Pengantar Statistik-1 5

Oleh: Siti Amalia
Program Ekonomi Pembangunan

Fakultas Ekonomi Universitas Mulawarman
SAMARINDA 2021
1
Buku Acuan:
Anderson, Sweeney, and Williams.
2002. Statistics for Business and
Economics. 8th edition. South-
Western/Thomson LearningTM
Riduwan, 2009. Pengantar

Statistika Sosial. Alfabeta Bandung
Gani, Irwan dan Amalia. 2014. Alat

Analisis Data, Andi Offset.
Yogyakarta
2
Pertanyaan Mendasar:
What; Apa yang dimaksud dengan Statistik?

5W 1H
Why; Mengapa perlu Statistik?
Where; Dimana saja Menggunakan Statistik?
When; Kapan Menggunakan Statistik?
Who; Siapa yang Menggunakan Statistik?
How; Bagaimana Menggunakan Statistik?
3
PENGERTIAN STATISTIK
• Asal kata “Statistic”:
Statia = catatan administrasi pemerintahan di US
Stochos = “anak panah” (bahasa Yunani), sesuatu
yang mengandung ketidakpastian
• Pengertian:
Statistik = Data
Statistik = Ukuran Sampel
Statistik = Ilmu yang mempelajari cara pengumpulan
data, pengolahan data, analisis data serta penyajian
data sehingga menjadi suatu informasi yang berguna
bagi pengambilan keputusan
4
Definisi Statistik
• Mason memberikan definisi tentang

statistik :
• “Statistics is the science of collecting,
organizing, analyzing and interpreting
numerical data for the purpose of
making better decisions in the face of
uncertainty” (Mason, 1974:1)
5
CONTOH PENGGUNAAN
STATISTIKA
• Akuntansi (Accounting)
Perusahaan akuntan publik seringkali menggunakan
prosedur pengambilan sampel (contoh) yang
memenuhi kaidah-kaidah statistik ketika melakukan
audit terhadap kliennya.
• Keuangan (Finance)
Penasehat keuangan menggunakan berbagai jenis
informasi statistik, termasuk price-earnings ratio dan
hasil dividen, untuk membantu dalam memberikan
rekomentasi investasi.
6
CONTOH PENGGUNAAN
STATISTIKA (Lanjutan)
• Pemasaran (Marketing)
Pengambilan sampel masyarakat sebagai calon
konsumen untuk diminta pendapat tentang produk
yang akan diluncurkan oleh suatu perusahaan
seringkali menggunakan kaidah statistik.
• Ekonomi
Para ahli ekonomi menggunakan prosedur statistik
dalam melakukan peramalan tentang kondisi
perekonomian pada masa yang akan datang.
7
DATA & VARIABEL
• Data adalah sekumpulan datum yang berisi fakta-fakta
serta gambaran suatu fenomena yang dikumpulkan,
dirangkum, dianalisis dan selanjutnya
diinterpretasikan.
• Variabel adalah karakteristik data yang menjadi

perhatian.
8
POHON DATA:
Primer
Sumber
Sekunder
Nominal
Kualitatif Diskrit
Data Bentuk Ordinal
Penelitian Kuantitatif
Interval
Time Series Kontinyu
Rasio
Cross
Waktu Section
Panel
9
DATA MENURUT SKALA
PENGUKURAN
a. Nominal, sifatnya hanya untuk membedakan antar
kelompok, dan tidak bisa dilakukan operasi
matematika
Contoh: Jenis kelamin (pria dan wanita),
Jurusan dalam suatu sekolah tinggi
(Manajemen, Akuntansi).
b. Ordinal, selain memiliki sifat nominal, juga
menunjukkan peringkat, dan tidak bisa dilakukan
operasi matematika
Contoh: Tingkat pendidikan (SD, SMP, SMA),
Skala perusahaan (mikro, kecil,
menengah).
10
DATA MENURUT SKALA
PENGUKURAN (L)
c. Interval, selain memiliki sifat data ordinal, juga
memiliki sifat interval antar observasi dinyatakan
dalam unit pengukuran yang tetap, nilai 0 (nol) tidak
mutlak, dan dapat dilakukan operasi matematika
Contoh: Temperatur, ukuran ketinggian tanah
d. Rasio, selain memiliki sifat data interval, skala rasio
memiliki angka 0 (nol) mutlak, perbandingan antara
dua nilai mempunyai arti, dan dapat dilakukan operasi
matematika.
Contoh: Tinggi badan,
Berat badan,
Waktu
11
JENIS DATA MENURUT
SIFATNYA
1. Kualitatif
– Berupa label/nama-nama yang digunakan untuk
mengidentifikasikan atribut suatu elemen
– Skala pengukuran: Nominal atau Ordinal
– Data bisa berupa numeric atau nonnumeric
2. Kuantitatif
– Mengindikasikan seberapa banyak (how
many/diskret atau how much/kontinu)
– Data selalu numeric
– Skala pengukuran: Interval dan Rasio
12
JENIS DATA MENURUT
WAKTU PENGUMPULANNYA
1. Cross-sectional Data
yaitu data yang dikumpulkan pada waktu tertentu
yang sama atau hampir sama
Contoh: Jumlah mahasiswa UNMUL TA 2005/2006,
Jumlah perusahaan go public tahun 2006
2. Time Series Data

yaitu data yang dikumpulkan selama kurun
waktu/periode tertentu
Contoh: Pergerakan nilai tukar rupiah dalam 1
bulan,
Produksi Padi Indonesia tahun 1997-2006
13
CARA PENYAJIAN DATA
1. Tabel
– Tabel satu arah (one-way table)
– Tabulasi silang (lebih dari satu arah (two-way table),
dst.)
– Tabel Distribusi Frekuensi, Distribusi, dan Prosentase
2. Grafik
– Batang (Bar Graph), untuk perbandingan/pertumbuhan
– Lingkaran (Pie Chart), untuk melihat perbandingan
(dalam persentase/proporsi)
– Grafik Garis (Line Chart), untuk melihat pertumbuhan
– Grafik Peta, untuk melihat/menunjukkan lokasi
14
MANFAAT
TABEL DAN GRAFIK
• Meringkas/rekapitulasi data, baik data kualitatis
maupun kuantitatif
– Data kualitatif berupa distribusi Frekuensi, frekuensi
relatif, persen distribusi frekuensi, grafik batang,
grafik lingkaran.
– Data kuantitatif berupa distribusi frekuensi, relatif
frekuensi dan persen distribusi frekuensi,
diagram/plot titik, histogram, distribusi kumulatif,
ogive.
• Dapat digunakan untuk melakukan eksplorasi data
• Membuat tabulasi silang dan diagram sebaran data
15
DISTRIBUSI FREKUENSI
• Merupakan tabel ringkasan data yang menunjukkan
frekuensi/banyaknya item/obyek pada setiap kelas
yang ada.
• Tujuan: mendapatkan informasi lebih dalam tentang

data yang ada yang tidak dapat secara cepat diperoleh
dengan melihat data aslinya.
16
DISTRIBUSI FREKUENSI
RELATIF
• Merupakan fraksi atau proporsi frekuensi setiap kelas
terhadap jumlah total.
• Distribusi frekuensi relatif merupakan tabel ringkasan

dari sekumpulan data yang menggambarkan
frekuensi relatif untuk masing-masing kelas.
17
GRAFIK BATANG
(BAR GRAPH)
• Bermanfaat untuk merepresentasikan data kuantitatif
maupun kualitatif yang telah dirangkum dalam
frekuensi, frekuensi relatif, atau persen distribusi
frekuensi.
• Cara:
– Pada sumbu horisontal diberi label yang menunjukkan
kelas/kelompok.
– Frekuensi, frekuensi relatif, maupun persen frekuensi
dinyatakan dalam sumbu vertikal yang dinyatakan
dengan menggunakan gambar berbentuk batang dengan
lebar yang sama/tetap.
18
GRAFIK LINGKARAN
(PIE CHART)
• Digunakan untuk mempresentasikan distribusi
frekuensi relatif dari data kualitatif maupaun data
kuantitatif yagn telah dikelompokkan.
• Cara:
– Gambar sebuah lingkaran, kemudian gunakan frekuensi
relatif untuk membagi daerah pada lingkaran menjadi
sektor-sektor yang luasnya sesuai dengan frekuensi
relatif tiap kelas/kelompok.
– Contoh, bila total lingkaran adalah 360o maka suatu
kelas dengan frekuensi relatif 0,25 akan membutuhkan
daerah seluas (0,25)(360) = 90o dari total luas lingkaran.
19
CONTOH DISTRIBUSI
FREKUENSI
• Data Kualitatif
– Tamu yang menginap di Hotel Marada Inn ditanya
pendapat mereka tentang akomodasi yang
tersedia. Jawaban dikategorikan menjadi baik
sekali (E), di atas rata-rata (AA), rata-rata (A), di
bawah rata-rata (BA), dan buruk (P).
– Data dari 20 tamu yang menginap diperoleh
sebagai berikut:
BA A AA AA AA
AA AA BA BA A P P AA
E AA A AA A AA A
20
CONTOH DISTRIBUSI
FREKUENSI (L)
• Tabel Distribusi Frekuensi
(Contoh: Hotel Marada Inn)
Frekuensi Persen
Rating Pendapat Frekuensi
Relatif Frekuensi
Baik Sekali (E) 2 0,10 10
Di atas Rata-rata (AA) 3 0,15 15
Rata-rata (A) 5 0,25 25
Di Bawah Rata-rata (BA) 9 0,45 45
Buruk (P) 1 0,05 5
Total 20 1,00 100
21
CONTOH DISTRIBUSI
FREKUENSI (L)
• Grafik Batang (Contoh: Hotel Equator Bontang)
9
8
7
Frekuensi
6
5
4
3
2
1
Rating
Buruk Di Bawah Rata- Di Atas Baik Pendapat
Rata-rata rata Rata-rata Sekali
22
CONTOH DISTRIBUSI
FREKUENSI (L)
• Grafik Lingkaran (Contoh: Hotel Equator Bontang)
Baik Sekali Buruk
5%
10%
Di bawah
Di atas 15%
45% Rata-rata
Rata-rata
25%
Rata-rata
Kategori Rating Pendapat

