Buku Statistik Lanjutan +(1)

BAB 1.
PENDAHULUAN
1.1. PERANAN STATISTIKA

pada hakekatnya penerapan statistika banyak digunakan
dalam kehidupan sehari-hari baik itu secara sadar ataupun tidak.
Apakah dalam bentuk maupun pernyataan seperti angka kemiskinan
suatu desa diperkirakan sebanyak 40%, kebutuhan konsumsi dalam
suatu keluarga adalah sebesar Rp. 600.000/bulan, terdapat sekitar
30% angka kematian disetiap tahun, hasil panen jagung pada musim
panen tahun ini diperkirakan 45 kwintal setiap hektarnya, dan masih
banyak contoh lainnya. Dari pihak pemerintah, statistika dapat
digunakan untuk melihat proses pembangunan dari tahun-tahun
sebelumnya dan bahkan digunakan untuk perencanaan dimasa akan
datang. dan bagi perusahaan, dapat digunakan untuk merumuskan
kebijakan dalam pertumbuhan perusahaannya, misalnya terkait
kebutuhan pembelian aset perusahaan, waktu penambahan jumlah
tenaga kerja, waktu diperlukannya pelatihan, jumlah produk yang
harus dihasilkan per bulan dan lain-lain.
khusus di bidang penelitian, baik pelaksanaanya di
laboratoriun ataupun di lapangan terutama pada penelitian
kuantitatif, sering memanfaatkan statistika sebagai dasar penilaian.
menguji pengaruh variabel X dengan variabel Y dapat diketahui
dengan menggunakan data statistika
Statistika Ekonomi Plus Aplikasi SPSS 1

Dari uraian singkat tersebut di atas, dapat memberikan
pemahaman pada kita mengenai pemanfaatan statistik dalam
kehidupan kita sehari-hari. Peran statistika tidak hanya digunakaan
dalam bidang peneilitan akan tetapi dapat digunakan dalam bidang
ilmu pengetahuan lainnya seperti bidang ekonomi, bidang
pendidikan, bidang kedokteran, bidang pemerintahan, bidang teknik,
bidang geologi, bidang ekologi dan bidang lainnya yang mebutuhkan
data statistik.
1.2. PENGERTIAN STATISTIKA

Antara sstatistik dan statistika merupakan satu kesatuan dan
sebagian orang mempersepsikan kedua hal tersebut sama, tapi pada
kenyataanya antara statistik dan statistika mempunyai istilah yang
berbeda.
Menurut Sudjana (2005), statistika merupakan suatu metode
ilmiah yang digunakan untuk pengumpulan, pengorganisasian,
peringkasan, penyajian dan penganalisaan data. Dengan demikian
dapa diproleh suatu gambaran yang lebih terperinci dari
karakteristik data tersebut sehingga dapat ditarik suatu kesimpulan.
Sedangkan pengertian statistik merupakan kumpulan dari sebuah
data yang tersusun dalam bentuk tabel, atau diagram dan akan
memberikan informasi bagi yang mebutuhkannya
1.3. METODE STATISTIKA

Metode statistika merupakan metode atau prosedur yang
digunakan untuk mengumpulkan, menyajikan dan menganalisis serts
menafsirkan data. Metode tersebut akan dikelompokan dalam
menjadi dua kelompok yaitu statistik deskripttif atau eksploratif dan
statistik induktif atau inferensia (Wijaya, 2001). Model statistik
deskriptif merupakan metode yang berkaitan dengan pengumpulan
serta penyajian data dari hasil suatu pengamatan sehingga akan
memberikan informasi bagi para pembaca yang memerlukan
informasi tersebut. perlu diketahui bahwa statistika deskriptif hanya
memberikan informasi mengenai data yang diperolen (data sampel)
dan belum dapat memberikan kesimpulan tentang data dari suatu
2 Statistika Ekonomi Plus Aplikasi SPSS

populasi. Penyampaian informasi tersebut dapat disajikan melalui
diagram, tabel, grafik dan besaran-besaran lainnya
Satistik Induktif berkaitan dengan metode yang digunakan
dalam kegiatan analisis data sehingga dapat ditarik kesimpulan atau
digeneralisasi dari data secara keseluruhan. Sifat dari generalisasi
merupakan sifat yang tidak pasti karena mendasarkan data sampel.
Oleh karena itu, pada statistik inverensial ini perlu didasari dengan
teori peluang
1.4. POPULASI DAN SAMPEL
Menarik kesimpulan dalam sebuah penelitian diharapkan
kesimpulan tersebut dapat mewakili dari keseluruhan jumlah sampel
yang menjadi objek penelitian. Contoh kesimpulan yang disampaikan
bahwa 30% para pelaku UMKM yang ada di kecamatan “X” dalam
memodali usahanya menggunakan Kredit Usaha Rakyat (KUR).
Pernyataan tersebut berlaku untuk keseluruhan Pelaku Usaha Mikro
Kecil dan Menengah (UMKM) bukan hanya sebagian pelaku UMKM
tertentu yang ada di Kecamatan “X” (dilakukan generalisasi). Dengan
demikian, maka dalam proses pengambilan data mentah, dapat
dilakukan dengan dua cara yaitu :
a. Semua pelaku Usaha Mikro Kecil dan Menengah (UMKM) pada
Kecamatan ”X” dijadikan sebagai sampel
b. hanya sebagian pelaku UMKM tertentu yang dapat diambil
sebagai sampel penelitian
Untuk cara pertama, penelitian ini dilakukan dengan metode
sensus yaitu semua anggota populasi diteliti atau dijadikan sebagai
objek penelitian tanpa kecuali (seluruh pelaku UMKM yang ada
dikecamatan ”X”. dan cara kedua menggunakan metode sampling
yaitu cara ini dilakukan mengambil sebagian sampel dari anggota
populasi yang ada (mengambil sebagian pelaku UMKM saja). akan
tetapi pengambilan sampel harus benar dan dapat
dipertanggungjawabkan sehingga kesimpulan dari hasil penelitian
dapat dipercaya.

Populasi yang
karakteristiknya
ingin diketahui
Kesimpulan diharapkan
dapat berlaku untuk
populasi
Sampel yang diambil

SAMPEL dari populasi untuk
dianalisis
Gambar 1.1. Kaitan Populasi dan Sampel
1.5. DATA STATISTIK

Data statistik dapat berbentuk kategori dan berbentuk
bilangan. data yang berbentuk kategori seperti Buruk, rusak, puas,
sukses, gagal dan sebagainya, atau dapat pula berbentuk suatu
bilangan, misalnya 200 buah, 100kg, 100 cm, 200 jiwa, Rp. 500.000,-
dan lain sebagainya. Semua contoh tersebut dinamakan dengan data
atau secara lengkap dinamakan data statistik.
Data kuantitati disajikan dalam bentuk bilangan. Berdasarkan
nilainya, data kuantitaatif dapat digolongkan menjadi dua, yaitu data
dikstrik dan data kontinyu. Data distrik merupakan data dari hasil
perhitungan. Misalnya jumlah anak si B sebanyak 2 laki-laki dan 3
orang perempuan, jumlah mobil si A sebanyak 3 buah, dan masih
banyak contoh lainnya. Sedangkan data kontinyu adalah data yang
cara perolehanya melalui hasil pengukuran. Misalnya panjang balok,
berat badan seseorang 160 cm, kecepatan kendaraan 50 km/jam
dan lain sebagainya. Sedangkan data untuk melukiskan kualitas
suatu objek disebut sebaga data kualitatif. Misalnya sembuh, baik,
rusak, berhasil, gagal, puas dan lain sebagainya.
Menurut sumber data, dapat dikategorikan menjadi du yaitu
data eksternal dan data internal. Data internal merupakan data
dengan cara perolehanyan secara internal. Misalnya jika seorang
pimpinan perusahaan ingin meneliti perkembangan perusahaan

maka memerlukan data jumlah karyawan, biaya produksi, hasil
produksi, hasil penjualan dan lain-lain aktivitas di dalam perusahaan
tersebut. Karen data tersebut diperoleh dari perusahaan sndiri maka
dapat disebut sebagai data intern. Sedangkan jika pimpinan
perusahaan tersebut ingin membandingkan dengan perkembangan
perusahaan lain yang sejenis, maka dibutuhkan data dari perusahaan
lain dan data yang diperoleh tersebut dinamakan data ekstern.
Data ekstern dibagi dalam dua bagian yaitu data ekstern
primer merupakan data yang cara memperolehnya dengan
menggunakan angket berupa kuesioner serta wawancara langsung
dengan responden. Dan data sekunder merupakan data yang cara
perolehanya dari dokumentasi yang berupa arsip. Misalnya laporan
keuangan perusahaan atau perkantoran.
Satu hal yang harus diperhatikan terkait dengan data adalah
bagaimanapun dan dari manapun data tersebut diperoleh haruslah
merupakan data yang sahih dan kebenarannya dapat
dipertanggungjawabkan.
1.6. PEMBULATAN ANGKA

Dalam hal keperluan pengolahan, analisis serta pelaporan dari
suatu pengamatan atau penelitian pada umumnya dilakukan
pencatatan data secara kuantitatif yang lebih sederhana.
Penyedernaan yang dimaksud adalah pembulatan angka. Adapun
aturan-aturan yang digunakan dalam melakukan penyederhanaan
angka yaitu :
Aturan 1. Jika angka terkiri dari yang harus dihilangkan 4 atau
kurang, maka angka terkanan dari yang mendahuluinya
tidak berubah.
Aturan 2. Jika angka terkiri dari yang harus dihilangkan lebih dari 5
atau 5 diikuti oleh angka bukan nol, maka angka terkanan
dari yang mendahuluinya bertambah dengan satu.
Aturan 3. Jika angka terkiri dari yang harus dihilangkan hanya angka
5 atau 5 diikuti oleh angka-angka nol belaka, maka angka
terkanan dari yang mendahuluinya tetap jika ia genap,
tambah satu jika ia ganjil (Sudjana, 2005).

Tabel 1.1. Contoh Pembulatan Angka
Aturan Contoh Angka Pembulatan
Aturan 1 Rp. 13,550,600 Rp. 13 juta
Aturan 2 5.838 kg 6 ribu kg
Rp. 168,87 Rp. 169,00
Aturan 3 11.50 11
11,50 12
Contoh Soal Tanpa Aturan 3 Dengan Aturan 3

4,5 5 4
7,50 8 8
1,500 2 2
6,500 + 7 + 6 +
20,000 22 20

BAB 2. DISTRIBUSI FREKUENSI
2.1. PENGERTIAN DISTRIBUSI FREKUENSI

Data yang disusun dari data yang terkecil sampai pada data
yang terbesar dan dibagi dalam beberapa kelas disebut sebagai
distribusi frekuensi (Siregar S., 2014). Apabil data yang diperoleh di
lapangan dalam jumlah yang besar, maka data tersebut perlu diolah
dan dianalisis dengan cara meringkas data tersebut dan
didistribusikan dalam bentuk kelas atau kategori. Menurut (Napa J.
Awat, 1995) distribusi frekuensi merupakan data yang disusun dalam
sebuah tabel dan dibagi dalam beberapa kelas frekuensi.
distribusi frekuensi merupakan susunan data yang terbagi
dalam beberapa frekuensi kelas yang ditampilkan dalam tabel.
penyajian data dalam bentuk distribusi frekuensi akan
mempermudah bagi pihak yang berkepentingan untuk menganalisis
data tersebut.
Distribusi frekuensi dapat dibagi dalam dua kategori (Siregar
S., 2014) yaitu :
a. Distribusi Frekuensi Kategori
Dikatakan sebagai distribusi frekuensi kategori jika datanya
dikelompokan atau disusun berdasarkan kata atau huruf
(kualitatif)
contoh :

Tabel 2.1
Data nilai mahasiswa (data fiktif)
No Nilai Kategori
Nilai
1. A 15
2. B 10
3. C 3
4. D 2
5. E 1
b. Distribusi Frekuensi Numerik

Distribusi frekuensi numerik merupakan distribusi frekuensi yang
dibuat berdasarkan kelas-kelas yang berupa angka.
contoh: Misalnya hasil pengumpulan data ujian akhir
Manajemen Keuangan yang terdiri dari 50 mahasiswa adalah
sebagai berikut :
Tabel 2.2
Data Ujian Mahasiswa (Data Fiktif)
88 74 92 88 95 83 75 80 76 77
78 79 79 80 76 80 99 81 93 81
82 92 83 83 75 84 91 86 86 87
88 74 88 73 89 90 90 90 84 91
91 82 74 93 81 93 74 97 98 80
Dari data di atas, akan menyulitkan kita untuk menentukan

berapa banyak ahasiswa yang mendapatkan nilai sekitar 75 atau
sekitar 90. Oleh karena itu, untuk menjawab kesulitan tersebut maka
data mentah di atas perlu disusun dan dibuatkan dalam tabel
frekuensi. Langkah-langkah yang digunakan untuk menyusun
distribusi frekuensi adalah sebagai berikut :
1. Mengurutkan data dari data yang terkecil sampai data yang
terbesar
2. Menentukan jarak rentang (R)
R = Data terbesar – data terkecil
R = 99 – 73 = 26
3. Menentukan jumlah kelas

K = 1 + 3.3 log n
K = 1 + 3.3 (1.7) = 7
4. Menghitung panjang interval (P)
R
P=
K
26
P= = 3.94 atau = 4
7
5. Menentukan data terkecil sebagai interval kelas pertama
6. Menyajikan distribusi frekuensi dalam bentuk tabel
Tabel 2.3
Tabulasi Data
Interfal Turus F
73 – 76 IIII IIII 9
77 – 80 IIIII III 8
81 – 84 IIIII IIIII 10
85 – 88 IIIII II 7
89 – 92 IIIII IIII 9
93 – 96 IIII 4
97 – 100 III 3
50
Sumber : data mentah yang diolah
Hasil distribusi frekuensi pada tabel di atas yang disusun atas

dasar rumus Sturge ternyata tidak selalu praktis dan kurang dapat
menghasilkan distribusi yang baik. Oleh sebab itu, data pada tabel
tersebut dapat diubah menjadi sebagai berikut :

Tabel 2.4
Nilai Ujian Mahasiswa
Interfal Banyaknya Mahasiswa
73 – 76 9
77 – 80 8
81 – 84 10
85 – 88 7
89 – 92 9
93 – 96 4
97 – 100 3
50
Sumber : data mentah yang diolah, 31 Desember
Beberapa istilah di dalam distribusi frekuensi antara lain Class

Limit, Class Boundary, Frekuensi, Class Mark dan Class Interval.
Berdasarkan Tabel 2.3. di atas maka penjelasan dari istilah-istilah
tersebut adalah sebagai berikut:
1. Class Limit atau batas kelas dibedakan menjadi dua bagian, yaitu
batas kelas atas dan batas kelas bawah. Yang termasuk batas
kelas atas adalah 76, 80, 84, 88, 92, 96 dan 100, sedangkan batas
kelas bawah adalah 73, 77, 81, 85, 89, 93 dan 97.
2. Class Boundary merupakan nilai tengah dari batas bawah suatu
kelas dengan batas atas kelas sebelumnya. Class Boundary dibagi
menjadi dua, yaitu class boundary atas dan class boundary
bawah. Class boundary atas kelas I sama dengan class boundary
bawah kelas II, yaitu (76 + 77) / 2 = 76.5. Class boundary atas
kelas III sama dengan class boundary bawah kelas IV, yaitu: (84 +
85) / 2 = 84.5
3. Frekuensi adalah jumlah data masing-masing kelas, yaitu
frekuensi kelas I = 9, kelas II = 8, kelas III = 10 dan seterusnya.
4. Class Mark adalah nilai tengah masing-masing kelas, yaitu class
mark kelas I adalah (73 + 76) / 2 = 74,5, kelas II adalah
(77 + 80) / 2 = 78,5, Kelas III adalah (81 + 84) / 2 = 82.5 dan
seterusnya.
5. Class Interval adalah panjang interval masing-masing kelas, yaitu:
4 misalnya kelas I : 73, 74, 75, 76.

2.2. JENIS DISTRIBUSI FREKUENSI
Berdasarkan jenisnya distribusi frekuensi dapat kelompokan
dalam tiga bagian, yaitu: Distribusi Frekuensi Relatif, Distribusi
Frekuensi Komulatif, dan Distribusi Frekuensi Komulatif Relatif.
a. Distribusi Frekuensi Relatif

Distribusi Frekuensi Relatif merupakan distribusi frekuensi
tidak dinyatakan dengan angka secara mutlak akan tetapi dinyatakan
dalam persentase (%) pada setiap kelasnya. Untuk menentukan
frekuensi relatif dapat dihitung dengan menggunakan persamaan :
݂௜
‫ܨ‬௥௘௟ = ‫ݔ‬100%
݊
Tabel 2.5
Distribusi Frekuensi Relatif
Interfal Persentase (%)
73 – 76 18
77 – 80 16
81 – 84 20
85 – 88 14
89 – 92 18
93 – 96 8
97 – 100 6
100
b. Distribusi Frekuensi Kumulatif (Fr. K)

Suatu distribusi frekuensi yang nilai frekuensinya berdasarkan
jumlah dari masing-masing frekuensi tiap kelasnya terhadap nilai
tepi kelasnya. Distribusi frekuensi kumulatif dapat dikelompokan
menjadi dua, yaitu distribusi frekuensi komulatif kurang dari dan
distribusi frekuensi komulatif lebih dari. Berdasarkan tabel 2.3. di
atas maka dapat dibuat distribusi frekuensi kumulatif kurang dari
dan distribusi frekuensi komulatif lebih dari sebagai berikut :

Tabel 2.6
Distribusi Frekuensi Komulatif “Kurang Dari dan Lebih Dari”
Kumulatif kurang dari Kumulatif lebih dari
< 72.5 0 > 72.5 50
< 76.5 9 > 76.5 41
< 80.5 17 > 80.5 33
< 84.5 27 > 84.5 23
< 88.5 34 > 88.5 16
< 92.5 43 > 92.5 7
< 96.5 47 > 96.5 3
< 100.5 50 > 100.5 0
c. Distribusi Frekuensi Relatif Kumulatif

Suatu distribusi frekuensi kumulatif dimana distribusi
frekuensi kumulatifnya dinyatakan dalam persentse (%).
Berdasarkan tabel 2.5, maka daoat dihitung distribusi relatif
kumulatifnya adalah sebagai berikut :
Tabel 2.7
Distribusi Frekuensi Komulatif Relatif
“Kurang Dari dan Lebih Dari
Kumulatif kurang dari Kumulatif lebih dari
< 72.5 0% > 72.5
< 76.5 18% > 76.5 82%
< 80.5 34% > 80.5 66%
< 84.5 54% > 84.5 46%
< 88.5 68% > 88.5 32%
< 92.5 86% > 92.5 14%
< 96.5 94% > 96.5 6%
< 100.5 100 > 100.5 0
2.3. PENYAJIAN GAMBAR

Data mentah yang telah diolah ke dalam distribusi frekuensi
akan disajikan dalam gambar, hal ini akan mempermudah bagi pihak-
pihak yang berkepentingan terhadap data tersebut jika ditambah

dengan penyajian suatu gambar. Dalam menyajikan suatu gambar
dapat dibagi menjadi empat macam, yaitu Histogram, Polygon, Kurva
dan Ogive.
a. Histogram
Suatu gambar untuk menjelaskan distribusi frekuensi yang
frekuensi masing-masing kelasnya dinyatakan dalam bentuk segi
empat. Garis vertikal untuk menyatakan frekuensi masing-masing
kelas dan garis herisontal untuk menyatakan pembagian kelas
(dengan menggunakan class boundary bawah).
Gambar 2.1. Gambar Histogram (dari data tabel 2.4)

b. Polygon
Polygon dapat digunakan untuk menjelaskan distribusi
frekuensi dengan menggunakan garis lurus yang menghubungkan
titik tengah dari frekuensi masing-masing kelas. Untuk garis vertikal
digunakan untuk menjelaskan frekuensi masing-masing kelas
sedangkan garis horisontal untuk menyatakan pmbagian kelas
(dengan menggunakan class mark).

Gambar 2.2. Gambar Polygon (dari data tabel 2.4)
c. Kurva
Suatu gambar untuk menjelaskan distribusi frekuensi yang
dinyatakan dengan garis lengkung yang luasnya sama dengan
gambar Polygon. Garis vertikal untuk menyatakan frekuensi masing-
masing kelas dan garis herisontal untuk menyatakan pembagian
kelas (dengan menggunakan class mark).
10
9
8
7
6
5
4
3
2
1
74.5 78.5 82.5 86.5 90.5 94.5 98.5
Gambar 2.3. Gambar Kurva (dari data tabel 2.4)
d. Ogive
Suatu gambar untuk menjelaskan distribusi frekuensi
komulatif. Garis vertikal untuk menyatakan frekuensi komulatif dan
garis herisontal untuk menyatakan pembagian kelas (dengan
menggunakan class boundari bawah)

Gambar 2.4. Gambar Ogive (dari data tabel 2.6)

BAB 3. UKURAN PEMUSATAN
DATA
3.1. PARAMATER DAN STATISTIK

Ukuran pemusatan data merupakan nilai suatu data yang
bersumber dari sekumpulan data dan dapat digunakan sebagai
perwakilan dari data tersebut (Siregar S., 2014). Untuk melakukan
pengukuran besaran nilai rata-rata, maka perlu dilakukan pemetaan
data, yaitu data tunggal dengan data kelompok. selain itu, dalam
mengelompokan data yang perlu dipertimbangan adalah metode
yang digunakan saat penelitian apakah menggunakan data populasi
ataupun menggunakan data sampel. Jika yang dihitung adalah
kumpulan dari data sampel maka disebut sebagai statistik. Dan jika
yang dihitung adalah ukuran dari sekumpulan populasi dan
menyatakan populasi maka disebut sebagai parameter. Jadi ukuran
yang sama dapat bernama statistik atau parameter bergantung pada
apakah ukuran dimaksud untuk sampel atau populasi (Sudjana,
2005). Dalam menentukan ukuran pemusatan data, terdapat 3 jenis
ukuran pemusatan data yaitu; mean, median dan modus.
3.2. RATA-RATA HITUNG (MEAN)

Mean adalah jumlah keseluruhan nilai data dibagi dengan
jumlah data. dalama keperluan perhitungan selanjutnya, maka akan
digunakan simbol-simbol. Ukuran sampel dapat disimbolkan dengan
huruf “n” (banyaknya sampel). Sedangkan untuk populasi dapat
disimbolkan dengan huruf “N”. Disamping penggunaan simbol-

simbol tersebut, dalam mencari rata-rata hitung juga harus
membedakan antara data tidak berkelompok dengan data
berkelompok. Untuk melakukan pengukuran nilai rata-rata, ada
beberapa karakteristik yang perlu dipahami yang berkaitan dengan
rata-rata (Wahyudi S., 2017) yaitu sebagai berikut :
1. Menghitung rata-rata dengan syarat data yang digunakan harus
mempunyai nilai dengan nilai sebaran relatif lebih kecil.
2. Tidak dapat digunakana untuk menghitung rata-rata data
kualitatif
3. Tidak dapat digunakan pada kelompok data mempunyai data
ekstrim
4. Data yang digunakan harus memiliki skala pengukuran interval
atau rasio
5. Hanya mempunyai satu nilai
dalam menghitung rata-rata hitung, ada tiga indikator yang
digunakan untuk menentukan rata-rata hitung tersebut, yaitu;
a. Rata-Rata Hitung Data Tunggal
Untuk mencari rata-rata hitung dari data tidak berkelompok
adalah dengan cara membagi nilai total sekelompok data (seluruh
nilai pengamatan) dengan jumlah pengamatan atau dengan rumus
rata-rata hitung :
‫ݔ‬ଵ + ‫ݔ‬ଶ + ⋯ + ‫ݔ‬௡ ΣXi

μ= atau = (rata − rata hitung populasi
ܰ N
‫ ݔ‬+ ‫ݔ‬ଶ + ⋯ + ‫ݔ‬௡ Σxi
ത= ଵ
X atau = (rata − rata hitung sampel
݊ n
Keterangan :
Σ = sigma, yaitu penjumlahan nilai-nilai variabel X (populasi) atau
x (sampel) dalam sekelompok data
X i = nilai variabel yang dihitung ke-i dalam populasi
x i = nilai varibel yang dihitung ke-i dalam sampel
i = 1, 2, 3, … n (sampel) atau N (populasi)
N = jumlah pengamatan populasi
n = jumlah pengamatan sampel
Contoh 1:

Sebuah warung makan menghitung omset penjualanya selama satu
minggu, dengan rincian adalah sebagai berikut :
Hari pertama Rp. 150.000, Hari kelima Rp. 250.000
Hari kedua Rp. 100.000 Hari keenam Rp. 200.000
Hari ketiga Rp. 200.000 Hari ketujuh Rp. 180.000
Hari keempat Rp. 170.000
Berapakah rata-rata penjualan warung makan tersebut dalam satu
minggu?
Jawaban
Berdasarkan data tersebut di atas, rata-rata jumlah penjualan
selama satu minggu adalah sebagai berikut:
ΣXi 150,000 + 100,000 + 200,000 + 170,000+ 250,000+200,000+180,000
= =
N 7
1,250,000
= = 178,571
7
Jadi rata-rata jumlah penjualan warung makan tersebut adalah

sebesar Rp. 178,571 perminggu.
contoh 2:
Nilai ujian mata kuliah manajemen keuangan diambil dari 7 orang
mahasiswa dari 35 mahasiswa adalah sebagai berikut : 45, 50, 40, 70,
90, 95, 75. berapakah rata-rata nilai dari 7 orang mahasiswa
tersebut?
jawaban :
ΣXi ସହାହ଴ାସ଴ା଻଴ାଽ଴ାଽହା଻ହ ସ଺ହ

= = = = 66.4
N ଻ ଻
Jadi rata-rata nilai dari ketujuh mahasiswa tersebut adalah sebesar
66.4
Dalam memperoleh data di lapangan sering dihadapkan pada
data dengan bobot masing-masing pengamatan yang berbeda antara
pengamatan yang si A dengan pengamatan si B. Sehingga untuk
mempermudahkan menghitung rata-rata hitung digunakan mean
(rata hitung) tertimbang, dengan rumus sebagai berikut:
Σwi xi
Xത = Keterangan w = bobot (weight)
Σwi

Contoh:
Pak Tono memiliki usaha perbengkelan sebanyak 8 tempat usaha
yang tersebar dilima desa. Untuk desa A memiliki keuntungan 2
juta/bulan, desa B memiliki keuntungan 2 juta/bulan, desa C
memiliki keuntungan 1 juta/bulan, desa D memliki keuntungan 1
juta/bulan dan desa E memiliki keuntungan 2 juta/bulan. berapakah
rata-rata penghasilan usaha Pak tono dalam sebulan?
Tabel 3.1. keuntungan Bengkel/bulan
Penghasilan/bulan
Nama Petani Jumlah Bengkel
(juta)
Desa A 2 2
Desa B 2 2
Desa C 1 1
Desa D 1 1
Desa E 2 2
Sumber : data primer yang diolah
Berdasarkan tabel 3.1. rata-rata hitung tertimbang hasil panen padi

dari kelima petani di desa “Y” tersebut adalah :
Σwi xi 2(2) + 2(2) + 1(1) + 1(1) + 2(2)

Xത = = = 2.25
Σwi 2+2+1+1+2
Jadi keuntungan yang diperoleh satu satu bulan usaha Pak Tono
kedelapan tempat dirata-ratakan menjadi Rp. 2.25 Juta.
6. Rata-Rata Hitung (Mean) Data Kelompok
Untuk menghitung rata-rata hitung data kelompok memiliki
kemiripan dalam menghitung data tunggal. hanya perbedaanya
adalah jika pada data tunggal memiliki rata-rata hitung diperoleh
dari pejumlahan nilai X dibagi dengan nilai N. Sedangkan untuk nilai
X rata-rata hitung data berkelompok diperoleh dari nilai tengah
masing-masing kelas. Untuk menghitug data kelompok dapat
menggunakan rumus berikut ini :
∑ Fr . Xi
Xത = ∑ Fr
Keterangan : Fr adalah frekuensi
Xi adalah nilai tengah
Contoh:

Berdasarkan tabel 2.5. pada bab 2, carilah rata-rata hitung hasil ujian
manajemen keuangan
Interfal F
73 – 76 9
77 – 80 8
81 – 84 10
85 – 88 7
89 – 92 9
93 – 96 4
97 – 100 3
Jumlah 50
dari tabel data di atas, hitunglah rata-rata nilai manajemen

keuangan yang diperoleh mahasiswa!
Langkah-langkah penyelesaian
a) Menghitung nilai tengah masing-masing kelas dengan membuat
tabel penolong
Interfal f Xi ∑(fi x Xi)
73 – 76 9 74.5 670.5
77 – 80 8 78.5 628
81 – 84 10 82.5 825
85 – 88 7 86.5 605.5
89 – 92 9 90.5 814.5
93 – 96 4 94.5 378
97 – 100 3 98.5 295.5
Jumlah 50 4217
b) menghitung nilai rata-rata dengan menggunakan persamaan

