STATISTIK

 Kumpulan Data
 Kumpulan Bilangan dan Non Bilangan
 Tersusun dalam tabel maupun diagram yang melukiskan
atau mengambarkan suatu persoalan
Statistika
 Pengetahuan yang berhubungan dengan :
 Cara-cara pengumpulan data
 Pengolahan data atau penganalisaannya
 Penarikan kesimpulan berdasarkan kesimpulan data
dan penganalisaan yang dilakukan
Data Statistika
Data berbentuk bilangan (Data Kwantitatif )

Variabel diskrit Variabel kontinu

Data diskrit Data kontinu

Data yang mengambarkan kualitas (data kualitatif )

Data diskrit
Hasil menghitung atau membilang
Contoh :
Keluarga A mempunyai 2 orang anak laki-laki dan 1
anak perempuan
Kabupaten B sudah membangun 70 gedung sekolah
Data Kontinu
Merupakan hasil pengukuran
Contoh :
Berat badan Mhs Dik 2013 misalnya : 53 kg, 65 kg, 68
kg, 70 kg
Kecepatan kedaran 80 km/jam
Luas daerah kena banjir 130 ha
Data Kualitatif
Merupakan suatu data dengan atribut
Contoh :
Cantik
Baik
Gagal
Rusak
Pandai
Dll
Populasi dan Sampel
Kesimpulan dibuat
diharapakan
Populasi yang berlaku untuk
karakteristikny populasi
a ingin
diketahui

Sampel diambil
dari p opulasi dan
dianalisis
Pembulatan Angka
Aturan 1:
Jika angka terkiri dari yang harus dihilangkan 4 atau
kurang, maka angka terkanan dari yang
mendahuluinya tidak berubah.

Sebuah contoh :
Rp. 59.376.402,96 dibulatkan hingga jutaan rupiah
menjadi 59 juta. Angka yang harus dihilangkan ialah
mulai dari 3 ke kanan dan ini merupakan angka
terkiri, angka terkanan dari yang mendahului 3, ialah
9, harus tetap
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.

Contoh :
1) 6.948 kg, dibulatkan hinga ribuan akan menjadi 7
ribu kg
2) Rp. 176,51 dibulatkan hingga satuan rupiah menjadi
Rp. 177,00. angka-angka yang harus dihilangkan
adalah 51 dengan angka terkiri 5 yang diikuti angka 1
(bukan nol)
Aturan 3 :
Jika angka terkiri dari yang harus dihilangkan hanya angka
5 atau 5 yang diikuti oleh angka-angka nol belaka, maka
angka terkanan dari yang mendahuluinya tetap jika ia
genap, tambah satu jika ia ganjil.

Contoh :
1) Bilangan 8,5 atau 8,500 menjadi 8 jika dibulatkan teliti
hingga satuan angka yang harus dihilangkan masing-
masing 5 dan 500 sedangkan yang mendahuluinya adalah
genap, yakni 8, jadi harus tetap 8
2) Akan tetapi 19,5 atau 19,50 menjadi 20 jika dibulatkan
hinga satuan ini disebabkan angka yang mendahului 5
atau 50 merupakan bilangan ganjil, ialah 9. jadi harus
ditambah dengan satu.
Aturan ke 3 disebut aturan genap terdekat yang diambil
untuk membuat keseimbangan antara pembulatan
keatas dan pembulatan kebawah, jika yang harus
dihilangkan itu terdiri atas angka 5 atau 5 diikuti oleh
hanya angka nol.

4
4,5 5
8
7,50 8
2
1,500 2
+ 6__
+ 6,5__ + 7__
20
20,000 22
(tiap suku
(menjadi 20 jika (tiap suku
dibulatkan
jumlah dibulatkan
hingga satuan
dibulatkan hingga satuan
dengan
hingga satuan) tanpa
menggunakan
menggunakan
aturan 3)
aturan 3)
Penyajian Data
Dalam bentuk tabel atau daftar
Daftar baris kolom
Daftar kontingensi
Daftar distribusi frekwensi.
Contoh Daftar Statistik
 Daftar II (6)
BANYAK MURID SEKOLAH DI DAERAH A
MENURUT TINGKAT SEKOLAH DAN JENIS KELAMIN
TAHUN 1970

Daftar kontingensi di atas adalah merupakan daftar

kontingensi 2 x 3 karena terdiri atas 2 baris dan 3 kolom
Daftar kontingensi 4 x 4, dapat dilihat
dalam daftar II (7)
Jika data kuantitatif dibuat menjadi beberapa kelompok,
maka akan diperoleh daftar distribusi frekuensi. Sebuah
contoh adalah seperti dalam daftar II (8)
Kolom kedua, yakni banyak mahasiswa
sering disingkat dengan f yang berarti
frekuensi dan menyatakan berapa
mahasiswa yang umurnya tertulis pada
kolom pertama. Demikianlah misalnya
ada 1.172 mahasiswa yang umurnya
paling muda 17 tahun dan paling tua 36
tahun. Bagaimana cara membuat daftar
distribusi frekuensi akan dijelaskan
kemudian.
Diagram Batang
Penyajian data secara visual
Contoh :
Data sebagai berikut :
Diagram batang tunggal tanpa perincian jenis kelamin
Diagram batang secara horizontal
Diagram batang dua komponen dengan perincian jenis
kelamin
Diagram Garis
Mengambarkan keadaan yang serba terus atau
berkesinambungan
Contoh data :
Diagram garis yang mengambarkan penggunaan
barang selama 1971 - 1980
Diagram garis dengan keadaan bertambah secara
konstan
Diagram garis dengan keadaan bertambah dengan
pertambahan yang menaik
Diagram garis dengan bertambah dengan
pertambahan yang menurun
Diagram garis dengan menurun dengan
penurunan yang tidak tetap
Diagram garis dengan data terkumpul jauh dari
sumbu horzontal
Diagram grafik di atas dapat diperbaiki seperti
grafik di bawah ini
Dibawah ini kedua data ini adalah sama
Diagram Lingkaran
Diagram lambang
Diagram lambang
Diagram peta
Diagram peta
Diagram pencar
DAFTAR DISTRIBUSI FREKUENSI DAN
GRAFIKNYA
Daftar Distribusi Frekuensi
Istilah – istilah yang dipergunakan pada daftar distribusi
frekuensi
Kelas interval
Frekuensi
Ujung bawah dan ujung atas
Panjang kelas
Unjung kelas interval
Batas kelas interval
Tanda kelas interval
Membuat daftar distribusi frekuensi
Perhatikan nilai ujian statistika untuk 80 orang mahasiswa
berikut ini

