Statistika Untuk Akuntansi-Kelas

Statistika
Eko Atmadji
Introduksi
• Statistik adalah sekumpulan data.
• Statistika atau ilmu statistik adalah ilmu
tentang pengumpulan, pengorganisasian,
peringkasan, penganalisisan, dan pengujian
data.
• Statistika dibagi menjadi dua bagian
– Statistika deskriptif
– Statistika inferens (induktif)
Introduksi
Populasi vs Sampel
Population Sample
Introduksi
• Statistik deskriptif meliputi pengumpulan,
pengorganisasian, peringkasan,
penganalisisan, dan penampilan data.
• Digunakan oleh para peneliti untuk laporan
tentang populasi dan sampel
• Dengan meringkas informasi, statistik
deskriptif mempercepat dan
menyederhanakan kekompleksan karakteristik
dari sebuah kelompok.
Introduksi
• Statistik inferens meliputi penyimpulan,
pengujian hipotesis, penentuan hubungan,
dan prediksi
• Menguji apakah sampel yang ada
menggambarkan kondisi yang sebenarnya dari
populasi
• Membuat perkiraan tentang seluruh populasi
Introduksi
• Sumber data:
– Data primer: data yang dikumpulkan sendiri
• Wawancara
• Kuesioner
– Data sekunder: data yang dikumpulkan pihak lain
• Pemerintah
• BPS
• Perusahaan
• Lainnya
Introduksi
• Data dikelompokkan dalam variabel
• Variabel dibagi menjadi dua:
– Variabel kuantitatif: data yang berbentuk angka
• Angka diskrit
• Angka kontinyu
– Variabel kualitatif: data yang berbentuk bukan
angka
• Ordinal
• Kategori
Introduksi
• Dilihat dari pengujiannya, statistik digolongkan
menjadi dua
– Statistik parametrik: metode penentuan
keputusan membutuhkan pengetahuan tentang
distribusi sampel
– Statistik non-parametrik: metode penentuan
keputusan yang tidak memerlukan pengetahuan
tentang distribusi sampel
Introduksi
• Penggunaan statistika tidak hanya untuk
penelitian tetapi juga lainnya seperti
– Presentasi proposal
– Auditing
– Engineering
– Kedokteran
– Bisnis
– Ekonomi
– Dll
Introduksi
• Dalam dunia bisnis, statistika sangatlah
penting
• Gambaran tentang perekonomian, konsumen,
pesaing, dan lainnya sangat penting untuk
membuat keputusan bisnis
• Dalam auditing, penentuan sampel yang benar
akan menggambarkan kondisi keuangan
perusahaan yang sebenarnya.
Introduksi
• Referensi:
– Walpole, Ronald, 1990, Pengantar Statistika,
Gramedia
– Mason, RD dan DA Lind, Teknik Statistika untuk
Bisnis dan Ekonomi, ed ke 9, Erlangga
– Buku statistik apa saja.
Statistika Deskriptif
• Bahasan dalam statistika deskriptif
– Pengorganisasian data
• Tabel
• Grafik
– Ringkasan data
• Central tendency
• Variation
• Pengorganisasian data
– Tabel
• Distribusi frekwensi
• Distribusi frekwensi relatif
– Grafik
• Diagram batang atau Histogram
• Poligon frekwensi
• Tabel
– Menyusun data dalam sebuah tabel
– Contoh soal:
• Dalam sebuah turnamen tenis terdapat 25 permainan.
Setiap permainan dapat diselesaikan dengan beberapa
game. Berikut data jumlah game tiap permainan: 9, 7, 8,
11, 9, 6, 10, 8, 12, 6, 8, 13, 7, 9, 10, 9, 10, 11, 12, 8, 7, 13,
10, 7, 7. Susunlah data tersebut ke dalam sebuah tabel
frekwensi.
– Apa yang dikerjakan di dalam soal tersebut adalah
tabel distribusi frekwensi.
• Di samping tabel frekwensi ada tabel
frekwensi kumulatif.
• Berikut adalah tabel tentang nilai IQ dalam
sebuah penelitian.
82 87 89 93 93
96 97 98 102 103
105 106 107 109 111
115 119 120 127 128
131 131 140 162
IQ frek
Tabel Distribusi 82 1
87 1
Frekwensi 89 1
93 2
96 1
97 1
98 1
102 1
103 1
105 1
106 1
107 1
109 1
111 1
115 1
119 1
120 1
127 1
128 1
131 2
140 1
162 1
24
IQ frek % Cum %
82 1 4,2 4,2
87 1 4,2 8,3
Tabel Distribusi 89 1 4,2 12,5
93 2 8,3 20,8
Frekwensi Relatif 96 1 4,2 25,0
97 1 4,2 29,2
98 1 4,2 33,3
102 1 4,2 37,5
103 1 4,2 41,7
105 1 4,2 45,8
106 1 4,2 50,0
107 1 4,2 54,2
109 1 4,2 58,3
111 1 4,2 62,5
115 1 4,2 66,7
119 1 4,2 70,8
120 1 4,2 75,0
127 1 4,2 79,2
128 1 4,2 83,3
131 2 8,3 91,7
140 1 4,2 95,8
162 1 4,2 100,0
24 100
Tabel Distribusi Frekwensi
Kumulatif Kelompok
Kelompok IQ f % Cum %
80-89 3 12,5 12,5
90-99 5 20,8 33,3
100-109 6 25,0 58,3
110-119 3 12,5 70,8
120-129 3 12,5 83,3
130-139 2 8,3 91,7
140-149 1 4,2 95,8
150 ke atas 1 4,2 100
Total 24 100
Frequency
2.5
1.5
Frequency
1
0.5
0
n
Bi
Gambar Histogram dari Excell
Gambar Histogram dari SPSS

• Ikhtisar data:
– Tendensi pusat (central tendency)
• Rata-rata (mean)
• Median
• Modus
– Variasi (ikhtisar dari perbedaan dalam kelompok)
• Range
• Interquartile Range
• Variance
• Standard Deviation
• Rata-rata
merupakan rumus statistik paling
dikenal.
• Rumusnya adalah jumlah nilai dari observasi
dibagi dengan jumlah observasi
• = nilai rata-rata dari Y

• = nilai Y pada observasi i
• n = jumlah observasi
Nilai IQ 13 pelajar di kelas A Nilai IQ 13 pelajar di kelas B
102 115 127 162
128 109 131 103
131 89 96 111
98 106 80 109
140 119 93 87
93 97 120 105
110 109
=
1437 = 1433
= = 110.54 = = 110.23
• Rata-rata dapat dengan mudah terpengaruh
oleh outlier (data dengan nilai ekstrim tidak
seperti data lainnya dalam kelompok)
• Outliers dapat membuat rata-rata menjadi
ukuran tendensi pusat yang jelek.
Pendapatan di Indonesia.
Budi Hartono
Semua orang
Rata-rata Outlier
• Median
– Median adalah nilai tengah dari sekumpulan
observasi jika diurutkan. Nilai tengah tersebut
membelah kumpulan observasi tersebut tepat di
tengah
– Ketika data diurutkan, median adalah titik dimana
50% observasi di atas dan 50% observasi di
bawah.
– Atau persentil ke lima puluh.
IQ 13 pelajar di kelas A
89
93
97
98
102
106 Median = 109
109 (enam obs. di atas, enam obs. di
110 bawah)
115
119
128
131 140
Jika urutan pertama dieliminasi maka median yang baru:
89
93
97
98
102
106
109 Median = 109.5
110 109 + 110 = 219/2 = 109.5

115 (enam obs. di atas dan enam
obs. di bawah)
119
128
131
140
• Ukuran median tidak akan dipengaruhi oleh
outlier sehingga menjadikannya ukuran
tendensi pusat yang lebih baik dan
menggambarkan “tipikal seseorang” lebih baik
daripada rata-rata ketika terjadi kemencengan
data (skewness)
Pendapatan di Indonesia.
Semua orang Budi Hartono

Median Outlier
• Jika nilai seluruh observasi dalam satu variabel
memiliki distribusi yang simetris maka nilai
rata-rata dan nilai median variabel tersebut
akan sama
• Jika distribusi datanya menceng (skewed)
maka nilai rata-rata jauh dari nilai median
Simetris Skewed
Rata-rata Rata-rata
Median Median
• Modus
– Nilai observasi yang paling banyak muncul disebut
modus
– Kombinasi skor IQ pelajar di kelas A dan B adalah
80 87 89 93 93 96 97 98 102 103 105 106 109 109 109 110 111

115 119 120 127 128 131 131 140 162
Nilai modus
– Sangat mungkin nilai modus lebih dari satu

