STATISTIKA

PARKO PRAHIMA, S. Si, M.Si

SERANG, 07 JANUARI 1985
Jl. RD. SASTRADIKARTA NO 8 LAPANGAN
COKLAT- CILEGON
HP +6281321600495 / 081906118299
Email: pabo_oncom@yahoo.co.id
 Riwayat Pendidikan

 SDN IV Cilegon 1990-1996

 SMP 1 Cilegon 1997-2000
 SMA 1 Serang 2000-2003
 Sarjana Statistika Unisba Bandung (2003-
2007)
 Magister Sains (Ilmu Pemerintahan Daerah)
Universitas Pramitha Indonesia, (2008-2010)
 Riwayat Pekerjaan
 PT. Buana Centra Swakarsa (BCS) 2007-2008
 PT CABOT INDONESIA 2008
 PNS di Dinas Kependudukan dan Catatan
Sipil Kota Cilegon 2009
 Dosen LB Bina Bangsa Serang (2010)
 Dosen LB Universitas Serang Raya (2010)
 Dosen LB Akademi AKPI Serang (2011)
 Dosen LB LP3I CILEGON (2011)
 Coach Jombang Tennis Club 2003 s.d
sekarang
 Schme of Work

 Pendahuluan  Distribusi Teoritis

 Penyajian Data  Angka Indeks
 Ukuran Pemusatan  Analisis Deret Waktu
 Ukuran Keragaman  UAS (Pertemuan ke-XIV)
 Probabilitas
 UTS (Pertemuan ke- VII)
Kontrak Kuliah
 Kehadiran
 Minum
 Makan ( Permen)
 HP non-aktif (Silent)
 Pakaian Sopan
Perbedaan Statistik & Statistika
 Statistik
Statistik adalah data atau ringkasan yang berbentuk
angka. Misalnya: Statistik penduduk (jumlah penduduk,
umur, jenis kelamin dll) Statistik harga (membahas harga
beras, gula, pakaian dll )
 Statistika
Ilmu yang mempelajari cara ; Pengumpulan data,
Pengolahan data, Analisa data, Penyajian data,
Penarikan kesimpulan atau Pengambilan keputusan
berdasarkan hasil penelitian
STATISTIKA DESKRIPTIF & INFERENSIAL

 Statistika Deskriptif
Serangkaian teknik yang meliputi teknik pengumpulan,
penyajian dan peringkasan data
 Statistika inferensial
Serangkaian teknik yang digunakan untuk mengkaji,
menaksir, dan mengambil kesimpulan sebagian data
(data sampel) yang dipilih secara acak dari seluruh data
yang menjadi objek kajian.
 Populasi dan Sampel
 Populasi
adalah keseluruhan elemen himpunan dengan ciri-ciri
tertentu yang sama. Variabel yang diperoleh dari
Populasi disebut PARAMETER
 Sampel
Himpunan Bagian dari Populasi yang diambil
berdasarkan SAMPLING. Variabel yang diperoleh dari
Populasi disebut STATISTIK.
 Contoh KASUS
Tim Pansus akan mencari keterangan
Karyawan Bank Indonesia terkait masalah
Skandal bank Century. Namun yang dipanggil
hanya ibu Sri Mulyani dan beberapa pejabat
tinggi di Bank Indonesia.

Mana yang merupakan Populasi dan mana

yang merupakan Sampel?
 DATA

 Data merupakan kumpulan fakta atau angka

atau segala sesuatu yang dapat dipercaya
kebenarannya sehingga dapatdigunakan
sebagai dasar menarik suatu kesimpulan
(Agung Lesmoko, S.Si)
 Data adalah sekumpulan fakta-fakta yang biasa
disajikan dengan angka-angka yang saling
berhubungan satu sama lain.(Moh. Farhan
Qudratullah)
 JENIS DATA
 MENURUT SUMBERNYA
 INTERNAL
 EKSTERNAL
 PRIMER
 SEKUNDER
 MENURUT WAKTU
 CROSS SECTION (dikumpulkan pada waktu tertentu)
 TIME SERIES (dikumpulkan dari waktu ke waktu)
 MENURUT BENTUK
 KUALITATIF
 KUANTITATIF
 DISKRIT
 KONTINU
 SKALA PENGUKURAN
 Nominal
skala pengukuran berupa lambang / bilangan untuk
mengelompokan objek, orang, atau barang-barang lainnya.
contoh : Jenis Kelamin
Ciri data : Antar Kelompok posisinya Setara
 Ordinal
Skala ordinal adalah skala pengukuran yang mengelompokan
objek-objek kedalam kelas-kelas yang mempunyai hubungan
urutan satu dengan yang lainnya.
Misalkan : Golongan Pendidikan
Ciri data : Bersifat ranking
 SKALA PENGUKURAN (2)
 Interval
Skala interval adalah skala yang mengelompokan
objek-objek kedalam kelas-kelas yang mempunyai
hubungan urutan, dimana jarak 2 titik pada skala
telah diketahui.
Contoh : Temperatur, Sistem Kalender
Ciri data : Tidak terdapat kategorisasi atau
pemberian kode seperti pada skala nominal dan
ordinal. Titik nol dan unit pengukuran sembarang
(tidak mutlak)
 SKALA PENGUKURAN (3)
 Rasio
Skala rasio adalah skala yang mengelompokan
objek-objek kedalam kelas-kelas yang mempunyai
hubungan urutan dan berbeda dalam jarak objek
yang satu dengan yang lainnya serta titik nolnya
tidak sembarang (mutlak).
Contoh : Berat, jumlah produksi, dll
Ciri data : Yang dihasilkan data rasio adalah
tidak terdapat kategorisasi dan titik nol tidak
sembarang (mutlak benar-benar 0)
 Metode Sampling
 Probability Sampling
Suatu tehnik penarikan sampel, dimana unit populasi
mempunyai peluang tertentu untuk terpilih menjadi
sampel
 Non-Probability Sampling
Suatu tehnik penarikan sampel, dimana unit populasi
tidak mempunyai peluang tertentu untuk terpilih
menjadi sampel
Perbedaan
 Beberapa Teknik
Non-Probability Sampling
 Sistemic Sampling
 Convenience Sampling
 Sampling Kuota
 Sampling Insidental
 Purposive Sampling
 Snowball Sampling
 Relawan Sampling
 Beberapa Teknik
Probability Sampling

