Statistik 1

PENGERTIAN STATISTIKA
D. W. Hariyanto, SE. MM Statistik 1 1

Pengertian Statistika
DEFINISI
• Statistika
Ilmu mengumpulkan, menata, menyajikan,
menganalisis, dan menginterprestasikan data
menjadi informasi untuk membantu pengambilan
keputusan yang efektif.
• Statistik
Suatu kumpulan angka yang tersusun lebih dari
satu angka.

PERKEMBANGAN STATISTIKA
(a) Jaman Mesir dan Cina untuk menentukan besar

pajak
(b) Jaman gereja untuk mencatat kelahiran, kematian,

dan pernikahan
(c) Tahun 1937 Tinbergen mengembangkan ekonomi

statistik
(d) Hicks mengembangkan matematika ekonomi untuk

analisis IS- LM
(e) Tahun 1950, Bayes mengembangkan Teori

Pengambilan Keputusan

KASUS STATISTIKA
Beberapa contoh kasus yang membutuhkan

dukungan statistika:
(a) Kasus tuntutan buruh tentang kenaikan gaji,

bagaimana seharusnya?
(b) Perekonomian Indonesia tidak efisien, pada
sektor mana?
(c) Penggalakan investasi di Indonesia, sektor mana
yang dipilih?
(d) Setiap produsen memberikan garansi atas
barangnya, berapa produksi akan ditingkatkan?

PENGGUNA STATISTIKA
Pengguna Statistika Masalah yang Dihadapi

Manajemen 1. Penentuan struktur gaji, pesangon, dan
tunjangan karyawan.
2. Penentuan jumlah persediaan barang, barang
dalam proses, dan barang jadi.
3. Evaluasi produktivitas karyawan.
4. Evaluasi kinerja perusahaan.
Akuntansi 1. Penentuan standar audit barang dan jasa.

2. Penentuan depresiasi dan apresiasi barang dan
jasa.
3. Analisis rasio keuangan perusahaan

PENGGUNA STATISTIKA

Pemasaran 1. Penelitian dan pengembangan produk.
2. Analisis potensi pasar, segmentasi pasar, dan
diskriminasi pasar.
3. Ramalan penjualan.
4. Efektivitas kegiatan promosi penjualan.
Keuangan 1. Potensi peluang kenaikan dan penurunan harga

saham, suku bunga, dan reksadana.
2. Tingkat pengembalian investasi beberapa sektor
ekonomi.
3. Analisis pertumbuhan laba dan cadangan
usaha.
4. Analisis resiko setiap usaha.

PENGGUNA STATISTIKA

Ekonomi 1. Analisis pertumbuhan ekonomi, inflasi, dan suku
Pembangunan bunga.
2. Pertumbuhan penduduk dan tingkat
pengangguran serta kemiskinan.
3. Indeks harga konsumen dan perdagangan
besar.
Agribisnis 1. Analisis produksi tanaman, ternak, ikan, dan

kehutanan.
2. Kelayakan usaha dan skala ekonomi.
3. Manajemen produksi agribisnis.
4. Analisis ekspor dan impor produk pertanian.

JENIS-JENIS STATISTIKA Materi:

1. Penyajian data
2. Ukuran pemusatan
3. Ukuran penyebaran
4. Angka indeks
Statistika Deskriptif
5. Deret berkala dan
peramalan
Materi:
STATISTIKA 1. Probabilitas dan teori
keputusan
2. Metode sampling
3. Teori pendugaan
Statistika Induktif 4. Pengujian hipotesa
5. Regresi dan korelasi
6. Statistika
nonparametrik
POPULASI DAN SAMPEL
POPULASI SAMPEL
Sebuah kumpulan dari
Suatu bagian dari
semua kemungkinan orang-
populasi tertentu yang
orang, benda-benda dan
ukuran lain dari objek yang menjadi perhatian.
menjadi perhatian.

JENIS-JENIS DATA
1. Jenis kelamin
2. Warna kesayangan
3. Asal suku, dan lain-lain
Data Kualitatif
1. Jumlah mobil
2. Jumlah staf
3. Jumlah TV,
DATA Data Diskret dan lain-lain
Data Kuantitatif
1. Berat badan
2. Jarak kota
3. Luas rumah,
Data Kontinu
dan lain-lain

SUMBER DATA STATISTIKA
1. Wawancara langsung
2. Wawancara tidak
Data Primer langsung
3. Pengisian kuisioner
DATA
Data dari pihak lain:

1. BPS
Data Sekunder 2. Bank Indonesia
3. World Bank, IMF
4. FAO dan lain-lain

SKALA PENGUKURAN
Skala Nominal Skala Ordinal

Angka yang diberikan hanya Angka mengandung pengertian
sebagai label saja. tingkatan.
Contoh: pria = 1, wanita = 2, dan Contoh: ranking 1, 2, dan 3.
waria = 3. Ranking 1 menunjukkan lebih
tinggi dari ranking 2 dan 3.
Skala Interval Skala Rasio

Angka mengandung sifat ordinal Angka mempunyai sifat nominal,
dan mempunyai jarak atau interval. ordinal dan interval serta
Contoh: mempunyai nilai absolut dari objek
1. Saham sangat prospektif yang diukur.
dengan harga Rp 736-878, Contoh: bunga BCA 7% dan bunga
2. Saham prospektif Rp592-735. Mandiri 14%, maka bunga Mandiri
2 kali bunga BCA.
Statistik 1 D. W. Hariyanto, SE. MM 12
BEBERAPA ALAT BANTU BELAJAR
• Contoh Kasus
• Kaji Kasus
• Ringkasan
• Latihan Terjawab
• Latihan Soal
• CD ROM (Tambahan Latihan Soal Terjawab)
• Penggunaan MS Excel untuk Statistika

PENYAJIAN DATA

Penyajian Data
PENGANTAR
• Tujuan
Untuk menyajikan data mentah yang diperoleh dari populasi atau
sampel menjadi data yang tertata dengan baik, sehingga bermakna
informasi bagi pengambilan keputusan manajerial.
• Contoh-contoh Perlunya Penyajian Data

(a) Melihat prospek saham-saham sebelum melakukan investasi di
pasar modal.
(b) Melihat informasi daftar harga-harga sebelum membeli mobil.

Penyajian Data
PENGANTAR
Langkah-langkah dalam Statistik Deskriptif:
(a) Memahami masalah dan jawaban yang diperlukan.
(b) Mengumpulkan data yang sesuai dengan masalah dan tujuan.
(c) Menata data mentah ke dalam distribusi frekuensi.
(d) Menyajikan data distribusi secara grafik.
(e) Menarik kesimpulan mengenai permasalahan.

Penyajian Data
DISTRIBUSI FREKUENSI
Definisi:
• Adalah pengelompokan data ke dalam beberapa kategori

yang menunjukkan banyaknya data dalam setiap kategori
• Setiap data tidak dapat dimasukkan ke dalam dua atau lebih

kategori

Penyajian Data
DISTRIBUSI FREKUENSI
Langkah-langkah Distribusi Frekuensi:
a. Mengumpulkan data
b. Mengurutkan data dari terkecil ke terbesar atau

sebaliknya
c. Membuat kategori kelas

Jumlah kelas k = 1 + 3,322 log n
di mana 2 k ≥ n; di mana k= jumlah kelas; n = jumlah data
d. Membuat interval kelas

Interval kelas = (nilai tertinggi – nilai terendah)/jumlah
kelas
e. Melakukan penghitungan atau penturusan setiap kelasnya

Penyajian Data
CONTOH DISTRIBUSI FREKUENSI SAHAM DI BEJ
1. Jumlah n = 20 dengan nilai tertinggi 9.750 dan nilai terendah 215

2. Jumlah kelas = 1 + 3,322 log 20 = 5,322 dibulatkan ke 5
3. Interval kelas = (9.750 – 215)/5 = 1.907

Penyajian Data
DISTRIBUSI FREKUENSI RELATIF
Definisi:
Frekuensi Relatif adalah frekuensi relatif setiap kelas dibandingkan
dengan frekuensi totalnya.
Contoh:

Penyajian Data
PENYAJIAN DATA
Definisi:
• Membuat distribusi frekuensi dalam bentuk sajian gambar
baik grafik poligon, histogram, atau ogif.
Istilah-istilah Penting:
Ada beberapa istilah penting dalam penyajian data:
• Batas Kelas: nilai terendah dan tertinggi pada suatu kelas.
• Nilai Tengah Kelas: nilai yang letaknya di tengah kelas.

Penyajian Data
PENYAJIAN DATA (lanjutan)
Istilah-istilah Penting:
• Nilai Tepi Kelas

Nilai batas antar kelas (border) yang memisahkan nilai antara
kelas satu dengan kelas lainnya.
• Frekuensi Kumulatif
Penjumlahan frekuensi pada setiap kelas, baik meningkat
(kurang dari) atau menurun (lebih dari).

Penyajian Data
CONTOH DISTRIBUSI FREKUENSI

Penyajian Data
NILAI TENGAH KELAS
Definisi:
Nilai yang letaknya di tengah kelas.
Contoh:
Kelas Interval Nilai Tengah Keterangan

ke- Kelas
1 160-303 231,5 (160 + 303)/2= 231,5
2 304-447 375,5 (304 + 447)/2= 375,5
3 448-591 519,5 (448 + 591)/2= 519,5
4 592-735 663,5 (592 + 735)/2= 663,5
5 736-878 807,0 (736 + 878)/2= 807,0

Penyajian Data
NILAI TEPI KELAS

Definisi:
Nilai batas antarkelas (border) yang memisahkan nilai antara
kelas satu dengan kelas lainnya.
Contoh:

Penyajian Data
FREKUENSI KUMULATIF
Definisi:
Penjumlahan frekuensi pada setiap kelas, baik meningkat (kurang
dari) atau menurun (lebih dari).

Penyajian Data
HISTOGRAM
Definisi:
Grafik yang berbentuk balok, di mana sumbu horisontal (X) adalah tepi
kelas dan sumbu vertikal (Y) adalah frekuensi setiap kelas.

Penyajian Data
POLIGON
Definisi:
Grafik berbentuk garis dan menghubungkan antara nilai tengah
kelas dengan jumlah frekuensi pada setiap kelas.
Kelas ke- Nilai Tengah Kelas Jumlah Frekuensi
1 12
1.168,5
2 5
3.076,5
3 1
4.984,5
4 1
6.892,5
5 1
8.800,5

Penyajian Data
KURVA OGIF
Definisi:
Diagram garis yang menunjukkan kombinasi antara interval kelas
dengan frekuensi kumulatif.
Interval Tepi Kelas Frekuensi Kurang dari Frekuensi Lebih
dari
214,5 0 (0%) 20 (100%)
215 – 2.122
2.122,5 12 (60%) 8 (40%)
2.123 – 4.030
4.030,5 17 (85%) 3 (15%)
4.031 – 5.938
5.938,5 18 (90%) 2 (10%)
5.939 – 7.846
7.846,5 19 (95%) 1 (5%)
7.847 – 9.754 9.754,5 20 (100%) 0 (0%)

Penyajian Data
KURVA OGIF

UKURAN PEMUSATAN

Ukuran Pemusatan
PENGANTAR
• Ukuran Pemusatan
Nilai tunggal yang mewakili suatu kumpulan data dan
menunjukkan karakteristik dari data. Ukuran pemusatan
menunjukkan pusat dari nilai data.
• Contoh pemakaian ukuran pemusatan

(a) Berapa rata-rata harga saham?
(b) Berapa rata-rata inflasi pada tahun 2003?
(c) Berapa rata-rata pendapatan usaha kecil dan
menengah?
(d) Berapa rata-rata tingkat suku bunga deposito?