• Bisa saja modus tidak terdapat di pusat
distribusi
• Data distribusi di
sebelah kanan adalah
bimodal atau
distribusi dua puncak
• Dalam distribusi yang simetris, nilai rata-
rata,median, dan modus adalah sama.
• Pada data yang menceng, nilai rata-rata dan
median terletak lebih jauh dari kemencengan
dibanding nilai modus
Simetris Skewed
Rata-rata
Median
Modus Modus Median Rata-rata
Variasi data atau ikhtisar perbedaan-perbedaan
dalam kelompok
• Range
• Variance
• Standar Deviasi
• Standar Error
• Range
– Adalah sebaran data atau jarak antara nilai
terendah dan nilai tertinggi
– Nilai range untuk sebuah variabel adalah
pengurangan antara nilai tertinggi dan nilai
terendah
Nilai IQ 13 pelajar di kelas A Nilai IQ 13 pelajar di kelas B
102 115 127 162

128 109 131 103
131 89 96 111
98 106 80 109
140 119 93 87
93 97 120 105
110 109
Class A Range = 140 - 89 = Class B Range = 162 - 80

51 = 82
– Kuartil adalah nilai yang menandai pembagian deretan
nilai observasi menjadi empat bagian.
– Persentil ke 25 adalah sebuah kuartil yang membagi
seperempat pertama deret observasi dengan
tigaperempat sisanya.
– Persentil ke 75 adalah sebuah kuartil yang membagi
tigaperempat pertama deret observasi dengan seperempat
sisanya.
– Interquartile range adalah jarak atau range antara persentil
ke 25 dan persentil ke 75.
• Gambar di bawah ini, mana yang disebut
dengan interquartile range?
25% 25% 25% 25%

observasi
observasi
0 250 500 750 1000

• Varians
– Sebuah ukuran untuk sebaran dari nilai observasi sebuah
variabel. Varians adalah sebuah ukuran dispersi.
– Semakin besar varians, semakin banyak nilai observasi
yang jauh dari nilai rata-ratanya.
Rata-rata
– Semakin kecil varians, semakin sedikit nilai observasi yang
jauh dari nilai rata-ratanya.
Rata-rata
• Menghitung
varians dimulai dengan sebuah
deviasi
• Deviasi adalah jarak antara nilai observasi
dengan nilai rata-rata.
• Jika rata-rata pendapatan penduduk Jogja
adalah Rp. 1 juta, sedangkan pendapatan saya
adalah Rp. 800 ribu, maka deviasi pendapatan
saya adalah – Rp. 200 ribu.
Berapa deviasi 102 dari 110,54? Deviasi 115?
Nilai IQ 13 pelajar di kelas A
102 115
128 109
Deviasi 102 = 102 – 110,54 = – 8,54
131 89
Deviasi 115 = 115 – 110,54 = 4,46
98 106
140 119
93 97
110
=
110,54
• Jika seluruh observasi dihitung deviasinya kemudian dijumlah,
hasilnya adalah nol
89 – 110,54 = -21,54
93 – 110,54 = -17,54
97 – 110,54 = -13,54
98 – 110,54 = -12,54
102 – 110,54 = -8,54
106 – 110,54 = -4,54
109 – 110,54 = -1,54
110 – 110,54 = -0,54
115 – 110,54 = 4,46
119 – 110,54 = 8,46
128 – 110,54 = 17,46
131 – 110,54 = 20,46
140 – 110,54 = 29,46
Total dari nilai deviasi adalah 0
• Nilai negatif harus dihilangkan. Caranya? Mengkuadratkan
seluruh deviasi observasi
(89-110,54)2 = 463,91
(93-110,54)2 = 307,60
(97-110,54)2 = 183,29
(98-110,54)2 = 157,21
(102-110,54)2 = 72,91
(106-110,54)2 = 20,60 Ini disebut sebagai
(109-110,54)2 = 2,37 sum of square
(110-110,54)2 = 0,29
(115-110,54)2 = 19,91
(119-110,54)2 = 71,60
(128-110,54)2 = 304,91
(131-110,54)2 = 418,67
(140-110,54)2 = 867,98
Nilai total deviasi menjadi 2891,23
• Langkah
terakhir adalah mencari rata-rata
deviasi kuadrat (average sum of square) yang
disebut varians
• Varians populasi =
• Varians sampel =
• Jadi Varians =

Varians IQ pelajar
di kelas A
= 235,45
• Agar
lebih memiliki arti, maka varians diubah
menjadi STANDAR DEVIASI, yaitu akar dari
varians.
• SD =
• Nilai standard deviasi IQ pelajar kelas A adalah
= 15,34
• Artinya tiap observasi memiliki deviasi rata-
rata dari nilai rata-rata (110,54) sebesar 15,34
22 25 28 12 25 38
Mean = 25 Mean = 25
SD = 3 SD = 13
• Sebaran sebelah kiri memiliki SD yang lebih

rendah daripada sebaran sebelah kanan
• SD = 0 terjadi ketika nilai dalam variabel sama
(konstanta)
• Seperti juga rata-rata, nilai standar deviasi
amat mudah membesar jika ada outlier
• Standard Error
– Lazim disebut standard error of means
– Mengukur seberapa jauh rata-rata sampel dengan
rata-rata populasi
– Rumusnya adalah
Standard Error IQ
pelajar di kelas A
SE = 4,25
Distribution of Population
Distribution of Sample
• Skewness (Kemencengan)
– Kemencengan adalah ukuran kesimetrisan dari
sebuah distribusi.
– Sebuah distribusi dari sampel dapat condong ke
kiri, ke tengah (simetris), dan ke kanan.
Distribusi condong Distribusi simetris Distribusi condong

ke kiri ke kanan
• Rumus
kemencengan memakai rumus Pearson
• PSK dimana Mo: modus, : rata-rata, SD:
standar deviasi
• Rumus lainnya adalah
• =
• Jika angkanya positif berarti condong ke kanan
• Rumus skewness sangat banyak, tapi
perbedaannya tidak terlalu besar
• Kurtosis atau keruncingan
• Suatu distribusi dapat berkarakter runcing
ataupun tumpul tergantung dari pemusatan
sebaran data dalam distribusi
leptokurtic
mesokurtic
platykurtic
3 kurtosis
•
Rumusnya adalah
• =
• Jika nilai dari > 3, distribusinya leptokurtic
• Jika nilai dari < 3, distribusinya platykurtic
• Jika nilai dari = 3, distribusinya mesokurtic
• Semakin lama, ukuran skewness dan kurtosis
semakin diabaikan
• Topik tambahan:
– Diagram Boxplot
– Stem and Leaf Diagram
– Coefficient of Variation
• Diagram Boxplot adalah gambar kotak yang
berisi berbagai informasi statistik deskriptif
nilai
Maximum
3rd quartile
Median
1st quartile
Minimum
Y
• Bentuk lainnya
3rd quartile 1st quartile

Maximum Median Minimum
• Stem and Leaf Diagram
– Diagram angka seperti membentuk batang dan daun
– Dapat memberikan informasi cepat tentang distribusi
data
– Hanya efektif untuk data yang tidak terlalu banyak
– Misalkan datanya adalah sebagai berikut
102 104 85 67 101 71 116
107 99 82 103 97 105 103 95
adalah data lama mahasiswa menghabiskan waktu di
internet tiap harinya
• Bentuk Stem and Leaf adalah
| 6| 7
| 7| 1
| 8| 2 5
| 9| 5 7 9
|10| 1 2 3 3 4 5 7
|11| 6
• Contoh lain:
– Dua maskapai penerbangan memiliki waktu
persiapan dari waktu boarding sampai siap take
off (dalam menit).
Maskapai A Maskapai B
11 14 16 17 8 11 13 14
19 21 22 23 15 16 16 18
24 24 24 26 19 19 21 21
31 32 38 39 22 24 26 31
• Berikut bentuk Stem and Leaf
0
0 8
14 1 134
679 1 566899
123444 2 1124
6 2 6
12 3 1
89 3
• Coefficient
of Variation
– Salah satu ukuran dispersi adalah koefisien variasi
(coeffecient of variation)
– Rumusnya:
– Keunggulannya
• bisa dipakai untuk perbandingan dua data set
• Amat berguna untuk ukuran reliabilitas teori
– Kekurangan:
• Tidak efektif jika rata-rata mendekati nol
• Tidak efektif untuk angka berupa rasio
PROBABILITAS
• Probabilitas adalah ukuran seberapa besar