23
CONTOH DISTRIBUSI
FREKUENSI (L)
• Data Kuantitatif
– Manajer Bengkel Auto 2000 berkeinginan melihat
gambaran yang lebih jelas tentang distribusi biaya
perbaikan mesin mobil. Untuk itu diambil 50 pelanggan
sebagai sampel, kemudian dicatat data tentang biaya
perbaikan mesin mobilnya ($). Berikut hasilnya:
91 78 93 57 75 52 99 80 97 62
71 69 72 89 66 75 79 75 72 76
104 74 62 68 97 105 77 65 80 109
85 97 88 68 83 68 71 69 67 74
62 82 98 101 79 105 79 69 62 73
24
CONTOH DISTRIBUSI
FREKUENSI (L)
• Petunjuk Penentuan Jumlah Kelas
– Gunakan ukuran banyaknya kelas (k) antara 5 s.d. 20,
atau menggunakan formula k = 1 + 3,3 log n.
n = banyaknya sampel
– Data dengan jumlah besar memerlukan kelas yang lebih
banyak, dan sebaliknya.
• Petunjuk Penentuan Lebar Kelas
– Gunakan kelas dengan lebar sama.
– Lebar kelas dapat didekati dengan rumus berikut:
Nilai data terbesar - nilai data terkecil
Banyaknya kelas
25
CONTOH DISTRIBUSI
FREKUENSI (L)
• Contoh: Bengkel Auto 2000
– Jika banyaknya kelas 6, maka lebar kelas = 9,5 ≈ 10
– Tabel distribusi frekuensi diperoleh:
Frekue Frekuensi Frekuensi > Frek. Relatif
Biaya ($)
nsi relatif kumulatif Kumulatif
50 – 59 2 0,04 2 0 0,04 0
60 – 69 13 0,26 15 2 0,30 4
70 – 79 16 0,32 31 15 0,62 30
80 – 89 7 0,14 38 31 0,76 62
90 – 99 7 0,14 45 38 0,90 76
100 – 109 5 0,10 50 45 1,00 90
Total 50 1,00 50 10
0
26
27
ANALISIS TABEL DISTRIBUSI
FREKUENSI
• Contoh: Bengkel Auto 2000
– Hanya 4% pelanggan bengkel dengan biaya

perbaikan mesin $50-59.
– 30% biaya perbaikan mesin berada di bawah $70.
– Persentase terbesar biaya perbaikan mesin
berkisar pada $70-79.
– 10% biaya perbaikan mesin adalah $100 atau lebih.
28
HISTOGRAM
Contoh: Bengkel Auto 2000
29
OGIVE
 Merupakan grafik dari distribusi frekuensi kumulatif.
 Nilai data disajikan pada garis horisontal (sumbu-x).
 Pada sumbu vertikal dapat disajikan:
– Frekuensi kumulatif, atau
– Frekuensi relatif kumulatif, atau
– Persen frekuensi kumulatif
 Frekuensi yang digunakan (salah satu diatas)masing-
masing kelas digambarkan sebagai titik.
 Setiap titik dihubungkan oleh garis lurus.
30
OGIVE
31
DIAGRAM BATANG-DAUN (Steam and
Leaf)
5 2 7
6 2 2 2 2 5 6 7 8 8 8 9 9 9
7 1 1 2 2 3 4 4 5 5 5 6 7 8 9 9 9
8 0 0 2 3 5 8 9
9 1 3 7 7 7 8 9
10 1 4 5 5 9
 52,57,62,62,62,62,65,66,67
 Kegunaan:
– Data tersusun secara berurutan
– Dapat menunjukkan bentuk distribusi data
– Seperti Histogram, namun sekaligus menunjukkan
data sebenarnya 32
TABULASI SILANG
• Tabulasi silang (Crosstabulation) merupakan metode
tabulasi untuk merangkum data dengan dua atau
lebih variabel secara bersamaan/sekaligus.
• Tabulasi silang dapat digunakan jika:
– Salah satu variabel bersifat kualitatif dan lainnya
kuantitatif
– Kedua variabel berupa variabel kualitatif
– Kedua variabel berupa variabel kuantitatif
• Sisi (kolom) sebelah kiri dan baris atas menyatakan
kelas untuk kedua variabel yang digunakan.
33
DIAGRAM SCATTER
• Diagram scatter (scatter diagram) merupakan metode
presentasi secara grafis untuk menggambarkan
hubungan antara dua variabel kuantitatif.
• Salah satu variabel digambarkan pada sumbu
horisontal dan variabel lainnya digambarkan pada
sumbu vertikal.
• Pola yang ditunjukkan oleh titik-titik yang ada
menggambarkan hubungan yang terjadi antar
variabel.
34
POLA HUBUNGAN PADA DIAGRAM
SCATTER
y y y
x x x
Hubungan Positif Hubungan Negatif Tidak ada hubungan

Jika X naik, maka Jika X naik, maka antara X dan Y
Y juga naik dan Y akan turun dan
jika X turun, maka jika X turun, maka
Y juga turun Y akan naik
35
PROSEDUR PENGGUNAAN TABEL
& GRAFIK
Data
Data Kualitatif Data Kuantitatif
Metode Metode Metode Metode

Tabel Grafik Tabel Grafik
 Distr. Frekuensi  Grafik  Distr. Frekuensi  Plot Titik

 Distr. Frek. Batang  Distr. Frek. Relatif  Histogram
Relatif  Grafik  Distr. Frek. Kum.  Ogive
 % Distr. Frek. Lingkaran  Distr. Frek. Relatif Kum.  Diagram
 Tabulasi silang  Diagram Batang-Daun Scatter
 Tabulasi silang
36
SEKIAN &
SEE YOU NEXT SESSION
37
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)
38
UKURAN-UKURAN STATISTIK
3. Ukuran Dispersi/Keragaman (Variability
measurement):
– Jarak (Range)
– Ragam/Varian (Variance)
– Simpangan Baku (Standard deviation)
– Rata-rata deviasi (Mean deviation)
39
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
x 
 fx i i
f i
Dimana xi = nilai tengah kelas ke-i 40

(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
 f x
i i
f i
Dimana xi = nilai tengah kelas ke-i 41

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
n
urutan ke- n 1
2
2
– Untuk data genap, median merupakan rata-rata
nilai yang terletak pada urutan ke- dan n  1
2
42
2. Median – (Lanjutan)
– Jika datanya berkelompok, maka median dapat
dicari dengan rumus berikut:
2  fkum 
n
Median  LB  .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
43
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
44
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
45
(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
46
(Contoh Penghitungan) (L)
• Rata-rata Hitung (Mean)
x
 xi 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)
47
DATA BERKELOMPOK
Dari contoh Bengkel Auto 2000
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
48
DATA BERKELOMPOK (L)

x
 fx
i 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
49
KELEBIHAN & KEKURANGAN
RATA-RATA , MEDIAN & MODUS
– 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
50
• Median
– Kelebihan:
• Tidak peka terhadap adanya nilai ekstrim
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
51
• Modus
– Kelebihan:
• Tidak peka terhadap adanya nilai ekstrim
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
52
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.
53
UKURAN LOKASI
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).
54
UKURAN LOKASI
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
55
UKURAN LOKASI
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
56
UKURAN LOKASI
• 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
57
UKURAN LOKASI
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
…
…
58
UKURAN LOKASI
• 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
59
UKURAN KERAGAMAN/
DISPERSI (Variability measurement)
• Mengukur seberapa besar keragaman 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/keragaman
lamanya waktu pengiriman barang.
60
UKURAN KERAGAMAN/
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
61
UKURAN KERAGAMAN/
2. Varian (Variance)
– Merupakan ukuran keragaman yang melibatkan
seluruh data
– Didasarkan pada perbedaan antara nilai tiap
observasi (xi) dan rata-ratanya ( xuntuk sampel, 
untuk populasi)
– Rumus Hitung
Sample: Populasi:
Varian = Varian =
n N
2
 (x  x)
i
2
 (x   )
i
2
s  i 1 2
  i 1
n 1 N
62
UKURAN KERAGAMAN/
2. Varian (Variance) – (Lanjutan)
– Untuk Data Berkelompok, rumus hitung:
Sample: Populasi:
Varian = Varian =
k k
f (x i i  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
63
UKURAN KERAGAMAN/
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
64
UKURAN KERAGAMAN/
4. Koefisien Variasi (Coefficient of Variation)
– Mengindikasikan seberapa besar nilai simpangan
baku relatif terhadap rata-ratanya
– Rumus Hitung
s
Sample: Koefisien Variasi = cv   100
x

Populasi: Koefisien Variasi = cv   100
x
65
UKURAN KERAGAMAN/
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
66
UKURAN KERAGAMAN/
DATA BERKELOMPOK
• Contoh Kasus Bengkel Hudson Auto
– Varian k 2
2

f (x  x )
i
2
i f x2  i i
s  i 1
 i 1
k
 x 2  187,56
 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
67
SEKIAN &
68
ANGKA INDEKS
Cakupan:
1. Harga Relatif (Price Relatives)
2. Indeks Harga Agregat (Aggregate Price Indexes)
3. Berbagai Indeks Penting
4. Indeks Kuantitas (Quantity Indexes)
69
HARGA RELATIF
(PRICE RELATIVES)
• Bermanfaat dalam memahami dan
menginterpretasikan perubahan kondisi ekonomi dan
bisnis dari waktu ke waktu.
• Harga relatif menunjukkan bagaimana harga per unit
untuk komoditas tertentu saat ini dibandingkan
dengan harga per unit komoditas yang sama pada
tahun dasar.
• Harga relatif memperlihatkan harga per unit pada
setiap periode waktu sebagai persentase dari harga
per unit pada tahun dasar.
70
HARGA RELATIF
(PRICE RELATIVES) (L)
• Periode dasar merupakan waktu/titik awal (starting
point) yang telah ditentukan.
• Harga relatif dirumuskan:

Harga pada periode t
Harga Relatif periode t = (100)
Harga pada tahun dasar
71
HARGA RELATIF
CONTOH: PRODUK BESCO
• Berikut adalah biaya iklan melalui surat kabar dan

televisi pada tahun 1992 dan 1997 yang telah
dikeluarkan oleh Besco. Dengan menggunakan
tahun dasar 1992, hitung indes harga pada tahun
1997 untuk biaya iklan melalui surat kabar dan
televisi.
1992 1997
Surat kabar $14,794 $29,412
Televisi $11,469 $23,904
72
HARGA RELATIF
CONTOH: PRODUK BESCO
• Harga Relatif
Surat kabar Televisi
29,412 23,904
I1997  (100)  199 I1997  (100)  208
14,794 11,469
• Kenaikan biaya iklan melalui televisi lebih besar

dibandingkan melalui surat kabar.
73
INDEKS HARGA AGREGAT
(AGGREGATE PRICE INDEXES)
• Indeks Harga Agregat dibuat untuk mengukur
perubahan harga dari berbagai jenis barang secara
bersama-sama.
• Indeks Harga Agregat Tak Tertimbang pada periode t,
dinotasikan dengan I, dirumuskan sebagai berikut:
It 
 P
it
(100)
Pi0
dimana
Pit = harga per unit jenis barang i pada periode t
Pi0 = harga per unit jenis barang i pada tahun dasar
74
(AGGREGATE PRICE INDEXES) (L)
• Pada Indeks Harga Agregat Tertimbang, masing-
masing jenis barang diberi bobot/penimbang sesuai
dengan pentingnya barang tersebut. Biasanya
digunakan kuantitas barang sebagai penimbang.
• Misal Qi = kuantitas barang i, maka Indeks Harga
Agregat Tertimbang pada period t dirumuskan:
It 
 PQ
it i
(100)
P Q
i0 i
75
• Jika penimbang (bobot) menggunakan kuantitas pada
tahun dasar, maka indeks ini disebut sebagai Indeks
Laspeyres (Laspeyres index).
• Jika penimbang menggunakan periode t, maka

indeks ini disebut Indeks Paasche (Paasche index).
76
CONTOH: KOTA NEWTON
• Berikut adalah data konsumsi dan pengeluaran
energi menurut sektor di Kota Newton. Hitung Indeks
harga Agregat untuk pengeluaran energi pada tahun
2000 dengan tahun dasar 1985.
Quantity (BTU) Unit Price ($/BTU)

Sektor 1985 2000 1985 2000
Tempat Tinggal 9,473 8,804 2.12 10.92
Komersil 5,416 6,015 1.97 11.32
Industri 21,287 17,832 0.79 5.13
Transportasi 15,293 20,262 2.32 6.16
77
CONTOH: KOTA NEWTON
• Indeks Harga Agregat Tak Tertimbang
I2000 = 10.92 + 11.32 + 5.13 + 6.16 (100) = 466
2.12 + 1.97 + .79 + 2.32
• Indeks Harga Agregat Tertimbang (Laspeyres)
I2000 = 10.92(9473) + . . . + 6.16(15293) (100) = 443
2.12(9473) + . . . + 2.32(15293)
• Indeks Harga Agregat Tertimbang (Paasche)
I2000 = 10.92(8804) + . . . + 6.16(20262) (100) = 415
2.12(8804) + . . . + 2.32(20262)
78
BERBAGAI INDEKS PENTING
• Indeks Harga Konsumen (IHK)
• Indeks Harga Produsen (IHP)
• Indeks Harga Perdagangan Besar (IHPB)
• Indeks Biaya Hidup (IBH)
79
BEBEBAPA HAL PENTING
TENTANG INDEKS HARGA
• Pemilihan Komoditas
– Jika banyaknya kelompok komoditas sangat
besar, maka cukup dipilih kelompok yang
dianggap mewakili (secara purposive).
– Dalam Indeks Harga Agregat kelompok

komoditas harus dikaji ulang dan direvisi secara
teratur untuk mengetahui apakah kelompok yang
dipilih mewakili seluruh kelompok yang ada atau
tidak.
80
BEBEBAPA HAL PENTING
TENTANG INDEKS HARGA (L)
• Pemilihan Tahun Dasar
– Tahun dasar sebaiknya tidak jauh jaraknya dari
periode saat ini (current period).
– Penentuan tahun dasar sebaiknya dilakukan
penyesuaian/pembaruan secara teratur.
• Perubahan Kualitas
– Asumsi dasar Indeks Harga : harga dihitung
untuk komoditas yang sama pada setiap periode.
– Perbaikan kualitas secara substansial akan
berakibat meningkatnya harga sebuah produk.
81
INDEKS KUANTITAS
(QUANTITY INDEXES)
• Indeks Kuantitas merupakan indeks yang mengukur
perubahan kuantitas produk pada kurun waktu
tertentu.
• Penghitungan Indeks Kuantitas Agregat Tertimbang
memiliki cara yang sama dengan Indeks Harga
Agregat Tertimbang.
• Rumus Indeks Kuantitas Agregat Tertimbang pada
periode t adalah
It 
 Qw
it i
(100)
Q w
i0 i
82
DERET BERKALA
(TIME SERIES)
• Suatu deret berkala merupakan suatu himpunan
observasi dimana variabel yang digunakan diukur
dalam urutan periode waktu, misalnya tahunan,
bulanan, triwulanan, dan sebagainya.
• Tujuan dari metode deret berkala adalah untuk
menemukan pola data secara historis dan
mengekstrapolasikan pola tersebut untuk masa yang
akan datang.
• Peramalan didasarkan pada nilai variabel yang telah
lalu dan atau peramalan kesalahan masa lalu.
83
KOMPONEN
DERET BERKALA
• Komponen Tren (Trend Component)
– Merepresentasikan suatu perubahan dari waktu ke
waktu (cenderung naik atau turun).
– Tren biasanya merupakan hasil perubahan dalam
populasi/penduduk, faktor demografi, teknologi, dan
atau minat konsumen.
• Komponen Siklis (Cyclical Component)

– Merepresentasikan rangkaian titik-titik dengan pola
siklis (pergerakan secara siklis/naik-turun) di atas atau
di bawah garis tren dalam kurung waktu satu tahun.
84
KOMPONEN
DERET BERKALA (L)
• Komponen Musim (Seasonal Component)
– Merepresentasikan pola berulang dengan durasi
kurang dari 1 tahun dalam suatu deret berkala.
– Pola durasi dapat berupa jam atau waktu yang lebih
pendek.
• Komponen Tak Beraturan (Irregular Component)

– Mengukur simpangan nilai deret berkala sebenarnya
dari yang diharapkan berdasarkan komponen lain.
– Hal tersebut disebabkan oleh jangka waktu yang
pendek (short-term) dan faktor yang tidak terantisipasi
yang dapat mempengaruhi deret berkala.
85
AKURASI PERAMALAN
Akurasi peramalan dapat diukur dari nilai berikut:
1. Mean Squared Error (MSE)

– Merupakan rata-rata jumlah kuadrat kesalahan
peramalan.
2. Mean Absolute Deviation (MAD)

– Merupakan rata-rata nilai absolut kesalahan
peramalan.
86
METODE PENGHALUSAN
DALAM PERAMALAN
1. Rata-rata Bergerak (Moving Averages - MA)
– Menggunakan n nilai data terbaru dalam suatu
deret berkala untuk meramalkan periode yang
akan datang.
– Rata-rata perubahan atau pergerakan sebagai
observasi baru.
– Penghitungan rata-rata bergerak adalah sebagai
berikut:
MA 
 (n nilai data terbaru)
n
87
METODE PENGHALUSAN
DALAM PERAMALAN (L)
2. Rata-rata Bergerak Tertimbang (Weighted Moving
Averages)
– Melibatkan penimbang untuk setiap nilai data dan
kemudian menghitung rata-rata penimbang
sebagai nilai peramalan.
– Contoh, rata-rata bergerak terimbang 3 periode
dihitung sebagai berikut
Ft+1 = w1(Yt-2) + w2(Yt-1) + w3(Yt)
dimana jumlah total penimbang (nilai w) = 1.