∑ Fr . Xi
Xത =
∑ Fr
4217
= = 84.34
50
Jadi rata-rata hitung untuk nilai mahasiswa matakuliah
manajemen keuangan adalah 84.34

Cara lain untuk menentukan nilai rata rata data berkelompok adalah
sebagai berikut :
∑ ௙.ௗ
X = Xs +‫݌‬ቀ ே
ቁ
Keterangan :
Xs : Rata-rata sementara
p : Panjang interval
d : deviasi
Contoh :
Kembali ditabel 2.5. Menghitung nilai rata-rata dengan
menggunakan cara kedua
Interfal F Xi d fxd
73 – 76 9 74.5 -2 -18
77 – 80 8 78.5 -1 -8
81 – 84 10 82.5 0 0
85 – 88 7 86.5 1 7
89 – 92 9 90.5 2 18
93 – 96 4 94.5 3 12
97 – 100 3 98.5 4 12
Jumlah 50 23
Langka Penyelesaian :
1. Menentukan titik tengah duga atau nilai rata-rata sementara
dengan cara mengambil frekuensi yang tertinggi dari
frekuensi masing-masing kelas
2. Menentukan deviasi penyimpangan. Kelas yang titik
tengahnya diambil sebagai rata-rata hitung duka dengan
penyimpangan 0 (nol), sedangkan pada kelas diatasnya
berturut-turut -1, -2, sedangkan di bawahnya +1, +2, +3, +4.
3. Menghitung nilai intervalnya, lalu menghitung rata-rata
hitungnya dengan menggunakan persamaan berikut ini :
∑ ௙.ௗ
X = Xs +‫݌‬ቀ ே
ቁ
ଶଷ
X= 82.5+4 ቀ ቁ=
ହ଴
84.34

Jadi rata-rata hitung untuk nilai mahasiswa matakuliah
manajemen keuangan adalah 84.34
3.3. Rata-Rata Ukur
Rata-rata ukur merupakan suatu susunan data dalam bentuk akar
dan dipangkat n darri hasil perkalian nilai datanya. Rata-rata ukur
dapat digunakan untuk mencari rata-rata kenaaikan dalam bentuk
persentase, perbandingan untuk setiap data yng berurutan hampir
tetap, serta menghitung untuk setiap perubahan dalam bentuk
persentase pada data tersebut (Siregar S., 2014). menghitung rata-
rata ukur dapat dilakukan dengan dua metode yaitu dengan data
tunggal dan data berkelompok.
Rata-Rata Ukur dengan Data Tunggal
Rumus :
RU = ొඥ Xଵ. X ଶ. X ଷ … X ୬
Contoh soal
Tentukan nilai rata-rata ukur pada data berikut ini : 5, 8, 3, 6, 7.
Jawab :
ఱ
RU = ొඥ Xଵ. X ଶ. X ଷ … X ୬ = √5 x 8 x 3 x 6 x 7
ఱ
RU = √5040 = 5.5
Rata-Rata Ukur dengan Data Berkelompok
Rumus :
∑ f. log Xi
Log RU =
∑f
contoh soal :
Berdasarkan tabel 2.5. pada bab 2, hitunglah rata-rata ukur hasil
ujian manajemen keuangan!
Interfal f
73 – 76 9
77 – 80 8
81 – 84 10
85 – 88 7
89 – 92 9
93 – 96 4

97 – 100 3
Jumlah 50
Langkah-langkah penyelesaian :
Mmbuat tabel tambahan untuk nilai titik tengah (Xi), log ti dan f.log
t1.
Menghitung nilai rata-rata ukur
Interfal F Xi log Xi f.log Xi

73 – 76 9 74.5 1.87 16.85
77 – 80 8 78.5 1.89 15.16
81 – 84 10 82.5 1.92 19.16
85 – 88 7 86.5 1.94 13.56
89 – 92 9 90.5 1.96 17.61
93 – 96 4 94.5 1.98 7.90
97 – 100 3 98.5 1.99 5.98
Jumlah 50 96.22
∑ f. log Xi 96.22
Log RU = = = 1.92
∑f 50
3.4. Mencari Nilai Median

Median merupakan nilai tengah setelah data tersebut diurutkan dari
data yang terkecil sampai data yang terbesar. Apabila data tersebut
berjumlah ganjil, maka nilai tengah dari data tersebut mudah untuk
ditentukan. Namun jika datanya genap maka nilai tengahnya dapat
ditentukan dari nilai rata-rata kedua nilai pertengahanya (Wahyudi
S., 2017). Atau, median merupakan nilai tengah dari sekelompok
data dan data tersebut dapat dibagi dua (Napa J. Awat, 1995).
Seperti halnya dengan rata-rata hitung, dalam mencari nilai median
juga harus membedakan antara data tidak dikelompokkan dengan
data berkelompok.
a. Median Data Tunggal
Dalam menghitung nilai median dari suatu data yang tidak
berkelompok, maka terlebih dahulu data yang ada harus diurutkan

dan selanjutnya dapat dihitung mediannya dengan menggunakan
rumus (n + 1) / 2.
Contoh:
 Nilai ujian manajemen keuangan dari 11 mahasiswa adalah 80,
90, 50, 70, 60, 80, 70, 85, 90, 85, 95 Untuk mencari median dari
data tersebut maka terlebih dahulu diurutkan nilainya, yaitu
menjadi 50, 60, 70, 70, 80, 80, 85, 85, 90, 90, 95. Letak median:
(11 + 1) / 2 = 6. Jadi letak median adalah urutan kelima yaitu
bernilai 80.
 Nilai ujian manajemen keuangan dari 12 mahasiswa adalah 80,
90, 50, 70, 60, 83, 70, 85, 90, 85, 95, 73. Untuk mencari median
dari data tersebut maka terlebih dahulu diurutkan nilainya, yaitu
menjadi : 50, 60, 70, 70, 73, 80, 83, 85, 85, 90, 90, 95. . Letak
median: (12 + 1) / 2 = 6,5. Jadi letak median adalah antara urutan
keenam dan ketujuh, yaitu antara 80 dan 83 , maka bernilai (80 +
83) / 2 = 81,5.
b. Median Data Berkelompok

Untuk menentukan nilai median pada data berkelompok
dapat dihitung dengan menggunakan rumus:
1ൗ . ݊ − ݂݇
‫ ܾܶ = ݁ ܯ‬+ ܲ ൭ 2 ൱
݂݉ ݁
Keterangan :
Me : Median
Tb : Tepi bawah kelas
n : Jumlah data
fk : Jumlah frekuensi sebelum kelas median
fme : Frekuensi Median

Contoh soal
Berdasarkan tabel 2.5. pada bab 2, tentukanlah nilai median dari
hasil ujian manajemen keuangan!
Interfal F
73 – 76 9
77 – 80 8
81 – 84 10
85 – 88 7
89 – 92 9
93 – 96 4
97 – 100 3
Jumlah 50
Langkah-langkah penyelesaian
a) Menghitung nilai interval yang memiliki unsur median dan
rumus yang digunakan:
1 1
. ݊ = . 50 = 25
2 2
Selanjutnya, menjumlahkan nilai frekuensi setiap kelas sampai
pada nilai 25 atau lebih, hal ini dilakukan untuk menentukan
kelas madian. cara menjumlahkan yaitu; (9 + 8 +10 = 27)
sehingga dapat ditentukan bahwa kelas median berada pada
kelas ke tiga (3).
b) Menentukan nilai frekuensi nilai kumulatif yaitu dengan
menjumlahkan nilai frekuensi sebelum kelas median yaitu; 9 + 8
= 17. berarti nilai fk = 17
c) Menentukan tepi bawah kelas (Tb) yaitu interval kelas ketiga =
80.5
d) Panjang interval = 4
e) Menentukan fme atau frekuensi kelas median = 10
f) Menghitung Median dengan menggunakan rumus
1ൗ . n − fk
Me = Tb + P ൭ 2 ൱
fme

25 − 17
Me = 80.5 + 4 ൬ ൰ = 83.7
10
3.5. MENCARI NILAI MODUS
Modus merupakan kelompok data yang sering muncul atau

sekelompok data yang memiliki nilai frekuensi yang terbesar. Akan
tetapi dari suatu kelompok data mungkin saja tidak memiliki nilai
modus, kondisi ini terjadi pada kasus dimana semua nilai
frekuensinya sama. Modus dapat digunakan pada semua skala
pengukuran data nominal ataupun rasio. Seperti halnya dengan rata-
rata hitung dan median, dalam mencari nilai modus juga harus
membedakan antara data tidak berkelompok dengan data
berkelompok.
a. Modus Data Tidak Berkelompok (tunggal)

Dalam suatu data tidak berkelompok dapat tidak memiliki
modus dan dapat memiliki modus lebih dari satu nilai.
Contoh:
Nilai ujian mahasiswa matakuliah manajemen keuangan dari 10

mahasiswa adalah ; 76, 74, 80, 71, 65, 64, 95, 83, 95, 97.
Dari data di atas dapat ditentukan nilai modusnya yaitu 95.
mahasiswa adalah ; 76, 74, 80, 71, 65, 64, 95, 83, 94, 97
Dari data di atas tidak memiliki nilai modus.
mahasiswa adalah ; 76, 74, 80, 71, 65, 64, 95, 80, 95, 97
Dari data di atas memiliki dua nilai modus yaitu 80 dan 95
b. Modus Data Berkelompok

Untuk mencari nilai modus pada data berkelompok dengan
menggunakan rumus sebagai berikut:

݂ − ݂ିଵ
‫ ܾܶ = ݋ ܯ‬+ ܲ ൬ ൰
(݂ − ݂ିଵ) + (݂ − ݂ଵ)
Keterangan :
Mo = Modus
Tb = Tepi bawah kelas modus
P = Panjang interval
f = Frekuensi kelas modus
f-1 = Frekuensi sebelum kelas modus
f1 = Frekuensi setelah kelas modus
Contoh soal
Berdasarkan tabel 2.5. pada bab 2, tentukanlah nilai modus dari
hasil ujian manajemen keuangan!
Interfal f
73 – 76 9
77 – 80 8
81 – 84 10
85 – 88 7
89 – 92 9
93 – 96 4
97 – 100 3
Jumlah 50
Langkah-langkah penyelesaian :
a) Menentukan kelas modus, yaitu dengan mengambil nilai
frekuensi yang memiliki nilai tertinggi yaitu nilai 10. Sehingga
frekuensi modusnya berada pada kelas ke-3
b) Menentukan nilai tepi bawah kelas modus yaitu 80.5
c) Menentukan panjang interval yaitu 4
d) Menghitung modus dengan menggunakan rumus :
f − fିଵ
Mo = Tb + P ൬ ൰
(f − fିଵ) + (f − fଵ)

10 − 8
Modus = 80.5 + 4 ൬ ൰ = 82.1
(10 − 8) + (10 − 7)
3.6. KUARTIL, DESIL DAN PERSENTIL

Jika dalam kelompok data dibagi dalam dua bagian yang sama,
maka nilai yang ada ditengahnya adalah median. Namun, jika dalam
kelompok data dibagi menjadi empat bagian maka dapat disebut
sebagai kuartil (25%), jika dibagi dalam sepuluh bagian maka dapat
disebut sebagai Desil, dan jika dibagi dalam seratus bagian maka
dapat disebut sebagai Persentil (1%) (Napa J. Awat, 1995).
a. Kuartil
Kuartil merupakan nilai yang terurut yang dibagi menjadi
empat bagian yang sama. Ada tiga buah kuartil, ialah kuartil
pertama, kuartil kedua dan kuartil ketiga yang masing-masing
disingkat dengan K1, K2, dan K3. Pemberian nama ini dimulai dari
kuartil yang paling kecil (Sudjana, 2005). Untuk menentukan nilai
kuartil dengan langkah sebagai berikut:
Kuartil Data Tunggal

Rumus yang digunakan untuk menghitung nilai kuartil adalah sebagai
berikut :
i(n + 1)
K୧ =
4
keterangan i = 1, 2, 3 dan K2 = Median.
Contoh:
Nilai ujian 16 mahasiswa matakuliah manajemen keuangan adalah
sebagai berikut; 45, 80, 60, 55, 67, 90, 76, 98, 83, 82, 64, 58, 94, 47,
92, 100.
Tentukan nilai K1, K2, dan K3
Langkah penyelesaian :
a) Mengurutkan data dari terkecil sampai terbesar ;
47, 47, 55, 58, 60, 64, 67, 76, 80, 82, 83, 90, 92, 94, 98, 100
b) Menghitung K1

݅(݊ + 1)
‫ܭ‬௜ =
4
1(16 + 1) 17
= = = data ke 4,25
4 4
Maka letak K1 berada diantara data ke-4 dan ke-5, sehingga
nilai K1 dapat ditentukan dengan cara berikut ini :
K1 = data ke 4 + 0.25(data ke-5 – data ke-4)
= 58 + 0.25 (60-58) = 58.5
c) Menghitung K2
i(n + 1)
K୧ =
4
2(16 + 1)
Kଶ = = data ke 8.5
4
Maka letak K2 berada diantara data ke-8 dan ke-9, sehingga nilai
K2 dapat ditentukan dengan cara berikut ini:
= 76 + 0.5 (80-76) = 78
d) Menghitung K3
i(n + 1)
K୧ =
4
3(16 + 1)
Kଷ = = data ke 12.75
4
Maka letak K3 berada diantara data ke-12 dan ke-13, sehingga
nilai K3 dapat ditentukan dengan cara berikut ini:
= 90 + 0.5 (92-90) = 91
Kuartil Data Berkelompok

Untuk menentukan posisi kuartil jika data yang digunakan dengan
data berkelompok adalah dengan menggunakan persamaan seperti
di bawah ini;
iൗ . n − fk
K ୧ = Tb + P ൭ 4 ൱
f
Keternagan :
Tb = Tepi bawah kelas kuartil

n = Banyak data
fk = Jumlah frekuensi sebelum kelas kuartil
f = Frekuensi kels kuartil
P = Panjang interval
Contoh soal
Diketahui nilai ujian manajemen keuangan yang diikuti oleh 50 orang
mahaisiwa adalah sebagai berikut :
Tabel 3.2
Daftar nilai Ujian Manajemen Keuangan
Interfal F
73 – 76 9
77 – 80 8
81 – 84 10
85 – 88 7
89 – 92 9
93 – 96 4
97 – 100 3
Jumlah 50
hitunglah :
K1, K2 dan K3
Untuk K1
a) Menentukan kelas interval yang mengandung nilai kuartil
dengan rumus seperti berikut :
݅ 1
. ݊ = 50 = 12.5
4 4
Selanjutnya menentukan kelas kurtil dengan cara
menjumlahkan nilai frekuensi dari kelas pertama sampai
pada jumlah 12.5 atau lebih. Model penjumlahan; (9 + 8 =
17), berarti kelas kuartil berada pada kelas ke-2
b) Menentukan batas bawah kelas kuartil yaitu 76.5 (77 – 0.5)
c) Menentukan panjang intervalnya yaitu 4

d) Menentukan nilai fk yaitu jumlah sebelum kelas kuartil yaitu
9
e) menentukan frekuensi kelas kuartil yaitu 8
f) menghitung nilai K1 dengan persamaah berikut ini :
iൗ . n − fk
K ୧ = Tb + P ൭ 4 ൱
f
12.5 − 9
Kଵ = 76.5 + 4 ൬ ൰ = 78.25
8
Untuk K2
i 2
. n = 50 = 25
4 4
pada jumlah 25 atau lebih. Model penjumlahan; (9 + 8 + 10 =
27), berarti kelas kuartil berada pada kelas ke-3
17
iൗ . n − fk
K ୧ = Tb + P ൭ 4 ൱
f
25 − 17
K ଶ = 80.5 + 4 ൬ ൰ = 83.7
10
Untuk K3
i 3
. n = 50 = 37.5
4 4

pada jumlah 37.5 atau lebih. Model penjumlahan; (9 + 8 + 10
+ 7 + 9 = 43), berarti kelas kuartil berada pada kelas ke-4
34
iൗ . n − fk
K ୧ = Tb + P ൭ 4 ൱
f
37.5 − 34
K ଷ = 88.5 + 4 ൬ ൰ = 90.05
9
b. Desil
Desil merupakan kumpulan data yang disusun berdasarkan
urutanya dari yang terkecil samapai yang terbesar, dan data tersebut
dibagi menjadi sepuluh bagian yang sama. Desil dapat dibagi
menjadi sembilan bagian yaitu D1, D2, D3 …, D9. Untuk mencari nilai
desil diperlukan pembedaan antara data tidak berkelompok dengan
data berkelompok.
Desil Data Tunggal

Untuk menentukan nilai desil dapat dihitung dengan menggunakan
rumus sebagai berikut :
i(n + 1)
D୧ =
10
Keterangan :
D1 = letak desil
i = desil ke-
n = jumlah data
Contoh :
sebagai berikut; 45, 80, 60, 55, 67, 90, 76, 98, 83, 82, 64, 58, 94, 47,
92, 100.

Htiugnlah D1, dan D7
Untuk D1
47, 47, 55, 58, 60, 64, 67, 76, 80, 82, 83, 90, 92, 94, 98, 100
b) Menghitung D1
i(n + 1)
D୧ =
10
1(16 + 1) 17
= = = data ke 1.7
10 10
Maka letak D1 berada diantara data ke-1 dan ke-2, sehingga
nilai D1 dapat ditentukan dengan cara berikut ini :
D1 = data ke 1 + 0.7(data ke-2 – data ke-1)
= 47 + 0.7 (47-47) = 47
Untuk D7
47, 47, 55, 58, 60, 64, 67, 76, 80, 82, 83, 90, 92, 94, 98, 100
b) Menghitung D7
i(n + 1)
D୧ =
10
7(16 + 1) 119
= = = data ke 11.9
10 10
Maka letak D1 berada diantara data ke-11 dan ke-12, sehingga
nilai D7 dapat ditentukan dengan cara berikut ini :
D7 = data ke 11 + 0.9 (data ke-12 – data ke-11)
= 80 + 0.7 (90-83) = 84.9
Desil Data Berkelompok

Selanjutnya untuk menentukan desil dengan menggunakan
data berkelompok atau data yang disusun berdasarkan frekuensi
dapat dihitung dengan rumus berikut ini:
iൗ n − fk
D୧ = Tb + P ൭ 10 ൱
fୈ

Contoh soal
Tabel 3.3
Interfal f
73 – 76 9
77 – 80 8
81 – 84 10
85 – 88 7
89 – 92 9
93 – 96 4
97 – 100 3
Jumlah 50
Tentukan :
D1, dan D7
Untuk D1
a) Menentukan kelas interval yang mengandung nilai desil dengan
rumus seperti berikut :
i 1
.n = 50 = 5
10 10
Selanjutnya menentukan kelas desil dengan cara menjumlahkan
nilai frekuensi dari kelas pertama sampai pada jumlah 5 atau
lebih. berarti kelas desil berada pada kelas ke-1
b) Menentukan batas bawah kelas desil yaitu 72.5 (73 – 0.5)
d) Menentukan nilai fk yaitu jumlah sebelum kelas desil yaitu 9
e) menentukan frekuensi kelas desil yaitu 9
f) menghitung nilai D1 dengan persamaah berikut ini :
iൗ n − fk
D୧ = Tb + P ൭ 10 ൱
fୈ
1ൗ 50 − 9
Dଵ = 72.5 + 4 ൭ 10 ൱ = 73.2
9
Untuk D7

a) Menentukan kelas interval yang mengandung nilai desil dengan
rumus seperti berikut :
7 7
.݊= 50 = 35
10 10
Selanjutnya menentukan kelas desil dengan cara menjumlahkan
nilai frekuensi dari kelas pertama sampai pada jumlah 35 atau
lebih. Langkah penjumlahanya (9+8+10+7+9=43) berarti kelas
desil berada pada kelas ke-5
b) Menentukan batas bawah kelas desil yaitu 88.5 (89 – 0.5)
d) Menentukan nilai fk yaitu jumlah sebelum kelas desil yaitu 34
e) menentukan frekuensi kelas desil yaitu 9
f) menghitung nilai D7 dengan persamaah berikut ini :
iൗ n − fk
D୧ = Tb + P ൭ 10 ൱
fୈ
35 − 34
D଻ = 88.5 + 4 ൬ ൰ = 88.9
9
c. Persentil
Persentil merupakan sekelompok data yang tersusun dari data
yang terbesar sampai yang terkecil dan dibagi dalam seratus bagian
yang sama. Simbo yang digunakan dalam persenil adalah P1, P2, P3,
...P99.
Persentil Data Tunggal
Rumus untuk menghitung persentil data tunggal yaitu sebagai
berikut:
݅(݊ + 1)
ܲ௜ =
100
Keterangan :
Pi : Letak persentil
n : Jumlah data
i : Persentil ke- ....
contoh :

sebagai berikut; 45, 80, 60, 55, 67, 90, 76, 98, 83, 82, 64, 58, 94, 47,
92, 100.
Hitunglah P67, P80.
Jawab :
Untuk P67
47, 47, 55, 58, 60, 64, 67, 76, 80, 82, 83, 90, 92, 94, 98, 100
b) Menghitung P67
݅(݊ + 1)
ܲ௜ =
100
67(16 + 1) 1,139
= = = data ke 11.39
100 100
Maka letak P67 berada diantara data ke-11 dan ke-12,

sehingga nilai P67 dapat ditentukan dengan cara berikut ini :
P67 = data ke 11 + 0.39(data ke-12 – data ke-11)
= 83 + 0.39 (90-83) = 85.73
Untuk P80
47, 47, 55, 58, 60, 64, 67, 76, 80, 82, 83, 90, 92, 94, 98, 100
b) Menghitung P80
݅(݊ + 1)
ܲ௜ =
100
80(16 + 1) 1,360
= = = data ke 13.6
100 100
Maka letak P80 berada diantara data ke-13 dan ke-14,

sehingga nilai P80 dapat ditentukan dengan cara berikut ini :
P80 = data ke 13 + 0.6(data ke-14 – data ke-13)
= 92 + 0.6 (94-92) = 93.2

Persentil Data Kelompok
Rumus yang digunakan untuk menghitung persentil data
berkelompok yaitu sebagai berikut :
iൗ n − fk
P୧ = Tb + p ൭ 100 ൱
fP୧
Keterangan :
Tb : Tepi bawah kelas
n : Jumlah data
fk : jumlah frekuensi sebelum kelas persentil
fPi : Frekuensi kelas persentil
p : Panjang interfal
Contoh soal
Tabel 3.4
Interfal f
73 – 76 9
77 – 80 8
81 – 84 10
85 – 88 7
89 – 92 9
93 – 96 4
97 – 100 3
Jumlah 50
Dari tabel diatas, tentukan P60, P85.

Untuk P60
a) Menentukan kelas interval yang mengandung nilai persentil
i 60
.n = 50 = 30
10 100

Selanjutnya menentukan kelas persentil yaitu menjumlahkan
nilai frekuensi pada kelas pertama sampai pada jumlah 30 atau
lebih. Langkah penjumlahanya (9+8+10+7=34) berarti kelas
persentil berada pada kelas ke-4
b) Menentukan batas bawah kelas persentil yaitu 84.5 (85 – 0.5)
d) Menentukan nilai fk yaitu jumlah sebelum kelas persentil yaitu
27
e) menentukan frekuensi kelas persentil yaitu 7
f) menghitung nilai P60 dengan persamaah berikut ini :
30 − 27
P୧ = 84.5 + 4 ൬ ൰ = 86.21
7
Untuk P85
a) Menentukan kelas interval yang mengandung nilai persentil
i 85
.n = 50 = 42.5
10 100
Selanjutnya menentukan kelas persentil yaitu menjumlahkan
nilai frekuensi pada kelas pertama sampai pada jumlah 42.5 atau
lebih. Langkah penjumlahanya (9+8+10+7+9=43) berarti kelas
persentil berada pada kelas ke-5
b) Menentukan batas bawah kelas persentil yaitu 88.5 (89 – 0.5)
d) Menentukan nilai fk yaitu jumlah sebelum kelas persentil yaitu
34
e) menentukan frekuensi kelas persentil yaitu 9
f) menghitung nilai P60 dengan persamaah berikut ini :
42.5 − 34
P୧ = 88.5 + 4 ൬ ൰ = 92.28
9

BAB 4. UKURAN PENYEBARAN
DATA
4.1. PENGERTIAN UKURAN PENYEBARAN DATA

Ukuran penyebaran data merupakan serangkaian atau
kelompok data baik berupa parameter maupun statistik untuk
mengetahui tingkat penyimpangan data yang dilihat dari rata-rata
hitungnya. Ukuran sebaran dari suatu kelompok data terhadap pusat
data disebut sebagai suatu keragaman data (Wahyudi S., 2017).
Penyebaran data digunakan sebagai perbandingan penyebaran dua
atau lebih distribusi data. Selain dari ukuran mean, median dan
modus serta kuartil, desil dan persentil ukuran penyebaran data
lainya adalah ukuran penyimpaangan. Ukuran penyimpangan kadang
disebut sebagai ukuran variasi yang dapat menggambarkan
penyebaran data kuantitatif (Sudjana, 2005).
Dalam melakukan pengukuran penyimpagan nilai dari suatu
data, dapat menggunakan cara berikut ini yaitu melakukan ukuran
jarak yang diperoleh dari selisih antara data terkecil dengan data
terbesar. dan cara selanjutnya adalah melakukan pengukuran
simpangan rata-rata dan simpangan baku. Perlu dipahami bahwa
semakin besar nilai simpangan suatu data menunjukan maka data
tersebut kurang baik sehingga berakibat pada ketidakmampuan
dalam menggambarkan dengan baik dari data rill yang diamati. dan

jika nilai penyimpangannya kecil menunjukan data tersebut semakin
baik dilihat dari titik penyebarannya.
4.2. NILAI SIMPANGAN RATA-RATA
Penjumlahan dari pada simpangan-simpangan dalam

pengamatan kemudian dibagi dengan jumlah pengamatan (n)
disebut dengan simpangan rata-rata (Napa J. Awat, 1995).
Simpangan rata-rata dapat menggambarkan suatu kumpulan
data yang dibuat dalam bentuk nilai rata-rata dalam suatu harga
mutlak. Harga mutlak yang dimaksud adalah setiap ada nilai yang
mengandung negatif dianggap positif. Simpangan rata-rata dapat
berupa data tunggal dan berupa data berkelompok.
Simpangan Rata-Rata Data Tunggal
Rumus :
∑ ൤ܺ − X ൨
ܴܵ =
݊
Keterangan :
SR : Simpangan rata-rata
X : Data Pengamatan
X : Rata-rata data
Contoh Soal
Perusahaan A memiliki omset penjualan berturut-turut selama satu
minggu yaitu : Rp.75,000, Rp.100,000, Rp. 80,000, Rp. 150,000,
Rp.110,000, Rp.75,000, Rp.80,000. Hitunglah nilai simpangan rata-
ratanya!
Jawaban :
a. Menghitung nilai rata-rata
∑ ܺ 75 + 100 + 80 + 150 + 110 + 75 + 80
= = = 95.71
݊ 7

b. Membuat tabel sebagai alat pembantu :
X X (X- X )
75 95.71 20.71
100 95.71 4.29
80 95.71 15.71
150 95.71 54.29
110 95.71 14.29
75 95.71 20.71
80 95.71 15.71
∑=145.71
c. Menghitung nilai SR dengan rumus :
∑ ൤X − X ൨ 145.71
SR = = = 20.81
n 7
Simpangan Rata-Rata untuk Data Berkelompok

Rumus :
∑ ݂൤݉ − X ൨
ܴܵ =
∑݂
Dimana :
SR : Simpangan rata-rata
m : Nilai tengah kelas
X : Rata-rata hitung
f : Frekuensi
Contoh soal
Hasil ujian statistik semester ganjil kelas X yang diikuti 50 mahasiswa
ditampilkan pada tabel berikut ini :

Tabel 4.1
Daftar nilai Ujian Statistik
Interval nilai
Mahasiswa f
65 – 69 3
70 – 74 3
75 – 79 6
80 – 84 12
85 – 89 9
90 – 94 11
95 – 99 6
Hitunglah nilai Simpangan rata-ratanya!
Jawaban :
Langkah-langkah penyelesaianya adalah sebagai berikut :
a. Membuat tabel bantuan
Tabel 4.2
Bantuan Perhitungan Statistik
Interval nilai
f m X m- X f(m- X )
Mahasiswa
65 – 69 3 67 84.8 17.8 53.4
70 – 74 3 72 84.8 12.8 38.4
75 – 79 6 77 84.8 7.8 46.8
80 – 84 12 82 84.8 2.8 33.6
85 – 89 9 87 84.8 2.2 19.8
90 – 94 11 92 84.8 7.2 79.2
95 – 99 6 97 84.8 12.2 73.2
Jumlah 50 344.4
b. Menghitung nilai SR dengan menggunakan rumus berikut :

∑ ݂൤݉ − X ൨
ܴܵ =
∑݂
344.4
ܴܵ = = 6.89
50

4.3. NILAI SIMPANGAN BAKU
Menghitung simpangan rata-rata diperoleh dari selisih antara
data perkomponen (Xi) denga jumlah semua komponen dibagi
dengan banyaknya data ( X ) tanpa mempertimbangkan tanda
negatif dari nilai tersebut. Hal ini dilakukan agar jumlah yang
diperoleh tidak mendapat nilai nol, sehingga dalam perhitungan ini
nilai yang diperoleh semua bertanda positif (Napa J. Awat,1995).
Rumus Varians: s 2 = 
 Xi - X 2
n -1
Selanjutnya, untuk menghitung simpangan baku dapat dilihat
dari perhitungana nilai varian. Simpangan baku baik data tunggal
maupun data kelompok dapat dihitung dengan menggunakaan
a. Simpangan Baku Data Tunggal

- Data kategori sampel dihitung menggunakan rumus berikut
∑
ඩ ൬‫ ݔ‬− X ൰
‫=ݏ‬
݊− 1
- Data kategori populasi menggunakan rumus sebagai berikut
:
∑
ඩ ൬‫ ݔ‬− X ൰
ߪ=
݊
Keterngana :
s : Simpangan baku kategori sampel
ߪ : Simpangan baku kategori populasi
݊ : Jumlah sampel
Contoh soal :
Berikut ini merupakan nilai statistik 7 orang mahasiswa dari 30
mahasiswa yang mengikuti ujian statistik yaitu : 50, 70, 90, 75,
80, 76, 65. dari data tersebut, hitunglah nilai simpangan
bakunya!
Penyelesaian :

1. Gunakan tabel pembantu
Tabel 4.3
Bantuan Perhitungan Statistik
ଶ
ቆܺ − Xቇ
X X
50 72.29 496.65
70 72.29 5.22
90 72.29 313.80
75 72.29 7.37
80 72.29 59.51
76 72.29 13.80
65 72.29 53.08
∑= 949.43
2. Menghitung nilai simpangan baku dengan rumus berikut ini:
∑
ඩ ൬ܺ݅− X ൰
‫=ݏ‬
݊− 1
949.43
‫ =ݏ‬ඨ
7−1
‫√ = ݏ‬158.2381 = 12.58
a. Simpangan Baku Data Kelompok

- Data kategori sampel dihitung dengan rumus:
ଶ (∑ ݂݅. ݉ ௜)ଶ
ඨ ∑ ݂. ݉ ௜ − ݊ − 1
‫=ݏ‬
݊− 1
- Data kategori populasi dihitung menggunakan rumus:
ଶ (∑ ݂݅. ݉ ௜)ଶ
ඨ ∑ ݂. ݉ ௜ − ݊
ߪ=
݊
Contoh Soal :
Hasil ujian statistik yang diikuti oleh 55 orang mahasiswa adalah
sebagai berikut : Hitunglah nilai simpangan bakunya!

