Tugas Mandiri

Critical Book Review

(UAS)

STATISTIK PENDIDIKAN

“Statistik Teori dan Aplikasi,”

(J. Supranto)

Oleh:

FAUZIAH NUR
NIM. 0331193021

Dosen Pembimbing:

Dr. H. Rusydi Ananda, M,Pd

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.

Medan, Februari 2021

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)

Bab 4 : Distribusi Frekuensi.

Distribusi frekuensi menunjukkan banyaknya item dalam setiap kategori atau kelas.
Dalam distribusi frekuensi terdapat frekuensi relatif dari suatu kelas adalah proporsi item
dalam setiap kelas terhadap jumlah kesuluruhan item data tersebut. Jika sekelompok data
memiliki n observasi.maka frekuensi relatif dari kategori atau kelas akan diberikan sebagai
berikut.
Frekuensi kelas
Frekuensi relatif dari suatukelas=
n
Ada tiga hal yang perlu diperhatikan dalam menentukan kelas bagi distribusi frekuensi
untuk data kuantitatif yaitu :
1. Jumlah Kelas
Pada tahun 1926 H.A. Sturges menulis artikel dengan judul “The Choice of a Class
Interval” yang mengemukakan rumus untuk menentukan banyaknya kelas
yaitu :
k = 1 + 3,322 log n

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

b) Rata-rata Perkiraan (sampel)

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.

KUARTIL, DESIL, PERSENTIL (DATA BERKELOMPOK)

Kuartil merupakan ukuran yang membagi sekelompok nilai menjadi empat bagian
yang sama. Rumus Kuartil yaitu :

{ }
¿ −( ∑ 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)

Bab 6 : Ukuran Variasi atau Dispersi.

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

Dimana (X −μ) adalah simpangan deviasi dari observasi terhadap rat-rata

sebenarnya. Dirumuskan sebagai berikut :
N
i
S2 =
n ±1 ∑ ( Xi−X )2
i=1

Dimana ( Xi− X ) adalah simpangan deviasi dari obseravasi terhadap rata-rata

sampel. Rumus dan simbol dari simpangan baku populasi adalah :

√
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

n−1 i=1 n−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

Untuk r = 1, maka M1 merupakan rata-rata hitung. Momen tersebut merupakan

terhadap titik asal, sedangkan momen terhadap rata-rata hitung adalah :
n
i
Mr = ∑
n i=1
r
( Xi− X ) . . . untuk data tak berkelompok

k
i
Mr = ∑
n i=1
r
fi ( Mi−X ) . . . untuk data berkelompok

Untuk r = 2, maka M2 merupakan varians(kuadrat dari simpangan baku = S2).

Momen ketiga dan keempat yaitu M3 dan M4 bergunan untuk mengukur kemencengan
(skewness) dan keruncingan (kurtosis) dari suatu distribusi frekuensi.
Ukuran Kemencengan Kurva (Skewness)
Kurva yang tidak simetris dapat menceng ke kiri atau ke kanan. Di dalam kurva
yang tidak simetris, letak median, modus dan rata-rata ( X ) sama. Ukuran tingkat
kemencengan menurut Pearson yaitu :

16
Q
1

Qy

Kurva Simetris Kurva Menceng ke Kiri x Kurva Menceng ke Kanan

X−mod
TK =
S
dimana :
X = rata-rata hitung
Mod = modus
S = simpangan baku
atau
3 ( X−med )
TK =
S
Ukuran tingkat kemencengan dapat juga dihitung berdasarkan momen ketiga
dengan rumus :
M3 1
n

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.

Ukuran Keruncingan Kurva (Kurtosis)

Dilihat dari tingkat keruncingannya kurva distribusi frekeunsi dibagi menjadi 3
yaitu mesokurtis, leptokurtis dan platykurtis yang bentuk kurvanya adalah :

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

Dapat juga disebut dengan koefisien korelasi Pearson.