 Simple Random Sampling

 Systemic Random Sampling
 Stratified Random Sampling
 Cluster Random Sampling
 Multy Stage Sampling
 PENYAJIAN DATA

TABEL DIAGRAM BATANG

HISTOGRAM DIAGRAM LINGKARAN

 Pendahuluan
• Menyajikan data mentah untuk
pengambilan keputusan
• Data mentah diambil dari populasi atau
sampel
• Diperoleh dengan cara :
– Wawancara
– Pengamatan
– Surat menyurat
– Kusioner
 Langkah Statistik Deskriptif
• Pertanyaan yang harus dijawab
• Mengumpulkan data
• Menata data
• Menyajikan data
• Kesimpulan
 Distribusi Frekuensi
• Distribusi frekuensi
– Pengelompokan data ke dalam beberapa kategori
yang menunjukan banyaknya data dalam setiap
kategori dan setiap data tidak dapat dimasukan ke
dalam dua atau lebih kategori
• Tujuan
– Data menjadi informatif dan mudah dipahami
 Langkah – langkah
Distribusi Frekuensi
• Mengurutkan data
• Membuat ketegori atau kelas data
• Melakukan penturusan atau tabulasi,
memasukan nilai ke dalam interval kelas
 Langkah Pertama
• Mengurutkan data : dari yang terkecil ke yang
terbesar atau sebaliknya
• Tujuan :
– Untuk memudahkan dalam melakukan
pernghitungan pada langkah ketiga
 Langkah Pertama
No Nilai Ujian No Nilai Ujian
Data diurut 1 58 11 78
dari terkecil 2 58 12 80
ke terbesar 3 59 13 81
4 66 14 82
Nilai terkecil 5 67 15 86
56 6 76 16 87
Nilai terbesar 7 76 17 87
97 8 77 18 89
9 78 19 89
10 78 20 97
 Langkah Kedua
• Membuat kategori atau kelas data
– Tidak ada aturan pasti, berapa banyaknya kelas !
• Langkah :
– Banyaknya kelas sesuai dengan kebutuhan
– Tentukan interval kelas
 Langkah 1
• Gunakan pedoman bilangan bulat terkecil
k, dengan demikian sehingga 2k  n atau
aturan Sturges
Jumlah kategori (k) = 1 + 3,322 Log n
• Contoh n = 20
(k) = 1 + 3,322 Log 20
(k) = 1 + 3,322 (1,301)
(k) = 1 + 4,322
(k) = 5,322
 Langkah 2
• Tentukan interval kelas
• Interval kelas adalah batas bawah dan batas
atas dari suatu kategori
Rumus :
Nilai terbesar - terkecil
Interval kelas =
Jumlah kelas
 Contoh
• Berdasarkan data
– Nilai tertinggi = 97
– Nilai terendah = 58
• Interval kelas :
– = [ 97 – 58] / 5
– = 7,8
– = 8 (Pembulatan ke Atas)
• Jadi interval kelas 8 yaitu jarak nilai
terendah dan nilai tertinggi dalam suatu
kelas atau kategori
 Interval kelas
Kelas Interval Nilai tertinggi :
= 58+8
1 58 - 65 = 65 (58 di hitung satu)
2 66 - 73
Nilai terendah
3 74 - 81 Kelas ke 2
= 65+ 1
4 82 - 89 = 66
5 90 - 97
 Langkah Ketiga
• Lakukan penturusan atau tabulasi data
Kelas Interval Frekuensi Jumlah Frekuensi

1 58 - 65 III 3

2 66 - 73 II 2

3 74 - 81 IIIII III 8

4 82 - 89 IIIII I 6

5 90 - 97 I 1
 Distribusi Frekuensi Relatif

• Frekuensi setiap kelas dibandingkan dengan

frekuensi total
• Tujuan ; Untuk memudahkan membaca
data secara tepat dan tidak kehilangan
makna dari kandungan data
 Contoh
Kelas Interval Jumlah Frekuensi Frekuensi Kumulatif (%)

