Dokumen - Tips - Makalah Penyajian Data Dalam Bentuk Grafik

5/7/2018 Ma ka la h Pe nyajia n Da ta Da la m Be ntuk Gra fik - slide pdf.
c om
STATISTIKA DASAR
PENYAJIAN DATA DALAM BENTUK GRAFIK
MAKALAH
( Disusun guna memenuhi salah satu tugas matakuliah Statistika Dasar )
Disusun oleh :
Galuh Denok (080210102008)
Wahyuni Fajar Arum (080210102013)
Norma Aisyah (080210102014)
Agus Tina Sari (080210102015)
Binar Kurnia Prahani (080210102016)
PROGRAM STUDI PENDIDIKAN FISIKA

JURUSAN PENDIDIKAN MIPA
FAKULTAS KEGURURAN DAN ILMU PENDIDIKAN
UNIVERSITAS JEMBER
SEMESTER GASAL 2009-2010
http://slide pdf.c om/re a de r/full/ma ka la h-pe nyajia n-da ta -da la m-be ntuk-gra fik 1/36
5/7/2018 Ma ka la h Pe nyajia n Da ta Da la m Be ntuk Gra fik - slide pdf.c om
BAB I
PENDAHULUAN
1.1 Latar Belakang
Statistik pada masa kini mempengaruhi hampir seluruh aspek kehidupan

modern, contohnya antara lain sebagai berikut : Apakah kamu pernah
memperhatikan berita ekonomi baik di surat kabat maupun di televisi?

Aplikasi statistika lainnya yang sekarang popular adalah prosedur jajak
pendapat atau polling (misalnya dilakukan sebelum pemilihan umum), serta
jajak cepat (perhitungan cepat hasil pemilu) atau quick count. Pada koran-
koran tertentu terdapat grafik yang menunjukkan fluktuasi nilai tukar rupiah
terhadap dolar (lihat gambar di atas). Contoh lainnya adalah jumlah penduduk
di Indonesia. Andaikan jumlah penduduk Indonesia tahun 2002 adalah 202
juta orang, maka kita dapat meramalkan jumlah penduduk Indonesia 10 tahun
yang akan datang. Tentunya kita perlu bantuan statistika untuk meramalkan
jumlah penduduk Indonesia pada tahun 2012. Masih banyak contoh-contoh
penggunaan statistika dalam kehidupan sehari-hari.
Uraian singkat di atas memberi kita informasi tersurat bahwa dalam
berbagai hal kita harus bias menyajikan data agar orang lain lebih komunikatif
dalam menganalisa atau menikmati data kita.
Mengetahui bahwa akan pentingnya Penyajian data yang dibahas secara

detail dalam ilmu statistika, maka kami menyusun makalah ini yang
didalamnya akan membahas secara efektif dan efesien mengenai Penyajian
Data, Sehingga kita sebagai mahasiswa yang akan banyak melakukan
Penelitian dan kegiatan ilmiah diharapkan kita dapat memahami dan
mengaplikasikan Ilmu Statisika.
1.2 Rumusan Masalah

1. Apakah definisi penyajian data dalam grafik ?
2. Bagaimanakah Penyajian data dalam grafik ?
3. Apakah definisi ukuran pemusatan ?
4. Bagaimanakah deskripsi dan jenis dari ukuran pemusatan ?
5. Apakah definisi ukuran variasi/dispersi ?
6. Bagaimanakah deskripsi dan jenis dari ukuran variasi/dispersi ?
7. Apakah definisi dari korelasi dan regresi ?
8. Bagaimanakah deskripsi dan jenis dari ukuran korelasi dan
regresi ?
9. Mengapa perlu dipelajari dan melakukan penyjian data ?
1.3 Tujuan
1. Memberikan pemahaman melalui diskripsi penyajian data dalam grafik.
2. Memberikan pengetahuan dasar mengenai komponen yang terkandung
Penyajian data dalam grafik.
3. Memberikan Pemahaman melalui diskripsi definisi ukuran pemusatan.
dalam deskripsi dan jenis dari ukuran pemusatan.
5. Memberikan Pemahaman melalui diskripsi definisi ukuran
variasi/disperse.
dalam deskripsi dan jenis dari ukuran variasi/dispersi.
7. Memberikan Pemahaman melalui diskripsi definisi dari korelasi dan
regresi.
dalam deskripsi dan jenis dari ukuran korelasi dan regresi.
9. Diharapkan setiap mahasiswa dapat mengetahui dan mengaplikasikan
penyajian data, ukuran variasi atau disperse, korelasi dan regresi.
BAB II
PEMBAHASAN
2.1 Definisi penyajian data dalam grafik

Penyajian dalam bentuk grafik adalah suatu penyajian data secara visual.
Penyajian hasil penelitian kuantitatif yang sering menggunakan bentuk tabel
atau grafik Penyajian data secara visual dilakukan melalui bentuk grafik,
gambar, atau diagram.
2.2 Penyajian data dalam grafik.