Untuk menghitung koefisein korelasi data yang sudah berkelompok dapat dicari dengan
rumus :
n ( ∑ uvf ) −( ∑ uf u )( ∑ vf v )
r=
√ n ( ∑ u f )−(∑ uf ) √ n (∑ v f )−(∑ vf )
2
u u
2 2
v v
2

Koefisien korelasi anatar Rank dapat dihitung dengan rumus :

6∑ di
2

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 =

TEKNIK RAMALAN DAN ANALISIS REGRESI

√ X2
2
X +n

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)

Bab 8 : Regresi Liniear Berganda dan Regresi Nonliniear.

Dalam bab 7 telah dibahas tentang korelasi antara dua variabel X dan Y yang sering
diberi simbol rxy atau r saja.
∑ Xi .Yi
rxy =
√∑ x 2i . ∑ y 2i
Jikalau kita ingin mengetahui kuatnya hubungan anatara variabel Y dengan
beberapa variabel X lainnya, maka kita menggunakan suatu koefisien kolerasi yang disebut
koefisien korelasi linear berganda (KKLB)Untuk Koefisien Korelasi Liniear Berganda
dapat dihitung dengan rumus :

√
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

(Koefisien korelasi parsial X1 dan Y, kalau X2 konstan)

r 2 y −r 1 y r 12
r2y.1 =
√1−r √1−r 2
1y
2
12

(Koefisien korelasi parsial X2 dan Y, kalau X1 konstan)

21
 r 12−r 1 y r 2 y
r12.y =
√1−r √1−r
2
1y
2
2y

(Koefisien korelasi parsial X1 dan X2, kalau Y konstan)

TREND PARABOLA
Garis trend pada dasarnya adalah garis regresi dimana variabel bebas X merupakan
variabel waktu. Baik garis regresi maupun trend dapat berupa garis lurus maupun tidak
lurus. Persamaan garis trend parabola adalah sebagai berikut :
Y’ = a + bX + cX2 (X = waktu)

TREND EKSPONENSIAL (LOGARITMA)

Trend Eksponensial sering dipergunakan untuk meramalkan junlah penduduk,
pendapatan nasional, produksi, hasil penjualan, dan kejadian-kejadian lain yang
perkembangan/pertumbuhannya meningkat secara geometris. Trend Eksponensial
mempunyai bentuk persamaan seperti Y’ = abx atau Y’ = aXb.
TREND EKSPONENSIAL YANG DIUBAH
Seperti yang telah diuraikan sebelumnya, trend eksponensial mempunyai persamaan
yang masing-masing melalui proses transformasi menjadi bentuk liniear dalam semi log
dan sepenuhnya log yaitu:
(semi log)
Y’0 = a0 + bo X Y’0 = log Y’
a0 = log a
b0 = log b
(log)
Y’0 = a0 + b X Y’0 = log Y’
a0 = log a
X0 = log X

Bentuk Y’ = abX dapat dikonversi dengan jalan menambah bilangan konstanta k.

Dengan demikian, persamaannya menjadi :
Y’ = k + abX

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 :

Metode Tangan Bebas

Adapun langkah-langkah yang digunakan dalam metode ini adalah :
(1) Buat sumbu tegak Y dan sumbu mendatar X,
(2) Buat Scatter Diagram, yaitu kumpulan titik-titik koordinat (X, Y); X = variabel
waktu
(3) Dengan jalan observasi langsung terhadap bentuk Scatter Diagram.
Cara menarik Garis Trend dengan tangan bebas meruoakan cara yan paling mudah,
tetapi sifatnya sangat subjektif.
Metode Rata-rata Semi
Cara dengan metode ini memerlukan langkah-langkah sebagai berikut :
(1) Data dikelompok menjadi dua, masing-masing kelompok harus mempunyai jumlah
data yang sama
(2) Masing-masing kelompok dicari rata-ratanya
(3) Titik absis harus dipilih dari variabel X yang berada di tengah masing-masing
kelompo
(4) Titik koordinat terdiri dari b) dan c) dimasukkan kedalam persamaan Y =a+bX
Metode ini tidak memerlukan grafik, kita dapat mempreloeh nilai ramalan langsung
dari persamaan
Metode Rata-rata Bergerak
Rata-rata bergerak sering dipergunakan untuk memuluskan fruktuasi yang terjadi
dalam data tersebut. Proses pemulusan ini disebut pemulusan data berkala. Apabila rata-