79 49 48 74 81 98 87 80
80 84 90 70 91 93 82 78
70 71 92 38 56 81 74 73
68 72 85 51 65 93 83 86
90 35 83 73 74 43 86 88
92 93 76 71 90 72 67 75
80 91 61 72 97 91 88 81
70 74 99 95 80 59 71 77
63 60 83 82 60 67 89 63
76 63 88 70 66 88 79 75
a. Tentukan rentang, ialah data terbesar dikurangi data
terkecil. Dalam hali ini, kerena data terbesar = 99 dan
data terkecil = 35, maka rentang = 99 – 35 = 64
b. Tentukan banyak kelas interval yang diperlukan. Banyak
kelas sering bisa diambil paling sedikit 5 dan paling
banyak 15 kelas, dipilih menurut keperluan. Cara lain
cukup bagus untuk n berukuran besar n ≥ 200 misalnya,
dapat menggunakan aturan Sturges yaitu : banyak kelas
= 1 + (3,3) log n
dengan n menyatakan banyak data dan hasil akhir
dijadikan bilangan bulat. Untuk contoh kita dengan
n = 80, sekedar memperlihatkan penggunaan aturan ini,
maka : (logaritma berapa bilangan dapat dilihat dalam
Lampiran, Daftar A)
banyak kelas = 1 + (3,3) log 80
= 1 + (3,3)(1,9031) = 7, 2808
kita bisa membuat daftar distribusi frekuensi dengan
banyak kelas 7 atau 8 buah.
c. Tentukan panjang kelas interval p. ini secara ancer-
ancer di tentukan oleh aturan
rentang
p=
banyak kelas
Harga p diambil sesuai dengan ketelitian satuan data yang digunakan. Jika data
berbentuk satuan ambil harga p teliti sampai satuan. Untuk data hingga satu
desimal, p ini juga diambil hingga satu desimal, dan begitu seterusnya
Untuk contoh kita, maka jika banyak kelas diambil 7, didapat
64
p= = 9,14 dan dari sini bisa kita ambil p = 9 atau
7 p = 10
d. Pilihlah ujung bawah kelas interval pertama. Untuk ini bisa diambil sama
dengan data terkecil atau nilai data yang lebih kecil dari data terkecil tetapi
selisihnya harus kurang dari panjang kelas yang telah ditentukan. Selanjutnya
daftar diselesaikan dengan menggunakan harga-harga yang telah dihitung.

e. Dengan P = 10 dan memulai dengan data yang lebih kecil data terkecil,
diambil 31, maka kelas pertama berbentuk 31-40, kelas 41 – 50, kelas ketiga 51-
60 dan seterusnya.
Dengan mengambil banyak kelas 7, panjang kelas 10 dan dimulai dengan ujung bawah
kelas pertama sama dengan 31, seperti dijleskan dalam e, kita peroleh daftar penolong
seperti dibawah ini
Daftar III (1) dan Daftar III
(2) kedua-duanya dapat
digunakan. Tetapi dalam
daftar III (2), Kelas interval
terakhir, yakni kelas 95-104,
melebihi nilai yang biasa
diberikan, ialah 100.
karenanya, Daftar III (1)
yang lebih baik.
DISTRIBUSI FREKUENSI RELATIF
Frekuensi relatif,
disingkat Fre atau f (%),
untuk kelas pertama
didapat dari :

Untuk lain – lain

dihitung dengan jalan
yang sama.
DAFTAR DISTRIBUSI KUMULATIF
 Kurang
 Lebih
DAFTAR DISTRIBUSI KUMULATIF KURANG
DAFTAR DISTRIBUSI KUMULATIF LEBIH
HISTOGRAM DAN POLIGON FREKUENSI
DIAGRAM KUMULATIF KURANG DARI
Diagram kumulatif lebih dari
Diagram frekuensi
(A) Model normal, yang sebenarnya akan lebih tepat
digambarkan berdasarkan persamaan matematikanya.
Bentuk model normal selalu simetrik dan mempunyai
sebuah puncak. Kurva dengan sebuah puncak disebut
unimodal
(B) Model simetrik, di sini juga uni modal. Perhatikan
bahwa model normal selalu simetrik tetapi tidak
sebalinya.
Kurva Model Miring Positif

Contoh : Soal Ujian terlalu sulit

Kurva model miring negatif

Contoh : Soal ujian terlalu mudah

Kedua gambar diatas memperlihatkan fenomena yang
modelnya bentuk J. ini banyak terdapat dalam dunia
ekonomi, industri dan fisika
Dalam hal ini mula-mula terdapat banyak gejala bernilai
kecil, kemudian menurun sementera gejala bernilai
besar dan akhirnya menaik lagi untuk nilai gejala yang
makin besar
Ukuran gejala pusat
Rata-rata atau rata-rata hitung
Rata-rata ukur
Rata-rata harmonik
Modus
Ukuran letak
 Median
 Kwartil
 Desil
 Persil
Rata-rata hitung
Simbul rata-rata untuk sampel ialah (baca: eks garis)
sedangkan rata-rata populasi simbul µ (baca : mu). Jadi
adalah statistik sedangkan µ adalah parameter untuk
menyatakan rata-rata. Rumus untuk rata-rata adalah :