88
METODE PENGHALUSAN
DALAM PERAMALAN (L)
3. Penghalusan Eksponensial (Exponential Smoothing)
– Merupakan kasus khusus dari metode Rata-rata
Bergerak Tertimbang dimana penimbang dipilih
hanya untuk observasi terbaru.
– Penimbang yang diletakkan pada observasi
terbaru adalah nilai konstanta penghalusan, α.
– Penimbang untuk nilai data lain dihitung secara
otomatis dan semakin lama periode waktu suatu
observasi nilainya akan lebih kecil.
89
METODE PENGHALUSAN
DALAM PERAMALAN (L)
3. Penghalusan Eksponensial (Exponential Smoothing)
(Lanjutan)
Rumus:
Ft+1 = αYt + (1 - α)Ft
dimana
Ft+1 = nilai peramalan untuk periode t+1
Yt = nilai sebenarnya untuk periode t+1
Ft = nilai peramalan untuk periode t
α = konstanta penghalusan (0 < α < 1)
90
METODE PENGHALUSAN
DALAM PERAMALAN (L)
CONTOH : EXECUTIVE SEMINARS, INC.
• Executive Seminars bergerak dalam manajemen
penyelenggaraan seminar. Untuk keperluan
perencanaan pendapatan dan biaya pada masa
mendatang yang lebih baik, pihak manajemen ingin
membangun model peramalan untuk seminar
“Manajemen Waktu”. Pendaftar pada 10 seminar
“MW” terakhir adalah:
Seminar 1 2 3 4 5 6 7 8 9 10
Pendaftar 34 40 35 39 41 36 33 38 43 40
91
METODE PENGHALUSAN
DALAM PERAMALAN (L)
• Penghalusan Eksponensial (Exponential Smoothing)

Misal α = 0.2, F1 = Y1 = 34
F2 = α Y1 + (1 - α)F1
= 0.2(34) + 0.8(34) = 34
F3 = α Y2 + (1 - α)F2
= 0.2(40) + 0.8(34) = 35.20
F4 = α Y3 + (1 - α)F3
= 0.2(35) + 0.8(35.20) = 35.16
. . . dan seterusnya
92
METODE PENGHALUSAN
DALAM PERAMALAN (L)
Seminar Pendaftar Ramalan dg Exp. Smoothing
1 34 34.00
2 40 34.00
3 35 35.20
4 39 35.16
5 41 35.93
6 36 36.94
7 33 36.76
8 38 36.00
9 43 36.40
10 40 37.72
11 Ramalan untuk seminar y.a.d = 38.18
93
PROYEKSI TREN DENGAN
PERSAMAAN TREN LINIER
• Persamaan Tren Linier:
Tt = b0 + b1t
dimana
Tt = nilai tren pada periode t (sebagai variabel tak
bebas/dependent variabel)
b0 = intercept garis tren
b1 = slope/kemiringan garis tren
t = waktu (sebagai variabel bebas/independent
variable)
94
PERSAMAAN TREN LINIER (L)
• Penghitungan Slope (b1) dan Intercept (b0)
 tYt  
t Yt
n  Yt  t 
b1  dan b0   n
  b1
n

( t )2    
 
t 2
n
dimana
Yt = nilai sebenarnya pada periode t
n = banyaknya periode dalam deret berkala
95
CONTOH : PENJUALAN PRODUK “X”
• Manajemen perusahaan penghasil produk “X” ingin

membuat metode peramalan yang dapat mengontrol
stok produk mereka dengan baik. Penjualan tahunan
(banyaknya produk “X” terjual) dalam 5 tahun terakhir
adalah sebagai berikut:
Tahun 1 2 3 4 5
Penjualan11 14 20 26 34
96
CONTOH : PENJUALAN PRODUK “X” (Lanjutan)
• Prosedur penghitungan untuk mencari b0 dan b1

t Yt tYt t2
1 11 11 1
2 14 28 4
3 20 60 9
4 26 104 16
5 34 170 25
Total 15 105 373 55
97
CONTOH : PENJUALAN PRODUK “X” (Lanjutan)
• Menggunakan rumus penghitungan untuk b0 dan b1

diperoleh:
373  (15)(105)
b1 
(15 ) 2
5  5,8 b0 

5
  
105  (5,8) 15  3,6
5
55 
5
sehingga Tt = 3,6 + 5,8 t
• Perkiraan penjualan pada tahun ke-6 =
T6 = 3,6 + (5,8)(6) = 38,4
98
SEKIAN &
99
PROBABILITA
(PROBABILITY)
PERTANYAAN PENTING:
• Apakah yang dimaksud (definisi) Probabilita/Peluang

(Probability)?
• Apa dasar penghitungan Probabilita/Peluang?
• Apa ketentuan yang digunakan dalam penghitungan
peluang suatu kejadian?
• Bagaimana cara menghitung besarnya probabilita/
peluang suatu kejadian?
100
KONSEP (DEFINISI)
PROBABILITA
1. Pendekatan Frekuensi Relatif:
a. Newbold, P. (1995) dan Anderson (2002):
Jika NA merupakan banyaknya kejadian A muncul
dalam suatu percobaan berulang sebanyak N,
maka dengan konsep relative frequency, peluang
bahwa A akan terjadi adalah
NA
P ( A) 
N
101
KONSEP (DEFINISI)
PROBABILITA (L)
1. Pendekatan Frekuensi Relatif: (Lanjutan)
b. Walpole, RE. (1982):
Bila suatu percobaan mempunyai N hasil
percobaan yang berbeda, dan masing-masing
mempunyai kemungkinan yang sama untuk terjadi,
dan bila tepat n diantara hasil percobaan itu
menyusun suatu kejadian A, maka peluang
kejadian A adalah
n
P ( A) 
N
102
KONSEP (DEFINISI)
PROBABILITA (L)
2. Pendekatan Klasik
- Pendekatan ini menggunakan asumsi jika suatu
percobaan memiliki n kemungkinan hasil, maka
peluang masing-masing kejadian adalah 1/n.
- Contoh: Pelemparan sebuah dadu bermata 6

Percobaan : Pelemparan sebuah dadu
Ruang Sampel : S = {1, 2, 3, 4, 5, 6}
Probabilita : Masing-masing kejadian munculnya mata
dadu memiliki peluang sama, yaitu 1/6
103
KONSEP (DEFINISI)
PROBABILITA (L)
3. Pendekatan Subyektif
Contoh:
Pemilihan calon Manajer Pemasaran di sebuah
perusahaan berdasarkan keputusan Pimpinan
perusahaan umumnya menggunakan pendekatan ini.
Misalkan A yang memiliki pengalaman dan prestasi
kerja yang lebih baik daripada B, maka A akan
diberikan peluang yang lebih besar daibandingkan B.
104
AKSIOMA PROBABILITA
1. 0 ≤ P(Ei) ≤ 1, dimana Ei = kejadian i
2. P(S) = 1
3. P(E1  E2) = P(E1) + P(E2), jika E1 dan E2 merupakan
kejadian yang mutually exclusive (saling meniadakan),
atau
 
P( Ei)   P( Ei )
i 1
i 1
untuk kejadian yang mutually exclusive
105
KONSEP PENTING DALAM
PROBABILITA
• Percobaan (Experiments)
• Ruang Contoh (Sample Space), Kejadian (Events)
dan Probabilitanya
• Aturan penghitungan (Counting Rules)
• Peluang Bersyarat (Conditional Probability)
• Teorema Bayes (Bayes’ Theorem)
106
PROBABILITA (L)
• Percobaan (Experiments) adalah semua proses yang
dapat membangkitkan hasil.
• Ruang Contoh (Sample Space) adalah himpunan

semua kemungkinan hasil suatu percobaan dan biasa
dilambangkan dengan huruf S.
• Kejadian (Events) adalah suatu himpunan bagian dari

ruang contoh.
107
PROBABILITA (L)
• Kejadian sederhana dan kejadian majemuk.
– Kejadian Sederhana adalah suatu kejadian yang
dapat dinyatakan sebagai sebuah himpunan yang
hanya terdiri dari satu titik contoh.
– Kejadian majemuk adalah kejadian yang dapat
dinyatakan sebagai gabungan beberapa kejadian
sederhana.
• Ruang nol atau ruang kosong atau himpunan kosong
adalah himpunan bagian ruang contoh yang tidak
mengandung satu pun anggota. Kejadian ini
dilambangkan dengan .
108
ATURAN PENGHITUNGAN
(COUNTING RULES)
1. Kaidah penggandaan (Multiplication rule).
Bila suatu operasi dapat dilakukan dalam n1 cara, bila
untuk setiap cara tersebut operasi kedua dapat
dilakukan dalam n2 cara, bila untuk setiap pasangan
dua cara yang pertama operasi ketiga bisa dilakukan
dalam n3 cara, dan demikian seterusnya, maka k
operasi dalam urutas tersebut dapat dilakukan dalam
n1×n2×…×nk cara.
– Dapat dijabarkan secara mudah dengan bantuan diagram

pohon (tree diagram)
109
ATURAN PENGHITUNGAN
(COUNTING RULES)
CONTOH: INVESTASI BRADLEY
• Bradley menginvestasikan uangnya pada 2 saham,
yaitu Markley Oil dan Collins Mining. Bradley telah
menghitung kemungkinan hasilnya selama 3 bulan
dari sekarang. Berikut kemungkinannya:
Keuntungan/kerugian investasi dalam 3 bulan ($000)
Markley Oil Collins Mining
10 8
5 -2
0
-20
110
ATURAN PENGHITUNGAN
(COUNTING RULES) (L)
• Diagram Pohon
Markley Oil Collins Mining Hasil
(Stage 1) (Stage 2) Percobaan
Untung 8
(10, 8) Untung $18,000
(10, -2) Untung $8,000
Untung 10 Rugi 2
Untung 8 (5, 8) Untung $13,000
Rugi 2 (5, -2) Untung $3,000

