BAB 1

Dasar-Dasar Statistika
Deskripsi
Perilaku agen-agen ekonomi terkadang sulit untuk dijelaskan dengan deskripsi, begitu
pula data-data statistik juga terkadang susah diterjemahkan. Untuk itu, statistika memiliki peran
yang penting dalam upaya membantu menjelaskan fenomena ekonomi dengan menggunakan
pendekatan statistika.
Bagian ini akan menjelaskan mengenai dasar-dasar statistika yang perlu dipahami bagi
peneliti yang ingin mempelajari statistika lebih lanjut.
Tujuan Instruksional Umum
Mahasiswa yang mempempelajari dasar – dasar statistika di harapkan akan dapat dan
mampu :
1. Mahasiswa yang mempelajari dasar-dasar statistika diharapkan akan dapat dan mampu:
2. Memahami konsep dan pengertian statistika,
3. Memahami kegunaan statistika,
4. Memahami jenis-jenis statistika,
5. Memahami hubungan statistika dan metode ilmiah,
6. Membedakan data statistik,
7. Memahami populasi dan sampel, dan
8. Melakukan dan menentukan skala pengukuran data statistik.
1.1 Mengenal Statistika

Penggunaan istilah statistika pada awalnya berasal dari bahasa latin statisticum collegiums yang
berarti dewan negara, sedangkan dari bahasa italia statista berarti negarawan atau politikus. Sejarah
tentang istilah statistika untuk pertama kalinya dalam bahasa Jerman digunakan oleh Gottfried
Archenwall pada tahun 1749 sebagai nama kegiatan analisis data kenegaraan, dengan mengartikan state
sebagai ilmu tentang negara. Jadi, pada awalnya, statistika hanya diartikan sebagai kegiatan analisis data
pada lembaga-lembaga administratif dan pemerintahan.

Kemudian, pada abad ke-19 terjadi pergeseran makna dan arti. Pada abad tersebut, Sir John
Sinclair dengan menggunakan istilah statistic, menjelaskan arti statistika sebagai ilmu yang membahas
tentang pengumpulan dan klarifikasi data. Selanjutnya pada abad ke 20 statistika mulai banyak
digunakan dalam bidang matematika, terutama tentang probabilitas. Cabang statistika kemudian sangat
luas digunakan untuk mendukung metode ilmiah serta statistika inferensi yang dikembangkan pada
paruh kedua abad ke 19 dan awal abad ke 20 oleh Ronald Fisher (peletak dasar statistika inferensi), Karl
Pearson (metode regresi linier), dan William Sealey Gosset (problem sampel berukuran kecil).

Pada masa sekarang penggunaan statistika lebih berkembang karena statistika dipelajari dan
diaplikasikan dalam berbagai bidang ilmu pengetahuan. Bahkan hampir sebagian besar bidang ilmu
memerlukan dan menggunakan statistika. Oleh karena itu, terdapat banyak definisi tentang statistika,
diantaranya:

1. Menurut Anderson dan Bancrof (1952), Statistika adalah ilmu dan seni pengembangan dan
penerapan metode yang paling efektif sehingga kemungkinan kesalahan dalam kesimpulan
dan estimasi dapat diperkirakan dengan menggunakan penalaran induktifberdasarkan
matematika probabilitas.
2. Menurut Sudjana (1989), Statistika adalah pengetahuan yang berhubungan dengan teknik-
teknik maupun cara-cara dalam pengumpulan data, pengolahan, penganalisaan, penarikan
kesimpulan, penyajian data dan publikasi dari data-data dalam bentuk angka.
3. Menurut Supranto (2000), pengertian statistik ada dua yaitu dalam arti luas dan dalam arti
sempit. Statistik dalam arti sempit adalah data ringkasan berbentuk angka (kuantitatif).
Sedangkan statistik dalam arti luas adalah suatu ilmu yang mempelajaricara pengumpulan,
pengolahan/ pengelompokan, penyajian, dan analisa data serta cara pengambilan
kesimpulan secara umum berdasarkan hasil penelitian.
4. Menurut Prof. Drs. Sutrisno Hadi (2001), mengungkapkan bahwa statistika sebagai salah
satu cara untuk mengolah data dan menarik sebuah kesimpulan serta keputusan yang logis
dari sebuah pengolahan data.
5. Menurut Abdul Rozak (2012), Statistik adalah pengetahuan yang berhubungan dengan cara-
cara pengumpulan data, pengolahan atau penganalisisan yang dilakukan.

Berdasarkan beberapa definisi tentang statistika,sebenarnya memiliki substansi yang sama

walaupun cara pengungkapannya berbeda. Oleh karena itu, dapat disimpulkan bahwa pada intinya
aspek-aspek yang dibahas dalam statistika itu meliputi lima (5) hal utama yakni (i) bagaimana data
dikumpulkan, (ii) bagaimana data diolah, (iii) bagaimana data disajikan, (iv) bagaimana data dianalisis,
danselanjutnya digunakan untuk (v) menyusun kesimpulan serta digunakan untuk membantu
mengambil keputusan berdasarkan

kesimpulan terhadap hasil analisa data. Selain itu, statistika juga mampu membantu meramalkan suatu
keadaan yang akan datang berdasarkan data-data masa lalu.

1.2 Jenis-Jenis Statistika

Pada hakikatnya terdapat berbagai macam jenis statistika, namun sebenarnya, jenis-jenis
statistika dapat digolongkan menjadi 2 yakni (i) berdasarkan orientasi pembahasannya maupun (ii)
berdasarkan tujuan analisisnya.