Tabel 4.4
Hasil Ujian Statistik Statistik
Interfal Nilai f
73 - 76 12
77 - 80 11
81 - 84 14
85 - 88 5
89 - 92 6
93 - 96 4
97 - 100 3
55
Penyelesaian :
a. Gunakan tabel sebagai bantuan untuk menyelesaikan soal di atas
Tabel 4.5
Bantuan perhitungan statitik
Interfal
f mi mi2 f x mi ∑f x mi2 x
Nilai
73 - 76 12 74.5 5550.25 894 66603 82
77 - 80 11 78.5 6162.25 863.5 67784.75 82
81 - 84 14 82.5 6806.25 1155 95287.5 82
85 - 88 5 86.5 7482.25 432.5 37411.25 82
89 - 92 6 90.5 8190.25 543 49141.5 82
93 - 96 4 94.5 8930.25 378 35721 82
97 - 100 3 98.5 9702.25 295.5 29106.75 82
55 4561.5 381,056
b. Menghitung nilai simpangan baku dengan rumus dibawah ini ;

ଶ(∑ ݂݅. ݉ ௜)ଶ
ඨ ∑ ݂. ݉ ௜ − ݊
ߪ=
݊
(∑ 4,561.5)ଶ
ඨ ∑ 381,056 − 55
ߪ=
55
20,807,782
∑
ඨ 381,056 − 55
ߪ=
55

∑ 381,056 − 378,313
ߪ=ඨ = 7.06
55

BAB 5. UKURAN KEMIRINGAN
DAN KERUNCINGAN
5.1. PENGERTIAN UKURAN KEMIRINGAN DAN KERUNCINGAN

Tujuan dari ukura kemiringan dan keruncingan yaitu untuk
melakukan identifikasi model distribusi dari suatu populasi. model
distribusi suatu populasi dapat diamati dengan bentuk kurvanya baik
dari kelengkunganya, kelancipan dan kemiringan dari kurva
terssebut serta ukuran kurva tersebut Siregar S., (2014).
5.2. Ukuran Kemiringan
Ukuran kemiringan adalah bentuk ketidaksimetrisan dari suatu
penyebaran data. Ada tiga model ukuran kemiringan yaitu
kemiringan positif, negatif dan simetris. Jika ekornya memanjang
kekanan maka dapat disebut sebaga model kemiringan positif, dan
jika ekornya memanjang kekiri maka dapat disebut sebaga modell
kemiringan negatif, dan jika kurvanya membentuk kurva normal
maka disebut sebaga mode simetris. Model distribusi di atas dapat
dijelaskan dalam bentuk gambar seperti di bawah ini :
1) Model positif

2) Model Negatif
3) Model Simetris
Dari ketiga model diatas, maka hubungan Mean, Median dan Modus
dapat dapat dikategorikan sebagai berikut :
1. Apabila kurva memiliki nilai positif, maka nilai mean > median >
modus
2. Apabila kurva memiliki nilai negatif, maka nilai mean < median <
modus.
3. Apabila kurvanya simetris, maka nilai mean = median = modus
Untuk menghitung nilai koefisien kemiringan, dapat dihitung dengan
menggunakan empat rumus berikut ini:
1. Menggunakan metode Karl Pearson I
x − ‫ݏݑ݀݋ ܯ‬
ߚ=
‫ݏ‬
2. Menggunakan metode Karl Pearson II
3( x − ‫)݊ܽ݅݀݁ ܯ‬
ߚ=
‫ݏ‬
3. Menggunakan Metode Kuartil
‫ܭ‬ଷ + ‫ܭ‬ଵ − 2‫ܭ‬ଶ
ߚ=
‫ܭ‬ଷ − ‫ܭ‬ଵ
4. Menggunakan Metode Persentil
ܲଽ଴ + ܲଵ଴ − 2ܲହ଴
ߚ=
ܲଽ଴ − ܲଵ଴

Asumsi :
Jika β > 0; maka model kemiringannya adalah positif
Jika β < 0; maka model kemiringannya adalah negatif
Jika β = 0; maka model kurvanya adalah simetris
Contoh Soal
sebagai berikut :
Tabel 5.1
Hasil Ujian Statistik
Interfal F
73 – 76 12
77 – 80 11
81 – 84 14
85 – 88 5
89 – 92 6
93 – 96 4
97 – 100 3
55
Hitunglah koevisien kemiringan dengan menggunakan empat rumus
di atas!
Jawab :
untuk mempermudah menjawab soal di atas, maka dibutuhkan tabel
bantuan untuk menghitung nilai simpangan bakunya.
Tabel 5.2
Bantuan Hitungan Statistik
Interval F mi mi2 F x mi ∑F x mi2 x
73 – 76 12 74.5 5550.25 894 66603 83
77 – 80 11 78.5 6162.25 863.5 67784.75 83
81 – 84 14 82.5 6806.25 1155 95287.5 83
85 – 88 5 86.5 7482.25 432.5 37411.25 83
89 – 92 6 90.5 8190.25 543 49141.5 83
93 – 96 4 94.5 8930.25 378 35721 83
97 – 100 3 98.5 9702.25 295.5 29106.75 83
55 4561.5 381,056

dari tabel hitungan di atas, maka dapat dihitung simpangan baku
dengan menggunakan persamaan dengan kategori populasi berikut :
ଶ (∑ fi. m୧)ଶ
ඨ ∑ f. m୧ − n
=
n
(∑ 4,561.5)ଶ
ඨ ∑ 381,056 − 55
σ=
55
20,807,782
∑
ඨ 381,056 − 55
σ=
55
∑ 381,056 − 378,313
σ=ඨ = 7.06
55
a. Metode Karl Pearson I
x − Modus
β=
s
Mencari nilai modus
f − fିଵ
Mo = Tb + P ൬ ൰
(f − fିଵ) + (f − fଵ)
14 − 11
Mo = 80.5 + 4 ൬ ൰
(14 − 11) + (14 − 5)
3
Mo = 80.5 + 4 ൬ ൰
12
3
Mo = 80.5 + 4 ൬ ൰ = 81.5
12
β = 83 − 81.5 = 0.21
7.06
b. Metode Karl Pearson II
3( x − Median)
β=
s
Mencari nilai median
1ൗ . n − fk
Mୣ = Tb + p ൭ 2 ൱
fMୣ
27.5 − 23
Mୣ = 80.5 + 4 ൬ ൰
14
4.5
Mୣ = 80.5 + 4 ൬ ൰= 81.78
14

3(83 − 81.78)
β= = 0.51
7.06
c. Menggunakan Metode Kuartil
K ଷ + Kଵ − 2K ଶ
β=
K ଷ − Kଵ
Mencari nilai K1, K2, dan K3
13.75 − 12
Kଵ = 76.5 + 4 ൬ ൰ = 77.14
11
27.5 − 23
K ଶ = 80.5 + 4 ൬ ൰ = 81.78
14
41.25 − 37
K ଷ = 84.5 + 4 ൬ ൰ = 87.9
5
87.9 + 77.14 − 2(81.78)
β= 0.136
87.9 − 77.14
d. Metode Persentil
Pଽ଴ + Pଵ଴ − 2Pହ଴
β=
Pଽ଴ − Pଵ଴
Mencari nilai P10, P50, dan P90
5.5 − 12
Pଵ଴ = 72.5 + 4 ൬ ൰ = 70.33
12
27.5 − 23
Pହ଴ = 80.5 + 4 ൬ ൰ = 81.79
14
49.5 − 48
Pଽ଴ = 92.5 + 4 ൬ ൰= 94
4
94 + 70.33 − 2(81.79)
β= = 0.032
94 − 70.33
5.3. Ukuran Keruncingan (Kurtosis)
Mengacu pada kurva normal, jika kurfa tersebut dengan
puncak rendah atau runcing datarnya maka kurva tersebut disebut
sebagai kurtosis. Dan jika puncak kurva tidak terlalu runcing atau
kurang datar maka disebut sebagai kurva mesokurtik. Serta jika
puncaknya runcing dapat disebut sebagai lepsokurtik. dan jika
puncaknya datar disebut sebaga platikurtik (Sudjana, 2005).
Kurtosis atau ukuran keruncingan menurut Siregar S., 2014
merupakan derajat kelancipan suatu kurva jika dibandingkan dengan
distribusi atau kurva normalnya.

Platikurtik Lepsokurtik Mesokurtik
Untuk menentukan ukuran keruncingan suatu kurva (kurtosis)

dengan aturan sebagi berikut :
a. Leptokurtis, apabila nilai β lebih besar dari 3
b. Mesokutik, apabila nilai β sama besar 3 (kurva normal)
c. Partikurtik, nilai β lebih kecil dari 3
Untuk menghitung ukuran keruncingan dari suatu distribusi
data, dapat menggunakan dua persamaan berikut ini:
1. Persentil koefisien persentil
1ൗ (K − K )
βଶ = 2
ଷ ଵ
Pଽ଴ − Pଵ଴
2. Momen Koefisien Kurtosis
mସ
βଶ = ସ − 3
s
ସ
∑ f୧൬t ୧− x ൰
mସ =
∑f

Contoh Soal
sebagai berikut :
Tabel 5.3
Hasil Ujian Statistik
Interfal F
73 – 76 12
77 – 80 11
81 – 84 14
85 – 88 5
89 – 92 6
93 – 96 4
97 – 100 3
55
Dari data di atas hitunglah koevisien keruncingan!
Jawab :
Tabel 5.4
Bantuan Hitungan Statistik
ସ ସ
Interval F ti ൬‫ݐ‬௜ − x ൰ ෍ ݂௜൬‫ݐ‬௜ − x ൰ x
73 – 76 12 74.5 410.1 62640.75 83
77 – 80 11 78.5 0.1 4510.6875 83
81 – 84 14 82.5 150.1 0.875 83
85 – 88 5 86.5 3164.1 750.3125 83
89 – 92 6 90.5 17490.1 18984.375 83
93 – 96 4 94.5 57720.1 69960.25 83
97 – 100 3 98.5 5220.1 173160.1875 83
55 330007.438
1. Persentil koefisien persentil

1ൗ (K − K )
βଶ = 2
ଷ ଵ
Pଽ଴ − Pଵ଴
1ൗ (87.9 − 77.14)
βଶ = 2 = 0.23
94 − 70.33
2. Momen Koefisien Kurtosis

mସ
βଶ = −3
sସ
330,007.438
mସ = = 6,000.13
55
Untuk nilai simpangan baku, menggunakan nilai dicontoh soal
koefisien kemiringan!
6,000.135
βଶ = − 3 = −0.5
7.06ସ

BAB 6. ANGKA INDEKS
6.1. Pengertian Angka Indeks

Menurut Winardi (1983) angka indeks merupakan sebuah alat
angka matematik yang digunakan untuk menyatakan tingkat harga,
volume perniagaan dan sebagainya dalam periode tertentu,
dibandingkan dengan tingkat harga, volume perniagaan suatu
periode dasar, yang nilainya dinyatakan dengan 100. Sedangkan
menurut Samsubar Saleh (1998), angka indeks merupakan suatu
analisis data statistik yang terutama ditujukan untuk mengukur
berapa besarnya fluktuasi perkembangan harga dari berbagai
macam komoditas selama satu periode waktu tertentu. Dalam suatu
analisis perekonomian, angka indeks mempunyai peranan yang
sangat besar, karena dapat digunakan untuk mengetahui besarnya
laju inflasi mapun deflasi yang terjadi di negara tertentu.
Penting untuk diketahun bahwa angka indeks dapat digunakan
untuk menentukan kebijakan yang harus diambil oleh pemerintah.
Misalnya, dengan mengetahui perkembangan tingkat kebutuhan
pangan masyarakat yang semakin tinggi sehingga pemerintah dapat
menanggulanginya dengan cara mengambil kebijakan untuk
meningkatkan produksi pangan dengan menyediakan lahan
pertanian bagi masyarakat petani
Menghitung angka indeks, tahun sebelumnya dapat dijadikaan
sebagai tahun dasar. Misalnya dalam menentukan perbandingan

harga beras tahun 2017 yaitu Rp. 9,000 denga tahun 2018 yaitu Rp.
11,000 maka dapat dihitung nilai indeksnya adalah 22%.
Menentukan tahun sebagai tahun dasar, perlu
mempertimbangkan faktor berikut ini :
a. Tahun dasar hendaknya dipilih pada waktu kondisi perekonomian
yang relatif stabil.
b. Jarak antara tahun dasar dengan tahun sekarang tidak terlalu
jauh.
c. Penentuan tahun dasar hendaknya memperhatikan kejadian-
kejadian penting, misalnya tahun pada saat terjadinya kenaikan
harga BBM, kenaikan tarif dasar listrik dan lain-lain.
Ketiga faktor tersebut sangat perlu diperhatikan karena akan
sangat mempengaruhi besarnya angka indeks. Misalnya untuk kasus
di Indonesia, tahun 1997 atau 1998 tidak baik digunakan sebagai
tahun dasar karena pada tahun tersebut terjadi krisis ekonomi.
Untuk menentukan indeks tahun 2003 dengan tahun dasar 1993
sangatlah tidak baik karena jarak tahun tersebut sangat panjang dan
harga sudah sangat berfluktuasi dengan tajam. Dalam menghitung
Angka indeks harga, dapat dibedakan menjadi dua yaitu ;
1. Dengan metode indeks tidak tertimbang
2. Dengan metode indeks tertimbang
6.2. Indeks Tidak Tertimbang

Metode ini digunakan untuk mengetahui perkembangan suatu
harga. Artinya pada indeks ini terfokus hanya pada harga dan tidak
empertibangkan faktor kuantitasnya. Metode indeks tidak
tertimbang dapat dibagi menjadi dua kelompok yaitu :
a. Metode Agregatif Sederhana
Untuk membandingkan jumlah dari harga-harga barang
persatuan untuk tiap-tiap tahun. Rumus yang digunakan adalah:
∑ P୬
I= x100%
∑ P଴
Keterangan :
I = Angka Indeks
Pn = Tahun yang akan dicari indeksnya/ tahun sekarang
P0 = Harga tahun sebelumnya

contoh soal ;
Tabel 6.1
Perkembangan Harga Sembako Tahun 2010 - 2011
Nama Harga Harga
Indeks 2011
Barang 2010 2011
A 1000 1200
B 2000 1900
C 2500 2450 7350
= 102%
7200
D 1700 1800
JUMLAH 7200 7350
Indeks harga pada tahun 2011 sebesar 104,79% atau mengalami
kenaikan sebesar 2% dibandingkan dengan harga pada tahun
2010
b. Metode Rata-Rata Relatif Harga
Untuk menghitung metode ini, dapat menggunakan rumus
berikut ini :
P
∑ ቀ ୬ x100ቁ
P଴
I୰୦ =
n
Irh = Indeks rata-rata relatif harga
Pn = Jumlah harga tahun yang dicari indeksnya
Po = Jumlah harga tahun dasar
n = Jumlah Komponen
Contoh:
Tabel 6.2
Perkembangan Harga Buah
Harga Harga
Komoditi Relatif Harga
2010 2011
A 1500 1700 (1700/1500) x 100% = 113.33%
B 2500 2450 (2450/2500) x 100% = 98%
C 3000 3100 (3100/3000) x 100% = 103.33%
D 1700 1600 (1600/1700) x 100% = 94.11%
JUMLAH 408,77%

P
∑ ቀ ୬ x100ቁ 408.77
P଴
I୰୦ = = = 102.19%
n 4
Dengan menggunakan angka indeks rata-rata relatif, pada tahun

2011 terjadi kenaikan harga komoditi A, B, C dan D sebesar 2.19%
dibandingkan tahun tahun 2010.
6.3. Indeks Tertimbang

Metode ini menggunakan faktor penimbang dalam
menghitung indeks harga. Faktor penimbang dapat digunakan untuk
melihat tingkat kebutuhan yang diperlukan dibanding dengan
barang-barang yang lainnya. Menurut (Samsubar, 1998) indeks
tertimbang merupakan indeks yang mencermingkan angka
penimbang atau bobot terhadap angka-angka lainnya dan
pemberian angka pembombotan ditentukan berdasarkan pentingnya
barang tersebut secara subyektif. Rumus yang digunakan untuk
menghitung indeks tertimbang adalah :
∑(P୬. W)
I୅୛ = x100
∑(P଴)
Contoh:
Tabel 6.3
Jenis Komsumsi dan Tingkat Harga
Harga Harga
Barang Weight*) Pn x W P0 x W
2010 2011
Beras 7000 8000 10 80000 70000
Gula 7500 8000 9 72000 67500
Kopi 1000 1000 8 8000 8000
Deterjen 11.000 12.000 7 84000 77000
Minyak 8000 8500 6 51000 48000
Susu 7.500 8.250 5 41250 37500
JUMLAH 336,250 308,000
Rumus indeks tertimbang:

∑(P୬. W) 336,250
I୅୛ = x100 = x100 = 109.17
∑(P଴) 308,000
Indeks tertimbang untuk tahun 2011 sebesar 109,11%, yaitu berarti

pada tahun 2011 terjadi kenaikan harga barang-barang sebesar
7.17% dibandingkan tahun 2010 (sebagai tahun dasar).
Terkait dengan indeks tertimbang, disamping menggunakan
angka penimbang secara subyektif dapat juga memperhatikan
kuantitas atau jumlah barang sebagai pengganti angka penimbang
tersebut, sehingga sering disebut dengan Indeks Kuantitas. Dalam
menghitung indeks kuantitas tersebut variabel yang sangat penting
untuk menjadi pertimbangan adalah kuantitas dari masing-masing
komoditi. Secara umum indeks kuantitas dapat dihitung dengan lima
model, yaitu:
a. Indeks Laspeyres
Model penghitungan indeks dengan menggunakan kuantitas
pada tahun dasar (Qo) sebagai faktor penimbang, sehingga dapat
dirumuskan sebagai berikut:
∑(P୬. Q ଴)
I୐ = ‫ݔ‬100
∑(P଴. Q ଴)
Tabel 6.4
Perkembangan harga buah-buahan tahun 2010-2011
Harga rata- Kuantitas
Komoditi rata barang (kg) Pn.Q0 P0.Q0
2010 2011 Q0 Qn
Jeruk 3000 3500 1000 1100 3500000 3000000
Apel 6000 6500 2000 1700 13000000 12000000
Salak 5000 4500 1200 1500 5400000 6000000
Mangga 7000 7300 1000 1000 7300000 7000000
Sirsak 5000 5200 950 900 4940000 4750000
Pisang 7000 6500 1700 2000 11050000 11900000
JUMLAH 45190000 44650000
Sehingga dapat dihitung nilai Indeks Laspeyres yaitu sebagai berikut:
45190000
I୐ = ‫ݔ‬100 = 101.20
44650000

b. Indeks Paasche
Model penghitungan indeks dengan menggunakan kuantitas
pada tahun ke-n (Qn) sebagai faktor penimbang, sehingga dapat
dirumuskan sebagai berikut:
∑(P୬. Q ଴)
I୮ = ‫ݔ‬100
∑(P଴. Q ୬)
Contoh
Tabel 6.5
Perkembangan harga komoditi buah-buahan tahun 2010-2011
Komoditi rata barang (kg) Pn.Q0 P0.Qn
2010 2011 Q0 Qn
Jeruk 3000 3500 1000 1100 3500000 3300000
Apel 6000 6500 2000 1700 13000000 10200000
Salak 5000 4500 1200 1500 5400000 7500000
Mangga 7000 7300 1000 1000 7300000 7000000
Sirsak 5000 5200 950 900 4940000 4500000
Pisang 7000 6500 1700 2000 11050000 14000000
JUMLAH 45190000 46500000
sehingga dapat dihitung Indeks Paasche yakni :
45190000
I୮ = ‫ݔ‬100 = 97.18
46500000
c. Indeks Marshall
Indeks Marshall dikemukakan oleh Marshall yang merupakan
metode tertimbang yang menggabungkan antara kuantitas tahun
sebelumnya (Q0) dengan tahun sekarang Qn sebagai faktor
penimbangnya. Rumus yang digunakan untuk menghitung indeks ini
adalah :
∑{P୬(Q଴ + Q ୬)}
I୮ = x100
∑{P଴(Q ଴ + Q ୬)}

Contoh :
Tabel 6.6
Perkembangan harga buah-buahan tahun 2010-2011
Komoditi rata barang (kg) Q0+Qn Pn(Q0+Qn P0(Q0+Qn)
2010 2011 Q0 Qn
Jeruk 3000 3500 1000 1100 2100 7350000 6300000
Apel 6000 6500 2000 1700 3700 24050000 22200000
Salak 5000 4500 1200 1500 2700 12150000 13500000
Mangga 7000 7300 1000 1000 2000 14600000 14000000
Sirsak 5000 5200 950 900 1850 9620000 9250000
Pisang 7000 6500 1700 2000 3700 24050000 25900000
JUMLAH 16050 91820000 91150000
Maka Indeks Marshall adalah sebagai berikut :
91820000
I୮ = x100 = 100.74
91150000

BAB 7. ANALISIS REGRESI
DAN KORELASI
7.1. Pengertian Analisis Regresi

Analisis regresi merupakan salah satu analisis yang bertujuan
untuk mengetahui pengaruh suatu variabel terhadap variabel lain.
Sedangkan menurut (Wahyudi S., 2017) analisis regresi merupakan
menjelaskan hubungan antara variabel X (variabel bebas) terhadap
variabel Y (variabel terikat). Dikatakan sebaga X sebagai variabel
bebas (independent karena variabel tersebut sifatnya mempengaruhi
variabel Y sebagai variabel terikat (dependent). Dalam uji regresi
dikenal dengan uji regresi sederhana dan uji regresi linear berganda.
Uji regresi sederhana dilakukan jika hanya terdapat satu
variabel bebas (independent variable) dan satu variabel terikat
(dependent variable).
7.2. Analisis Regresi Sederhana
Analisis regresi digunakan untuk mengetahui pengaruh dari
variabel bebas terhadap variabel terikat atau dengan kata lain untuk
mengetahui seberapa jauh perubahan variabel bebas dalam
mempengaruhi variabel terikat. Dalam analisis regresi sederhana,
pengaruh satu variabel bebas terhadap variabel terikat dapat dibuat
persamaan sebagai berikut :
Y = a + b X + e Y : Variabel terikat (Dependent Variable)
X : Variabel bebas (Independent Variable)
a : Konstanta

b : Koefisien Regresi
e : error
Langkah-lankgah dalam menghitung persamaan regresi linear
sederhana yaitu :
1. Menghitung nilai konstanta b
n. ∑ XY − ∑ X. ∑ Y
b=
n. ∑ X ଶ − (∑ X)ଶ
2. Menghitung nilai konstanta a
∑ Y − b. ∑ X
a=
n
Sedangkan untuk melihat pengaruh variabel bebas (independent)
terhadap variabel terikat (independent) dan besarnya kontribusi
yang diberikan variabel bebas terhadap variabel terikat, maka dapat
dihitung dengan menggunakan persamaan berikut ini:
a. Menghitung nilai korelasi
n(∑ xy) − (∑ x. ∑ y)
r=
ඥ [n ∑ x ଶ − (∑ x)ଶ][n ∑ ‫ݕ‬ଶ − (∑ ‫)ݕ‬ଶ]
b. Menghitung nilai thitung
r√n − 2
t ୦୧୲୳୬୥ =
ඥ1 − (r)ଶ
c. Kaidah pengujian
jika thitung ≤ ttabel maka H0 diterima
jika, thitung > ttabel maka H0 ditolak
Contoh:
Seorang mahasiswa melakukan penelitian di kampus maju mundur
pada tahun 2017. dalam penelitianya ingin mengetahui pengaruh
motivasi belajar terhadap prestasi yang diraih oleh mahasiswa.
Adapun data yang diperoleh dari masing-masing responden
ditampilkan pada tabel di bawah ini:

Tabel 7.1
Data Responden
Responden X Motivasi Y (Prestasi)
1 4 5
2 4 4
3 2 2
4 5 5
5 5 5
6 3 4
7 1 2
8 4 5
9 4 5
10 5 5
Dari tabel di atas, tentukan :
a. Persamaan regresinya
b. Apakah ada pengaruh variabel X terhadap Y?
c. Tentukan koefisien determinasinya
Untuk menyelesaikan soal di atas, maka dibutuhkan tabel untuk
mempermudah mengerjakanya;
Tabel 7.2
Analisis Responden
Responden X Motivasi Y (Prestasi) X2 XY
1 4 5 16 20
2 4 4 16 16
3 2 2 4 4
4 5 5 25 25
5 5 5 25 25
6 3 4 9 12
7 1 2 1 2
8 4 5 16 20
9 4 5 16 20
10 5 5 25 25

