yang terdiri dari observasi yang nilainya sama atau lebih
besar dari median)
{ }
n
−( ∑ fi ) 0
med = L0 + c 2
fm
MODUS
Modus dari suatu kelompok nilai adalah nilai kelompok tersebut yang mempunyai
frekuensi tertinggi atau nilai yang paling banyak terjadi didalam suatu kelompok nilai.
Apabila data sudah dikelompokkan dan disajikan dalam tabel frekeunsi maka dalam
mencari modusnya digunakan rumus :
Modus = L0 + c { ( f 1) 0
( f 1 ) 0+ ( f 2 ) 0 }
dimana,
L0 = nilai batas bawah, kelas yang memuat modus
fm0 = frekeunsi kelas yang memuat modus
(f1)0 = fm() – f(m0-1) (selisih frekeunsi kelas yang memuat modus dengan frekeunsi
kelas sebelumnya)
(f2)0 = fm() – f(m0+1) (selisih frekeunsi kelas yang memuat modus dengan frekeunsi
kelas sesudahnya)
C = besarnya jarak antara nilai batas atas dan nilai batas bawah dari kelas yang
memuat modus
PERBANDINGAN ANTARA RATA-RATA, MEDIAN, DAN MODUS
Apabila distribusi frekuensi mempunyai kurva yang simetris dengan satu puncak
saja, maka letak rata-rata X , median dan modus adalah sama yaitu X = mod = med. Bila
kurva menceng ke kanan, maka nilai rata-rata adalah yang paling besar,diikuti dengan
median, lalu modus. Bila kurva menceng ke kiri, maka nilai rata-rata paling kecil, diikuti
median lalu modus. Tetapi bila distribusinya tidak terlalu melenceng maka terdapat
hubungan :
rata-rata – modus = 3 (rata-rata – median) atau,
modus = rata-rata – 3 (rata-rata – median)
10
RATA-RATA UKUR
Untuk mencapai rata-rata ukur dapat digunakan rumus :
G = √n X ₁× X ₂. .. Xn
Log G =
∑ log Xi
n
G = antilog (∑ log Xi
n )
RATA-RATA HARMONIS
Rata-rata Harmonis (RH) dari n angka, X1, X2, . . ., Xn adalah nilai yang diperoleh
dengan jalan membagi n dengan jumlah kebalikan dari masing-masing X tersebut di atas.
Rumusnya adalah sebagai berikut :
n
n
RH = 1
∑ Xi
i=1
Bila kita berbicara tentang median, maka nilai ini seolah-olah membagi kelompok
dan menjadi 2 bagian yang sama. Artinya 50% dari kelompok data ini mempunyai nilai
sama atau lebih kecil dari median, sedangkan 50% lainnya mempunyai nilai yang sama atau
lebih besar dari median tersebut. Nilai median merupakan salah satu dari nilai observasi/
pengamatan. Untuk kelompok data dimana n ≥ 4, kita tentukan tiga nilai, katakanlah Q 1, Q2,
Q3, yang membagi kelompok data tersebut menjadi 4 bagian yang sama yaitu setiap bagian
memuat data yang sama. Nilai-nilai tersebut dinamakan kuartil pertama, kedua dan
ketiga. Pembagian itu adalah sedemikian rupa sehingga nilai 25% data sama atau lebih
kecil dari Q1, 50% data sama atau lebih kecil dari Q 2, 75 % data sama atau lebih kecil dari
Q3.