x1  x2  .....  xn x i
x atau x  i 1
n n
Atau lebih sederhana ditulis

x
 x i

n
n

Dengan Ʃxi singkatan dari  x yang berarti jumlah

i 1
i

semua harga x yang ada dalam kumpulan itu

Jika ada lima mahasiswa mendapat nilai 70, enam
mendapat nilai 69, tiga mendapat 45 dan masing-
masing seorang mendapat nilai 80 dan 56 maka
lebih baik data itu ditulis sebagai berikut :
xi menyatakan nilai ujian dan
fi menyatakan frekuensi untuk nilai
Xi fi xi yang bersesuain
70 5
misalnya : f1 = 5 untuk x170, f2, = 6
69 6 untuk x2 = 69 dan seterusnya
45 3
80 1
56 1
Untuk data berbentuk demikian, rumus rata-ratanya
adalah :

x
 fx i i

f i

Ialah jumlah hasil kali antara frekuensi dan nilai data

dibagi oleh jumlah frekuensi
 Contoh 1

Untuk contoh di muka, dianjurkan dibuat tebel penolong seperti berikut :

Dari tabel didapat
Ʃfi = 16

Xi fi fiXi Ʃfi Xi = 1035

Sehingga
70 5 350
69 6 414
x
f x i i
atau
45 3 135
80 1 80
f i

56 1 56
1035
Jumlah 16 1035 x  64,6
16

Nilai rata – rata ujian stasttika untuk ke-16 mahasiswa itu adalah 64,6
 Contoh 2
Data berikut merupakan daftar barang yang disimpan di gudang, diantaranya
terdapat yang rusak.
(Untuk menyingkat, judul daftar setiap tabel tidak lagi dituliskan

DAFTAR IV (1)
BARANG DISIMPAN RUSAK %
A 100 96 96
B 200 92 46
C 160 80 50
D 80 60 75
JUMLAH 540 328 -
Jika rata – rata mengenai persen barang
yang rusak dihitung dengan Rumus IV (1),
maka
96  46  50  75
x %  66,75%
4

tetapi barang rusak ada 328 dari 540. Ini

berarti 328
 x100%  60,07%
540
Hasil ini didapat dengan menggunakan Rumus sebagai berikut.

Dalam tabel disamping ini Xi =

persen yang rusak, fi= banyak
barang. Dari tabel dan Rumus
Xi(%) fi fiXi IV (2) Didapat
96 100 96 x
f xi i
X 100%
46 200 92 f i

75 160 80
75 80 60 
328
X 100%
540
Juml 540 328
ah  60,07%

Rata – rata terdapat 60,07% barang yang rusak.

Selanjutnya kita juga dapat menunjukkan rata-rata
gabungan, yaitu rata-rata dari beberapa sub sampel lalu
dijadikan satu. Kalau ada k buah sub sampel masing-
masing dengan keadaan berikut:

Sub sampel 1 : berurutan dengan n1 rata-rata x1

Sub sampel 2 : berurutan dengan n2 rata-rata x2

……………………………………………………………
Sub sampel k : berukuran dengan nk rata-rata xk
Maka rata-rata gabungan dari k buah sub sampel itu
dihitung dengan :
x 
n x
i i

n i
Contoh
Tiga sub sampel masing – masing berukuran 10,6 dan 8
sedangkan rata-ratanya masing – masing 145,118 dan 162

Adalah salah jika rata – rata gabungan dihitung dengan

Rumus IV(1) ialah
145  118  162
x 141,7
3

Yang benar, harus dihitung dengan Rumus IV(3) adalah

(10)(145)  (6)(118)  (8)(162)
x 143,9
10  6  8
Untuk data yang telah disusun dalam
daftar distribusi frekuensi, rata-ratanya
dihitung dengan Rumus
x
 f x
i i

f i

Hanya disini Xi = tanda kelas interval dan fi

= frekuensi yang sesuai dengan tanda
kelas Xi
 Contoh
Marilah kita hitung rata-rata untuk nilai ujian statistika yang
terdapat dalam Daftar II(1) halaman 45. Untuk keperluan ini kita
buat tabel berikut :
NILAI UJIAN FREK TANDA KEL PRODUK
fi Xi fiXi
31-40 1 35,5 35,5
41-50 2 45,5 91,0
51-60 5 55,5 277,5
61-70 15 65,5 982,5
71-80 25 75,5 1.887,5
81-90 20 85,5 1.710,0
91-100 12 95,5 1.146,0

JUMLAH 80 - 6.130,0
Dari tabel diatas didapat : f i  80 dan
fX
i i  6130,0

Dari rumus diatas memberikan:

6130,0
x  76,62
80

rata-rata nilai ujian

f
statistika 76,62
i
Cara kedua untuk menghitung rata-rata dari data dalam
daftar distribusi frekuensi ialah dengan cara sandi atau
cara singkat.
Untuk ini ambil salah satu tanda kelas, namakan x0. Untuk
harga ini x0 ini diberi sandi c = 0. Tanda kelas yang lebih
kecil dari x0
berturut-turut diberi harga-harga sandi c = -1, c = -2, c = -
3, dan seterusnya. Tanda kelas yang lebih besar dari x0
berturut-turut mempunyai harga-harga sandi c = +1, c =
+2, c = +3 dan seterusnya. Dengan ini semua jika p =
panjang kelas interval yang sama besarnya, maka rata-rata
dihitung oleh :
  f i ci 
x  x0  p 
  f 
 i 
 CONTOH
Untuk data nilai ujian 80 mahasiswa, kita perlu
menyusun tabel berikut

Nilai Ujian Fi Xi Ci Fi ci
31-40 1 35,5 -4 -4
41-50 2 45,5 -3 -6
51-60 5 55,5 -2 -10
61-70 15 65,5 -1 -15
71-80 25 75,5 0 0
81-90 20 85,5 1 20
91-100 12 95,5 2 24
Jumlah 80 - - 9
Telah diambil x0 = 75,5 dan nilai sandi c = 0 telah di
berikan untuk ini. Harga-harga c = -1, c = -2, c = -3 dan
c = -4 telah diberikan berturut-turut untuk tanda-
tanda kelas 64,5;55,5;45,5 dan 35,5. tanda kelas yang
lebihbesar dari x0 = 75,5 berturut-turut diberi harga c
= 1 dan c = 2. kerena p = 10, maka dengan rumus IV (5),
dengan Ʃfi ci = 9 didapat.