Ukuran Pemusatan
RATA-RATA HITUNG
• Rata-rata Hitung Sampel
X
X
n
• Rata-rata Hitung Populasi
 X
 
N

Ukuran Pemusatan
CONTOH RATA-RATA HITUNG POPULASI
375
  75
5
Nilai Kredit
Bank (Rp triliun)
Danamon 41
BRI 90
BCA 61
Mandiri 117
BNI 66

Ukuran Pemusatan
CONTOH RATA-RATA HITUNG SAMPEL
X
�X
n

Ukuran Pemusatan
RATA-RATA HITUNG TERTIMBANG
No Nama Perusahaan Xi wi wi . Xi
1 PT Ind. Satelit Corp. 436 22.598 9.852.728
2 PT Telkom 7.568 42.253 319.770.704
3 PT Aneka Tambang 123 2.508 308.484
4 PT Astra Agro Lestari 180 2.687 483.660
5 PT Bimantara Citra 392 4.090 1.603.280
6 PT Alfa Retailindo 25 603 15.075
7 PT HM Sampurna 1.480 10.137 15.002.760
8 PT Mustika Ratu 15 287 4.305
9 PT Astra Graphia 65 796 51.740
Jumlah 85.959 347.092.736
Rata-rata hitung tertimbang 4.038

Ukuran Pemusatan
RATA-RATA HITUNG TERTIMBANG
Definisi:
Rata-rata dengan bobot atau kepentingan dari setiap
data berbeda. Besar dan kecilnya bobot tergantung
pada alasan ekonomi dan teknisnya.
Rumus:
w1X1 + w2X2 + w3X3 + ... + wnXn

Xw 
w2 + w3+ w3 + ... + wn
Statistik 1 D. W. Hariyanto, SE. MM 37

Ukuran Pemusatan
RATA-RATA HITUNG DATA BERKELOMPOK

1. Data berkelompok adalah data yang sudah dibuat distribusi
frekuensinya.
2. Rumus nilai tengah =  f. X/n
Interval Nilai Tengah (X) Jumlah Frekuensi (f) f.X
160-303 231,5 2 463,0
304-447 375,5 5 1.877,5
448-591 519,5 9 4.675,5
592-735 663,5 3 1.990,5
736-878 807,0 1 807,0
Jumlah n = 20
 f= 9.813,5
Nilai Rata-rata ( fX/n) 490,7
Ukuran Pemusatan
RATA-RATA HITUNG DATA BERKELOMPOK
1. Setiap kelompok baik dalam bentuk skala interval

maupun rasio mempunyai rata-rata hitung.
2. Semua nilai data harus dimasukkan ke dalam

perhitungan rata-rata hitung.
3. Satu kelompok baik kelas maupun satu kesatuan

dalam populasi dan sampel hanya mempunyai
satu rata-rata hitung.
4. Rata-rata hitung untuk membandingkan

karakteristik dua atau lebih populasi atau sampel.

Ukuran Pemusatan
SIFAT RATA-RATA HITUNG
1. Rata-rata hitung sebagai satu-satunya ukuran

pemusatan, maka jumlah deviasi setiap nilai terhadap
rata-rata hitungnya selalu sama dengan nol.
2. Rata-rata hitung sebagai titik keseimbangan dari

keseluruhan data, maka letaknya berada di tengah
data.
3. Rata-rata hitung nilainya sangat dipengaruhi oleh nilai

ekstrim yaitu nilai yang sangat besar atau sangat kecil.
4. Bagi data dan sekelompok data yang sifatnya terbuka

(lebih dari atau kurang dari) tidak mempunyai rata-
rata hitung.

Ukuran Pemusatan
MEDIAN
Definisi:
Nilai yang letaknya berada di tengah data di mana data tersebut
sudah diurutkan dari terkecil sampai terbesar atau sebaliknya.
Median Data tidak Berkelompok:

(a) Letak median = (n+1)/2,
(b) Data ganjil, median terletak di tengah,
(c) Median untuk data genap adalah rata-rata dari dua data yang
terletak di tengah.
Rumus Median Data Berkelompok:

n
- Cf
Md  L + 2 .i
f
Ukuran Pemusatan
CONTOH MEDIAN DATA TIDAK BERKELOMPOK
Nomor Total Aset Nomor Laba Bersih

urut (Rp miliar) urut (Rp miliar)
1 42.253 1 7.568
2 22.598 2 1.480
3 10.137 3 436
4 4.090 4 392
5 2.687 5 MEDIAN = 180
6 2.508 6 123
7 796 7 65
8 603 8 25
9 287 9 15

Ukuran Pemusatan
CONTOH MEDIAN DATA BERKELOMPOK
Interval Frekuensi Tepi Kelas Frek. Kumulatif

• Letak median n/2 =
20/2=10; jadi 159,5 0
160 - 303 2
terletak pada frek.
kumulatif antara 7-16 303,5 2
304 - 447 5
• Nilai Median
447,5 7
448 - 591 Letak Median
Md = 447,5 + (20/2) - 7 x143
9 591,5 16
= 495,17 592 - 735 3
735,5 19
736 - 878 1
878,5 20

Ukuran Pemusatan
MODUS
Definisi:
Nilai yang (paling) sering muncul.
Rumus Modus Data Berkelompok:
d1
Mo  L .i
d1 + d2

Ukuran Pemusatan
CONTOH MODUS DATA BERKELOMPOK
Interval Frekuensi Tepi Kelas
• Letak modus pada

159,5
frekuensi kelas paling 160 - 303 2
besar = 9 kelas 448-591.
303,5
304 - 447 5
• Nilai Modus
447,5
4 448 - 591 d1 Letak
Mo  447,5 x43 9 Modus
4+ 7 d2 591,5
 447,5+ 57,2 592 - 735 3
 504,7 736 - 878 1

735,5
878,5

Ukuran Pemusatan
HUBUNGAN RATA-RATA-MEDIAN-MODUS
1 2
1 0
8
6
4
1.Kurva simetris X= Md= 2
0
Mo
1 5
1 0
2. Kurva condong kiri 5

Mo < Md < X 0
2 3 1 M o M d R t 6 6 3 8 0 7
1 5
1 0
5
3. Kurva condong kanan 0
X < Md < Mo 2 3 1 3 7 5 R t M d M o 8 0 7

Ukuran Pemusatan
UKURAN LETAK: KUARTIL
Definisi:
Kuartil adalah ukuran letak yang membagi 4 bagian yang
sama. K1 sampai 25% data, K2 sampai 50% dan K3 sampai
75%.
Rumus letak kuartil:

Data Tidak Berkelompok Data Berkelompok
K1 = [1(n + 1)]/4 1n/4
K2 = [2(n + 1)]/4 2n/4
K3 = [3(n + 1)]/4 3n/4
0 K 1 K 2 K 3 n
0 % 2 5 % 5 0 % 7 5 % 1 0 0 %
Ukuran Pemusatan
CONTOH KUARTIL DATA TIDAK BERKELOMPOK

1 Kimia Farma Tbk. 160
2 United Tractor Tbk. 285
3 Bank Swadesi Tbk. 300
4 Hexindo Adi Perkasa Tbk. 360
Letak Kuartil 5 Bank Lippo (K1) 370
6 Dankos Laboratories Tbk. 405
K1 = [1(19 + 1)]/4 = 5 = 370
7 Matahari Putra Prima Tbk. 410
8 Jakarta International Hotel Tbk. 450
K2 = [2(19 + 1)]/4 = 10 =550
9 Berlian Laju Tangker Tbk. 500
K3 = [3(19 + 1)]/4 = 15 =575 10 Mustika Ratu Tbk. (K2) 550
11 Ultra Jaya Milik Tbk. 500
12 Indosiar Visual Mandiri Tbk. 525
13 Great River Int. Tbk. 550
14 Ades Alfindo Tbk. 550
15 Lippo Land Development Tbk. (K3) 575
16 Asuransi Ramayana Tbk. 600
17 Bank Buana Nusantara Tbk. 650
18 Timah Tbk. 700
19 Hero Supermarket Tbk. 875
Ukuran Pemusatan
CONTOH KUARTIL DATA BERKELOMPOK
Interval Frekuen Tepi Kelas

Frekuensi
Rumus: si
Kumulatif
NKi = L + (i.n/4) – Cf x Ci 0 159,5
Fk 160 - 303 2
Letak K1= 1 x 20/4 = 5 (antara 2-7) 2 303,5

304 - 5 K1
Letak K2=2 x 20/4=10 (antara 7-16) 447
Letak K3 = 3 x 20/4 = 15 (antara 7-16) 7 447,5
448 - 591 9 K2 dan K3
Jadi:
16 591,5
K1 = 303,5 +[5-2)/5] x 143 = 389,3
592 - 735 3
K2 = 447,5 +[(10-7)/9] x 143 = 495,17
19 735,5
K3 = 447,5 +[(15-7)/9] x 143=574,61 736 - 878 1
20 878,5

Ukuran Pemusatan
UKURAN LETAK: DESIL
Definisi:
Desil adalah ukuran letak yang membagi 10 bagian yang sama.
D1 sebesar 10%
D2 sampai 20%
D9 sampai 90%
Rumus Letak Desil:

Data Tidak Berkelompok Data Berkelompok
D1 = [1(n+1)]/10 1n/10
D2 = [2(n+1)]/10 2n/10
….
D9 = [9(n+1)]/10 9n/10

Ukuran Pemusatan
GRAFIK LETAK DESIL
0% 20% 40% 60% 80% 100%

0 D2 D4 D6 D'8 n

Ukuran Pemusatan
CONTOH DESIL DATA TIDAK BERKELOMPOK

2 United Tractor Tbk. D1 285
Letak Desill
5 Bank Lippo 370
D1 = [1(19+1)]/4 = 2 = 285 6 Dankos Laboratories Tbk. D2 405
D3 = [3(19+1)]/4 = 6 = 405 8 Jakarta International HotelTbk. 450
9 Berlian Laju Tangker Tbk. 500
D9 = [9(19+1)]/4 = 18 =700 10 Mustika Ratu Tbk. 550
11 Ultra Jaya Milik Tbk. 500
14 Ades Alfindo Tbk. 550
15 Lippo Land Development Tbk. 575
18 Timah Tbk. D3 700
19 Hero Supermarket Tbk. 875
Ukuran Pemusatan
CONTOH DESIL DATA BERKELOMPOK
Rumus: Interval Fre Frek. Tepi

kuen Kumulatif Kelas
L + (in/10) - Cf
NDi  xCi si
0 159,5
Fk 160-303 2
Letak D1= 1.20/10= 2 (antara 0-2) D1
Letak D5= 5.20/10= 10 (antara 7-16) 2 303,5

304-447 5
Letak D9 = 9.20/10=18 (antara 16-19)
7 447,5
Jadi: 448- 591 D5
9
D1= 159,5 +[(20/10) - 0)/2] x 143=302,5
16 591,5
D5= 447,5 +[(100/10) - 7)/9] x143=495,17 592-735 3
D9
D9 = 591,5 +[(180/10) - 16)/3] x 43= 19 735,5

686,83 736- 878 1
20 878,5

Ukuran Pemusatan
UKURAN LETAK: PERSENTIL
Definisi:
Ukuran letak yang membagi 100 bagian yang sama.
P1 sebesar 1%,
P2 sampai 2%
P99 sampai 99%
Rumus Letak Persentil:

DATA TIDAK BERKELOMPOK DATA BERKELOMPOK
P1 = [1(n+1)]/100 1n/100
P2 = [2(n+1)]/100 2n/100
….
P99 = [99(n+1)]/100 99n/100

Ukuran Pemusatan
CONTOH UKURAN LETAK PERSENTIL
1% 3% … … … 99%
P1 P3 … … … P99

Ukuran Pemusatan
CONTOH PERSENTIL DATA TIDAK BERKELOMPOK

2 United Tractor Tbk. P15 285
Carilah persentil 15,25,75 dan
5 Bank Lippo P25 370
95?
6 Dankos Laboratories Tbk. 405
Letak Persentil
8 Jakarta International Hotel Tbk. 450
P15= [15(19+1)]/100 = 3 = 300 9 Berlian Laju Tangker Tbk. 500
10 Mustika Ratu Tbk. 550
P25= [25(19+1)]/100 = 5 = 370 11 Ultra Jaya Milik Tbk. 500
P75= [75(19+1)]/100 = 15 = 575
P95= [95(19+1)]/100 = 19 = 875 14 Ades Alfindo Tbk. 550
15 Lippo Land Development Tbk. P75 575
18 Timah Tbk. 700
19 Hero Supermarket Tbk. P95 875
Ukuran Pemusatan
CONTOH PERSENTIL DATA BERKELOMPOK
Interval Frekuensi Frek. Tepi

Kumulatif Kelas
Carilah P22, P85, dan P96!
0 159,5
i xn 160 - 2
Rumus: ( ) - Cf 303
NPi  L + 100 xCi
Fk 2 303,5
304 447 5 P22
Letak P22= 22.20/100=4,4 (antara 2-7)
Letak P85=85.20/100=17 (antara 16-19) 7 447,5

448 -
Letak P96=96.20/100=19,2 (antara 19-0) 591 9
Jadi: 16 591,5
592 - 3 P85
P22 = 303,5 +[(440/100)-2)/5] x 143=372,14 735
19 735,5
P85 = 591,5 +[(1700/100)-16)/3] x 143= 639,17
736 - 1 P96
878 878,5
P96 = 735,5 +[(1920/100)-19)/1] x 143=764,1
20

UKURAN PENYEBARAN

Ukuran Penyebaran
PENGANTAR
Ukuran Penyebaran
• Suatu ukuran baik parameter atau statistik untuk mengetahui
seberapa besar penyimpangan data dengan nilai rata-rata
hitungnya.
• Ukuran penyebaran membantu mengetahui sejauh mana suatu

nilai menyebar dari nilai tengahnya, semakin kecil semakin
besar.

Ukuran Penyebaran
PENGGUNAAN UKURAN PENYEBARAN
• Rata-rata bunga bank 11,43% per tahun, namun kisaran

bunga antar bank dari 7,5% - 12,75%
• Rata-rata inflasi Indonesia 1995-2001 sebesar 18,2% dengan

kisaran antara 6% - 78%
• Harga rata-rata saham Rp 470 per lembar, namun kisaran

saham sangat besar dari Rp 50 - Rp 62.500 per lembar

Ukuran Penyebaran
BEBERAPA BENTUK UKURAN PENYEBARAN
10
1. Rata-rata sama,
penyebaran berbeda 8
0
2 3 4.6 5 6
Kinerja Karyawan B ogor

Kinerja Karyawan Tangerang

Ukuran Penyebaran
BEBERAPA BENTUK UKURAN PENYEBARAN
3. Rata-rata berbeda
2. Rata-rata berbeda dengan penyebaran sama
dengan penyebaran
berbeda
10 10
9
8 8
7
6 6
5
4
4
3
2
2
1 0
0
2 3 4 5 6 7
2 3 4.6 5 6
Kinerja Karyawan B o go r Kinerja Karyawan Bogor

Kinerja Karyawan T angerang Kinerja Karyawan Tangerang

Ukuran Penyebaran
RANGE
Definisi:
Nilai terbesar dikurang nilai terkecil.
Contoh:
Nilai Indonesia Thailand Malaysia
Tertinggi 17 6 4
Terendah 5 2 1
Jarak 17-5 = 12 6-2 = 4 4-1 = 3

Ukuran Penyebaran
DEVIASI RATA-RATA
Definisi:
Rata-rata hitung dari nilai mutlak deviasi antara nilai data
pengamatan dengan rata-rata hitungnya.
Rumus:
MD 
�X- X
N

Ukuran Penyebaran
DEVIASI RATA-RATA
MD 
�X- X
N

Ukuran Penyebaran
VARIANS
Definisi:
Rata-rata hitung dari deviasi kuadrat setiap data terhadap
rata-rata hitungnya.
Rumus:
s
�(X -  ) 2

Ukuran Penyebaran
VARIANS
s
�(X -  ) 2
Tahun X X– (X – )2

1994 7,5 4,2 17,64
1995 8,2 4,9 24,01
1996 7,8 4,5 20,25
1997 4,9 1,6 2,56
1998 -13,7 -17,0 289,00
1999 4,8 1,5 2,25
2000 3,5 0,2 0,04
2001 3,2 -0,1 0,01
Jumlah x=26,2  (X – )2 = 355,76
Rata-rata =x/n= 3,3 s 2=(X – )2/N = 44,47

Ukuran Penyebaran
STANDAR DEVIASI
Definisi:
Akar kuadrat dari varians dan menunjukkan standar
penyimpangan data terhadap nilai rata-ratanya.
Rumus:
s
�(X -  )2
N
Contoh:
Jika varians = 44,47, maka standar deviasinya adalah:
s = 44,47 = 6,67

Ukuran Penyebaran
UKURAN PENYEBARAN DATA BERKELOMPOK
Definisi Range:
Selisih antara batas atas dari kelas tertinggi dengan batas bawah
dari kelas terendah.
Contoh:
Range = 878 – 160 = 718

Kelas ke- Interval Jumlah Frekuensi (F)
1 160 - 303 2
2 304 - 447 5
3 448 - 591 9
4 592 - 735 3
5 736 - 878 1

Ukuran Penyebaran
DEVIASI RATA-RATA
Titik
Interval Tengah f f.X X – X  f X – X  RUMUS
(X) MD =  f |X – X|
N
160-303 231,5 2 463,0 -259,2 518,4
f.X = 9.813,5
304-447 375,5 5 1.877,5 -115,2 576,0
f X – X  = 2.188,3
448-591 519,5 9 4.675,5 28,8 259,2 a. X = f X = 9.813,5/20 = 490,7

n
592-735 663,5 3 1.990,0 172,8 518,4 b. MD =  f X – X  = 2.188,3/20

n
736-878 807,0 1 807,0 316,3 316,3

= 109,4

Ukuran Penyebaran
VARIANS DAN STANDAR DEVIASI DATA

BERKELOMPOK
Varians
Rata-rata hitung deviasi kuadrat setiap data terhadap
rata-rata hitungnya
RUMUS:
s2 
�f(X - X)2
n- 1
Standar Deviasi
Akar kuadrat dari varians dan menunjukkan standar
penyimpangan data terhadap nilai rata-ratanya.
RUMUS:
s2
�f(X - X)2
n- 1
Ukuran Penyebaran
CONTOH
Varians :
X (X – ) (X – )2
S2 =  (X – )2
n-1 8,2 2,9 8,41
= 8,41 + 0,16 + 0,25 + 4,41
4-1 4,9 -0,4 0,16
= 13,23/3 = 4,41
4,8 -0,5 0,25

Standar Deviasi:
S =   (X –  )2 =  S2 3,2 -2,1 4,41

n-1
=  4,41 = 2,21

Ukuran Penyebaran
UKURAN PENYEBARAN RELATIF
a. Koefisien Range
RUMUS: La- Lb
KR  x100%
La+ Lb
Contoh:
Range Harga Saham = [(878-160)/(878+160)]x100 = 69,17%
Jadi jarak nilai terendah dan tertinggi harga saham adalah 69,17%.
b. Koefisien Deviasi Rata-rata

RUMUS: MD
KMD  x100%
X
Contoh:
Pertumbuhan ekonomi negara maju=(0,56/2,6) x 100 = 19,23%
Jadi penyebaran pertumbuhan ekonomi dari nilai tengahnya sebesar
19,23%, bandingkan dengan Indonesia yang sebesar 130,30%.

Ukuran Penyebaran
UKURAN PENYEBARAN RELATIF
c. Koefisien Standar Deviasi

RUMUS: s
KSD  x100%
X
Contoh:
Pertumbuhan ekonomi negara maju=(0,55/2,5) x 100=22%
Jadi koefisien standar deviasi pertumbuhan ekonomi negara maju
sebesar 22%, bandingkan dengan Indonesia yang sebesar 42%.

Ukuran Penyebaran
THEOREMA CHEBYSHEV
• Untuk suatu kelompok data dari sampel atau populasi,

minimum proporsi nilai-nilai yang terletak dalam k standar
deviasi dari rata-rata hitungnya adalah sekurang-kurangnya 1-
1/k2
• k merupakan konstanta yang nilainya lebih dari 1.

Ukuran Penyebaran
HUKUM EMPIRIK
Untuk distribusi simetris, dengan distribusi frekuensi

berbentuk lonceng diperkirakan:
• 68% data berada pada kisaran rata-rata hitung + satu kali

standar deviasi, (X  1s)
• 95% data berada pada kisaran rata-rata hitung + dua kali

standar deviasi, (X  2s)
• semua data atau 99,7% akan berada pada kisaran rata-rata

hitung + tiga kali standar deviasi, (X  3s)

Ukuran Penyebaran
DIAGRAM POLIGON HUKUM EMPIRIK
68%
95%
99,7%
-3s -2s 1s X 1s 2s 3s

Ukuran Penyebaran
UKURAN PENYEBARAN LAINNYA
a. Range Inter Kuartil
Rumus= Kuartil ke-3 – Kuartil ke-1 atau K3 – K1
b. Deviasi Kuartil
K 3 - K1
Rumus = DK 
2
c. Jarak Persentil
Rumus = P90 – P10

Ukuran Penyebaran
UKURAN KECONDONGAN
K u r va Co n d o n g K u r va Co n d o n g
Po si ti f Neg ati f
Rumus Kecondongan:
Sk =  - Mo atau Sk = 3( - Md)
s s

Ukuran Penyebaran
CONTOH SOAL UKURAN KECONDONGAN
Contoh untuk data tentang 20 harga saham pilihan pada bulan Maret 2003 di BEJ. Dari contoh
pada soal 3-9 diketahui mediannya= 497,17, modus pada contoh 3-11=504,7, Standar deviasi
dan nilai rata-rata pada contoh soal 4-8 diketahui 144,7 dan 490,7. Cobalah hitung koefisien
kecondongannya!
Penyelesaian:
Rumus =
Sk =  - Mo atau Sk = 3( - Md)

s s
Sk = 490,7 – 504,7 Sk = 3 (490,7 – 497,17)
144,7 144,7
Sk = - 0,10 Sk= -0,13
Dari kedua nilai Sk tersebut terlihat bahwa keduanya adalah negatif, jadi kurva condong
negatif (ke kanan). Hal ini disebabkan adanya nilai yang sangat kecil, sehingga menurunkan
nilai rata-rata hitungnya. Angka –0,10 dan –0,13 menunjukkan kedekatan dengan nilai 0,
sehingga kurva tersebut, kecondongannya tidak terlalu besar, atau mendekati kurva normal.
Ukuran Penyebaran
UKURAN KERUNCINGAN
Ke r uncingan Kur va
BENTUK KERUNCINGAN
Platy kurtic Mesokurtic