Jumlah 37 42 153 169
a. Menghitung nilai konstanta a dan b
a) Konstanta b
n. ∑ XY − ∑ X. ∑ Y
b=
n. ∑ X ଶ − (∑ X)ଶ
10. (169) − (37). (42) 136
b= = = 0.84
10. (153) − 37ଶ 161
b) Konstanta a
∑ Y − b. ∑ X
a=
n
42 − 0.84(37) 10,92
a= = 1.09
10 10
c) Persamaan regresinya :
Y = a + b.X
= 1.09 + 0.84X
Sehingga persamaan regresi sederhananya adalah Y = 1.09 + 0.84X
Berdasarkan hasil penghitungan dan persamaan regresi
sederhana tersebut di atas, maka dapat diketahui bahwa:
a. Koefisien regresi dari motivasi adalah sebesar 0,84. Nilai koefisien
positif menunjukkan bahwa motivasi berpengaruh positif
terhadap prestasi mahasiswa. Artinya bahwa jika motivasi
meningkat 1% maka akan meningkatkan prestasi mahasiswa
sebesar 0.84%.
b. Nilai konstanta adalah sebesar 1.09, jika motivasi belajar
dianggap konstan, maka prestasi mahasiswa rata-ratanya adalah
1.09%

b. Menghitung korelasi variabel X terhadap variabel Y
Tabel 7.2
Analisis Data Responden
Responden X (Motivasi) Y (Prestasi) X2 XY Y2
1 4 5 16 20 25
2 4 4 16 16 16
3 2 2 4 4 4
4 5 5 25 25 25
5 5 5 25 25 25
6 3 4 9 12 16
7 1 2 1 2 4
8 4 5 16 20 25
9 4 5 16 20 25
10 5 5 25 25 25
Jumlah 37 42 153 169 190
Maka nilai korelasi (r);
n(∑ xy) − (∑ x. ∑ y)
r=
ඥ [n ∑ x ଶ − (∑ x)ଶ][n ∑ ‫ݕ‬ଶ − (∑ ‫)ݕ‬ଶ]
10(169) − (37). (42)
r=
ඥ[10(153) − (37)ଶ][10(190) − (42)ଶ]
1690 − 1554 136
r= = = 0.92
ඥ(161)(136) √21896
Dari hasil perhitungan di atas yaitu pengaruh X terhadap Y sangat
kuat positif, hal ini dapat dilihat dari perhitungan nilai korelasinya
adalah 0.92. artinya bahwa motivasi belajar sangat menentukan
prestasi yang diperoleh mahasiswa.
Menghitung thitung dengan menggunakan persamaan berikut ini:
r√n − 2
t ୦୧୲୳୬୥ =
ඥ1 − (r)ଶ
0.92√10 − 2 0.92√10 − 2
t ୦୧୲୳୬୥ = = = 16.94
ඥ1 − (0.92)ଶ ඥ1 − (0.92)ଶ
selanjutnya menghitung ttabel.
untuk menghitung ttabel menggunakan rumus sebagai berikut:

ttabel = t(α/2)(n-2)
sehingga dapat dihitung ttabelnya yaitu :
ttabel = t(0.05/2)(10-2) = t(0.205)(8) = 1.64
Karena thitung lebih besar dari nilai ttabel maka ada pengaruh variabel X
dan Y. artinya terdapat pengaruh signifikan antara motivasi belajar
dengan prestasi yang diperoleh mahasiswa.
7.3. Analisis Regresi Berganda

Dalam kondisi tertentu yang dihadapai di lapangan,
perubahan suatu variabel tidak hanya dipengaruhi oleh satu variabel
saja tetati sering kali dipengaruhi oleh banyak variabel. Misalnya,
variabel yang mempengaruhi jumlah barang yang diminta (Qdx)
tidak hanya variabel harga saja (Px), tetapi masih banyak variabel
lain yang dapat mempengaruhinya, yaitu tingkat pendapatan (I),
selera (T), harga barang lain (Py) dan lain-lain. Dengan demikian
fungsi permintaan menjadi : Qdx = f (Px, I, T, Py, …). Untuk
mengetahui pengaruh dari 2 atau lebih variabel bebas terhadap
suatu variabel terikat digunakan Analisis Regresi Berganda, dengan
persamaan regresi berganda: Y = a + b1 X1 + b2 X2 + … bn Xn.
Untuk pembahasan analisis regresi dalam buku ini, hanya
menggunakan dua variabel bebas atau biasa disebut regresi linear
berganda dua pridektor, sedangkan penggunaan tiga variabel bebas
menggunakan metode matrik.terkait dengan hal tersebut, maka
dalam pembahasan analisis regresi berganda dalam buku ini hanya
terbatas sampai jumlah dua variabel bebas atau dengan persamaan
regresi berganda Y = a + b1 X1 + b2 X2.
Persamaan yang digunakan untuk menghitung regresi
berganda dengan dua variabel bebas yaitu sebagai berikut :.
1. Dibuat tabel

No X1 X2 Y X12 X22 Y2 X1Y X2Y X1X2
1
2
3
4
5
...
n ∑X1 ∑X2 ∑Y ∑ X12 ∑ X22 ∑ ∑ X1Y ∑ X2Y ∑ X1X2
Y2
2. Metode skor deviasi
(∑ Xଵ)ଶ
∑Xଵଶ = ∑Xଵଶ −
n
(∑ ଶ
X ଶ)
∑X ଶଶ = ∑X ଶଶ −
n
(∑ ଶ
Y)
∑Y ଶ = ∑Y ଶ −
n
(∑ Xଵ)(∑ Y)
∑XଵY = ∑XଵY −
n
(∑ X ଶ)(∑ Y)
∑X ଶY = ∑X ଶY −
n
(∑ Xଵ)(∑ X ଶ)
∑Xଵܺଶ = ∑XଵXଶ −
n
∑ Xଵ ଶ
Xଵ= ൬ X ଵ൰
n
∑ Xଶ ଶ
Xଶ= ൬ X ଶ൰
n
ଶ
∑௒
Y= ௡
൬Y ൰
(Siregar S., 2014)
3. Menentukan nilai konstanta
a. Konstanta b1;
(∑ X ଶଶ)(∑ XଵY) − (∑ XଵXଶ)(∑ X ଶY)
bଵ =
(∑ Xଵଶ)(∑ X ଶଶ) − (∑ XଵXଶ)ଶ
b. Konstanta b2
(∑ ܺଵଶ)(∑ X ଶY) − (∑ XଵXଶ)(∑ X ଶY)
bଶ =

c. Konstanta a
∑Y ∑ Xଵ ∑ Xଶ
a= − bଵ ቆ ቇ − bଶ ቆ ቇ
n b n
(Siregar S., 2014)
4. Membuat persamaan regresi dengan dua variabel bebas
Y = a + b1X1 + b2X2
Untuk menghitung pengaruh secara simultan dan parsial
antara variabel X1 dan X2 terhadap variabel Y, dan kontribusi yang
diberikan atau uji koefisien determinasi, maka langkah pengujianya
adalah sebagai berikut :
a. Pengaruh simultan antara X1 dan X2 terhadap Y
a) Menghitung nilai korelasi regresi berganda
bଵ. ∑ XଵY + bଶ. ∑ X ଶY
R ଡ଼ଵ.ଡ଼ଶ.ଢ଼ = ඨ
∑ Yଶ
b) Menghitung Fhitung
(R ଡ଼ଵ.ଡ଼ଶ.ଢ଼ )ଶ(n − m − 1)
F୦୧୲୳୬୥ =
m(1 − Rଶଡ଼ଵ.ଡ଼ଶ.ଢ଼)
c) Menghitung nilai Ftabel
Untuk menghitung Ftabel dapat menggunakan bantuan tabel
Ftabel
Ftabel = F(α)(dka, dkb)
Keterangan :
dka = banyaknya variabel bebas
dkb = n – m – 1
(Siregar S., 2014)
d) Syarat pengujian
Apabila Fhitung ≤ Ftabel maka H0 diterima
Apabila Fhitung > Ftabel maka Ha diterima dan H0 ditolak
e) Kesimpulan
Berdasarkan pengujian dan kriteria pengujian, menentukan
Ho diterim atau ditolak.
f) Menentukan koefisien determinasi

b. Melakukan Uji Signifikan secara Parsial
Pengujian ini dilakukan untuk mengukur pengaruh masing-
masing variabel yaitu variabel bebas (independent) terhadap variabel
terikat (dependent). Langkah-langkah penghitungannya adalah
sebagai berikut :
a) Menentukan standar nilai error
Standar error Sb
S୶ଵ.୶ଶ
Sୠ୧ =
ଶ
ඨ ቈቆ∑ X ଶଶ − n. X ଶቇ቉[1 − (r୶ଵ.୶ଶ)ଶ]
b) Menghitung nilai dari varian

ଶ
∑ y ଶ − [bଵ(∑ xଵy) + ܾଶ(xଶ, y)]
S୶ଵ.୶ଶ =
n−m−1
c) Menghitung nilai dari standar diviasi
ଶ
X ୶ଵ.୶ଶ = ටS୶ଵ.୶ଶ
Keterangan :
Sx1.x2 = Standar deviasi regresi berganda
n = Jumlah data
m = Jumlah variabel bebas
d) Mencari thitung
b୧
t ୦୧୲୳୬୥ =
Sୠଵ
e) Mencari nilai ttabel
Untuk mencari nilai ttabel dapat menggunakan tabel t-student
dengan rumus yang digunakan dengan pengujian dua arah
ttabel = t(α/2)(n-2)
f) Kriteria Pengujian
Apabila –ttabel ≤ thitung ≤ ttabel, maka terdapat pengaruh secara
parsial
Apabila thitung > ttabel, maka tidak ada pengaruh secara parsial
g) Pengambilan keputusan

(Siregar S., 2014)
Untuk menentukan koefisien determinasi, dapat
menggunakan rumus sebagai berikut:
ଶ
KD = ൫R ୶ଵ.୷൯ x100%
ଶ
KD = ൫R ୶ଶ.୷൯ x100%
Contoh:
Contoh:
Seorang mahasiswa melakukan penelitian di kampus maju mundur
pada tahun 2017. dalam penelitianya ingin mengetahui pengaruh
motivasi belajar dan kedisiplinan terhadap prestasi yang diraih oleh
mahasiswa. Adapun data yang diperoleh dari masing-masing
responden ditampilkan pada tabel di bawah ini:
Tabel 7.3
Data Responden
R X1 X2 Y
1 4 4 5
2 4 5 4
3 2 3 2
4 5 4 5
5 5 5 5
6 3 4 4
7 1 3 2
8 4 4 5
9 4 5 5
10 5 4 5
Keterangan :
R = Responden
X1 = Motivasi
X2 = Kedisiplinan
Y = Prestasi
Dari data di atas, hitunglah :
a) Persamaan regresi

b) Apakah terdapat pengaruh secara parsial maupun simultan
antara variabel X1 dan X2 terhadap Y
c) Berapa besar kontribusi yang diberikan baik secara parsial
maupun simultan terhadap variabel Y
Penyelesaian :
Membuat tabel untuk membantu menjawab soal di atas
Tabel 7.4
Hasil Analisis
R X1 X2 Y Xଵଶ X ଶଶ Y2 X1Y X2Y X1X2
1 4 4 5 16 16 25 20 20 16
2 4 5 4 16 25 16 16 20 20
3 2 3 2 4 9 4 4 6 6
4 5 4 5 25 16 25 25 20 20
5 5 5 5 25 25 25 25 25 25
6 3 4 4 9 16 16 12 16 12
7 1 3 2 1 9 4 2 6 3
8 4 4 5 16 16 25 20 20 16
9 4 5 5 16 25 25 20 25 20
10 5 4 5 25 16 25 25 20 20
Jumlah 37 41 42 153 173 190 169 178 158
(∑ Xଵ)ଶ (37)ଶ
∑Xଵଶ = ∑Xଵଶ − = 153 − = 17
n 10
(∑ X ଶ)ଶ (41)ଶ
∑X ଶଶ = ∑X ଶଶ − = 173 − 4.9
n 10
(∑ Y)ଶ (42)ଶ
∑Y ଶ = ∑Y ଶ − = 190 − 13.6
n 10
(∑ Xଵ)(∑ Y) (37)(42)
∑XଵY = ∑XଵY − = 169 − = 13.6
n 10
(∑ X ଶ)(∑ Y) (41)(42)
∑X ଶY = ∑X ଶY − = 178 − = 5.8
n 10
(∑ Xଵ)(∑ X ଶ) (37)(41)
∑Xଵܺଶ = ∑XଵXଶ − = 158 − = 10
n 10

∑ Xଵ 37
Xଵ= = = 3.7 (3.7)ଶ = 13.69
n 10
∑ X ଶ 41
Xଶ= = = 4.1 (4.1)ଶ = 16.81
n 10
Y = ସଶ
ଵ଴
= 4.2 (4.2)ଶ = 17.64
Menghitung nilai konstanta b1, b2, dan nilai a
menentukan nilai b1
(∑ X ଶଶ)(∑ XଵY) − (∑ XଵXଶ)(∑ X ଶY)
bଵ =
(4.9)(13.6) − (10)(5.8)
bଵ = = −0.52
(17)(4.9) − (10)ଶ
Menentukan nilai b2
(∑ ܺଵଶ)(∑ X ଶY) − (∑ XଵXଶ)(∑ X ଶY)
bଶ =
(17)(5.8) − (10)(5.8)
ܾଶ = = −2.43
(17)(4.9) − (10)ଶ
Menentukan nilai a
∑Y ∑ Xଵ ∑ Xଶ
a= − bଵ ቆ ቇ − bଶ ቆ ቇ
n ݊ n
42 37 41
ܽ= − (−0.52) ൬ ൰− (−2.43) ൬ ൰ = 16.087
10 10 10
Rumus regresi bergandanya adalah
Y = a + b1X1 + b2X2
Y = 16.087 – 0.52 – 2.43
Menentukan pengaruh simultan dan pengaruh parsial
Uji pengaruh simultan antara X1, X2, terhadap Y
 Menghitung korelasi berganda
bଵ. ∑ XଵY + bଶ. ∑ X ଶY
R ଡ଼ଵ.ଡ଼ଶ.ଢ଼ = ඨ
∑ Yଶ
(−0.25). 13.6 + (−2.43). 5.8

=ඨ = −1.286
13.6
 Menetukan Fhitung
(R ଡ଼ଵ.ଡ଼ଶ.ଢ଼ )ଶ(n − m − 1)
F୦୧୲୳୬୥ =
m(1 − Rଶଡ଼ଵ.ଡ଼ଶ.ଢ଼)

(−1.286)ଶ(10 − 2 − 1)
= = −8.85335
2(1 − (−1.286)ଶ)
 Menentukan Ftabel
Ftabel = 4.74
 Kaidah pengujian
Apabila Fhitung ≤ Ftabel Maka tidak ada pengaruh simultan
Apabila Fhitung > Ftabel maka ada pengaruh simultan
Dari hasil perhitungan bahwa :
Fhitung = -8.85335 < 4.74
 Kesimpulan
Hal ini dapat disimpulkan bahwa tidak terdapat pengaruh
signifikan secara simultan antara motivasi dan kedisiplinan
terhadap prestasi mahasiswa.
7.4. Analisis Korelasi

Analisis ini dapat digunakan untuk mengukur kekuatan
hubungan antar variabel yang akan diteliti. Hubungan antar variabel
X dan Y berupa hubungan positif maupun hubungan negatif. Jika
hubungan yang diperoleh positif maka maka dinyatakan hubungan
yang searah dan jika hubunganya negatif maka dapat dinyatakan
sebagai hubungan berbanding terbalik. Jika nilai korelasinya
memperoleh angka 1 menunjukan hubungan yang sempurna antar
variabel, dan jika hubungan korelasinya 0 maka dapat dipastikan
tidak ada hubungan antara variabel. Jika hubungan korelasi +1
berarti menunjukan pengaruh positif dan juka -1 maka menunjukan
pengaruh negatif. Sehingga dapat ditulis nilai koefisien korelasi
adalah -1 ≤ r ≤ +1
Untuk mencari nilai koefisen korelasi (r) dapat digunakan
n  XY -  X  Y   xy
atau r 
    x 2  y 2 
r
2 2 2 2
nX   X  n  Y   Y 
Contoh:
Tabel 7.5
Jumlah pendapatan dan pengeluaran dari 5 orang keluarga

Pendapatan Pengeluaran
Sampel / hari /hari (ribuan) XY X2 Y2
(ribuan) (X) (Y)
1 20 10 200 400 100
2 30 25 750 900 625
3 40 37 1480 1600 1369
4 30 28 840 900 784
5 50 48 2400 2500 2304
Jumlah 170 148 5670 6300 5182
n ∑ XY − (∑ X)(∑ Y)
r=
ඥ(n ∑ X ଶ − ∑(X)ଶ)(n ∑ Y ଶ − (∑ Y)ଶ)
5 x 5670 − (170)(148)
r= = 0.988
ඥ(5 x 6300 − 170ଶ)(5 x 5182 − (148ଶ)
Nilai koefisien korelasi diperoleh sebesar 0.988 atau 98% hal

ini menunjukan bahwa antara pendapatan dan pengeluran
mempunyai hubungan positif yang kuat. Artinya bahwa jika
pendapatan seseorang besar maka akan diikuti pengeluaran yang
besar pula. Jika nilai koefisien korelasi (r) dikuadratkan maka akan
diperoleh nilai koefisien determinasi (r2), yaitu untuk melihat
seberapa besar pengaruh X dalam mempengaruhi variabel Y. Nilai
koefisien determinasi terletak antara 0 – 1. jika mendekati nilai satu
maka kontribusi X terhadap Y semakin besar. Rumus yang digunakan
untuk menghitung koefisien determinasi adalah :
ଶ
(∑ xy)ଶ
r =
(∑ x ଶ)(∑ y ଶ)

BAB 8. ANALISIS TREND
(TIME SERIES)
8.1. Pengertian Analisis Trend (Time Series)

Anaalisis trend merupakan analisis yang digunakan untuk
mengestimasi atau meramal peristiwa yang akan terjadi dimasa yang
akan datang. untuk mendapatkan peramalan yang baik, maka
dibutuhkan data pada periode sebelumnya sebagai pendukung
utama untuk mengestimasi kejadian dimasa yang akan datang dan
kendala-kendala apa saja yang akan dihadapinya (Samsubar Saleh,
1998).
Secara teoritis, untuk mendapatkan hasil analisis yang baik,
maka harus didukung dengan kualitas dan keakuratan suatu
informasi atau data-data pada periode sebelumnya dengan interval
waktu yang relatif lama.
Dalam penerapan analisis time series dapat dikelompokan
menjadi dua kategori yaitu, analisis yang sifatnya jangka pendek dan
jangka panjang. jika membutuhkan analisis jangka pendek maka
model analisisnya berupa garis linear. Sedangkan untuk yang sifatnya
jangka panjang menggunakan non linear karena analisis jangka
panjang cenderung mengalami fluktuasi.
8.2. Metode Least Square

Metode yang digunakan untuk analisis time series adalah
Metode Garis Linier Secara Bebas (Free Hand Method), Metode
Setengah Rata-Rata (Semi Average Method), Metode Rata-Rata
Bergerak (Moving Average Method) dan Metode Kuadrat Terkecil
(Least Square Method).
Untuk pembahasan di bab ini lebih dikhususkan pada
pembahasan analisis time series dengan menggunakan metode

kuadrat terkecil yang dapat dikelompokan menjadi 2 yaitu : khusus
data genap dan khusus data ganjil. Persamaan garis linear dapat
ditulis sebagai berikut : Y = a + b X, Simbol Y merupakan variabel
yang dicari dan simbol X merupakan variabel waktu. untuk
menentukan nilai konstanta (a) dan parameter (b) adalah sebagai
berikut :
Y  XY
a dan b
n 2
X
Contoh Kasus Data Ganjil:

Volume penjualan Perusahaan B dari tahun 2000 sampai pada tahun
2008 yaitu seperti pada tabel dibawah ini.
Tabel 8.1
Volume Penjualan
Tahun Penjualan (Y) X XY X2
2000 1000 -4 -4000 16
2001 900 -3 -2700 9
2002 700 -2 -1400 4
2003 1300 -1 -1300 1
2004 1200 0 0 0
2005 1000 1 1000 1
2006 1200 2 2400 4
2007 1100 3 3300 9
2008 1000 4 4000 16
Jumlah 9400 1300 60
Mencari nilai a dan b persamaan :
- Nilai a :
∑ Y 9400
a= = = 1044.44
n 9
- nilai b
∑ XY 1300
b= ଶ = = 21.66
X 60
Sehingga dapat ditarik persamaan garis linearnya adallah :
Y = 1044.44 + 21.66 X
Dari hasil perhitungan diatas dapat dijelaskan :

a = 1044.44 merupakan jumlah barang yang dijual oleh
perusahaan B pada tahun dasar 2004
b = 21.66 merupakan merupakan jumlah kenaikan penjualan
barang yang dijual oleh perusahaan B untuk setiap tahunya.
X = perhitungan yang didasarkan pada tahun dasar yang akan
ditentukan dari X = 0
Dengan perhitungan di atas, maka kita dapat meramalkan untuk
penjualan ditahun 2012 yaitu sebagai berikut :
Y = 1044.44 + 21.66 X untuk tahun 2012 X dan nilai X = 8
Maka
Y = 1044.44 + 21.66 (8)
= 1044.44 + 173.8 = 1217.22
Sehingga untuk penjulan perusahaan B diperkirakan akan mencapai
1217 unit.
Contoh Kasus Data Genap
Contoh Kasus Data Genap:
Volume penjualan Perusahaan B dari tahun 2000 sampai pada tahun
2007 yaitu seperti pada tabel dibawah ini ;
Tabel 8.2
Analisis Volume Penjualan
Tahun Penjualan (Y) X XY X2
2000 1000 -3 -3000 16
2001 900 -2 -1800 9
2002 1300 -1 -1300 1
2003 1200 0 0 0
2004 1000 1 1000 1
2005 1200 2 2400 4
2006 1100 3 3300 9
2007 1000 4 4000 16
Jumlah 8700 2 2700 60
Mencari nilai a dan b persamaan :

- Nilai a :
∑ Y 8700
a= = = 966.67
n 9

- nilai b
∑ XY 2700
b= ଶ = = 45
X 60
Sehingga dapat ditarik persamaan garis linearnya adallah :
Y = 966.67 + 45 X
a = 966.67 merupakan jumlah barang yang dijual oleh perusahaan
B pada tahun dasar 2003
b = 45 merupakan merupakan jumlah kenaikan penjualan barang
yang dijual oleh perusahaan B untuk setiap tahunya.
X = perhitungan yang didasarkan pada tahun dasar yang akan
ditentukan dari X = 0
Dengan perhitungan di atas, maka kita dapat meramalkan untuk
penjualan ditahun 2012 yaitu sebagai berikut :
Y = 966.67 + 2700 X untuk tahun 2012 X dan nilai X = 9
Maka
Y = 966.67 + 45 (9)
= 966.67 + 405 = 1.371.67
Sehingga untuk penjulan perusahaan B diperkirakan akan mencapai
1.371.67 unit
8.3. Trend Kuartalan Dan Bulanan
Selain dari penentuan garis trend tahunan, adapula penentuan
garis trend kuartalan. persamaan yang digunakan untuk menghitung
trend kuartalan tersebut adalah sebagai berikut :
Trend Kuartalan (X = Tahun)
Dalam setahun terdiri dari 4 kuartal dimana untuk satu kuartal terdiri
dari tiga bulan
Jika mengacu pada contoh soal di atas dengan mengambil hasi
persamaan garis trend Y = 966.67 + 45 X. Maka tersebut dapat
diubah dalam bentuk kuartalan, cara penyelesaian sebagai berikut :
untuk persamaan a dan b masing-masing akan dibagi emapt yaitu;
966.67 45
ܻ= + (ܺ = ‫ܽݐ‬ℎ‫ = ܻ݆݅݀ܽ݊݁ ݉)݊ݑ‬241.67 + 11.25(ܺ‫ܽݐ‬ℎ‫݊ݑ‬
4 4

a = 241.67 merupakan perkiranaan jumlah barang yang dijual oleh
perusahaan B pada tahun dasar 2003 (tahun dasar) mencapai
241.67 setiap kuartal
barang yang dijual oleh perusahaan B untuk setiap kuartal.
Untuk perkiraan rata-rata penjualan kuartalan untuk tahun 2012
Y = 241.67 + 11.25 (10)
= 241.67 + 112.5
= 354.17
sehingga dapat diperkirakan bahwa untuk besaran penjualan barang
pada tahuh 2012 diperkiraakan mencapai 354.17 atau 354,170 unit
Untuk peramalan rata-rata penjualan kuartalan pada tahun 2012
Trend Bulanan (X = Tahun)

Pada perhitungan trend bulanan dimana untuk variabel X = tahun
maka dapat dibuat persamaan garis trendnya adalah sebagai berikut
: Y = 966.67 + 45 X. untuk menentukan nilai a dan b masing-masing
dibagi 12 (bulan). Maka dapat diselesaikan dengan cara berikut ini :
966.67 45
Y= + (X tahun)menjadi Y = 80.55 + 3.75 X
12 12
a = 80.55 merupakan perkiranaan jumlah barang yang dijual oleh
perusahaan B pada tahun dasar 2003 (tahun dasar) mencapai
80.55 atau sekitar 80,550 unit setiap bulan
barang yang dijual oleh perusahaan B untuk setiap bulan
Y = 80.55 + 3.75 (10)
= 80.55 + 37.5
= 118.05
sehingga dapat diperkirakan bahwa untuk besaran penjualan barang
pada tahuh 2012 diperkiraakan mencapai 118.05 atau 118,050 unit
Untuk peramalan rata-rata penjualan bulanan pada tahun 2012
8.4. Variasi Musiman

Analisis musiman merupakan salah satu alat yang digunakan
untuk melakukan analisis time serie (trend). Analisis ini sangat
penting karena faktor musiman merupakan salah satu alat ukur yang
digunakan untuk melihat tingkat fluktuasi atau trend dalam setia
musim

BAB 9. PERMUTASI
DAN KOMBINASI
9.1. Pengantar
Permutasi dan kombinasi Alat analisis yang memiliki peran
penting dalam mengambil suatu keputusan dari banyaknya
alternatif. Ada berapa macam cara suatu peristiwa yang dapat
terjadi yang seringkali dihadapi dalam perhitungan dengan berbagai
kemungkinan untuk menentukan alternatif pemilihan.
Pembahasan pemutasi dan kombinasi dalam catatan ini yang
perlu dipahami adalah arti dari istilah tersebut. Faktorial
(disimbolkan dengana tanda seru !). Nillai faktorial dapat
diformulasikan n! = 1 x 2 x 3 x 4 x 5 … x n. Khusus untuk 0! = 1.
sebagai contoh 4! = 1 x 2 x 3 x 4 = 24
9.2. PERMUTASI
Permutasi merupakan sekumpulan objek yang disusun dalam
suatu urutan tertentu. Dan perlu diperhatikan bahwa objek-objek
yang dimaksud harus dapat dibedakan antara yang satu dengan yang
lainnya. Untuk menghitung nilai permutasi dapat digunakan rumus
sebagai berikut :
n!
nPx =
(n − x)!
Keterangan:
n = banyaknya seluruh obyek
x = banyaknya obyek yang dipermutasikan

Nilai n dan x masing-masing harus lebih besar dari nol. Jika nilai x < n
disebut dengan Permutasi Sebagian Obyek. Jika nilai x = n, maka
disebut Permutasi Seluruh Obyek, sehingga rumus tersebut dapat
disederhanakan menjadi : nPx  n!
Contoh:
 Terdapat tiga orang yaitu Si A, si B dan Si C yang akan duduk
bersama di sebuah bangku. Ada berapa urutan yang dapat terjadi
?
Jawab :
nPx  n! = 3P3 = 3! = 1 x 2 x 3 = 6 cara, yaitu :
ABC ACB, BAC, BCA, CBA, CAB,
 Suatu kelompok belajar yang beranggotakan empat orang (A, B, C
dan D) akan memilih ketua dan wakil ketua kelompok. Ada
berapa alternatif susunan ketua dan wakil ketua dapat dipilih ?
Jawab :
n! 4! 4! 1x 2 x 3 x 4
nPx  = 4P2 =    12 cara,
(n  x)! (4 - 2)! 2! 1x 2
yaitu :
Ketua A A A B B B C C C D D D
Wakil Ketua B C D A C D A B D A B C
 Khusus untuk obyek yang berbentuk suatu lingkaran, alternatif

susunan digunakan Permutasi Keliling atau Permutasi Lingkaran.
Formulasi permutasi lingkaran adalah (n – 1)! cara. Misalnya
terdapat empat orang (W, X, Y, dan Z) akan duduk bersama pada
sebuah meja bundar, maka alternatif susunannya adalah : (4 – 1)!
= 3! = 1 x 2 x 3 = 6 cara, yaitu :
W Z Y X
WXYZ : Z X Y W X Z W Y
Y X W Z
X Z Y W
WYZX : Z W Y X W Z X Y
Y W X Z

Z W Y X
WZXY : W X Y Z X W Z Y
Y X Z W
Y Z X W
WXZY : Z W X Y W Z Y X
X W Y Z
Z X Y W
WYXZ : X W Y Z W X Z Y
Y W Z X
Z W X Y
WZYX : W Y X Z Y W Z X
X Y Z W
9.3. Kombinasi
Untuk melihat perbedaan yang mendasar antara permutasi
dan kombinasi yaitu terletak pada urutan dan kedudukan
penyusunan dari sekelompok objek. kedudukan atau urutan
merupakan masalah yang sangat penting, sedangkan dalam
kombinasi tidak mementingkan urutan atau kedudukan dari
sekelompok objek.
Misalnya pada permutasi dengan urutan obyek yaitu XYZ; XZY;
ZYX adalah susunan yang berbeda, akan tetapi untuk kombinasi
urutan tersebut tetap dianggap sama. Sehingga kombinasi
merupakan suatu cara pemilihan objek dengan tanpa
memperhatikan dari susunan objek tersebut. Maka untuk
menghitung kombinasi suatu objek dapat diformulasikan sebagai
berikut :
n!
nCx =
x! (n − x)!
Keterangan
n : banyaknya seluruh obyek yang ada

x : banyaknya obyek yang dikombinasikan
Nilai x  n, sedangkan untuk x = n, maka formulasi menjadi nCn = 1.
Contoh :
 Dari 4 warna yang berbeda yaitu putih, merah, ungu dan coklat
akan dicapmpur dalam 3 jenis yang berbeda. maka ada berapa
kombinasi tiga jenis warna yang dihasilkan?
Jawab :
4! 4! 24
4 C 3  3! (4  3)!  3! (1)!  6  4
macam kombinasi, yaitu :
- Putih Merah Ungu