Modifikasi bentuk penyajian data dengan grafik ini beraneka ragam antara
lain sebagai berikut :
a. Diagram Batang
Untuk menggambar diagram batang kita memerlukan sumbu datar
dan sumbu tegak yang saling tegak lurus. Sumbu datar dibagi menjadi
beberapa skala bagian yang sama dan sumbu tegak juga dibagi menjadi
beberapa skala bagian yang sama. Skala pada sumbu datar tidak harus
sama dengan skala pada sumbu tegak. Sumbu datar biasanya menyatakan
nilai dan sumbu tegak menyatakan frekuensi. Untuk lebih jelasnya, coba
kamu perhatikan contoh berikut.
Tabel 3
BANYAK ORANG DI DAERAH X YANG MENJAGOKAN SALAH
SATU NEGARA PESERTA WORLD CUP 2002 MENJADI JUARA
Negara Peserta Banyak Orang Jumlah
Argentina 10 10
Brazil 35 35
Denmark 7 7
Italia 15 15
Inggris 20 20
Jerman 30 30
Prancis 5 5
Spanyol 8 8
Jumlah 130 130
Diagram 1
Banyak Orang di Daerah X yang Menjagokan Salah Satu Negara
Peserta World Cup 2002 Menjadi Juara
40
Catatan: Data fiktif
35
35 Data-data yang terdapat pada Tabel 3 di atas akan kita nyatakan dalam
30
bentuk diagram batang, seperti yang nampak pada Gambar 2 berikut.
30
25
20
20
15
15
10
8
10 7
5
0 Argentina Brazil Denmark IItaa IInggris Jerman Prancis Spanyol
http://slide pdf.c om/re a de r/full/ma ka la h-pe nyajia n-da ta -da la m-be ntuk-gra fik Negara Peserta World Cup 2002 5/36
b. Diagram Garis
Jika kita mempunyai data yang keadaannya kontinu atau
berkesinambungan, maka sebaiknya kita dapat menyajikan dalam bentuk
diagram garis. Misalkan data tersebut adalah kasus malaria, DBD dan
Frambusia di kabupaten Wetan tahun 1997, seperti berikut:
150
100
50
0
JAN FEB MAR APR MEI JUN
KASUS MALARIA,
Banyak Orang D BD Menjagokan
yang D AN FRAMBUSIA DI KAB
Salah Satu WETAN
Negara
TAHUN 1997
Peserta World Cup 2002 Menjadi Juara
c. Diagram Lingkaran
Brazil
Perhatikan kembali Tabel 3 di atas. Kita akan meyajikan data-data yang
Spanyo
terdapat pada tabel Arg
tersebut dalam bentuk diagram lingkaran.
l
De 8% Brazil
n Italia
France 4%6%
27% Inggri
s
Jerman
Jerman
23%
ItaliaSpain 5%
Prancis
Inggris 12%
Denmark
15%
Argentina
d. Diagram area atau diagram daerah
160
140
120
100
80
60
40
20
GAKY KEP AGB KVA
STATUS GI ZI MASYARAKAT KEC TUAS TAHUN 1996
e. Grafik Peta, untuk melihat/menunjukkan lokasi
Ketentuan umum untuk membuat grafik, diagram atau gambar data antara
lain sebagai berikut :
a. Judul grafik, diagram, gambar atau skema harus jelas dan tepat. Judul
terletak diatas tengah gambar atau grafik dan menggambarkan ciri data,
tempat dan tahun data tersebut diperoleh (what, where, dan when).
b. Garis horizontal maupun garis vertikal sebagai koordinat harus diatas agar
garis kurva tampak jelas.
c. Skala pada grafik atau gambar harus ada catatan tentang satuan yang dipakai
misalnya tahun, hari, kilogram, celcius, dan sebagainya.
f. Apabila data dari grafik atau gambar tersebut diambil dari sumber lain
(bukan hasil penelitian sendiri) maka sumber data harus ditulis dibawah kiri
grafik atau gambar tersebut.
Grafik Garis Tunggal
Grafik garis tunggal (single line chart) adalah grafik yang terdiri dari satu
garis untuk menggambarkan perkembangan (trend) dari suatu karakeristik.
Contoh 3.1 Perhatikan tabel berikut,yang berisi data penjualan hipotesis
Harapan Kita selama tujuh tahun.
100
50
0
DBD MALARIA FRAMBUSIA
KASUS MALARIA, DBD DAN FRAMBUSIA DI KAB

WETAN TAHUN 1997
2.3 Definisi ukuran pemusatan.
Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok

data yang disusun menurut besar kecilnya nilai. Dengan perkataan lain,ia
mempunyai kecenderungan memusat, sehingga sering disebut ukuran
kecenderungan memusat (measures of central tendency).
2.4 Deskripsi dan jenis dari ukuran pemusatan

1. Rata-rata.
Rata-rata (average) adalah nilai yang mewakili 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. Dengan
perkataan lain,ia mempunyai kecenderungan memusat, sehingga sering
disebut ukuran kecenderungan memusat (measures of central tendency).
Beberapa jenis rata-rata yang sering dipergunakan ialah rata-rata hitung
(arithmetic mean atau sering disingkat mean saja),rata-rata ukur (geometric
10
mean), dan rata-rata harmonis (harmonic mean). Setiap rata-rata tersebut

selain mempunyai keunggulan juga memiliki kelemahan, dan ketepatan
penggunaannya sangat tergantung pada sifat dari data dan tujuannya
(misalnya,untuk melakukan analisis). Yang dimaksudkan di sini dengan rata-
rata ialah rata-rata hitung, kecuali kalau ada keterangan atau penjelasan
lain.Rata-rata hitung, yang untuk selanjutnya kita singkat rata-rata,sering
digunakan sebagai dasar perbandingan antara dua kelompok nilai atau lebih.
Misalkan hasil ujian Toni dan Joni adalah seperti disajikan dalam Tabel
Mata Pelajaran Hasil Ujian Toni Hasil Ujian Joni

(X) (Y)
Statistik 8 7
Matematika 7 6
Teori Ekonomi 6 5
Pemasaran 8 6
Metode Riset 7 6
Jumlah 36 30
Rata-rata 36/5 = 7,2 30/5 =6
Dari nilai rata-rata tersebut dapat disimpulkan bahwa Toni lebih pandai
dari Joni.
a. Rata-rata Hitung
Kalau kita mempunyai nilai variable X,sebagai hasil pengamatan atau
observasi sebanyak N kali yaitu X1,X2,….,Xb,….,Xn maka :
a) Rata-rata sebenarnya (populasi)
11
dibaca myu,yaitu symbol rata-rata sebenarnya yang disebut

parameter.Rata-rata ini dihitung berdasarkan populasi.Karena itu,rata-rata
sebenarnya sering juga disebut rata-rata populasi.
b) Rata-rata perkiraan (sampel)
Kalau rata-rata tersebut dihitung berdasarkan sampel sebanyak n di mana
n<N observasi,maka rata-rata yang diperoleh disebut rata-rata