Leptokurtic
Rumus Keruncingan:
 4 = 1/n  (x - )4
s4
Ukuran Penyebaran
CONTOH SOAL UKURAN KERUNCINGAN
Berikut ini adalah pertumbuhan ekonomi beberapa negara Asia

tahun 2002. Hitunglah koefisien keruncingannya.
Negara 2002 Negara 2002
Cina 7,4 Korea Selatan 6,0
Pilipina 4,0 Malaysia 4,5
Hongkong 1,4 Singapura 3,9
Indonesia 5,8 Thailand 6,1
Kamboja 5,0 Vietnam 5,7

Ukuran Penyebaran
CONTOH SOAL UKURAN KERUNCINGAN

X (X-) (X-)2 (X-)4
7,4 2,42 5,86 34,30

 X = 49,8;  = X/n = 49,8/10=4,98;
  (X-)2=24,516; (X-)4 =204,27 -0,98 0,96 0,92
4,0
Dari data di atas  (x - )4 = 204,27

1,4 -3,58 12,82 164,26
Standar deviasi
5,8 0,82 0,67 0,45
s =  (X-)2/n =  24,516/10 = 2,4516 =
1,6
5,0 0,02 0,00 0,00
4 = 1/n  (x - )4 = 1/10 . 204,27

6,0 1,02 1,04 1,08
s4 1,64
= 20,427 = 3,27
6,25 4,5 -0,48 0,23 0,05
Jadi nilai 4 =3,27 dan lebih kecil dari 3, 3,9 -1,08 1,17 1,36
maka kurvanya termasuk Platykurtic.
3,8 1,12 1,25 1,57
5,7 0,72 0,52 0,27

Ukuran Penyebaran
MENGGUNAKAN MS EXCEL
Langkah- langkah:
A. Masukkan data ke dalam sheet MS Excel, misalnya di

kolom A baris 2 sampai 9.
B. Lakukan operasi dengan formula @stdev(a2:a9) di kolom a

baris ke-10, dan tekan enter. Hasil standar deviasi akan
muncul pada sel tersebut.

ANGKA INDEKS

Angka Indeks
PENGANTAR
Angka Indeks:
Sebuah angka yang menggambarkan perubahan relatif
terhadap harga, kuantitas atau nilai yang dibandingkan
dengan tahun dasar.
Pemilihan Tahun Dasar:

• Tahun yang dipilih sebagai tahun dasar
menunjukkan kondisi perekonomian yang stabil
• Tahun dasar diusahakan tidak terlalu jauh dengan

tahun yang dibandingkan, sehingga perbandingannya
masih bermakna

Angka Indeks
PENGANTAR
Banyak indikator ekonomi menggunakan angka indeks seperti

IH Konsumen, IH Perdagangan Besar, IH Saham Gabungan,
Indeks Nilai Tukar Petani, dan lain-lain.

Angka Indeks
ANGKA INDEKS RELATIF SEDERHANA
Definisi
Dikenal juga dengan unweighted index yaitu indeks yang tanpa
memperhitungkan bobot setiap barang dan jasa.
1. Angka Indeks Harga
Relatif Sederhana
Menunjukkan perkembangan
harga relatif suatu barang dan
jasa pada tahun berjalan dengan
tahun dasar, tanpa memberikan
bobot terhadap kepentingan
barang dan jasa.
Rumus:
IH = Ht x 100
Ho
Angka Indeks
2. Angka Indeks Kuantitas Tahun Kuan-

titas
Indeks Perhitungan
Relatif Sederhana 2000 31 (31/31) x 100

100
Menunjukkan perkembangan
kuantitas barang dan jasa 2001 30 97 (30/31) x 100
dibandingkan dengan tahun atau
periode dasarnya. Indeks kuantitas 2002 32 103 (32/31) x 100
sederhana dihitung tanpa
memberikan bobot pada setiap 2003 33 106 (33/31) x 100
komoditas, karena dianggap masih

32 (32/31) x 100
mempunyai kepentingan yang 2004 103
sama.
30 (30/31) x 100
2005 97
Rumus:
31 (31/31) x 100
2006 100
IK = Kt x 100
Ko
Angka Indeks
3. Angka Indeks Nilai Relatif Sederhana

Menunjukkan perkembangan nilai (harga dikalikan dengan kuantitas)
suatu barang dan jasa pada suatu periode dengan periode atau tahun
dasarnya.
Rumus:
IN = Vt x 100 = HtKt x 100

Vo HoKo

Angka Indeks
Tahun Harga Kuantitas Nilai Indeks Keterangan
2000 1.014 31 31.434 100 (31.434/31.434) x 100
2001 1.112 30 33.360 106 (33.360/31.434) x 100
2002 2.461 32 78.752 251 (78.752/31.434) x 100
2003 2.058 33 67.914 216 (67.914/31.434) x 100
2004 2.240 32 71.680 228 (71.680/31.434) x 100
2005 2.524 30 75.720 241 (75.720/31.434) x 100
2006 2.777 31 86.087 274 (86.087/31.434) x 100

Angka Indeks
ANGKA INDEKS AGREGAT SEDERHANA
Angka indeks ini menekankan agregasi yaitu barang dan jasa lebih
dari satu.
1. Angka Indeks Harga Agregat Sederhana

Angka indeks yang menunjukkan perbandingan antara jumlah harga
kelompok barang dan jasa pada periode tertentu dengan periode
dasarnya.
Rumus:
IHA =  Ht x 100
 Ho

Angka Indeks
Angka indeks ini menekankan agregasi yaitu barang dan jasa lebih
dari satu.
Jenis Barang 1997 1998
Beras 815 1.002
Jagung 456 500
Kedelai 1.215 1.151
Kacang Hijau 1.261 1.288
Kacang Tanah 2.095 2.000
Ketela Pohon 205 269
Ketela Rambat 298 367
Kentang 852 824
Jumlah 7.197 7.401
Indeks 1997 = (7.197/9.005) x 100 = 80
Indeks 1998 = (7.401/9.005) x 100 = 82
Angka Indeks
2. Angka Indeks Kuantitas Agregat Sederhana

Angka indeks yang menunjukkan perbandingan antara jumlah kuantitas
kelompok barang dan jasa pada periode tertentu dengan periode dasarnya.
Rumus:
IKA =  Kt x 100
 Ko

Angka Indeks
Indeks 2001 = (72,4 /78.5) x 100 = 92

Angka Indeks
3. Indeks Nilai Agregate Relatif Sederhana

Indeks nilai agregat relatif sederhana menunjukkan perkembangan
nilai (harga dikalikan dengan kuantitas) sekelompok barang dan
jasa pada suatu periode dengan periode atau tahun dasarnya.
Rumus:
INA =  Vt x 100 =  HtKt x 100

Vo  HoKo

Angka Indeks
ANGKA INDEKS TERTIMBANG
Indeks tertimbang memberikan bobot yang berbeda terhadap

setiap komponen.
Mengapa harus diberikan bobot yang berbeda?
Karena pada dasarnya setiap barang dan jasa mempunyai
tingkat utilitas (manfaat dan kepentingan) yang berbeda.

Angka Indeks
1. Formula Laspeyres
Etienne Laspeyres mengembangkan metode ini pada
abad 18 akhir untuk menentukan sebuah indeks
tertimbang dengan menggunakan bobot sebagai
penimbang adalah periode dasar.
Rumus:
IL = HtKo x 100
HoKo
= 168.963 X 100
69.358
= 244

Angka Indeks
Jenis Barang Ho Ht Ko HoKo HtKo

Beras 1.112 2.777 48,2 53.598 133.851
Jagung 662 1.650 7,9 5.230 13.035
Kedelai 1.257 1.840 1,9 2.388 3.496
Kacang Hijau 1.928 3.990 0,5 964 1.995
Kacang Tanah 2.233 3.100 0,8 1.786 2.480
Ketela Pohon 243 650 16,5 4.010 10.725
Ketela Rambat 351 980 2,2 772 2.156
Kentang 1.219 2.450 0,5 610 1.225
Jumlah 69.358 168.963
IL = 168.963 x 100
69.358
= 244

0
Angka Indeks
2. Formula Paasche
Menggunakan bobot tahun berjalan dan bukan tahun dasar
sebagai bobot.
Rumus:
IP = HtKt x 100
HoKt

1
Angka Indeks
Jenis Barang Ho Ht Kt HoKt HtKt
Beras 1112 2777 46,6

51.819 129.408
Jagung 662 1650 6,8
4.502 11.220
Kedelai 1257 1840 1,6
2.011 2.944
Kacang Hijau 1928 3990 0,3
578 1.197
Kacang Tanah 2233 3100 0,6
1.340 1.860
Ketela Pohon 243 650 15,7
3.815 10.205
Ketela Rambat 351 980 1,8
632 1.764
Kentang 1219 2450 0,5
610 1.225
Jumlah
65.307 159.823
IP = 159.823 x 100
65.307
= 245 D. W. Hariyanto, SE. MM Statistik 1 10
2
Angka Indeks
3. Formula Fisher
• Fisher mencoba memperbaiki formula Laspeyres dan Paasche.
• Indeks Fisher merupakan akar dari perkalian kedua indeks.
• Indeks Fisher menjadi lebih sempurna dibandingkan kedua
indeks yang lain baik Lasypeyres maupun Paasche.
Rumus:
IF =  IL x IP
Diketahui IL = 244
IP = 245
IF = (244x 245) = 244,5

3
Angka Indeks
4. Formula Drobisch
• Digunakan apabila nilai Indeks Laspeyres dan Indeks Paasche
berbeda terlalu jauh. Indeks Drobisch juga merupakan jalan
tengah selain Indeks Fisher.
• Indeks Drobisch merupakan nilai rata-rata dari kedua indeks.
Rumus:
ID = IL + IP
2
Diketahui IL = 244
IP = 245
ID = IL + IP = 244 + 245
2 2
= 244.5
4
Angka Indeks
5. Formula Marshal-Edgeworth
Formula Marshal-Edgeworth relatif berbeda dengan konsep
Laspeyres dan Paasche.
Menggunakan bobot berupa jumlah kuantitas pada tahun t
dengan kuantitas pada tahun dasar.
Pembobotan ini diharapkan akan mendapatkan nilai yang lebih
baik.
Rumus:
IME = Ht (Ko+Kt) x 100

Ho (Ko+Kt)

5
Angka Indeks
CONTOH FORMULA MARSHAL-EDGEWORTH
Jenis Barang Ho(Ko+Kt) Ht(Ko+Kt)
Beras IME = Ht (Ko+Kt) x 100

105.418 263.260
Ho (Ko+Kt)
Jagung
9.731 24.255 = 328.787 x 100
134.665
Kedelai
4.400 6.440 = 244,15
K. Hijau
1.542 3.192
K.Tanah
3.126 4.340
Ket.Pohon
7.825 20.930
Ket.Rambat
1.404 3.920
Kentang
1.219 2.450
Jumlah
134.665 328.787
6
Angka Indeks
6. Formula Wals
Menggunakan pembobot berupa akar dari perkalian
kuantitas tahun berjalan dengan kuantitas tahun dasar.
Rumus:
IW = HtKoKt x 100
HoKoKt

7
Angka Indeks
CONTOH PENGGUNAAN FORMULA WALS
Jenis Barang Ho (Ko.Kt) Ht (Ko.Kt)
Beras 52.701 131.611

IW = HtKoKt x 100
Jagung 4.852 12.093
HoKoKt Kedelai 2.192 3.208
K. Hijau 747 1.545

= 164.242 x 100
67.258 1.547 2.148
K.Tanah
= 244,2
Ket.Pohon 3.911 10.462
Ket.Rambat 698 1.950
Kentang 610 1.225
Jumlah
67.258 164.242
8
Angka Indeks
JENIS DAN MASALAH ANGKA INDEKS
Macam-macam Angka Indeks:

1. Indeks Harga Konsumen
2. Indeks Harga Perdagangan Besar
3. Indeks Nilai Tukar Petani
4. Indeks Produktivitas
Masalah Dalam Penyusunan Angka Indeks:

1. Masalah Pemilihan Sampel
2. Masalah Pembobotan
3. Perubahan Teknologi
4. Masalah Pemilihan Tahun Dasar
5. Masalah Mengubah Periode Tahun Dasar

9
Angka Indeks
1. Untuk mencari Indeks Laspeyres, masukkan data ke

dalam sheet MS Excel.
2. Masukkan sektor pada kolom A, data harga periode
dasar pada kolom B, harga berlaku pada kolom C dan
kuantitas pada kolom D.
3. Lakukan operasi sederhana berupa perkalian pada
kolom E dengan formula +b2*d2 dan kolom E +c2*d2
sebagaimana contoh.
4. Lakukan operasi penjumlahan dengan formula
@sum(e2:e4) pada kolom E baris ke-5 begitu pula pada
kolom F5.
5. Lakukan operasi pembagian dengan formula +f5/e5,
tekan enter, nilai Indeks Laspeyres ada pada sel tersebut.