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

a) Untuk n ganjil → n=2 k +1

b) Untuk n genap → n=2 k
Cara 2
Cara lain untuk menentukan garis trend lurus adalah dengan menentukan periode
awal dari variabel waktu X = 1, jadi tidak perlu lagi membuat ∑ X i=0. Garis trend lurus
dengan cara ini dapat dicari dengan rumus :
a=Y −b X
n ∑ X i Y i−∑ X i Y i
b=
n ∑ X i −¿¿ ¿
2

Bab 10 :Indeks Musiman dan Gerakan Siklis.

Gerakan musiman (seasonal movement or variation) adalah gerakan yang teratur
sehingga fluktuasinya terjadi pada waktu-waktu yang sama atau sangat berdekatan. Untuk

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.

Bab 11 :Angka Indeks.

Angka indeks pada dasarnya merupakan suatu angka yang dibuat sedemikian rupa
sehingga dapat dipergunakan untuk melakukan perbandingan antara kegiatan yang sama
dalam dua waktu yang berbeda. Tujuan pembuatan angka indeks adalah mengukur secara
kuantitatif terjadinya perubahan dalam dua waktu yang berlainan. Di dalam membuat angka
indeks diperlukan dua macam waktu, yaitu :
(1) waktu dasar (base period),yaitu waktu di mana suatu kegiatan diperlukan sebagai
dasar perbandingan

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

INDEKS AGREGATIF TIDAK TERTIMBANG

Digunakan untuk unit-unit yang mempunyai satuan yang sama. Indeks ini diperoleh
dengan jalan membagi hasil penjumlahan harga pada waktu yang bersangkutan dengan
hasil penjumlahan harga pada waktu dasar. Dapat dirumuskan sebagai berikut:

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 %

Rumus lainnya dimunculkan oleh Drobisch yaitu :

L+ P
I=
2

30
 ¿
( ∑ pt q 0 + ∑ pt q t
∑ p 0 q 0 ∑ p0 q t ) ×100 %

ANGKA INDEKS BERANTAI

Dalam membuat indeks berantai,terlebih dahulu harus ditentukan berapa satuan
waktu dasar. Rumus yang digunakan untuk mencapai Indeks Berantai yaitu :
qt
I t , t−1= ×100 %
qt −1
Dimana: q t=ekspor tahunt
q t−1=ekspor tahun t−1

Keuntungan menggunakan angka indeks ini adalah :

1. Memungkinkan kita untuk memasukkan komoditi-komoditi baru yang
diperlukan sebagai timbangan,
2. Apabila sudah dibuat indeks berantai dengan waktu dasar yang berubah-ubah,
kita dapat menurunkan dari indeks berantai tersebut suatu indeks pada tahun-
tahun tertentu dengan waktu dasar yang tetap.

PENENTUAN DAN PENGGESERAN WAKTU DASAR

Tujuan utama pembuatan angka indeks adalah untuk melakukan perbandingan
mengenai suatu kegiatan pada waktu yang berbeda. Ada beberapa syarat yang perlu
diperhatikan dalam menentukan waktu dasar yaitu :
1. Waktu sebaiknya menunjukakan keadaan perekonomian yang stabil, dimana
harga tidak berubah dengan cepat sekali.
2. Waktu jangan terlalu jauh dibelakang, usahakan paling lama 10 tahun atau
lebih baik kurang dari 5 tahun.
3. Waktu dimana terjadi peristiwa penting.
4. Waktu dimana tersedia data untuk keperluan timbangan.

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.