1 58 - 65 3 15

2 66 - 73 2 10

3 74 - 81 8 40

4 82 - 89 6 30

5 90 - 97 1 5

Frekuensi relatif (%)

= [ 3 / 20 ] x 100 %
= 15%
 Penyajian Data
• Batas kelas
– Nilai terendah dan tertinggi
• Batas kelas dalam suatu interval kelas
terdiri dari dua macam :
– Batas kelas bawah – lower class limit
• Nilai teredah dalam suati interval kelas
– Batas kelas atas – upper class limit
• Nilai teringgi dalam suatu interval kelas
 Contoh Batas Kelas
Kelas Interval Jumlah Frekuensi

1 58 - 65 3
2 66 - 73 2
3 74 - 81 8
4 82 - 89 6
5 90 - 97 1

Batas kelas atas

Batas kelas bawah
 Nilai Tengah
• Tanda atau perinci dari suatu interval kelas
dan merupakan suatu angka yang dapat
dianggap mewakili suatu interval kelas
• Nilai tengah kelas kelasnya berada di tengah-
tengah pada setiap interval kelas
 Contoh Nilai Tengah
Kelas Interval Nilai Tengah

1 58 - 65 61,5
2 66 - 73 69,5
3 74 - 81 77,5
4 82 - 89 85,5
5 90 - 97 93,5

Nilai tengah Kelas ke 1

= [ 58+ 65] / 2
= 61,5
 Nilai Tepi Kelas (Class Boundaries Value)
• Nilai batas antara kelas yang memisahkan
nilai antara kelas satu dengan kelas lainnya
• Penjumlahan nilai atas kelas dengan nilai
bawah kelas diantaranya dan di bagi dua
 Contoh Nilai Tepi Kelas
Kelas Interval Jumlah Frekuensi Nilai Tepi Kelas

1 58 - 65 3 57,5
2 66 - 73 2 65,5
3 74 - 81 8 73,5
4 82 - 89 6 81,5
5 90 - 97 1 89,5
97,5

Nilai tepi kelas ke 2

= [ 65+ 66] / 2
= 65,5
 Frekuensi Kumulatif
• Menunjukan seberapa besar jumlah
frekuensi pada tingkat kelas tertentu
• Diperoleh dengan menjumlahkan frekuensi
pada kelas tertentu dengan frekuensi kelas
selanjutnya
• Frekuensi kumulatif terdiri dari ;
– Frekuensi kumulatif kurang dari
– Frekuensi kumulatif lebih dari
 Frekuensi kumulatif kurang dari
• Merupakan penjumlahan dari mulai
frekuensi terendah sanpai kelas tertinggi
dan jumlah akhirnya merupakan jumlah
data (n)
Frekuensi Kumulatif
Kelas Interval Jumlah Frekuensi
Kurang Dari
0+0=0
1 58 - 65 3 0
0 + 3= 3
2 66 - 73 2 3

3 74 - 81 8 5

4 82 - 89 6 13

5 90 - 97 1 19
20
 Frekuensi kumulatif lebih dari
• Merupakan pengurangan dari jumlah data
(n) dengan frekuensi setiap kelas dimulai
dari kelas terendah dan jumlah akhirnya
adalah nol
Frekuensi Kumulatif
Kelas Interval Jumlah Frekuensi
20 – 0 = 20
Lebih Dari

1 58 - 65 3 20

2 66 - 73 2 17
20 – 3= 17
3 74 - 81 8 15

4 82 - 89 6 7

5 90 - 97 1 1
0
 Jadi Frekuensi Kumulatif
Frekuensi Frekuensi
Jumlah
Kelas Interval Nilai Tepi Kelas Kumulatif Kurang Kumulatif Lebih
Frekuensi
Dari Dari

1 58 - 65 3 57,5 0 20

2 66 - 73 2 65,5 3 17

3 74 - 81 8 73,5 5 15

4 82 - 89 6 81,5 13 7

5 90 - 97 1 89,5 19 1
97,5 20 0
 Grafik
• Grafik dapat digunakan sebagai laporan
• Mengapa menggunakan grafik ?
– Manusia pada umunya tertarik dengan gambar
dan sesuatu yang ditampilkan delam bentuk visual
akan lebih mudah diingat dari pada dalam bentuk
angka
• Grafik dapat digunakan sebagai kesimpulan
tanpa kehilangan makna
 Grafik Histogram
• Histogram merupakan diagram balok
• Histogram menghubungkan antara tepi
kelas interval dengan pada sumbu
horizontal (X) dan frekuensi setiap kelas
pada sumbu vertikal (Y)
Kelas Interval Jumlah Frekuensi

1 58 - 65 3
2 66 - 73 2
3 74 - 81 8
4 82 - 89 6
5 90 - 97 1
 Histogram
Harga saham

14
12
10
8
6
4
2
0
Tepi Kelas
 Grafik Polygon
• Menggunakan garis yang mengubungkan titik
– titik yang merupakan koordinat antara nilai
tengah kelas dengan jumlah frekuensi pada
kelas tersebut