0
–

1
DERET BERKALA DAN
PERAMALAN

2
Deret Berkala dan Peramalan
PENDAHULUAN
• Data deret berkala adalah sekumpulan data yang

dicatat dalam suatu periode tertentu.
• Manfaat analisis data berkala adalah mengetahui

kondisi masa mendatang atau meramalkan kondisi
mendatang.
• Peramalan kondisi mendatang bermanfaat untuk

perencanaan produksi, pemasaran, keuangan dan
bidang lainnya.

3
KOMPONEN DATA BERKALA
• Trend
• Variasi Musim
• Variasi Siklus
• Variasi yang Tidak Tetap (Irregular)

4
TREND
Suatu gerakan kecenderungan naik atau turun dalam jangka panjang

yang diperoleh dari rata-rata perubahan dari waktu ke waktu dan
nilainya cukup rata (smooth).
Y Y
Tahun (X) Tahun (X)
Trend Positif Trend Negatif

5
METODE ANALISIS TREND
1. Metode Semi Rata-rata
• Membagi data menjadi 2 bagian
• Menghitung rata-rata kelompok. Kelompok 1 (K1) dan

kelompok 2 (K2)
• Menghitung perubahan trend dengan rumus:
b= (K2 – K1)
(tahun dasar K2 – tahun dasar K1)
• Merumuskan persamaan trend Y = a + bX

6
CONTOH METODE SEMI RATA-RATA
Tahun Pelanggan Rata- Nilai X Nilai X

rata th dasar 2002 th dasar 2005
2001 4,2 -1 -4
K1 2002 5,0 4,93 0 -3

2003 5,6 1 -2
2004 6,1 2 -1
K2 2005 6,7 6,67 3 0

2006 7,2 4 1
Y th 2002 = 4,93 + 0,58 X b = (6,67 – 4,93)/2005-2002

Y th 2005 = 6,67 + 0,58 X b = 0,58
7
2. Metode Kuadrat Terkecil

Menentukan garis trend yang mempunyai jumlah terkecil dari
kuadrat selisih data asli dengan data pada garis trendnya.
Trend Pelanggan PT. Telkom
P e la n g g a n (Ju ta a n )
8
7
6
5
4
3
2
Y = a + bX 1
0
a = Y/N 97 98 99 00 01
Tahun
b = YX/X2 Data Y' Data Y

8
CONTOH METODE KUADRAT TERKECIL
Tahun Pelanggan Kode X Y.X X2

=Y (tahun)
2002 5,0 -2 -10,0 4
2003 5,6 -1 -5,6 1
2004 6,1 0 0 0
2005 6,7 1 6,7 1
2006 7,2 2 14,4 4
Y=30,6 Y.X=5,5 X2=10
Nilai a = Y/n = 30,6/5 = 6,12

Nilai b = YX/X2 = 5,5/11 = 0,50
Jadi persamaan trend = Y’= 6,12 + 0,50 X

9
3. Metode Kuadratis
Untuk jangka waktu pendek,
kemungkinan trend tidak Y=a+bX+c
X2
bersifat linear. Metode
kuadratis adalah contoh
metode nonlinear
Y = a + bX + cX2
Koefisien a, b, dan c dicari dengan rumus sebagai berikut:

a = (Y) (X4) – (X2Y) (X2)/ n (X4) - (X2)
b = XY/X2
c = n(X2Y) – (X2 ) ( Y)/ n (X4) - (X2)

0
CONTOH METODE KUADRATIS
Tahun Y X XY X2 X2Y X4
2002 5,0 -2 -10,00 4,00 20,00 16,00
2003 5,6 -1 -5,60 1,00 5,60 1,00
2004 6,1 0 0,00 0,00 0,00 0,00
2005 6,7 1 6,70 1,00 6,70 1,00
2006 7,2 2 14,40 4,00 2880 16,00
30.60 5,50 10,00 61,10 34,00

a = (Y) (X4) – (X2Y) (X2) = (30.60 x 34.00) – (61.10 x 10.00)
n (X4) - (X2)
= 429,4/70 = 6,13
b = XY/X 2
= 5.50/10 = 0,55
c = n(X Y) – (X ) ( Y)
2 2
= (5 x 61.10) – (10.0 x 30.60)
n (X ) - (X )
4 2
= -0,0017
Jadi persamaan kuadratisnya adalah Y = 6,13+0,55X – 0,0017X 2
1
4. Trend Eksponensial
Persamaan eksponensial dinyatakan dalam bentuk variabel waktu (X)
dinyatakan sebagai pangkat. Untuk mencari nilai a, dan b dari data Y
dan X, digunakan rumus sebagai berikut:
Y’ = a (1+b)X
Ln Y’ = Ln a + X Ln (1+b)
Sehingga a = anti ln (LnY)/n
b = anti ln  (X. LnY) -1
(X)2
Y= a(1+b)X
2
CONTOH TREND EKSPONENSIAL
Tahun Y X Ln Y X2 X Ln Y
2002 5,0 -2 1,6 4,00 -3,2

2003 5,6 -1 1,7 1,00 -1,7
2004 6,1 0 1,8 0,00 0,0
2005 6,7 1 1,9 1,00 1,9
2006 7,2 2 2,0 4,00 3,9
9,0 10,00 0,9
Nilai a dan b didapat dengan:
a = anti ln (LnY)/n = anti ln 9/5 = anti ln 1,8 = 6,1
b = anti ln  (X. LnY) - 1 = anti ln (0,9/10) – 1 = 1,094 –1 = 0,094
(X)2
Sehingga persamaan eksponensial Y = 6,1 (1+0,094)X
3
VARIASI MUSIM
Variasi musim terkait dengan perubahan atau fluktuasi dalam musim-

musim atau bulan tertentu dalam 1 tahun.
Pergerakan Inflasi 2002 Indeks Saham PT. Astra Agro

Produksi Padi Permusim
Lestari, Maret 2003
2,5
30 150
Produksi (000 ton)
2
20 100
1,5
Inflasi (%)
Indeks
10 1 50
0 0,5 0
I- II- III- I- II- III- I- II- III- I- II- III-
98 98 98 99 99 99 00 00 00 01 01 03 0 03 05 13 14 22
1 2 3 4 5 6 7 8 9 10 11 12
Triwulan Tanggal
Bulan
Variasi Musim Produk Variasi Inflasi Bulanan Variasi Harga Saham

Pertanian Harian
4
VARIASI MUSIM DENGAN METODE RATA-RATA

SEDERHANA
Indeks Musim = (Rata-rata per kuartal/rata-rata total) x 100

Bulan Pendapatan Rumus= Nilai bulan ini x 100 Indeks
Nilai rata-rata Musim
Januari 88 (88/95) x100 93
Februari 82 (82/95) x 100 86
Maret 106 (106/95) x 100 112
April 98 (98/95) x 100 103
Mei 112 (112/95) x 100 118
Juni 92 (92/95) x 100 97
Juli 102 (102/95) x 100 107
Agustus 96 (96/95) x 100 101
September 105 (105/95) x 100 111
Oktober 85 (85/95) x 100 89
November 102 (102/95) x 100 107
Desember 76 (76/95) x100 80
Rata-rata 95

5
METODE RATA-RATA DENGAN TREND
• Metode rata-rata dengan trend dilakukan dengan cara yaitu indeks

musim diperoleh dari perbandingan antara nilai data asli dibagi
dengan nilai trend.
• Oleh sebab itu nilai trend Y’ harus diketahui dengan persamaan Y’ =

a + bX.

6
METODE RATA-RATA DENGAN TREND
Bulan Y Y’ Perhitungan Indeks Musim

Januari 88 97,41 (88/97,41) x 100 90,3
Februari 82 97,09 (82/97,09) x 100 84,5
Maret 106 96,77 (106/96,77) x100 109,5
April 98 96,13 (98/96,13) x 100 101,9
Mei 112 95,81 (112/95,81) x 100 116,9
Juni 92 95,49 (92/95,49) x 100 96,3
Juli 102 95,17 (102/95,17) x 100 107,2
Agustus 96 94,85 (96/94,85) x 100 101,2
September 105 94,53 (105/94,53) x 100 111,1
Oktober 85 93,89 (85/93,89) x 100 90,5
November 102 93,57 (102/93,57) x 100 109,0
Desember 76 93,25 (76/93,25) x 100 81,5

7
Deret Berkala Dan Peramalan
VARIASI SIKLUS
Siklus Indeks Saham Gabungan

Siklus
2,5
Ingat 2
1,5
Y=TxSxCxI 1
0,5
IHSG
0
Maka
-0,5 94 95 96 97 98 99 00 01 02
TCI = Y/S -1
CI = TCI/T -1,5
-2
Di mana CI adalah -2,5
Indeks Siklus Tahun

8
CONTOH SIKLUS
Th Trwl Y T S TCI=Y/S CI=TCI/T C

17,5
I 22
17,2 95 14,7 86
2003 II 14
16,8 51 15,7 93 92
III 8
16,5 156 16,0 97 97
I 25
16,1 94 16,0 99 100
2004 II 15
15,8 49 16,3 103 102
III 8
15,4 163 16,0 104 104
I 26
15,1 88 15,9 105 105
2005 II 14
14,7 52 15,4 105 106
III 8
14,3 157 15,3 107 108
I 24
14,0 89 15,7 112
2006 II 14
13,6
III 9
9
GERAK TAK BERATURAN

Siklus
Ingat Y = T x S x C x I
TCI = Y/S
CI = TCI/T
I = CI/C

0
GERAK TAK BERATURAN
Th Trwl CI=TCI/T C I=(CI/C) x 100

I
86
2003 II 93 92 101
III 97 97 100
I 99 100 99
2004 II 103 102 101
III 104 104 100
I 105 105 100
2005 II 105 106 99
III 107 108 99
I 112
2006 II
III

1
PENGGUNAAN MS EXCEL
• Masukkan data Y dan data X pada sheet MS Excel,

misalnya data Y di kolom A dan X pada kolom B
dari baris 1 sampai 5.
• Klik icon tools, pilih ‘data analysis’, dan pilih
‘simple linear regression’.
• Pada kotak data tertulis Y variable cell range:
masukkan data Y dengan mem-blok kolom a atau
a1:a5. Pada X variable cell range: masukkan data X
dengan mem-blok kolom b atau b1:b5.
• Anda klik OK, maka hasilnya akan keluar. Y’= a+b
X; a dinyatakan sebagai intercept dan b sebagai X
variable1 pada kolom coefficients.