perkiraan,atau rata-rata sampel,yang diberi simbol yang rumusnya adalah
sebagai berikut :
dibaca X bar,yaitu symbol rata-rata
merupakan perkiraan
• Metode Koding
Suatu saat mungkin kita akan bekerja pada jumlah data yang banyak
dengan nilai-nilai data yang tinggi.Ada suatu metode yang efektif dan sangat
membantu dalam menyederhanakan nilai-nilai yang besar itu yaitu dengan
menggunakan metode koding (metode ini hanya berlaku jika semua panjang
kelas dalam tabel distribusi frekuensi bernilai sama). Untuk menghitung rata-
rata dengan menggunakan metode koding, adalah dengan melengkapi tabel di
bawah ini. Langkah pertama meletakkan angka nol pada kelas sekehendak
kita/sembarang. Untuk mengisi kolom koding (kolom 4) di atas nilai nol
dengan mengurangkan masing-masing dengan satu dari nilai kelas di
bawahnya.
Tabel Hasil Koding
12
No Nilai fi ci fici
1 61-65 5 -4 -20
2 66-70 7 -3 -21
3 71-75 11 -2 -22
4 76-80 14 -1 -14
5 81-85 17 0 0
6 86-90 15 1 15
7 91-95 8 2 16
8 96-100 3 3 9
Jumlah 80 -37
Rumus Rata-Rata
Untuk mencari nilai rata-rata dengan menggunakan metode koding
dapat dillihat dalam rumus
Dimana:
= nilai rata-rata hitung
= nilai tengah kelas pada saat i= 0c
P = panjang kelas
N= jumlah
ci = nilai koding kelas ke-i
fi = frekuensi kelas ke- i
a. Rata-rata Gabungan
Jika kita mempunyai data n1, n2, n3, … dengan nilai rata-rata
masing- masing.
b. Rata-rata Harmonik
Rata-rata harmonik biasanya digunakan untuk merata-ratakan
kecepatan beberapa jarak tempuh atau mencari harga rata-rata suatu
komoditi tertentu.
13
c. Rata-rata Ukur (geometrik)

Digunakan jika perbandingan dua data berturutan tetap atau hampir tetap.
2. Modus
Untuk mencari nilai modus dari sekelompok data yang sudah dibuat
dalam tabel distribusi frekuensi, pertama kali carilah kelas yang mempunyai
frekuensi paling tinggi. Selanjutnya jika kelas dengan frekuensi paling tinggi
sudah deketahui lalu tentukan batas bawah kelas yang mempunyai frekuensi
tertinggi tersebut, kemudian hitung panjang kelas dengan frekuensi tertinggi
itu. Secara geometris nilai modus didasarkan pada grafik histogram. Nilai
modus adalah perpotongan antara garis vertikal hasil pertemuan antara sudut
kelas berfrekuensi tertinggi dengan frekuensi sebelum dan sesudah frekuensi
tertinggi (garis terpotong- potong) dengan garis horizontal.
Rumus Nilai Modus
Nilai modus dihitung dengan menggunakan rumus:
Dimana:
Mo = Nilai modus
BB = Batas Bawah kelas model
p = panjang kelas modus
b1 = jumlah frekuensi kelas modus dikurangkan jumlah frekuensi sebelum
kelas modus
b2 = jumlah frekuensi kelas modus dikurangkan jumlah frekuensi setelah

kelas modus
3. Median
Untuk data berkelompok :
n -F
 
Med =L 0 +c  2 

 f 
 
L0 =batas bawah kelas median
F = jumlah frekuensi semua kelas sebelum

kelas yang mengandung median
f =frekuensi kelas median
14
Contoh :
Interval Kelas Frekuensi
9-21 3
22-34 4
35-47 4
48-60 8
61-73 12
74-86 23
87-99 6
Σf = 60
Letak median ada pada data ke 30, yaitu pada interval 61-73, sehingga :
L0 = 60.5
 60 - 19 
 
Med =60,5 +13  2 =72,42
F = 19 
 12 

 
f = 12
4. Kuartil
Kelompok data yang sudah diurutkan (membesar atau mengecil) dibagi

empat bagian yang sama besar.
Ada 3 jenis yaitu kuartil pertama (Q1) atau kuartil bawah, kuartil kedua
(Q2) atau kuartil tengah, dan kuartil ketiga (Q3) atau kuartil atas.
Untuk data tidak berkelompok
15
i( n +1)
Qi = nilai ke - , i =1,2,3
4
Untuk data berkelompok
 in - F 
 
Q i =L 0 +c 4 , i =1,2,3


f 

 
L0 = batas bawah kelas kuartil
F = jumlah frekuensi semua
kelas sebelum kelas kuartil Qi
f = frekuensi kelas kuartil Qi
Contoh :
Interval Nilai Frekuensi

Kelas Tengah
(X)
9-21 15 3
22-34 28 4
35-47 41 4
48-60 54 8
61-73 67 12
74-86 80 23
87-99 93 6
Σf = 60
16
Q1 membagi data menjadi 25 %
Sehingga :
Q1 terletak pada 48-60
Untuk Q1, maka :

1.60 - 11 
 
Q1 =47,5 +13  4 =54

 8 

 
Untuk Q2, maka :
 2.60 - 19 
 
Q 2 =60,5 +13  4 =72,42


12 

 
Untuk Q3, maka :
 3.60 - 31 
 
Q 3 =73,5 +13  4 =81,41


23 

 
5. Desil
Kelompok data yang sudah diurutkan (membesar atau mengecil)

dibagi sepuluh bagian yang sama besar.

i( n +1)
Di = nilai ke - , i =1,2,3,..., 9
10
17
 in - F 
 
Di =L 0 +c10 , i =1,2,3,..., 9


f 

 
L0 = batas bawah kelas desil Di
F = jumlah frekuensi semua
kelas sebelum kelas desil Di
f = frekuensi kelas desil Di
Contoh :
Inte Nil Freku

rval ai ensi
Kelas Tengah
(X)
9- 15 3
21
28 4
22-
41 4
34
54 8
35-
47 67 12
48- 80 23
60
93 6
61-
73
74-
18
86
87-
99
Σf =
60
D3 membagi data 30%
D7 membagi data 70%
Sehingga :
D3 berada pada 48-60
D7 berada pada 74-86

 3.60 - 11 
 
10
D3 =47,5 +13  8  58,875
 =
 
 7.60 - 31 
 
D 7 =73,5 +13  10 =79,72
 23 
 
 
6. Persentil
 in - F 
 
Pi =L 0 +c100 , i =1,2,3,..., 99


f 

 
19
2.5 Definisi ukuran variasi/disperse.