- Putih Merah Coklat
- Merah Ungu Coklat
- Putih Ungu Coklat
 Dalam sebuah forum terdapat 15 orang yang belum saling
mengenal. Untuk itu, agar saling mengenal maka mereka saling
berjaba tangan. Berapa banyakkah jaba tangan yang terjadi?
Jawab :
ଵହ! ଵହ! ଵସ ୶ ଵହ
10Cଶ = = = = 105 jabat tangan.
ଶ!(ଵହିଶ)! ଶ!(ଵଷ!) ଶ

BAB 10. DISTRIBUSI KEMUNGKINAN
10.1. Pengertian Distribusi Kemungkinan

Dalam pembahasan distribusi kemungkinan, terlebih dahulu
harus dibedakan antara variabel diskrit dan variabel kontinyu.
variabel diskrit merupakan variabel yang memiliki angka-angka bulat.
Misalnya jumlah buah ada 80 buah. Dalam variabel diskrit memiliki
ketentuan X > 5 ≠ X ≥ 5. dan untuk variabel kontinyu adalah suatu
variabel yang mempunyai nilai yang bekesinambungan. Misalnya
panjang tali 17.24 M. Dalam variabel kontinyu berlaku ketentuan X >
5 = X  5. Dengan demikian variabel kontinyu dapat dikatakan
mempunyai nilai yang kecilnya tidak terhingga dan besarnya juga
tidak terhingga.
10.2. Distribusi Binomial
Distribusi binomial digunakan untuk menilai suatu peristiwa
yang sering terjadi. Rumus yang digunakan adalah :
P(X) = C୶୬(P ୶)(X ୬ି୶)
Keterangan :
X = Peristiiwa sukses
P = Peluang peristiwa sukses
C = combinasi
Q = peluang peristiwa gagal
n = banyak sampel peristiwa

Contoh :
 Dilkuakan percobaan pelemparan koin sebanyak 7 kali
pelemparan. berapakah probabilitas yang tampak permukaan
angka sebanyak 4 kali
Jawab :
Diketahui
X = Tampak permukaan angka sebanyak 4 kali
P (angka) = ½
P (gambar) = ½ (Q = 1 – P = 1 – 0.5 = 0.5)
Sehingga :
P(X) = C୶୬(P ୶)(X ୬ି୶)
଻
1 ସ 1 ଻ିସ
P(4) = Cସ ൬ ൰ ൬ ൰
2 2
7!
P(4) = (0.0625)(0.125)
4! (7 − 4)!
P(4) = (35)(0.0625)(0.125) = 0.273 = 27.3%
Peruahan X membuka lowongan kerja untuk calon karyawan. Ada

200 pelamar yang masuk dan dinyatakan lolos hanya 153 peserta
yang lolos seleksi. berapakah probabilitas jika :
a. Terdapat 4 orang peserta lolos dari 8 peserta
b. Terdapat paling banyak 2 orang peserta tidak lolos dari 8 peserta
c. terdapat paling sedikit 7 orang peserta lolos dari 8 peserta
Jawab
Langkah Penyelesaian :
Menentukan probabilitas lolos dan tidak lolos
153
Probabilitas lolos =
200
47
Probabilitas tidak lolos =
200
a. terdapat 4 peserta yang lolos dari 8 peserta
P(X) = C୶୬(P ୶)(X ୬ି୶)
଼
153 ସ 47 ଼ିସ
P(10) = Cସ ൬ ൰ ൬ ൰
200 200
8!
P(5) = ൬ ൰(0.765)ସ(0.235)ସ
4! (8 − 4)!
P(5) = (70)(0.342)(0.0030) = 7.1%

b. Paling banyak 2 orang peserta yang tidak lolos dari 8 peserta
karena pernyataan banyak tidak lolos maka untuk probabilitas
47 153
lolos = danprobabilitas tidak lolos =
200 200
P(X) = C୶୬(P ୶)(X ୬ି୶)
47 ଴ 153 ଼ି଴
P(X = 0) = C଴଼ ൬ ൰ ൬ ൰
200 200
8!
P(0) = (1)(0.1173)
0! (8 − 0)!
P(0) = (1)(1)(0.1173) = 11.73%
47 ଵ 153 ଼ିଵ
P(1) = Cଵ଼ ൬ ൰ ൬ ൰
200 200
8!
P(1) = (0.235)(0.153)
1! (8 − 1)!
P(1) = (8)(0.235)(0.153) = 28.76%
଼
47 ଶ 153 ଼ିଶ
P(2) = Cଶ ൬ ൰ ൬ ൰
200 200
8!
P(2) = (0.055)(0.200)
2! (8 − 2)!
P(2) = (28)(0.050)(0.200) = 28%
Jadi peluang yang perseta paling banyak 2 orang dari 8 peserta
adalah 11.73 + 28.76 + 28 = 68.49%
c. terdapat paling sedikit 7 orang peserta lolos dari 8 peserta
P(X) = C୶୬(P ୶)(X ୬ି୶)
153 ଻ 47 ଼ି଻
P(7) = C଻଼ ൬ ൰ ൬ ൰
200 200
8!
P(7) = (0.153)(0.235) = 28.76%
7! (8 − 7)!
8! 153 ଼ 47 ଼ି଼
P(8) = ൬ ൰ ൬ ൰
8! (8 − 8)! 200 200
P(8) = (1)(0.117)(1) = 11.7%
Jadi peluang yang perseta paling sedikit 7 orang yang lolos dari 8
peserta adalah 28.76% + 11.7% = 40.46%

10.3. Distribusi Poisson
Distribusi poisson merupakan kebalikan dari distribusi
binomial, dimana pada model ini memiliki tingka probabilitas (P)
suatu peristiwa yang relatif kecil dan jumlah peristiwa yang relatif
banyak. Peristiwa yang terjadi pada setiap percobaan ada yang gagal
dan sukses. Misalnya; jumlah mahasiswa ekonomi adalah 1000
mahasiswa yang memiliki mobil 30 mahasiswa, maka probabilitas
30
mahasiswa yang menggunakan mobil adalah P= atau contoh
1000
lain mahasiswa berkunjung ke perpustakaan enam bulan sekali
berarti probabilitas mahasiswa berkunjung keperpustakaan adalah
1
P= hari. Adapun rumus distribusi poisson adalah sebagai
180
berikut :
(μ୶)(eିஜ)
P(X) =
x!
dimana :
e = adalah bilangan irasional dengan nilai 2,71828
µ = rata-rata
µ=nxP
n = Banyak peristiwa
P = probabilitas suatu peristiwa
Contoh :
Si A menguji kualitas mesin foto copy dari kerusakan atau kecacatan
hasil foto copyanya. Dari hasil catatanya bahwa setiap 1000 lembar
kertas copyan ditemukan 10 kertas rusak. dari kumpulan kertas
tersebut, diambil 700 lembar kertas. berapakah probabilitas :
a. Jika ditemukan kerusakan 5 kertas
b. Jika ditemukan kerusakan 2 kertas
c. Jika ditemukan kerusakan 1-2 kertas
Jawab :
Menentukan niai µ
μ =nxp
10
= 700 x =7
1000
a. Jika ditemukan kerusakan 5 kertas

(7ହ)(2,71828ି଻)
P(5) =
5!
(16,807)(0.00091)
P(5) = = 12.77%
120
b. Jika ditemukan kerusakan 2 kertas
(7ଶ)(2,71828ି଻)
P(2) =
2!
(49)(0.00091)
P(2) = = 2.22%
2
c. Jika ditemukan kerusakan 1-2 kertas
(7ଵ)(2,71828ି଻)
P(1) =
1!
(7)(0.00091)
P(1) = = 0.63%
1
(7ଶ)(2,71828ି଻)
P(2) =
2!
(49)(0.00091)
(2) = = 2.22%
2
Jadi Probabilitas ditemukan kerusakan 1-2 kertas adalah 0.63% +
2.22% = 2.85%
 Menurut catatan yang melakukan tansaksi di supermarket
bahwa dari 500 orang yang belanja, terdapat 5 orang yang
belanjan lebih dari Rp300.000. Jika diambil 300 orang
berapakah probabilitas yang belanja tidak lebih dari 2 orang
yang belanja sebesar Rp200.000
Jawab :
μ=nxp
5
= 300 x =3
500
Probabilitas yang belanja tidak lebih dari 2 orang. Berarti :
(3଴)(2,71828ିଷ)
P(0) =
0!
(1)(0.0498)
P(0) = = 4.98%
1
(3ଵ)(2,71828ିଷ)
P(1) =
1!
(3)(0.0498)
P(1) = = 14.94%
1

(3ଶ)(2,71828ିଷ)
P(2) =
2!
(9)(0.0498)
P(2) = = 22.41%
2
Jadi (X ≤ 2 = 4.98% + 14.94% + 22.41% = 42.33%
10.4. Distribusi Normal

Distribusi normal atau disebut juga kurva normal merupakan
penentuan besaran probabilitas dengan menggunakan bantuan
kurva normal. Kurva normal dapat digambarkan seperti gambar
berikut
A A
 
f(x)
 x
Sifat dari kurva normal adalah:

a. Garis atau kurva f(x) simetris terhadap x =  (dimana  adalah
rata-rata distribusi).
b. Mempunyai satu modus, yaitu nilai terbesar untuk f(x) yang
dicapai pada x = .
c. Jarak titik belok kurva (titik A) dengan sumbu simetris (x = )
sama dengan  (dimana  adalah standart deviasi distribusi).
d. Kurva mendekati sumbu datar x mulai pada x =  + 3  ke kanan
dan x =  - 3  ke kiri.
e. Luas kurva normal, yaitu luas daerah di bawah kurva f(x) dan di
atas sumbu x adalah sama dengan 1 (satu).
Rumus yang digunakan untuk menghitung kurvaa normal adalah :

ܺ−ߤ
ܼ=
ߪ
Untuk menghitung nilai ߪ = npq
Contoh:
 Sebuah percobaan pelemparan dadu sebanyak 100 lemparan.
berapakah probabilitas munculnya mata dadu empat antara 20
sampai dengan 30 kali dari 100 lemparan tersebut?
Jawab :
Peluang yang muncul setiap mata dadu yaitu 0.167
ߤ = 100 x 0.167 = 16.7
ߪ= npq
ߪ = √100 ‫ ݔ‬0.167 ‫ ݔ‬0.833 = 3.73
ܺ−ߤ
ܼ=
ߪ
20 − 16.7
ܼ1 = = 0.88
3.73
Nilai Z dari 0.88 = 0.3106 Maka nilai probabilitasnya ; 31.06%
30 − 16.7
ܼ2 = = 3.58
3.73
Nilai Z dari 3.58 = 0.4998 Maka nilai probabilitasnya ; 49.98%
Jadi probabilitas dari 20 sampai 40 kali adalah :
31.06% + 49.98% = 81.04%
81%
20 40 50
 Sebuah pomapa bensin mampu menjual rata-rata perharinya

adalah 5000 liter ke konsumen. dengan standar deviasi 40 dan
penjualan tersebut berdistribusi normal. Berapakah probabilitas
a. Jika suatu hari memiliki penjualan 5100 liter?
b. jika suatu hari memiliki penjualan lebih dari 4000 liter
c. Jika memiliki penjualan kisaran antara 4950 sampai 5100 liter

Jawab:
a. Probabilitas menjual 5100 liter dalam sehari :
5100 − 5000
ܼ= = 2.5
40
Maka nilia Z tabelnya adalah 0.4938 atau 49.38%
49%
5000 5100
b. jika suatu hari memiliki penjualan lebih dari 4000 liter
4950 − 5000
ܼ= = −1.25
40
39.4%
4950 5000
c. Jika memiliki penjualan kisaran antara 4950 sampai 5100 liter

4950 − 5000
ܼଵ = = −1.25
40
5100 − 5000
ܼଶ = = 2.5
40
Jadi luas kurfa 4950 sampai 5100 = 39.44% + 47.98% = 87.42
87.42%
4950 5000 5100

BAB 11. PENGUJIAN HIPOTESIS
11.1. Pengertian Pengujian Hipotesis

Dalam suatu penelitian, sangat perlu dilakukan dalam
merumuskan hipotesis yang akan diajukan dalam penelitian nanti.
Hipotesis merupakan kesimpulan awal terhadap masalah yang akan
diteliti. Atau Hipotesis dapat juga dipandang sebagai konklusi yang
sifatnya sangat sementara. Sebagai konklusi sudah tentu hipotesis
tidak dibuat dengan semena-mena, melainkan atas dasar
pengetahuan-pengetahuan tertentu
Didunia akademik, aturan dalam menarik sebuah hiotesis
harus didasarkan dengan dukungan dari sejumlah teori sehingga
konsep tersebut dapat diajukan sebagai hipotesis. Dengan demikian,
masalah yang menjadi rujukan kita dalam penelitian akan bisa
terjawab melalui rumusaan dari hipotesis tetapi masih bersifat
teoritis dan bersifat sementara. Oleh sebab itu, diperlukan data
lapangan untuk memastikan kebenaran hipotesis yang diajukan.
Kebenaran hipotesis tergantung pada analisis data lapangan.
Hipotesis yang diajukan dapat diterima kebenarannya jika analisis
data lapangan sesuai dengan teori, sebaliknya jika analisis data
lapangan bertolak belakang (berbeda) dengan teori, maka hipotesis
yang diajukan dapat ditolak.
suatu hipotesis dapat berupa hipotesis yang sifatnya
kuantitatif dan sifatnya kualitatif. Secara statistik, hipotesis yang
sifatnya kuantitatif dapat diuji dengan data statistik. Hipotesis yang
demikian, disebut Hipotesis Statistik (Statistical Hypothesis) karena

selain harus disajikan dalam bentuk angka, hipotesis statistik juga
merupakan pernyataan tentang bentuk fungsi yang menggambarkan
hubungan antar variabel yang diteliti., sedangkan yang sifatnya
kualitatif tidak dapat diuji.
Dalam pengujian hipotesis secara statistik dapat dilakuka
dengan dua model yaitu hipotesis nol (H0) dan hipoteisis alternatif
(Ha) yang artinya dapat dijelaskan pada pernyataan di bawah ini;
Ho menyatakan : tidak ada perbedaan antara statistik sampel

dengan parameter populasi atau tidak ada
hubungan antara dua variabel atau lebih.
Ha menyatakan : terdapat perbedaan antara statistik sampel
dengan parameter populasi atau terdapat
hubungan antara dua variabel atau lebih.
Syarat hipotesis yang diajukan agar dapat dianalisis atau diuji
maka perlu diperhatikan hal-hal di bawah ini;
a. Terdapat hubungan antara dua variabel atau lebih
b. Dinyatakan dalam kalimat pernyataan
c. Dirumuskan secara jelas dan padat (sistematik)
d. Dapat diuji kebenarannya berdasarkan data lapangan.
Dalam pengujian hipotesis ditetapkan taraf signifika atau

sering disebut sebaga toleransi kesalahan yang disimbol dengan α
dimana taraf signifikansinya dinyatakan dalam persentaase,
(misalnya  : 5%, 10% dan lain-lain). Lawan dari taraf signifikan
adalah tingkat keyakinan, yaitu bernilai sebesar 1 - . Misalnya jika
taraf signifikan sebesar 5% maka tingkat keyakinan sebesar 95 %, jika
 sebesar 10% maka tingkat keyakinan bahwa hipotesis yang
diajukan benar adalah sebesar 90%.
Dalam pengujian hipotesis terdapat dua cara yang dapat
dilakukan, yaitu pengujian hipotesis satu arah (One Tail Test) dan
pengujian hipotesis dua arah (Two Tail Test). Untuk pengujian
hipotesis satu arah dibagi menjadi dua, yaitu pengujian hipotesis
satu arah negatif dan pengujian hipotesis satu arah positif

(tergantung hipotesis alternatif yang diajukan). Pengujian hipotesis
tersebut dapat dijelaskan sebagai berikut :
Langkah pengujian harga Mean (µ) sebagai berikut :
1. Menentukan Ho dan Ha
Ho : µ = µo
Ha : U # Uo (Pengujian dua sisi)
U ˃ Uo (Pengujian satu sisi kanan)
U ˂ Uo (Pengujian satu sisi
2. Menentukan level of significance
Dalam hal ini menentukan taraf keyakinan dan tingkat
toleransi kesalahan (α)
3. Kriteri pengujian
Jika n ˃ 30, maka menggunakan nilai Z tabel
Jika n ≤ 30, maka menggunakan nilai t tabel
Pengujian Hipotesis Satu Arah Negatif
Ho diterima jika :
-Zα ≤ Z hitung atau –t(α;df(n-1)) ≤ t hitung
Ho ditolak jika :
Z hitung ˂ -Zα atau t hitung ˂ -t(α;df(n-1))
Daerah
Penolakan Ho
Daerah
Penerimaan Ho
-Z
(– T n – 1)
Gambar 13.1. Untuk Satu Arah Negatif
Pengujian Hipotesis Satu Arah Positif

Ho diterima jika :
Z hitung ≤ + Zα atau t hitung ≤ +t(α;df(n-1))
Ho ditolak jika :

Z hitung ˃ +Zα atau t hitung ˃ +t(α;df(n-1))
Daerah
Penolakan Ho
Daerah
Penerimaan Ho
Z
(T n – 1)
Gambar 13.2. Untuk Satu Arah Positif
Pengujian Hipotesis Dua Arah

Ho diterima jika :
-Zα/2 ≤ Z hitung ≤ +Zα/2
-t(α/2;df(n-1) ≤ t hitung ≤ +t(α/2;df(n-1)
Ho ditolak jika :
Z hitung ˂ -Zα/2 atau Z hitung ˃ +Zα/2
t hitung ˂ -t(α/2;df(n-1) atau t hitung > +t(α/2;df(n-1)
Daerah Daerah Penolakan

Penolakan Ho Ho
Daerah
Penerimaan Ho
-Z Z
(- T n – 1) (T n – 1)
Gambar 13.3. Untuk Dua Arah
Berdasarkan penjelasan tersebut di atas, maka dalam bab ini akan

diuraikan pengujian hipotesis, khususnya untuk uji beda rata-rata
dan uji beda proporsi.

11.2. Uji Beda Rata-Rata
Ada dua pokok bahasan dalam uji beda rata-rata yaitu ujia beda
satu rata-rata dan uji beda dua rata baik termasuk sampel kecil
maupun sampel besar. Dalam pengujian ini data yang digunakan
adalah data yang bersifat kontinyu
b. Uji Beda Satu Rata-Rata untuk Sampel Kecil (n ≤ 30)

Rumus yang digunakan adalah ;
X − µ଴
t ୦୧୲୳୬୥ = σ
√n
Dimana :
X : Rata-Rata Statistik  : Rata-Rata Parameter
σ : Standart Deviasi Statistik n : Jumlah Sampel
Contoh :
 Seorang pejabat diperusahaan X yang bergerak di jasa keuangan
yang bertanggung jawab tentang pemberian kredit, memiliki
anggapan bahwa rata-rata modal perusahaan nasional adalah
sebesar Rp 150 juta, dengan alternative lebih besar dari itu.
Untuk menguji anggapanya itu, dipilih sampel secarah acak
sebanyak 25 buah perusahaan nasional, yang ternyata rata-rata
modalnya sebasar Rp 200 juta dengan simpangan baku diketahui
sebesar 20 juta. Dengan menggunakan alfa 1% ujilah anggapan
itu!
Jawaban
H0 : µ = µ0 (Rp150juta), artinya rata-rata modal perusahaan
nasional adalah 150 juta
Ha : µ ˃ µ0 (Rp100 juta), artinya rata-rata modal perusahaan
nasional ˃ dari 150 juta
Uji satu arah yaitu araha kanan (+)
Taraf signifikasinsinya
Taraf signifikan ( = 1%) maka T  . n – 1 = T 0,01 . 24 = 2,492
200.000.000 − 150.000.000
t ୦୧୲୳୬୥ =
20.000.000
√25

50.000.000
t ୦୧୲୳୬୥ = = 12.5
20.000.000
5
Berdasrkan pengujian, karena thintung= 12,5 > 2,492, maka Ho
ditolak berarti rata-rata modal perusahaan nasional adaah
Rp200.000.000, bukan Rp150.000.000
 Seorang pimpinan suatu Perguruan Tinggi menyatakan bahwa
pengeluaran rata-rata perhari untuk biaya perkuliahan dari
mahasiswa sebesar Rp. 9.000,-. Untuk menguji kebenaran
pernyataan tersebut maka diambil sampel sebanyak 28
mahasiswa dan diwawancarai. Hasil wawancara menunjukkan
bahwa rata-rata pengeluarannya sebesar Rp. 8.300,- dengan
standart deviasi Rp. 1.100,-. Jika digunakan tingkat keyakinan
sebesar 95%. Ujilah kebenaran pernyataan pimpinan tersebut.
Jawab :
Hipotesis Statistik : Ho :  = 9.000 dan Ha :   9.000
(uji dua arah)
Taraf signifikan ( = 5%) maka T ½ .n – 1 = T 0,025 . 27 =  2,052
8.300  9.000
T hitung =  3,37
1.100
28
Jadi karena - Thitung < - T tabel atau - 3,37 < -2,052 maka Ho ditolak
artinya pernyataan pimpinan Perguruan Tinggi tentang
pengeluaran rata-rata perhari untuk biaya perkuliahan dari
mahasiswa sebesar Rp. 9.000 adalah salah.
c. Uji Beda Satu Rata-Rata untuk Sampel Besar (n  30)

Rumus yang digunakan untuk menghitung Zhitung adalah :
X − µ଴
Z୦୧୲୳୬୥ = σ
√n
Contoh:
 Seorang pejabat diperusahaan X yang bergerak di jasa keuangan
yang bertanggung jawab tentang pemberian kredit, memiliki
anggapan bahwa rata-rata modal perusahaan nasional adalah

sebesar Rp 150 juta, dengan alternative lebih besar dari itu.
Untuk menguji anggapanya itu, dipilih sampel secarah acak
sebanyak 90 buah perusahaan nasional, yang ternyata rata-rata
modalnya sebasar Rp 200 juta dengan simpangan baku diketahui
sebesar 20 juta. Dengan menggunakan alfa 5% ujilah anggapan
itu!
Jawaban :
H0 : µ = µ0 (Rp150juta), artinya rata-rata modal perusahaan
nasional adalah 150 juta
Ha : µ ˃ µ0 (Rp100 juta), artinya rata-rata modal perusahaan
nasional ˃ dari 150 juta
Taraf signifikan ( = 5%) maka Zα/2 – 0.5 = 0.475 = 1.96
200 juta − 150 Juta
Z୦୧୲୳୬୥ = = 23.71
20 Juta
√90
Berdasrkan pengujian, karena Zhintung= 23,71 > 1,96, maka Ho
ditolak berarti rata-rata modal perusahaan nasional adaah
Rp200.000.000, bukan Rp150.000.000
d. Uji Beda Dua Rata-Rata untuk Sampel Kecil (n < 30)
Dalam pengujian ini terdapat dua kelompok data, yaitu

banyaknya sampel dari kelompok pertama (n1) dan sampel dari
kelompok kedua (n2). Sehingga jumlah sampel atau disimbolkan
dengan n adalah n1 + n2. Dengan demikian untuk degree of freedom
(df) adalah n1 + n2 – 2.
Langkah-langkah pengujian
1. Menentuka Ho dan Ha
Ho : U1 – U2 = 0
Ha : U1 – U2 # 0
U1-U2 > 0 (pengujian satu sisi kanan)
U1-U2 < 0 (pengujian satu sisi kiri)
2. Menentukan level of significance
Dalam hal ini menentukan taraf keyakinan dan tingkat toleransi
kesalahan (α)
3. Kriteria pengujian
Jika n1 + n2 – 2 > 30, maka menggunakan nilai Z tabel

Jika n1 + n2 – 2 ≤ 30, maka menggunakan nilai t tabel
Kurva pengujian 2 sisi
Ho diterima jika :
-Zαൗ2 ≤ Zhitung ≤ +Zαൗ2
-t(αൗ2 ;df(n1 + n2 – 2)) ≤ t hitung ≤ +t(αൗ2 ;df(n1+n2-2))
Ho ditolak jika:
Z hitung < - Zαൗ2 atau Z hitung > +Zαൗ2
T hitung <-t(αൗ2;df(n1+n2-2)) atau t hitung +t(αൗ2;df(n1+n2-2))
Jika kurva pengujian satu sisi kanan
Ho diterima jika :
-Za ≤ Z hitung atau –t(α;df(n1+n2-2)) ≤ t hitung
Ho ditolak jika :
Z hitung < -Za atau t hitung < -t(α;df(n1+n2-2))
Kurva pengujian satu sisi kanan
Ho diterima jika :
Z hitung ≤ +Zα atau t hitung ≤ +t(α;df(n1+n2-2))
Z hitung > +Zα atau t hitung > +t(α;df(n1+n2-2))
4. Pengujian
N1 + n2 – 2 > 30 maka dapat dihitung dengan
X ଵ− X ଶ
Z୦୧୲୳୬୥ =
Sଵଶ Sଶଶ
ඨ
nଵ + nଶ
N1 + n2 ≤ 30, maka rumusnya :

X ଵ− X ଶ
T୦୧୲୳୬୥ =
Sଵଶ(nଵ − 1) + Sଶଶ(nଶ − 1) 1 1
ඨ ቂn + n ቃ
nଵ + nଶ − 2 ଵ ଶ
X 1 : rata-rata statistik untuk sampel pertama
X 2 : rata-rata statistik untuk sampel kedua

S1 : standart deviasi untuk sampel pertama
S2 : standart deviasi untuk sampel kedua
n1 : jumlah sampel pertama

n1 : jumlah sampel kedua
5. Kesimpulan
Berdasarkan hasil pengujian, maka dapat disimpulkan apakah H0
diterima atau ditolak
Contoh :
 Perusahaan X memberi rata-rata upah mingguan kepada para
karyawan sebanyak 60 orang diproyek Rp100.000 dengan
simpangan baku Rp12.000/orang. dan proyek B diberikan upah
mingguan rata-rata Rp80.000 dari 30 karyawan dengan simpangan
baku Rp10.000. Taraf keyakinan sebesar 90%. Apakah ada
perbedaan yang signifikan rata-rata upah mingguan karyawan
antara proyek A dan proyek B
Jawaban
Proyek A : n1 = 60, X 1 = Rp100.000, S1 = Rp12.000
Proyek B : n2 = 30, X 2 = Rp80.000, SB = Rp10.000
Kepercayaan = 90%, α = 10%
Ho : UA – UB = 0 (tidak terdapat perbedaan yang signifikan rata-
rata upah mingguan tenaga lepas per orang
Ha : UA – UB # 0 (terdapat perbedaan signifikan rata-rata upah
mingguan tenaga lepas per orang antara proyek
A dan proyek B
Karena n1 + n2 – 2 = 60 + 30 – 2 = 88 > 30 Maka menggunakan nilai
Z tabel dan menggunakan pengujian dua sisi
Zα/2 = 10/2 = 5% Z = 1.645
Ho diterima jika :
-1,645 ≤ Z hitung ≤ +1,645
Ho ditolak jika :
Z hitung < -1,645 atau Z hitung +1,645
100.000 − 80.000
Z୦୧୲୳୬୥ =
ଶ ଶ
ට 12.000 + 10.000
60 30
20.000
Z୦୧୲୳୬୥ =
√2.400.000 + 3.333.333

20.000
Z୦୧୲୳୬୥ = = 8.3
2.394
Karen Z hitung = 8.3 > 1,645, maka Ho ditolak. Berarti terdapat
perbedaan yang signifikan rata-rata upah mingguan tenaga lepas
 Seorang dosen Mata Kuliah Statistika menyatakan bahwa nilai

ujian mahasiswi lebih baik dari pada nilai ujian mahasiswa. Untuk
membuktikan pernyataan tersebut maka diambil sampel nilai ujian
dari 14 mahasiswi dan 14 mahasiswa. Setelah diteliti rata-rata nilai
ujian mahasiswi 70,5 dengan standart deviasi 10,30. Sedangkan
untuk mahasiswa rata-rata nilai ujianya 65,4 dengan standart
deviasi 8,95. Dengan menggunakan tingkat keyakinan 95% ujilah
pernyataan dosen tersebut.
Jawab :
Misalnya A : nilai ujian mahasiswi B : nilai ujian mahasiswa
Hipotesis Statistik : Ho : A = B dan Ha : A > B
(Uji satu arah +)
Taraf signifikan ( = 5%) maka T  . 14 +14 - 2 = T 0,05 . 26 = 1,706
70,5  65,4
Thitung   1,40
(14  1)(10,30 2 ) (14  1)(8,95 2 
)  1 1
    
