1.

Statistika adalah ilmu yang mempelajari

bagaimana :
a. merencanakan,
b. mengumpulkan,
c. menganalisis, data
d. menginterpretasi, dan
e. mempresentasikan
2. Statistika adalah ilmu yang berkenaan
dengan data.
3. Statistika adalah ilmu yang berusaha untuk
mencoba mengolah data untuk
mendapatkan manfaat berupa keputusan
dalam kehidupan.
Statistika banyak diterapkan dalam berbagai
disiplin ilmu, misalnya pada bidang :
 ilmu-ilmu alam (astronomi dan biologi)
 ilmu-ilmu sosial (termasuk sosiologi dan
psikologi),
 bisnis (ekonomi, dan industri).
 pemerintahan untuk berbagai macam
tujuan; sensus penduduk
 Aplikasi statistika lainnya yang sekarang
popular adalah prosedur jajak pendapat
atau polling (misalnya dilakukan sebelum
pemilihan umum), serta jajak cepat
(perhitungan cepat hasil pemilu) atau quick
count.
1. Data yang tersedia / data historis.
Merupakan suatu nilai numerik yang diperoleh dari
keterangan masa lampau. Diolah menjadi informasi
yang nantinya berguna dalam menentukan
keputusan
2. Kriteria Keputusan
Dalam Statistika kita sering dihadapkan pada
beberapa pilihan. Masing-masing pilihan memiliki
nilai/ manfaat dan konsekuensi yang harus diambil
atau dengan kata lain kita harus menentukan
keputusan. Dari pilihan-pilihan tersebut akan
muncul berbagai kriteria keputusan. Sama halnya
dengan pilihan, masing-masing kriteria keputusan
memiliki manfaat dan akibat bagi kita
3. Ada Keputusan
 Bagi ibu-ibu rumah tangga tanpa disadari mereka
telah menerapkan statiska. Dalam membelanjakan
uang untuk kebutuhan keluarganya sering melakukan
perhitungan untung rugi, berapa jumlah uang yang
harus dikeluarkan setiap bulannya untuk uang
belanja, listrik, dll.
 Sebagai mahasiswa, selain statistika dipelajari secara
formal sebenarnya kita sudah menggunakannya
dalam perhitungan Indeks prestasi.
 Dalam dunia bisnis, para pemain saham atau
pengusaha sering menerapkan statistika untuk
memperoleh keuntungan. Seperti peluang untuk
menanamkan saham.
 Sedangkan dalam bidang industri, statistika sering
digunakan untuk menentukan keputusan.
Contohnya berapa jumlah produk yang harus
diproduksi dalam sehari berdasarkan data historis
perusahaan, apakah perlu melakukan
pengembangan produk atau menambah varian
produk, perlu tidaknya memperluas cabang
produksi, dll.
 Bidang teknik sipil :
……………………………………………………………………………
……………………………………………………………………………
……………………………………………………………………………
……………………………………………………………………………
 Statistik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
 Statistika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
 Populasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
 Sampel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
 Parameter adalah bilangan atau angka yang
menggambarkan karakteristik suatu populasi.
 Variabel adalah suatu simbol (lambang),
misalnya X, T, A, G dsbnya yang dapat bernilai
berapapun dari sekumpulan nilai yang telah
dijelaskan yang merupakan domain dari variabel
yang bersangkutan.
Ada 2 jenis variabel :
Kontinyu jika secara teoritis diantara dua nilai
yang diketahui bisa bernilai berapapun.
Diskrit jika secara teoritis diantara dua nilai
yang diketahui tidak bisa bernilai berapapun.

Statistik Deskriptif
Statistik Inferensia
 Mengapa Statistik diperlukan?
 Untuk bisa mengidentifikasi dan menggambarkan
hubungan-hubungan yang terdapat pada data
yang dikumpulkan, diproses dan disajikan pada
kegiatan yang membutuhkannya
 Alat bantu pengambilan keputusan
 Penerapan Statistik di bidang Teknik Sipil
 Pencegahan kegagalan dalam suatu desain
bangunan,
 Pengendalian mutu bangunan,
1. Identifikasi Masalah
2. Pengumpulan fakta yg ada,
3. Pengumpulan data baru : Alat bantu dan sampel,
a) Judgement Sample
b) Probability Sample :
 Simple Random Sample
 Systematic Sample
 Stratified sample
 Cluster Sample
4. Pengklasifikasian dan Peringkasan Data
5. Penyajian dan Analisis data
6. Pengambilan keputusan
Statistik Deskriptif
Tahapannya meliputi :
1. Pengumpulan
2. Pengorganisasian (klasifikasi, meringkas,
interpretasi)
3. Penyajian
Tanpa menganalisis dan menarik kesimpulan
untuk kelompok yang lebih luas.
Statistik Inferensia
pengambilan kesimpulan mengenai parameter
populasi berdasarkan informasi yang diperoleh
dari sampel
 Mulai