Ukuran variasi atau dispersi, ukuran ini berasal dari pemikiran bahwa ada
data yang berada “di sekitar” rata-rata. Ada data yang tepat sama dengan nilai
rata-rata, ada yang lebih kecil dan ada juga yang nilainya lebih besar dari
rata-rata. Artinya bahwa antara tiap-tiap data dengan rata-rata terdapat jarak
atau dispersi, begitu pula dispersi juga terdapat antara data yang satu dengan
yang lain.
2.6 Deskripsi dan jenis dari ukuran variasi/dispersi.
• Ukuran variasi diperlukan karena ukuran ini memberikan informasi

mengenai sebaran nilai pada data tersebut. Selain itu ukuran ini dapat
digunakan untuk membandingkan sebaran dari dua distribusi data.
Simpangan baku (standard deviation), ukuran variasi ini paling banyak
digunakan karena mempunyai sifat mathematics yang berguna untuk teori
dan analisis.
Pengukuran Dispersi Data Tidak Dikelompokkan:
1. Simpangan baku (standard deviation)

Simpangan baku diperoleh dari akar dari ragam (variance).Variance
adalah rata-rata dan kuadrat dari selisih tiap-tiap data dengan mean-nya.
Simbol untuk variance adalah σ2 atau sigma kuadrat.
Simpangan baku memiliki satuan yang sama seperti satuan data
aslinya, sehingga kelemahannya apabila membandingkan dua atau lebih
data yang berbeda satuan maka pembandingan akan sulit
dilakukan.Variance untuk populasi rumusnya:
Variance untuk sampel rumusnya:
20
Atau
Untuk simpangan baku populasi rumusnya:
Simpangan baku untuk sampel rumusnya:

atau
Terdapat perbedaan pembagi pada populasi dan sampel, pada populasi

pembagi adalah n sedangkan pada sampel pembagi adalah n-1. Perbedaan ini
karena pada sampel hanya mengestimasi populasi, artinya nilai sampel hanya
mendekati dan bukan nilai yang menggambarkan nilai sebenarnya pada
populasi. Pembagi pada sampel (n-1) disebut dengan derajat bebas (degree of
freedom). Dapat ditunjukan secara statistika matematis bahwa dengan
pembagi (n-1), variance sampel merupakan “unbiased estimate” bagi variance
populasi.
2. Jarak (range)
Nilai jarak (range), merupakan ukuran variasi yang paling
sederhana dan mudah untuk dihitung. Data diurutkan dahulu dari yang
terkecil hingga terbesar kemudian dihitung selisih antara data terbesar dan
data terkecil.
Rumusnya:
Nilai jarak = X(n) – X1. Range merupakan ukuran yang kasar
untuk n besar dan ukuran ini kurang sensitive, artinya bahwa informasi
21
bisa menyesatkan apabila ada dua data yang memiliki kisaran sama tapi
simpangan baku yang berbeda. Range ini tidak selalu dapat
menggambarkan keragaman data untuk n besar.
3. Rata-rata simpangan (mean deviation).
Rata-rata simpangan, seperti namanya perhitungan ini dilakukan
dengan cara merata-ratakan simpangan data. Simpangan data adalah
selisih tiap-tiap data dengan rata-ratanya. Rata-rata simpangan adalah rata-
rata hitung dari nilai absolute dari simpangan, rumusnya:
• Pengukuran Dispersi Data Dikelompokkan
Nilai Jarak
Untuk data berkelompok, nilai jarak ( NJ ) dapat dihitung dengan dua cara
NJ = Nilai tengah kelas terakhir – nilai tengah kelas pertama
NJ = batas atas kelas terakhir – batas bawah kelas pertama
Koefisien variasi (coefficient of variation)

Koefisien variasi , pengukuran ini bermula dari simpangan baku atau
standard deviation yang mempunyai satuan yang sama dengan satuan data
aslinya, hal ini merupakan kelemahan apabila kita ingin membandingkan dua
atau lebih kelompok data yang satuannya berbeda.
Agar dapat membandingkan dua atau lebih kelompok data dengan satuan
yang berbeda maka digunakan Koefisien Variasi (KV), yang bebas dari
satuan data asli.
Koefisien variasi untuk populasi:
Koefisien variasi untuk sampel:
22
Jika ada dua kelompok data dengan KV1 dan KV2, di mana KV1 > KV2,
maka kelompok data pertama lebih bervariasi atau lebih heterogen daripada
kelompok data kedua.
Koefisien Variasi (KV), dapat juga digunakan untuk menentukan apakah
kelompok data tersebut memiliki konsistensi atau tidak. Semakin besar KV
maka semakin tidak konsisten, begitu pula sebaliknya semakin kecil KV
semakin konsisten.
2.7 Definisi dari korelasi dan regresi.
Dalam teori probabilitas dan statistika, korelasi, juga disebut koefisien
korelasi, adalah nilai yang menunjukkan kekuatan dan arah hubungan linier
antara dua peubah acak (random variable). Dalam bahasa Inggris, Correlation
artinya saling hubungan atau hubungan timbal balik. Istilah itu biasa kita
sebut dalam bahasa sehari-hari dengan sebutan Korelasi. Dan dalam ilmu
statistika istilah korelasi diberi pengertian sebagai hubungan antara dua
variabel atau lebih. Dimana hubungan antara dua variabel itu dikenal dengan
istilah bivariate correlation, sedangkan hubungan antar lebih dari dua variabel
disebut multivariate correlation. Contoh bivariate correlation adalah:
Hubungan antara motivasi kerja dengan kinerja, atau penggunaan pupuk
dengan hasil produksi padi. Sedangkan contoh multivariate correlation
adalah: Hubungan antara motivasi kerja dan disiplin kerja dengan kinerja,
atau bisa juga hubungan antara penggunaan pupuk dan luas lahan tanam
dengan hasil produksi.
Regresi dalam statistika adalah salah satu metode untuk menentukan
hubungan sebab-akibat antara satu variabel dan variabel(-variabel) yang lain.
Variabel "penyebab" disebut dengan bermacam-macam istilah: variabel
penjelas, variabel eksplanatorik, variabel independen, atau secara bebas,
variabel X (karena seringkali digambarkan dalam grafik sebagai absis, atau
sumbu X). Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi,
variabel dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat
merupakan variabel acak (random), namun variabel yang dipengaruhi harus
23
selalu variabel acak. Analisis regresi adalah salah satu analisis yang paling
populer dan luas pemakaiannya. Hampir semua bidang ilmu yang
memerlukan analisis sebab-akibat boleh dipastikan mengenal analisis ini.
2.8 Deskripsi dan jenis dari ukuran korelasi dan regresi.