{ }
¿ −( ∑ fi ) 0
Qi = L0 + c 4 , i = 1,2,3
fq
11
dimana :
L0 = nilai batas bawah, kelas yang memuat kuartil ke-i
n = banyaknya observasi
∑ (f1)0 = jumlah frekeunsi dari semua kelas sebelum kelas yang mengandung
kuartil ke-i
fq = frekeunsi dari kelas yang mengandung kuartil ke-i
c = besarnya kelas interval yang mengandung kuartil ke-i atau jarak nilai batas
bawah (atas) dari suatu kelas terhadap nilai batas bawah (atas) kelas berikutnya
i = 1,2,3
in = i kali n
Desil merupakan ukuran yang membagi sekelompok nilai menjadi 10 bagian yang
sama. Rumus desil yaitu :
{ }
¿ −( ∑ fi ) 0
Di = L0 + c 10
fd
Persentil adalah ukuran yang membagi sekelompok nilai menjadi 100 bagian yang
sama. Rumus persentil yaitu :
{ }
¿ −( ∑ fi ) 0
Pi = L0 + c 100
fp
dimana :
L0 = nilai batas bawah, kelas yang memuat desil ke-i (persentil ke-i)
n = banyaknya observasi
∑ (f1)0 = jumlah frekeunsi dari semua kelas sebelum kelas yang mengandung desil
ke-i (persentil ke-i)
fd = frekeunsi dari kelas yang memuat desil ke-i
fp = frekeunsi dari kelas yang memuat persentil ke-i
c = besarnya kelas interval yang memuat desil ke-i (persentil ke-i)
12
Ada beberapa macam ukuran variasi atau dispersi, misalnya nilai jarak (range), rata-
rata simpangan (mean deciation), simpangan baku (standard deviation), dan koefisien
variasi (coefficient of varitation). Diantara ukuran variasi tersebut simpangan baku yang
sering dipergunakan, khususnya untuk keperluan analisis data. Dispersi dipelajari untuk
membandingkan sebaran data dari dua informasi distribusi nilai. Misalnya untuk
membandingkan tingkat produktivitas dari dua perusahaan. Meskipun kita mengetahui
bahwa produksi rata-rata dari dua perusahaan mobil adalah 20 mobil sehari, namun kita
tentu tidak dapat langsung mengatakan bahwa tingkat produksi mereka identik. Kita perlu
melihat bagaimana sebaran nilai (jumlah produksi harian) dari kedua perusahaan tersebut.
Mungkin perusahaan pertama cenderung lebih homogen, dalam arti bahwa jumlah produksi
harian tidak jauh dari kisaran rata-rata. Mungkin pula pperusahaan kedua ternyata
cenderung memiliki tingkat distribusi produksi yang lebih heterogen, yang berarti bahwa
jumlah produksi harian sangat beragam dan menyebar jauh disekitar rata-rata
PENGUKURAN DISPERSI DATA TIDAK DIKELOMPOKKAN
Nilai Jarak
Diantara ukuran variansi yang paling sederhana dan paling mudah dihitung ialah
nilai jarak (range). Bila suatu kelompok nilai sudah disusun menurut urutan yang terkecil
(X1) sampai dengan yang tersebar (Xn), maka untuk menghitung nilai jaraj dapat digunakan
rumus :
Nilai Jarak = Nilai Maksimum (Xn) – Nilai Minimum (X1)
Rata-rata Simpangan
Rata-rata simpangan adalah rata-rata hitung dari nilai absolut simpangan yang
dirumuskan :
i
RS = ∑ | Xi− X|
n
sedangkan simpangan terhadap median dapat dirumuskan :
i
RS = ∑ | Xi−Med|
n
Simpangan Baku
13
Diantara ukuran dispersi atau variasi, simpangan baku adalah yang paling banyak
dipergunakan, karena mempunyai sifat-sifat matematis yang sangat penting dan berguna
sekali untuk pembahasan teori dan analisis. Simpangan baku adalah salah satu ukuran
dispersi yang diperoleh dari akar kuadrat positif varians. Varians adalah rata-rata hitung
dari kuadrat simpangan setiap pengamatan terhadap rata-rata hitungnya. Simbol dari
varians populasi adalah σ 2 dimana rumusnya adalah :
N
i
σ2 =
N ∑ ( Xi−μ )2
i=1
√
N
σ =¿ ∑ ( Xi−μ ) 2
i=1
N
dimana σ merupakan simpangan baku dari X.
PENGUKURAN DISPERSI DATA DIKELOMPOKKAN
Nilai Jarak
Untuk data yang berkelompok, nilai jarak (NJ) dapat dihitung dengan dua cara yaitu :
a) NJ = Nilai tengah kelas akhir - Nilai tengah kelas pertama
b) NJ = Batas atas kelas terakhir – Batas bawah kelas pertama
Simpangan Baku
Untuk data yang berkelompok dan sudah disajikan dalam tabel frekeunsi, rumus
simpangan baku populasi adalah :
√
k
σ= ∑ fi ( Mi−μ )2
i=1
N
Mi = nilai tengah dari kelas ke-i, i = 1,2, . . . , k.
14
atau
√ ( )
k k 2
∑ fidi 2
∑ fidi , untuk kelas interval yang sama
i=1 i=1
σ =c ±
N N
dimana :
c = besarnya kelas interval
fi = frekeunsi kelas ke-i
di = deviasi = simpangan dari kelas ke-i terhadap titik asal asumsi
dan
√{ ( ) }
k 2
k ∑ fiMi
1
∑ fiMi2−
i=1
σ=
N i=1 N
untuk kelas interval yang tidak sama, Mi = nilai tengah kelas ke-i.