 14  14  2  14 14 
 
Jadi karena T hitung < T tabel atau 1,40 < 1,706 maka Ho diterima
artinya pernyataan dosen tentang nilai ujian mahasiswi lebih baik
dari pada nilai ujian mahasiswa adalah salah. Berdasarkan
penghitungan tersebut menunjukkan bahwa rata-rata nilai ujian
dari mahasiswi adalah sama dengan mahasiswa.
11.3. Uji Beda Proporsi
Dalam uji harga proporsi , banyaknya sampel tidak menjadi hal

penting akan tetapi yang mempengaruhi adalah besarnya proporsi
data. Oleh karena itu, berapapun jumlah sampel tidak menentukan

signifikan atau tidak signifikan dari hasil suatu pengujian. Misalnya
ଵ଴
nilai proporsi dari = 0,10 sama dengan pengujian II sebesar P =
ଵ଴଴
ଵ଴଴଴
= 0,10. Untuk melakukan pengujian nilai proporsi yaitu
ଵ଴଴଴଴
menggunakan tabel Z.
Sebagaimana uji beda rata-rata, uji beda proporsi juga
dibedakan antara uji beda satu proporsi dan uji beda dua proporsi.
b. Uji Beda Satu Proporsi
Rumus yang digunakan :
x
−P
Z hitung = n
ට P (1 − P)
n
dimana :
X : Nilai sampel yang diketahui dari pengamatan
P : Proporsi dari parameter dan q̂ = 1 - π
n : Jumlah sampel yang digunakan
Contoh :
 Armin melakukan pengamatan terhadap kegemaran bidang ilmu

mahasiswa yang menyatakan bahwa sebesar 65% mahasiswa
gemar belajar statistika, dengan alternatif berbeda dari itu. Untuk
membuktikan pernyataan si Amir tersebut, diambel sampel
sebanyak 120 mahasiswa lalu ditanya apakah anda senang belajar
matakuliah statistika? ternyata yang menjawab senang sebanyak
80 mahasiswa. Ujilah pernyataan tersebut! taraf keyakinan
sebesar 95%
Jawaaban :
Ho : P = Po (0,65), artinya Mahasiswa yang menyukai matakuliah
statistika sebesar 65%
Ha : P # Po (0,60), artinya yang menyukai matakuliah statistika
bukan 65%
Nilai tabel Z yaitu Zαൗ2 = Z0.05/2 = Z 0.5 - 0.025 = 1.96

80
− 0.65
Z୦୧୲୳୬୥ = 120
ට 0.65(1 − 0.65)
120
0.02 0.02
= = = 0.5
√0.002 0.04
Karena Z hiutng = 0.5 < 1,96, maka Ho diterima berarti
pernyataan dari pengamat masalah pendidikan yang menyatakan
saat ini sebanyak 65% siswa SD yang senang bidang ilmu
matematika adalah benar.
 Seorang pimpinan suatu bank menyatakan bahwa lebih dari 70%
nasabah kredit produksi mengembalikan pinjaman dengan tepat
waktu. Untuk menguji pernyataan tersebut maka diteliti
sebanyak 300 nasabah dan hasilnya sebanyak 280 nasabah
mengembalikan pinjamannya dengan tepat waktu. Dengan
menggunakan taraf signifikan 1% ujilah pernyataan pimpinan
tersebut.
Jawab :
Hipotesis statistik Ho : π = 0,70 Ha : π > 0,70
(Uji satu arah +)
Taraf signifikan () = 1% maka Z0,01 = 2,326
280 (300)(0,70 )
Z hitung   8,82
(300)(0,70 )(0,30)
atau
P = 280 / 300 = 0,933
maka :
0,933  0,70
Z hitung   8,82
(0,70)(0,3 0)
300
Jadi karena Z hitung > Z tabel atau 8,82 > 2,326 maka Ho ditolak
artinya pernyataan pimpinan bank bahwa nasabah yang
mengembalikan pinjaman kredit produksi dengan tepat waktu
sebanyak lebih dari 70% adalah benar.
b. Uji Beda Dua Proporsi

Pengujian ini ditujukan pada selisih proporsih dari dua populasi
yang berbeda apakah perbedaan dari proporsi tersebut signifikan
atau tidak signifikan. Misalnya proporsi yang suka main
bulutangkis dan tidak suka main bulutangkis, dan lain sebagainya.
Rumus yang digunakan adalah sebagai berikut :
Xଵ X ଶ
nଵ − nଶ
Z୦୧୲୳୬୥ =
1 1
ටp(1 − p) ቀ + ቁ
nଵ nଶ
dimana :
X1 = nilai sampel pertama dari hasil pengamatan
X2 = nilai sampel kedua dari hasil pengamatan
n1 = jumlah sampel pertama
n2 = jumlah sampel kedua
q =1–p
Contoh:
Sebuah riset mengamati kebiasaan ibu rumah tangga dalam
menggunakan deterjen rinso dan deterjen soklin didua kota yang
berbeda yaitu daerah malang dengan semarang. untuk daerah
malang ada 150 ibu rumah tangga yang disurvei dan ternyata ada 80
ibu rumah tangga senang menggunakan rinso. dan di kota semarang
dari 200 ibu rumah tangga ada 130 ibu rumah tangga yang
menggunakan Tingkat kepercayaan 98%. Ujilah pendapat bahwa
proporsi ibu rumah tangga yang lebih senang rinso daripada soklin di
Malang dan Semarang adalah tidak sama
Jawaban :
଼଴
Malang : n1 = 150, Xm = 80, pm = = 0,533
ଵହ଴
ଵଷ଴
Semarang : n2 = 200, xS = 130, ps = = 0,65
ଶ଴଴
CC = 98%
Ho : Pm – PS = 0 (proporsi ibu rumah tangga yang lebih senang rinso
daripada soklin di Malang dan Semarang adalah sama
Ha : PY – PS # 0 (proporsi ibu rumah tangga yang lebih senang rinso
daripada soklin di Malang dan Semarang adalah tidak sama)
Nilai Z tabel Zαൗ2 =2%ൗ2 = Z1% = 2,33
Kriteria pengujian :

Kurva pengujian dua sisi
Ho diterima jika -2,33 ≤ Z hitung ≤ +2,33
Ho ditolak jika Z hitung < -2,33 atau Z hitung > +2,33
0.53 − 0.65
Z୦୧୲୳୬୥ = = −2.35
ට (0.6)(0.4) ቀ 1 1
+ ቁ
150 200
Berdasarkan pengujian, karena Z hitung = -0,568 > -2.33 maka Ha
diterima, berarti proporsi ibu rumah tangga yang lebih senang rinso
daripada soklin di Malang dan Semarang adalah tidak sama
 Seorang salesmen produk shampoo “Cl” menyatakan bahwa
selera laki-laki dan perempuan terhadap produk shampoo “Cl”
adalah sama. Untuk menguji pernyataan tersebut maka diambil
sampel 200 laki-laki dan 250 perempuan. Dari sampel tersebut
ternyata sebanyak 110 laki-laki dan sebanyak 85 perempuan yang
menyukai produk shampoo “Cl”. Dengan menggunakan tingkat
keyakinan sebesar 95% ujilah pernyataan selesmen tersebut.
Jawab :
Hipotesis statistik : Ho : PL = PP Ha : PL  PP
(Uji dua arah)
Taraf signifikan () = 5% maka Z ½  = Z 0,025 =  1,960
110  85
p  0,43 sehingga q = 1 – 0,43 = 0,57
200  250
110 85

Z  200 250  4,47
hitung  1 1 
(0,43) (0,57)   
 200 250 
Jadi karena Z hitung > Z tabel atau 4,47 > 1,960 maka Ho ditolak
artinya pernyataan selesmen bahwa selera laki-laki dengan
perempuan terhadap shampoo “Cl” sama adalah salah. Secara
statistik selera laki-laki berbeda dengan selera perempuan
terhadap shampoo “Cl”.

11.4. Uji Kai Kuadrat (Chi Square Atau X2)
Dalam pengujian ini digunakan untuk uji proporsi dengan dua
peristiwa atau lebih sehingga datanya bersifat diskrit. hasil
pengujiannya menunjukan apakah ada perbedaan antara hasil
frekuensis obserfasi (f0) dengan frekuensi yang diharapkan (fh)
memiliki perbedaan yang signifikan atau tidak. Asumsi jika H0
diterima maka harga X2 lebih kecil dari X2 dalam tabel
Perbedaan tersebut meyakinkan jika harga dari Kai Kuadrat
2
(X ) sama atau lebih besar dari suatu harga yang ditetapkan pada
taraf signifikan tertentu (dari tabel X2). Dengan kata lain Ho akan
diterima jika harga X2 hitung lebih kecil dari X2 dalam tabel,
sebaliknya Ho akan ditolak jika harga X2 lebih besar atau sama
dengan X2 dalam tabel.
Uji Kai Kuadrat dapat digunakan untuk menguji : a) Uji X2
untuk Perbedaan; b) Uji X2 untuk Independensi, dan c) Uji X2 untuk
Bentuk Distribusi (Goodness of Fit). Sebagai rumus dasar dari uji Kai
Kuadrat adalah sebagai berikut :
2
2 ( f o f h )
X 
fh
dimana f 0 : frekuensi hasil observasi

f h : frekuensi yang diharapkan
Sedangkan untuk mendapatkan frekuensi yang diharapkan (f h)
adalah :
Jumlah Sebaris x Jumlah Sekolom
f 
h Jumlah Data
a. Uji Kai Kuadrat untuk Perbedaan

Bentuk hipotesis (Ho) yang digunakan dalam hal ini adalah:
“tidak terdapat perbedaan dari keadaan atau peristiwa dari
kelompok sampel yang satu dengan kelompok sampel yang lain”.
Sedangkan untuk Ha adalah: “terdapat perbedaan dari keadaan atau
peristiwa dari kelompok sampel yang satu dengan kelompok sampel
yang lain”. Jika banyaknya kelompok sampel adalah sebanyak k,

maka untuk derajat kebebasan (goodness of fit) adalah k – 1
(digunakan untuk mencari nilai X2 tabel).
Contoh :
Seorang perusahaan percetakan akan membeli mesin cetak
sebanyak tiga mesin cetak. Berdasarkan penawaran terdapat tiga
mesin cetak, yaitu merk A, B dan C. Untuk mengetahui kualitas dari
tiga merk mesin cetak tersebut maka dilakukan pengujian. Hasil
pengujian menunjukkan bahwa dari mesin merk A diambil sampel
sebanyak 100 lembar hasil cetakan dan ternyata yang rusak 12
lembar. Dari mesin merk B sampel hasil cetakan sebanyak 120
lembar yang rusak 15 lembar. Sedangkan mesin merk C dari sampel
hasil cetakan sebanyak 100 lembar yang rusak 13 lembar. Jika tingkat
keyakinan yang digunakan sebesar 95%, apakah ketiga mesin cetak
tersebut mempunyai kualitas yang sama.
Jawab :
Hipotesis Statistik :
Ho : Tidak terdapat perbedaan kualitas antara mesin merk A, B dan C
Ha : Terdapat perbedaan kualitas dari ketiga merk tersebut (minimal
terdapat dua merk yang berbeda kualitasnya)
Mencari harga frekuensi harapan :
Merk Mesin Cetak
Hasil Jumlah
Mesin A Mesin B Mesin C
Rusak (R) 12 1
15 2
13 3
40
Baik (B) 88 4
105 5
87 6
280
Jumlah 100 120 100 320
Untuk mencari f h masing-masing sel adalah :

Sel 1 = ( 40 x 100 ) : 320 = 12,5 Sel 4 = ( 280 x 100 ) : 320 = 87,5
Sel 2 = ( 40 x 120 ) : 320 = 15,0 Sel 5 = ( 280 x 120 ) : 320 = 105
Sel 3 = ( 40 x 100 ) : 320 = 12,5 Sel 6 = ( 280 x 100 ) : 320 = 87,5
Berdasarkan hasil tersebut di atas maka untuk mencari nilai X2
adalah :
Hasil Mesin fo fh Fo– fh (f o– f h)2 (f o– f h)2 : f h

A 12 12,5 - 0,5 0,25 0,02
RUSAK B 15 15,0 0 0 0
C 13 12,5 0,5 0,25 0,02
A 88 87,5 0,5 0,25 0,003
BAIK B 105 105 0 0 0
C 87 87,5 - 0,5 0,25 0,003
2
JUMLAH 320 320,0 0 X = 0,046
Dengan tingkat keyakinan sebesar 95% maka  = 5% dan df = k – 1 =

3 – 1= 2, maka nilai X2 tabel sebesar = 5,99.
Jadi karena X2 hitung lebih kecil dari X2 tabel atau 0,046 < 5,99 maka
Ho diterima artinya ketiga mesin cetak (mesin A, B dan C) adalah
mempunyai kualitas sama.
b. Uji Kai Kuadrat untuk Independensi

Uji Kai Kuadrat ini pada umumnya digunakan untuk menguji
apakah dua variabel yang masing-masing mempunyai beberapa
kategori saling mempunyai ketergantungan atau tidak. Hipotesis
nihil (Ho) menyatakan bahwa kedua variabel tidak saling tergantung
atau bersifat independen. Sedangkan hipotesis alternatif (Ha)
menyatakan bahwa kedua variabel saling tergantung atau
mempunyai ketergantungan.
Tabel untuk menguji disebut “Tabel Kontingensi”. Jika variabel
pertama mempunyai A kategori dan variabel kedua mempunyai B
kategori, maka tebel kontingensinya mempunyai A baris dan B kolom
atau disebut Tabel Kontingensi A x B. Sedangkan untuk menentukan
derajat kebebasan (df) adalah : (A – 1) (B – 1).
Contoh:
Seorang dosen mata kuliah Statistiska ingin menguji hubungan
antara nilai mata kuliah Matematika dengan mata kuliah Statistika
dari mahasiswa Fakultas Ekonomi. Untuk kebutuhan penelitian
tersebut maka diambil sampel secara random sebanyak 100
mahasiswa dan diperoleh data sebagai berikut :
Nilai Nilai Statistika Jumlah

Matematika Tinggi Sedang Rendah
1 2 3
Tinggi 20 10 5 35
4 5 6
Sedang 8 15 17 40
7 8 9
Rendah 0 4 21 25
28 29 43 100
Jika tingkat signifikan sebesar 5%, bagaimana kesimpulan penelitian

tersebut:
Jawab :
Ho : Nilai Statistika tidak tergantung pada nilai Matematika
Ha : Nilai Statistika tergantung pada nilai Matematika
Mencari nilai f h masing-masing sel adalah sebagai berikut :
Nilai Sel 1 = 9,8 Nilai Sel 4 = 11,2 Nilai Sel 7 = 7
Nilai Sel 2 = 10,15 Nilai Sel 5 = 11,6 Nilai Sel 8 = 7,25
Nilai Sel 3 = 15,05 Nilai Sel 6 = 17,2 Nilai Sel 9 = 10,75
2
Mencari nilai X adalah :
Nilai Nilai
fo fh f o – f h (f o– f h)2 : f h
Matematika Statistika
Tinggi 20 9,8 10,20 10,616
TINGGI Sedang 10 10,15 - 0,15 0,002
Rendah 5 15,05 - 10,05 6,711
Tinggi 8 11,2 - 3,20 0,914
SEDANG Sedang 15 11,6 3,40 0,997
Rendah 17 17,2 - 0,20 0,002
Tinggi 0 7 - 7,00 7,000
RENDAH Sedang 4 7,25 - 3,25 1,457
Rendah 21 10,75 10,25 9,733
JUMLAH 100 100,00 0 X2 = 37,472
Nilai tabel X2 untuk  = 5% dengan df = (3 – 1)(3 – 1) adalah sebesar

9,49.

Jadi karena X2 hitung lebih besar dari X2 tabel atau 37,472 > 9,49
maka Ho ditolak artinya besarnya nilai mata kuliah Statistika
mempunyai ketergantungan dengan besarnya nilai mata kuliah
Matematika.
c. Uji Kai Kuadrat untuk Goodness of Fit

Pengujian ini digunakan untuk mengetahui apakah suatu
himpunan frekuensi yang diperoleh dari hasil observasi mempunyai
distribusi frekuensi yang sesuai dengan distribusi tertentu yang
diharapkan (teoristis). Secara umum yang diuji adalah distribusi
normal dan distribusi binomial. Jika banyaknya kelas frekuensi yang
diharapkan dinotasikan dengan k, dan banyaknya besaran yang
dihitung dari frekuensi observasi yang digunakan untuk menghitung
frekuensi yang diharapkan, yaitu rata-rata, standart deviasi dan nilai
Z (3 besaran) dinotasikan dengan b, maka untuk mendapatkan
derajat kebebasan (df) adalah k – b.
Contoh:
Nilai ujian mata kuliah Statistika yang ditempuh oleh mahasiswa
Fakultas Ekonomi diharapkan mempunyai distribusi normal. Hasil
distribusi frekuensi nilai ujian mata kuliah Statistika (75 mahasiswa)
Banyaknya
Nilai Ujian
Mahasiswa (f o)
12 – 21 6 Catatan :
Hasil penghitungan diketahui
22 – 31 10
bahwa rata-ratanya 47,033 dan
32 – 41 14 standart deviasinya 17,7
42 – 51 15
52 – 61 12
62 – 71 10
72 – 81 8
Jumlah 75

Dengan menggunakan taraf signifikan 5%, dapatkah disimpulkan
bahwa distribusi frekuensi tersebut mempunyai distribusi normal
sesuai yang diharapkan.
Jawab :
Hipotesis Statistik:
Ho = Distribusi hasil observasi sesuai dengan distribusi normal
Ha = Distribusi hasil observasi tidak sesuai dengan distribusi normal
Mencari nilai X2 dengan langkah sebagai berikut :
Batas
Tepi
Kelas Nilai Z Luas Z Kelas fh fo f o- f h (fo-fh)2/ fh
Kelas
Antara
11,5 - 2,01 0,4778
12 – 21 0,0527 4,15 6 1,85 0,825
21,5 - 1,44 0,4251
22 – 31 0,1145 9,02 10 0,98 0,106
31,5 - 0,88 0,3106
32 – 41 0,1889 14,88 14 - 0,88 0,052
41,5 - 0,31 0,1217
42 – 51 0,2195 17,29 15 - 2,29 0,303
51,5 0,25 0,0978
52 – 61 0,1961 15,45 12 - 3,45 0,770
61,5 0,82 0,2939
62 – 71 0,1223 9,63 10 0,37 0,014
71,5 1,38 0,4162
72 – 81 0,0582 4,58 8 3,42 2,554
81,5 1,95 0,4744
Jumlah 0,9522 75,00 75 0 4,624
Keterangan :
a. Mencari nilai Z
11,5  47,033
Tepi kelas 11,5 : maka Nilai Z   2,01
17,7

21,5  47,033
Tepi kelas 21,5 : maka Nilai Z   1,44 ;
17,7
dan seterusnya
b. Luas Z
Tepi kelas 11,5 nilai Z-nya sebesar - 2,01 maka Luas Z = 0,4778
(lihat tabel Z)
Tepi kelas 61,5 nilai Z-nya sebesar 0,82 maka Luas Z = 0,2939
(lihat tabel Z)
c. Batas Kelas Antara

Merupakan selisih antara Luas Z sebelumnya dengan Luas Z
sesudahnya, misalnya kelas pertama 0,778 – 0,4251 = 0,0527.
Khusus untuk kelas keempat merupakan penjumlahan antara
Luas Z sebelumnya dengan Luas Z sesudahnya atau 0,1217 +
0,0978 = 0,2195 (karena perpindahan dari nilai Z negatif ke nilai Z
positif).
d. Nilai f h
Untuk mendapatkan nilai f h dengan langkah sebagai berikut :
n 75
  78,765
Jumlah Batas Kelas Antara 0,9522
Jadi nilai f h adalah Batas Kelas Antara dikalikan 78,765

Untuk kelas pertama, f h = 0,0527 x 78,765 = 4,15
Untuk kelas kedua, f h = 0,1145 x 78,765 = 9,02 dan seterusnya
Berdasarkan hasil pengolahan data tersebut di atas nilai X2

adalah sebesar 4,624 sedangkan nilai tabel X2 dengan  : 5% dan df :
k – b = 7 – 3 = 4 adalah 9,49 maka nilai X2 hitung lebih kecil dari nilai
X2 tabel, sehingga Ho diterima artinya nilai ujian mata kuliah
Statistika tersebut berdistribusi normal.

BAB 12. ANALISIS REGRESI LINIER
DAN KORELASI BERGANDA
12.1. Analisis Regresi Linier Berganda

Dalam analisis regresi dan korelasi sederhana jumlah variabel
independen yang digunakan adalah sebanyak satu variabel.
Sedangkan untuk analisis regresi dan korelasi berganda, jumlah
variabel independen yang digunakan lebih dari satu variabel. Dengan
demikian model persamaan regresi linier berganda menjadi :
Y = a + b1 X1 + b2 X2 + … + b i X i
dimana :
Y : Variabel Dependen
X1 : Variabel Independen Pertama
X2 : Variabel Independen Kedua
Xi : Variabel Independen Ke-i
b1, b2, …b i : Koefisien Regresi
a : Konstanta
Untuk mendapatkan nilai konstanta dan masing-masing nilai
koefisien regresi pada persamaan tersebut di atas, khusus untuk
analisis regresi linier berganda dengan tiga variabel (satu variabel
dependen dan dua variabel independen) sudah tersedia rumusnya,
sedangkan jika analisis regresi linier berganda dengan lebih tiga
variabel maka harus menggunakan metode matrik.

Dalam bab ini khusus akan dijelaskan metode analisis regresi
linier berganda dengan tiga variabel, sedangkan untuk analisis
regresi linier berganda lebih dari tiga variabel (dengan metode
matrik) dapat dipelajari dalam beberapa literature lainnya secara
mandiri.
12.2. Analisis Regresi Linier Berganda Tiga Variabel

Dalam analisis regresi linier berganda tiga variabel model
persamaannya adalah sebagai berikut : Y = a + b1 X1 + b2 X2.
Sedangkan untuk mendapatkan nilai a, b1 dan b2 digunakan rumus
sebagai berikut :
a  Y  b1 X1  b 2 X 2
2
(  x 1 y )(  x 2 ) (  x 2 y )(  x 1 x2 )
b1 
2 2 2
(  x 1 )(  x 2 ) (  x 1 x 2 )
2
(  x 2 y )(  x 1 ) (  x 1 y )(  x 1 x2 )
b2 
2 2 2
(  x 1 )(  x 2 ) (  x 1 x 2 )
2 2 2
Untuk mendapatkan  x1 ,  x 2 ,  y ,  x1 y ,  x 2 y ,  x1 x2
2
2 2 (  X1 )
 x 1   X1 
n
2
2 ( X2 )
2
 x 2   X2 
n
2
2 2 ( Y )
y  Y 
n
(  X 1()  X )
 x 1 x 2   X1 X 2  2
n
(  X 1()  Y )
 x 1 y   X1 Y 
n

(  X 2 ()  Y )
 x 2 y   X2 Y 
n
Berdasarkan rumus tersebut di atas, maka untuk

mendapatkan nilai kekeliruan standart dari estimasi (standart error
of estimate) atau dinotasikan Syx1x2 adalah sebagai berikut:
2
y ( b1 .  x 1 y  b2 .  x 2 y )
S yx x 
1 2 n k
Berdasarkan rumus standart error of estimate tersebut di atas

maka dapat dicari standar error penaksiran dari masing-masing
koefisien regresi, yaitu :
2
 x2
S b  S yx x .
1 1 2 (  x 2 )(  x 2 ) (  x x )2
1 2 1 2
2
 x1
S b  S yx x .
2 1 2 (  x 2 )(  x 2 ) (  x x )2
1 2 1 2
12.3. Pengujian Hipotesis

Seperti yang telah dijelaskan dalam Bab VII, untuk menguji
hipotesis digunakan Uji T dan Uji F serta didukung dengan nilai
Koefisien Determinasi (R2). Pada bagian ini akan dijelaskan pengujian
hipotesis untuk regresi linier berganda dengan tiga variabel.
a. Uji T (Uji Parsial)
Uji T digunakan untuk menguji tingkat signifikan dari pengaruh
variabel independen secara parsial terhadap variabel dependen. Uji
dilaksanakan dengan langkah membandingkan T hitung dengan T
tabel. Terdapat tiga jenis dari hipotesis statistik, yaitu:
Uji Satu Arah Negatif Uji Satu Arah Positif Uji Dua Arah
Ho : b1 = 0 Ho : b1 = 0 Ho : b1 = 0

b2 = 0 b2 = 0 b2 = 0
Ha : b1 < 0 Ha : b1 > 0 Ha : b1  0
b2 < 0 b2 > 0 b2  0
b b
Untuk menentukan nilai T hitung digunakan rumus : 1 dan 2
Sb Sb
1 2
Sedangkan untuk degree of freedom adalah n – k (dalam hal ini nilai
k sebesar 3)
b. Uji F (Uji Serempak)

Uji F digunakan untuk menguji tingkat signifikan dari pengaruh
variabel independen secara serempak terhadap variabel dependen.
Uji dilaksanakan dengan langkah membandingkan nilai dari F hitung
dengan F tabel. Hipotesis statistik yang diajukan:
Ho : b1 = b2 = 0 dan Ha : b1  b2  0
Nilai F hitung dicari dengan rumus :
( b .  x y  b .  x y ) /( k  1 )
F hitung = 1 1 2 2
2
( S yx x )
1 2
Sedangkan untuk degree of freedom adalah k – 1 ; n – k (nilai k
sebesar 3)
c. R2 (Koefisien Determinasi)
Koefisien Determinasi (R2) digunakan untuk menentukan
seberapa besar variasi variabel dependen (Y) yang dapat dijelaskan
oleh variabel independen (X1 dan X2). Untuk mendapatkan nilai R2
digunakan rumus sebagai berikut :
2 ( b1 .  x 1y  b2 .  x 2 y )
R  dimana 0  R2  1
2
y
12.4. Contoh Kasus

Suatu penelitian tentang “Pengaruh Pendapatan Keluarga per
Hari (X1) dan Jumlah Anggota Keluarga (X2) terhadap Pengeluaran

Konsumsi Keluarga per Hari (Y)”, menggunakan sampel sebanyak 10
keluarga. Hasil pengumpulan data diperoleh data sebagai berikut:
X1 X2 Y
Responden
(dalam ratusan) (dalam orang) (dalam ratusan)
1 100 7 23
2 20 3 7
3 40 2 15
4 60 4 17
5 80 6 23
6 70 5 22
7 40 3 10
8 60 3 14
9 70 4 20
10 60 3 19
Berdasarkan data tersebut di atas, maka :

a. Carilah nilai a, b1 dan b2 untuk persamaan regresi linier berganda
b. Ujilah hipotesis yang menyatakan bahwa Pendapatan Keluarga
per Hari dan Jumlah Anggota Keluarga berpengaruh terhadap
Pengeluaran Konsumsi Keluarga per Hari, dengan menggunakan
Uji T dan Uji F pada taraf signifikan 5%
c. Carilah nilai R2 (koefisien determinasi)
Jawab :
a. Untuk mendapatkan nilai a, b1 dan b2 adalah dengan langkah
sebagai berikut :
N X1 X2 Y X12 X22 Y2 X1X2 X1Y X2Y
1 100 7 23 10.000 49 529 700 2.300 161
2 20 3 7 400 9 49 60 140 21
3 40 2 15 1.600 4 225 80 600 30
4 60 4 17 3.600 16 289 240 1.020 68

5 80 6 23 6.400 36 529 480 1.840 138
6 70 5 22 4.900 25 484 350 1.540 110
7 40 3 10 1.600 9 100 120 400 30
8 60 3 14 3.600 9 196 180 840 42
9 70 4 20 4.900 16 400 280 1.400 80
10 60 3 19 3.600 9 361 180 1.140 57
Jml 600 40 170 40.600 182 3.162 2.670 11.220 737
2
2 2 (  X1 )
 x 1   X1  = 4.600
n
2
2 2 (  X2 )
 x2  X2  = 22
n
2
2 2 ( Y )
y  Y  = 272
n
(  X 1()  X )
 x 1 x 2   X1 X 2  2 = 270
n
(  X 1()  Y )
 x 1 y   X1 Y  = 1.020
n
(  X 2 ()  Y )
 x2 y   X2 Y  = 57
n
2
(  x 1 y )(  x 2 ) (  x 2 y )(  x 1 x 2 )
b1  = 0,25
2 2 2
(  x 1 )(  x 2 ) (  x 1 x 2 )
2
(  x 2 y )(  x 1 ) (  x 1 y )(  x 1 x 2 )
b2  = - 0,47
2 2 2
(  x 1 )(  x 2 ) (  x 1 x 2 )
a  Y  b1 X1  b 2 X 2 = 3,88
Dengan demikian persamaan regresi linier berganda adalah :
Y = 3,88 + 0,25 X1 – 0,47 X2

b. Pengujian hipotesis dilakukan dengan :
Uji T (Uji Parsial)
Mencari nilai Sb1 dan Sb2 adalah sebagai berikut :
2
y ( b1 .  x 1 y  b2 .  x 2 y )
S yx x  = 2,502
1 2 n k
2
 x2
S b  S yx x . = 0,07
1 1 2 (  x 2 )(  x 2 ) (  x x )2
1 2 1 2
2
 x1
S b  S yx x . = 1,008
2 1 2 (  x 2 )(  x 2 ) (  x x )2
1 2 1 2
Dengan demikian nilai T hitung masing-masing variabel independen

adalah :
b b
1 = 3,5714 dan 2 = - 0,46627
Sb Sb
1 2
Ho : b1 = 0 Ha : b1  0
b2 = 0 b2  0
Sedangkan nilai T tabel untuk  : 5% (uji 2 arah) dan df : 7 =  2,36
Daerah Daerah
Penolakan Ho Penolakan Ho
2,5% 2,5%
Daerah
Penerimaan Ho
95%
-2,36 -0,46627 2,36 3,5714
Gambar 15.1. Daerah penerimaan dan penolakan Ho