1. Korelasi
Analisis korelasi dilakukan dengan tujuan antara lain:
1) untuk mencari bukti terdapat tidaknya hubungan (korelasi) antar
variable.
2) bila sudah ada hubungan, untuk melihat besar kecilnya hubungan
antar variable.
3) untuk memperoleh kejelasan dan kepastian apakah hubungan tersebut
berarti (meyakinkan/signifikan) atau tidak berarti(tidak meyakinkan).
Proporsi dan Korelasi
Sebelum membahas lebih detil mengenai apakah itu korelasi, kita
akan mencoba memahami
terlebih dahulu apa itu proporsi sebagai dasar kita dalam proses menelaah
suatu korelasi. Proporsi dapat diartikan suatu persentase (tingkat) dari suatu
populasi yang memiliki properti (kriteria) tertentu. Sebagai contoh untuk
mempermudah pemahaman mengenai propors.
Misalkan: terdapat sebuah kotak yang berisi koin dan koin itu memiliki
beberapa kriteria yang bisa dilihat dari warnanya (kuning dan keabuan) dan
dari nilainya (10 sen atau 20 sen).
Berdasarkan informasi itu, yang bisa kita sebut proporsi ialah ketika kita
menyatakan berapa persebaran jumlah suatu koin dengan kriteria tertentu
(apakah kehi-jauan, keabuan, benilai 10 sen, atau bernilai 20 sen) dalam suatu
kumpulan koin yang ada. Misalnya, dari 100 koin dalam kotak terdapat 30 koin
yang berwarna keabuan. Contoh proporsi lain yang melibatkan 2 kriteria ialah
dari 100 koin terdapat 10 koin kuning yang bernilai 20 sen. Lalu bagaimana
24
dengan korelasi? Korelasi ialah suatu keterkaitan yang bisa ditangkap dari
perbandingan dua proporsi yang masing-masing proporsisi mengandung 2
kriteria yang salah satu kriteria disebutkan dalam kedua proporsi tersebut. Jadi,
korelasi bisa diambil dari contoh 2 proporsi sebagai berikut, terdapat sekitar
60% koin berwarna keabuan yang bernilai 10 sen dan terdapat sekitar 35%
koin berwarna kuning yang bernilai 10 sen. Kedua proporsi tadi telah
membandingkan proporsi koin bernilai 10 sen yang berwarna kuning dan
keabuan yang ada dalam kotak. Hal ini memberi informasi bahwa koin bernilai
10 sen lebih sering muncul dalam warna yang keabuan dibandingkan kuning.
Informasi ini bukan sekedar proporsi, tetapi terdapat korelasi di dalamnya.
Contoh ini merupakan suatu korelasi positif antara kriteria(properti) nilai 10
sen dengan kriteria (properti) warna keabuan. Pembahasan bagaimana korelasi
dikatakan positif atau negatif akan dilanjutkan pada bagian berikutnya.
1. Koefisien Korelasi
Untuk mengetahui tinggi rendah, kuat lemah, atau besar kecilnya suatu
korelasi adalah dengan melihat besar kecilnya besaran angka (koefisien) yang
disebut angka indeks korelasi atau coeffisien of correlation, yang diberi simbol
dengan ρ (baca Rho, untuk populasi) atau r (untuk sampel). Dengan kata lain
Besaran Indek Korelasi adalah sebuah angka yang dapat dijadikan petunjuk
untuk mengetahui seberapa besar kekuatan korelasi di antara variabel yang
sedang diselidiki korelasinya. Besaran korelasi berkisar antara 0 sampai dengan
± 1,00 (artinya paling tinggi dan paling rendah ± 1,00, atau antara + 1 dan – 1).
Pada Besaran Indeks Korelasi, makna tanda plus minus (±), atau tanda plus
minus pada Besaran Indek Korelasi ini berfungsi hanya untuk menunjukkan
arah hubungan, dan bukan sebagai tanda aljabar. Apabila besaran indek
korelasi bertanda plus ( + ) maka korelasi tersebut positif dan arah korelasi itu
satu arah, sedangkan apabila angka indek korelasi bertanda minus (–), maka
korelasi tersebut negatif dan arah korelasi berlawanan arah; serta apabila angka
indek korelasi sama dengan 0, maka hal ini menunjukkan tidak ada korelasi.
Secara umum, arah korelasi dapat di bedakan menjadi dua, yakni bersifat satu
25
arah dan yang sifatnya berlawanan arah. Contoh hubungan yang satu arah:
Kenaikan biaya promosi diikuti oleh kenaikan omzet penjualan suatu produk.
Contoh hubungan antar dua variabel yang berlawanan arah adalah:
meningkatnya harga suatu produk tertentu diikuti oleh penurunan permintaan
masyarakat terhadap produk tersebut.
Istilah yang dinamakan dengan ukuran korelasi dikenal dalam analisis
korelasi. Ukuran korelasi (measures of correlation) ini dapat dilihat dengan
rumus-rumus tertentu yang digunakan, dimana penggunaan rumus-rumus
tersebut disesuaikan menurut jenis variabel-variabel yang yang akan diukur
korelasinya. Dalam hal ini, paling tidak ada enam model hubungan antar dua
atau lebih variabel yang dapat kita identifikasi sesuai dengan jenis variabelnya,
yakni:
1) hubungan variabel nominal dengan variabel nominal;
2) hubungan variabel nominal dengan variabel ordinal;
3) hubungan variabel nominal dengan dengan variabel interval;
4) hubungan variabel ordinal dengan variabel ordinal;
5) hubungan variabel ordinal dengan variabel interval;
6) hubungan variabel interval (ratio) dengan variabel interval (ratio).
Berikut ini disajikan kelaziman penggunaan analisis hubungan dengan
menggunakan model analisis yang benar.
Korelasi tinggi -1
Tinggi <-0,9
26
rendah >-0,9
Rendah <-0,4
Tanpa korelasi >-0,4
Tak ada korelasi (acak) 0
Tanpa korelasi <+0,4
Rendah >+0,4
Rendah <+0,9
tinggi >0,9
Korelasi tinggi +1
Koefisien korelasi non-parametrik