Untuk data sampel diperoleh simpangan baku sampel dengan rumus :
√ [ ]
k k 2
S=c ∑ fidi 2
∑ fidi untuk kelas yang sama,
i=1 i=1
−
n±1 n−1
dan
√ { (∑ ) }
k 2
fiMi
S= 1
k untuk kelas tidak sama.
∑ fiMi − 2 i=1
Xi
Variabel X yang mempunyai rata-rata µ dengan simpangan baku σ . Jadi,
σ
Xi−μ
merupakan nilai baku dari Xi, dan Zi = merupakan nilai simpangan atau deviasi yang
σ
baku. Simpangan baku yang sudah dibahas diatas mempunyai satuan yang sama dengan
satuan data aslinya. Hal ini menjadi suatu kelemahan kalau kita ingin membandingkan dua
kelompok data, misalnya harga 10 mobil dengan harge 10 ekor ayam atau berat 10 ekor
gajah dengan berat 10 ekor semut. Walaupun nilai simpangan baku untuk berat gajah atau
harga mobil lebih besar, nilai ini belum tentu lebih heterogen atau lebih bervariasi daripada
15
harga semut atau harga ayam. Untuk keperluan perbandingan dua kelompok nilai
dipergunakan Koefisien Variasi (KV) yang bebas dari satuan data asli dimana rumusnya
adalah :
σ
KV = × 100%, untuk populasi
μ
S
kv = ×100%, untuk sampel
X
Jika ada dua kelompok data dengan KV 1 dan KV2, dimana KV1 > KV2, maka
kelompok pertama lebih bervariasi atau lebih heterogen daripada kelompok kedua.
UKURAN KEMENCENGAN DAN KERUNCINGAN KURVA
Apabila kita mempunyai sekelompok data sebanyak n: X1,X2,....,Xn, maka yang
disebut momen dengan momen ke-r (Mr) adalah :
n
1
Mr =
n ∑ X ri . . . untuk data tak berkelompok
i=1
Untuk data yang sudah dikelompokkan menjadi k kelas, dengan Mi merupakan nilai
tengah kelas ke-i, maka rumus momen ke-r (Mr) yaitu :
k
1
Mr =
n ∑ fiM ri . . . untuk data berkelompok
i=1
k
i
Mr = ∑
n i=1
r
fi ( Mi−X ) . . . untuk data berkelompok
16
Q
1
Qy
3∑( i
3
α 3= 3 = X − X ) . . . untuk data tak berkelompok
S nS i=1
atau
M3 1
k
3 ∑ i(
3
α 3= 3 = f M i−X ) . . . untuk data berkelompok
S nS i=1
Semakin besar α 3, maka kurva suatu distribusi semakin menceng atau miring.
17
Untuk menghitung tingkat keruncingan suatu kurva distribusi dipergunakan α 4,yaitu
moment coefficient of kurtosis yang rumusnya sebagai berikut :
n
1
α4 = 4 = n ∑
4
M4 ( X i −X )
i=1 . . . (untuk data tidak berkelompok)
S 4
S
k
1
α4 = 4 = n ∑
4
M4 f i ( M i− X )
i=1 . . . (untuk data berkelompok)
S 4
S
Bab 7 : Analisis Korelasi dan Regresi Liniear Sederhana.
Didalam perencanaan, selain data masa lampau dan masa sekarang, juga diperlukan
data hasil ramalan yang menggambarkan kemampuan di masa yang akan datang. Apabila
dua variabel X dan Y mempunyai hubungan, maka nilai variabel X yang sudah diketahui
dapat dipergunakan untuk memperkirakan / menaksir Y. Ramalan pada dasarnya
merupakan perkiraan mengenai terjadinya suatu kejadian. Variabel Y yang nilainya akan
diramalkan disebut variabel tidak bebas (dependent variabel), sedangkan variabel X yang
nilainya dipergunakan untuk meramalkan nilai Y disebut variabel bebas (independent
variabel). Jadi analisis korelasi ini memungkinkan kita untuk mengetahui sesuatu di luar
hasil penyelidikan, misalnya dengan ramalan kita dapat mengetahui terjadinya suatu
kejadian baik secara kualitatif maupun kuantitatif.