Karena nilai T hitung X1 lebih besar dari pada T tabel atau 3,5714 >
2,36 (di daerah arsiran) maka Ho ditolak, Ha diterima dan hipotesis
penelitian yang menyatakan bahwa Pendapatan Keluarga per Hari
berpengaruh terhadap Pengeluaran Konsumsi Keluarga per Hari
adalah benar atau dapat diterima.
Karena nilai T hitung X2 lebih besar dari pada T tabel atau
– 0,46627 > – 2,36 (di daerah tidak arsiran) maka Ho diterima, Ha
ditolak dan hipotesis penelitian yang menyatakan bahwa Jumlah
Anggota Keluarga berpengaruh terhadap Pengeluaran Konsumsi
Keluarga per Hari adalah tidak dapat diterima pada taraf signifikan
5% (diterima pada taraf signifikan 40%).
Uji F (uji serempak)

Nilai F hitung adalah sebagai berikut :
( b .  x y  b .  x y ) /( k  1 )
F hitung = 1 1 2 2 = 18,22842
2
( S yx x )
1 2
Ho : b1 = b2 = 0 dan Ha : b1  b2  0
Nilai F tabel dengan  : 5% dan df : 2 ; 7 = 4,74
Karena nilai F hitung lebih besar dari pada F tabel atau 18,22842 >
4,74 maka Ho ditolak, Ha diterima dan Hipotesis Penelitian diterima,
artinya Pendapatan Keluarga per Hari dan Jumlah Anggota Keluarga
secara serempak atau bersama-sama mempunyai pengaruh yang
signifikan terhadap Pengeluaran Konsumsi Keluarga per Hari.
c. Nilai R2 (koefisien determinasi)

Nilai R2 diperoleh sebagai berikut :
2 ( b1 .  x 1y  b 2 .  x 2 y )
R  = 0,84
2
y
Artinya: Sumbangan variabel independen (Pendapatan Keluarga per
Hari dan Jumlah Anggota Keluarga) terhadap naik turunya atau
variasi variabel dependen (Pengeluaran Konsumsi Keluarga per Hari)
adalah sebesar 0,84 atau 84% sedangkan sisanya sebesar 16%

merupakan sumbangan dari variabel lain yang tidak dimasukkan
dalam model yang diajukan.
Kesimpulan :
Berdasarkan Uji F, variabel pendapatan keluarga per hari dan
jumlah anggota keluarga secara serempak mempunyai pengaruh
yang signifikan terhadap variabel pengeluaran konsumsi keluarga
per hari. Sedangkan berdasarkan Uji T, variabel pendapatan keluarga
per hari mempunyai pengaruh yang signifikan terhadap variabel
pengeluaran konsumsi keluarga per hari, tetapi untuk variabel
jumlah anggota keluarga tidak berpengaruh secara signifikan
terhadap variabel pengeluaran konsumsi keluargta per hari (pada
taraf signifikan 5%). Hasil koefisien determinasi sebesar 84% yang
menggambarkan sumbangan variabel pendapatan keluarga per hari
dan jumlah anggota keluarga terhadap variasi variabel pengeluaran
konsumsi keluarga per hari sebesar 84% dan sisanya sebesar 16%
merupakan sumbangan dari variabel lain yang tidak dimasukkan
dalam model.
Berdasarkan nilai koefisien regresi, variabel pendapatan
keluarga per hari mempunyai pengaruh positif (b1 = 0,25) terhadap
pengeluaran konsumsi keluarga per hari, artinya jika pendapatan
keluarga per hari naik 10% maka akan menaikkan pengeluaran
konsumsi keluarga per hari sebesar 2,5%. Sedangkan untuk variabel
jumlah anggota keluarga mempunyai pengaruh negatif (b2 = - 0.47)
artinya dengan semakin banyak anggota keluarga maka pengeluaran
konsumsi keluarga per hari semakin turun (hal ini dimungkinkan,
yaitu apabila dalam penelitian tersebut jumlah anggota keluarga
yang bekerja dan mendapatkan penghasilan tidak dihitung.
Disamping itu pendapatan keluarga hanya dihitung dari pendapatan
orang tua saja. Oleh sebab itu, keakuratan alat pengumpulan data
harus menjadi perhatian dalam suatu penelitian).

BAB 13. STATISTICAL PRODUCT
AND SERVICES SOLUTION (SPSS)
13.1. Sekilas Tentang Program Spss

Pengertian dari statistical Product and Services Solution (SPSS)
merupakan suatu program yang akan memproses data-data statistik
secara cepat, tepat dan akurat dan hasil analisis tersebut dapat
dipergunakan oleh pihak-pihak yang berkepentingan terhadap hasil
analisis tersebut. Dalam tampilan SPSS ada banyak tampilan menu
bar yang akan digunakan untuk menganalisis data yang sudah
dipersiapkan. adapaun menu-menu yang ditamapilkan oleh aplikasi
SPSS tersebut dapat dijelaskan pada gambar di bawah ini :
Gambar 13.1. Tampilan SPSS Data Editor
Menu yang ada pada Data Editor:

a. File. memiliki fungsi untuk mengelolah file data. Misalnya;
membuka file baru, mengambil data dari program, mencetak isi
dan dapat juga membuka file tertentu.
b. Edit.
c. Berfungsi untuk menangani hal-hal yang berhubungan dengan
memperbaiki atau mengubah nilai data. Selain itu juga berfungsi

mengubah setting options (seperti output label, script, dan
lainnya).
d. View. Berfungsi mengatur toolbar (status baru, penambahan
value label dan lainnya).
e. Data. Berfungsi membuat perubahan data SPSS secara
keseluruhan, seperti mengurutkan data, menyeleksi data
berdasarkan kriteria tertentu, menggabungkan data dan lainnya.
f. Transform. Berfungsi membuat perubahan pada variabel dengan
kriteria tertentu yang telah dipilih.
g. Analyze. Merupakan menu inti dari SPSS yang berfungsi untuk
melakukan semua prosedur penghitungan statistik, seperti
Distribusi Frekuensi, Korelasi, Regresi, dan lainnya.
h. Graphs. Berfungsi membuat berbagai jenis grafik untuk
mendukung analisis statistik.
i. Utilities. Merupakan menu tambahan untuk mendukung
program SPSS, seperti informasi tentang variabel yang sedang
dikerjakan.
j. Windows. Berfungsi untuk berpindah di antara menu-menu yang
lain di SPSS.
k. Help. Berfungsi menyediakan bantuan informasi mengenai
program SPSS yang dapat diakses dengan mudah.
Output Viewer. Jika menu Editor berfungsi untuk memasukkan
data yang akan diolah dengan SPSS, maka Output Viewer (dapat
disebut Viewer) berfungsi untuk menampilkan hasil pengolahan
data. Menu Output Viewer secara prinsip sama dengan menu Editor,
seperti File, Edit, View, Insert, Format, Analyze, Graph, Utilities,
Windows dan Help.
Gambar 13.2. Tampilan SPSS Viewer
Dalam program SPSS 16.0 terdapat berbagai alat untuk

melakukan analisis data dan penguji hipotesis penelitian. Beberapa

analisis dan pengujian hipotesis yang dapat dilakukan, antara lain:
Uji Perbedaan, Uji Chi Square, Uji Korelasi, Uji Hipotesis Partial, Uji
Uji Hipotesis Serempak, dan lain-lain. Fasilitas analisis dan pengujian
hipotesis tersebut dapat dilihat pada menu Analyze.
Gambar 13.3. Tampilan Menu Analyze
Gambaran singkat beberapa uji atau analisis yang dapat

dilakukan dengan program SPSS antara lain adalah:
1. Uji Perbedaan. Analisis perbedaan dapat dibagi menjadi dua,
yaitu Uji Beda Rata-Rata dan Uji Beda Proporsi. Data yang
digunakan dalam Uji Beda Rata-Rata adalah bersifat data
kontinyu, sedangkan untuk Uji Beda Proporsi adalah data dalam
bentuk prosentase.
2. Uji Chi-Square dapat dikatakan sebagai uji proporsi untuk dua
peristiwa (kelompok atau kriteria) atau lebih, sehingga datanya
bersifat diskrit. Dalam Uji Chi-Square dihadapkan pada suatu
pengujian apakah perbedaan antara frekuensi hasil observasi
(diisimbolkan f0) dengan frekuensi yang diharapkan oleh peneliti

(disimbolkan fh) dari sampel yang terbatas merupakan perbedaan
yang signifikan atau tidak.
3. Uji Hipotesis secara Parsial (Uji T) digunakan untuk menguji
pengaruh dari masing-masing (secara parsial) variabel
independen terhadap variabel dependen. Misalnya, jika terdapat
variabel independen sebanyak 3 variabel, yaitu X1, X2, dan X3, dan
variabel dependennya adalah Y, maka untuk menguji secara
parsial dengan langkah menguji pengaruh dari variabel X1
terhadap variabel Y, menguji pengaruh variabel X2 terhadap
variabel Y, dan menguji pengaruh variabel X3 terhadap variabel Y.
Keputusan menerima atau menolak hipotesis dengan langkah
membandingkan hasil T hitung dengan T tabel.
4. Uji Hipotesis secara Serempak (Uji F) digunakan untuk menguji
pengaruh dari variabel independen secara keseluruhan terhadap
variabel dependen. Misalnya, jika terdapat variabel independen
sebanyak 3 variabel (X1, X2, dan X3) dan variabel dependennya
adalah Y, maka langkah mengujinya adalah menguji pengaruh
dari variabel X1, X2, dan X3 terhadap variabel Y. Keputusan
menerima atau menolak hipotesis dengan langkah
membandingkan hasil F hitung dengan F tabel.
13.2. Tabulasi Data

Tabulasi data merupakan langkah memasukkan data
berdasarkan hasil penggalian data di lapangan. Untuk memperoleh
nilai suatu variabel, misalnya nilai X1, X2, atau X3, bisa langsung data
asli dari lapangan dan bisa merupakan hasil penjumlahan dari
beberapa poin pertanyaan yang telah dijawab oleh responden.
Contoh:
1. Jika X1 merupakan variabel jenis kelamin responden dan
dinyatakan dalam angka, yaitu: pria = 1 dan wanita = 2, maka
untuk tabulasi data dapat dilakukan secara langsung berdasarkan
data yang diperoleh tersebut.
2. Jika X2 merupakan variabel tingkat pendidikan terakhir
responden, dan dinyatakan dengan skor, misalnya:
Tamat SD =1

Tamat SLTP =2
Tamat SLTA =3
Tamat Diploma =4
Tamat Sarjana S-1 = 5
Untuk tabulasi data dapat dilakukan secara langsung berdasarkan
data yang diperoleh tersebut.
3. Jika X3 merupakan variabel kepuasan konsumen yang diukur
berdasarkan empat jenis pertanyaan yang diajukan (masing-
masing pertanyaan terdapat skor: 1 = Sangat tidak puas, 2 = Tidak
puas, 3 = Puas, dan 4 = Sangat puas) maka nilai X3 untuk
responden pertama merupakan penjumlahan dari keempat jenis
pertanyaan tersebut, misalnya pertanyaan pertama dan kedua
menjawab puas, pertanyaan ketiga dan keempat menjawab
sangat puas, maka skor nilai X3 untuk responden pertama adalah
sebesar 14.
Tabulasi data dapat dilakukan pada Microsoft Office Excel
terlebih dahulu dan setelah selesai baru dicopy ke Program SPSS,
atau langsung dilakukan di Program SPSS. Namun berdasarkan
pengalaman, jika data untuk suatu variabel merupakan hasil
penjumlahan dari beberapa poin pertanyaan yang diajukan, maka
akan lebih mudah dan cepat proses tabulasinya jika dilakukan pada
Microsoft Office Excel terlebih dahulu.

BAB 14. UJI PERBEDAAN
DENGAN APLIKASI SPSS
14.1. Uji Perbedaan Satu Rata-Rata

Pengujian ini dikenal juga dengan istilah uji one sample T-test.
Pengujian ini digunakan untuk melihat perbandingan rata-rata
sampel yang akan diteliti dengan rata-rata populasinnya. Uji one
sample T-test termasuk bagian dari statistik parametrik, sehingga
data yang menjadi objek penelitian harus terdistribusi normal.
Seorang dosen Statistika menyatakan bahwa nilai ujian akhir
mahasiswa yang menempuh mata kuliah Statistika Induktif rata-
ratanya adalah 85. Untuk membuktikan pernyataan tersebut, maka
diambil 10 orang mahasiswa secara random yaitu sebagai berikut:
Tabel 14.1.
Hasil Ujian Akhir Mata Kuliah Statistika Induktif
Mahasiswa Nilai Ujian Mahasiswa Nilai Ujian
Ani 90 Yuli 60
Budi 95 Roni 100
Andi 70 Hadi 80
Yeni 80 Evi 95
Edi 95 Nova 74
Langkah-langkah penyelesaiannya adalah sebagai berikut:

a. Merumuskan hipotesis

H0 : µ = 80 Artinya bahwa nilai rata-rata ujian akhir mata kuliah
statistika adalah 85
Ha : µ ≠ 0 Artinya bahwa nilai rata-rata ujian akhir mata kuliah
statistika bukan 85
b. Membuka Aplikasi SPSS
a. Buka program SPSS kemudian memilih Variable View (berada
dibagian bawah). Untuk kolom Name dan Label diubah. Untuk
baris 1, Name: ketik Nama, Type: pilih String (klik bagian
kanan), Width: 20, dan Label: Nama Mahasiswa. Untuk baris 2,
Name: ketik Nilai dan Label Nilai Ujian Akhir.
Gambar 14. 1. Deskripsi Data pada Variabel View

b. Selanjutnya memasukan data pada data view berdasarkan
data pada tabel 14.1
Gambar 14.2. Hasil Pemasukan Data pada Data View

c. Menguji normalitas data dengan langkah : Klik Analyze, klik
Explore maka akan muncul tampilan berikut ini

d. Setelah diklik Plots akan muncul tampilan berikut ini:
e. Output hasil pengujian
Dari hasil peengujian diatas menunjukan nilai shapiro-Wilk sig

sebesar 0.376 > 0.05. Dengan demikian data nilian ujian akhir
mata kuliah statistik terdistribusi normal
f. Melakukan pengujian hipotesis dengan menggunakan Uji
Perbedaan adalah dengan langkah: Klik Analyze, klik Compare
Means, dan klik One-Sample T-Test, maka akan keluar
tampilan:

Gambar 14.3. One-Sample T-Test
g. Klik lalu muncul kotak dialog berikut ini:
h. Lalu klik Oke maka akan muncul output SPSS seperti berikut
ini:
Output pertama: One sample statistic
Tabel diatas menunjukan bahwa nilai statistik dari 10

mahasiswa memiliki rata-rata hitung adalah 83.9000 dengan
simpangan baku 13.16097 dan standar error mean sebesar
4.16186

Output kedua: One sample test
Berdasakan tabel diatas dapat diketahui nilai t hitung sebesar

-0.264. nilai df atau derajat kebebasan sebesar 9. dan nilai sig
sebesar 0.797 > 0.05 sehingga dapat disimpulkan bahwa H0
diterima dan Ha ditolak. maka dapat disimpulkan bahwa nilai
rata-rata ujian akhir mata kuliah statistika adalah 85.
Membandingkan T hitung dengan T tabel yaitu nilai df = 9, α =
0.05 maka cara untuk melihat di T tabelnya adalah sebagai
berikut :
Maka T hitung -2.64 < T tabel 2.26216 sehingga H0 diterima

artinya bahwa rata-rata nilai ujian akhir mahasiswa yang
menempuh mata kuliah Statistika adalah 85 adalah benar.
14.2. Uji Perbedaan Dua Rata-Rata

Seorang dosen akan membagi kelompok belajar pada
mahasiswa dalam dua kelompok yaitu kelompok 1 dengan anggota 7
mahasiswa dan kelompok 2 dengan anggota 7 mahasiswa dan dosen
memberikan materi pada masing-masing kelompok untuk
didiskusikan. pada akhir pembelajaran seorang dosen memberikan

evaluasi kepada masing-masing mahasiswa disetiap kelompok.
adapun nilai yang diperoleh seperti yang tertera pada tabel berikut
ini:
No Kelompok 1 Kelompok 2
1 80 90
2 70 80
3 85 75
4 90 80
5 100 76
6 70 100
7 65 88
Merumuskan hipotesis :
H0 : µ = 0 Tidak ada perbedaan rata-rata nilai yang diperoleh oleh
mahasiswa antara kelompok 1 dan kelompok 2
Ha : µ ≠ 0 Ada perbedaan rata-rata nilai yang diperoleh oleh
mahasiswa antara kelompok 1 dan kelompok 2
Langkah-Langkah pengujian dengan menggunakan aplikasi SPSS:
1. Membuka aplikasi SPSS lalu pada tampilan utama klik varible
view kemudian diisi seperti pada tampilan tabel di bawah ini:
2. Untuk isian values, klik none lalu klik kotak yang ada
disampingnya maka akan mencul kotak dialog berikut ini :

3. kotak value diisi angka 1 dan label diisi dengan kelompok 1.
kemudian klik add. dan diulangi lagi diisi kotak value dengan
angka 2 dan label diisi kelompok 2 lalu klik Ok
4. Maka akan muncul kotak seperti di bawah ini :
5. Selanjutnya klik data view lalu masukan data nilai mahasiswa

masing-masing kelompok seperti pada tampilan tabel berikut ini:
6. Selanjutnya klik menu analyze lalu klik compare means geser

kekiri lalu klik independent samples T test

7. Maka akan muncul kotak dialog seperti dibawah ini :
8. Kemudian selanjutnya hasil belajar digeser di kotak test variable

dan kelompok digeser dikotak grouping variable, tampilanya
seperti dibawah ini:

9. Selanjutnya klik Define groups untuk mengisi keterangan
grouping
10. Kemudian klik OK

Output pertama : Group Statistics
Rata-rata nilai mahasiswa antara kelompok 1 dan kelompok 2

adalah sebagai berikut : kelompok satu dengan rata-rata 80.00
dan kelompok 2 dengan rata-rata 84.143. Hal ini secara diskriptif
statistik terdapat perbedaan rata-rata nilai antara kelompok 1
dan kelompok 2. Untuk membuktikan perbedaan tersebut
secara signifikan maka perlu output independent samples test
Output ke dua : independent samples test
Dari hasil pengujian independent samples test diperoleh dengan

nilai sig 0.492 > 0.05. Hal ini menunjukan bahwa H0 diterima dan
Ha ditolak. Sehingga dapat disimpulka bahwa Tidak ada
perbedaan rata-rata nilai yang diperoleh oleh mahasiswa antara
kelompok 1 dan kelompok 2

BAB 15. UJI CHI-SQUARE
15.1. UJI CHI-SQUARE (2 BARIS DAN 3 KOLOM)

Seorang peneliti akan menguji keterkaitan antara jenis
kelamin dengan kinerja karyawan. Untuk kebutuhan tersebut, data
dikumpulkan dengan wawancara yang dipandu kuesioner (model
skor) kepada 20 karyawan. Hasil penskoran variabel kinerja
karyawan kemudian dilakukan penjumlahan dan hasilnya
dikelompokkan menjadi tiga kriteria kinerja, yaitu rendah, sedang,
dan tinggi.
Tabel 15.1. Hasil Pengumpulan Data (Uji Chi-Square)

Jenis Jenis
Resp. Kinerja Resp. Kinerja
Kelamin Kelamin
1 Laki-Laki Sedang 11 Perempuan Rendah
2 Perempuan Tinggi 12 Perempuan Rendah
3 Perempuan Rendah 13 Laki-Laki Sedang
4 Laki-Laki Sedang 14 Perempuan Sedang
5 Laki-Laki Sedang 15 Laki-Laki Rendah
6 Perempuan Rendah 16 Perempuan Rendah
7 Laki-Laki Tinggi 17 Perempuan Sedang
8 Laki-Laki Rendah 18 Perempuan Tinggi
9 Perempuan Sedang 19 Laki-Laki Tinggi
10 Perempuan Sedang 20 Perempuan Sedang

a. Hipotesis Penelitian (tingkat keyakinan 95%)
Hipotesis penelitian: “Terdapat perbedaan tingkat kinerja antara
karyawan laki-laki dengan karyawan perempuan”.
b. Hipotesis Statistik
Ho = Kinerja karyawan laki-laki dengan perempuan sama
Ha = Kinerja karyawan laki-laki dengan perempuan berbeda
Berdasarkan data mentah pada tabel 18.1, langkah untuk

masukkan data dan pengolahan dengan program SPSS adalah
sebagai berikut :
a. Memasukkan data ke SPSS. Pertama kali Variable View, Name 1:
JK, Name 2: Kinerja, Type 1 dan 2: diubah jadi String (klik bagian
kanan untuk kolom Type), Label 1: Jenis Kelamin, dan Label 2:
Kinerja Karyawan. Setelah selesai, masukkan data pada di Tabel
18.1. ke dalam Data View.
Gambar 15.1. Data View (Uji Chi-Square)

b. Untuk menguji perbedaan dengan Uji Chi-Square: klik Analyze,
klik Descriptive Statistics, dan klik Crosstabs. Pada tabel
Crosstabs, pindahkan Jenis kelamin (JK) ke Row(s) dan Kinerja
Karyawan (Kinerja) ke Column(s), dengan cara klik variabel yang
akan dipindah dan klik tanda panah.
Gambar 15.2. Crosstabs (Uji Chi-Square)
c. Kemudian klik Statistics, maka muncul Crosstabs: Statistics, beri

centang pada Chi-square dan klik Continue. Klik Cell, maka
muncul Crosstabs: Cell Display, beri centang Expected dan klik
Continue. Setelah kembali ke Crosstabs klik OK, maka akan
tampil hasil uji Chi-Square sebagai berikut:
Tabel 15.2. Hasil Pengolahan Data (Uji Chi Square)

Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
Jenis Kelamin *
20 100,0% 0 ,0% 20 100,0%
Kinerja Karyawan

Jenis Kelamin * Kinerja Karyawan Crosstabulation
Kinerja Karyawan
Total
Rendah Sedang Tinggi
Jenis Laki-Lak Count 2 4 2 8
Kelamin Expected Count 2,8 3,6 1,6 8,0
Perempuan Count 5 5 2 12
Expected Count 4,2 5,4 2,4 12,0
Count 7 9 4 20
Total
Expected Count 7,0 9,0 4,0 20,0
Chi-Square Tests
Asymp. Sig.
Value df
(2-sided)
Pearson Chi-Square ,622(a) 2 ,733
Likelihood Ratio ,634 2 ,728
N of Valid Cases 20
a 5 cells (83,3%) have expected count less than 5. The minimum expected count is 1,60.
d. Membandingkan Chi-Square (X2) hitung dengan X2 tabel. Nilai

X2 hitung sebesar 0,622 dan X2 tabel pada α = 5% dan
df = (3-1)(2-1) sebesar 5,99, maka X2 hitung lebih kecil dari X2
tabel, artinya Ho diterima (lihat Asymp. Siq. di atas 0,05) dan
Ha ditolak, yaitu tidak terdapat perbedaan kinerja karyawan
laki-laki dengan karyawan perempuan.

BAB 16. ANALISIS REGRESI LINIER
Contoh Kasus:
Penelitian dengan judul: “peran modal sendiri dan Kredit Usaha
Rakyat (KUR) dalam mempengaruhi pendapatan usaha mikro kecil
dan menengah”. Pada tema diatas terdiri dari tiga variabel yaitu
variabel modal sendiri (X1), variabel kredit usaha rakyat (X2) dan
variabel pendapatan usaha (Y). Untuk kebutuhan data penelitian
tersebut, jumlah responden yang menjadi sampel sebanyak 40
responden dan pengambilan data dengan menggunakan kuesioner.
Sebelum melakukan pengolahan dan analisis data yang memerlukan
perhatian adalah hal-hal sebagai berikut:
a. Hipotesis Penelitian
Modal sendiri (X1) dan Kredit Usaha Rakyat (X2) dapat
mempengaruhi Pendapatan Usaha (Y)
b. Teknik Analisis Data dan Uji Hipotesis
Berdasarkan hipotesis yang diajukan, teknik analisis data dengan
menggunakan Analisis Regresi Berganda dengan model
persamaan: Y = a + b1 X1 + b2 X2 + b3 X3 + E.
Untuk menguji hipotesis digunakan Uji T (parsial), Uji F
(serempak) dan R2. Sedangkan jenis uji hipotesis menggunakan uji
dua arah dengan tingkat signifikan (α) sebesar 5%. Selain itu, juga
dilakukan uji pemenuhan asumsi klasik, yaitu Uji Autokorelasi, Uji
Heteroskedastisitas, dan Uji Multikolonearitas.

Hasil pengumpulan data dari 40 responden diperoleh data
sebagai berikut:
Tabel 16.1. Tabulasi Data Penelitian
Tunggakan Cicilan Bulanan Kredit Perumahan
Variabel
Variabel Independent
No Dependent
X1 X2 Y
1 4.5 4.7 4.3
2 4.7 5.0 4.7
3 4.0 5.0 4.0
4 4.0 4.0 4.0
5 4.0 4.7 4.0
6 5.0 5.0 5.0
7 5.0 4.0 4.3
8 4.7 5.0 5.0
9 5.0 5.0 5.0
10 5.0 5.0 5.0
11 4.3 5.0 4.3
12 5.0 5.0 4.0
13 4.0 4.0 4.0
14 4.7 5.0 5.0
15 5.0 5.0 5.0
16 5.0 5.0 5.0
17 4.7 5.0 4.7
18 4.7 3.7 4.0
19 4.7 4.0 4.0
20 4.0 5.0 4.3
21 5.0 4.3 4.0
22 5.0 5.0 5.0
23 5.0 5.0 5.0
24 3.7 4.3 4.0
25 4.3 4.3 5.0
26 4.0 5.0 5.0
27 3.7 3.7 4.0
28 4.3 5.0 4.0

29 4.7 4.7 4.7
30 4.7 4.3 4.3
31 4.0 4.3 4.0
32 4.0 3.7 4.0
33 3.7 4.0 4.0
34 4.0 3.7 3.3
35 4.3 4.0 4.0
36 4.7 5.0 5.0
37 4.3 4.0 4.0
38 5.0 5.0 5.0
39 3.7 5.0 5.0
40 4.3 4.3 4.3
Langkah-langkah dalam pengolahan data analisis linear

berganda dengan menggunakan aplikasi SPSS yaitu:
a. Membuka aplikasi SPSS Kemudian klik Variable View, untuk
Name 1: Y, Name 2: X1, Name 3: X2, Name 4: X3, dan Name 5: X5.
Untuk Label diisi dengan nama masing-masing variabel.
Gambar 16.1. Tampilan Variable View

b. Untuk mengolah data dengan analisis regresi linier, pilih menu
Analyze, kemudian pilih sub menu Regression dan klik Linier,
maka akan tampil sebagai berikut:

Gambar 16.2. Menu untuk Analisis Regresi Berganda
c. Lalu tampilannya seperti berikut :

Gambar 16.3. Variabel Dependen dan Independen
d. Maka akan muncul output dari SPSS seperti pada tabel di bawah
ini:
Tabel 16.2. Variables Entered
Tabel 19.2. Hasil Pengolahan Data Regresi Linier Berganda

Informasi yang diperoleh dari tabel diatas yaitu mengenai
variabel yang digunakan dalam penelitian serta metode yang
digunakan dalam melakukan analisis regresi. untuk kotak
variables removed kosong artinya tidak ada variabel yang tidak
digunakan atau dibuang.