terjadinya sebuah hasil dari sebuah kejadian.
• Berbeda kejadian, berbeda pula hasilnya.
• Anda dapat menggambarkan probabilita sebuah kejadian
mendatang dengan istilah-istilah di bawah ini.
– Pasti (certain, kejadian diyakini akan terjadi)
– Kemungkinan terjadi(likely, kejadian mungkin akan terjadi, tapi
bukan berarti pasti)
– Sepertinya sulit terjadi (unlikely, kejadian yang mungkin tidak
terjadi, namun bisa saja terjadi).
– Mustahil (impossible, kejadian yang sangat tidak mungkin terjadi)
PROBABILITAS
• Contoh lainnya:
– Berapa peluang bahwa kita akan kaya?
– Berapa peluang hari ini hujan?
– Berapa peluang Manchester City akan juara IPL
musim ini?
– Berapa peluang akan terjadi bahwa Ahok dicopot
jadi gubernur DKI?
PROBABILITAS
• Biasanya kita menyatakan probabilitas dengan
angka pecahan.
– Pembilang adalah sebuah angka yang menyatakan
banyaknya cara sebuah kejadian akan terjadi.
– Penyebut adalah sebuah angka yang menyatakan
jumlah kemungkinan sebuah kejadian akan terjadi.
PROBABILITAS
1 2
3 4
PROBABILITAS
1 2 1
3 4 4
1. Ada berapa angka tiga dalam lingkaran tersebut?
2. Berapa jumlah kemungkinan jarum pemutar akan berhenti
pada suatu angka?
PROBABILITAS
Berapa probabilitas dadu

akan muncul angka genap?
Ingat, sebuah dadu memiliki enam sisi. Angka 1, 2, 3, 4, 5,

dan 6 terdapat pada tiap sisi dadu.
PROBABILITAS
3
6
1. Ada berapa angka genap pada dadu tersebut?
2. Berapa jumlah kemungkinan tiap angka akan keluar?
PROBABILITAS
Berapa kemungkinan sebuah kelereng merah
bakal terambil?
• Di dalam kantong
tersebut terdapat:
– 3 kelereng merah
– 2 kelereng putih
– 1 kelereng ungu
– 4 kelereng hijau
PROBABILITAS
1. Ada berapa kelereng merah dalam kantong tersebut?
2. Berapa jumlah kemungkinan kelereng merah akan terambil?
3
10
PROBABILITAS
• Sebuah kejadian akan memiliki probabilitas 1
jika kejadian itu pasti akan terjadi.
• Kejadian merupakan himpunan bagian dari
ruang contoh (sample space).
• Definisi sample space (S) adalah himpunan
semua kemungkinan hasil suatu percobaan.
• S = (angka dalam dadu)
• S = (1, 2, 3, 4, 5, 6)
PROBABILITAS
• Jika ada dua kejadian A dan B dalam sebuah
sample space, maka irisan dari himpunan A
dan himpunan B adalah himpunan dari
kejadian yang berada pada himpunan A dan
himpunan B.
S
A AB B
PROBABILITAS
• Mutually exclusive terjadi ketika irisan dari
himpunan A dan B dalam sebuah sample
space merupakan himpunan kosong.
A B
PROBABILITAS
• Coba, apa arti dari simbol berikut ini
–A B
– 1 A dan A adalah himpunan bilangan bulat
–A S
– A’
PROBABILITAS
• Jika
satu dadu diputar maka probabilita
muncul suatu angka adalah
• Total dari kemungkinan itu adalah 1
S
1 2 3 4 5 6
PROBABILITAS
• Jika
berapa kemungkinan angka genap muncul
maka probabilitanya adalah yaitu
– P(angka genap) = P(2) + P(4) + P(6) =
S
1 2 3 4 5 6
PROBABILITAS
• Jika
A: angka genap dan B: 3 angka paling kecil
maka P(A)P(B) adalah
P(A)P(B)
S
1 2 3 4 5 6
B A
PROBABILITAS
S
0,03
0,04
0,22
0,01 0,07 0,14
A 0,12 B
0,18
0,19
P( A  B )  0.04  0.14  0.12  0.30

P( A  B)  0.01
P( A  B )  P( A  B)  0.26  0.01  0.27  P( A)
P( A  B )  P( A  B )  0.26  0.30  0.56  P( B)
PROBABILITAS
• Bagaimana
jika P(A)P(B)? Dapat diklasifikasikan
dalam tiga jenis
– Merupakan kejadian A tapi bukan kejadian B
– Merupakan kejadian B tapi bukan kejadian A
– Keduanya merupakan kejadian A dan B
• P(A)P(B) = P(AB’) + P(A’B) + P(AB)
atau P(A)P(B) = P(A) + P(B) – P(AB)
• Jika A dan B mutually exclusive maka P(A)P(B) =
P(A) + P(B)
PROBABILITAS
• Properti
union
– (AB)’ = A’B’
– (AB)’ = A’B’
– AB = BA
– AA = A
– AS = S
– A= A
– AA’ = S
– A(BC) = (AB)C
PROBABILITAS
• Postulat Probabilitas
– Jika A adalah kejadian di sample space S maka
0P(A)1
– Misalkan A adalah kejadian di S dan Oi adalah
basic outcomes maka P(A) =
– P(S) = 1
– P(A)P(B) = P(A) + P(B) – P(AB) dan P(A)P(B) = P(A)
+ P(B) jika A dan B mutually exclusive
PROBABILITAS
PROBABILITAS
• Perkalian Probabilitas
– Jika kejadian A dan kejadian B dapat terjadi
sekaligus maka
• P(AB) = P(BA) = P(A|B)*P(B) = P(B|A)*P(A)
– Jika dua kejadian A dan B saling bebas maka
• P(AB) = P(A)*P(B)
PROBABILITAS
• Contoh:
– Sebuah kota kecil memiliki 1 unit PMK dan 1 unit
ambulans. Kesiapan dari masing-masing unit itu ketika
diperlukan adalah 0,98 dan 0,92. Jika terjadi kecelakaan
akibat kebakaran, berapa peluang kedua unit tersebut
dapat digunakan secara bersamaan?
– Ada dua kantung, masing-masing berisi kelereng
berwarna. Kantung 1 berisis 4 putih dan 3 hitam. Kantung
kedua 3 putih dan 5 hitam. Jika anda mengambil 1
kelereng dari kantung 1 dimasukkan ke kantung 2, berapa
peluang terambilnya 1 kelereng hitam dari kantong 2?
PROBABILITAS
• Dua kejadian A dan B dikatakan bebas bila
– P(B|A) = P(B), atau
– P(A|B) = P(A)
• Contoh:
– Dilakukan pengambilan 2 kartu berturut-turut
dengan pengembalian. Jika A = kartu pertama
adalah AS dan B = kartu kedua sebuah skop.
Berapa peluang terambilnya sebuah skop?
PROBABILITAS
• Teorema Bayes
– Jika kejadian A1, A2, ..., An merupakan sekatan dari
sample space S dengan P(Ai) 0 untuk i = 1, 2, ..., n,
maka untuk sebuah kejadia B yang acak dan
bersifat P(B) 0, maka
PROBABILITAS
• Contoh:
– Seorang analis keuangan membuat evaluasi saham
100 perusahaan terbesar di pasar modal dalam satu
tahun. Ia membagi menjadi tiga kategori. E1 =
berkinerja sangat baik, E2 = berkinerja rata-rata, E3 =
berkinerja buruk. P(E1) = 0,25, P(E2) = 0,5, P(E3) =
0,25. 40% dari E1 digolongkan “good buy”. “Good
buy’ lainnya adalah 20% E2 dan 10% E3. Berapa
peluang terpilihnya E1 di antara saham-saham “good
buy”?
PROBABILITAS
•
0,444444444
Distribusi Probabilitas
• Expected Value dan Variance
– Semua distribusi probabilitas dinyatakan oleh nilai
yang diharapkan (rata-rata) dan varians (standar
deviasi kuadrat).
– Nilai yang diharapkan (expected value)
• E(x) =
– Varians
• Var(x) ==
• Contoh pasien di UGD
Xi P(x) XiP(xi)
10 0,4 10
11
11 0,2
0,2 11 2,2
12
12 0,2
0,2 12 2,4
13 0,1 13 1,3
13 0,1
14 0,1 14 1,4
14 0,1
Jumlah 11,3
Jumlah 11,3 Ini adalah nilai rata-rata
• Varians dari pasien UGD
Xi P(Xi) (Xi ) (Xi )2 (Xi )2P(Xi)