 9 
x  75,5  (10)    76,62
 80 
Rata-rata ukur
Jika perbandingan tiap dua data beruntun tetap atau
hampir tetap, rata-rata ukur lebih baik dipakai daripada
rata-rata hitung, apabila dikehendaki rata-ratanya.
Untuk data bernilai x1,x2….., xn maka rata-rata ukur U
didefinisikan sebagai

U  n x1.x2 .x3 .....xn

Yaitu akar pangkat n dari produk (x1,x2, x3.,xn )
Contoh 1
Rata-rata ukur untuk data x1 = 2, x2 = 4 dan x3 = 8 adalah
U  3 2 48  4
Untuk bilangan-bilangan bernilai besar,lebih baik
digunakan logaritma

 log xi
log U 

Yakni logaritma rata-rata ukur U sama dengan jumlah
logaritma tiap data dibagi oleh banyak data. Rata-rata
ukur U akan didapat dengan jalan mencari kembali
logaritmanya.
Contoh :
Sekedar menunjukkan penggunaan rumsu IV (7), kita ambil x1 = 2,x2 = 4
dan x3 = 8.
Maka log 2 = 0,3010; log 4 = 0,6021; dan log 8 = 0,9031.
log 2  log 4  log
log U 
3
0,3010  0,6021  0,9031
atau log U   0,6021
3

Sehingga, setelah dicari kembali dari daftar logaritma,

rata-rata ukur U = 4
Untuk fenomena yang bersifat tumbuh dengan
syarat-syarat tertentu, seperti pertumbuhan
penduduk, bakteri dan lain – lain, sering
digunakan rumus yang mirip rata-rata ukur ialah :
t
 x 
pt  P0  
1  100 
 
dengan = Keadaan awal atau permulaan
p = keadaan akhir
0

x = rata-rata pertumbuhan setiap

satuan waktu
t = satuan waktu yang digunakan
Contoh

Penduduk Indonesia pada akhir tahun

1946 ada 60 juta sedangkan akhir tahun
1956 mencapai 78 juta. Untuk
menentukan laju rata-rata
pertumbuhan penduduk tiap tahun kita
pakai Rumus IV(8) dengan t = 10,p0 = 60
dan pt = 78
10
 x 
78  60 
1  100 
maka didapat  
  x 
atau log 78  log 60  10 log 1  

 100 
 x 
atau 1,8921 1,7782  (10). log 1  

 100 
 x 
menghasilk an 1    1,0267 
  x  2,67
 100 

Laju rata-rata pertumbuhan = 2,76% tiap tahun

Untuk data yang telah disusun dalam daftar
distribusi frekuensi rata- rata ukurnya dihitung
dengan rumus:
  f log x 
log U  i i

f i

Denganxi seperti biasa menyatakan tanda kelasf i =

frekuensi yang sesuai denganxi dan rata-rata ukur U
dicari kembali dari log U.
Contoh
Untuk data dalam Daftar III (1) tentang nilai
ujian 80 mahasiswa, kita bentuk tabel
berikut.

Nilai Ujian fi Xi LogXi filogXi

(1) (2) (3) (4) (5)
31-40 1 35,5 1,5502 1,5502
41-50 2 45,5 1,6580 3,3160
51-60 5 55,5 1,7443 8,7215
61-70 15 65,5 1,8162 27,2430
71-80 25 75,5 1,8779 46,9475
81-90 20 85,5 1,9320 38,6400
91-100 12 95,5 1,9800 23,7600
JUMLAH 80 - - 150,1782
Nilai Ujian itu mempunyai rata-rata ukur 75,37
  fi log xi   150,1782 dan  f i  80
150,1782
log U   1,8772
80
yang menghasilk an U  75,37
RATA-RATA HARMONIK
Untuk data x , x , x ,....., x dalam sebuah
1 2 3 n

sampel berukuran n, maka rata-rata

harmonik ditentukan oleh :
n
IV (10).........H 
1
  x 
 i
n
atau lengkap H 
1 1 1
  ... 
x1 x2 xn
Rata-rata harmonik untuk
kumpulan data: 3, 5, 6, 7, 10, 12
dengan n = 7 ialah

7
H  5,87
1 1 1 1 1 1 1
     
3 5 6 6 7 10 12
Contoh. 2
Si A bepergian pulang pergi. Waktu pergi ia melakukan
kecepatan 10 km/jam sedangkan waktu kembalinya 20
km/jam. Berapakah rata-rata kecepatan pulang-pergi?
1
10  20km / jam 15 km / jam
2
Ini salah, karena jika panjang jalan 100 km, maka untuk
pergi diperlukan waktu 10 jam dan kembali 5 jam.
Pulang pergi perlu waktu 15 jam dan menempuh
200 km. Rata-rata kecepatan jadinya
200 1
km / jam 13 km / jam
15 3
Hasil ini tiada lain daripada rata-rata harmonik

2 40 1
H   13
1 1 3 3

10 20
Untuk data dalam daftar ditribusi frekuensi ,
maka rata-rata harmonik dihitung dengan rumus
denganxi = tanda kelas interval dan f i = frekuensi
yang sesuai dengan tanda kelas xi

H
 f i

 f / x 
i i
 Contoh
Jika untuk nilai ujian dalam Daftar III(1) dihitung
rata-rata harmoniknya, maka tabel berikut
diperlukan