2
3
4
5
KONSEP DASAR
PROBABILITAS

6
Konsep Dasar Probabilitas
PENDAHULUAN
Definisi:
Probabilitas adalah peluang suatu kejadian
Manfaat:
Manfaat mengetahui probabilitas adalah membantu
pengambilan keputusan yang tepat, karena kehidupan di dunia
tidak ada kepastian, dan informasi yang tidak sempurna.
Contoh:
• Pembelian harga saham berdasarkan analisis harga saham
• Peluang produk yang diluncurkan perusahaan (sukses atau
tidak), dan lain-lain.

7
PENDAHULUAN
Probabilitas:
Suatu ukuran tentang kemungkinan suatu peristiwa ( event)
akan terjadi di masa mendatang. Probabilitas dinyatakan antara
0 sampai 1 atau dalam persentase.
Percobaan:
Pengamatan terhadap beberapa aktivitas atau proses yang
memungkinkan timbulnya paling sedikit dua peristiwa tanpa
memperhatikan peristiwa mana yang akan terjadi.
Hasil (outcome):
Suatu hasil dari sebuah percobaan.
Peristiwa (event):
Kumpulan dari satu atau lebih hasil yang terjadi pada sebuah
percobaan atau kegiatan.

8
PENGERTIAN PROBABILITAS
Contoh:
Percobaan/ Pertandingan sepak bola Persita VS PSIS di

Kegiatan Stadion Tangerang, 24 Juli 2007.
Hasil Persita menang

Persita kalah
Seri -- Persita tidak kalah dan tidak
menang
Peristiwa Persita Menang

9
PENDEKATAN PROBABILITAS
1. Pendekatan Klasik
2. Pendekatan Relatif
3. Pendekatan Subjektif

0
PENDEKATAN KLASIK
Definisi:
Setiap peristiwa mempunyai kesempatan yang sama untuk terjadi.
Rumus:
Probabilitas = Jumlah kemungkinan hasil

suatu peristiwa Jumlah total kemungkinan hasil

1
PENDEKATAN KLASIK
Percobaan Hasil Probabilitas
Kegiatan melempar 1. Muncul gambar 2 ½

uang 2. Muncul angka
Kegiatan 1. Menjual saham 2 ½

perdagangan saham 2. Membeli saham
Perubahan harga 1. Inflasi (harga naik) 2 ½

2. Deflasi (harga turun)
Mahasiswa belajar 1. Lulus memuaskan 3 1/3

2. Lulus sangat
memuaskan
3. Lulus terpuji

2
PENDEKATAN RELATIF
Definisi:
Probabilitas suatu kejadian tidak dianggap sama, tergantung dari
berapa banyak suatu kejadian terjadi.
Rumus:
Probabilitas = Jumlah peristiwa yang terjadi

suatu peristiwa Jumlah total percobaan
Contoh:
Dalam 12 bulan, 10 bulan terjadi inflasi dan 2 bulan deflasi. Maka
probabilitas inflasi = 10/12=0,83 dan probabilitas deflasi = 2/12=0,17

3
PENDEKATAN SUBJEKTIF
Definisi:
Probabilitas suatu kejadian didasarkan pada penilaian pribadi

yang dinyatakan dalam suatu derajat kepercayaan.

4
KONSEP DASAR HUKUM PROBABILITAS
A. Hukum Penjumlahan
P(A ATAU B) = P(A) + P(B)
Contoh : P(A) = 0,35, P(B) 0,40 DAN P (C) 0,25
Maka P(A ATAU C ) = 0,35 + 0,25 = 0,60
• Peristiwa atau Kejadian Bersama
A AB B
P(A ATAU B) = P(A) + P(B) – P (AB)
Apabila P(AB) = 0,2, maka ,

P(A ATAU B) = 0,35 + 0, 40 – 0,2 = 0,55
5
• Peristiwa Saling Lepas

P(AB) = 0
Maka P(A ATAU B) = P (A) + P(B) + 0
= P(A) + P(B)
A B
• Hukum Perkalian
P( A DAN B) = P(A) X P(B)
Apabila P(A) 0,35 DAN P(B) = 0,25
Maka P(A DAN B) = 0,35 X 0,25 = 0,0875
• Kejadian Bersyarat P(B|A)

P(B|A) = P(AB)/P(A)

6
• Hukum Perkalian
P( A DAN B) = P(A) X P(B)
Apabila P(A) 0,35 DAN P(B) = 0,25
Maka P(A DAN B) = 0,35 X 0,25 = 0,0875
• Kejadian Bersyarat P(B|A)

P(B|A) = P(AB)/P(A)
• Peristiwa Pelengkap (Complementary Event)

P(A) + P(B) = 1 atau P(A) = 1 – P(B)

7
DIAGRAM POHON
Keputusan Jual atau Beli Jenis Saham Probabilitas bersama
• Diagram Probabilitas Bersyarat 1 x 0,6 x 0,35 = 0,21

BC 0,35
Pohon A
Jua BL 0,40 1 x 0,6 x 0,40 = 0,24
l P
Suatu diagram BNI 0,25 1 x 0,6 x 0,25 = 0,15
0,
berbentuk 1
6
pohon yang
1 x 0,4 x 0,35 = 0,14
membantu BC 0,3
Beli A 5
mempermudah BL 0,4 1 x 0,4 x 0,40 = 0,16
mengetahui P 0
probabilitas BNI 0,25 1 x 0,4 x 0,25 = 0,10
suatu peristiwa
Jumlah Harus = 0,21+0,24+0,15+0,14
1.0 +0,16+0,10 =1,0

8
TEOREMA BAYES
Merupakan probabilitas bersyarat-suatu kejadian terjadi setelah

kejadian lain ada.
Rumus:
P(Ai|B) = P(Ai) X P (B|Ai)

P(A1) X P(B|A1)+P(A2) X P(B|A2) + … + P(Ai) X P(B|AI)

9
BEBERAPA PRINSIP MENGHITUNG
• Factorial (berapa banyak cara yang mungkin dalam

mengatur sesuatu dalam kelompok).
Factorial = n!
• Permutasi (sejumlah kemungkinan susunan jika

terdapat satu kelompok objek).
Kombinasi nCr = n!/r! (n-r)!
• Kombinasi (berapa cara sesuatu diambil dari

keseluruhan objek tanpa memperhatikan urutannya.
Permutasi nPr = n!/ (n-r)!

0
DISTRIBUSI PROBABILITAS
DISKRET

1
Distribusi Probabilitas Diskret
PENDAHULUAN
Definisi:
• Distribusi probabilitas adalah sebuah susunan distribusi yang
mempermudah mengetahui probabilitas sebuah peristiwa.
• Merupakan hasil dari setiap peluang peristiwa.
Contoh Kasus:
• Berapa peluang meraih untung dari investasi di reksa dana
• Berapa banyak barang harus dikirim, apabila selama
perjalanan barang mempunyai probabilitas rusak
• Berapa peluang karyawan bekerja lebih baik esok hari

2
VARIABEL ACAK
Variabel acak
Sebuah ukuran atau besaran yang merupakan hasil suatu
percobaan atau kejadian yang terjadi acak atau untung-
untungan dan mempunyai nilai yang berbeda-beda.
Variabel acak diskret Variabel acak kontinu

Ukuran hasil percobaan Ukuran hasil percobaan
yang mempunyai nilai yang mempunyai nilai
tertentu dalam suatu yang menempati seluruh
interval. titik dalam suatu interval.

3
RATA-RATA HITUNG, VARIANS, DAN

STANDAR DEVIASI
• Rata-rata Hitung = E(X) = (X.P(X))
• Varians s2= (X - )2 .P(X)
• Standar Deviasi s=  s2

4
RATA-RATA HITUNG, VARIANS DAN

STANDAR DEVIASI
Standar deviasi = s = s2 =0,75 = 0,87
X P(X) X.P(X) X-  (X- )2 (X- )2P(X)
0 0,125 0,000 -1,500 2,250 0,281
1 0,375 0,375 -0,500 0,250 0,094
2 0,375 0,750 0,500 0,250 0,094
3 0,125 0,375 1,500 2,250 0,281
 1,500 s2 0,750

5
DISTRIBUSI PROBABILITAS BINOMIAL
Ciri-ciri Percobaan Bernouli:
• Setiap percobaan menghasilkan dua kejadian:

(a) kelahiran anak: laki-laki-perempuan;
(b) transaksi saham: jual- beli,
(c) perkembangan suku bunga: naik–turun dan lain-lain.
• Probabilitas suatu kejadian untuk suskes atau gagal adalah tetap

untuk setiap kejadian. P(p), peluang sukses, P(q) peluang gagal,
dan P(p) + P(q)= 1.
• Suatu percobaan dengan percobaan bersifat bebas.
• Data yang dihasilkan adalah data perhitungan.

6
DISTRIBUSI PROBABILITAS BINOMIAL
Rumus distribusi probabilitas binomial:
n!
P(r )
r! ( n - r )! p .q
r n -r

7
CONTOH DISTRIBUSI BINOMIAL
PT MJF mengirim buah melon ke Hero. Buah yang dikirim 90%

diterima dan sisanya ditolak. Setiap hari 15 buah dikirim ke Hero.
Berapa peluang 15 dan 13 buah diterima?
Jawab:
P(p) = 0,9 dan P(q) = 1-0,9 = 0,1
P(15) = [15!/(15!(15-15)!] 0,9150,10 = 0,206

P(13) = [15!/(13!(15-13)!] 0,9130,12 = 0,267
Untuk mencari nilai distribusi binomial dapat menggunakan tabel

distribusi binomial dengan n=15; di mana X =15, dan X = 13
dengan P(p)= 0,9 dan dapat diperoleh nilai 0,206 dan 0,267

8
DISTRIBUSI HIPERGEOMETRIK
• Dalam distribusi binomial diasumsikan bahwa peluang suatu

kejadian tetap atau konstan atau antar-kejadian saling
lepas.
• Dalam dunia nyata, jarang terjadi hal demikian. Suatu

kejadian sering terjadi tanpa pemulihan dan nilai setiap
kejadian adalah berbeda atau tidak konstan.
• Distribusi dengan tanpa pemulihan dan probabilitas berbeda

adalah Distribusi Hipergeometrik.