Kelas Nilai Jumlah

Tengah Frekuensi (F)
1 1168.5 14
2 3076.5 3
3 4984.5 1
4 6892.5 1
5 8800.5 1
 Polygon
Jumlah Frekuensi (F)

16
14
12
10
Jumlah
8
Frekuensi (F)
6
4
2
0
1 2 3 4 5
 Kurva Ogif

• Merupakan diagram garis yang menunjukan

kombinasi antara interval kelas dengan
frekuensi kumulatif

Kelas Interval Nilai Tepi Kelas Frekuensi kumulatif

Kurang dari Lebih dari

1 215 2122 214.5 0 20

2 2123 4030 2122.5 14 6

3 4031 5938 4030.5 17 3

4 5939 7846 5938.5 18 2

5 7847 9754 7846.5 19 1

9754.5 20 0
Contoh Kurva Ogif
Frekuansi Kumulatif

25
20
15 Kurang dari
10 Lebih dari
5
0
1 2 3 4 5 6
Interval kelas
 Ukuran Pemusatan
 Ukuran Lokasi

Prepared By Parko Prahima Statistika Ekonomi I 02 Maret 2010

UKURAN-UKURAN STATISTIK
1. Ukuran Tendensi Sentral (Central tendency
measurement):
 Rata-rata (mean)
 Nilai tengah (median)
 Modus

2. Ukuran Lokasi (Location measurement):

 Persentil (Percentiles)
 Kuartil (Quartiles)
 Desil (Deciles)

53
UKURAN-UKURAN STATISTIK
3. Ukuran Dispersi/Persebaran (Dispersion measurement):
 Jarak (Range)
 Ragam/Varian (Variance)
 Simpangan Baku (Standard deviation)
 Rata-rata deviasi (Mean deviation)

54
UKURAN TENDENSI SENTRAL
(Central tendency measurement)

1. Rata-rata (mean)
 Jika data berasal dari suatu sampel, maka rata-rata
(mean) dirumuskan
 Data Tidak Berkelompok

x
 x i

 Data Berkelompok n

x
f x
i i

Dimana
 f i
x = nilai tengah kelas ke-i
i
fi = frekuensi kelas ke-i

55
UKURAN TENDENSI SENTRAL
(Central tendency measurement) (L)

1. Rata-rata (mean) – (Lanjutan)

 Jika data merupakan data populasi, maka rata-rata
dirumuskan
 Data Tidak Berkelompok

  x i

 Data Berkelompok N


fi xi
f i
Dimana xi = nilai tengah kelas ke-i
fi = frekuensi kelas ke-i

56
UKURAN TENDENSI SENTRAL
(Central tendency measurement) (L)

2. Median
 Merupakan suatu nilai yang terletak di tengah-tengah
sekelompok data setelah data tersebut diurutkan dari
yang terkecil sampai terbesar.
 Suatu nilai yang membagi sekelompok data dengan
jumlah yang sama besar.
 Untuk data ganjil, median merupakan nilai yang
terletak di tengah sekumpulan data, yaitu di urutan
ke-
 Untuk data genap, median merupakan rata-rata nilai
yang terletak pada urutan ke- dan

57
UKURAN TENDENSI SENTRAL
(Central tendency measurement) (L)

2. Median – (Lanjutan)
 Jika datanya berkelompok, maka median dapat
dicari dengan rumus berikut:
 fkum
n
Median  LB  2
.I
fmedian
Dimana
LB = Lower Boundary (tepi bawah kelas median)
n = banyaknya observasi
fkum< = frekuensi kumulatif kurang dari kelas median
fmedian = frekuensi kelas median
I = interval kelas
58
UKURAN TENDENSI SENTRAL
(Central tendency measurement) (L)

3. Modus
 Merupakan suatu nilai yang paling sering muncul
(nilai dengan frekuensi muncul terbesar)
 Jika data memiliki dua modus, disebut bimodal
 Jika data memiliki modus lebih dari 2, disebut
multimodal

59
UKURAN TENDENSI SENTRAL
(Central tendency measurement) (L)

3. Modus – (Lanjutan)
 Jika data berkelompok, modus dapat dicari dengan
rumus berikut:
fa
Modus  LB  .I
fa  fb
Dimana
LB = Lower Boundary (tepi bawah kelas dengan
frekuensi terbesar/kelas modus)
fa = frekuensi kelas modus dikurangi frekuensi kelas
sebelumnya
fb = frekuensi kelas modus dikurangi frekuensi kelas
sesudahnya
I = interval kelas
60
UKURAN TENDENSI SENTRAL
(Contoh Penghitungan)
DATA TIDAK BERKELOMPOK
 Berikut adalah data sampel tentang nilai sewa bulanan
untuk satu kamar apartemen ($). Berikut adalah data yang
berasal dari 70 apartemen di suatu kota tertentu:

425 430 430 435 435 435 435 435 440 440
440 440 440 445 445 445 445 445 450 450
450 450 450 450 450 460 460 460 465 465
465 470 470 472 475 475 475 480 480 480
480 485 490 490 490 500 500 500 500 510
510 515 525 525 525 535 549 550 570 570
575 575 580 590 600 600 600 600 615 615
61
UKURAN TENDENSI SENTRAL
(Contoh Penghitungan) (L)
 Rata-rata Hitung (Mean)

x
 x i

34.356
 490,80
n 70
 Median
Karena banyaknya data genap (70), maka median
merupakan rata-rata nilai ke-35 dan ke-36, yaitu
(475 + 475)/2 = 475

 Modus = 450 (muncul sebanyak 7 kali)

62
UKURAN TENDENSI SENTRAL
(Contoh Penghitungan) (L)

Frekuensi Frekuensi Lower

Biaya ($) xi fixi
(fi) kumulatif Boundary
50 – 59 2 54,5 2 49,5 109,0
60 – 69 13 64,5 15 59,5 838,5
70 – 79 16 74,5 31 69,5 1192,0
80 – 89 7 84,5 38 79,5 591,5
90 – 99 7 94,5 45 89,5 661,5
100 – 109 5 104,5 50 99,5 522,5
Total 50 3915,0

63
UKURAN TENDENSI SENTRAL
(Contoh Penghitungan) (L)

DATA BERKELOMPOK (L)

 Rata-rata Hitung (Mean)

x
 fxi i

3915,0
 78,3
f i 50
 Median
50
 15
Median  69,5  2
.10  75,75
16
 Modus
3
Modus  69,5  .10  72
39
64
KELEBIHAN & KEKURANGAN RATA-RATA
, MEDIAN & MODUS
 Rata-rata Hitung (Mean)
 Kelebihan:
 Melibatkan seluruh observasi
 Tidak peka dengan adanya penambahan data
 Contoh dari data :
3 4 5 9 11 Rata-rata = 6,4
3 4 5 9 10 11 Rata-rata = 7

 Kekurangan:
 Sangat peka dengan adanya nilai ekstrim (outlier)
 Contoh: Dari 2 kelompok data berikut
Kel. I : 3 4 5 9 11 Rata-rata = 6,4
Kel. II : 3 4 5 9 30 Rata-rata = 10,2

65
KELEBIHAN & KEKURANGAN RATA-RATA
, MEDIAN & MODUS
 Median
 Kelebihan:
 Tidak peka terhadap adanya nilai ekstrim
 Contoh: Dari 2 kelompok data berikut
Kel. I : 3 4 5 13 14
Kel. II : 3 4 5 13 30
Median I = Median II = 5

 Kekurangan:
 Sangat peka dengan adanya penambahan data (sangat
dipengaruhi oleh banyaknya data)
 Contoh: Jika ada satu observasi baru masuk ke dalam
kelompok I, maka median = 9
66
 KELEBIHAN & KEKURANGAN RATA-
RATA , MEDIAN & MODUS
• Modus
– Kelebihan:
• Tidak peka terhadap adanya nilai ekstrim
• Contoh: Dari 2 kelompok data berikut
Kel. I : 3 3 4 7 8 9
Kel. II : 3 3 4 7 8 35
Modus I = Modus II = 3
– Kekurangan:
• Peka terhadap penambahan jumlah data
• Cohtoh: Pada data
3 3 4 7 8 9 Modus = 3
3 3 4 7 7 7 8 9 Modus = 7
67
 UKURAN LOKASI
(Location measurement)

1. Persentil (Percentiles)
– Persentil merupakan suatu ukuran yang membagi
sekumpulan data menjadi 100 bagian sama besar.
– Persentil ke-p dari sekumpulan data merupakan nilai
data sehingga paling tidak p persen obyek berada
pada nilai tersebut atau lebih kecil dan paling tidak
(100 - p) percent obyek berada pada nilai tersebut
atau lebih besar.

68
 UKURAN LOKASI
(Location measurement)

1. Persentil (Percentiles) (Lanjutan)

– Cara pencarian persentil
• Urutkan dari dari yang terkecil ke terbesar.
• Cari nilai i yang menunjukkan posisi persentil
ke-p dengan rumus:
i = (p/100)n
• Jika i bukan bilangan bulat, maka bulatkan ke
atas. Persentil ke-p merupakan nilai data pada
posisi ke-i.
• Jika i merupakan bilangan bulat, maka persentil
ke-p merupakan rata-rata nilai pada posisi ke-i
dan ke-(i+1).
69
UKURAN LOKASI
(Contoh Penghitungan)
Berdasarkan kasus sewa kamar apartemen
• Persentil ke-90
– Yaitu posisi data ke-(p/100)n = (90/100)70 = 63
– Karena i=63 merupakan bilangan bulat, maka persentil ke-90
merupakan rata-rata nilai data ke 63 dan 64
– Persentil ke-90 = (580 + 590)/2 = 585

425 430 430 435 435 435 435 435 440 440
440 440 440 445 445 445 445 445 450 450
450 450 450 450 450 460 460 460 465 465
465 470 470 472 475 475 475 480 480 480
480 485 490 490 490 500 500 500 500 510
510 515 525 525 525 535 549 550 570 570
575 575 580 590 600 600 600 600 615 615 70
 UKURAN LOKASI
(Location measurement)