Koefisien korelasi Pearson merupakan statistik parametrik, dan ia
kurang begitu menggambarkan korelasi bila asumsi dasar normalitas suatu
data dilanggar. Metode korelasi non-parametrik seperti ρ Spearman and τ
Kendall berguna ketika distribusi tidak normal. Koefisien korelasi non-
parametrik masih kurang kuat bila dibandingkan dengan metode
parametrik jika asumsi normalitas data terpenuhi, namun cenderung
memberikan hasil distrosi ketika asumsi tersebut tak terpenuhi.Metode

pengukuran yang lain untuk mengetahui dependensi antara dua peubah
acak.Untuk mendapatkan suatu pengukuran mengenai dependensi data
(juga nonlinier), dapat digunakan rasio korelasi, yang mampu mendeteksi
hampir segala dependensi fungsional
Kopula dan korelasi
Banyak orang yang keliru menganggap bahwa informasi yang
diberikan dari sebuh koefisien korelasi sudah cukup mendefinisikan

struktur ketergantungan (dependensi) antara peubah acak. Namun untuk
mengetahui adanya ketergantungan antara peubah acak harus
dipertimbangkan pula kopula antara keduanya. Koefisien korelasi dapat
didefinisikan sebagai struktur ketergantungan hanya pada beberapa kasus,
misalnya dalam fungsi distribusi kumulatif pada distribusi normal
multivariat.
27
• Koefisien Korelasi Sederhana

Koefisien yang digunakan untuk mengukur derajat hubungan dari dua
variable
VARIABEL I VARIABEL II KOEFISIEN KORELASI
1. Nominal Nominal 1. Kontingensi
2. Lambda
3. Phi
2. Nominal Ordinal Theta
3. Nominal Interval/Rasio 1. Eta
2. Point Biserial
4. Ordinal Ordinal 1. Gamma
2. Spearman
5. Ordinal Interval/Rasio Jaspen’s (M)
6.Interval/rasio Interval/Rasio Jaspen’s (r)
28
Jenis koefisien korelasi sederhana :

1. Rumus Koefisien Korelasi Kontingensi (C)
Digunakan pada analisis korelasi sederhana untuk variabel nominal
dengan variabel nominal.
Dimana;
C = koefisiensi kontingensi
= kai kuadrat
N = Jumlah data
2. Koefisien Korelasi Lambda (λ )

Digunakan pada korelasi sederhana untuk variabel nominal dengan nominal.
1. Lambda simetris, tidak mempersoal variabel mana yang dijadikan variabel
bebas.
2. Lambda Asimetris, mempermasalahkan mana yang menjadi variabel bebas
(prediktor)
• Rumus Lambda Simetris dan Asimetris
f1 = Frekuensi terbesar pada setiap subkelas variabel bebas (Indepeden)

f2 =Frekuensi terbesar pada sub total variabel terikat (dependen)
n =Jumlah data
3. Koefisien Korelasi Phi (ф)
dengan variabel nominal, jika dirumuskan:
29
4. Koefisien Korelasi Theta (Ѳ)

Digunakan untuk korelasi sederhana untuk variabel nominal dengan
variabel ordinal, sehingga dapat dirumuskan;
=Perbedaan absolut antara frekuensi di atas setiap rank dan di bawah

setiap rank untuk pasangan variabel subkelas nominal atau fa – fb
=Setiap frekuensi total subkelas nominal dikalikan dengan setiap frekuensi
total yang lain, hasil perkaliannya dijumlahkan
5. Koefisien Korelasi Eta (η )
dengan variabel interval/rasio.
6. Koefesien Korelasi Point Biserial (rpbi)

dengan variabel interval/rasio yang bersifat dikotomi.
7. Koefisiensi Korelasi Gamma (γ )

Digunakan pada korelasi sederhana untuk variabel ordinal dengan varibel
ordinal, dapat dirumuskan menjadi:
30
8. Koefisien Korelasi Spearman (rs)

Digunakan pada analisis korelasi sederhana untuk variabel ordinal dengan
variabel ordinal, dirumuskan dalam:
9. Koefisien Korelasi Jaspen’s (M)

Digunakan pada analisis korelasi sederhana untuk variabel ordinal dengan
variabel interval atau rasio. Dirumuskan dengan:
10. Koefisien Korelasi Pearson (r)