Tabel 16.4. R Square
Dari tabel diatas dapat memberikan informasi mengenai

kontribusi masing-masing variabel yaitu modal sendiri (X1) dan
Kredit usaha rakyat (X2) terhadap pendapatan usaha (Y). Jika
dilihat dari tersebut nilai R Square sebesar 0.570, artinya bahwa
kontribusi variabel X1 dan X2 terhadap Y yaitu sebesar 0.570 atau
57%. nilai tersebut cukup kuat dalam mempengaruhi variabel Y.
Tabel 16.5. Tabel Anova
Pada tabel Anova memberikan informasi mengenai pengaruh

variabel X1 dan X2 terhadap Y secara simultan atau dikenal
dengan uji F. Untuk menentukan nilai signifikansi dari Uji F
tersebut dapat dilakukan dengan dua cara yaitu;
1. Dilihat langsung pada tabel sig
2. Membandingkan Fhitung dengan Ftabel. Jika nilai Fhitung > Ftabel
maka hipotesis diterima dan jika Fhitung < Ftabel maka hipotesis
ditolak.
Dari tabel di atas memiliki nilai sig 0.000 < 0.05 artinya variabel
modal sendiri (X1) dan kredit usaha rakyat (X2) secara bersama-
sama mempengaruhi pendapatan usaha (Y)

Tabel 16.6. Analisis regresi
Berdasarkan Tabel di atas bagian Coefficients tersebut di atas,

maka dapat dibuat model regresi linier berganda dengan persamaan
sebagai berikut :
Y = 0.461 + 0,289 X1 + 0.587 X2 + E
Nilai masing-masing koefisien regresi Variabel Independen dari
model regresi linier tersebut memberikan gambaran bahwa:
Dari model persamaan regresi tersebut dapat di jelaskan
sebagai berikut:
a. Konstanta sebesar 0.461 menyatakan bahwa jika variabel
independen dianggap konstan, maka rata-rata pendapatan
sebesar 0.461%
b. Koefisien regresi modal sendiri adalah sebesar 0.289. Nilai
koefisien positif menunjukkan bahwa modal sendiri
berpengaruh positif terhadap pendapatan usaha. Artinya
bahwa jika modal sendiri meningkat 1% maka akan
meningkatkan pendapatan usaha sebesar 0.289%.
c. Koefisien regresi modal asing adalah sebesar 0.587. Nilai
koefisien positif menunjukkan bahwa modal asing
berpengaruh positif terhadap pendapatan usaha. Artinya
bahwa jika modal asing meningkat 1% maka akan
meningkatkan pendapatan usaha sebesar 0.587%.

DAFTAR PUSTAKA
Burhan Bungin, 2005, “Metodologi Penelitian Kuentitatif”, Penerbit

Prenada Media, Edisi pertama, Jakarta.
Ery Rustiyanti, 2010, “Statistik Rumah Sakit untuk Pengambilan

Keputusan”, Penerbit Graha Ilmu, Yogyakarta.
Gujarati, Damodar, 1995, “Ekonometrika Dasar”, alih bahasa :

Dr. Sumarno Zain, SE, Ak., MBA., Cetakan
keempat, Penerbit Erlangga, Jakarta.
Husein Umar, 1999, “Metode Penelitian Untuk Skripsi dan Tesis

Bisnis”, Cetakan kedua, Penerbit PT Raja Grafindo
Persada, Jakarta.
Jonathan Sarwono, 2007, “ Analisis Jalur untuk Riset Bisnis dengan

SPSS”, Penerbit Andi, Yogyakarta.
Muhammad Teguh, 2001, ”Metodologi Penelitian Ekonomi : Aplikasi

dan Teori”, Cetakan kedua, Penerbit PT
RajaGrafindo Persada, Jakarta
Napa J. Awat, 1995, “Metode Statistik dan Ekonometrika”, Penerbit

Liberty, Yogyakarta.
Pangestu Subagyo dan Djarwanto, 2005, ”Statistika Induktif”, Edisi

kelima, Penerbit BPFE-UGM, Yogyakarta
Singgih Santoso, 2004, “SPSS versi 10.0 Mengolah Data Statistik

Dengan Profesional”, Cetakan kelima, Penerbit PT
Elex Media Komputindo, Jakarta.
Siregar S., 2014. Statistika Terapan. PT kharisma Utama. Jakarta
Slamet Santoso, 2009, “Statistika Deskriptif”, Penerbit Ardana

Media, Yogyakarta.

----------------------, 2009, “Statistika Induktif: Plus Aplikasi Analisis
Regresi dengan Program SPSS”, Penerbit Ardana
Media, Yogyakarta
----------------------, 2010, ”Metode Penelitian Kuantitatif: Plus Aplikasi

Program SPSS”, Penerbit: Pusat Penerbitan
Fakultas Ekonomi Universitas Muhammadiyah
Ponorogo
----------------------, 2011, “Statistika”, Penerbit: UMPO Press,

Ponorogo
Sudjana, 2000, “Metoda Statistika”, Edisi keenam, Penerbit Tarsito,

Bandung.
Wahyudi S., 2017. Statistika Ekonomi. UB Press. Malang
Wijaya, 2001, ”Statistika Non Parametrik”, Cetakan Kedua, Penerbit

Alfabeta, Bandung
Yarnest, 2003, “Aplikasi Statistik dengan Menggunakan SPSS Versi

11.0”, Penerbit Dioma, Malang
Zaenal Mustafa EQ., 1995, “Pengantar Statistik Terapan Untuk

Ekonomi”, Penerbit FE-UII, Yogyakarta.

TABEL STATISTIK:
1. TABEL Z
2. TABEL T (T STUDENT)
3. TABEL CHI-SQUARE
4. TABEL F (α = 5%)
5. TABEL F (α = 1%)
6. TABEL KORELASI

Standard Normal Probability Table (Tabel Z)
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
-3.4 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0002
-3.3 .0005 .0005 .0005 .0004 .0004 .0004 .0004 .0004 .0004 .0003
-3.2 .0007 .0007 .0006 .0006 .0006 .0006 .0006 .0005 .0005 .0005
-3.1 .0010 .0009 .0009 .0009 .0008 .0008 .0008 .0008 .0007 .0007
-3.0 .0013 .0013 .0013 .0012 .0012 .0011 .0011 .0011 .0010 .0010
-2.9 .0019 .0018 .0018 .0017 .0016 .0016 .0015 .0015 .0014 .0014
-2.8 .0026 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .0019
-2.7 .0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
-2.6 .0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036
-2.5 .0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048
-2.4 .0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064
-2.3 .0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
-2.2 .0139 .0136 .0132 .0129 .0125 .0122 .0119 .0116 .0113 .0110
-2.1 .0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
-2.0 .0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183
-1.9 .0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0239 .0233
-1.8 .0359 .0351 .0344 .0336 .0329 .0322 .0314 .0307 .0301 .0294
-1.7 .0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
-1.6 .0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455
-1.5 .0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0571 .0559
-1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0721 .0708 .0694 .0681
-1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
-1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
-1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
-1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
-0.9 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
-0.8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
-0.7 .2420 .2389 .2358 .2327 .2296 .2266 .2236 .2206 .2177 .2148
-0.6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
-0.5 .3085 .3050 .3015 .2s981 .2946 .2912 .2877 .2843 .2810 .2776
-0.4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121
-0.3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
-0.2 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
-0.1 .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
0.0 .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641

Standard Normal Probability Table (Tabel Z)
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998

TABEL T STUDENT
Df .25 .20 .15 .10 .05 .025 .02 .01 .005 .0025 .001 .0005
1 1.000 1.376 1.963 3.078 6.314 12.71 15.89 31.82 63.66 127.3 318.3 636.6
2 .816 1.061 1.386 1.886 2.920 4.303 4.849 6.965 9.925 14.09 22.33 31.60
3 .765 .978 1.250 1.638 2.353 3.182 3.482 4.541 5.841 7.453 10.21 12.92
4 .741 .941 1.190 1.533 2.132 2.776 2.999 3.747 4.604 5.598 7.173 8.610
5 .727 .920 1.156 1.476 2.015 2.571 2.757 3.365 4.032 4.773 5.893 6.869
6 .718 .906 1.134 1.440 1.943 2.447 2.612 3.143 3.707 4.317 5.208 5.959
7 .711 .896 1.119 1.415 1.895 2.365 2.517 2.998 3.499 4.029 4.785 5.408
8 .706 .889 1.108 1.397 1.860 2.306 2.449 2.896 3.355 3.833 4.501 5.041
9 .703 .883 1.100 1.383 1.833 2.262 2.398 2.821 3.250 3.690 4.297 4.781
10 .700 .879 1.093 1.372 1.812 2.228 2.359 2.764 3.169 3.581 4.144 4.587
11 .697 .876 1.088 1.363 1.796 2.201 2.328 2.718 3.106 3.497 4.025 4.437
12 .695 .873 1.083 1.356 1.782 2.179 2.303 2.681 3.055 3.428 3.930 4.318
13 .694 .870 1.079 1.350 1.771 2.160 2.282 2.650 3.012 3.372 3.852 4.221
14 .692 .868 1.076 1.345 1.761 2.145 2.264 2.624 2.977 3.326 3.787 4.140
15 .691 .866 1.074 1.341 1.753 2.131 2.249 2.602 2.947 3.286 3.733 4.073
16 .690 .865 1.071 1.337 1.746 2.120 2.235 2.583 2.921 3.252 3.686 4.015
17 .689 .863 1.069 1.333 1.740 2.110 2.224 2.567 2.898 3.222 3.646 3.965
18 .688 .862 1.067 1.330 1.734 2.101 2.214 2.552 2.878 3.197 3.611 3.922
19 .688 .861 1.066 1.328 1.729 2.093 2.205 2.539 2.861 3.174 3.579 3.883
20 .687 .860 1.064 1.325 1.725 2.086 2.197 2.528 2.845 3.153 3.552 3.850
21 .663. .859 1.063 1.323 1.721 2.080 2.189 2.518 2.831 3.135 3.527 3.819
22 .686 .858 1.061 1.321 1.717 2.074 2.183 2.508 2.819 3.119 3.505 3.792
23 .685 .858 1.060 1.319 1.714 2.069 2.177 2.500 2.807 3.104 3.485 3.768
24 .685 .857 1.059 1.318 1.711 2.064 2.172 2.492 2.797 3.091 3.467 3.745
25 .684 .856 1.058 1.316 1.708 2.060 2.167 2.485 2.787 3.078 3.450 3.725
26 .684 .856 1.058 1.315 1.706 2.056 2.162 2.479 2.779 3.067 3.435 3.707

Df .25 .20 .15 .10 .05 .025 .02 .01 .005 .0025 .001 .0005
27 .684 .855 1.057 1.314 1.703 2.052 2.15 2.473 2.771 3.057 3.421 3.690
28 .683 .855 1.056 1.313 1.701 2.048 2.154 2.467 2.763 3.047 3.408 3.674
29 .683 .854 1.055 1.311 1.699 2.045 2.150 2.462 2.756 3.038 3.396 3.659
30 .683 .854 1.055 1.310 1.697 2.042 2.147 2.457 2.750 3.030 3.385 3.646
40 .681 .851 1.050 1.303 1.684 2.021 2.123 2.423 2.704 2.971 3.307 3.551
50 .679 .849 1.047 1.295 1.676 2.009 2.109 2.403 2.678 2.937 3.261 3.496
60 .679 .848 1.045 1.296 1.671 2.000 2.099 2.390 2.660 2.915 3.232 3.460
80 .678 .846 1.043 1.292 1.664 1.990 2.088 2.374 2.639 2.887 3.195 3.416
100 .677 .845 1.042 1.290 1.660 1.984 2.081 2.364 2.626 2.871 3.174 3.390
inf. .674 .841 1.036 1.282 1.64 1.960 2.054 2.326 2.576 2.807 3.091 3.291

TABEL CHI-SQUARE
df 0.05 0.01 0.001 Df 0.05 0.01 0.001 df 0.05 0.01 0.001
1 3.84 6.64 10.83 38 53.38 61.16 70.71 75 96.22 106.39 118.60
2 5.99 9.21 13.82 39 54.57 62.43 72.06 76 97.35 107.58 119.85
3 7.82 11.35 16.27 40 55.76 63.69 73.41 77 98.49 108.77 121.11
4 9.49 13.28 18.47 41 56.94 64.95 74.75 78 99.62 109.96 122.36
5 11.07 15.09 20.52 42 58.12 66.21 76.09 79 100.75 111.15 123.60
6 12.59 16.81 22.46 43 59.30 67.46 77.42 80 101.88 112.33 124.84
7 14.07 18.48 24.32 44 60.48 68.71 78.75 81 103.01 113.51 126.09
8 15.51 20.09 26.13 45 61.66 69.96 80.08 82 104.14 114.70 127.33
9 16.92 21.67 27.88 46 62.83 71.20 81.40 83 105.27 115.88 128.57
10 18.31 23.21 29.59 47 64.00 72.44 82.72 84 106.40 117.06 129.80
11 19.68 24.73 31.26 48 65.17 73.68 84.03 85 107.52 118.24 131.04
12 21.03 26.22 32.91 49 66.34 74.92 85.35 86 108.65 119.41 132.28
13 22.36 27.69 34.53 50 67.51 76.15 86.66 87 109.77 120.59 133.51
14 23.69 29.14 36.12 51 68.67 77.39 87.97 88 110.90 121.77 134.74
15 25.00 30.58 37.70 52 69.83 78.62 89.27 89 112.02 122.94 135.96
16 26.30 32.00 39.25 53 70.99 79.84 90.57 90 113.15 124.12 137.19
17 27.59 33.41 40.79 54 72.15 81.07 91.88 91 114.27 125.29 138.45
18 28.87 34.81 42.31 55 73.31 82.29 93.17 92 115.39 126.46 139.66
19 30.14 36.19 43.82 56 74.47 83.52 94.47 93 116.51 127.63 140.90
20 31.41 37.57 45.32 57 75.62 84.73 95.75 94 117.63 128.80 142.12
21 32.67 38.93 46.80 58 76.78 85.95 97.03 95 118.75 129.97 143.32
22 33.92 40.29 48.27 59 77.93 87.17 98.34 96 119.87 131.14 144.55
23 35.17 41.64 49.73 60 79.08 88.38 99.62 97 120.99 132.31 145.78
24 36.42 42.98 51.18 61 80.23 89.59 100.88 98 122.11 133.47 146.99
25 37.65 44.31 52.62 62 81.38 90.80 102.15 99 123.23 134.64 148.21
26 38.89 45.64 54.05 63 82.53 92.01 103.46 100 124.34 135.81 149.48
27 40.11 46.96 55.48 64 83.68 93.22 104.72
28 41.34 48.28 56.89 65 84.82 94.42 105.97
29 42.56 49.59 58.30 66 85.97 95.63 107.26
30 43.77 50.89 59.70 67 87.11 96.83 108.54
31 44.99 52.19 61.10 68 88.25 98.03 109.79
32 46.19 53.49 62.49 69 89.39 99.23 111.06
33 47.40 54.78 63.87 70 90.53 100.42 112.31
34 48.60 56.06 65.25 71 91.67 101.62 113.56
35 49.80 57.34 66.62 72 92.81 102.82 114.84
36 51.00 58.62 67.99 73 93.95 104.01 116.08
37 52.19 59.89 69.35 74 95.08 105.20 117.35

Table of F-statistics α = 0.05
df2\df1 1 2 3 4 5 6 7 8 9 10
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16
35 4.12 3.27 2.87 2.64 2.49 2.37 2.29 2.22 2.16 2.11
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08
45 4.06 3.20 2.81 2.58 2.42 2.31 2.22 2.15 2.10 2.05
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.02 1.97
80 3.96 3.11 2.72 2.49 2.33 2.21 2.13 2.06 2.00 1.95
100 3.94 3.09 2.70 2.46 2.31 2.19 2.10 2.03 1.97 1.93
200 3.89 3.04 2.65 2.42 2.26 2.14 2.06 1.98 1.93 1.88

Table of F-statistics α = 0.01
df2\df1 1 2 3 4 5 6 7 8 9 10
3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.35 27.23
4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.55
5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16 10.05
6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62
8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81
9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26
10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19 4.10
14 8.86 6.51 5.56 5.04 4.70 4.46 4.28 4.14 4.03 3.94
15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69
17 8.40 6.11 5.19 4.67 4.34 4.10 3.93 3.79 3.68 3.59
18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60 3.51
19 8.19 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37
22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12 3.03
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98
35 7.42 5.27 4.40 3.91 3.59 3.37 3.20 3.07 2.96 2.88
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80
45 7.23 5.11 4.25 3.77 3.45 3.23 3.07 2.94 2.83 2.74
50 7.17 5.06 4.20 3.72 3.41 3.19 3.02 2.89 2.79 2.70
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63
70 7.01 4.92 4.07 3.60 3.29 3.07 2.91 2.78 2.67 2.59
80 6.96 4.88 4.04 3.56 3.26 3.04 2.87 2.74 2.64 2.55
100 6.90 4.82 3.98 3.51 3.21 2.99 2.82 2.69 2.59 2.50
200 6.76 4.71 3.88 3.41 3.11 2.89 2.73 2.60 2.50 2.41

Tabel nilai kritis untuk r Pearson Product Moment
Probabilitas 1 arah
0,10 0,05 0,025 0,01 0,005 0,0025 0,001 0,0005
dk=n-2
Probabilitas 2 arah
0,20 0,10 0,05 0,02 0,01 0,01 0,002 0,001
1 0,951 0,988 0,997 1,000 1,000 1,000 1,000 1,000
2 0,800 0,900 0,950 0,980 0,990 0,995 0,998 0,999
3 0,687 0,805 0,878 0,934 0,959 0,974 0,986 0,991
4 0,608 0,729 0,811 0,882 0,917 0,942 0,963 0,974
5 0,551 0,669 0,754 0,833 0,875 0,906 0,935 0,951
6 0,507 0,621 0,707 0,789 0,834 0,870 0,905 0,925
7 0,472 0,582 0,666 0,750 0,798 0,836 0,875 0,898
8 0,443 0,549 0,632 0,715 0,765 0,805 0,847 0,872
9 0,419 0,521 0,602 0,685 0,735 0,776 0,820 0,847
10 0,398 0,497 0,576 0,658 0,708 0,750 0,795 0,823
11 0,380 0,476 0,553 0,634 0,684 0,726 0,772 0,801
12 0,365 0,458 0,532 0,612 0,661 0,703 0,750 0,780
13 0,351 0,441 0,514 0,592 0,641 0,683 0,730 0,760
14 0,338 0,426 0,497 0,574 0,623 0,664 0,711 0,742
15 0,327 0,412 0,482 0,558 0,606 0,647 0,694 0,725
16 0,317 0,400 0,468 0,543 0,590 0,631 0,678 0,708
17 0,308 0,389 0,456 0,529 0,575 0,616 0,662 0,693
18 0,299 0,378 0,444 0,516 0,561 0,602 0,648 0,679
19 0,291 0,369 0,433 0,503 0,549 0,589 0,635 0,665
20 0,284 0,360 0,423 0,492 0,537 0,576 0,622 0,652
21 0,277 0,352 0,413 0,482 0,526 0,565 0,610 0,640
22 0,271 0,344 0,404 0,472 0,515 0,554 0,599 0,629
23 0,265 0,337 0,396 0,462 0,505 0,543 0,588 0,618
24 0,260 0,330 0,388 0,453 0,496 0,534 0,578 0,607
25 0,255 0,323 0,381 0,445 0,487 0,524 0,568 0,597
26 0,250 0,317 0,374 0,437 0,479 0,515 0,559 0,588
27 0,245 0,311 0,367 0,430 0,471 0,507 0,550 0,579
28 0,241 0,306 0,361 0,423 0,463 0,499 0,541 0,570
29 0,237 0,301 0,355 0,416 0,456 0,491 0,533 0,562
30 0,233 0,296 0,349 0,409 0,449 0,484 0,526 0,554
35 0,216 0,275 0,325 0,381 0,418 0,452 0,492 0,519
40 0,202 0,257 0,304 0,358 0,393 0,425 0,463 0,490
45 0,190 0,243 0,288 0,338 0,372 0,403 0,439 0,465
50 0,181 0,231 0,273 0,322 0,354 0,384 0,419 0,443
60 0,165 0,211 0,250 0,295 0,325 0,352 0,385 0,408

Probabilitas 1 arah
0,10 0,05 0,025 0,01 0,005 0,0025 0,001 0,0005
dk=n-2
Probabilitas 2 arah
0,20 0,10 0,05 0,02 0,01 0,01 0,002 0,001
70 0,153 0,195 0,232 0,274 0,302 0,327 0,358 0,380
80 0,143 0,183 0,217 0,257 0,283 0,307 0,336 0,357
90 0,135 0,173 0,205 0,242 0,267 0,290 0,318 0,338
100 0,128 0,164 0,195 0,230 0,254 0,276 0,303 0,321
150 0,105 0,134 0,159 0,189 0,208 0,227 0,249 0,264
200 0,091 0,116 0,138 0,164 0,181 0,197 0,216 0,230
300 0,074 0,095 0,113 0,134 0,148 0,161 0,177 0,188
400 0,064 0,082 0,098 0,116 0,128 0,140 0,154 0,164
500 0,057 0,073 0,088 0,104 0,115 0,125 0,138 0,146

BIODATA PENULIS
RIAWAN, S.Pd., M.M., Penulis adalah

Lulusan Universitas Islam Sultan Agung.
Saat ini berstatus sebagai dosen di Fakultas
Ekonomi Universitas Muhammadiyah
Ponorogo. Kegiatan sehari-harinya ialah
mengajar, dan berkutat dalam penulisan
karya ilmiah serta penelitian dan
pengabdian. Bagi pembaca yang
menginginkan informasi atau
bersilaturahim dengan penulis, bisa menghubungi dengan via email
ke riawan13awan@gmail.com
Slamet Santoso, SE., M.Si., lahir di

Ponorogo tanggal 16 Oktober 1970.
Menamatkan Sarjana Ekonomi Jurusan
IE-SP di Universitas Brawijaya Malang dan
menamatkan Pasca Sarjana Program Studi
Magister Sosiologi di Universitas
Muhammadiyah Malang. Saat ini aktif
sebagai tenaga pengajar pada Program
Studi Ekonomi Pembangunan Fakultas
Ekonomi Universitas Muhammadiyah Ponorogo.
Beberapa penelitian yang telah didanai oleh Ditjen Dikti
Depdiknas RI, antara lain: 1) Dampak Wanita yang Bekerja di Luar
Rumah terhadap Pendidikan Anak dalam Keluarga (1998);
2) Dinamika Perubahan Struktur Sosial Para Warok Ponorogo (2004);
3) Survivalitas Pedagang Warung Hik (Warung Angkringan) di Kota
Ponorogo (2006); 4) Analisis Potensi Pajak Hotel dalam
Meningkatkan Pendapatan Asli Daerah (PAD) Kabupaten Ponorogo
(2007); 5) Dampak Program Gerdu-Taskin terhadap Perkembangan
Pokmas Industri Roti di Desa Kalimalang Kabupaten Ponorogo

(2007), dan Pola Solidaritas dan Mobilitas Kelompok Pedagang
Angkringan di Ponorogo (2012).
Penelitian yang telah didanai oleh Pemerintah Kabupaten
Ponorogo adalah: 1) Pendataan dan Penghitungan Potensi Pajak
Daerah Kabupaten Ponorogo (2004); 2) Pendataan dan
Penghitungan Potensi Pajak Penerangan Jalan di Kabupaten
Ponorogo (2005); 3) Analisis Potensi Retribusi Parkir di Kabupaten
Ponorogo (2008); dan 4) Kajian tentang Evaluasi Pelayanan Publik di
Bidang Birokrasi Pemerintahan di Pemerintah Kabupaten Ponorogo
(2010).
Tulisan dalam bentuk artikel ilmiah yang telah diterbitkan
pada jurnal terakreditasi adalah: 1) Kesempatan Melanjutkan
Pendidikan bagi Anak Perempuan Pedesaan (Jurnal Pendidikan IKIP
Madiun, Desember 2003); 2) Etos Kerja Pengusaha Muslim
Perkotaan di Kota Ponorogo (Jurnal Penelitian Humaniora UNMUH
Surakarta, Edisi Khusus Juni 2006); 3) Kemampuan Bertahan
Pedagang Warung Hik di Kota Ponorogo (Jurnal Penelitian
Humaniora UNMUH Surakarta, Agustus 2006); dan 4) Peran Modal
Sosial terhadap Perkembangan Pedagang Kaki Lima di Ponorogo
(Jurnal Aspirasi FISIP Universitas Jember, Juli 2007).
Hasil karya yang telah diterbitkan dalam bentuk buku:
1) Statistika Deskriptif (Penerbit Ardana Media Yogyakarta ISBN 979-
111-926-0, bulan Maret 2009); 2) Statistika Induktif: Plus Aplikasi
Analisis Regresi dengan Program SPSS (Penerbit Ardana Media
Yogyakarta ISBN 979-111-929-9, bulan Mei 2009); 3) Metode
Penelitian Kuantitatif: Plus Aplikasi Program SPSS (Penerbit P2-FE
Universitas Muhammadiyah Ponorogo, ISBN 978-602-98008-1-4,
bulan Oktober 2010), dan 4) Statistika (Penerbit UMPO Press, ISBN
979-1068-25-9, bulan Nopember 2011).

Buku Statistik Lanjutan +(1)

Diunggah oleh

Informasi Dokumen

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

Buku Statistik Lanjutan +(1)

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB 1.

1.1. PERANAN STATISTIKA

Statistika Ekonomi Plus Aplikasi SPSS 1

1.2. PENGERTIAN STATISTIKA

1.3. METODE STATISTIKA

2 Statistika Ekonomi Plus Aplikasi SPSS

Statistika Ekonomi Plus Aplikasi SPSS 3

Sampel yang diambil

Gambar 1.1. Kaitan Populasi dan Sampel

1.5. DATA STATISTIK

4 Statistika Ekonomi Plus Aplikasi SPSS

1.6. PEMBULATAN ANGKA

Statistika Ekonomi Plus Aplikasi SPSS 5

Contoh Soal Tanpa Aturan 3 Dengan Aturan 3

6 Statistika Ekonomi Plus Aplikasi SPSS

2.1. PENGERTIAN DISTRIBUSI FREKUENSI

Statistika Ekonomi Plus Aplikasi SPSS 7

b. Distribusi Frekuensi Numerik

Dari data di atas, akan menyulitkan kita untuk menentukan

8 Statistika Ekonomi Plus Aplikasi SPSS

Hasil distribusi frekuensi pada tabel di atas yang disusun atas

Statistika Ekonomi Plus Aplikasi SPSS 9

Beberapa istilah di dalam distribusi frekuensi antara lain Class

10 Statistika Ekonomi Plus Aplikasi SPSS

a. Distribusi Frekuensi Relatif

b. Distribusi Frekuensi Kumulatif (Fr. K)

Statistika Ekonomi Plus Aplikasi SPSS 11

c. Distribusi Frekuensi Relatif Kumulatif

2.3. PENYAJIAN GAMBAR

12 Statistika Ekonomi Plus Aplikasi SPSS

Gambar 2.1. Gambar Histogram (dari data tabel 2.4)

Statistika Ekonomi Plus Aplikasi SPSS 13

14 Statistika Ekonomi Plus Aplikasi SPSS

Statistika Ekonomi Plus Aplikasi SPSS 15

3.1. PARAMATER DAN STATISTIK

3.2. RATA-RATA HITUNG (MEAN)

16 Statistika Ekonomi Plus Aplikasi SPSS

‫ݔ‬ଵ + ‫ݔ‬ଶ + ⋯ + ‫ݔ‬௡ ΣXi

Statistika Ekonomi Plus Aplikasi SPSS 17

Jadi rata-rata jumlah penjualan warung makan tersebut adalah

ΣXi ସହାହ଴ାସ଴ା଻଴ାଽ଴ାଽହା଻ହ ସ଺ହ

18 Statistika Ekonomi Plus Aplikasi SPSS

Berdasarkan tabel 3.1. rata-rata hitung tertimbang hasil panen padi

Σwi xi 2(2) + 2(2) + 1(1) + 1(1) + 2(2)

Statistika Ekonomi Plus Aplikasi SPSS 19

dari tabel data di atas, hitunglah rata-rata nilai manajemen

b) menghitung nilai rata-rata dengan menggunakan persamaan

20 Statistika Ekonomi Plus Aplikasi SPSS

Statistika Ekonomi Plus Aplikasi SPSS 21

22 Statistika Ekonomi Plus Aplikasi SPSS

Interfal F Xi log Xi f.log Xi

3.4. Mencari Nilai Median

Statistika Ekonomi Plus Aplikasi SPSS 23

b. Median Data Berkelompok

24 Statistika Ekonomi Plus Aplikasi SPSS

Statistika Ekonomi Plus Aplikasi SPSS 25

3.5. MENCARI NILAI MODUS

Modus merupakan kelompok data yang sering muncul atau

a. Modus Data Tidak Berkelompok (tunggal)

Nilai ujian mahasiswa matakuliah manajemen keuangan dari 10

b. Modus Data Berkelompok

26 Statistika Ekonomi Plus Aplikasi SPSS

Statistika Ekonomi Plus Aplikasi SPSS 27

3.6. KUARTIL, DESIL DAN PERSENTIL