Kumpulan Data

Klasifikasikan, ringkas, dan proses data

Statistik deskriptif

Sajikan, sampaikan ringkasan informasi

data

Gunakan informasi
Informasi dari sampel untuk

Statistik Inferensia
dari sampel menyimpulkan
populasi

Gunakan data sensus untuk Tarik kesimpulan

menganalisis karakteristik tentang karateristik
populasi yg dikaji populasi (parameter) yg
dikaji

Selesai
 Proses Inferensi secara
Statistik

Pemilihan Sampel

Parameter Perkiraan mengenai Statistik

(tidak diketahui) parameter populasi (diketahui)
 DATA

DATA KUALITATIF DATA KUANTITATIF

DATA DATA DATA DATA

NOMINAL ORDINAL DISKRIT KONTINYU

DATA DATA
INTERVAL RASIO
Dari data pada tabel berikut :
1. Hitung rata-rata dan deviasi standar untuk data
terkelompok dan tidak terkelompok.
2. Buatlah distribusi frekuensinya,
a) Gambarkan grafiknya,
b) Hitung rata-rata, deviasi standar, koefisien
variasi, koefisien skewness dan koefisien
kurtosisnya,
3. Berikan pendapat anda pada hasil perhitungan
di atas.
1171 1186 1264 1205 1316 1437 1185 1150 1338 1290
1042 1110 1192 1196 1406 1161 1492 1170 1258 1152
1218 1181 1273 1020 1042 1136 1233 1158 1233 1312
1141 1040 1217 1175 1273 1163 1235 931 1270 1246
1298 1185 1051 1218 1303 1055 1081 1162 1333 1285
1083 1197 1146 1231 923 1393 1302 1249 1368 1327
1225 1095 1051 1250 1021 1152 1482 1028 1341 1106
939 1124 1200 1058 1449 1094 1254 1160 1141 1062
1077 1065 1141 1416 1055 1399 924 1361 1216 1289
1275 1464 1133 1208 1314 1209 1146 1274 1156 1090
Tabel 1. Pengujian tegangan rusak ( Breaking Stress ) logam
X
No. Breaking Stress Jumlah Persentase
(kN/m2) (f) ( f/nx100%)
1 900 - 999 4 4%
2 1000 -1099 19 19%
3 1100 - 1199 29 29%
4 1200 - 1299 28 28%
5 1300 - 1399 13 13%
6 1400 - 1499 7 7%
Total N 100 100%
0.2308 0.2089 0.2839 0.2703 0.2000 0.2632
0.2353 0.2038 0.2222 0.2961 0.2370 0.3265
0.2500 0.2484 0.4354 0.2651 0.2532 0.2686
0.2679 0.1856 0.3733 0.2654 0.2688 0.2388
0.1882 0.2038 0.2699 0.4507 0.2645 0.1975
0.2222 0.2160 0.3577 0.4194 0.2092 0.2384
0.2500 0.1895 0.2895 0.2752 0.2651 0.2733
0.3280 0.2209 0.2450 0.2000 0.2162 0.4344
0.3008 0.2878 0.3514 0.2069 0.2977 0.3636
0.2806 0.2697 0.2416 0.2130 0.3786 0.3947
 Interval kelas dan batas kelas
Berdasarkan contoh diatas 900 – 999, 1000 – 1099, dst
900, 999, 1000, 1099, . . . merupakan batas kelas atas/bawah
 Batas nyata kelas
899,5 sampai 999,5  batas nyata kelas pada kelas 1
 Lebar Interval kelas
C = 999,5 – 899,5 = 1099,5 – 999,5 = . . . . dst =100
 Pertimbangan dalam penyusunan Distribusi Frekuensi
 interval kelas harus dipilih untuk seluruh data dan setiap unit data
hanya dimasukkan 1 x pada satu kelas interval
 Jumlah interval yg digunakan 5 – 20, tgt faktor jmlh data, tujuan
penyusunan distr frek dan kepentingan analis.
 Lebar kelas ; C = R/K atau dg pendekatan rumus Sturge
k = 1+3,3 log n
 Interval kelas terbuka dihindari
 Interval kelas dipilih sdmkn rupa shg nilai tengah kelas yg
bersesuaian dg nilai dimana data aktual terkonsentrasi
 Rata-rata ( average )
◦ Mean aritmatik
◦ Mean aritmatik terbobot
◦ Mean geometrik
◦ Mean Harmonik
 Median
 Modus
MEAN ARITMATIK
Untuk data tidak terkelompok
n