10 0,4 1011,3 = -1,3 1,69 0,676
0,676
11
11 0,2
0,2 1111,3 = -0,3 0,09
0,09 0,018
0,018
12
12 0,2
0,2 1211,3 = 0,7 0,49
0,49 0,098
13 0,1 1311,3 = 1,7 2,89 0,098
0,289
13 0,1 2,89 0,289
14 0,1 1411,3 = 2,7 7,29 0,729
14 0,1 7,29
Jumlah 0,729
1,81
Jumlah 1,81
• Varians = 1,81 dan Standar deviasi = 1,345

• Contoh Soal:
– Sebuah perusahaan pengiriman barang mencatat
jumlah paket yang dikirim. Pencatatan sudah
diubah berdasarkan probabilita
Jumlah Paket (Xi) 47 48 49 50 51 52 53
P(Xi) 0,04 0,13 0,21 0,29 0,2 0,1 0,03
– Gambarkan fungsi probabilita

– Hitung dan gambar cpf nya
– Hitung probabilita paket antara 49 dan 51
– Hitung rata-rata dan standar deviasinya
• Jointly distributed discrete random variable
– Jika terdapat sebuah kasus dimana dua buah
variabel berinteraksi. Px,y(x,y) = P(X=xY=y)
– Contoh: probabilita kepuasan konsumen toko
swalayan (X) dan lama tinggal di daerah tersebut (Y)
X
Y 1 2 3 4 Total
1 0,04 0,14 0,23 0,07 0,48
2 0,07 0,17 0,23 0,05 0,52
Total 0,11 0,31 0,46 0,12 1,00
• Properti:
– Px,y(x,y) 0 untuk setiap pasangan x dan y
– Jumlah dari semua kemungkinan Px,y(x,y) adalah
satu
• Marginal Probability Function
– Merupakan fungsi probabilita dari salah satu
random variabel x atau y
– Px(x) = atau PY(y) =
– PX(1) = 0,11 PX(2) = 0,31 PX(3) = 0,46 PX(4) = 0,12
– PY(1) = 0,48 PY(2) = 0,52
• Conditional probability function dari jointly
distributed discrete random variable adalah
– PY|X(y|x) = Probabilita variabel Y dengan nilai y saat
variabel X sama dengan nilai x
Probabilita variabel X dengan nilai x saat
– PX|Y(x|y) =
variabel Y sama dengan nilai y
•
• Berdasarkan tabel sebelumnya

– PY|X(1|2) = P(Y=1|X=2) =
– PX|Y(4|2) = P(X=4|Y=2) =
Conditional Probability Untuk Y Dengan X Ditentukan
X
Y 1 2 3 4
1 0,36 0,45 0,5 0,58
2 0,64 0,55 0,5 0,42
Conditional Probability Untuk X Dengan Y Ditentukan

X
Y 1 2 3 4
1 0,08 0,29 0,48 0,15
2 0,13 0,33 0,44 0,10
• Joint
cummulative probability function,
– FX,Y(x0, y0) = P(X Y)
– FX,Y(x0, y0) =
– Pada tabel yang pertama carilah
– PX,Y(1,1) + PX,Y(2,1) = 0,04 + 0,14 = 0,18
• Expected value:
– E(X) = E(Y) =
– E(XY) = E[g(x,y)] =
• Covariance:
– Cov(X,Y) = E[(X–)(Y–)] = , atau
– Cov(X,Y) = E(XY) =
•
• Contoh soal:
– Berikut adalah tabel untuk pemegang kartu kredit. Joint
probability untuk random variabel X (jumlah kartu kredit
yang dimiliki) dan variabel Y (jumlah pembelian per minggu).
Y
X 0 1 2 3 4
1 0,08 0,13 0.09 0,06 0,03
2 0,03 0,08 0,08 0,09 0,07
3 0,01 0,03 0,06 0,08 0,08
– Carilah fungsi probabilita belanja per minggu untuk

pemegang 3 kartu
– Carilah Covariance dari X danY
– PX(1) = 0,11 PX(2) = 0,31 PX(3) = 0,46 PX(4) = 0,12
– PY(1) = 0,48 PY(2) = 0,52
• Conditional probability function dari jointly
distributed discrete random variable adalah
– PY|X(y|x) = Probabilita variabel Y dengan nilai y saat
variabel X sama dengan nilai x
Probabilita variabel X dengan nilai x saat
– PX|Y(x|y) =
variabel Y sama dengan nilai y
•
• Berdasarkan tabel sebelumnya

– PY|X(1|2) = P(Y=1|X=2) =
– PX|Y(4|2) = P(X=4|Y=2) =
Conditional Probability Untuk Y Dengan X Ditentukan
X
Y 1 2 3 4
1 0,36 0,45 0,5 0,58
2 0,64 0,55 0,5 0,42
Conditional Probability Untuk X Dengan Y Ditentukan

X
Y 1 2 3 4
1 0,08 0,29 0,48 0,15
2 0,13 0,33 0,44 0,10
• Joint
cummulative probability function,
– FX,Y(x0, y0) = P(X Y)
– FX,Y(x0, y0) =
– Pada tabel yang pertama carilah
– PX,Y(1,1) + PX,Y(2,1) = 0,04 + 0,14 = 0,18
• Expected value:
– E(X) = E(Y) =
– E(XY) = E[g(x,y)] =
• Covariance:
– Cov(X,Y) = E[(X–)(Y–)] = , atau
– Cov(X,Y) = E(XY) =
•
• Contoh soal:
– Berikut adalah tabel untuk pemegang kartu kredit. Joint
probability untuk random variabel X (jumlah kartu kredit
yang dimiliki) dan variabel Y (jumlah pembelian per minggu).
Y
X 0 1 2 3 4
1 0,08 0,13 0.09 0,06 0,03
2 0,03 0,08 0,08 0,09 0,07
3 0,01 0,03 0,06 0,08 0,08

pemegang 3 kartu
• Contoh soal:
– Berikut adalah tabel untuk pemegang kartu kredit.
Joint probability untuk random variabel X (jumlah
kartu kredit yang dimiliki) dan variabel Y (jumlah
pembelian per minggu).
Y
X 0 1 2 3 4
1 0,08 0,13 0.09 0,06 0,03
2 0,03 0,08 0,08 0,09 0,07
3 0,01 0,03 0,06 0,08 0,08

pemegang 3 kartu
• Distribusi Binomial
– Distribusi dengan outcome binair
– Angka-gambar, gagal-sukses, sakit-sehat, dll.
– Probabilitas sukses = p, probabilitas gagal = 1 – p
– Memiliki probabilitas konstan tiap observasinya
• Jika diadakan lima kali lemparan koin, berapa
probabilitas 3 kali keluar gambar dalam lima kali
lemparan?
• Kombinasinya
AGGGA GGGAA AAGGG GAAGG
GGAAG GAGGA AGAGG GAGAG
GGAGA AGGAG
• Setiap lemparan memberikan peluang gambar ½
dan peluang angka ½
• 10
kemungkinan berasal dari
• Karena yang diminta adalah probabilita gambar
keluar tiga kali dan angka dua kali maka
terdapat 10 kemungkinan dengan probabilita
10*(½)3 *(½)2= 31,25%
• Pangkat 3 berasal dari 3 gambar dan pangkat 2
berasal dari 2 angka
• Rumus distribusi binomial
– n : jumlah percobaan
– X : jumlah yang sukses dicoba dari n percobaan
– p : probabilita sukses
– 1-p : probabilita gagal
• Mean = E(X) = np
• Varians = np(1-p)
• Seorang penjual polis asuransi berpegalaman
memiliki keyakinan bahwa probabilita sukses setiap
bertemu calon klien adalah 0,4. Jika ia bertemu 5
calon klien, berapa kemungkinan ia gagal
mendapatkan transaksi? Berapa kemungkinan ia
mendapatkan 1, 2, 3, 4, 5 transaksi? Gambarkan
fungsi probabilitanya. Cari pula expected value dari
jumlah penjualan dan standar deviasinya. Berapa
probabilita sukses mendapatkan 2 sampai 4
transaksi?
Contoh kurva distribusi binomial

