Pengertian

Statistik
A. Dalam Arti Sempit
Adalah sekumpulan angka-angka yg
menerangkan sesuatu

B. Dalam Arti Luas

Merupakan kumpulan cara atau metode
dan aturan mengenai:

a. Pengumpulan
b. Pengolahan
Data utk
c. Penggolongan
mengambil
d. Penyajian keputusan
e. Penganalisaan
f. Menginterprestasikan
Pengertian
Statistik Lanjutan
A. Statistik
Dipakai untuk menyatakan kumpulan,
data, bilangan maupun non bilangan yg
disusun dalam tabel dan atau diagram yg
melukiskan atau menggambarkan suatu
persoalan, misalnya: - Statistik jlh
penduduk, - Statistik tingkat pendidikan,
- statistik jlh pengangguran, dll.

B. Statistika

Pengetahuan yg berhubungan dg cara

pengumpulan data, pengolahan, serta
penganalisaannya, penarikan kesimpulan
serta pembuatan keputusan yg cukup
beralasan berdasarkan data &
penganalisaan yg dilakukan.
Pembagian
Statistik
A. Berdasarkan cara pengolahan
1. Statistik Deskriptif
Disebut juga statistik deduktif yaitu: statistik
yg mempelajari cara pengumpulan dan
penyajian data sehingga mudah dipahami
Statistik Deskriptif berhubungan dg hal
menguraikan atau memberikan keterangan
mengenai suatu data atau keadaan atau
fenomena.

Statistik Deskriptif mencakup:

1. Distribusi Frekuensi meliputi:
a. grafik distribusi
b. ukuran nilai pusat
c. ukuran dispersi
d. kemencengan & keruncingan kurva
2. Angka indeks
3. Time series/deret waktu atau data berkala
4. Korelasi dan regresi sederhana
2. Statistik Inferensi
Disebut juga statistik induktif yaitu: statistik yg mempelajari
mengenai penafsiran & penarikan kesimpulan yg berlaku
secara umum dari data yg telah tersedia.
Statistik inferensi berhubungan dengan pendugaan populasi dan
pengujian hipotesis dari suatu data atau keadaan atau fenomena.

Statistik inferensi berfungsi meramalkan dan mengontrol keadaan

atau kejadian.

Statistik inferensi mencakup:

1. Probabilitas atau teori kemungkinan
2. Distribusi teoritis
3. Sampling dan distribusi sampling
4. Pendugaan Populasi dan teori populasi
5. Uji Hipotesis
6. Analisis korelasi dan uji signifikansi
7. Analisis regresi untuk peramalan.
 Baerdasarkan Bentuk Parameternya

1. Statistik Parametrik
Statistik yg parameter dr populasinya mengikuti suatu distribusi
tertentu, seperti distribusi normal dan memiliki varian yg homogen.

Pengambilan kesimpulan mengenai keseluruhan populasi yg didasarkn

pada data yg ada dr sampel membutuhkan asumsi, persyaratan atau
kondisi tertentu. Dalam statistik Induktif asumsi atau persyartn tsb adlh
bahwa bentuk distribusi populasinya diketahui, misalnya menyebar
secara normal. Biasanya berlaku dlm penelitian dg data terukur (data
dg skala interval atau skala ratio dan sampelnya cukup besar)

2. Statistik Non Parametrik

Statistik yg parameter dr populasinya tdk mengikuti suatu distribusi
tertentu, atau memiliki distribusi yg bebas dr persyaratan, dan
variansnya tdk perlu homogen.

Apabila asumsi, persyaratan, kondisi tsb di atas tdk dpt dipenuhi, yaitu
bahwa bentuk distribusi populasinya tdk diketahui (distribusi free).
Biasanya berlaku dlm penelitian dg data pencacahan (enumeration data
dg skala nominal atau skala ordinal) atau sampelnya kecil.
 Baerdasarkan Bentuk Parameternya

2. Statistik Non Parametrik

Statistik yg parameter dr populasinya tdk mengikuti suatu distribusi
tertentu, atau memiliki distribusi yg bebas dr persyaratan, dan
variansnya tdk perlu homogen.