KOEFISIEN KORELASI DAN KEGUNAANYA
Hubungan dua variabel ada yang positif dan negatif. Hubungan X dan Y dikatakan
positif apabila kenaikan (penurunan) X pada umumnya diikuti oleh kenaikan (penurunan)
Y. Sebaliknya dikatakan negatif apabila kenaikan (penurunan) X pada umumnya diikuti
oleh penurunan (kenaikan) Y. Jadi apabila antara variabel X dan Y terdapat hubungan,
maka bentuk diagram pencarnya adalah mulus / teratur dimana yang pertama menunjukkan
gerakan diagram pencar dari kiri bawah ke kanan atas (hubungan positif), sedangkan yang
18
kedua bergerak dari kiri atas ke kanan bawah (hubungan negatif). Apabila bentuk diagram
pencar tidak teratur, artinya kenaikan/penurunan X pada umumnya tidak diikuti oleh naik
turunnya Y, maka dikatakan X dan Y tidak berkorelasi. Kuat dan tidaknya hubungan antara
X dan Y apabila dapat dinyatakan dengan fungsi liniear, diukur dengan suatu nilai yang
disebut Koefisien Korelasi. Nilai koefisien korelasi ini paling sedikit -1 dan paling besar 1.
Jadi, jika r = koefisien korelasi, maka nilai r dapat dinyatakan sebagi berikut :
-1 ≤ r ≤ 1
Cara menghitung r adalah sebagai berikut :
n
∑ xi yi
i=1
r=
√ √∑
n n
∑ xi 2 2
yi
i =1 i=1
1-
n ( n2−1 )
dimana di = selisih dari pasangan rank ke-i ;
n = banyaknya pasangan rank
rumus ini disebut rumus Spearman.
KOLERASI DATA KUALITATIF
Untuk data yang kualitatif yang dipergunakan dalam mengukur kuatnya hubungan
disebut Contingency Coefficient (Koefisien Bersyarat) yang mempunyai pengertian sama
seperti koefisien korelasi. Untuk menghitung nilai koefisien bersyarat (C c) digunakan
rumus :
19
Cc =
Tujuan utama subbab ini adalah bagaimana menghitung suatu perkiraan atau
persamaan regresi yang akan menjelaskan hubungan antara dua variabel.Pembahasan
terbatas pada regresi sederhana, yaitu mengenai hubungan antara dua variabel yang
biasanya cukup tepat dinyatakan dalam suati garis lurus.
Diagram Pencar (Scatter Diagram)
Setelah ditetapkan bahwa terdapat dua hubungan logis diantara variabel, maka
untuk mendukung analisis lebih jauh, barangkali tahap selanjutnya adalah menggunakan
grafik. Grafik ini disebut Diagram Pencar, yang menunjukkan titik-titik tertentu. Setiap titik
memperlihatkan sesuatu hasil yang kita nilai sebagai variabel tak bebas (dependent)
maupun bebas (independent). Diagram Pencar ini memiliki dua manfaat yaitu :
(1) Membantu menunjukkan apakah terdapat hubungan yang bermanfaat antara dua
variabel,
(2) Membantu menetapkan tipe persamaan yang menunjukkan hubungan antara
kedua variabel tersebut.
Persamaan Regresi Liniear
Persamaan regresi linear dapat dihitung dengan rumus :
Y’ = a + b X
dimana
a = Y pintasan, (nilai Y’ bila X = 0)
b = kemiringan dari regresi atau koefisien regresi, yang mengukur besarnya
pengaruh X terhadap Y kalau X naik satu unit
X = nilai tertentu dari variabel bebas
Y’ = nilai yang diukur atau dihitung pada variabel tidak bebas
Penggunaan Persamaan Regresi dalam Peramalan
Tujuan utama penggunaan persamaan regresi adalah untuk memperkirakan nilai dari
variabel tak bebas pada nilai variabel bebas tertentu. Persamaan regresi dalam ramalan
dapat dihitung dengan rumus:
20
Y’ = 1,02 + 5,14 (x)
√
2 2
r 1 y +r 2 y −2 r 1 y r 2 y r 12
KKLB = 2
1−r 12
Apabila KKLB dikuadratkan, maka akan diperoleh koefisien penentuan (KP)
berganda, yaitu suatu nilai untuk mengukur besarnya sumbangan dari variabel X terhadap
variasi Y,dimana rumusnya adalah :
KP = R2y .12
Koefisien Korelasi Parsial
Apabila variabel Y berkorelasi dengan X 1 dan X2, maka koefisien korelasi anatara Y
dan X1 (X2 konstan), antara Y dan X2 (X1 konstan), dan antara X1 dan X2 (Y konstan)
disebut Koefisien Korelasi Parsial (KKP) dengan rumus sebagai berikut :
r 1 y −r 2 y r 12
r1y.2 =
√1−r √1−r 2
2y
2
12
21
r 12−r 1 y r 2 y
r12.y =
√1−r √1−r
2
1y
2
2y
22
Karena bentuk trend eksponensial yang diubah tidak dapat dijadikan bentuk linear
dengan jalan transformasi, maka untuk memperkirakan atau menghitung nilai koefisien a
dan b tidak dapat digunakan metode kuadrat terkecil (least square method).