Nilai Ujian fi Xi fi/Xi

(1) (2) (3) (4)
31-40 1 35,5 0,0282
41-50 2 45,5 0,0440
51-60 5 55,5 0,0901
61-70 15 65,5 0,2290
71-80 25 75,5 0,3311
81-90 20 85,5 0,2339
91-100 12 95,5 0,1256
JUMLAH 80 - 1,0819
Kolom (3) merupakan tanda kelas dan kolom (4) adalah
hasil bagi kolom (2) oleh kolom (3). Dari tabel didapat   f x 
i i

1,0819 dan  f = 80, sehingga dengan rumus diperoleh

i

180
H  73,94
1,0819
Rata-rata harmonik untuk nilai ujian itu = 73,94
Hubungan H, U, x

Untuk data dalam Daftar telah didapat x = 76,62; U = 75,37

dan H = 73,94. Ternyata terdapat H<U< x
Secara umum berlaku :

H U  x
Modus
Untuk menyatakan fenomena yang paling banyak terjadi
atau paling banyak terdapat digunakan ukuran modus
disingkat Mo. Ukuran ini juga dalam keadaan tidak
disadari sering dipakai untuk menentukan “Rata-rata”
data kualitatif. Jika kita dengar atau baca: kebanyakan
kematian di Indonesia disebabkan oleh penyakit malaria,
pada umumnya kecelakaan lalu lintas karena
kecerobohan pengemudi, maka ini tiada lain masing –
masing merupakan modus penyebab kematian dan
kecelakaan lalu lintas.
Modus untuk data kualitatif ditentukan dengan jalan menentukan frekuensi
terbanyak di antara data itu.
Contoh : Terdapat sampel dengan nilai-nilai data:
12, 34, 14, 34, 28, 34, 34, 28, 14. dalam tabel dapat disusun seperti dibawah ini.
Frekuensi terbanyak,
ialah f = 4, terjadi Xi fi
untuk data bernilai 34. 12 1
Maka modus Mo = 34. 14 2
20 2
34 4
Jika data kuantitatif telah disusun dalam daftar distribusi frekuensi,
modusnya dapat ditentukan dengan rumus :
b1
Mo  b  p( )
b1  b2
Dengan b = batas bawah kelas modal, ialah
kelas interval dengan frekuensi
terbanyak
p = panjang kelas modal
b1 = frekuensi kelas modal dikurangi
frekuensi kelas interval dengan tanda
kelas yang lebih kecil sebelum tanda
kelas modal.
b2 = frekuensi kelas modal dikurangi
frekuensi kelas interval dengan tanda
kelas yang lebih besar sesudah tanda
kelas modal
Contoh :
1) Kelas modal = kelas kelima
NILAI F1
2) b = 70,5 UJIAN
31-40 1
3) b1 = 25 – 15 = 10 41-50 2
4) b2 = 25 – 20 = 5 51-60 5
61-70 15
5) p = 10 71-80 25
10 81-90 20
Mo = 70,5 + (10) ( )
10  5 91-100 12
Jumlah 80

Mo = 77,17
Contoh :
Modus dibanding dengan ukuran lainnya, tidak tunggal
adanya. Ini berarti sekumpulan data bisa mempunyai
dari sebuah modus.
Xi Fi
75 8 Dapat dilihat ada 8 data masing-
60 7 masing bernilai 75 dan 92. ini
92 8
64 7
menyatakan bahwa modusnya
35 2 ada dua ialah 75 dan 92.
Median

Median menentukan letak data setelah data itu

disusun, menurut uratan nilainya. Kalau nilai median
sama dengan Me, maka 50% dari data harga-harganya
paling tinggi sama dengan Me sedangkan 50% lagi
harga-harganya paling rendah sama dengan Me.

Jika banyak data ganjil, maka median Me, setalah data

disusun menurut nilainya, merupakan data paling
tengah.
Contoh:
Sampel dengan data : 4, 12, 5, 7, 8, 10, 10, setelah disusun
menurut nilainya menjadi : 4, 5, 7, 8, 10, 10, 12, data paling
tengah bernilai 8 Jadi Me = 8

Untuk sampel berukuran genap, setelah data disusun

menurut urutan nilainya, mediannya sama dengan rata-rata
hitung dua data tengah.
Contoh :

Diberikan sampel dengan data 12, 7, 8, 14, 16, 19, 10, 8,

Setelah disusun menurut nilainya menjadi : 7, 8, 8, 10, 12, 14,
16, 19, Data tengahnya ialah 10 dan 12, sehingga median Me =
½ (10+12) = 11
Untuk data yang telah disusun dalam daftar distribusi
frekuensi, mediannya dihitung dengan rumus :

1 nF
Me  b  p( 2 )
f
Dengan b= batas bawah kelas median, ialah kelas
dimana median akan terletak,
p= panjang kelas median
n= ukuran sampel atau banyak data
F= jumlah semua frekuensi dengan tanda kelas
lebih kecil dari tanda kelas median
f= frekuensi kelas median
Contoh :
Jika nilai ujian 80 mahasiswa akan dihitung mediannya, dengan
menggunakan daftar berikut kita tempuh hal dibawah ini :

Nilai Ujian fi Setelah dari seluruh data ada 40 buah. Jadi

median akan terletak di kelas interval kelima,
31-40 1
kerena sampai dengan ini jumlah frekuensi
41-50 2
51-60 5 sudah lebih dari 40.
61-70 15 Dari kelas median ini didapat :
71-80 25 B=70,5; p = 10; dan f = 25
81-90 20
91-100 12 Adapun F = 1+2+5+15=23, sehingga
40  23
Jumlah 80 Me  70,5  (10)( )  77,3
25
Dari data tentang nilai ujian 80 mahasiswa, telah
didapat rata-rata = 76,62, modus
x Mo = 77,17 dan
median Me = 77,3. Kita lihat bahwa harga-harga
statistik tersebut berlainan. Ketiga nilai yakni; rata-
rata, median, dan modus akan sama bila kurva
halusnya simetrik. Untuk fenomena dengan kurva
halus positif dan negatif, hubungan empirik yang
berikut dapat diandalkan!