Apabila asumsi, persyaratan, kondisi tsb di atas tdk dpt dipenuhi, yaitu
bahwa bentuk distribusi populasinya tdk diketahui (distribusi free).
Biasanya berlaku dlm penelitian dg data pencacahan (enumeration data
dg skala nominal atau skala ordinal) atau sampelnya kecil.

Contoh: Uji Chi Square, Uji Tanda (Sign Test), Wilcoxon’s Signed Rank
Test, Uji Kruskal-Wallis (H Test), Korelasi Jenjang Kendal, dll.
 Berdasarkan Skala Ukuran

1. Skala Nominal; ukuran yang hanya membedakan jenis saja, seperti

laki-laki dan perempuan

2. Skala ordinal; skala yang digunakan untuk mengukur menurut

pentingnya objek yang diukur. Skala ordinal merupakan skala
rangking. Contoh; juara I; juara II dan juara III

3. Skala interval; skala ukuran yang mempunyai tingkat pengukuran

yang lebih tinggi, yang ukurannya berdasarkan jarak yang senantiasa
sama. Ciri khas dari skala ini ialah jarak antara dua nilai yang
berurutan harus tetap sama dan tidak perlu ada nilai nol mutlak.
Contoh: berat badan

4. Skala rasio; suatu skala yang memiliki semua ciri suatu skala interval,
Meringkas sejumlah besar data ke dlm bentuk yg mudah & lengkap
merupakan inti dlm statistik deskriptif.

Penyusunan Distribusi Frekuensi

1. Banyaknya kelas yg digunakan utk mengelompokkan data biasa
nya 5 s/d 15. Banyaknya kelas yg sesungguhnya dipakai tergan
tung pada selera analis. Tentu saja disesuaikan dg tujuan .
Diusahakan kelas yg digunakan tdk menimbulkan kelas yg kosong
(frekuensi sama dengan nol).

2. Di dlm kelas-kelas yg digunakan, harus meliputi nilai data terkecil

& terbesar. Setiap nilai data harus masuk ke dlm satu & hanya satu
kelas. Oleh sebab itu, suatu nilai data masuk ke dlm dua kelas
harus dihindari.
3. Lebar (interval) kelas dibuat sama.

Jarak
Interval kelas 
Banyaknya kelas

4. Hindari kelas terbuka

1. Mengurutkan data dr yg terkecil ke yg terbesar
2. Menentuka jangkauan (range) dari data
Jangkauan = data terbesar – data terkecil
3. Menentukan banyaknya kelas (k)
Banyaknya kelas ditentukan dg rumus sturgess
k = 1 + 3,3 log n k bilangan bulat
Keterangan :
k = banyaknya kelas
n = banyaknya data
hasilnya dibulatkan, biasanya ke atas.
4. Menentukan panjang interval kelas:

Jangkauan ( R )
Panjang Interval kelas (i ) 
Banyaknya kelas (k )
5. Menentukan batas bawah kelas pertama
Batas bawah kelas pertama biasanya dipilih dr data terkecil atau
data terkecil yg berasal dr pelebaran jangkauan (data yg lebih
kecil dr data terkecil) dan selisihnya harus kurang dr panjang
interval kelasnya.
6. Menuliskan frekuensi kelas secara melidi dlm kolom turus atau
tally (sistem turus) sesuai banyakny data.

Data Nila Ujian Statistika 50 Mahasiswa Fakultas X Tahun 2009

55 48 22 49 78 59 27 41 68 54
34 80 68 42 73 51 76 45 32 53
66 32 64 47 76 58 75 60 35 57
73 38 30 44 54 57 72 67 51 86
25 37 69 71 52 25 47 63 59 64
Data Terurut Nilai Ujian Statistika 50 Mahasiswa Fakultas X Tahun 2009

22 25 25 27 30 32 32 34 35 37
38 41 42 44 45 47 47 48 49 51
51 52 53 54 54 55 57 57 58 59
59 60 63 64 64 66 67 68 68 69
71 72 73 73 75 76 76 78 80 86

Jangkauan (R) = 86 – 22 = 64

Banyaknya kelas k = 1 + 3,3 log 50 = 6,6 dibulatkan menjadi 7.