PENGUJIAN ANGKA INDEKS DAN PENDEFLASIAN DATA BERKALA

Kesempurnaan angka indeks biasanya dilihat dari kenyataan apakah indeks yang
bersangkutan memenuhi beberapa kriteria pengujian (test criteria). Indeks ideal dari Fisher
secara teoritis lebih baik daripada indeks Laspeyres atau Paasche karena indeks ideal lebih
banyak memenuhi kriteria pengujian daripada Laspeyres dan Paasche. Beberapa kriteria
pengujian adalah time reversal test, dan factor reversal test.
Suatu indeks dikatakan memenuhi time reversal test, apabila memenuhi persamaan
sebagai berikut :
I t , 0 × I 0 , t=1
(indeks belum dinyatakan dalam persentase)
Dimana: I t , 0=indeks waktu t dengan waktu dasar 0
I 0 ,t =¿ indeks waktu 0 dengan waktu dasar t

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).

PENDEKATAN PERHITUNGAN PROBABILITAS

Ada dua pendekatan dalam menghitung probabilitas yaitu pendekatan yang
bersifat objektif dan subjektif. Probabilitas objektif dibagi menjadi dua yaitu :
1. Pendekatan Klasik
Perhitungan probabilitas secara klasik didasarkan pada asumsi bahwa seluruh
hasil dari suatu eksperimenmempunyai kemungkinan (peluang) yang sama.
Dapat dirumuskan sebagai berikut:
x
a) P ( A )=
n
b) P ( A )=1−P( A)
Dimana: x = frekuensi relatif kejadian i
n = ukuran sampel (jumlah observasi)

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

Dimana: f i = frekuensi relatif kejadian i

Xi = kejadian i
n = total jumlah observasi
Probabilitas Subjektif, didasarkan atas penilaian seseorang dalam menyatakan
tingkat kepercayaan. Hal ini biasanya terjadi dalam bentuk opini atau pendapat yang
dinyatakan dalam suatu nilai probabilitas.

KEJADIAN/PERISTIWA DAN NOTASI HIMPUNAN

Hasil yang berbeda-beda dari suatu eksperimen disebut titik sample. Sedangkan
himpunan dari seluruh kemungkinan hasil disebut ruang sample. Ruang sample merupakan
himpunan hasil eksperimen. Suatu himpunan merupakan kumpulan yang lengkap atas
elemen-elemen sejenesi tetapi dapat dibedakan satu sama lain.
Hasil eksperimen dapat berbeda-beda, sehingga pada umumnya hasil eksperimen
bersifat acak, di mana kita sering menggunakan istilah variabel acak untuk maksud
perhitungan probabilitas terjadinya hasil suatu eksperimen.
1. Notasi Himpunan
Himpunan dari seluruh kejadian yang ada disebut himpunan semesta
(universal set). Himpunan bagian yang paling kecil dari suatu
himpunan disebut himpunan kosong (null set).
2. Komplemen Suatu Kejadian
3. Interseksi Dua Kejadian
4. Union Dua Kejadian
5. Beberapa Aturan/Hukum dalam Himpunan

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 )

e. Hukum identitas (Identity Law)

Ada himpunan ∅ dan S yang unik, sedemikian rupa sehinggauntuk setiap himpunan
A selalu berlaku persamaan A ∩ S=A dan A ∩ ∅ = A . ∅ =¿ himpunan kosong.
f. Hukum komplementasi (Complementation Law)
g. Bersesuaian dengan setiap himpunan A ada himpunan A ,
yang unik sedemikian rupa sehingga A ∩ A=∅ dan A ∪ A=S .
BEBERAPA ATURAN DASAR PROBABILITAS
1. Aturan Penjumlahan
Untuk menerapkan aturan penjumlahan ini, harus dilihat dari jenis kejadiannya
apakah bersifat saling meniadakan (mutually exclusive) atau tidak saling meniadakan.
a. Kejadian saling meniadakan
Disebut juga dengan penjumlahan khusus yang dapat diartikan bahwa kejadian
dimana jika sebuah kejadian terjadi, maka kejadian yang kedua adalah kejadian yang saling
meniadakan.
P ( A ∪ B )=P ( A ) + P ( B )
P ( A ∪ B ∪C )=P ( A ) + P ( B )+ P ( C )
P ( A 1 ∪ A 2 ∪ …∪ A k )=∑ P (A i)