9
Rumus nilai Distribusi Hipergeometrik:
( s C rx ( N -s C )
P (r )  n -r
N C n

0
CONTOH DISTRIBUSI HIPERGEOMETRIK
Ada 33 perusahaan di BEJ akan memberikan deviden dan

20 di antaranya akan membagikan dividen di atas
100/lembar. Bapepam sebagai pengawas pasar saham
akan melakukan pemeriksaan dengan mengambil 10
perusahaan. Berapa dari 10 perusahaan tersebut, 5
perusahaan akan membagikan saham di atas
100/lembarnya?
Jawab:
N = 33 S= 20 n=10 r=5
P(r) = [(20C5) x (33-20C10-5)]/ (33C10) = 0,216

1
DISTRIBUSI POISSON
• Dikembangkan oleh Simon Poisson
• Poisson memperhatikan bahwa distribusi binomial sangat

bermanfaat dan dapat menjelaskan dengan baik, namun
untuk n di atas 50 dan nilai P(p) sangat kecil akan sulit
mendapatkan nilai binomialnya.
• Rumus:
 Xe- 
P(X) 
X!
2
CONTOH DISTRIBUSI POISSON
Jumlah emiten di BEJ ada 150 perusahaan. Akibat krisis ekonomi,

peluang perusahaan memberikan deviden hanya 0,1. Apabila BEJ
meminta secara acak 5 perusahaan, berapa peluang ke-5
perusahaan tersebut akan membagikan dividen?
Jawab:
N = 150 X=5 p=0,1 =n.p =150 x 0,1 = 15
P(X) = 1552,71828-15/5!
0,232/150= 0,002
Untuk mendapatkan nilai distribusi Poisson, dapat digunakan tabel

distribusi Poisson. Carilah Nilai  = 12 dan nilai X = 5, maka akan
didapat nilai 0,0154

3
MENGGUNAKAN MS EXCEL UNTUK

DISTRIBUSI BINOMIAL
1. Anda klik icon fx atau anda klik icon insert dan pilih fx
function.
2. Anda pilih menu statistical pada function category
3. Anda pilih menu Binomdist pada function name, Anda
tekan OK.
4. Setelah anda tekan OK pada langkah ke-3, maka akan
keluar kotak dialog seperti berikut:
BINOMDIST
Number_s : ………… (masukkan nilai X)
Trials : ……….. (masukkan nilai n)
Probability : ………… (masukkan nilai p)
Cumulative: ………… (tulis kata False)
Nilai P(r) akan muncul pada baris Formula result atau
tanda (=)
4
5
6
MENGGUNAKAN MS EXCEL UNTUK

 Klik icon fx atau klik icon insert dan pilih fx function

 Pilih menu statistical pada function category
 Pilih menu HYPGEOMDIST pada function name, tekan OK
 Setelah tekan OK pada langkah ke-3, maka akan keluar
kotak dialog seperti berikut
HYPGEOMDIST
Sampel_s : ………… (masukkan nilai r)
Number_sampel : ……….. (masukkan nilai n)
Population_s : ………… (masukkan nilai S)
Number_pop : ………… (masukkan nilai N)
• Nilai P(r) akan muncul pada baris Formula result atau tanda (=)

7
8
9
MENGGUNAKAN MS EXCEL UNTUK DISTRIBUSI

POISSON
 Klik icon fx atau anda klik icon insert dan pilih fx function
 Pilih menu statistical pada function category
 Pilih menu POISSON pada function name, tekan OK
 Setelah tekan OK pada langkah ke-3, maka akan keluar
kotak dialog seperti berikut:
POISSON
X : ………… (masukkan nilai x)
Mean : ……….. (masukkan nilai )
Cumulative : ………… (tulis FALSE)
• Nilai P(X) akan muncul pada baris Formula result atau tanda (=)

0
1
2
DISTRIBUSI
PROBABILITAS NORMAL

3
Distribusi Probabilitas Normal
KARAKTERISTIK DISTRIBUSI KURVA NORMAL
1. Kurva berbentuk genta (= Md= Mo)

2. Kurva berbentuk simetris
3. Kurva normal berbentuk asimptotis
4. Kurva mencapai puncak pada saat X= 
5. Luas daerah di bawah kurva adalah 1; ½ di sisi kanan nilai
tengah dan ½ di sisi kiri.

4
DEFINISI KURVA NORMAL
Bila X suatu pengubah acak normal dengan nilai

tengah , dan standar deviasi s, maka persamaan
kurva normalnya adalah:
N(X; ,s) = 1 e –1/2[(x-)/s]2,

2s2
Untuk -<X<
di mana
 = 3,14159
e = 2,71828
5
JENIS-JENIS DISTRIBUSI NORMAL
10
9
8
7
6
5
4
3
2
1
0
m
Me s o ku r tic Pla ty ku r tic L e p to ku r tic
Distribusi kurva normal dengan  sama dan s berbeda

6
Distribusi kurva normal dengan  berbeda dan s sama

7
Distribusi kurva normal dengan  dan s berbeda

8
TRANSFORMASI DARI NILAI X KE Z
Transformasi dari X
ke Z
x z
Di mana nilai Z:
Z=X-
s
9
TRANSFORMASI DARI X KE Z
Contoh Soal:
Harga saham di BEJ mempunyai nilai tengah (X)=490,7 dan standar
deviasinya 144,7. Berapa nilai Z untuk harga saham 600?
Jawab:
Diketahui: Nilai  = 490,7 dan s = 144,7
Maka nilai Z =( X - ) / s
Z = (600 – 490,7)/144,7
Z = 0,76

0
LUAS DI BAWAH KURVA NORMAL
68,26%
95,44%
99,74%
-3s -2s -1s =x +1s +2s +3s

-3 -2 -1 Z=0 +1 +2 +3
• Luas antara nilai Z (-1<Z<1) sebesar 68,26% dari jumlah data.

• Berapa luas antara Z antara 0 dan sampai Z = 0,76 atau biasa
dituis P(0<Z<0,76)?
• Dapat dicari dari tabel luas di bawah kurva normal. Nilainya
dihasilkan = 0,2764

1
PENERAPAN KURVA NORMAL
Contoh Soal:
PT GS mengklaim berat buah mangga “B” adalah 350 gram
dengan standar deviasi 50 gram. Bila berat mangga
mengikuti distribusi normal, berapa probabilitas bahwa berat
buah mangga mencapai kurang dari 250 gram, sehingga akan
diprotes oleh konsumen.

2
Jawab:
 Transformasi ke nilai z
AP(x< 250); P(x=250) = (250-350)/50=-2,00 Jadi
P(x<250)=P(z<-2,00)
 Lihat pada tabel luas di bawah kurva normal
P(z<-2,00)=0,4772
 Luas sebelah kiri nilai tengah adalah 0,5. Oleh sebab itu,
nilai daerah yang diarsir menjadi 0,5 – 0,4772=0,0228.
Jadi probabilitas di bawah 250 gram adalah 0,0228
(2,28%). Dengan kata lain probabilitas konsumen protes
karena berat buah mangga kurang dari 250 gram adalah
2,28%.
3
Contoh Soal:
PT Work Electric, memproduksi Bohlam Lampu yang dapat
hidup 900 jam dengan standar deviasi 50 jam. PT Work
Electric ingin mengetahui berapa persen produksi pada kisaran
antara 800-1.000 jam, sebagai bahan promosi bohlam lampu.
Hitung berapa probabilitasnya!

4
Jawab:
P(800<X<1.000)?
 Hitung nilai Z
Z1 = (800-900)/50 = -2,00;
Z2 = (1.000-900)/50 = 2,00
 Jadi: P(800<X<1.000) =P(-2,00<Z<2,00);
P(-2,00<Z) = 0,4772 dan P(Z>2,00) = 0,4772
Sehingga luas daerah yang diarsir adalah = 0,4772+0,4772=
0,9544. Jadi P(800<X<1.000) = P(-2,00 < Z<2,00) = 0,9544.
Jadi 95,44% produksi berada pada kisaran 800-1.000 jam. Jadi jika
PT Work Electric mengklaim bahwa lampu bohlamnya menyala 800-
1.000 jam, mempunyai probabilitas benar 95,44%, sedang sisanya
4,56% harus dipersiapkan untuk garansi.

5
PENDEKATAN NORMAL TERHADAP BINOMIAL
Apabila kita perhatikan suatu distribusi probabilitas binomial,

dengan semakin besarnya nilai n, maka semakin mendekati
nilai distribusi normal. Gambar berikut menunjukkan distribusi
probabilitas binomial dengan n yang semakin membesar.
0 .6
0 .5
0 .4
0 .3
0 .2
0 .1
0
0 1 r 0 1 2 3 r 0 2 4 6 8 10 12 14 16 18 20 r

6
DALIL PENDEKATAN NORMAL TERHADAP BINOMIAL
Bila nilai X adalah distribusi acak binomial dengan nilai

tengah =np dan standar
deviasi s=npq, maka nilai Z untuk distribusi normal adalah:

Z = X - np
npq
di mana n  dan nilai p mendekati 0,5

7
Contoh 9-1
 Buka program MS Excel dari Start, pilih MS Excel
 Letakkan kursor pada cell yang ada di sheet MS Excel, dan

klik icon fx, atau klik icon insert dan pilih fx function
 Pilih statistical pada function category dan pilih Normdist

pada function nama, Anda tekan OK.

8
 Anda akan menemui kotak dialog seperti berikut:
NORMDIST
X ………….. (isilah nilai x, misal 600)
Mean ………….. (isilah nilai mean, misal 490)
Standard_dev ………….. (isilah nilai s, misal 144,7
Cumulative ………….. (ketik True untuk kumulatif, dan

False untuk nilai tunggal)
Hasil nilai p = 0,76 akan muncul pada formula result atau tanda “=“

9
Hasil nilai p = 0,7764 akan muncul pada formula result

atau tanda “=“
Catatan:
Bila menggunakan tabel Z pada lampiran 3, probabilitas adalah
luas daerah yang diarsir, yaitu dari Z=0 ke kanan kurva (infiniti
positif).
Sedangkan dengan MS Excel, probabilitas adalah luas daerah dari
kiri kurva (infiniti negatif) ke kanan (sampai nilai X yang
dimaksud).

0
1
2
TEORI KEPUTUSAN

3
Teori Keputusan
PENGANTAR
Setiap hari kita harus mengambil keputusan, baik keputusan

yang sederhana maupun keputusan jangka panjang.
Contoh:
Keputusan yang diambil suatu perusahaan:
• Barang dan jasa apa yang akan diproduksi,
• Metode apa yang dipakai untuk memproduksi,
• Untuk siapa barang dan jasa di produksi,
• Bagaimana strategi pemasaran dan promosinya,
• Apakah perusahaan membutuhkan tenaga pemasaran,
• dan lain-lain.

4
Teori Keputusan
PENGANTAR
Statistika mengembangkan teori pengambilan keputusan yang

dipelopori Reverand Thomas Bayes pada tahun 1950-an.
Contoh kasus:
1. Untuk menambah modal suatu Bank apakah:
a) menambah modal,
b) memecah saham,
c) menerbitkan obligasi
2. Investasi apakah:
a) tanah
b) tabungan

5
Teori Keputusan
ELEMEN KEPUTUSAN
• Kepastian (certainty): informasi untuk pengambilan

keputusan tersedia dan valid.
• Risiko (risk): informasi untuk pengambilan keputusan

tidak sempurna, dan ada probabilitas atas suatu kejadian.
• Ketidakpastian (uncertainty): suatu keputusan dengan

kondisi informasi tidak sempurna dan probabilitas suatu
kejadian tidak ada.
• Konflik (conflict): keputusan di mana terdapat lebih dari

dua kepentingan.

6
Teori Keputusan
ELEMEN KEPUTUSAN
• Pilihan atau alternatif yang terjadi bagi setiap

keputusan.
• States of nature yaitu peristiwa atau kejadian

yang tidak dapat dihindari atau dikendalikan oleh
pengambil keputusan.
• Hasil atau payoff dari setiap keputusan.

7
Teori Keputusan
ELEMEN KEPUTUSAN
Peristiwa Ketidakpastian berkenaan dengan kondisi

mendatang. Pengambil keputusan tidak
mempunyai kendali terhadap kondisi mendatang.
Tindakan Dua atau lebih alternatif dihadapi pengambil

keputusan. Pengambil keputusan harus
mengevaluasi alternatif dan memilih alternatif
dengan kriteria tertentu.
Hasil/ Laba, impas (break even), rugi

Payoff

8
Teori Keputusan
KEPUTUSAN DALAM SUASANA BERISIKO
Langkah dalam Pengambilan Keputusan:

1. Mengidentifikasi berbagai macam alternatif yang ada dan layak
bagi suatu keputusan.
2. Menduga probabilitas terhadap setiap alternatif yang ada.
3. Menyusun hasil/payoff untuk semua alternatif yang ada
4. Mengambil keputusan berdasarkan hasil yang baik.
Rumus Expected Value (EV):
EV = payoff x probabilitas suatu peristiwa

9
Teori Keputusan
CONTOH EV
Berdasarkan nilai EV, maka keputusan yang terbaik adalah membeli

saham MLBI yaitu yang memiliki nilai EV tertinggi.