Untung 5 Untung 8
(0, 8) Untung $8,000
Impas
Rugi 2 (0, -2) Rugi $2,000
Rugi 20 Untung 8 (-20, 8) Rugi $12,000
Rugi 2 (-20, -2) Rugi $22,000
111
ATURAN PENGHITUNGAN
2. Permutasi
Banyaknya permutasi akibat pengambilan r benda
dari n benda yang berbeda adalah
n!
n Pr 
(n  r )!
dimana n! = n.(n-1).(n-2) … (2).(1)
(n-r)! = (n-r).(n-r-1).(n-r-2) … (2).(1)
0! = 1
112
ATURAN PENGHITUNGAN
2. Permutasi (Lanjutan)
Contoh:
Dua kupon lotere diambil dari 20 kupon untuk
menentukan hadiah pertama dan kedua, maka
banyaknya titik contoh adalah
20!
20 P2   (20)(19)  380
(20  2)!
113
ATURAN PENGHITUNGAN
3. Banyaknya permutasi n benda yang berbeda yang
disusun dalam suatu lingkaran adalah (n-1)!
Contoh:
Banyaknya susunan berbeda yang mungkin dari
enam orang yang akan duduk di enam kursi yang
disusun secara melingkar adalah (6-1)! = 5! =
5×4×3×2×1 = 120 susunan.
114
ATURAN PENGHITUNGAN
4. Banyaknya permutasi yang berbeda dari n benda
yang n1 diantaranya berjenis pertama, n2 berjenis
kedua, …, nk berjenis ke-k adalah
n!
n1! n2!...nk !
Contoh:
Banyak susunan yang berbeda bila kita ingin
membuat sebuah rangkaian lampu hias yang terdiri
dari 3 lampu merah, 4 kuning, dan 2 biru adalah
9!
 1260
3!4!2!
115
ATURAN PENGHITUNGAN
5. Banyaknya kombinasi r benda dari n benda yang

berbeda adalah
n n!
   Crn 
r  r ! (n  r )!
Contoh:
Jika dari 4 orang anggota partai X akan dipilih 2 orang
untuk menjadi anggota suatu tim Pansus, maka
banyaknya kombinasi adalah
 4 4!
   6
 2  2!2!
116
BERBAGAI HUBUNGAN
DALAM PROBABILITA
1. Komplemen suatu kejadian
- Komplemen suatu kejadian A relatif terhadap S
(semesta) adalah himpunan semua anggota S
yang bukan anggota A, dilambangkan dengan Ac.
- Diagram Venn berikut mengilustrasikan Ac.
A Ac
117
BERBAGAI HUBUNGAN
DALAM PROBABILITA (L)
2. Gabungan dari 2 atau lebih kejadian
– Paduan dua kejadian A dan B, dilambangkan
dengan A  B, adalah kejadian yang mencakup
semua unsur anggota A atau B atau keduanya.
- Diagram Venn berikut mengilustrasikan A  B.
A B
118
BERBAGAI HUBUNGAN
3. Irisan dari 2 atau lebih kejadian
– Irisan dua kejadian A dan B dilambangkan dengan
A  B, adalah kejadian yang mengandung semua
unsur persekutuan kejadian A dan B.
– Diagram Venn berikut mengilustrasikan A  B.
S
AB
A B
119
BERBAGAI HUBUNGAN
4. Kejadian yang saling meniadakan (Mutually Exclusive
Events)
– adalah suatu kejadian yang meniadakan kejadian
lain untuk muncul dalam suatu ruang contoh.
– AB=
A B
120
BERBAGAI HUBUNGAN
Misal:
Kejadian M = Keuntungan dari Markley Oil
M = {(10, 8), (10, -2), (5, 8), (5, -2)}
P(M) = P(10, 8) + P(10, -2) + P(5, 8) + P(5, -2)
= 0,2 + 0,08 + 0,16 + 0,26 = 0,70
C = Keuntungan dari Collins Mining
P(C) = 0,48
121
BERBAGAI HUBUNGAN
• Gabungan 2 Kejadian
M  C = Keuntungan dari Markley Oil atau
Collins Mining
MC = {(10, 8), (10, -2), (5, 8), (5, -2), (0, 8), (-20, 8)}
P(M  C) = P(10, 8) + P(10, -2) + P(5, 8) + P(5, -2) + P(0, 8)
+ P(-20, 8)
= 0,20 + 0,08 + 0,16 + 0,26 + 0,10 + 0,02
= 0,82
122
BERBAGAI HUBUNGAN DALAM
PROBABILITA (L)
• Irisan 2 Kejadian
M  C = Keuntungan dari Markley Oil dan
Collins Mining
M  C = {(10, 8), (5, 8)}

P(M  C) = P(10, 8) + P(5, 8) = 0,20 + 0,16
= 0,36
123
BERBAGAI HUBUNGAN DALAM
PROBABILITA (L)
• HUKUM PENJUMLAHAN
P(A  B) = P(A) + P(B) - P(A  B)
– CONTOH: INVESTASI BRADLEY

Diketahui P(M) = 0,7
P(C) = 0,48, dan
P(M  C) = 0,36, sehingga
P(M  C) = P(M) + P(C) - P(M  C)
= 0,7 + 0,48 – 0,36
= 0,82
(sama dengan hasil penghitungan sebelumnya)
124
PROBABILITA BERSYARAT
(CONDITIONAL PROBABILITY)
• Peluang bersyarat B bila A diketahui, disimbolkan
dengan P(B|A), didefinisikan sebagai
P( A  B)
P (B | A) 
P ( A)
jika P(A) > 0
• Contoh : Investasi Bradley
Peluang Keuntungan dari Collins Mining jika Markley
Oil menguntungkan adalah
P(C  M ) 0,36
P(C | M )    0,51
P(M ) 0,70
125
KAIDAH PENGGANDAAN
(MULTIPLICATION RULE)
• Bila dalam suatu percobaan kejadian A dan B

keduanya dapat terjadi sekaligus, maka
P(A  B) = P(A) P(B|A)
dan
P(B  A) = P(B) P(A|B)
• Contoh: Investasi Bradley
Diketahui P(M) = 0,70 dan P(C|M) = 0,51
P(M  C) = P(M)P(M|C) = (0,70)(0,51)
= 0,36
(sama dengan hasil penghitungan sebelumnya)
126
DUA KEJADIAN BEBAS
• Dua kejadian A dan B dikatakan bebas bila

P(B|A) = P(B) atau P(A|B) = P(A)
• Kaidah penggandaan pada kasus ini menjadi

P(A  B) = P(A) P(B)
• Contoh: Investasi Bradley

Apakah M dan C saling bebas?
P(M) = 0,70 dan P(C) = 0,48
P(M) P(C) = (0,70)(0,48) = 0,34  P(M  C) = 0,36
sehingga M dan C tidak bebas
127
DALIL PELUANG TOTAL
Bila kejadian-kejadian P(Bi) ≠ 0 untuk i = 1, 2, …, k,
maka untuk sembarang kejadian A yang merupakan
himpunan bagian S berlaku
P(A) = P(B1) P(A|B1) + P(B2) P(A|B2) + … + P(Bk) P(A|Bk)
128
TEOREMA BAYES
(BAYES THEOREM)
Jika kejadian-kejadian B1, B2, …, Bk merupakan sekatan

dari ruang contoh S dengan P(Bi) ≠ 0 untuk i = 1, 2, …, k,
maka untuk sembarang kejadian A yang bersifat P(A) ≠ 0,
P (Br )P ( A | Br )
P (Br | A) 
P(B1 ) P(A | B1 )  P(B2 ) P(A | B2 )    P(Bk ) P(A | Bk )
untuk r = 1, 2, …, k
129
TEOREMA BAYES
(BAYES THEOREM) (L)
• Contoh:
Terdapat tiga calon Dirut Perusda AUJ Kaltim.
Peluang terpilih calon A adalah 0,3, calon B adalah
0,5, dan calon C adalah 0,2. Jika A terpilih, peluang
terjadinya kenaikan gaji karyawan adalah 0,8. Jika B
atau C terpilih, peluang kenaikan gaji karyawan
masing-masing adalah 0,1 dan 0,4.
– Berapa peluang terjadi kenaikan gaji karyawan?
– Jika ada pegawai baru dan ternyata gaji karyawan
telah dinaikkan, berapa peluang C menjadi Dirut
Perusda AUJ Kaltim?
130
TEOREMA BAYES
(BAYES THEOREM) (L)
• Contoh: (Lanjutan)
– Misal kejadian A = gaji karyawan naik,
B1 = A terpilih, B2 = B terpilih, dan B3 = C terpilih
– Peluang terjadi kenaikan gaji karyawan

P(A) = P(B1)P(A|B1)+P(B2)P(A|B2)+P(B3)P(A|B3)
= (0.3)(0.8) + (0.5)(0.1) + (0.2)(0.4)
= 0.37
131
TEOREMA BAYES
(BAYES THEOREM) (L)
• Contoh: (Lanjutan)
– Jika ada pegawai baru dan ternyata gaji karyawan
telah dinaikkan, Peluang C menjadi Dirut Perusda
AUJ Kaltim adalah
P (B3 )P ( A | B3 )
P (B3 | A) 
P(B1 ) P(A | B1 )  P(B2 ) P(A | B 2 )  P(B3 ) P(A | B3 )
(0,2)(0,4) 8
P (B3 | A)  
(0,3)0,8)  (0,5)(0,1)  (0,2)(0,4) 37
132
SEKIAN &
133
DISTRIBUSI PROBABILITA
KONSEP PENTING:
• Variabel Acak (Random Variables)
• Tipe Distribusi Probabilita (Diskrit & Kontinu)
• Nilai harapan (Expected Value) dan Varian (Variance)
• Berbagai Jenis Distribusi Probabilita Diskrit
– Uniform  Poisson
– Binomial  Hypergeometrik
• Berbagai Jenis Distribusi Probabilita Kontinu
– Uniform
– Normal
– Eksponensial
134
KONSEP PENTING
• Variabel Acak (Random Variables)
– Anderson (2002):
Variabel acak merupakan gambaran secara
numerik mengenai hasil dari suatu percobaan
– Walpole (1982):
Variabel acak merupakan suatu fungsi yang
nilainya berupa bilangan nyata yang ditentukan
oleh setiap unsur dalam ruang contoh.
135
KONSEP PENTING (L)
• Variabel acak dapat dibagi dalam 2 jenis:
– Diskrit, yaitu bila suatu ruang contoh mengandung
jumlah titik contoh yang terhingga atau suatu
barisan unsur yang tidak pernah berakhir tetapi
yang sama banyaknya dengan bilangan cacah.
Contoh: Jumlah produk yang terjual pada suatu
hari tertentu
– Kontinu, yaitu bila suatu ruang contoh
mengandung takhingga banyaknya titik contoh
yang sama dengan banyaknya titik pada sebuah
ruas garis
Contoh: Pendapatan seseorang dalam perbulan
136
DEFINISI DISTRIBUSI
PROBABILITA
• Distribusi probabilita untuk suatu random variabel
menggambarkan bagaimana probabilita terditribusi
untuk setiap nilai random variabel.
• Distribusi probabilita didefinisikan dengan suatu
fungsi probabilita, dinotasikan dengan f(x), yang
menunjukkan probabilita untuk setiap nilai random
variabel.
• Ada 2 tipe distribusi probabilita:
1. Diskrit
2. Kontinu
137
DISKRIT
• Distribusi probabilita diskrit, yaitu apabila random
variabel yang digunakan diskrit.
– Syarat:
a. f(x) ≥ 0
b.  f(x) = 1
– Distribusi probabilita diskrit dapat digambarkan

dalam bentuk tabel, grafik, maupun persamaan.
138
DISKRIT (L)
• Contoh distribusi probabilita diskrit
Menggunakan data penjualan TV di Toko JSL,
distribusi probabilita adalah sebagai berikut:
Jumlah TV Terjual Jumlah hari x f(x)