Jenis statistika berdasarkan orientasi pembahasannya dibedakan menjadi 2 (dua), yakni Statistika
Matematik dan Statistika Terapan. Masing-masing adalah sebagai berikut:

1. Statistika Matematik
Adalah statistika teoritis yang lebih berorientasi pada pemahaman model dan teknik-
teknik statistika secara matematis teoritis. Pokok bahasan dalam Statistika Matematik meliputi
pemahaman dan penggunaan uji t, uji normalitas, analisis regresi, dan lain-lain.

2. Statistika Terapan
 Adalah stastitika terapan yang lebih mengutamakan pada pemahaman konsep dan
teknik-teknik statistika serta penggunaannya atau penerapannnya dalam disiplin ilmu tertentu
(lebih spesifik), seperti statistika biologi, statistika psikologi, statistika ekonomi, dan lain-lain.

Selanjutnya, untuk jenis statistika berdasarkan tujuan atau tahap analisisnya dibagi menjadi 2 (dua),
yakni Statistika Deskriptif dan Statistika Induktif/inferensi. Perbedaan keduanya adalah sebagai berikut:

1. Statistika Deskriptif
Adalah sebuah metode statistik yang digunakan untuk memperoleh gambaran
(deskripsi) tentang data yang dianalisis tanpa adanya tujuan memberikan generalisasi atau
kesimpulan yang lebih luas. Data pada statistika deskriptif biasanya disajikan dalam bentuk
tabel, diagram, grafik, lingkaran, dan lain-lain. Dalam statistika deskriptif dipelajari bagaimana
caranya mengumpulkan data, mengolah data, menyajikan data, dan menganalisis data. Materi
yang dibahas dalam statistika deskriptif meliputi penyajian data, ukuran pemusatan data,
penyebaran/dispersi data, angka indeks, dan deret berkala serta peramalan.

2. Statistika Induktif (Inferensi)

Adalah suatu metode statistik yang digunakan untuk mengambil kesimpulan dan
membuat keputusan berdasarkan data yang telah dianalisa. Statistika induktif juga biasa dikenal
dengan Statistika Inferensi. Dalam statistika induktif/inferensi dipelajari bagaimana caranya
mengumpulkan data, mengolah data, menyajikan data, menganalisis data, membuat kesimpulan
dan mengambil keputusan. Pokok bahasan dalam statistik induktif/inferensi meliputi
probabilitas dan teori keputusan, metode sampling, teori pendugaan, pengujian hipotesa,
regresi dan korelasi, serta statistik non-parametrik.
Meskipun secara definisi, Statistika Deskriptif dan Statistika Induktif menjelaskan hal yang
berbeda, namun dalam penggunaannya, statistika deskriptif dan statistika induktifkeduanya
saling melengkapi. Statistika deskriptif umumnya digunakan untuk mendeskripsikan dan
menjelaskan mengenai data-data yang digunakan dalam penelitian, baik dalam bentuk tabel
maupun grafik. Kemudian, berdasarkan deskripsi tersebut, dilanjutkan penggunaan statistika
induktif/inferensi untuk memperoleh suatu kesimpulan yang baik dan benar.
Jika kita melihat kembali definisi statistika, maka konsep dan definisi Statistikasebenanrnya
dibangun oleh pemahaman kedua jenis statistika tersebut. Oleh karena itu, untuk mendapatkan
hasil kesimpulan statistika yang benar, maka tahapan dalam kondep statistika digunakan secara
bersama dan berurutan. Hal ini karena pada umumnya sebelum dilakukan penarikan kesimpulan
tentang sesuatu yang diteliti, maka datanya harus diuraikan terlebih dahulu dalam bentuk
statistika deskriptif, sehingga selanjutnya diperoleh kesimpulan yang akurat guna memperoleh
manfaat secara maksimal dalam bentuk statistika induktif/inferensi.

1.3 Statistika dan Metode Ilmiah

Statistika memiliki keeratan hubungan dengan metode ilmiah. Jika statistika merupakan suatu
prosedur dalam mengolah datadata statistika, yang memiliki tahapan dan metode. Maka statistika
sebenarnya merupakan bagian dari konsep metode ilmiah.
 Metode ilmiah, atau dalam bahasa Inggris juga disebut scientific method merupakan suatu
proses berpikir yang bersifat prosedural, sistematis, dan terkontrol untuk memecahkan suatu masalah.
Metode ilmiah menjadi suatu keniscayaan yang harus dilakukan dalam membuat suatu proyek ilmiah.
Menurut Alma (1939), metode ilmiah adalah cara menerapkan prinsip-prinsip logis terhadap penemuan,
pengesahan, dan penjelasan kebenaran. Oleh karena itu, statistika dan metode ilmiah adalah saling
berkaitan.

Metode ilmiah merupakan suatu metode yang digunakan dalam statistika sebagai cara untuk
mencari kebenaran kesimpulan dari suatu fenomena yang sedang diteliti. Jika metode ilmiah diterapkan
dalam statistika, maka kesimpulan yang didapat akan menghasilkan suatu penjelasan kebenaran
sehingga memiliki tingkat kesalahan yang kecil dan sebaliknya.

Karakteristik atau ciri-ciri metode ilmiah dalam statistika adalah (1) adanya pemeriksaan
terhadap fakta, teori dan pendapat orang, (2) memformulasikan hipotesa yang dapat diuji melalui
metode percobaan, dan (3) adanya evaluasi objektif terhadap hipotesis berdasarkan hasil percobaan.