x i
x i 1 SAMPEL
n

x i
μ i 1
POPULASI
N
X = mean aritmatik sampel
 = mean aritmatik populasi
xi = nilai dari data ( variebel x)
n = banyaknya data x dalam suatu sampel
N = banyaknya data x dalam suatu populasi
Untuk data terkelompok
k k

f x i m, i f x i m, i
x i 1
k
 i 1
SAMPEL

f
n
i
i 1
k k

f x i m, i f x i m, i
μx  i 1
k
 i 1
POPULASI

f
N
i
i -1
X = mean aritmatik sampel
x = mean aritmatik populasi
xi = nilai dari data ( variabel x)
k = jumlah interval kelas dalam satu sampel
K = jumlah interval kelas dalam satu populasi
n = banyaknya data x dalam suatu sampel
N = banyaknya data x dalam suatu populasi
fi = frekuensi atau jumlah pengamatan dlm satu klas intreval
xm.i = nilai tengah dari interval kelas.
MEAN ARITMATIK TERBOBOT
n

w x i i xw = mean aritmatika terbobot

xw  i 1
n
wi = faktor pembobot

w
n 1
i

Contoh
Perhitungan curah hujan rata-rata
POLIGON THIESSEN

N Nama Luas DPA

Bobot ( % )
o Stasiun ( Km2 )
Plamongan
1 0,342 3,875
Gunung
2 1,849 20,949
Pati
3 6,635 75,176
Susukan
Luas Total 8,826 100
Ukuran Penyebaran
1.Jangkauan / kisaran (range)
2.Simpangan mutlak rata-rata
3.Deviasi standard/simpangan baku
4.Varians ; kuadrat dari deviasi standard
5.Koefisien Variasi
Momen, Skewness dan kurtosis
1.Momen
2.Skewness
3.Kurtosis (Ck)
Simpangan mutlak rata-rata
Data tidak terkelompok :
n

x i x
MD x  i 1

n
Data terkelompok :
k k

f i x m, i  x f i x m, i  x
MD x  i 1
k
 i 1

 fi
n
i 1
MD x  simpanganm utlakrata  rata
x  meanaritma tiksampel
fi  jmlh pengamatan atau frekuensi dalam sebuah interval kelas
f median  frekuensi kelas median
n  banyaknya data x dalam suatu sampel
k  jumlah interval kelasdalam suatu sampel
x m,i  nilai tengah dari interval kelas
 2

 x 
n
 n
2  n

n  x i     x i 
2
i x
sx  i 1
  i1   i1   sampel
n -1 n n  1

 f x 
N
 N 2
  xi 
2
i i x
σx  i 1
  i1  μ 2
x  populasi
N N

 f x 
k
 k
2  k

n  f i x m,i     f i x m,i 
2
i m,i x
sx  i 1
  i1   i1   sampel
n -1 n n  1

 K 2
 f x  μx 
K

i m,i
2
  f i x m,i 
σx  i 1
  i1  μ 2
x  populasi
N N
Varians ; kuadrat dari deviasi standard
 sx2 : sampel
 x2 : populasi

Koefisien Variasi
Ukuran penyebaran data ditentukan dg standard deviasi atau
penyebaran mutlak, tapi untuk mengukur variasi misalnya 1 m
thd 1000 m dan 1 m thd 20 m dibedakan dg ukuran penyebaran
relatif yg didefinisikan sbg,
penyebaran mutlak
Penyebaran relatif 
nilai rata  rata

sx
Vx   sampel
x
σx
υx   populasi
μx
Momen, Skewness dan kurtosis
Menghitung momen simpangan thd mean yg ke 1,2,3
dan ke 4. data terdiri dari n =100 data, lebar interval
kelas c = 100 dan 𝑥ҧ = 1197.5.

xm,i fi fi (x m,i - x ) fi (x m,i - x )2 fi (x m,i -x )3 fi (x m,i -x )4

950 4 -992 246,016 -61,011,968 15,130,968,064

1,050 19 -2,812 416,176 -61,594,048 9,115,919,104
1,150 29 -1,392 66,816 -3,207,168 153,944,064
1,250 28 1,456 75,712 3,937,024 204,725,248
1,350 13 1,976 300,352 45,653,504 6,939,332,608
1,450 7 1,764 444,528 112,021,056 28,229,306,112
S 100 0 1,549,600 35,798,400 59,774,195,200
  f x 
k

i m, i x
0
m1,x  i 1
 0
n 100

 f x 
k
2
i m, i x
1549600
m 2,x  i 1
  15496
n 100

 f x 
k
3
i m, i x
35798400
m 3,x  i 1
  357984
n 100

 f x 
k
4
i m, i x
59774195200
m 4,x  i 1
  59774195200
n 100
Dengan metode pengkodean
x m, i  A
xm,i fi ui  fi i fi i 2 fi i 3 fi i 4
c