Rata-rata – Mo = 3(Rata-rata-Me)
 Dalam grafik, kedudukan ketiga nilai tersebut
dapat dilihat di bawah ini:

Gambar A untuk kurva positif dan B untuk yang negatif

 Kuartil

Jika sekupulan data dibagi menjadi empat bagian

yang sama banyak, sesudah disusun menurut
urutan nilainya, maka bilangan pembaginya
disebut kuartil. 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 nilai kuartil
paling kecil. Untuk menentukan nilai kuartil
caranya dalah :
1) Susun data menurut urutan nilainya
2) Tentukan letak kuartil
3) Tentukan nilai kuartil
Letak kuartil ke i, diberi lambang Ki, ditentukan oleh
rumus

i ( n  1)
Letak Ki = data ke
4
Dengan i = 1,2,3
Sampel dengan data 75, 82, 66, 57, 64, 56, 92, 94, 86, 52, 60, 70, setelah
disusun menjadi : 52, 56,57, 60, 64, 66, 70, 75, 82, 86, 92, 94.

12  1
Letak K1 = data ke = data ke -3 ¼ , yaitu
4
antara data ke -3 dan data ke -4 seperempat jauh dari data ke-3.
Nilai K1 = data ke-3 + ¼ (data ke-4 – data ke-3
K1 = 57 + ¼ (60 -57) = 57 ¼

Letak K3 = data ke 3(12  1) data ke -9 ¼ . Dengan

4
cara seperti di atas nilai
K3 dapat ditentukan ialah :
K3 = data ke-9 + ¾ (data ke -10 – data ke -9)
K3 = 82 + ( ¾ ) (86 – 82) = 85
Untuk data yang telah disusun dalam daftar distribusi
frekuensi, kuartil Ki (i=1,2,3) dihitung dengan rumus :

 in 
  F 
K i  b  p 4 
 f 
 
Dengan i = 1,2,3  

Dengan b = batas bawah kelas K1 ialah kelas

interval dimana Ki akan terletak.
p = panjang kelas Ki
F = jumlah frekuensi dengan tanda
kelas lebih kecil dari tanda kelas Ki
f = frekuensi kelas Ki
Contoh :
Kembali pada hasil ujian 80 mahasiswa seperti dalam
tabel di bawah ini : maka untuk menentukan kuartil
ketiga K3, kita perlu ¾ x 80 = 60 data. Dengan demikian
K3 terletak dalam kelas interval keenam, dan kelas ini
merupakan kelas K3 dari kelas K3 ini didapatlah b =
80,5; p = 10; f = 20 dan F = 1+2+5+15+25=48 dengan i = 3
dan n = 80, dari rumus IV (17) diperoleh :

 3  80 
  48 
K 3  80,5  10 4 
 20 
 
 
K 3  86,5
 Nilai Ujian Fi
31-40 1
41-50 2
51-60 5
61-70 15
71-80 25
81-90 20
91-100 12
Jumlah 80

Ini berarti ada 75% mahasiswa yang

mendapat nilai ujian paling tinggi 86,5
sedangkan 25% lagi mendapat nilai paling
rendah 86,5
Desil
Jika kumpulan data itu dibagi menjadi 10 bagian yang
sama, maka didapat sembilan pembagi dan tiap
pembagi dinamakan desil. Kerenanya ada sembilan
buah desil, ialah desil pertama, desil kedua,……desil
kesembilan yang disingkat dengan D1, D2, ……D9 ini
dapat ditentukan dengan jalan :
1) Susun data menurut urutan nilainya
2) Tetentukan letak desil
3) Tentukan nilai desil
Letak desil ke i, diberi lambang Di, ditentukan oleh
rumus i(n  1)
Letak Di  data ke
10
IV (18)…………………… dengan i 1,2,.....9
Contoh :
Untuk data yang telah disusun dalam contoh terdahulu, ialah
: 50, 56, 57, 60, 64, 68, 70, 75, 82,

86, 92, 94, maka letak D7 = data ke 7(12  1) data ke-9,1

10

Nilai D7 = data ke-9 + (0,1)(data ke-10 – data ke-9) atau D7 =

82 + (0,1)(86-82)=84,4
Untuk data dalam daftar distribusi frekuensi, nilai Di (i =
1,2,…..9) dihitung dengan rumus :
  in 
  F 
Di  b  p 10 
 f 
 
 
dengan i  1,2,......9

Dengan
b = batas bawah kelas Di ialah kelas interval diman Di akan terletak,
P = panjang kelas Di
F = jumlah frekuensi dengan tanda kelas lebih kecil dari tanda kelas Di
f = frekuensi kelas Di
Contoh :
Jika diminta D3 untuk 80 nilai ujian statistika, maka
kita perlu 30% x 80 = 24 data. Dapat dilihat bahwa
kelas D3 berimpit dengan kelas interval ke-4 karenanya
b=60,5; p = 10; f= 15 dan F = 1+2+5=8. dengna i = 3 dan
n=80, maka dari rumus IV (18) didapat :
 2  80 
 8
D3  60,5  (10) 10   71,2
 15 
 
 

Ada 70% dari mahasiswa paling sedikit mendapat nilai

ujian 71,2 dan 30% lagi mendapat nilia paling besar 71,2
Persentil
Sekumpulan data yang dibagi menjadi 100 bagian yang
sama akan menghasilkan 99 pembagi yang berturut-
turut dinamakan persentil pertama, persentil kedua,
….persentil ke 99. simbul yang digunakan berturut-
turut P1, P2, ….P99
Karena cara perhitungannya sama seperti perhitungan
desil, maka disini hanya diberikan rumus-rumusnya
saja. Letak persentil Pi (i=1,2,….99) untuk sekumpulan
data ditentukan oleh

i(n  1)
Letak Pi  data ke
100
dengan i 1,2,.....99
Sedangkan nilai Pi untuk data dalam daftar distribusi frekuensi
dihitung dengan :
 in 
  F 
Pi  b  p 100 
 f 
 
 
dengan i  1, 2, .....99
Dengan b = batas bawah kelas Pi, ialah kelas
interval dimana Pi terletak
P = panjang kelas Pi
F = jumlah frekuensi dengan tanda
kelas lebih kecil dari tanda kelas Pi
f = frekuensi kelas Pi
-Rentang
-Rentang antar kwartil (RAK)
-Simpangan kwartil atau deviasi kwartil (RAK)
-Rata-rata simpangan atau rata-rata deviasi (RS)
-Simpangan baku atau deviasi standart (S2) (δ)
-Varians (S)
-Koefisien variasi (KV)
Rentang
Rentang = data terbersar – data terkecil