Selanjutnya, untuk mengaplikasikan konsep statistika sebagai suatu metode ilmiah, perlu mengikuti
langkah-langkah penerapan metode ilmiah. Langkah-langkah yang dapat dilakukan untuk menerapkan
metode ilmiah, yakni:

1) Merumuskan masalah
Metode ilmiah sebagai proses berfikir yang prosedural, dilakukan untuk memecahkan
berbagai masalah. Kemudian, masalah yang telah ditemukan dirumuskan dalam suatu kalimat
tanya. Rumusan masalah dalam setiap penelitian adalah suatu keniscayaan. Artinya tidak
mungkin masalah yang ditemukan dapat terpecahkan jika masalahnya belum dirumuskan. Oleh
karena itu, keberadaan kalimat tanya dalam rumusan masalah akan membantu peneliti dalam
menentukan langkah selanjutnya seperti teori yang diperlukan, data yang dibutuhkan serta
metode analisis yang sesuai.

2) Melakukan studi literatur

Studi literatur merupakan bagian penting dalam metode ilmiah. Studi literatur terbagi
menjadi dua yakni literatur teori dan literatur empiris. Literatur teori digunakan untuk
menjelaskan temuan berdasarkan rumusan masalah yang diajukan secara teori/konsep.
Sedangkan literatur empiris digunakan untuk menjelaskan keterkaitan penelitian yang akan
dilakukan dikaitkan dengan penelitian-penelitian yang pernah ada. Dengan kata Iain, literatur
empiris dapat menunjukkan perbedaan penting antara penelitian yang akan dilakukan dengan
yang sudah pernah dilakukan oleh peneliti sebelumnya.
Penulisan studi literatur harus mengacu pada rumusan masalah yang diajukan. Sehingga
teori yang digunakan hanyalah yang relevan dengan rumusan masalah, dengan kata Iain, peneliti
perlu menegaskan "grand theory" yang digunakan. Sedangkan literatur empiris, merupakan
sintesa dari berbagai penelitian yang memiliki kedekatan dengan topik penelitian yang akan
dilakukan. Sehingga, studi literatur empiris bukan bertujuan untuk mencari penelitian-penelitian
terdahulu yang sama atau mirip dengan penelitian yang akan kita lakukan. Jika demikian,
peneliti akan terjebak plagiasi.

3) Membuat dugaan-dugaan, atau hipotesis

 Setelah rumusan masalah dibuat, teori dan studi terdahulu dijelaskan, maka langkah
berikutnya adalah merumuskan hipotesis. Hipotesis merupakan dugaan sementara mengenai
hasil yang diharapkan berdasarkan rumusan masalah yang diajukan.

4) Mengumpulkan data
Data menjadi bagian penting dalam menerapkan prosedur Statistika maupun Metode
Ilmiah. Ketiadaan data berarti juga kegagalan dalam menerapkan Prosedur Statistika maupun
Metode Ilmiah. Oleh karena itu, peneliti perlu memastikan ketersediaan data yang diperlukan
untuk menjawab rumusan masalah penelitian.

5) Melakukan pengolahan data

Data yang sudah terkumpul selanjutnya akan dilakukan pengolahan. Penjelasan
mengenai berbagai hal tentang pengolahan data dapat dilihat di bab berikutnya.

6) Melakukan pengujian hipotesis

Jika penelitian memiliki hipotesis, maka hasil pengolahan data dapat digunakan untuk
membuktikan dugaan hasil penelitian seperti telah disebutkan dalam hipotesis penelitian.

7) Merumuskan kesimpulan
Rumusan kesimpulan merupakan bagian akhir dalam penerapan metode ilmiah.
Kesimpulan dibuat berdasarkan temuan dalam analisa data yang telah dilakukan.

8) Mempublikasikan hasil
Supaya hasil-hasil penelitian yang dibuat dengan menerapkan metode ilmiah yang benar
serta menghasilkan kesimpulan yang benar dapat memberikan manfaat yang luas bagi khalayak,
maka seyogyanya dapat dipublikasikan. Terdapat berbagai media publikasi seperti seminar,
workshop, lokakarya, hingga jurnal.

1.4 Data Statistik

Statistika merupakan suatu ilmu, sedangkan Statistik merupakan suatu data. Menurut Arikunto
(2002), data merupakan segala fakta dan angka yang dapat dijadikan bahan untuk menyusun suatu
informasi. Sedangkan menurut Rozak (2012), data adalah sumber informasi yang diketahui atau dicari
atau diasumsikan untuk memberikan gambaran mengenai suatu persoalan atau keadaan.Data statistik
adalah sekumpulan data berupa fakta-fakta serta gambaran suatu keadaan atau fenomena yang
dikumpulkan, dirangkum, dan dianalisa yang selanjutnya dijadikan sumber informasi atau
diinterpretasikan. Pemahaman terhadap jenis data statistik dapat dibedakan menurut sumbernya,
jenisnya, maupun waktu pengumpulannya, seperti ditunjukkan dalam tabel 1.1 berikut:

Tabel 1.1: Kategorisasi Data Statistik

No. Data Berdasarkan Uraian

Data Primer
1 Sumber Data
Data Sekunder
 Kualitatif
2 Jenis Data
Kuantitatif

Data Time Series (runtut waktu) Data Cross-

3 Waktu Pengumpulan Data
section (lintas ruang)

Penjelasan mengenai kategorisasi data statistik seperti ditunjukkan tabel 1.1, adalah sebagai berikut:

1. Data Berdasarkan Sumber Data

Dalam menganalisa dan menampilkan informasi pada suatu fenomena, dibutuhkan keberadaan
data. Data berdasarkan sumbernya dibedakan menjadi Data Primer dan Data Sekunder, yakni:

a) Data Primer
Data primer merupakan data yang diambil dari sumbernya, serta belum pernah
dipublikasikan oleh instansi tertentu. Umumnya data primer dihasilkan dari kegiatan survei
lapangan dan dengan menggunakan instrumen seperti kuisioner, daftar pertanyaan,
maupunfocus group discussion (FGD).
Penggunaan data primer memiliki beberapa kelebihan seperti validitas dan proses
pengumpulan data dapat dipertanggungjawabkan, sehingga kesimpulan yang dihasilkan juga
merupakan gambaran keadaan nyata dilapangan. Namun demikian, kegiatan survei lapang
untuk memperoleh data jenis ini pada umumnya memerlukan waktu dan biaya yang lebih besar
dibandingkan data sekunder.

b) Data Sekunder
Data sekunder merupakan data yang telah diolah dan dipublikasi oleh instansi tertentu,
misalnya Data yang dipublikasi oleh Badan Pusat Statistik, Bank Indonesia, maupun lembaga
lainnya.
Penggunaan data sekunder seringkali menjadi pilihan peneliti dibanding data primer.
Hal ini karena data sekunder memiliki keunggulan dalam hal proses mendapatkan yang mudah
sehingga mampu menghemat waktu dan biaya. Disisi lain, data sekunder juga memiliki
kelemahan yakni secara teknis dan proses mendapatkan data yang bersangkutan tidak dapat
ditelusur lebih jauh. Oleh karena itu, peneliti perlu mencari data pembanding untuk
memperkuat hasil analisa data. Hal ini penting untuk menjaga supaya validitas dan akurasi
kesimpulan dapat dipertanggungjawabkan.

2. Data Berdasarkan Jenisnya

Data statistika berdasarkan jenisnya, dapat dibagi dua yakni data kualitatif dan data kuantitatif.
Perbedaan untuk masing-masing jenis data adalah sebagai berikut:

a. Data Kualitatif
Kata ”kualitatię' berasal dari "qualitY' artinya mengutamakan mutu dan kualitas,
sehingga data kualitatif merupakan data yang mengutamakan mutu dan kualitas dari data
bersangkutan. Data kualitatif biasanya berupa data non angka dan umumnya berbentuk
kategori.
 Penelitian dengan menggunakan data kualitatif umumnya menitikberatkan pada nilai
mutu dan kualitas data yang digunakan. Untuk memudahkan dalam proses analisa data,
umumnya data kualitatif akan disimbolkan dengan angka, atau dalam bentuk variabel dummy.
Misalnya, jenis kelamin, suku bangsa, warna kesukaan, prestasi (meningkat ataupun menurun),
juara kelas, kepuasan, agama, dll. Ciri khas data kualitatif adalah tidak berlakunya hukum
Matematika seperti penjumlahan, pengurangan, perkalian, maupun pembagian.

b. Data Kuantitatif
Kata ”kuantitatiP' berasal dari kata ”quantitY' artinya kuantitas. Sehingga data
kuantitatif mengutamakan banyaknya data (n). Data kuantitatif merupakan data-data berupa
angka. Karakteristiknya adalah data selalu dalam bentuk numerik.
Contoh data kuantitatif adalah pendapatan, jumlah penduduk, tingkat konsumsi, bunga bank,
dan sebagainya.
Data kuantitatif, berdasarkan cara memerolehnya dibedakan menjadi dua yakni:
• Data Diskret
Data diskret merupakan data yang diperoleh dengan cara "menghitung". Contohnya, jumlah
mobil, jumlah rumah, jumlah mahasiswa, dsb. Konsekuensi dari data diskret adalah
memberikan hasil yang bulat maupun desimal yang disesuaikan dengan objek yang dihitung.

• Data Kontinyu
Data yang dihasilkan dengan cara "mengukur". Untuk mendapatkan hasil pengukuran yang
akurat, maka diperlukan alat bantu ukur yang disesuaikan dengan objek yang akan diukur.
Misalnya, mengukur panjang meja dapat digunakan penggaris, mengukur berat badan dapat
digunakan timbangan berat badan, dan sebagainya.

3. Data Berdasarkan Waktu Pengumpulannya

Berdasarkan waktu pengumpulan data, data statistika dapat dibagi dua yakni data lintas ruang
(cross-section) dan data runtut waktu (time series). Perbedaan untuk masing-masing adalah sebagai
berikut:

a) Data Lintas Ruang (Cross-Section)

Data lintas ruang merupakan data-data yang dikumpulkan secara serentak pada waktu
dan periode tertentu secara bersamaan dan menggambarkan keadaan pada periode tersebut.
Contoh data lintas ruang (cross section) seperti jumlah mahasiswa Fakultas Ekonomi dan Bisnis
Angkatan 2016/2017, jumlah perusahaan yang listing di Bursa Efek Indonesia.

b) b.Data Runtut Waktu (Time Series)

Data runtut waktu adalah data yang dikumpulkan pada waktu dan periode tertentu yang
berurutan atau berseri. Contoh data runtut waktu adalah data pengangguran di Indonesia
periode 2011-2017, data pertumbuhan ekonomi Kota Malang tahun 2011-2017, pergerakan
inflasi dalam sebulan, dan sebagainya.