0 80 0 0,40
1 50 1 0,25
2 40 2 0,20
3 10 3 0,05
4 20 4 0,10
200 1,00
139
DISKRIT (L)
• Contoh: Toko JSL
Representasi distribusi probabilita data penjualan TV
di Toko JSL secara grafik adalah sebagai berikut:
.50
.40
Probabilita
.30
.20
.10
0 1 2 3 4
Nilai variabel acak x (penjualan TV)
140
JENIS DISTRIBUSI
PROBABILITA DISKRIT
1. Seragam (Uniform)
Fungsi Probabilita Uniform
untuk 1semua nilai x

f (x) 
n
dimana n merupakan banyaknya obyek dan

diasumsikan memiliki sifat yang sama.
141
JENIS DISTRIBUSI
PROBABILITA DISKRIT (L)
2. Binomial
Sifat percobaan Binomial

– Percobaan dilakukan dalam n kali ulangan yang
sama.
– Kemungkinan yang terjadi pada tiap ulangan
hanya ada 2, yaitu “sukses” atau “gagal”.
– Probabilita “sukses” yang dinotasikan dengan p
selalu tetap pada tiap ulangan.
– Tiap ulangan saling bebas (independent).
142
JENIS DISTRIBUSI
2. Binomial (Lanjutan)
Fungsi Probabilita Binomial

n!
f (x)  p x (1  p)( n  x )
x! (n  x )!
dimana x = banyaknya sukses yang terjadi dalam n

kali ulangan
p =probabilita “sukses”
n =banyaknya ulangan
143
JENIS DISTRIBUSI
– Nilai Harapan (Expected Value)

E(x) =  = np
– Varian
Var(x) = 2 = np(1 - p)
– Simpangan Baku (Standard Deviation)

SD(x)  σ  np(1  p)
144
JENIS DISTRIBUSI
CONTOH: PERUSAHAAN ASURANSI

Misalkan sebuah perusahaan asuransi mempunyai 3
calon pelanggan, dan pimpinan perusahaan yakin
bahwa probabilita dapat menjual produknya adalah
0,1. Berapa probabilita bahwa 1 pelanggan akan
membeli produknya?
Pada kasus ini, p = 0,1 n=3 x=1
145
JENIS DISTRIBUSI
3!
f (1)  (0,1)1(0,9)2
1! (3  1)!
= (3)(0,1)(0,81) = 0,243
Nilai Harapan: E(x) =  = np = 3.(0,1) = 0,3

Varian: Var(x) = 2 = np(1 - p) = 3(0,1)(0,9) = 0,27
Simpangan Baku:  = 0,52
146
JENIS DISTRIBUSI

Menggunakan Tabel Binomial
p
n x .10 .15 .20 .25 .30 .35 .40 .45 .50
3 0 .7290 .6141 .5120 .4219 .3430 .2746 .2160 .1664 .1250
1 .2430 .3251 .3840 .4219 .4410 .4436 .4320 .4084 .3750
2 .0270 .0574 .0960 .1406 .1890 .2389 .2880 .3341 .3750
3 .0010 .0034 .0080 .0156 .0270 .0429 .0640 .0911 .1250
147
JENIS DISTRIBUSI
3. Poisson
Sifat percobaan Poisson

– Peluang suatu kejadiian adalah sama untuk 2
(dua) interval yang sama.
– Kejadian pada suatu inverval saling bebas

dengan kejadian pada inverval yang lain
148
JENIS DISTRIBUSI
3. Poisson (Lanjutan)
Fungsi Probabilita Poisson

 xe
f (x) 
x!
dimana
x = banyaknya kejadian pada interval waktu tertentu
 = rata-rata banyaknya kejadian pada interval waktu
tertentu
e = 2.71828
149
JENIS DISTRIBUSI
CONTOH: RUMAH SAKIT MERCY

Di RS Mercy, rata-rata pasien mendatangi UGD pada
akhir minggu adalah 3 pasien per jam. Berapa
probabilita ada 4 pasien mendatangi UGD pada akhir
minggu?
 = 3 pasien perjam, x = 4
3 4 (2,71828)3
f ( 4)   0,1680
4!
150
JENIS DISTRIBUSI
CONTOH: RUMAH SAKIT MERCY

Menggunakan Tabel Poisson

x 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0
0 .1225 .1108 .1003 .0907 .0821 .0743 .0672 .0608 .0550 .0498
1 .2572 .2438 .2306 .2177 .2052 .1931 .1815 .1703 .1596 .1494
2 .2700 .2681 .2652 .2613 .2565 .2510 .2450 .2384 .2314 .2240
3 .1890 .1966 .2033 .2090 .2138 .2176 .2205 .2225 .2237 .2240
4 .0992 .1082 .1169 .1254 .1336 .1414 .1488 .1557 .1622 .1680
5 .0417 .0476 .0538 .0602 ..0668 .0735 .0804 .0872 .0940 .1008
6 .0146 .0174 .0206 .0241 .0278 .0319 .0362 .0407 .0455 .0504
7 .0044 .0055 .0068 .0083 .0099 .0118 .0139 .0163 .0188 .0216
8 .0011 .0015 .0019 .0025 .0031 .0038 .0047 .0057 .0068 .0081
151
JENIS DISTRIBUSI
4. Hipergeometrik
– Pada distribusi hypergeometrik, antar ulangan
tidak bebas dan peluang sukses berubah dari
satu ulangan ke ulangan yang lain
– Fungsi Probabilita Hipergeometrik
dimana
 r  N  r  x = banyaknya sukses dalam
  
 x  n  x  n kali ulangan
f (x)  n = banyaknya ulangan
N 
  N = banyaknya elemen populasi
n r = banyaknya sukses dalam
populasi
152
JENIS DISTRIBUSI
4. Hipergeometrik (Lanjutan)
CONTOH: BATERAI BOB
Bob berniat mengganti 2 baterai yang mati, namun ia
tidak sengaja mencampurnya dengan 2 baterai yang
baru. Keempat baterai terlihat identik. Berapa
probabilita Bob mengambil 2 baterai yang masih
baru?
 r  N  r   2  2   2!  2! 
        
 x  n  x   2  0    2!0!  0!2!   1  0,167
f (x)  
N   4  4!  6
     
n  2  2!2! 
153
KONTINU
• Distribusi probabilita kontinu, yaitu apabila random
variabel yang digunakan kontinu.
• Probabilita dihitung untuk nilai dalam suatu interval
tertentu.
• Probabilita di suatu titik = 0.
• Probabilita untuk random variabel kontinu (nilai-
nilainya dalam suatu interval), misalkan antara x1 dan
x2, didefinisikan sebagai luas daerah di bawah kurva
(grafik) fungsi probabilita antara x1 dan x2.
154
JENIS DISTRIBUSI
PROBABILITA KONTINU
1. Seragam (Uniform)
Suatu random variabel dikatakan terdistribusi secara
uniform apabila nilai probabilitanya proporsional
terhadap panjang interval.
Fungsi Densitas Probabilita Uniform:
1
f (x)  untuk a < x < b
ba
=0 untuk x lainnya
dimana a = batas bawah interval
b = batas atas interval
155
JENIS DISTRIBUSI
PROBABILITA KONTINU (L)
1. Seragam (Uniform) (Lanjutan)
Nilai Harapan (Expected Value):
ab
E( X ) 
2
Varian:
( b  a )2
Var ( X ) 
12
dimana a = batas bawah interval
b = batas atas interval
156
JENIS DISTRIBUSI
CONTOH: BUFFET SLATER
Buffet Slater menjual salad dan salad yang dibayar oleh para
pelanggannya menyebar secara uniform antara 5 ons sampai
dengan 15 ons.
Fungsi Densitas Probabilita:
untuk a < x < b
1
f ( x=)0
b  a untuk x lainnya
dimana x = berat salad yang dibeli oleh pelanggan
157
JENIS DISTRIBUSI
CONTOH: BUFFET SLATER
Nilai Harapan (Expected Value):
a  b 5  15
E( X )    10
2 2
Varian:
(b  a)2 (15  5)2
Var ( X )    8,33
12 12
158
JENIS DISTRIBUSI
2. Normal
Fungsi Densitas Normal
2
1  ( x  2)
f (x)  e 2
 2
x
dimana: 
 = rata-rata (mean)
 = simpangan baku (standard deviation)
 = 3.14159
e = 2.71828
159
JENIS DISTRIBUSI
2. Normal (Lanjutan)
Karakterisik Distribusi Probabilita Normal
– Bentuk kurva normal seperti bel dan simetris.
– Parameter , menunjukkan lebar dari kurva normal
(semakin besar nilainya, semakin lebar).
– Titik tertinggi dari kurva nomal terletak pada nilai rata-
rata=median=modus.
– Luas total area di bawah kurva normal adalah 1. (luas
bagian di sebelah kiri µ = sebelah kanan µ).
– Probabilita suaru random variabel normal sama
dengan luas di bawah kurva normal.
160
JENIS DISTRIBUSI
2. Normal (Lanjutan)
Persentase nilai pada interval yang sering digunakan
– 68,26% nilai dari suatu variabel acak normal
berada pada interval µ±
berada pada interval µ±2
berada pada interval µ±3
161
JENIS DISTRIBUSI
3. Normal Baku (Standard Normal)
– Variabel acak yang berdistribusi Normal Baku
adalah suatu variabel acak yang berdistribusi
Normal dengan rata-rata 0 dan varian 1, dan
dinotasikan dengan z.
– Variabel acak Normal dapat diubah menjadi
variabel acak Normal Baku dengan
transformasi: x
z