2. Kuartil (Quartiles)
– Kuartil merupakan suatu ukuran yang membagi data
menjadi 4 (empat) bagian sama besar
– Kuartil merupakan bentuk khusus dari persentil,
dimana
• Kuartil pertama = Percentile ke-25
• Kuartil kedua = Percentile ke-50 = Median
• Kuartil ketiga = Percentile ke-75

71
UKURAN LOKASI
(Contoh Penghitungan)
Berdasarkan kasus sewa kamar apartemen
• Kuartil ke-3
– Kuartil ke-3 = Percentile ke-75
– Yaitu data ke-(p/100)n = (75/100)70 = 52.5 = 53
– Jadi kuartil ke-3 = 525

425 430 430 435 435 435 435 435 440 440
440 440 440 445 445 445 445 445 450 450
450 450 450 450 450 460 460 460 465 465
465 470 470 472 475 475 475 480 480 480
480 485 490 490 490 500 500 500 500 510
510 515 525 525 525 535 549 550 570 570
575 575 580 590 600 600 600 600 615 615
72
 UKURAN LOKASI
(Location measurement)

3. Desil (Deciles)
– Merupakan suatu ukuran yang membagi sekumpulan
data menjadi 10 bagian sama besar
– Merupakan bentuk khusus dari persentil, dimana:
• Desil ke-1 = persentil ke-10
• Desil ke-2 = persentil ke-20
• Desil ke-3 = persentil ke-30
…
…
• Desil ke-9 = persentil ke-90

73
UKURAN LOKASI
(Contoh Penghitungan)
Berdasarkan kasus sewa kamar apartemen
• Desil ke-9
– Desil ke-9 = Percentile ke-90 = 585

425 430 430 435 435 435 435 435 440 440
440 440 440 445 445 445 445 445 450 450
450 450 450 450 450 460 460 460 465 465
465 470 470 472 475 475 475 480 480 480
480 485 490 490 490 500 500 500 500 510
510 515 525 525 525 535 549 550 570 570
575 575 580 590 600 600 600 600 615 615

74
 Ukuran Sebaran

Prepared By Parko Prahima Statistika Ekonomi I 17 Maret 2010

UKURAN PERSEBARAN / DISPERSI
(Dispersion Measurement)

 Mengukur seberapa besar persebaran data

 Bersama-sama dengan ukuran sentral, ukuran ini berguna
untuk membandingkan 2 atau lebih kelompok data.

Contoh:
Dalam pemilihan 2 suplier A atau B, umumnya kita tidak
cukup hanya dengan melihat lamanya rata-rata waktu
pengiriman barang yang dilakukan masing-masing suplier,
namun juga variasi/persebaran lamanya waktu pengiriman
barang.
UKURAN PERSEBARAN / DISPERSI
(Dispersion Measurement)

1. Jarak (Range)
 Range = selisih nilai terbesar dan nilai terkecil
 Range merupakan ukuran keragaman yang paling
sederhana
 Sangat peka terhadap data dengan nilai terbesar dan
nilai terkecil
Contoh: Kasus sewa kamar apartemen
Range = 615 - 425 = 190
UKURAN PERSEBARAN / DISPERSI
(Dispersion Measurement)

2. Varian (Variance)
– Merupakan ukuran keragaman yang melibatkan
seluruh data
– Didasarkan pada perbedaan antara nilai tiap observasi
(xi) dan rata-ratanya (x untuk sampel,  untuk
populasi)
– Rumus Hitung
Sample: Populasi:
Varian = Varian =
n N

 (x  x)
i
2
 i
( x   ) 2

s 
2 i 1
2  i 1

n 1 N
UKURAN PERSEBARAN/ DISPERSI
(Dispersion Measurement)

2. Varian (Variance) – (Lanjutan)

– Untuk Data Berkelompok, rumus hitung:
Sample: Populasi:
Varian = Varian =
k k

 fi ( xi  x ) 2
i i
f ( x   ) 2

s2  i 1
2  i 1

 k 
k

  fi   1 f i
 i 1  i 1

dimana k = banyaknya kelas

fi = frekuensi kelas ke-i
xi = nilai tengah kelas ke-i
 UKURAN PERSEBARAN/
DISPERSI (Dispersion Measurement)
3. Simpangan baku (Standard deviation)
– Merupakan akar positif dari varian
– Diukur pada satuan data yang sama, sehingga mudah
untuk diperbandingkan
– Rumus Hitung

Sample: Simpangan baku =

s s 2

Populasi: Simpangan baku =

  2
UKURAN PERSEBARAN / DISPERSI
(Dispersion measurement)

4. Koefisien Variasi (Coefficient of Variation)

– Mengindikasikan seberapa besar nilai simpangan baku
relatif terhadap rata-ratanya
– Mengidentifikasikan homogenitas suatu data
– Rumus Hitung