𝜇
𝑘
𝜎 𝜎

•
• Menurut
pengalaman penerbit jurnal
akuntansi, setiap mengirimkan 100 surat
berlangganan maka yang kembali untuk minta
berlangganan adalah satu orang. Jika ia
mengirimkan surat berlangganan ke berbagai
kota kepada 50 akuntan berapa probabilita
yang menjadi pelanggan sebesar 0 orang?
– n = 50, p = 0,01, = =np= 50*0,01=0,5
– p(0) =
• Contoh penggunaan distribusi poisson:
– Berapa kemungkinan mahasiswa anda di kelas
menerima telpon selama perkuliahan?
– Berapa kemungkinan anda menemukan produk
gagal dalam 15 menit pertama tiap jam jika
produksinya sebesar 600 unit per jam dan rata-rata
5 produk gagal terjadi tiap jamnya?
– Berapa kemungkinan sebuah UGD menerima 4
pasien tiap 30 menit pertama dalam satu jam di
weekend jika diketahui rata-rata 6 pasien datang
tiap jam di weekend.
• Mana yang poisson dan mana yang bukan?
1. Jumlah serangan jantung yang terjadi di kota
Jogja tiap tahun.
2. Jumlah pesawat mendarat di bandara Soetta
antara jam 8 dan 9 pagi.
3. Jumlah senggolan mobil tiap tahun di tol
Jagorawi
4. Jumlah orang yang kena banjir di Jakarta tiap
Januari-Februari
Contoh kurva distribusi poisson

• Random Variabel yang kontinyu
– Nilai X berupa angka yang kontinyu
–  cumulative distribution function (cdf)
– P(X
• Probability
density function (pdf), , dari
variabel random memiliki properti:
– untuk semua nilai x
– Jika ada dua nilai x yaitu a dan b dimana a<b maka
probabilita X berada antara a dan b dalam fungsi
density tersebut.
fX(x)
Total area di bawah fX(x) adalah 1
a b x
• Mean dari X adalah
• Varians dari X adalah ]
atau
• Kovarians dari X dan Y
– atau
• Jika
Y = a + bX dimana X adalah random
variable dengan mean dan varians . Maka
dan
• Standar deviasinya adalah =
• Jika =24 dan =4, carilah dan .
• Distribusi Normal
– Distribusi teoritis dengan jumlah percobaan tak
terhingga
– Random variabelnya berupa angka kontinyu
– Banyak dipakai untuk berbagai penelitian dengan
sampel
– Distribusi normal memiliki fungsi density yang
disebut sebagai berbentuk bel (bell-shaped)
0.45
0.40
0.35
0.30
0.25
f (x )
0.20
0.15
0.10
0.05
0.00
-3 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3
x
• Fungsi
densitas dari probabilitas berdistribusi
normal adalah
• Rata-rata dari variabel random adalah

• Variansnya adalah
• Notasinya adalah
Distribusi Normal
Panjang Ikan
• Sebuah sampel ikan Cod di Monterey Bay

menjelaskan bahwa panjang rata-rata ikan adalah  =
30 in. dan 2 = 4 in.
• Asumsikan bahwa panjang ikan Cod adalah sebuah
random variabel
• Jika kita menangkap satu ikan di Monterey Bay
– Berapa probabilita yang tertangkap paling pendek 31 in.?
– Berapa probabilita yang tertangkap kurang dari 32 in.?
– Berapa probabilita yang tertangkap antara 26 sampai 29
in.?
Distribusi Normal
Panjang Ikan
• Berapa probabilita yang tertangkap paling pendek 31 in.?
0.25
0.20
0.15
0.10
0.05
0.00
25 26 27 28 29 30 31 32 33 34 35
Fish length (in.)

Distribusi Normal
Panjang Ikan
– Berapa probabilita yang tertangkap kurang dari 32 in.?
0.25
0.20
0.15
0.10
0.05
0.00
25 26 27 28 29 30 31 32 33 34 35
Fish length (in.)

Distribusi Normal
Panjang Ikan
• Berapa probabilita yang tertangkap antara 26 sampai 29 in.?
0.25
0.20
0.15
0.10
0.05
0.00
25 26 27 28 29 30 31 32 33 34 35
Fish length (in.)

Standard Normal Distribution
• μ=0 and σ2=1
5000
4000
3000
2000
1000
0
-6 -4 -2 0 2 4
Distribusi Normal
• Kelebihan menggunakan distribusi normal
– Dapat ditambahkan
• E(X+Y) = E(X) + E(Y)
– Dapat ditransformasikan dengan pergeseran dan

pengubahan skala operasi
Distribusi Normal
fX(x) fX(x)
Varians = ¼
Means = 5 Means = 6
Varians = 1
x x
Probability density function untuk Probability density function untuk

dua distribusi normal dengan mean dua distribusi normal dengan
yang berbeda tapi punya varians varians yang berbeda tetapi
yang sama memiliki means yang sama
Distribusi Normal
FX(x)
a 𝜇 b x
Probability Density Function Cummulative Distribution Function
Distribusi Normal
• Mencari
probabilitas interval untuk variabel
random yang normal
– Misalkan X adalah variabel random dengan mean =
dan varians = . Lalu ada variabel random Z = yang
memiliki distribusi normal yang standar . Jika
terdapat a dan b dimana a<b, maka
Distribusi Normal
• Contoh:
– Jika Z adalah random variabel berdistribusi
normal, carilah .
– Dengan menggunakan tabel kurva normal maka

Distribusi Normal
• Contoh soal
– Perusahaan penghasil lampu listrik mencatat produknya
memiliki usia pakai sangat panjang dimana mengikuti
distribusi normal. Mean = 1200 jam dan standar deviasi =
250 jam. Jika ada petugas pengawas mutu mengambi
secara random untuk dicoba, berapa probabilitas dari
lampu tersebut jika ia hidup antara 900 jam sampai 1300
jam?
Distribusi Normal
• Central Limit Theorem:
– Jika jumlah observasi dalam sampel cukup besar
pada sebuah populasi dengan nilai varians
tertentu, maka nilai means untuk berbagai sampel
dalam populasi tersebut secara aproksimasi sama
dengan means dari populasi.
Distribusi Normal
Hukum 68-95-99.7
68%
dari data
95% dari data
99.7% dari data

Distribusi Normal
  1 x 2
1  ( )

  
 2
 e 2  dx  .68 0,47
  2 1 x 2
1  ( )

  
2 2
 e 2  dx  .95 1,65
  3 1 x 2
1  ( )

  
3 2
e 2  dx  .997 2,75
Distribusi Eksponensial
• Distribusi eksponensial
– , untuk setiap x
– , untuk setiap x
Distribusi Eksponensial
• Contoh soal:
– Dalam sebuah variabel random X terdistribusi
secara eksponensial. Berapa probabilitas jika X >
10?
Permutasi Dan Kombinasi
• Permutasi
dan kombinasi adalah metode-metode
untuk memecahkan persoalan berbagai
kemungkinan.
• Keduanya menggunakan metode penghitungan
faktorial.
• Faktorial adalah metode menghitung dengan
menggunakan seluruh urutan dalam sebuah angka
sebagai faktor
– 5! = 12345 = 120
– 7! = 1234567 = 5040
• Permutasi
adalah sebuah pengaturan
(arrangements)
• Berapa banyak perbedaan pengaturan 3 buku
dalam satu rak?
– Jika 3 buku adalah A, B, dan C maka
pengaturannya adalah
– ABC ACB BAC BCA CAB CBA
– Ada 6 pengaturan atau 3! = 123 = 6
• Dalam
permutasi, urutan buku itu penting.
• Setiap permutasi yang berbeda berarti
berbeda pula pengaturannya.
• Pengaturan ABC berbeda dengan pengaturan
CBA meskipun berasal dari 3 buku yang sama.
• Berapa cara 4 buku dapat diatur dalam sebuah
rak?
– 4! atau 4321 = 24 pengaturan
Inilah 24 pengaturan yang berbeda:

ABCD ABDC ACBD ACDB ADBC ADCB
BACD BADC BCAD BCDA BDAC BDCA
CABD CADB CBAD CBDA CDAB CDBA
DABC DACB DBAC DBCA DCAB DCBA
• Jika
kita mengatur 3 buku lagi dalam satu rak
tapi 3 buku dipilih dari 8 buku.
• Kita memiliki kemungkinan pengaturan yang
lebih banyak lagi.
• Jika kita mengatur semua 8 buku dalam satu
rak maka jumlah kemungkinannya 8!
• Jika kita mengatur 3 buku dari 8 buku dalam
satu rak maka kemungkinannya 876 = 336
• Contoh
lain: 5 buku dipilih dari 10 buku dan
ditaruh di dalam satu rak buku. Berapa
kemungkinan pengaturan buku?
– 109876 = 30240
• 4 buku dipilih dari 7 buku dan ditaru di dalam
satu rak buku. Berapa kemungkinan
pengaturan buku?
– 7654 = 840
• Jadi, rumus permutasi adalah
– jumlah obyek yang dipilih