Contoh :
Untuk ke 80 data yang ada pada halam 46 dengan data
terbesar 99 dan data terkecil =35, maka rentangnya = 99
– 35 = 64
Rentang Antar Kuartil (RAK)
 Selisih antar kwartil

RAK = K3 – K1

denga RAK = rentang antar kuartil

K3 = kuarti ketiga
K1 = kuartil pertama
Contoh :
Daftar berikut menyatakan upah tiap jam untuk 65
pengawai di suatu peruahaan
Upah (rupiah) f1
50,00 - 59,99 8
60,00 – 69-99 10
70,00 – 79,99 16
80,00 – 89,99 14
90,00 – 99,99 10
100,00 – 109,99 5
110,00 – 119,99 2
Jumlah 65
Nilai-nilai K1 dan K3 , dapat dihitung. Hasilnya
K1 = Rp. 68,25 dan
K2 = Rp. 90,75
Maka RAK = Rp. 22,50
Ditafsirkan bahwa 50% dari data, nilainya paling rendah
68,25 dan paling tinggi 90,75 dengan perbedaan paling
tinggi 22,50
Simpangan Kwartil (SK)

SK = ½(K3 – K1)

Contoh :
Dari daftar V (1), jelas didapat:
SK = ½ (Rp. 90,75 – Rp. 68,25) = Rp. 11,25
Selanjutnya, karena ½(K3 – K1)= Rp. 79,50, maka
50% dari pegawai mendapat upah terletak dalam
interval Rp. 79,50 – Rp. 11,25 atau antara Rp. 68,25
dan Rp. 90,75
Rata-rata simpangan (RS)
lxi  xl
RS =
n
Contoh :

Xi Xi - x xi  x
8 -1 1
7 -2 2
10 1 1
11 2 2
Dari data diatas ini, jika dihitung,
rata-ratanya = 9. Jumlah harga-
harga mutlaknya yaitu jumlah
bilangan-bilangan dalam kolom
akhir, adalah 6.
6
Maka RS = 11
4 2
Simpangan Baku
 Barang kali ukuran simpangan yang paling banyak
digunakan adalah simpangan baku atau deviasi
standar.
 Pangkat dua dari simpangan baku dinamakan varians.
Untuk sampel, simpangan baku akan diberi simbul s,
sedangkan untuk populasi diberi simbul  (baca
sigma). Variansnya tertentu s untuk varians sampel
2

dan  2 untuk varians populasi. Jelasnya, s dan s

2


merupakan statistik sedangkan dan parameter.
2
Jika kita mempunyai sampel berukuran n dengan data
x1, x2, ….xn dan rata-rata x, maka satatistik s2 dihitung
dengan :

( xi  x) 2
s 
2

n 1
Untuk mencari simpangan baku s, dari s2 diambil harga
akarnya yang postif.
Dari rumus V (5), varians s2 dihitung sebagai berikut :
1) Hitung rata-rata X
2) Tentukan selisih x1 –x, x2 – x, ….xn-x
3) Tentukan kuadrat selisih tersebut,yakni (xi – x)2, (x2-
x)2……, (xn – x)2
4) Kuadrat-kuadrat tersebut dijumlahkan
5) Jumlah tersebut dibagi oleh (n-1)
Contoh :
Diberikan sampel dengan data : 8,7,10,11,4
Untuk menentukan simpangan baku s, kita buat tabel
berikut :
xi xi-x (xi-x)2
(1) (2) (3)
8 0 0
7 -1 1
10 2 4
11 3 9
4 -4 16
Rata-rata x = 8
Dapat dilihat dari kolom (2), bahwa ∑ (xi – x) = 0. kerena
itulah di sini diambil kuadratnya yang dituliskan dalam
kolom (3)

Dipat ∑ (xi – x)2 = 30

30
s 
2
 7,5 Sehingga s  7,5  2,74
4
Bentuk lain untuk rumus varians sampel ialah :

nxi  (xi )
2 2
s 
2

n(n  1)
Dalam rumus di atas nampak bahwa tidak perlu
dihitung dulu rata-rata x, tetapi cukup menggunakan
nilai data aslinya berupa jumlah nilai data dan jumlah
kuadratnya. Jika digunakan untuk data di atas, maka
dari tabel berikut ini dihasilkan
Contoh

xi xi2
8 64
7 49
10 100
11 121
4 16

40 =∑xi 350 = ∑xi2

∑xi = 40 dan ∑xi2 = 350. dengan n = 5, dari rumus V
(6) didapat varians

5  350(40) 2
s 
2
 7,5
5 4

Dan simpangan baku s = √7,5 atau s = 2,74

Data ter
untuk distibusi frekuensi
f i ( xi  x ) 2
s 2

n 1
Atau yang lebih baik digunakan

nf i xi  (f i xi ) 2
2
s 2

n ( n  1)
Dengan xi = tanda kelas, fi = frekuensi yang sesuai
tandan kelas xi dan n =∑fi
Contoh :
Telah dihitung, harga x = 76, 6
Kolom (3) merupakan tanda kelas, kolom (4) adalah tiap
tanda tanda kelas dalam kolom (3) dikurangi 76,6 dan
kolom akhir sama dengan hasil kali kolom (2) dengan
kolom (5). Didapat harga-harga.
n = ∑ fi = 80 dan ∑ fi(xi-x )2 = 13.498,80 sehingga dengan
Rumus V (7) didapat varians
13.498,80
s 
2
 170,9
79
Simpangan baku s = 170,9  13,07
Contoh lebih baik
Kolom (4) adalah kuadrat tanda-tanda kelas dalam
kolom (3), kolom (5) meruapakan hasil kali kolom (2)
dan kolom (3) dan kolom akhir adalah produk antar
kolom (2) dan kolom (4). Dari tebel terdapat

n = ∑ fi = 80,∑ fixi = 6.130 dan ∑ fixi2 =483.310

Sehingga dari rumus V (8) diperoleh varians

80  483.310  ( 6.130) 2
s2   172,1
80  79
Cara menghitung simpangan baku lebih cepat