TREND LOGISTIK
Trend Logistik biasanya dipergunakan untuk mewakili data yang menggambarkan
perkembangan / pertumbuhan yang mula-mula cepat sekali, tetapi kemudian melambat,
dimana kecepatan pertumbuhannya makin berkurang sampai tercapai suatu titik jenuh.
Contoh bentuk trend logistik adalah sebagai berikut :
k
Y’ = a+ bX , dimana : k,a dan b konstan, biasanya b < 0.
1+ 10
TREND GOMPERTZ
Trend Gompretz biasanya dipergunakan untuk meramalkan jumlah penduduk pada
usia tertentu. Bentuk daripada Trend ini adalah :
Y’ = kabX , dimana k,a, dan b konstan.
Untuk mengenali jenis trend baik linear, parabola, eksponensial, logistik maupun
Gompertz, kita harus membuat diagram pencar. Dengan melihat diagram pencar kita bisa
menentukan jenis trend apa yang cocok atau tepat untuk meramalkan.
Bab 9 :Analisis Data Berkala.
Data berkala (time series data) adalah data yang dikumpulkan dari waktu ke waktu
untuk menggambarkan perkembangan suatu kegiatan. Analisis data berkala memungkinkan
kita untuk mengetahui perkembangan suatu atau beberapa kejadian serta hubungan atau
pengaruhnya terhadap kejadian lainnya. Gerakan / variasi data berkala terdiri dari empat
komponen yaitu sebagai berikut :
(1) Gerakan Trend Jangka Panjang, yaitu suatu gerakan yang menunjukkan arah
perkembangan secara umum (kecendrungan menaik/menurun). Garis trend ini
berguna untuk membuat ramalan yang diperlukan bagi perencanaan (T).
(2) Gerakan/Variasi Siklis, yaitu gerakan/variasijangka panjang disekitar garis trend
(berlaku untuk data tahunan) dan disimbolkan dengan C (cycle).
(3) Gerakan/Variasi Musiman, yaitu gerakan yang mempunyai pola tetap dari waktu
ke waktu yang disimbolkan dengan S (seasonal).
23
(4) Gerakan/Variasi yang Tidak Teratur, yaitu gerakan/variasi yang sifatnya
sporadis, disimbolkan dengan I (irregular).
Apabila gerakan trend, siklis, musiman, dan acak masing-masing diberi simbol T,
C, S, dan I, maka data berkala Y merupakan hasil kali dari 4 komponen tersebut yaitu :
Y=T×C×S×I
MENENTUKAN TREND
Ada beberapa metode yang umum digunakan untuk menggambarkan garis trend,
ada beberapa metode yang bisa digunakan yaitu :
24
rata bergerak dibuat dari data tahunan atau bulanan sebanyak n waktu maka rata-rata
bergerak disebut rata-rata bergerak tahunan atau bulanan dengan orde n.
Metode Kuadrat Terkecil
Garis trend linear dapat ditulis sebagai persamaan garis lurus :
Y’ = a + bX
Di mana Y’ = data berkala (time seri data)
X = waktu
a dan b = bilangan konstan
Untuk mencari persamaan trend garis lurus dengan metode kuadrat terkecil dapat
dilakukan dengan dua cara, yaitu:
Cara 1
Untuk mengadakan perhitungan diperlukan nilai tertentu pada variabel waktu (X)
sedemikian rupa, sehingga jumlah nilai variabel waktu adalah nol.
n
∑ X i=0
i=1
25
keperluan analisis, sering kali data berkala dinyatakan dalm bentuk angka indeks. Apabila
kita ingin menunjukkan ada / tidaknya gerakan musiman, perlu dibuat indeks musiman
(seasonal index). Dalam menghitung angka indeks musiman, ada beberapa metode yang
dapat dilakukan yaitu :
1. Metode Rata-rata Sederhana (simple average method)
2. Metode Relatif Bersambung (link relative method)
Untuk menggunakan metode relatif bersambung, data bulanan yang asli mula-mula
dinyatakan sebagai presentase dari data pada bulan yang mendahuluinya. Persentase-
persentase yang didapat dengan cara demikian disebut relatif bersambung. Jadi, relatif
bersambung menghubungkan data pada bulan yang mendahuluinya. Dalam metode ini
dapat dihitung denga dua cara yaitu :
(1) Dengan menggunakan rata-rata,
(2) Dengan menggunakan median berdasarkan rata-rata.