– jumlah obyek yang ada
• Kombinasi adalah sebuah pemilihan
(selection).
• Kita hanya membuat pemilihan bukan
perbedaan pengaturan.
• Sebuah tim formatur memilih 3 orang dari 5
orang yang ada. Berapa kemungkinan yang
terjadi pada formasi tim formatur?
• Dimisalkan
ke lima orang tersebut adalah A, B,
C, D, dan E. Jika kita memilih A, B, C akan sama
dengan C, B, A maupun B, A, C. Maka pilihan
A, B, C hanya satu. Pilihan kombinasi lebih
sedikit daripada permutasi
• Maka ada 10 kemungkinan kombinasi yaitu:
• Bagaimana jika yang dipilih 2 dari 8 orang?
• Rumus kombinasi adalah
• Seorang presiden dan wakil presiden sedang

mengolah siapa yang harus menjadi menteri.
Ada 20 formasi menteri dan pilihan untuk
calon menteri ada 100 orang. Berapa
kombinasi dari 100 orang tersebut menjadi 20
menteri?
Metode Penentuan Sampel
• Data Populasi vs Data sampel
• Data sampel merupakan bagian dari data
populasi
• Data sampel lebih dipilih, mengapa?
– Hemat biaya
– Hemat waktu di lapangan
– Akurasi dapat mendekati populasi
– Jika penelitian populasi tidak mungkin dilakukan
• Langkah-langkah sampling:
– Definisikan populasi dari target.
– Tentukan elemen-elemen penelitian yang
diinginkan.
– Seleksi metode sampling yang cocok
• Probability atau non probability sampling
– Tentukan unit sampelnya.
• Jenis penentuan sampel:
– Sampel non probabilitas (non-probability samples)
• Penentuan sampel tidak ditentukan oleh kaidah
probabilita dan cenderung memilih berdasarkan
preferensi
– Sampel probabilitas (probability samples)
• Penentuan sampel ditentukan oleh kaidah probabilita
• Sampel probabilitas biasanya lebih mahal
daripada sampel non probabilitas
Sampling
Methods
Probability Non-
Samples probability
Systematic Stratified Convenience Snowball
Simple
Cluster Judgment Quota
Random
• Simple random: memilih sampel benar-benar
acak.
• Systematic sampling: memilih sampel awalnya
random, berikutnya menurut sistematika
tertentu.
• Cluster sampling: memilih sampel berdasarkan
kluster. Klusternya dipilih atau elemen kluster
yang dipilih
• Convenience sampling: memilih sampel karena
dirasa paling nyaman.
• Judgment/purposive sampling: sampel dipilih
berdasarkan tujuan penelitian.
• Quota sampling: sampel dicari sampai memenuhi
kriteria karakteristik sampel yang diingini.
• Snowball sampling: sampel dipilih berdasarkan
petunjuk sampel sebelumnya.
• Stratified sampling: pengambilan sampel
berjenjang dimana sub sampel diambil
berdasarkan karakteristik sampel awal.
• Digunakannya stratified sampling karena
– Mengurangi random error
– Dapat lebih akurat mewakili populasi jika proporsi
yang diwakili dipenuhi
• Bagaimana melakukannya:
– Identifikasi variabel sebagai basis stratifikasi
– Pilih sampel yang memenuhi semua elemen
populasi yang diteliti
– Gunakan simple random di tiap strata
• Jenis-jenis stratified sampling
– Proportional stratified sampling:
• Jumlah sampel ditentukan sesuai proporsinya relatif
terhadap populasi tiap strata.
– Disproportional stratified sampling:
• Jumlah sampel ditentukan sesuai dengan kajian
analisisnya, asal tidak proporsional.
– Optimal allocation stratified sample:
• Jumlah sampel diambil di tiap strata berbasis ukuran dan
variasinya.
• Distribution sampling dari
– Mean:
– Standar error: untuk jumlah sampel kecil
– untuk jumlah sampel besar
– Jika distribusi populasi mengikuti kurva normal
• Distribusi sampling dengan proporsi sampel
– Proporsi sampel
– Mean:
– Standar error:
untuk jumlah
sampel kecil
– untuk Z yang terdistribusi normal
untuk jumlah
sampel besar
• Distribusi sampling dengan varians sampel
–  varians sampel
– Jika populasi terdistribusi dengan normal maka

terdistribusi sebagai (nilainya dapat dilihat di
tabel dengan d.f. n-1.
• Seorang pengusaha manufaktur mengklaim
bahwa lama fungsi busi motor produksinya
memiliki mean 36.000 km dengan standar
deviasi 4000 km. Dari 16 sampel busi ternyata
memiliki mean 34.500 km. Jika klaim
pengusaha benar, berapa probabilitas untuk
sampel mean yang lebih rendah?
•
• Probabilitas menemukan busi yang tahannya <

sampel rata-rata adalah 6,68%
• Dipilih sampel rumah sebanyak 250 unit dari
jumlah populasi rumah yang sangat besar.
Pemilihan sampel ditujukan untuk mengetahui
proporsi rumah tua yang perlistrikannya tidak
aman. Dimisalkan 30% dari populasi rumah
tidak memiliki perlistrikan yang aman, carilah
probabilitas dari proporsi antara rumah tidak
aman dan rumah aman berada dalam proporsi
25% dan 35%
•
• Probabilita yang diinginkan
• [
• Seorang
tukang insinyur memiliki perusahaan
pengalengan gudeg. Ia menginginkan tak ada
perbedaan signifikan antara berat kaleng yang
ada dengan berat kaleng rata-rata pada sampel
20 kaleng. Carilah nilai K1 dan K2 dimana dan
•
n = 20 (ukuran sampel), = chi-square dengan n-1 = 19
degree of freedom. Maka
atau
Dari tabel Chi-square, 19K1 = 10,12 dan K1 = 0,533
Dengan cara yang sama maka K2 = 1,586
Ini artinya: Ada probabilitas 5% untuk varians sampel lebih kecil 53,3% dari sampel populasi
Ini artinya: Ada probabilitas 5% untuk varians sampel lebih besar 58,6% dari sampel populasi
Area = 0,05
Area = 0,05
0 10,12 𝜒 2❑19
20 30,14 40
Estimasi
• Ada dua jenis inferens (pengujian)
– Estimasi
– Pengujian hipotesis (akan diulas di bab tersendiri)
• Tujuan dari estimasi adalah menentukan nilai
aproksimasi parameter populasi berdasarkan
nilai statistik dari sampel
• Untuk itu menggunakan sample mean () untuk
mengestimasi population mean ()
Estimasi
• Terdapat dua jenis estimasi
– Estimator titik
– Estimator interval
Estimasi
Estimator titik menggambarkan inferensi (pengujian) estimasi nilai
dari parameter populasi yang tidak diketahui dengan
menggunakan nilai atau titik tunggal.
Sebelumnya probabilitas titik dalam distribusi kontinyu mendekati

nol. Bersamaan dengan itu, diperkirakan bahwa estimator titik
semakin dekat dengan nilai parameter seiiring dengan
meningkatnya jumlah sampel. Tetapi estimator titik bukanlah
cerminan dari pengaruh jumlah sampel yang semakin besar.
Karenanya, menggunakan estimator interval lebih tepat dalam
memperkirakan parameter populasi.
Estimasi
• Estimator interval menggambarkan pengujian
(inferensi) tentang sebuah populasi yang diestimasi
nilainya dengan menggunakan estimasi interval.
• Dikatakan (dengan __% kepastian) bahwa

parameter populasi antara batas atas dan batas
bawah.
Estimasi
•Contoh,
misal kita menginginkan estimasi mean
pendapatan tak tetap mahasiswa sebuah kelas akuntansi.
Dengan n = 25 mahasiswa, dihitung sebagai Rp 400 ribu
per minggu.
point estimate interval estimate
Alternatif statement adalah

Pendapatan rata-rata antara Rp 380 ribu dan Rp 420 ribu
per minggu.
Estimasi
• Kualitas estimator meliputi tidak bias
(unbiasedness), konsistensi, relatif efisien
• Unbiasedness estimator: estimator yang expected
valuenya sama dengan parameternya.
• Konsisten: perbedaan antara estimator dengan
parameter semakin mengecil seiring dengan
membesarnya jumlah sampel.
• Jika ada dua estimator tak bias pada sebuah
parameter, maka yang memiliki varian lebih kecil
dikatakan relatif lebih efisien.
Estimasi
• Confidence interval estimator untuk :
Probabilitas dikatakan confidence level
Biasanya batas confidence
digambarkan dengan lebih tinggi (UCL)
“plus/minus” tanda
(±)
Batas confidence
lebih rendah (LCL)
Estimasi
• Lokasi sebenarnya dari mean populasi …