Panjang Interval kelas 64

i  9,14
7

Batas Kelas Pertama adalah 22

 Distribusi Frekuensi
Nilai Ujian Statistika 50 Mahasiswa Fakultas Ekonomi Tahun 2009

Kelas Ke Interval Kelas Banyaknya Mhs

1 22 – 31 5
2 32 – 41 7
3 42 – 51 9
4 52 – 61 11
5 62 – 71 9
6 72 – 81 8
7 82 – 91 1

Jumlah 50
Berikut ini adalah data Nila Ujian Statistika 50 Mahasiswa
Fakultas X Universitas Y Tahun 2009

93 91 70 56 70 82 65 92 77 95
48 49 79 84 95 74 53 71 93 85
73 83 30 76 86 74 68 93 83 78
74 70 81 63 80 96 87 92 38 81
68 73 74 86 57 72 71 80 80 43

1. Berapa mhs yg mendapat nilai 40 - 49 dan 80 – 89 ?

2. Berapa % mhs yg mendapat nilai 50 – 59 dan 90 – 99 ?
3. Berapa banyak mhs yg nilainya kurang dari 50 ?
4. Berapa banyak mhs yg nilainya kurang dari 70 ?
30 38 43 48 49 53 56 57 63 65
68 68 70 70 70 71 71 72 73 73
74 74 74 74 76 77 78 79 80 80
80 81 81 82 83 83 84 85 86 86
87 91 92 92 93 93 93 95 95 96

Jangkauan (R) = 96 – 30 = 66
Banyaknya kelas k = 1 + 3,3 log 50 = 6,6 dibulatkan menjadi
7.
66
i  9,43
Panjang Interval kelas 7

Batas Kelas Pertama adalah 30

endro,its
 Distribusi Frekuensi Relatif
Nilai Ujian Statistika 50 Mahasiswa Fakultas X Tahun 2009

Kelas Ke Nilai Banyaknya Frekuensi

Mahasiswa Relatif (%)
(f)
1 30 – 39 2 (2/50)x100 = 4
2 40 – 49 3 (3/50)x100
3 50 – 59 3
4 60 – 69 4
5 70 – 79 16
6 80 – 89 13
7 90 – 99 9

50 100
 Distribusi Frekuensi Kumulatif Kurang Dari
Nilai Ujian Statistika 50 Mahasiswa Fakultas X Tahun 2009

Nilai f Frekuensi Kumulatif (f kumulatif)

Nilai fk Kurang Dari
< 30 0
30 – 39 2 < 40 2
40 – 49 3 < 50 5
50 – 59 3 < 60 8
60 – 69 4 < 70 12
70 – 79 16 < 80 28
80 – 89 13 < 90 41
90 – 99 9 < 100 50
 Pola data yg disajikan dlm diagram dpt lebih mudah
ditangkap maknanya dibanding dg memperhatikan
tabel frekuensi. Bentuk penyajian grafik yang populer
adalah: 1. Histogram
2. Polygon Frekuensi
3. Diagram Pie
Histogram adlh suatu diagram batang dr distribusi Frekuensi

Polygon Frekws adlh diagram garis dr suatu distribusi frekuensi. Polygon

frekuensi diperoleh dg menghubungkan titik yg merupakan pasangan
koordinat titik tengah dan frekuensi setiap kelas.
12

10

8 Histogram

4
Polygon

20-29 30-39 40-49 50-59 60-69 70-79 80-89

Nilai
20-29
30-39
40-49
50-59
60-69
70-79
80-89
Disamping pembuatan tabel dan grafik, diperlukan juga
ukuran-ukuran yang dapat mewakili data tersebut,
sehingga dapat diucapkan secara singkat dan dapat
digunakan untuk membandingkan keadaan berbagai
kelompok data.

Statistik menyediakan suatu nilai berupa nilai tunggal yg

cukup mewakili keseluruhan nilai yg terdapat dlm data tsb.