3. Metode Rasio terhadap Trend (ratio to trend method)
Dalam metode ini, data asli untuk setiap bulan dinyatakan sebagai persentase dari
nilai-nilai trend bulanan. Rata-rata (median) dari persentase ini merupakan indeks
musiman. Apabila rata-rata indeks ≠ 100% atau jumlahnya tidak = 1.200%, perlu diadakan
penyesuaian
4. Metode Rasio terhadap Rata-rata Bergerak (ratio to moving average
method)
Dalam metode ini, harus dihitung terlebih dahulu rata-rata bergerak selama 12
bulan. Karena hasil perhitungan rata-rata bergerak 12 bulan ini terletak antara dua bulan
yang berdekatan, tidak terletak pertengahan bulan, maka harus dibuat rata-rata bergerak dua
bulan yang didasarkan atas data rata-rata bergerak 12 bulan tersebut. Yang terakhir ini
sering disebut rata-rata bergerak 12 bulan terpusat.
MENGHILANGKAN PENGARUH MUSIMAN DAN TREND
Apabila kita ingin menghilangkan pengaruh musiman terhadap data berkala, maka
setiap nilai (data asli) bulanan dari tahun ke tahun harus dibagi dengan indeks musiman
GERAKAN SIKLIS DAN CARA MENGUKURNYA
26
Seperti kita ketahui, data berkala diberi simbol Y = TCSI. Apabila dibagi dengan S,
maka :
Y TCSI
=
S S
= TCI (bebas pengaruh musiman) yang kemudian kalau dibagi denagn T:
Y TCI
=
ST T
= CI (bebas pengaruh musiman dan trend).
MENEMUKAN UKURAN MUSIMAN DENGAN PENGGUNAAN REGRESI
BERGANDA
Pada bab terakhir kita akan mengetahui bahwa metode kedua, yaitu yang lebih
kompleks untuk menemukan indeks musiman adalah metode yang cukup memadai untuk
data yang memiliki trend kuat. Akan tetapi, kita dapat menggabungkan pengetahuan pada
data dan membutuhkan pekerjaan yang lebih sederhana dibandingkan metode kedua.
Dengan data yang disajikan kita dapat membangun persamaan regresi dari rumus:
Y^ =a+b 1 t + b2 S 2+ b3 S 3+ b4 S 4
Dimana :
Y^ (= Y topi)
t = periode waktu
S j = variabel indikator yang menunjukkan musim semi, panas, dan gugur.
27
(2) waktu yang bersangkutan atau sedang berjalan (current period), yaitu waktu
dimana suatu kegiatan (kejadian) dipergunakan sebagai dasar perbandingan
terhadap kegiatan pada waktu dasar.
INDEKS HARGA RELATIF SEDERHANA DAN AGREGATIF
Indeks harga relatif sederhana (simple relative price index) ialah indeks yang terdiri
dari satu macam barang saja, baik untuk indeks produksi maupun indeks harga. Indeks
agregatif merupakan indeks yang terdiri dari beberapa barang. Indeks agregartif
memungkinkan untuk melihat persoalan secara agregatif, yaitu secara keseluruhan, bukan
melihat satu per satu.
Rumus indeks harga sederhana (simple index) adalah:
Pt
I t , 0= ×100 %
P0
Dimana: I t , 0=indeks harga pada waktu t dengan waktu dasar 0
Pt =harga pada waktu t
P0 = harga pada waktu 0
Rumus untuk menghitung indeks produksi sama seperti untuk menghitung indeks
harga hanya huruf p-nya saja diganti dengan q.
qt
I t , 0= × 100 %
q0
Dimana: I t , 0=indeks harga pada waktu t dengan waktu dasar 0
q t=harga pada waktu t
q0 = produksi dalam waktu 0
I t , 0=
∑ Pi ×100
∑ P0
28
INDEKS AGREGATIF TERTIMBANG
Indeks agregatif tertimbang ialah indeks yang dalam pembuatannya telah
dipertimbangkan faktor-faktor yang akan mempengaruhi naik turunnya angka indeks
tersebut.
Timbangan yang akan dipergunakan untuk pembuatan indeks biasanya :
1. Kepentingan Relatif (relative importance)
2. Hal-hal yang ada hubungannya atau ada pengaruhnya terhadap naik-turunnya
indeks tersebut.