Digunakan pada analisis korelasi antara interval dengan interval. Dapa
dirumuskan dalam:
2. Regresi
Analisis regresi merupakan salah satu teknik statistik yang digunakan
secara luas dalam ilmu pengetahuan terapan. Regresi di samping digunakan
untuk mengetahui bentuk hubungan antar peubah regresi, juga dapat
dipergunakan untuk maksud-maksud peramalan.Dengan menggunakan n
pengamatan untuk suatu model linier sederhana:
31
Y = b + b X +e 0 1 (1)
dengan Yi adalah peubah tidak bebas Xi adalah peubah bebas dengan i =
1,2,...,n 0 b dan 1 b adalah parameter-parameter yang tidak diketahui
diberlakukan asumsi-asumsi model ideal tertentu terhadap galat e yaitu

bahwa galat menyebar NID (0,s2). Dengan pemenuhan terhadap asumsi
kenormalan dapat digunakan regresi parametrik untuk mengetahui bentuk
hubungan antar peubah regresi pada data contoh yang diamati.Dalam
praktek, penyimpangan terhadap asumsi-asumsi itu sering terjadi dan
terkadang peubah acak yang diamati tidak dapat dianggap menyebar
normal.Dari segi statistika persoalan tersebut harus dapat diselesaikan
dengan menggunakan teknik statistika. Dalam statistika parametrik,
teknik-teknik yang digunakan berhubungan dengan pendugaan parameter
serta pengujian hipotesis yang berhubungan dengan parameter
parameternya.Asumsi-asumsi yang digunakan pada umumnya
menspesifikasikan bentuk sebarannya.Salah satu analisis alternatif lain
yang dapat digunakan adalah dengan regresi nonparametric karena dalam
regresi nonparametrik tidak diperlukan pemenuhan asumsi kenormalan.
Regresi dalam statistika adalah salah satu metode untuk
menentukan hubungan sebab-akibat antara satu variabel dan variabel(-
variabel) yang lain. Variabel "penyebab" disebut dengan bermacam-
macam istilah: variabel penjelas, variabel eksplanatorik, variabel
independen, atau secara bebas, variabel X (karena seringkali digambarkan
dalam grafik sebagai absis, atau sumbu X). Variabel terkena akibat dikenal
sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat,
atau variabel Y. Kedua variabel ini dapat merupakan variabel acak
(random), namun variabel yang dipengaruhi harus selalu variabel
acak.Analisis regresi adalah salah satu analisis yang paling populer dan
luas pemakaiannya. Hampir semua bidang ilmu yang memerlukan analisis
sebab-akibat boleh dipastikan mengenal analisis ini.
32
Istilah regresi diperkenalkan oleh Sir Francis Galton, yang

menemukan bahwa meskipun ada kecenderungan bagi orang tua yang
tinggi mempunyai anak yang tinggi dan orang tua yang pendek
mempunyai anak yang pendek, distribusi tinggi populasi tidak berubah
secara mencolok dari generasi ke generasi. Penjelasannya adalah bahwa
kecenderungan bagi rata-rata tinggi anak dengan orang tua yang
mempunyai tinggi tertentu untuk bergerak atau mundur (regress) ke arah
tinggi rata-rata seluruh populasi. Hukum regresi semesta (law of universal
regression), yang bersifat biologis ini diperkuat oleh Karl Pearson. Ia
menemukan bahwa rata-rata tinggi anak laki-laki kelompok ayah yang
tinggi kurang daripada tinggi ayah mereka dan rata-rata tinggi anak laki-
laki kelompok ayah yang pendek lebih tinggi dari pada tinggi ayah
mereka.
Sesuai dengan perkembangan metodologi dan penerapannya, definisi
regresi pada saat ini telah berbeda jauh dari pengertian awal tersebut.
Umpamanya, dengan regresi pendugaan-pendugaan terhadap sesuatu
performa dapat dilakukan, selama variabel-variabel penentu dapat
ditentukan sebelumnya.Regresi berkaitan dengan ketergantungan
stokastik, yang berarti memiliki peluang untuk meleset dari prediksi.
Setiap pengambilan dugaan yang menggunakan regresi harus didasari
dengan kesadaran bahwa hasil perkiraan tidak akan 100% sama dengan
kenyataan (ketergantungan deterministik).
• Regresi Linier Sederhana
Dimana variabel yang terlibat di dalamnya hanya dua, yaitu satu
variabel terikat Y, dan satu variabel bebasserta berpangkat satu.
Namum langkah awal sebelum keregresi maka harus dicari terlebih
dahulu nilai a dan b:
Kemudian disubtitusikan ke dalam rumus:
33
Bentuk persamaannya
Y = a + bX
X = Variabel bebas
Y = variabel terikat
2.9 Fungsi penyajian data:

a. Menunjukkan perkembangan suatu keadaan.
b. Mengadakan perbandingan pada suatu waktu.
c. Data lebih cepat dibaca atau dimengerti serta mudah ditafsirkan,
baik oleh peneliti, orang yang mengerti matematika (statistika) maupun
orang awam sekalipun yang tidak memahami statistika.
d. Untuk menyajikan data mentah yang diperoleh dari populasi atau
sampel menjadi data yang tertata dengan baik, sehingga bermakna
informasi bagi pengambilan keputusan manajerial.
34
BAB III
PENUTUP
3.1 Kesimpulan
1. Penyajian data dalam grafik adalah suatu penyajian data secara visual.
2. Modifikasi bentuk penyajian data dengan grafik ini beraneka ragam
antara lain: Diagram Batang, Diagram Batang, Diagram
Lingkaran, Grafik Peta, Diagram area atau diagram daerah.
3. .Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok
data yang disusun menurut besar kecilnya nilai. Dengan perkataan
lain,ia mempunyai kecenderungan memusat, sehingga sering disebut
ukuran kecenderungan memusat (measures of central tendency).
4. Deskripsi dan jenis dari ukuran pemusatan antara lain: Rata-rata,
Modus, Ukuran kemencengan kurva, Ukuran keruncingan kurva, Rata-
rata simpangan, Jarak, Koefisien variasi, Simpangan baku.
5. Korelasi merupakan hubungan antara dua variabel atau lebih. Dimana
hubungan antara dua variabel itu dikenal dengan istilah bivariate
correlation, sedangkan hubungan antar lebih dari dua variabel disebut
35
multivariate correlation. Regresi dalam statistika adalah salah satu