…mungkin di sini… …atau di sini… …atau mungkin di sini…

Mean populasi bersifat tetap tapi tak diketahui nilainya. Sangatlah benar untuk meng-
intepretasi estimasi confidence interval sebagai pernyataan probabilitas . Estimasi
mean populasi merupakan interval dari batas terendah dan tertinggi dari interval.
Estimasi
• Empat confidence level yang biasa digunakan
Confidence level
Tempel di kaca kamar. Hafalkan tiap hari. Niscaya berguna

Estimasi
• Contoh:
– Sebuah perusahaan komputer menentukan sampel 25
periode waktu pada permintaan di masa akhir-akhir
ini.
235 374 309 499 253
421 361 514 462 369
394 439 348 344 330
261 374 302 466 535
386 316 296 332 334
– Diketahui standar deviasi permintaan di masa akhir-

akhir ini adalah 75 komputer. Diminta mengestimasi
mean permintaan dengan tingkat confidence 95%
untuk kepentingan penentuan persediaan.
Estimasi
• Kita
ingin mengestimasi mean permintaan
akhir-akhir ini dengan confidence 95% untuk
penentuan persediaan.
• Jadi, parameter yang diestimasi adalah mean

populasi,
• Dan estimator confidence interval menjadi
Estimasi
• penggunaan confidence interval estimator, diperlukan
Untuk
kepingan data sebagai berikut:
370.16 Dihitung dari data…
1.96
75
Ditentukan
n 25
Oleh sebab itu:
Batas bawah dan atas confedence level adalah 340,76 dan 399,56.
Estimasi
Interval yang terlalu lebar memberikan sedikit
informasi
Dimisalkan kita mengestimasi dengan 95%
confidence bahwa gaji awal akuntan antara 500
ribu dan 8 juta.
Berbeda dengan 95% confidence dengan interval
antara Rp 4 juta dan Rp 4,5 juta.
Estimasi kedua jauh lebih sempit, menyediakan
informasi yang lebih akurat tentang gaji awal
kepada mahasiswa akuntansi
Estimasi
• Lebarnya estimasi confidence interval sebagai
sebuah fungsi dari confidence level, standar
deviasi, dan ukuran sampel…
Estimasi
Semakin besar confidence

level menghasilkan
confidence interval yang
lebih lebar:
Estimasi
Nilai semakin besar

menghasilkan confidence
interval yang semakin
melebar.
Estimasi
Naiknya jumlah sampel akan mengurangi ke-lebaran

confidence interval sementara itu dapat tidak berubah
Catatan: Hal ini juga meningkatkan ongkos mendapatkan
data.
Estimasi
• Memilih
ukuran sampel
– Kita dapat mengontrol lebarnya interval dengan
menentukan ukuran sampel untuk menghasilkan interval
yang sempit
– Misalkan ingin mengestimasi mean permintaan dalam
antara 5 unit, estimasi interval menjadi
– Karena: maka akan menjadi , di mana n dapat dicari
sehingga didapat jumlah sampel yang diperlukan
– n=

Untuk menghasilkan estimasi
95% confidence interval dengan
mean ( unit), kita memerlu-kan
865 periode waktu (vs 25
periode waktu yang kita punya)
Estimasi
• Formula
umum dari ukuran sampel yang
diinginkan untuk mengetimasi mean populasi
dengan menggunakan estimasi interval dari
• Rumus umum
Estimasi
• Sebuah perusahaan penebangan kayu harus
mengestimasi diameter pohon-pohon untuk
menentukan ada tidaknya kecukupan kayu
untuk dipanen dalam area hutan. Mereka
memerlukan estimasi ini dalam antara 1 inchi
pada confidence level 99%. Diameter
pepohonan terdistribusi secara normal dengan
standar deviasi 6 inchi. Berapa banyak pohon
yang bisa dijadikan sampel?
Estimasi
•• Confidence
level = 99%, maka
• Rentang yang
diinginkan , oleh
sebab itu
L=1
• Diketahui
• n=
• Hal ini berarti kita memerlukan jumlah sampel sebesar 239
pohon agar confidence interval 99% dari
Estimasi
Pengujian Hipotesis
• Tujuan umum dari uji hipotesis adalah untuk
mengesampingkan kans (sampling error)
sebagai penjelasan yang benar berdasarkan
hasil studi riset.
• Pengujian hipotesis adalah sebuah teknik
untuk membantu menentukan apakah
treatment khusus memiliki efek pada individu
dalam sebuah populasi.
194
Pengujian Hipotesis
• Pengujian hipotesis digunakan untuk
mengevaluasi hasil dari studi riset yang:
– Sebuah sampel dipilih dari populasi.
– Treatment diberikan kepada sampel.
– Setelah diberi treatment, individu di dalam sampel
diukur.
195
Pengujian Hipotesis
Populasi sebelum Populasi setelah
dilakukan treatment dilakukan treatment
Pengujian Hipotesis
• Jika individu dalam sampel diketahui berbeda
dari individu dari populasi aslinya, kita
memiliki bukti bahwa treatment telah
memberikan dampak.
• Hanya saja, kemungkinan perbedaan antara
sampel dengan populasi dapat sekedar
sampling error.
197
Populasi awal Populasi
yang telah berikut yang
diketahui tidak diketahui
Sampel setelah
Sampel diberi treatment
khusus
Pengujian Hipotesis
• Tujuan dari pengujian hipotesis adalah untuk
memutuskan antara dua penjelasan:
– Perbedaan antara sampel dan populasi dapat dijelaskan
oleh sampling error (tidak terjadi dampak dari treatment)
– Perbedaan antara sampel dan populasi terlalu besar untuk
dijelaskan oleh sampling error (terjadi dampak dari
treatment).
199
Distribusi dari rata-rata
sampel jika hipotesis nol
adalah benar
Rata-rata sampel
mendekati H0: nilai
probabiltias tinggi jika
H0 benar
Nilai Ekstrim, nilai Nilai Ekstrim, nilai

dari H0
probabilitas rendah probabilitas rendah
jika H0 benar jika H0 benar
Pengujian Hipotesis
• Hipotesis nol, tingkat alpha, area kritis, dan

pengujian statistik
– Empat langkah berikut merupakan garis besar dari
proses pengujian hipotesis dan memperkenalkan
beberapa terminologi baru:
201
Pengujian Hipotesis
• Langkah
1
– Nyatakan hipotesis dan pemilihan tingkat .
Hipotesis nol, H0, selalu menyatakan bahwa
treatment tidak ada pengaruh. Menurut hipotesis
nol, rata-rata populasi adalah sama, baik sebelum
treatment ataupun setelah treatment. Tingkat
memberikan kriteria sebuah keputusan tentang
hipotesis nol. tingkat alpha juga menentukan risiko
dari tipe error I.
202
dari H0
Pengujian Hipotesis
• Langkah 2
– Tentukan lokasi area kritis. Area kritis terdiri dari
hasil yang sangat tidak mungkin terjadi jika
hipotesis nol benar. Artinya, area kritis
didefinisikan oleh rata-rata sampel yang hampir
mustahil untuk didapat jika treatment tidak
berdampak. Arti hampir mustahil berarti bahwa
sampel-sampel itu memiliki sebuah probabilitas
(p) yang kurang dari tingkat alpha.
204
Tolak H0 Tolak H0
Pertengahan 95%:
Nilai probabilitas tinggi
Jika H0 benar
dari H0
Daerah kritis:
ekstrim 5%
Pengujian Hipotesis
• Langkah 3
– Hitung uji statistiknya. Uji statistik (dalam hal ini
berupa nilai z) membentuk sebuah rasio
perbandingan perbedaan yang didapat antara
rata-rata sampel dan rata-rata hipotetik populasi
melawan sejumlah perbedaan yang kita
perkirakan tanpa adanya efek treatment (standar
error).
206
Pengujian Hipotesis
• Langkah 4
– Sebuah nilai uji statistik yang besar yang didapat dari
perbedaan rata-rata lebih besar daripada yang
diperkirakan jika tidak terjadi efek treatment. Jika hal ini
cukup besar dalam area kritis, kita dapat menyimpulkan
bahwa perbedaan cukup signifkan dengan kata lain
treatment memiliki dampak yang signifikan. Dalam kasus
ini, kita menolak hipotesis nol. Jika perbedaan rata-rata
relatif kecil, maka pengujian statistik akan memiliki nilai
yang rendah. Dalam kasus ini, kita menyimpulkan bahwa
bukti dari sampel tidak cukup, dan keputusannya adalah
gagal menolak hipotesis nol.
207
Hipotesis nol
Populasi Populasi
tanpa dengan Alkohol tak berdampak
alkohol alkohol dengan rata-rata masih = 18
Pengujian Hipotesis
• Error dalam pengujian hipotesis
– Hanya karena rata-rata sampel (mengikuti
treatment) berbeda dari rata-rata populasi awal
tidaklah berarti bahwa treatment menyebabkan
perubahan.
– Harus diingat bahwa ada beberapa perbedaan
antara sebuah rata-rata sampel dan rata-rata
populasi hanya karena hasil dari sampling error.
209
Pengujian Hipotesis
– Karena uji hipotesis bergantung pada data sampel,
dan karena data sampel tidaklah sepenuhnya
dapat diandalkan, selalu ada risiko data yang
menyesatkan akan menyebabkan uji hipotesis
mengarah pada kesimpulan yang salah.
– Dua tipe error menjadi mungkin terjadi.
210
Pengujian Hipotesis
• Error tipe I
– Error tipe I terjadi saat data sampel terlihat menunjukkan
adanya dampak treatment, padahal kenyataannya tak
terjadi apa-apa.
– Dalam kasus ini, peneliti akan menolak hipotesis nol dan
secara salah menyimpulkan treatment memiliki dampak.
– Error tipe I disebabkan oleh sampel yang tidak biasa dan
tidak mewakili. Hanya kebetulan peneliti memilih sampel
ekstrim dengan hasil bahwa sampel jatuh pada area kritis
meskipun treatment tak berdampak.
– Uji hipotesis harus terstruktur sehingga error tipe I tidak
mungkin terjadi, khususnya, probabilitas error tipe I sama
dengan tingkat alpha.
211
Pengujian Hipotesis
• Error tipe II
– Error tipe II terjadi saat sampel tidak memperlihatkan
telah dipengaruhi oleh treatment padahal treatment
memang berdampak.
– Dalam kasus ini, peneliti akan gagal menolak hipotesis nol
dan menyimpulkan secara salah bahwa treatment tidak
berdampak.
– Error tipe II biasanya merupakan hasil dari dampak
treatment yang kecil. Walaupun treatment memiliki
dampak, hal itu tidaklah cukup besar untuk ditampilkan
dalam studi penelitian.
212
Situasi Aktual
Tak Ada Efek Ada Efek
H0 benar H0 tidak benar
Tolak H0 Error Tipe I Keputusan benar