950 4 -2 -8 16 -32 64
1,050 19 -1 -19 19 -19 19
1,150 29 0 0 0 0 0
1,250 28 1 28 28 28 28
1,350 13 2 26 52 104 208
1,450 7 3 21 63 189 567
S 100 48 178 270 886
k

 fiμ i
1

48
m' 1,x  c1 i 1
k
 100  0.48
f
100
i
i 1
 Xm,i fi 𝑥𝑚,𝑖 −𝐴 fiui fiui2 fiui3 fiui4
𝑢𝑖 = ( )
𝑐
950 4
1050 19
1150 29
1250 28
1350 13
1450 7

A =sembarang nilai, biasanya nilai tengah interval kelas yang di tengah

Xm,i =nilai tengah interval kelas
fi =frekuensi atau jumlah pengamatan dalam sebuah kelas interval
ui =kode untuk suatu interval kelas
 k

 fiμ i
2

178
m' 2,x  c 2 i 1
k
 100 2  17800
f
100
i
i 1

 f iμ i
3

270
m' 3,x  c 3 i 1
k
 1003
 2.7 *10 6
f
100
i
i 1

 fiμ i
4

886
m' 4,x  c 4 i 1
k
 100 4
 8.86 *10 8
f
100
i
i 1
Maka,
m1,x =0
m2,x = m’2,x - m’1,x = 17800 – 48 2 = 15496
m3,x = m’3,x - 3m’1,x m’2,x + 2 m’1, x3
= 2.7*106 -3(48)(17800)+2(483) = 357984
m4,x = m’4,x - 4 m’1,x m’3,x + 6 m1,x2 m’2,x - 3 m’1,x4
= 8,86 x 108 – 4 (48 )( 2,7 x 106 ) + 6
(482)(17800)-3(484)
= 5,98 x 108
 Skewness ketidak simetrisan atau penyimpangan
suatu distribusi
30 30 30

25 25 25

20 20 20

15 15 15

10 10 10

5 5 5
0 0
0
40 50 60 70 80 90 100 40 50 60 70 80 90 100
40 50 60 70 80 90 100
Mean Mean Median Modus Modus Median Mean
Median Modus

x  x̂
Cs 
s
3( x  ~
x)
Cs  dg : C s  Faktor/koe fisien kemencenga n
s
x  mean, x̂  median, ~ x  modus
Rumus yg paling banyak di aplikasikan di bidang
teknik adalah dengan menggunakan momen
simpangan terhadap mean ke tiga dalam bentuk tak
berdemensi yg dinyatakan sebagai koef
kemencengan
m 3,x m 3,x m 3,x
a 3,x   
s 3
 m 2,x 
3
m 32,x
untuk kurva yg simetris sempurna , misalnya
kurva normal (gaussian) a3,x = b1,x
Kurtosis (Ck)
Kurtosis adalah derajat keruncingan (peakedness)
atau keceperan(flatness) dari suatu distribusi relatif
terhadap distribusi normal. Sebuah distribusi yg
memiliki relatif tinggi disebut kurva leptocurtic, yg
normal mesocurtic dan yg tidak runcing/ceper
platycurtic. Salah satu ukuran kurtosis menggunakan
momen simpangan thd mean ke 4 dalam bentuk tidak
berdimensi yg didefinisikan sebagai koefisien momen
keruncingan (kurtosis) :
m 4,x m 4,x
a 4,x  4

s m 22,x

Atau dapat juga menggunakan rumus berikut dg

menggunakan kuartil dan persentil :
 Qd
1
Q 3  Q1 
K  2
P90  P10 P90  P10

Mesocurtic Leptocurtic Platycurtic

Persyaratan Metode Distribusi
No. Jenis Distribusi Syarat Hasil Keterangan
Perhitungan

1 Normal Cs = 0 Tidak
Ck = 3 Cs = 2,23 Memenuhi
2 Ck = 6,49
2 Log Normal Cs = 3Cv+Cv = 3 Tidak
Cv = 0,50
Ck = 5,383 Memenuhi

3 Gumbel Cs < 1,1396 Tidak

Ck < 5,4002 Memenuhi

4 Log Pearson Tipe Cs ≠ 0, Cv ≈ 0,3 Memenuhi

III