metode untuk menentukan hubungan sebab-akibat antara satu variabel
dan variabel(-variabel) yang lain.
6. Jenis koefisien korelasi sederhana : Rumus Koefisien Korelasi
Kontingensi (C), Koefisien Korelasi Lambda ( λ ), Koefisien Korelasi
Phi (ф), Koefisien Korelasi Theta (Ѳ), Koefisien Korelasi Eta (η ),
Koefesien Korelasi Point Biserial (rpbi), Koefisiensi Korelasi Gamma
(γ ) , Koefisien Korelasi Spearman (rs), Koefisien Korelasi Jaspen’s
(M), Koefisien Korelasi Pearson (r).
7. Fungsi penyajian data:

33
o Menunjukkan perkembangan suatu keadaan.
o Mengadakan perbandingan pada suatu waktu.
o Data lebih cepat dibaca atau dimengerti serta mudah ditafsirkan,

baik oleh peneliti, orang yang mengerti matematika (statistika)
maupun orang awam sekalipun yang tidak memahami statistika.
o Untuk menyajikan data mentah yang diperoleh dari populasi atau
sampel menjadi data yang tertata dengan baik, sehingga bermakna
informasi bagi pengambilan keputusan manajerial.
3.2 Saran
Diharapkan mahasiswa lebih aktif dalam mencari refrensi dan tidak

berasal dari internet karena kuantitas dan kualitas dari data tidak semua valid.
36
DAFTAR PUSTAKA
Dr.Ir. Kemas,M.S.2006.Dasar- dasar Statitiska.Jakarta:PT Raja Grafindo Persada.
Sudijono, Anas. 2004. Pengantar Statistik Pendidikan.Jakarta: Raja Grafindo

Persada.
Prof.DR. Sudjana,M.A.,M.Sc.1996.Metoda Statistika.Bandung:Tarsito.
Supranto.2000.Statistika dan Aplikasi.Jakarta:Erlangga
DR.Sugiono.2001.Statistika Nonparametris.Bandung:ALFABETA.
Walpole E Ronald.Pengantar Statistika.Jakarta:PT Gramedia Putaka utama.
www.Statistika.com. (22 November 2009)(11:10)

Dokumen - Tips - Makalah Penyajian Data Dalam Bentuk Grafik

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Dokumen - Tips - Makalah Penyajian Data Dalam Bentuk Grafik

Diunggah oleh

Hak Cipta:

Format Tersedia

5/7/2018 Ma ka la h Pe nyajia n Da ta Da la m Be ntuk Gra ﬁk - slide pdf.

PROGRAM STUDI PENDIDIKAN FISIKA

1.1 Latar Belakang

Statistik pada masa kini mempengaruhi hampir seluruh aspek kehidupan

memperhatikan berita ekonomi baik di surat kabat maupun di televisi?

Mengetahui bahwa akan pentingnya Penyajian data yang dibahas secara

1.2 Rumusan Masalah

2.1 Definisi penyajian data dalam grafik

2.2 Penyajian data dalam grafik.

Negara Peserta Banyak Orang Jumlah

Jumlah 130 130

Banyak Orang di Daerah X yang Menjagokan Salah Satu Negara

Peserta World Cup 2002 Menjadi Juara

0 Argentina Brazil Denmark IItaa IInggris Jerman Prancis Spanyol

d. Diagram area atau diagram daerah

JAN FEB MAR APR MEI JUN

GAKY KEP AGB KVA

STATUS GI ZI MASYARAKAT KEC TUAS TAHUN 1996

e. Grafik Peta, untuk melihat/menunjukkan lokasi

misalnya tahun, hari, kilogram, celcius, dan sebagainya.

Grafik Garis Tunggal

DBD MALARIA FRAMBUSIA

KASUS MALARIA, DBD DAN FRAMBUSIA DI KAB

2.3 Definisi ukuran pemusatan.

Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok

2.4 Deskripsi dan jenis dari ukuran pemusatan

(arithmetic mean atau sering disingkat mean saja),rata-rata ukur (geometric

mean), dan rata-rata harmonis (harmonic mean). Setiap rata-rata tersebut

Mata Pelajaran Hasil Ujian Toni Hasil Ujian Joni

dibaca myu,yaitu symbol rata-rata sebenarnya yang disebut

n<N observasi,maka rata-rata yang diperoleh disebut rata-rata

dibaca X bar,yaitu symbol rata-rata

Tabel Hasil Koding

c. Rata-rata Ukur (geometrik)

b2 = jumlah frekuensi kelas modus dikurangkan jumlah frekuensi setelah

F = jumlah frekuensi semua kelas sebelum

Interval Kelas Frekuensi

Kelompok data yang sudah diurutkan (membesar atau mengecil) dibagi

Untuk data tidak berkelompok

Untuk data berkelompok

L0 = batas bawah kelas kuartil

F = jumlah frekuensi semua

kelas sebelum kelas kuartil Qi

f = frekuensi kelas kuartil Qi

Interval Nilai Frekuensi

Q1 membagi data menjadi 25 %

Q2 membagi data menjadi 50 %

Q3 membagi data menjadi 75 %

Q1 terletak pada 48-60

Q2 terletak pada 61-73

Q3 terletak pada 74-86

Untuk Q1, maka :

Kelompok data yang sudah diurutkan (membesar atau mengecil)

Untuk data tidak berkelompok

Untuk data berkelompok

L0 = batas bawah kelas desil Di

F = jumlah frekuensi semua

kelas sebelum kelas desil Di

f = frekuensi kelas desil Di

Inte Nil Freku

D3 membagi data 30%

D7 membagi data 70%

D3 berada pada 48-60