Kelemahan dari Indeks ini adalah :
1. Satuan atau unit harga barang sangat mempengaruhi indeks harga.
2. Tidak memperhitungkan kepentingan relatif barang-barang yang tercakup dalam
pembuatan indeks.
INDEKS RATA-RATA HARGA RELATIF
Indeks rata-rata harga relatif dinyatakan oleh persamaan berikut:
I t , 0=
1
n[ pt
∑ × 100 %
p0 ]
Dimana, n adalah banyaknya jenis barang.
Ada beberapa rumus angka indeks tertimbang, yaitu rumus Laspeyres dan rumus
Passche, yaitu nama dari penemunya.
I t , 0=
∑ Pi q 0 × 100 %
∑ P 0 q0
(rumus indeks harga agregatif tertimbang)
Dimana: L = indeks Laspeyres
pt =harga waktu t
p0=harga waktu 0
q 0=harga waktu 0 , sebagaitimbangan
I t , 0=
∑ P 0 q t × 100 %
∑ P 0 q0
(rumus indeks produksi agregatif tertimbang)
Dimana: q t= produksi waktu t
29
q 0= produksi waktu 0
p0=harga waktu 0 , sebagai timbanga
Pt ,0=
∑ Pt q t ×100 %
∑ P0 qt
(rumus indeks harga agregatif tertimbang)
Dimana: P=indeks Paasche
pt =harga waktu t
p0=harga waktu 0
q t= produksi waktu t , sebagai timbangan
Pt ,0=
∑ Pt q t ×100 %
∑ Pt q 0
(rumus indeks produksi agregatif tertimbang)
Dimana: q t= produksi waktu t
q 0= produksi waktu 0
Pt = harga waktu t, sebagai timbangan
VARIASI DARI INDEKS HARGA TERTIMBANG
Rumus Laspeyres baik dalam praktek, lemah dalam teori, sedangkan rumus
Paasche baik dalam teori sukar penggunaannya dalam praktek. Sampai akhirnya muncul
Irving Fisher dengan rumusnya yang baru:
I =√ L× P
¿
√ pt q 0 p t q t
×
p 0 q 0 p0 qt
×100 %
L+ P
I=
2
30
¿
( ∑ pt q 0 + ∑ pt q t
∑ p 0 q 0 ∑ p0 q t ) ×100 %
31
Jika waktu dasar dari angka indeks dianggap sudah out of date karena sudah terlalu
lama atau terlalu jauh ketinggalan, maka perlu diadakan penggeseran waktu dasar (shifting
the base period). Ada dua cara untuk melakukan pergeseran, yaitu :
1. Apabila data asli masih tersedia, maka angka pada waktu atau tahun tertentu
yang akan dipakai sebagai tahun dasar yang baru itu diberi nilai 100%,
sedangkan angka-angka lainnya dibagi dengan angkadari waktu tersebut,
kemudian dilakukan dengan 100%.
2. Indeks pada tahun yang akan dipilih sebagai waktu dasar diberi nilai 100%,
kemudian angka indeks pada tahun-tahun lainnya dibagi dengan indeks dari
tahun dasar baru, dan mengalikannya dengan 100%. Cara ini sering
digunakan apabila data aslinya sudah tidak ada lagi.
Sedangkan pada factor reversal test, langkah awal pengujiannya adalah mencari
nilai
v= p ×q
Dimana: v=nilai
p=harga per satuan
32
q=banyaknya barang dalam satuan
Pendeflasian Data Berkala
Data berkala (time series data), menujukkan perkembangan mengenai kegiatan
dari waktu ke waktu. Untuk mendapatkan data berkala yang riil (real term), dan
pendapatan nyata (real wages,real income), angka-angka tersebut harus dibagi dengan
indeks biaya hidup (cost of living index).
Bab 12 :Probabilitas.
Secara umum, probabilitas merupakan peluang bahwa sesuatu akan terjadi.
Secara lengkap, probabilitas didefenisikan sebagai berikut :
“Probability”is a measure of a likelihood of the occurance of a random event.
(Mendenhall dan Reinmuth, 1982)
Terjemahan bebasnya:
“Probabilitas” ialah suatu nilai yang dipergunakan untuk mengukur tingkat
terjadinya suatu kejadian yang acak.
Dalam mempelajari probabilitas, ada 3 yang harus diketahui: eksperimen, hasil
(outcome), dan kejadian atau peristiwa (event).