0
Teori Keputusan
EXPECTED OPPORTUNITY LOSS (EOL)
• Metode lain dalam mengambil keputusan selain EV
• EOL mempunyai prinsip meminimumkan kerugian karena

pemilihan bukan keputusan terbaik.
• Hasil yang terbaik dari setiap kejadian diberikan nilai 0,

sedangkan untuk hasil yang lain adalah selisih antara nilai terbaik
dengan nilai hasil pada peristiwa tersebut.
Rumus:
EOL = Opportunity loss x probabilitas suatu

peristiwa

1
Teori Keputusan
CONTOH EOL

2
Teori Keputusan
CONTOH EOL (lanjutan)
OL baik OL buruk
Saham (P= 0,5) (P= 0,5) Perhitungan EV Nilai EOL
(1.043.223 x 0,5) +
LPBN 1.043.223 0 (0 x 0,5) 521.612
(406.586 x 0,5) +
MEGA 406.586 115.616 (115.616 x0,5) 261.101
(0 x 0,5) +
BBCA 0 216.111 (216.111 x 0,5) 108.056
Berdasarkan nilai EOL, maka keputusan yang terbaik adalah membeli

saham BBCA yaitu yang memiliki nilai EOL terendah.

3
Teori Keputusan
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
Expected Value Of Perfect Information
• Setiap keputusan tidak harus tetap setiap saat. Keputusan

dapat berubah untuk mengambil kesempatan yang terbaik.
• Pada kasus harga saham, pada kondisi baik, saham BBCA

adalah pilihan terbaik, namun pada kondisi buruk, maka
saham MEGA lebih baik.
• Apabila hanya membeli saham BBCA maka

EV = 1.487.667 x 0,5 + 61.667 x 0,5 = 774.667

4
Teori Keputusan
EVPI
• Apabila keputusan berubah dengan adanya informasi yang

sempurna dengan membeli harga saham BBCA dan MEGA
EVif = 1.487.667 x 0,5 + 277.778 x 0,5 = 822.723
• Nilai EVif lebih tinggi dari EV dengan selisih:

= 822.723 -774.667 = 108.056.
Nilai ini mencerminkan harga dari sebuah informasi.
• Nilai informasi ini menunjukkan bahwa informasi yang tepat itu

berharga -- dan menjadi peluang pekerjaan -- seperti pialang,
analis pasar modal, dan lain-lain.

5
Teori Keputusan
KEPUTUSAN DALAM KETIDAKPASTIAN
Kondisi ketidakpastian dicirikan dengan informasi yang tidak

sempurna dan tidak ada probabilitas suatu peristiwa.
Kriteria pengambilan keputusan dalam ketidakpastian:

1. Kriteria Laplace
2. Kriteria Maximin
3. Kriteria Maximax
4. Kriteria Hurwicz
5. Kriteria (Minimax) Regret

6
Teori Keputusan
1. Kriteria Laplace
Probabilitas semua kejadian sama, dan hasil perkalian antara
hasil dan probabilitas tertinggi adalah keputusan terbaik.
2. Kriteria Maximin
Keputusan didasarkan pada kondisi pesimis atau mencari
Nilai maksimum pada kondisi pesimis.
3. Kriteria Maximax
Keputusan didasarkan pada kondisi optimis dan mencari nilai
maksimumnya.

7
Teori Keputusan
4. Kriteria Hurwicz
Keputusan didasarkan pada perkalian hasil dan koefisien
optimisme. Koefisien ini merupakan perpaduan antara
optimis dan pesimis.
5. Kriteria (Minimax) Regret

Keputusan didasarkan pada nilai regret minimum. Nilai
regret diperoleh dari nilai OL pada setiap kondisi dan dipilih
yang maksimum.

8
Teori Keputusan
CONTOH LAPLACE
Perusahaan Kondisi Perekonomian
Boom Normal Krisis

Perusahaan
LPBN 1.180 488 250
MEGA 2.000 1.356 300
BBCA 4.463 1.666 185
1. EV (LPBN) = 1/3 X 1.180 + 1/3 X 488 + 1/3 X 250 = 639

2. EV (MEGA) = 1/3 X 2.000 + 1/3 X 1.356 + 1/3 X 300 = 1.219
3. EV (BBCA) = 1/3 X 4.463 + 1/3 x 1.666 + 1/3 x 185 = 2.015
Berdasarkan kriteria Laplace, keputusan terbaik adalah membeli
saham BBCA.
9
Teori Keputusan
CONTOH MAXIMIN
Perusahaan Kondisi Krisis
LPBN 250
MEGA 300
BBCA 185
Berdasarkan kriteria Maximin, alternatif yang memberikan nilai

maksimum pada kondisi terburuk adalah MEGA. Maka keputusan
terbaik adalah membeli saham MEGA.

0
Teori Keputusan
CONTOH MAXIMAX
Perusahaan Kondisi Boom
LPBN 1.180
MEGA 2.000
BBCA 4.463
Berdasarkan kriteria Maximax, alternatif yang memberikan nilai

maksimum pada kondisi terbaik adalah BBCA. Maka keputusan
terbaik adalah membeli saham BBCA.

1
Teori Keputusan
CONTOH HURWICZ
• Menggunakan koefisien optimisme (a) dan koefisien

pesimisme (1- a).
• Koefisien ini anda dapat diperoleh melalui hasil penelitian

atau pendekatan relatif dari data tertentu.
• Contoh:
Koefisien optimisme didasarkan pada probabilitas terjadinya
kondisi boom dibandingkan dengan kondisi krisis.
Berdasarkan data diperoleh koefisien optimisme sebesar
0,63 sehingga koefisien pesimisme adalah 1 – 0,63 = 0,37.

2
Teori Keputusan
CONTOH HURWICZ (lanjutan)
Emiten Boom Krisis Perhitungan EV
LPBN 1.180 250 (1.180x0.63) + (250x0.37) 836
MEGA 2.000 300 (2.000x0.63) + (300x0.37) 1.371
BBCA 4.463 185 (4.463x0.63) + (185x0.37) 2.880
Berdasarkan nilai EV, maka keputusan yang terbaik adalah

membeli saham BBCA yaitu yang memiliki nilai EV tertinggi.

3
Teori Keputusan
CONTOH MINIMAX REGRET
• Langkah pertama adalah mencari nilai OL.
• Langkah kedua adalah memilih nilai maksimum dari nilai

OL setiap keadaan.
• Nilai OL yang minimum adalah keputusan yang terbaik.

4
Teori Keputusan
CONTOH MINIMAX REGRET (lanjutan)
Perusa Kondisi Perekonomian Perusahaan Nilai Regret

haan Maksimum
Boom Normal Krisis
LPBN 3.283
LPBN 3.283 1.178 50
MEGA 2.463
MEGA 2.463 310 0
BBCA 0 0 115 BBCA 115
Berdasarkan kriteria minimax regret, keputusan yang terbaik adalah

membeli saham BBCA yaitu yang memiliki nilai regret terendah.

5
Teori Keputusan
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
Probabilitas Ekonomi
1.180
Boom (0,63)
836
(1) Probabilitas Ekonomi
Krisis (0,37) 250
Membeli Saham BAT
Boom (0,63) 2.000
2.880 1.371
(2) Probabilitas Ekonomi
300
Membeli Saham BATA Krisis (0,37)
Boom (0,63) 4.463
2.880
(3)
Probabilitas Ekonomi 185
Membeli Saham MLBI Krisis (0,37)

6
TERIMA KASIH

7

Statistik 1

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Statistik 1

Diunggah oleh

Hak Cipta:

Format Tersedia

PENGERTIAN STATISTIKA

D. W. Hariyanto, SE. MM Statistik 1 1

D. W. Hariyanto, SE. MM Statistik 1 2

(a) Jaman Mesir dan Cina untuk menentukan besar

(b) Jaman gereja untuk mencatat kelahiran, kematian,

(c) Tahun 1937 Tinbergen mengembangkan ekonomi

(d) Hicks mengembangkan matematika ekonomi untuk

(e) Tahun 1950, Bayes mengembangkan Teori

D. W. Hariyanto, SE. MM Statistik 1 3

Beberapa contoh kasus yang membutuhkan

(a) Kasus tuntutan buruh tentang kenaikan gaji,

D. W. Hariyanto, SE. MM Statistik 1 4

Pengguna Statistika Masalah yang Dihadapi

Akuntansi 1. Penentuan standar audit barang dan jasa.

D. W. Hariyanto, SE. MM Statistik 1 5

Pengguna Statistika Masalah yang Dihadapi

Keuangan 1. Potensi peluang kenaikan dan penurunan harga

D. W. Hariyanto, SE. MM Statistik 1 6

Pengguna Statistika Masalah yang Dihadapi

Agribisnis 1. Analisis produksi tanaman, ternak, ikan, dan

D. W. Hariyanto, SE. MM Statistik 1 7

JENIS-JENIS STATISTIKA Materi:

POPULASI DAN SAMPEL

D. W. Hariyanto, SE. MM Statistik 1 9

D. W. Hariyanto, SE. MM Statistik 1 10

SUMBER DATA STATISTIKA

Data dari pihak lain:

D. W. Hariyanto, SE. MM Statistik 1 11

Skala Nominal Skala Ordinal

Skala Interval Skala Rasio

BEBERAPA ALAT BANTU BELAJAR

• CD ROM (Tambahan Latihan Soal Terjawab)

• Penggunaan MS Excel untuk Statistika

D. W. Hariyanto, SE. MM Statistik 1 13

D. W. Hariyanto, SE. MM Statistik 1 14

• Contoh-contoh Perlunya Penyajian Data

(b) Melihat informasi daftar harga-harga sebelum membeli mobil.

D. W. Hariyanto, SE. MM Statistik 1 15

Langkah-langkah dalam Statistik Deskriptif:

(a) Memahami masalah dan jawaban yang diperlukan.

(b) Mengumpulkan data yang sesuai dengan masalah dan tujuan.

(c) Menata data mentah ke dalam distribusi frekuensi.

(d) Menyajikan data distribusi secara grafik.

(e) Menarik kesimpulan mengenai permasalahan.

D. W. Hariyanto, SE. MM Statistik 1 16

• Adalah pengelompokan data ke dalam beberapa kategori

• Setiap data tidak dapat dimasukkan ke dalam dua atau lebih

D. W. Hariyanto, SE. MM Statistik 1 17

Langkah-langkah Distribusi Frekuensi:

b. Mengurutkan data dari terkecil ke terbesar atau

c. Membuat kategori kelas

d. Membuat interval kelas

e. Melakukan penghitungan atau penturusan setiap kelasnya

D. W. Hariyanto, SE. MM Statistik 1 18

CONTOH DISTRIBUSI FREKUENSI SAHAM DI BEJ

1. Jumlah n = 20 dengan nilai tertinggi 9.750 dan nilai terendah 215

D. W. Hariyanto, SE. MM Statistik 1 19

DISTRIBUSI FREKUENSI RELATIF

D. W. Hariyanto, SE. MM Statistik 1 20

• Nilai Tengah Kelas: nilai yang letaknya di tengah kelas.

D. W. Hariyanto, SE. MM Statistik 1 21

PENYAJIAN DATA (lanjutan)