1.5 Populasi Dan Sampel

Populasi adalah wilayah generalisasi berupa subjek atau objek yang diteliti untuk dipelajari dan
diambil kesimpulan, atau dengan kata Iain, populasi adalah totalitas dari seluruh objek penelitian.
Banyaknya objek penelitian yang diteliti disebut dengan ukuran populasi, dimana ukuran tersebut
bervariasi tergantung pada jenis populasi yang diteliti. Misalnya, penelitian terhadap pengeluaran rumah
tangga tani per bulan di propinsi A, B maupun C. Untuk masing-masing propinsi, pengeluaran rumah
tangga petani dapat berbeda maupun sama.

Sampel adalah objek pengamatan yang dipilih dari populasi, sehingga sampel merupakan bagian
dari populasi dan mencerminkan karakteristik populasinya. Oleh karena itu, meskipun penelitian
menggunakan data sampel dan bukannya sata populasi, namun hasilnya dapat digeneralisasikan pada
populasi.Banyaknya objek penelitian dalam sampel disebut ukuran sampel.

Gambar 1.1 Keterkaitan antara Populasi dan Sampel

Sifat-sifat dan karakteristik menjadi dasar dalam mempelajari konsep populasi dan sampel. Sifat-
sifat populasi disebut "parameter", sedangkan sifat-sifat sampel disebut "statistik". Statistik adalah nilai
yang diperoleh dari sampel dan digunakan untuk menaksir (mengestimasi) nilai parameter. Beberapa
sifat populasi dan sampel yang penting adalah ratarata hitung (mean), varian (variance), dan standar
deviasi (standard deviation).

Penarikan sampel diperlukan jika populasi yang diambil sangat besar, dan peneliti memiliki
keterbatasan untuk menjangkau seluruh populasi. Peneliti perlu mendefinisikan populasi target dan
populasi terjangkau baru kemudian menentukan jumlah sampel dan teknik sampling yang digunakan.
Selanjutnya, untuk menentukan sampel dari populasi digunakan perhitungan maupun acuan tabel yang
dikembangkan para ahli. Untuk setiap jenis penelitian dan teknik sampling yang berbeda, akan
berkonsekuensi pada jumlah sampel yang digunakan. Misalnya, untuk penelitian korelasional jumlah
sampel minimal untuk memperoleh hasil yang baik adalah 30, sedangkan dalam penelitian eksperimen
jumlah sampel minimum 15 dari masing-masing kelompok. Sementara, penelitian survei memerlukan
jumlah sampel minimum adalah 100.

Roscoe (1975) yang dikutip Sekaran (2006) memberikan acuan umum untuk menentukan
ukuran sampel:

1) Ukuran sampel lebih dari 30 dan kurang dari 500 adalah tepat untuk kebanyakan penelitian,
 2) Jika sampel dipecah ke dalam subsampel (pria/wanita, junior/senior, dan sebagainya), ukuran
sampel minimum 30 untuk tiap kategori adalah tepat,

3) Dalam penelitian mutivariate (termasuk analisis regresi berganda), ukuran sampel sebaiknya IOX
lebih besar dari jumlah variabel dalam penelitian,

4) Untuk penelitian eksperimental sederhana dengan kontrol eskperimen yang ketat, penelitian
yang sukses adalah mungkin dengan ukuran sampel kecil antara 10 sampai dengan 20.

Besaran atau jumlah sampel sangat tergantung dari besaran tingkat ketelitian atau kesalahan yang
diinginkan peneliti. Terdapat beberapa tingkat kesalahan yang dapat digunakan yakni 1% (0,01); 5%
(0,05); dan 10% (0,1). Jika digunakan tingkat kesalahan 1% berarti peneliti meyakini bahwa data sampel
yang digunakan dalam penelitian memiliki tingkat kesalahan sebesar 1% dari jumlah sampel, atau
dengan kata lain ketelitian/kebenaran data sampel mencapai sebesar 990/0. Tingkat kesalahan 5%
berarti tingkat kesalahan data sampel sebesar 5% atau tingkat ketelitian data sampel mencapai 95%.
Sedangkan tingkat kesalahan 10% artinya 90% data sampel diyakini kebenarannya dan memiliki tingkat
kesalahan data sebesar 10%. Pemilihan tingkat kesalahan tergantung tingkat keyakinan peneliti
terhadap data-data sampel yang digunakan.

Semakin besar tingkat kesalahan maka semakin kecil pula jumlah sampel yang dapat digunakan.
Namun yang perlu diperhatikan adalah semakin besar jumlah sampel (semakin mendekati populasi)
maka semakin kecil peluang kesalahan generalisasi dan sebaliknya, semakin kecil jumlah sampel
(menjauhi jumlah populasi) maka semakin besar peluang kesalahan generalisasi.

Terdapat beragam rumus yang dapat membantu peneliti dalam menentukan jumlah sampel yang
dapat diambil dari data populasinya. Rumus penarikan jumlah sampel dapat menggunakan (i) Rumus
Slovin, (ii) Rumus Issac dan Michael; serta (iii) Rumus sampling Fraction per klaster, maupun
menggunakan (iv) Rumus Krejcie dan Morgan (Sugiyono, 2007; Sevilla et al., 1960). Pada dasarnya,
penggunaan rumus penarikan sampel adalah memudahkan peneliti untuk dapat menentukan jumlah
sampel yang tepat dari data populasinya. Oleh karena itu, rumus penarikan sampel bukan bertujuan
mempersulit, namun justru mempermudah peneliti. Cara perhitungan jumlah sampel menggunakan
rumus-rumus tersebut adalah sebagai berikut:

1. Rumus Slovin

N
n=
1+ N ¿ ¿

Dimana,
n = ukuran sampel;
N = ukuran populasi;
d = tingkat kesalahan yang dipilih (1%, 5%, dan 10%)
.
Misalnya, jika diketahui jumlah populasi adalah 200, dan tingkat kesalahan yang dikehendaki
adalah 5%, maka jumlah sampel yang digunakan dapat dihitung:
 200
n=
1+200 ¿ ¿
Hasil perhitungan jumlah sampel sebesar 133,33 atau dibulatkan menjadi 133. Artinya
jumlah sampel minimum yang dapat diambil dari data populasi jika digunakan tingkat
kesalahan sebesar 5% adalah sebanyak 133 sampel.