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)

3. Kejadian Bebas (Independent Event)

Dua kejadian atau lebih dikatakan merupakan kejadian bebas apabila terjadinya
kejadian tersebut tidak saling. Dua kejadian A dan B dikatakan bebas, apabila kejadian A
tidak mempengaruhi atau sebaliknya.
P(A/B) = P(A)
P(B/A) = P(B)
P( A ∩ B) = P(A)P(B) = P(B)P(A)

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

PERMUTASI DAN KOMBINASI

Permutasi adalah suatu pengaturan atau urutan beberapa elemen atau objek dimana
urutan itupenting ( AB ≠ BA ), sedangkan Kombinasi adalah susunan dari beberapa
elemen dimana urutan tidak diperhatikan ( AB = BA ). Permutasi dapat dirumuskan
sebagai berikut :
m Pm=m! → permutasi m objek diambil m setiap kali
m!
m P x= → permutasi m objek diambil x setiap kali
( m−x ) !
Kombinasi dapat dirumuskan sebagai berikut :
m!
C x=
m , kombinasi m objek diambil x setiap kali.
x ! ( m− x ) !

C. Kekhasan dan Kemutakhiran Buku

Buku ini memiliki khas dalam setiap pembahasannya yaitu dilengkapi dengan peta-
peta konsep setiap materi dan gambar-gambar grafik yang jelas dan berwarna.
Sehingga mampu memacu pembaca untuk melatih dan mengembangkan kemampuan
dari pengetahuan-pengetahuan yang sudah diperoleh nya dari buku pada tiap babnya.
Kemudian kemutakhiran isi bab juga dapat dilihat dari materi yang disajikan
mengenai judul-judul dan pembahasan yang cukup modern, bahasa yang tidak kaku.
Dan sesuai dengan perkembangan IPTEK yang berkembang. Hal ini terlihat hingga
saat ini buku ini terus digunakan oleh para peneliti ataupun mahasiswa. Selain iu juga

37
dilengkapi dengan penerapan pada aplikasi komputer dan statistik sehingga
mempercepat pengolahan dan pengoperasian data statistik.

D. Kelebihan dan Kelemahan Buku

Buku ini cukup bagus digunakan untuk mahasiswa dan peneliti dalam penyususnan
skripsi, tesis, dan disertasi ataupun pada kalangan umum untuk dijadikan tambahan
referensi dalam penelitian. Terutama pada penelitian kuantitatif dan R&D
(Pengembangan).Dari segi bahasa juga cukup ilmiah sangat bagus bagi mahasiswa
untuk menambah wawasan dalam penggunaan bahasa ilmiah. Kemudian dari cover nya
juga cukup menarik sehingga menarik minat pembaca yang melihatnya pertama kali.
Pada halaman akhir buku ini juga dilengkapi Indeks bacaan yang memudahkan
pembaca untuk mencari istilah-istilah penting pada pembahasan statistik.
Namun, demikian buku ini memiliki kelemahan yaitu hanya dari segi tampilan dan
gambar saja yang beberapa tidak berwarna, mungkin akan lebih menarik lagi jika
gambar nya penuh dengan cetakan berwarna.

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.

Format Penilaian Kritik Buku

NO ASPEK S N CATATAN

1 Data Buku 1

2 Pembahasan Buku 2

39
3 Kekhasan Buku 2

4 Kelebihan dan kelemahan 2

buku

4 Rekomendasi 1,5

5 Conciseness (Jumlah kata: 1

500 - 1000)

6 Pengumpulan tepat waktu 0,5

JUMLAH 10

40
41