2 nf i ci  (f i ci )
2 2

s  p 
2


 n(n  1) 
Dengan p = panjang kelas interval
ci = nilai sandi dan n = ∑fi
Contoh :
Dari tabel ini didapat p = 10, n = ∑fi = 80, ∑fici = 9 dan
∑fici2 = 137, sehingga didapat varians

 80 137  (9) 2

s  (10) 
2 2
  172,1
 80  79 
Simpangan Baku Gabungan
Jika ada k buah sub sampel dengan keadaan berikut :
Subsampel 1 : berukuran n1 dengan simpangan baku s1
Subsampel 2 : berkuruan n2 dengan simpangan baku s2
……………………………………………………………………………………..
Subsampel k : berukuran nk dengan simpangan baku sk
Yang digabungkan menjadi sebuah sampel berukuran
n = n1 + n2 + …..nk,
 ( ni  1) s1
2
s  2

n1  k
Atau selengkapnya :

(n1  1) s1  (n2  1) s2  .......(nk  1) sk

2 2 2
s 
2

n1  n2  .....nk  k

Dengan s2 berarti varians gabungan untuk sampel yang

berukuran n.
Hasil pengamatan pertama terhadap 14 obyek
memberikan s = 2,75 sedangkan pengamatan yang
kedua kalinya terhadap 23 obyek menghasilkan s = 3,08.
maka, dengan rumus V(10) untuk k = 2, didapat varians
gabungan

(14  1)( 2,75)  (23  1)(3,08)

2 2
s 
2
 8,7718
14  23  2

Sehingga simpangan baku gabungan s = 2,96

Bilangan Baku
Misalkan kita mempunyai sebuah sampel berukuran n
dengan data x1, x2, ……xn sedangkan rata-ratanya = x dan
simpangan baku = s. dari sini kita dapat membentuk
data baru z1, z2, ….zn dengan rumus

xi  x
zi  untuk i  1,2,....n
s
Jadi diperoleh penyimpangan atau
deviasi data dari rata-rata dinyatakan
dalam satuan simpangan baku. Bilangan
yang didapat dinamakan bilangan z.
variabel z1,z2, …zn ternyata mempunyai
rata-rata = 0 dan simpangan baku = 1
Dalam pengunaanya, bilangan z ini
sering diubah menjadi keadaan atau
model baru, atau tepatnya distribusi
baru, yang mempunyai rata-rata x0 dan
simpangan baku so yang ditentukan.
Bilangan yang diperoleh dengan cara ini
dinamakan bilangan baku atau bilangan
standar dengan rata-rata xo simpangan
baku so
  xi  x 
zi  xo  so  

 s 

Perhatikan bahwa untuk xo = 0 dan so=1, Rumus diatas

menjadi Rumus ini , sehingga bilangan z sering pula
disebut bilangan standar.
Contoh :
1) Dalam psikologi, test Wechsier-Bellevue diubah
ke dalam bilangan baku dengan rata-rata = 10
dan simpangan baku = 3
2) Test klasifikasi umum tentara di Amerika Serikat
biasa dijadikan bilangan baku dengan rata-rata =
100 dna simpangan baku = 20
3) “Graduate Record Examination” di USA
dinyatakan dalam bilangan standart dengan rata-
rata = 500 dan simpangan baku = 100
Bilangan baku sering dipakai untuk
membandingkan keadaan distribusi fenomena.

Contoh :
Seorang mahasiswa mendapat nilai 86 pada ujian
akhir matematika di mana rata-rata dan simpangan
baku kelompok, masing-masing 78 dan 10. pada
ujian akhir statistika di mana rata-rata kelompok 84
dan simpangan baku 18, ia mendapat nilai 92.
didalam mata ujian mana ia mencapai kedudukan
yang lebih baik?
Jawab :
Dengan rumus diatas didapat
86  78
Untuk matematika z =  0,8
10

Untuk statitiska z = 92  84  0,44

18

Mahasiswa itu mendapat 0,8 simpangan baku diatas

rata-rata nilai matematika dan hanya 0,44 simpangan
baku di atas rata-rata nilai satatistika. Kedudukannya
lebih tinggi dalam hal matematika
Kalau saja nilai-nilai di atas ke dalam bilangan angka
baku dengan rata-rata 100 dan simpangan baku 20,
maka :

 86  78 
Untuk matematika z = 100  20   116
 10 

Untuk statistika z = 100  20 92  84   108,9

 18 
Dalam sistem ini ia lebih unggul dalam matematika
Koefisien Variasi
simpangan baku
KV  100%
rata  rata

Koevisien variasi tidak bergantung pada satuan yang

digunakan, kerenanya dapat dipakai untuk
membandingkan variasi relatif beberapa kumpulan
data dengan satuan yang berbeda.
Contoh :
Semacam lampu elektron rata-rata dapat dipakai
selama 3.500 jam dengan simpangan baku 1.050 jam.
Lampu model lain rata-ratanya 10.000 jam dengan
simpangan baku 2.000 jam.
Dari sini mudah dihitung :
 1.050
KV (lampu pertama) = 100%  30%
3.500

KV (lampu kedua) = 2.000

100%  20%
10.000

Ternyata lampu kedua secara relatif

mempunyai masa pakai yang lebih unifrom.