Tidak Menolak H0 Keputusan benar Error Tipe 2
Pengujian Hipotesis
• Uji arah
– Ketika sebuah studi penelitian memprediksi arah
spesifik untuk dampak treatment (naik atau
turun), dimunginkan untuk menyatukan prediksi
arah ke dala uji hipotesis.
– Hasilnya disebut uji arah atau uji satu arah (one-
tailed test). Sebuah pengujian arah meliputi
prediksi arah dalam suatu pernyataan tentang
hipotesis dan lokasi tempat area kritis berada.
214
Pengujian Hipotesis
– Contoh, jika populasi awal memiliki rata-rata μ = 80 dan
treatment diprediksi meningkatkan skor, maka hipotesis
nol akan menyatakan bahwa setelah treatment :
H0: μ < 80 (tak ada kenaikan)
– Dalam kasus ini, seluruh area kritis akan terletak di sebelah
kanan pojok dalam distribusi karena nilai yang besar untuk
M menunjukkan bahwa ada kenaikan dan kecenderungan
utuk menolak hipotesis nol.
215
Pengujian Hipotesis
• Mengukur besarnya dampak
– Sebuah uji hipotesis menilai hasil signifikansi statistik dari
studi riset.
– Artinya, pengujian menentukan apakah ada kemungkinan
bahwa rata-rata sampel yang didapat terjadi tanpa adanya
kontribusi dari efek treatment.
– Uji hipotesis dipengaruhi tidak hanya oleh besarnya efek
treatment tapi juga oleh besarnya sampel.
– Bahkan untuk efek yang sangat kecil dapat menjadi
signifikan jika diobservasi dengan sampel yang sangat
besar.
216
Pengujian Hipotesis
– Karena efek signifikan tidak berarti sebuah efek yang besar,
direkomendasikan bahwa uji hipotesis dapat disertai
dengan sebuah ukuran dari besarnya efek.
– Biasanya digunakan Cohen’s d sebagai standar ukuran
besarnya efek.
– Seperti skor dari z, Cohen’s d mengukur besarnya
perbedaan rata-rata dalam standar deviasi.
217
Distribusi
skor SAT sebelum Distribusi
skor SAT setelah
treatment = 500 dan treatment = 515 dan
= 100 = 100
Distribusi
skor IQ sebelum Distribusi
skor IQ setelah
treatment = 100 dan treatment = 115 dan
= 15 = 15
Pengujian Hipotesis
• Power dari uji hipotesis
– Power dari uji hipotesis didefinisikan sebagai
probabilitas bahwa pengujian akan menolak
hipotesis nol ketika treatment benar-benar
berdampak.
– Power dari sebuah pengujian tergantung dari
keragaman faktor termasuk besarnya dampak
treatment dan besarnya sampel.
219
Populasi
Awal
Normal
dengan
= 80 dan
= 10
Jika H0 Dengan
benar (tak efek
ada treatment 8
dampak) poin
= 80 dan = 80 dan
= 10 = 10
Distribusi rata-rata sampel Distribusi rata-rata sampel untuk

untuk n = 25 jika H0 benar n = 25 dengan efek 8 poin
Tolak Tolak
H0 H0

Statistika Untuk Akuntansi-Kelas

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

Statistika Untuk Akuntansi-Kelas

Diunggah oleh

Hak Cipta:

Format Tersedia

Statistika

Gambar Histogram dari Excell

Gambar Histogram dari SPSS

• = nilai rata-rata dari Y

110 109 + 110 = 219/2 = 109.5

Semua orang Budi Hartono

80 87 89 93 93 96 97 98 102 103 105 106 109 109 109 110 111

– Sangat mungkin nilai modus lebih dari satu

102 115 127 162

Class A Range = 140 - 89 = Class B Range = 162 - 80

25% 25% 25% 25%

0 250 500 750 1000

• Sebaran sebelah kiri memiliki SD yang lebih

Distribusi condong Distribusi simetris Distribusi condong

3rd quartile 1st quartile

• Probabilitas adalah ukuran seberapa besar

Berapa probabilitas dadu

Ingat, sebuah dadu memiliki enam sisi. Angka 1, 2, 3, 4, 5,

P( A  B )  0.04  0.14  0.12  0.30

Xi P(Xi) (Xi ) (Xi )2 (Xi )2P(Xi)

• Varians = 1,81 dan Standar deviasi = 1,345

– Gambarkan fungsi probabilita

• Berdasarkan tabel sebelumnya

Conditional Probability Untuk X Dengan Y Ditentukan

– Carilah fungsi probabilita belanja per minggu untuk

• Berdasarkan tabel sebelumnya

Conditional Probability Untuk X Dengan Y Ditentukan

– Carilah fungsi probabilita belanja per minggu untuk

– Carilah fungsi probabilita belanja per minggu untuk

Contoh kurva distribusi binomial

Contoh kurva distribusi poisson

• Rata-rata dari variabel random adalah

• Sebuah sampel ikan Cod di Monterey Bay

Fish length (in.)

Fish length (in.)

Fish length (in.)

– Dapat ditransformasikan dengan pergeseran dan

Probability density function untuk Probability density function untuk

– Dengan menggunakan tabel kurva normal maka

95% dari data

99.7% dari data

Inilah 24 pengaturan yang berbeda:

– jumlah obyek yang dipilih

• Seorang presiden dan wakil presiden sedang

Systematic Stratified Convenience Snowball

– Jika populasi terdistribusi dengan normal maka

• Probabilitas menemukan busi yang tahannya <

Dengan cara yang sama maka K2 = 1,586

Sebelumnya probabilitas titik dalam distribusi kontinyu mendekati

• Dikatakan (dengan __% kepastian) bahwa

point estimate interval estimate

Alternatif statement adalah

…mungkin di sini… …atau di sini… …atau mungkin di sini…

Tempel di kaca kamar. Hafalkan tiap hari. Niscaya berguna

– Diketahui standar deviasi permintaan di masa akhir-

• Jadi, parameter yang diestimasi adalah mean

Oleh sebab itu:

Semakin besar confidence

Nilai semakin besar

Naiknya jumlah sampel akan mengurangi ke-lebaran

Nilai Ekstrim, nilai Nilai Ekstrim, nilai

• Hipotesis nol, tingkat alpha, area kritis, dan