Sample: Koefisien Variasi = s

cv   100
x
Populasi: Koefisien Variasi = 
cv   100
x
UKURAN PERSEBARAN/
DISPERSI (Dispersion measurement)
DATA TIDAK BERKELOMPOK
• Contoh Kasus Sewa Kamar Apartemen
– Varian

s2   ( xi  x )2
 2 , 996.16
n 1
– Simpangan Baku

s  s 2  2996.47  54.74
– Koefisien Variasi

s 54.74
 100   100  11.15
x 490.80
UKURAN PERSEBARAN/
DISPERSI (Dispersion measurement)
DATA BERKELOMPOK
• Contoh Kasus Bengkel Hudson Auto
– Varian k 2

f (x 2
i i
2
 x) f x i i
s 
2 i 1
 i 1
 x 2  187,56
 k  k
  fi   1 f i
 i 1  i 1
– Simpangan Baku
s  s 2  187,56  13,70
– Koefisien Variasi

s 13,70
 100   100  17.49
x 78,3
 DISTRIBUSI TEORITIS

• Variabel Acak
• Distribusi Teoritis
• Binomial
• Poisson
• Normal

Prepared By Parko Prahima Statistika

Ekonomi I 06 April 2010
Variabel acak adalah sebuah besaran yang merupakan
hasil dari percobaan acak yang secara untung-untungan,
dapat mempuyai nilai yang berbeda-beda.
Variabel Random adalah variabel yang nilai-nilainya
ditentukan oleh kesempatan atau variabel yang dapat
bernilai numerik yang didefinisikan dalam suatu ruang
sampel.
Definisi : Misalkan E suatu experimen acak dan S ruang
sampelnya. Suatu fungsi X (ditulis dengan huruf besar) yang
memberikan pada setiap elemen s dari S suatu bilangan riil,
disebut suatu variabel acak.

Prepared By Parko Prahima Statistika

Ekonomi I 06 April 2010
Contoh 1 :
Misalkan sebuah koin dengan dua sisi yaitu sisi gambar (G)
dan sisi angka (A) dilemparkan sebanyak tiga kali berturut-
turut. Hasil-hasil yang mungkin terjadi adalah :
GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA
Misalkan X adalah jumlah sisi gambar yang muncul.
Nilai X yang mungkin terjadi adalah : 0, 1, 2, 3
X = 0, berarti tidak ada sisi G yang muncul.
X = 1, berarti sisi G muncul satu kali.
X = 2, berarti sisi G muncul dua kali.
X = 3, berarti sisi G muncul tiga kali.
X disebut variabel acak
Prepared(random)
By Parko Prahima Statistika
Ekonomi I 06 April 2010
Distribusi Probabilitas Teoritis
Dari contoh 1 diatas, bisa dibuat tabel distribusi probabilitas
Teoritis dan diagram batang untuk variabel acak X sebagai
berikut :
0,4
X P(X) 0,35
0,3
0 1/8 = 0,125
0,25
1 3/8 = 0,375 0,2
P(X)
2 3/8 = 0,375 0,15
0,1
3 1/8 = 0,125
0,05
Jumlah 1,00 0
X=0 X=1 X=2 X=3
Prepared By Parko Prahima Statistika
Ekonomi I 06 April 2010
Conntoh 2 :
Misalkan sebuah koin dengan dua sisi yaitu sisi gambar (G)
dan sisi angka (A) dilemparkan sebanyak 4 kali berturut-
turut. Hasil-hasil yang mungkin terjadi adalah :
Misalkan X adalah jumlah sisi gambar (G) yang muncul.
Nilai X yang mungkin terjadi adalah : 0, 1, 2, 3, 4

X=0 X=1 X=2 X=3 X=4

AAAA GAAA GGAA GGGA GGGG
AGAA AGGA GGAG
AAGA AAGG GAGG
AAAG GAGA AGGG
GAAG
AGAG
1 4 6 4 1
Prepared By Parko Prahima Statistika
Ekonomi I 06 April 2010
Dari contoh 2 diatas, bisa dibuat tabel distribusi probabilitas
Teoritis dan diagram batang untuk variabel acak X sebagai
berikut :

0,4
X P(X) 0,35
0 1/16 = 0,0625 0,3

1 4/16 = 0,2500 0,25

0,2
2 6/16 = 0,3750 P(X)
0,15
3 4/16 = 0,2500
0,1
4 1/16 = 0,0625 0,05
Jumlah 1,00 0
X=0
Prepared By Parko Prahima Statistika
X=2 X=4
Ekonomi I 06 April 2010
 Distribusi Binomial
Distribusi Binomial atau distribusi Bernoulli (ditemukan oleh
James Bernoulli) adalah suatu distribusi teoritis yang
menggunakan variabel random diskrit yang terdiri dari dua
kejadian yang berkomplemen, seperti sukses-gagal, ya-tidak,
baik-cacat, kepala-ekor dll.
Ciri-ciri distribusi Binomial adalah sbb :
1. Setiap percobaan hanya memiliki dua peristiwa, seperti ya-tidak,
sukses-gagal.
2. Probabilitas suatu peristiwa adalah tetap, tidak berubah untuk setiap
percobaan.
3. Percobaannya bersifat independen, artinya peristiwa dari suatu
percobaan tidak mempengaruhi atau dipengaruhi peristiwa dalam
percobaan lainnya.
4. Jumlah atau banyaknya percobaan yang merupakan komponen
percobaan binomial harus tertentu.
Prepared By Parko Prahima Statistika
Ekonomi I 06 April 2010
Rumus Distribusi Binomial
a). Rumus binomial suatu peristiwa
Probabilitas suatu peristiwa dapat dihitung dengan
mengalikan kombinasi susunan dengan probabilitas salah
satu susunan. Berdasarkan hal tersebut, secara umum rumus
dari probabilitas binomial suatu peristiwa dituliskan :