33
2. Konsep Frekeunsi Relatif
Pendekatan yang mutakhir adalah perhitungan yang didasarkan atas limit dari
frekuensi relatif. Perhitungan probabilitaas dengan pendekatan frekuensi
relative yaitu:
fi
P ( X i ) =l ℑ
n→∞ n
34
a. Hukum penutup (Law of Closure)
Untuk setiap pasang himpunan A dan B, terdapat himpunan-himpunan yang
unik yaitu himpunan A ∪ B= A ∩ B
b. Hukum komutatif (Commutative Law)
A ∪ B=B ∪ A dan A ∩ B=B ∩ A
c. Hukum asosiatif (Associative Law)
( A ∪ B ) ∪ C= A ∪ (B ∪ C )
( A ∩ B ) ∩C=A ∩( B ∩C)
d. Hukum distributif (Distributive Law)
A ∩ ( B ∪ C )= ( A ∩ B ) ∪ ( A ∩C )
A ∪ ( B∩ C )= ( A ∪ B ) ∩( A ∪ C )
35
b. Kejadian tidak saling meniadakan
P ( A ∪ B )=P ( A ) + P ( B ) −P( A ∩ B)
2. Aturan Perkalian
Aturan perkalian diterapkan secara berbeda menurut jenis kejadiannya. Ada dua
jenis kejadian dalam hal ini, yaitu :
a. Kejadian Tak Bebas / Bersyarat
Adalah probabilitas terjadinya kejadian A dengan syarat bahwa B sudah terjadi atau
akan terjadi. Pada umumnya probabilitas bersyarat dirumuskan sebagai berikut :
P (A ∩B)
P (B/A) ¿
P( A )
P (A ∩B)
P (A/B) ¿
P(B)
b. Probabilitas Kejadian Interseksi
Rumus yang digunakan dalam probabilitas ini adalah :
P ( A ∩B )=P ( A ) P (B/A) =P(B)P(A/B)
4. Probabilitas Marjinal
Untuk mencari probabilitas marjinal dapat dirumuskan sebagai berikut :
P(R) =∑ P ( Si ) P ¿ ¿R/Si)
5. Rumus Bayes
36
Seorang ahli matematika dari Inggris, Thomas Bayes (1702 – 1761),
mengembangkan teori untuk menghitung probabilitas tentang sebab-sebab terjadinya suatu
kejadian (causes) berdasarkan pengaruh yang dapat diperoleh sebagai hasil observasi. Teori
Bayes ini bertujuan untuk memecahkan masalah pembuatan keputusan yang mengandung
ketidakpastian (decision making under uncertainty). Rumus Bayes dapat ditulis :
A
P ( Ai ) P( )
Ai
P ¿/A)¿ k
A
∑ P( Ai) P ( A )
i=1 i
37
dilengkapi dengan penerapan pada aplikasi komputer dan statistik sehingga
mempercepat pengolahan dan pengoperasian data statistik.
D. Rekomendasi
Adapun yang menjadi rekomendasi dalam penulisan Critical Book Review (CBR)
ini sebagai berikut:
1. Bagi reviewer : agar memberikan komentar dan saran ataupun kritik yang
membangun guna menyempurnakan pembuatan Critical Book Review (CBR)
berikutnya.
2. Bagi Penulis : agar dijadikan bahan rujukan untuk memperbaiki penulisan
dalam pencetakan selanjutnya, untuk memberitahukan kepada penulis apa yang
menjadi kekurangan dalam karya tulis dan apa sebaiknya yang harus dilakukan
dalam penulisan tersebut.
3. Bagi Pembaca: dijadikan sebagai penambah wawasan dan pengetahuan
pembaca tentang pengolahan dan pengoperasian data statistik dan alangkah
baiknya diberikan masukan yang membangun guna penyempurnaan serta
perbaikan, dan menambah wawasan juga terkhusus dalam pembuatan Critical
38
Book Review (CBR) yang baik dan benar dimasa yang akan datang
E. Simpulan
Buku yang berjudul “ Statistik Teori dan Aplikasi” merupakan karya dari Prof.
Johaner Supranto, MA. Buku ini sudah sangat dikenal dikalangan akademis. Buku ini
memberikan pemahaman yang komprehensif namun ringkas karena dilengkapi dengan
istilah penting, ringkasan rumus, dan aplikasi komputer pada tiap bab. Dilengkapi juga
dengan data mutakhir dan data empat skala (nominal, ordinal, interval dan rasio)
dengan sangat jelas. Sangat direkomendasikan bagi mahasiwa yang sedang melakukan
penelitian akhir, penyusunan skripsi, tesis maupun disertasi.
NO ASPEK S N CATATAN
1 Data Buku 1
2 Pembahasan Buku 2
39
3 Kekhasan Buku 2
4 Rekomendasi 1,5
JUMLAH 10
40
41