162
JENIS DISTRIBUSI
3. Normal Baku (Standard Normal) (Lanjutan)
CONTOH: TOKO OLI
Penjualan oli di sebuah toko diketahui mengiktui
distribusi normal dengan rata-rata 15 kaleng dan
simpangan baku 6 kaleng. Suatu hari pemilik toko
ingin mengetahui berapa probabilita terjualnya lebih
dari 20 kaleng. Berapa P(X > 20)?
163
JENIS DISTRIBUSI
CONTOH: TOKO OLI (Lanjutan)
x   20  16
z   0,83
 6
– Tabel normal baku menunjukkan luas sebesar
0,2967 untuk daerah antara z = 0 dan z = 0,83.
– P(X > 20) = P(Z > 0,83) = daerah yang diarsir =
0,5 – 0,2967 = 0,2033.
164
JENIS DISTRIBUSI
Area = .2967
Area = .5 - .2967
= .2033
Area = .5
z
0 .83
165
JENIS DISTRIBUSI
Menggunakan Tabel Normal Baku
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2518 .2549
.7 .2580 .2612 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
166
JENIS DISTRIBUSI
4. Eksponensial (Exponential)
– Fungsi densitas:
1 x > 0, µ > 0
untuk
x
f (x)  e

dimana µ = rata-rata (mean) dan e = 2.71828
– Fungsi Distribusi Eksponensial Kumulatif

xo

P ( x  x0 )  1  e 
dimana x0 = suatu nilai tertentu dari x
167
JENIS DISTRIBUSI
4. Eksponensial (Exponential) - (Lanjutan)
CONTOH: TEMPAT CUCI MOBIL A-1
Waktu kedatangan mobil pelanggan tempat cuci A-1
mengikuti distribusi eksponensial dengan rata-rata
waktu kedatangan 3 menit. A-1 ingin mengetahui
berapa probabilita waktu kedatangan antara suatu
modil dengan mobil berikutnya adalah 2 menit atau
kurang.
P(X < 2) = 1 – 2,71828-2/3 = 1 - 0,5134 = 0,4866
168
JENIS DISTRIBUSI
4. Eksponensial (Exponential) - (Lanjutan)
CONTOH: TEMPAT CUCI MOBIL A-1
0,4
0,3 P(x < 2) = luas = 0,4866
0,2
0,1
x
1 2 3 4 5 6 7 8 9 10
Waktu kedatangan yang berurutan (menit)
169
SEKIAN &
170
SAMPLING DAN DISTRIBUSI
SAMPLING
CAKUPAN MATERI:
• Sampel Acak Sederhana (Simple Random Sampling
– SRS)
• Estimasi Titik (Point Estimation)
• Distribusi Sampling untuk Rata-rata
• Distribusi Sampling untuk Proporsi
• Sifat Penaksir (estimator) Titik
• Estimasi Interval (Interval Estimation)
171
INFERENSIA STATISTIK
• Tujuan dari inferensia statistik adalah untuk

memperoleh informasi tentang populasi berdasarkan
informasi sampel.
• Populasi adalah kumpulan dari seluruh obyek yang
diamati.
• Sampel adalah himpunan bagian dari populasi.
• Hasil dari sampel adalah nilai estimasi dari
karakteristik populasi.
• Parameter adalah karakteristik dari populasi.
• Dengan metode sampling yang sesuai/tepat, sampel
yang terpilih adakan menghasil estimator yang “baik”
mengenai karakteristik populasi.
172
INFERENSIA STATISTIK (L)
• Inferensi Statistik meliputi:

1. Estimasi Parameter, terdiri dari:
• Estimasi Titik (Point Estimation), yaitu suatu
nilai dari sampel sebagai estimator parameter
• Estimasi Interval (Interval Estimation), yaitu
suatu interval yang dengan tingkat
kepercayaan tertentu memuat nilai parameter.
2. Pengujian Hipotesis
173
SAMPEL ACAK SEDERHANA
(SIMPLE RANDOM SAMPLING – SRS)
1. Populasi Terbatas (Finite Population)

– SRS untuk populasi terbatas berukuran N adalah
sampel yang dipilih sedemikian sehingga masing-
masing kemungkinan sampel berukuran n
memiliki peluang yang sama untuk terpilih.
– Ada 2 (dua) tipe, yaitu:
• Dengan Pengembalian (with replacement -
WR)
• Tanpa Pengembalian (without replacement -
WOR)
174
SAMPEL ACAK SEDERHANA
(SIMPLE RANDOM SAMPLING – SRS)
2. Populasi Tak Terbatas (Infinite Population)

– SRS dari populasi tak terbatas merupakan
sampel yang dipilih sedemikian sehingga kondisi
berikut terpenuhi:
• Masing-masing elemen dipilih dari populasi
yang sama
• Setiap elemen dipilih secara bebas
(independent)
175
ESTIMASI TITIK
(POINT ESTIMATION)
• Dalam estimasi titik kita menggunakan data sampel

untuk menghitung suatu nilai statistik sebagai
estimasi parameter populasi.
• Contoh:
– x sebagai estimator titik dari rata-rata populasi,
.
– s sebagai estimator titik dari simpangan baku
populasi, .
– p̂ sebagai estimator titik dari proporsi populasi,
p.
176
SAMPLING ERROR
• Sampling error merupakan perbedaan absolut antara

estimator tak bias (unbiased) dengan paramemter
populasi.
• Contoh sampling error:
| x   |untuk rata-rata sampel
| s   |untuk simpangan baku sampel
| p̂  p |untuk proportsi sampel
177
DISTRIBUSI SAMPLING
X UNTUK
• Proses Inferensi Statistik
Population Sampel Acak sederhana

dg Rata-rata berukuran n dipilih
m=? dari populasi.
Nilai x digunakan Data sampel

Untuk membuat menghasilkan nilai
inferensi tentang m. rata-rata sampel x .
178
DISTRIBUSI SAMPLING
XUNTUK (L)
• Distribusi sampling untuk x adalah distribusi
probabilita dari semua kemungkinan nilai rata-rata
sampel x .
• Expected Value
E( ) = x
dimana  = rata-rata populasi
• Simpangan baku dari x
– Populasi Terbatas Populasi Tak terbatas
 Nn 
x  ( ) x 
n N 1 n
( N n )
( N1)
– merupakan faktor koreksi 179

DISTRIBUSI SAMPLING
XUNTUK (L)
• Populasi terbatas diperlakukan seperti populasi tak
terbatas bila n/N < 0,05.
•  x merupakan kesalahan baku (standard error) dari
rata-rata.
• Jika n > 30, Teorema Limit Pusat (central limit
theorem) menyatakan bahwa distribusi sampling
untuk x mendekati distribusi Normal.
• Jika n < 30), distribusi sampling x dapat diasumsikan
normal jika dan hanya jika populasinya memiliki/
diasumsikan berdistribusi Normal.
180
DISTRIBUSI SAMPLING
p̂ UNTUK
• Distribusi sampling untuk p̂ adalah distribusi
probabilita dari semua kemungkinan nilai proporsi
sampel p̂ .
• Expected Value
E( ) = pp̂
dimana p = proporsi populasi
• Simpangan baku dari p̂
– Populasi Terbatas Populasi Tak terbatas
p(1  p) N  n p(1  p)
 p̂   p̂ 
n N 1 n
 p̂
– merupakan kesalahan baku dari proporsi 181
SIFAT PENAKSIR
(ESTIMATOR) TITIK
• Sebelum menggunakan suatu nilai sampel sebagai
estimator titik, perlu diperiksa apakah nilai sampel
tersebut memenuhi sifat-sifat sebagai estimator yang
baik, yaitu:
a. Tak bias (Unbiased), yaitu jika nilai harapan dari
estimator sama dengan nilai parameter populasi
yang diestimasi.
b. Efisien (Efficient), yaitu jika estimator tersebut
memiliki standar error yang paling kecil
dibandingkan estimator tak bias yang lain.
c. Konsisten (Consistent)
182
SIFAT PENAKSIR
(ESTIMATOR) TITIK (L)
c. Konsisten (Consistent)
Suatu estimator dikatakan memiliki sifat
konsisten, apabila estimator tersebut cenderung
mendekati nilai parameter populasi jika ukuran
sampel ditingkatkan (semakin besar).
183
ESTIMASI INTERVAL
(INTERVAL ESTIMATION)
• Interval kepercayaan untuk rata-rata populasi normal.
Varian populasi diketahui.
Misalkan variabel acak n observasi/sampel dari suatu
populasi berdistribusi normal dengan rata-rata μ dan
varian σ2. Jika σ2 diketahui dan rata-rata sampel yang
diobservasi adalah x maka interval kepercayaan
100(1 – α)% untuk rata-rata populasi adalah:
z 2  z 2 
x    x
n n
dimana z 2 memenuhi