P( X  x)  C xn . p x .q n  x

Dimana :
n!
C 
n
dan q=1–p
x!(n  x)!
x

Prepared By Parko Prahima Statistika

Ekonomi I 06 April 2010
b). Probabilitas binomial kumulatif
Probabilitas binomial kumulatif adalah probabilitas dari
peristiwa binomial lebih dari satu sukses.
Probabilitas binomial kumulatif dapat dihitung dengan
menggunakan rumus :

n
PBK   C xn . p x .q n  x
x 0

n
  P( X  x)
x 0

 P( X  0)  P( X  1)  P( X  2)  ....  P( X  n)
Prepared By Parko Prahima Statistika
Ekonomi I 06 April 2010
Contoh :
Sebuah dadu dilemparkan keatas sebanyak 4 kali. Tentukan probabilitas
dari peristiwa berikut :
a). Mata dadu 5 muncul 1 kali
b). Mata dadu genap muncul 2 kali
c). Mata dadu 2 atau 6 muncul sebanyak 4 kali.
Penyelesaian :
a). Karena dadu memiliki 6 sisi, yaitu 1, 2, 3, 4, 5, 6, sehingga setiap sisi
memiliki probabilitas 1/6. Jadi, probabilitas untuk mata 1 adalah 1/6,
sehigga :
p=1/6; q=5/6; n=4; x=1 (muncul 1 kali )
P(X=1) = C14.p1.q3
= 4(1/6)1(5/6)3
= 0,386
Prepared By Parko Prahima Statistika
Ekonomi I 06 April 2010
b). Mata dadu genap ada 3, yaitu 2,4, dan 6, sehingga :
p = 3/6 = 1/2; q = 1/2; n = 4; x = 2
P(X=2) = C24.p2.q2
= 6(1/2)2(1/2)2
= 0,375

c). Muncul mata dadu 2 atau 6 sebanyak 4 kali, sehngga :

p = 2/6; q = 2/3; n = 4; x = 4
P(X=4) = C44.p4.q0
= 1(2/6)4(2/3)0
= 0,0123
Contoh 2 :
Sebanyak 5 mahasiswa akan mengikuti ujian sarjana dan diperkirakan
probabilitas kelulusannya adalah 0,7. Hitunglah probabilitas :
a). Paling banyak 2 orang lulus.
b). Yang akan lulus antara 2 sampai 3 orang.
Prepared By Parko Prahima Statistika
c). Paling sedikit 4 diantaranya lulus.I 06 April 2010
Ekonomi
Penyelesaian :
a). n = 5 ; p = 0,7; q = 0,3; x = 0, 1 dan 2
P(X ≤ 2)= P(X=0) + P(X=1) + P(X=2)
= 1(0,7)0(0,3)5 + 5(0,7)1(0,3)4 + 10(0,7)2(0,3)3
= 0,16
b). n = 5 ; p = 0,7; q = 0,3; x = 2 dan 3
P(X=2 & 3)= P(X=2) + P(X=3)
= 10(0,7)2(0,3)3 + 10(0,7)3(0,3)2
= 0,44
c). n = 5 ; p = 0,7; q = 0,3; x = 4 dan 5
P(X ≥ 4)= P(X=4) + P(X=5)
= 5(0,7)4(0,3)1 + 1(0,7)5(0,3)0
= 0,53
Prepared By Parko Prahima Statistika
Ekonomi I 06 April 2010
 Distribusi Normal
Distribusi Normal adalah salah satu distribusi teoritis dari
variabel random kontinu. Distribusi Normal sering disebut
distribusi Gauss.
Distribusi Normal memiliki bentuk fungsi sebagai berikut :

1 ( x )2
1 
f ( x)  e 2 
 2
Keterangan :
X = nilai data  = rata-rata x
 = 3,14 e = 2,71828
 = Simpangan baku Prepared By Parko Prahima Statistika
Ekonomi I 06 April 2010
Karakteristik Distribusi Normal
Distribusi probabilitas normal dan kurva normal yang
menyertainya memiliki beberapa karakteristik sebagai
berikut :
1. Kurva normal berbentuk lonceng
2. Simetris
3. Asimtotis

Distribusi Probabilitas Normal Baku (Standar)

Distribusi normal baku memiliki rata-rata hitung 0 dan nilai
standar deviasi 1.
Nilai Z adalah jarak dari rata-rata hitung yang dihitung dalam
satuan standar deviasi.
Prepared By Parko Prahima Statistika
Ekonomi I 06 April 2010