2. Rumus Isaac dan Michael

2
λ N PQ
S= 2 2
d ( N−1 ) + λ P Q

Dimana,
s = jumlah sampel;
λ = Chi Kuadrat, dengan dk =1, tingkat kesalahan 1%, 5%, dan 10%;
N =jumlah populasi;
d = 0,05;
P = Q = 0,5

Untuk memudahkan peneliti dalam menerapkan rumus penarikan sampel Isaac

dan Michael, rumus tersebut telah dilengkapi dengan tabel simulasi perhitungan jumlah
sampel menggunakan data populasi hingga mencapai 1.000.000 orang. Oleh karena itu,
peneliti tidak perlu direpotkan dalam menentukan jumlah sampel berdasarkan data
populasi jika menggunakan rumus Isaac dan Michael. Menggunakan tabel Isaac dan
Michael, Peneliti hanya perlu memahami cara membaca tabel Isaac dan Michael (lihat
tabel 1.2), dan menentukan tingkat kesalahan data yang digunakan.
Misalnya, jika diketahui jumlah populasi adalah sebesar 200, maka jumlah
sampel yang dapat digunakan menurut perhitungan tabel Issac dan Michael adalah
sebesar 154 sampel (tingkat kesalahan 1%), atau sebesar 127 sampel (tingkat kesalahan
5%), dan sebesar 115 sampel (tingkat kesalahan 10%). Semakin kecil tingkat kesalahan
yang digunakan, jumlah sampel yang harus diambil semakin besar. Selanjutnya dapat
dilihat tabel Isaac dan Michael sebagai berikut:

Tabel 1.2: Penentuan Jumlah Sampel dari Populasi Tertentu dengan Tingkat Kesalahan 1%, 5%, dan 10%

N S N S N S

1% 5% 10% 1% 5% 10% 1% 5% 10%

10 10 10 10 280 197 115 138 2800 537 310 247

15 15 14 14 290 202 158 140 3000 543 312 248

20 19 19 19 300 207 161 143 3500 558 317 251

25 24 23 23 320 216 167 147 4000 569 320 254

30 29 28 27 340 225 172 151 4500 578 323 255

35 33 32 31 360 234 177 155 5000 586 326 257

40 38 36 35 380 242 182 158 6000 598 329 259

45 42 40 39 400 250 186 162 7000 sos 332 261

50 47 44 42 420 257 191 165 8000 613 334 263

55 51 48 46 440 265 195 168 9000 618 335 263

60 55 51 460 272 198 171 10000 522 336 263

65 59 55 53 480 279 202 173 15000 635 340 266

70 63 58 56 500 285 205 176 20000 542 342 257

80 71 65 62 600 315 221 187 40000 563 345 269

5 75 68 65 650 329 227 191 50000 655 346 269

90 79 72 68 700 341 233 195 75000 558 346 270

95 83 75 71 750 352 238 199 100000 659 347 270

100 87 78 73 800 363 243 202 150000 661 347 270

110 94 84 78 850 373 247 205 200000 347 270

120 102 89 83 900 382 251 208 250000 662 348 270

130 109 95 88 950 391 255 211 300000 662 348 270

140 116 100 92 1000 399 258 213 350000 SE2 348 270

150 122 105 97 1050 414 265 217 400000 662 348 270

160 129 110 101 1100 427 270 221 450000 348 270

170 135 114 105 1200 440 275 224 500000 663 348 270

180 142 119 108 1300 450 279 227 550000 SE3 348 270

190 148 123 112 1400 460 283 229 600000 563 348 270

200 154 127 115 1500 4ES 286 232 E50000 563 348 270

210 160 131 118 1600 477 289 234 700000 663 348 270

220 165 135 122 1700 485 292 235 750000 663 348 271

230 171 139 125 1800 492 294 237 800000 SEB 348 271

240 176 142 127 1900 498 297 238 850000 SE3 348 271

250 182 146 130 2000 510 301 241 900000 663 348 271
 260 187 149 133 2200 520 304 243 950000 SEB 348 271

270 192 152 135 2600 529 307 245 1000000 664 349 272

3. Rumus sampling Fraction per klister

Ni
Fi
N

Kemudian didapat besarnya sampel per kluster:

ni =F i x n
Dimana,
fi = sampling fraction cluster
Ni = banyaknya individu yang ada dalam cluster
N = banyaknya populasi seluruhnya
ni = banyaknya anggota yang dimasukkan menjadi sub sampel
n = banyaknya anggota yang dimasukkan sampel

Rumus sampling fraction per klaster digunakan untuk menentukan jumlah sampel
berdasarkan data populasi jika jumlah sampel yang diinginkan bersifat proporsional terhadap
kumpulan sampel yang akan digunakan.
Misalkan suatu penelitian mengenai "kunjungan wisatawan di kebun binatang xxx" ingin
memperoleh sampel pengunjung berdasarkan latar belakang tingkat pendidikan. Informasi yang
tersedia adalah:

 Jumlah pengunjung pada hari tertentu adalah sebesar 500 orang (populasi),

 Tingkat pendidikan pengunjung terbagi menjadi:

o SD/sederajat = 120 orang

o SMP/sederajat = 250 orang
o SMA/sederajat = 80 orang
o Lainnya = 50 orang

Jika peneliti ingin mengambil sebanyak 150 sampel, maka jumlah sampel yang dapat
diambil untuk masing-masing tingkatan pendidikan pengunjung adalah sebagai berikut:

Tabel 1.3: Sampel Proporsional menggunakan Rumus samplingfraction

Tingkatan Pendidikan Pengunjung NI f i = N i /N ni = f i x n

SD sederaJat 120 0.24 36

SMP sederaJat 250 0.50 75

 SMA sederaJat 80 0.16 24

Lainn 50 0.10 15

Total Populasi (N) 500

jumlah Sampel (n) 150 150

4. Rumus Krejcie dan Morgan

2
(λ . N . P .Q)
n=
(λ . ( N−1 ) + λ 2 . P .Q)
2

Dimana,
n = jumlah sampel,
2
λ = faktor pengali dengan dk = 1, taraf kesalahan bisa 1 %,5 %, 10 %
N = jumlah populasi,
P (populasi menyebar normal) = Q = 0,5,
d = 0,05

Jika peneliti menggunakan rumus Krecjie dan Morgan untuk menentukan jumlah
sampel, hasil perhitungan jumlah sampel untuk setiap populasi berdasarkan rumus Krecjie
dan Morgan dapat ditunjukkan pada tabel berikut:

Tabel 1.4: Penentuan Jumlah Sampel menggunakan Krecjie dan Morgan

Populasi Sampel Populasi Sampel Populasi Sampel

(N) (n) (N) (n) (N) (n)

10 10 220 140 1200 291

15 14 230 144 1300 297

20 19 240 148 1400 302

25 24 250 152 1500 306

30 28 260 155 1600 310

35 32 270 159 1700 313

40 36 280 162 1800 317

45 40 290 165 1900 320

 50 44 300 169 2000 322

55 48 320 175 2200 327

60 52 340 181 2400 331

65 56 360 186 2600 335

70 59 380 191 2800 338

75 63 400 196 3000 341

80 66 420 201 3500 346

85 70 440 205 4000 351

90 73 460 210 4500 354

95 76 480 214 5000 357

100 80 500 217 6000 361

110 86 550 226 7000 364

120 92 600 234 8000 367

130 97 650 242 9000 368

140 103 700 248 10000 370

150 108 750 254 15000 375

160 113 800 260 20000 377

170 118 850 265 30000 379

180 123 900 269 40000 380

190 127 950 274 50000 381

200 132 1000 278 75000 382

210 136 1100 285 1000000 384

Teknik perhitungan sampel tersebut akan memberikan nilai perkiraan terhadap jumlah sampel
yang dapat digunakan oleh peneliti. Namun demikian, perlu dipahami bahwa hasil perhitungan sampel
tersebut merupakan sampel minimum. Maksudnya bahwa peneliti diharapkan dapat mengambil sampel
dengan jumlah yang lebih besar dari jumlah tersebut. Hal ini perlu dilakukan mengingat sampel tidak
selalu memberikan data yang valid. Penggunaan berbagai instrumen seperti kuisioner maupun teknik
analisis yang beragam dapat berkontribusi kesahihan data sampel.

1.6 Skala Pengukuran

Salah satu pokok permasalahan dałam statistika adalah dałam hal proses mendapatkan dan
mengumpulkan data. Setidaknya, terdapat dua cara mendapatkan data yakni melalui proses
penghitungan dan pengukuran. Dałam hal penghitungan, proses mendapatkan data hampir tidak pernah
mengalami kendala, setiap individu yang melakukan penghitungan terhadap objek yang sama akan
menghasilkan suatu angka yang sama, misalnya objek penghitungannya adalah adalah jumlah sepeda
motor yang diparkir di Fakultas Ekonomi dan Bisnis Universitas Brawijaya pada waktu tertentu.

Disisi lain, ketika objek penelitian dilakukan pengukuran, maka setiap individu yang melakukan
pengukuran memungkinkan akan mendapatkan hasil yang berbeda, meskipun menggunakan alat yang
sama, misalnya, pengukuran lebar jalan, pengukuran tinggi badan, pengukuran panjang meja, dan
sebagainya. Untuk iłu, statistika lebih banyak diaplikasikan untuk mempelajari masalah pengukuran
dibandingkan masalah penghitungan.