P( Z  z 2 ) 
2
dan Z mempunyai distribusi normal baku.
184
ESTIMASI INTERVAL
(INTERVAL ESTIMATION) (L)
• Interval kepercayaan untuk rata-rata populasi: sampel
dengan ukuran besar
Misalnya n observasi/sampel dari suatu populasi
dengan rata-rata μ. Maka jika n besar, interval
kepercayaan 100(1 – α)% untuk μ adalah:
z 2 s z 2 s
x    x
n n
dimana s = simpangan baku sampel
Penafsiran ini secara khusus akan tetap sesuai
walaupun distribusi populasi bukan normal.
185
DISTRIBUSI t
• Kurva dari distribusi t memiliki bentuk mirip dengan
kurva normal, namun lebih runcing.
• Ciri khusus: distribusi t tergantung pada suatu
parameter yang disebut derajat bebas (degrees of
freedom).
• Jika derajat bebas meningkat maka perbedaan
distribusi t dengan distribusi normal baku semakin
kecil.
• Distribusi t dengan derajat bebas yang lebih besar
memiliki varian yang lebih kecil.
• Rata-rata dari distribusi t = 0 (nol).
186
DISTRIBUSI t
• Membaca Tabel Student’s t
Misalkan α = 0,05 dan n = 10, maka nilai tabel
tn-1,α/2 = t(10-1);0,025 = 2,262
Degrees Area in Upper Tail
of Freedom .10 .05 .025 .01 .005
. . . . . .
7 1.415 1.895 2.365 2.998 3.499
8 1.397 1.860 2.306 2.896 3.355
9 1.383 1.833 2.262 2.821 3.250
10 1.372 1.812 2.228 2.764 3.169
. . . . . .
187
ESTIMASI INTERVAL
• Interval kepercayaan untuk rata-rata populasi normal:
varian populasi tidak diketahui
Misalnya n observasi dari variabel acak dari populasi
berdistribusi normal dengan rata-rata μ dan varian tidak
diketahui. Interval kepercayaan 100(1-α)% untuk rata-
rata populasi adalah
t n1, 2 s x t n1, 2 s x
x   x
n n
dimana tn-1,α/2 memenuhi
P(tn-1 > tn-1,α/2 ) = α/2
Variabel acak tn-1 mempunyai distribusi student’s t
dengan derajat bebas (n–1).
188
UKURAN SAMPEL UNTUK ESTIMASI
INTERVAL RATA-RATA POPULASI
• Misalkan E = nilai sampling error maksimum yang

ditentukan.
• E sering disebut sebagai batas kesalahan (margin of
error).
maka

E  z 2
n
sehingga
(z 2 )2  2
n
E2
189
ESTIMASI INTERVAL
• Interval kepercayaan untuk proprosi populasi (sampel
besar)
Jika p̂ menotasikan proporsi “sukses” dalam sampel
acak dari n observasi suatu populasi dengan proporsi
sukses p. Maka, jika n besar, interval kepercayaan
100(1 – α)% untuk proporsi populasi adalah
p̂ x (1  p̂ x ) p̂ x (1  p̂ x )
p̂  z 2  p  p̂  z 2
dimana zα/2 memenuhi n n
P (Z > zα/2) = α/2
Z mempunyai distribusi normal baku.
190
UKURAN SAMPEL UNTUK ESTIMASI
INTERVAL PROPORSI POPULASI
• Misalkan E = nilai sampling error maksimum yang

ditentukan.
• E sering disebut sebagai batas kesalahan (margin of
error).
p(1  p)
maka E  z
2
n
sehingga
( z 2 )2 p(1  p)
n
E2
191
CONTOH
ESTIMASI INTERVAL
1. Suatu proses memproduksi kantong-kantong gula.
Berat kantong-kantong diketahui berdistribusi normal
dengan simpangan baku 1,2 ons. Suatu sampel 25
kantong diambil dan memiliki rata-rata 19,8 ons.
Buatlah selang kepercayaan 95% untuk rata-rata
populasi berat kantong gula!
SOLUSI: α = 0,05 zα/2 = 1,96
z 2  z 2 
x    x
n n
(1,96)(1,2) (1,96)(1,2)
19,8     19,8 
25 25
19,33    20,27
192
CONTOH
ESTIMASI INTERVAL (L)
2. Sampel acak berukuran 172 mahasiswa akuntansi
ditanya pendapat mereka ttg pentingnya suatu
pekerjaan dengan skala 1 (tidak penting) s.d. 5
(sangat penting). Ternyata diperoleh rata-rata nilai
adalah 4,38 dengan standar deviasi 0,7. Buat selang
kepercayaan 99% untuk rata-rata populasi.
SOLUSI: α = 0,01 zα/2 = 2,575
z 2 s z 2 s
x    x
n n
(2,575)(0,7) (2,575)(0,7)
4,38     4,38 
172 172
4,24    4,52
193
CONTOH
3. Sampel acak berukuran 6 mobil dari suatu model
tertentu memiliki konsumsi bahan bakar sbb (mil per
galon):
18,6 18,4 19,2 20,8 19,4 20,5
Buat selang kepercayaan 90% untuk rata-rata
konsumsi bahan bakar populasi.
SOLUSI: α = 0,10 tn-1,α/2 = t5;0,05 = 2,015
t n1, 2 s t n1, 2 s
x    x
n n
(2,015)(0,98) (2,015)(0,98)
19,48     19,48 
6 6
18,67    20,29
194
CONTOH
4. Sampel acak berukuran 344 pemilik perusahaan ditanya
mengenai kebijakan perusahaan pada bagian pembelian
barang jika diberi hadiah oleh pemasok. Ternyata, 83
menyatakan tidak ada kebijakan apapun. Buat selang
kepercayaan 90% untuk proporsi populasi yg menyatakan
tidak ada kebijakan apapun berkenaan dg hal tersebut.
SOLUSI: α = 0,10 zα/2 = 1,645
p̂ x (1  p̂ x ) p̂ (1  p̂ x )
p̂  z 2  p  p̂  z 2 x
n n
(0,241)(0,759) (0,241)(0,759)
0,241  1,645  p  0,241  1,645
344 344
0,203  p  0,279
195

Pengantar Statistik-1 5

Diunggah oleh

Informasi Dokumen

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

Pengantar Statistik-1 5

Diunggah oleh

Hak Cipta:

Format Tersedia

Oleh: Siti Amalia

Program Ekonomi Pembangunan

Riduwan, 2009. Pengantar

Gani, Irwan dan Amalia. 2014. Alat

What; Apa yang dimaksud dengan Statistik?

Where; Dimana saja Menggunakan Statistik?

When; Kapan Menggunakan Statistik?

Who; Siapa yang Menggunakan Statistik?

How; Bagaimana Menggunakan Statistik?

• Mason memberikan definisi tentang

• Variabel adalah karakteristik data yang menjadi

2. Time Series Data

• Tujuan: mendapatkan informasi lebih dalam tentang

• Distribusi frekuensi relatif merupakan tabel ringkasan

Kategori Rating Pendapat

– Hanya 4% pelanggan bengkel dengan biaya

Hubungan Positif Hubungan Negatif Tidak ada hubungan

Metode Metode Metode Metode

 Distr. Frekuensi  Grafik  Distr. Frekuensi  Plot Titik

2. Ukuran Lokasi (Location measurement):

Dimana xi = nilai tengah kelas ke-i 40

Dimana xi = nilai tengah kelas ke-i 41

• Modus = 450 (muncul sebanyak 7 kali)

Frekuensi Frekuensi Lower

DATA BERKELOMPOK (L)

Berdasarkan kasus sewa kamar apartemen

Sample: Simpangan baku = s  s 2

Populasi: Simpangan baku =    2

• Harga relatif dirumuskan:

• Berikut adalah biaya iklan melalui surat kabar dan

• Kenaikan biaya iklan melalui televisi lebih besar

• Jika penimbang menggunakan periode t, maka

Quantity (BTU) Unit Price ($/BTU)

– Dalam Indeks Harga Agregat kelompok

• Komponen Siklis (Cyclical Component)

• Komponen Tak Beraturan (Irregular Component)

1. Mean Squared Error (MSE)

2. Mean Absolute Deviation (MAD)

Ft+1 = w1(Yt-2) + w2(Yt-1) + w3(Yt)

dimana jumlah total penimbang (nilai w) = 1.

• Penghalusan Eksponensial (Exponential Smoothing)

• Manajemen perusahaan penghasil produk “X” ingin

• Prosedur penghitungan untuk mencari b0 dan b1

• Menggunakan rumus penghitungan untuk b0 dan b1

• Apakah yang dimaksud (definisi) Probabilita/Peluang

- Contoh: Pelemparan sebuah dadu bermata 6

untuk kejadian yang mutually exclusive

• Ruang Contoh (Sample Space) adalah himpunan

• Kejadian (Events) adalah suatu himpunan bagian dari

– Dapat dijabarkan secara mudah dengan bantuan diagram

Rugi 2 (5, -2) Untung $3,000

5. Banyaknya kombinasi r benda dari n benda yang

M  C = {(10, 8), (5, 8)}

– CONTOH: INVESTASI BRADLEY

• Bila dalam suatu percobaan kejadian A dan B

• Dua kejadian A dan B dikatakan bebas bila

• Kaidah penggandaan pada kasus ini menjadi

• Contoh: Investasi Bradley

P(A) = P(B1) P(A|B1) + P(B2) P(A|B2) + … + P(Bk) P(A|Bk)

Jika kejadian-kejadian B1, B2, …, Bk merupakan sekatan

– Peluang terjadi kenaikan gaji karyawan

– Distribusi probabilita diskrit dapat digambarkan

Jumlah TV Terjual Jumlah hari x f(x)