Pengukuran adalah proses hal mana suatu angka atau simbol dilekatkan pada karakteristik atau
properti suatu stimuli sesuai dengan aturan/prosedur yang telah ditetapkan (Ghozali, 2005). Misal,
orang dapat digambarkan dari beberapa karakteristik meliputi umur, tingkat pendidikan, jenis kelamin,
tingkat pendapatan, dan sebagainya. Terdapat empat (4) skala pengukuran yakni skala nominal, ordinal,
interval, dan rasio, sebagai berikut:

1) Skala Nominal
Skala nominal merupakan skala yang berupa kategori atau kelompok dari suatu subyek.
Tujuannya supaya memudahkan dalam mengidentifikasi suatu kategori maupun kelompok dan
umumnya menggunakan label atau lambang berupa angka misal, variabel jenis kelamin
responden dikelompokkan menjadi dua, LIP, masing-masing diberi kode 1 dan 2, suku bangsa
dibedakan menjadi Jawa, Sunda, Batak dan sebagainya, dimana untuk Jawa disimbolkan angka
1, Sunda angka 2, Batak angka 3, dan sebagainya.
Penggunaan label maupun angka hanya berfungsi sebagai label kategori, dan tidak
memiliki arti apa pun. Label atau lambang tersebut tidak memiliki sifat sebagaimana bilangan
pada umumnya, sehingga pada variabel dengan skala nominal tidak dapat diterapkan operasi
matematika standar: pengurangan, penjumlahan, perkalian, dll. Uji statistik yang sesuai dengan
skala nominal adalah uji yang mendasarkan pada jumlah seperti modus dan distribusi frekuensi.

2) Skala Ordinal
Skala ordinal merupakan skala yang berupa kategori dari suatu objek menggunakan
label atau lambang bilangan, dimana kategori atau label maupun lambang menunjukkan suatu
urutan atau tingkatan obyek yang diukur menurut karakteristik yang dipelajari. Contoh skala
ordinal adalah juara lomba balap, juara kelas, preferensi responden terhadap merek suatu
barang, dan sebagainya. Sebagaimana skala nominal, Iambang maupun label angka yang
digunakan dalam skala ordinal hanya menunjukan urutan dan tidak berlaku operasi matematika
seperti juara lomba balap ke satu (1) sama dengan juara ketiga (3) dikurangi juara kedua (2).
 3) Skala Interval
Skala interval merupakan Skala pengukuran yang mempunyai sifat seperti skala ordinal
(memiliki urutan tertentu), serta memiliki sifat satuan skala (scale unit). Maksudnya, perbedaan
karakteristik antara obyek yang berpasangan dengan Iambang bilangan satu dengan Iambang
bilangan berikutnya selalu tetap. Disamping itu, data interval dapat diberlakukan hukum/operasi
matematika. Misalnya data pendapatan responden berkisar antara RP. 100.000 - RP. 1.000.000,
artinya responden dengan pendapatan RP. 1.000.000 lebih besar dibandingkan RP. 400.000. Pun
demikian, jika digunakan operasi matematika maka responden berpendapatan RP. 800.000
sama dengan responden yang berpendapatan RP. 300.000 ditambah responden berpendapatan
RP. 500.000. Uji statistik yang sesuai adalah semua uji statistik kecuali uji yang mendasarkan
pada rasio seperti koefisien variasi.

4) Skala Rasio
Skala rasio adalah skala yang menghasilkan data dengan mutu yang paling tinggi.
Perbedaan skala rasio dengan skala interval terletak pada keberadaan nilai nol (based value).
Pada skala rasio, nilai nol bersifat mutlak, tidak seperti pada skala interval. Data yang dihasilkan
Oleh skala rasio adalah data rasio. Tidak ada pembatasan terhadap alat uji statistik yang sesuai.

Rangkuman

Pada bagian ini telah menjelaskan secara detail mengenain dasar – dasar statistika. Beberapa hal
penting yang dapat dipperoleh dari bab ini antara lain :

1. Pada bagian ini telah menjelaskan secara detil mengenai dasar-dasar Statistika. Beberapa hal
penting yang dapat diperoleh dari bab ini antara lain:
2. Statistika dan Statistik merupakan dua hal yang berbeda. Statistika adalah suatu ilmu, sedangkan
Statistik merupakan kumpulan data-data.
3. Kegunaan statistika adalah membantu peneliti dalam memecahkan berbagai persoalan dengan
pendekatan statistika.
4. Sebagai bagian dari metode ilmiah, Statistika berkontribusi pada penggunaan prosedur
statistika, sementara metode ilmiah memberikan petunjuk bagaimana prosedur statitika dapat
menghasilkan suatu kesimpulan yang benar.
5. Data statistik dapat dibedakan berdasarkan sumber data, berdasarkan jenis data dan waktu
pengumpulan data.
6. Sampel merupakan bagian dari populasi dan mampu mencerminkan karakteristik populasinya.
7. Skala pengukuran menjadi perhatian penting dalam statistika. Skala pengukuran menghasilkan
data nominal, data ordinal, data interval dan data rasio.

LATIHAN SOAL

1. Apa yang dimaksud dengan Statistika?

2. Kapan dan dimana kita bisa menggunakan Statistika?
3. Teknik atau Prosedur apa saja yang ada di dalam statistika?
4. Apa yang dimaksud Data Statistika? Sebutkan Jenisnya?
5. Perbedaan mendasar seperti apa yang dihasilkan dari proses perhitungan dan proses
pengukuran?
6. Mengapa skala pengukuran dapat menghasilkan data nominal dan ordinal? Berikan penjelasan
Anda.
7. Jelaskan pentingnya statistika dalam kehidupan sehari-hari, dan siapa saja yang sering
menggunakan statistika?
8. Jelaskan perbedaan statistika deskriptif dan statistika induktif? Berikan contoh dari kasus sehari-
hari yang Anda temui!
9. Jika diketahui bahwa keuntungan saham BCA adalah RP. 350 per lembar, dan nilai saham BCA
dua kali saham Bank Mega. Jelaskan konsep skala pengukuran yang dipakai?
10. Jelaskan perbedaan antara populasi dan sampel! Berikan contoh dalam kehidupan ekonomi dan
bisnis yang ada di sekeliling Anda.