Ukuran nilai pusat merupakan ukuran nilai yg dpt mewakili

data secara keseluruhan.
1. Rata-rata Hitung (Mean)

a. Rata-rata (mean) untuk data tunggal

1. Jika X1, X2, …..Xn merupakan n buah nilai dari variabel X

X 
X 
X 1  X 2  ....  Xn
n n

X = rata-rata hitung
X = wakil data
n = jumlah data

2. Jika X1, X2, …..Xn masing-masing memiliki frekuensi f1, f2, f3

X   fX

f 1X 1  f 2 X 2  ....  fnXn
f f 1  f 2  ........  fn
3. Jika f1 nilai yg memiliki rata-rata hitung m1,, f2 nilai yg memiliki rata-rata
hitung X i2 , ……. dan fk nilai yg memiliki rata-rata hitung mk, maka rata-
rata hitung dr keseluruhan nilai itu f1 + f2 + f3 + …………. + fk.

X 
 fm

f 1m1  f 2m 2  ....  fkmk
f f 1  f 2  ........  fk

Sebuah perusahaan memiliki 40 pekerja. Gaji yg diberikan 5 org Rp

350.000/mg, 10 org Rp 250.000/mg, dan 25 org dengan gaji Rp
125.000/mg.

Rata-rata nilai statistik 40 mahasiswa 77,1, kemudian

masuk lagi seorang mahasiswa sehingga nilai rata-rata
menjadi 77,5 berapakah nilai statistik mahasiswa yang
baru masuk ?.
 f 1m1  f 2m 2
X 
f 1 f 2

40 X 77,1  1m 2
77,5 
40  1

77,5 X 41 = 3.084 + m2

m2 = 3.177,5 – 3.084 = 93,5

1. Rata-rata Hitung (Mean)

b. Rata-rata (mean) untuk data berkelompok

1. Metoda biasa

X 
 fX
f
Nilai Satistik Banyaknya Mhs (f)
20 – 29 4
30 – 39 7
40 – 49 8
50 – 59 12
60 – 69 9
70 – 79 8
80 – 89 2
 Nilai Titik Tengah (m) Frekuensi (f) f.m
Satistik
20 – 29 24,5 4 98
30 – 39 34,5 7 241,5
40 – 49 44,5 8 356
50 – 59 54,5 12 654
60 – 69 64,5 9 580,5
70 – 79 74,5 8 596
80 – 89 84,5 2 169
50 2695

2695
X   53,90
50
1. Rata-rata Hitung (Mean)

b. Rata-rata (mean) untuk data berkelompok

2. Metoda Short Cut (Dapat memperoleh hasil lebih cepat)

Tahapan Metoda Short Cut:

1. Secara sembarang menetapkan titik tengah suatu kelas

untuk dianggap sebagai nilai rata-rata (μa)
2. Menentukan penyimpangan nomor interval kelas (d)
dari interval kelas dimana titik tengahnya dianggap
sebagai nilai rata-rata terhadap interval kelas yang lain.
3. Menghitung faktor koreksi yang akan membuat rata-
rata yang diasumsikan menjadi sama dengan rata-rata
yang diperoleh dari metode langsung.
Rumus Perhitungan Rata-rata Metode Short Cut adalah:

 f d 
   a   i

 N 

μ = rata-rata hitung
μa = rata-rata hitung yg diasumsikan
d = penyimpangan nomor interval kelas
f = frekuensi kelas
N = jumlah frekuensi
i = interval kelas
 Nilai Titik Frekuensi Penyim
Satistik Tengah (f) pangan f.d
(m) (d)
20 – 29 4 -3 -12
30 – 39 7 -2 -14
40 – 49 8 -1 -8
50 – 59 54,5 12 0 0
60 – 69 9 1 9
70 – 79 8 2 16
80 – 89 2 3 6
50 -3

μa
3
Rata  rata  54,5  ( )10  53,9
50
2. Rata-rata Posisi (Median)

a. Median Data Tunggal

Median untuk data tunggal dpt dicari dg pedoman sbb:
1) Jika jumlah data ganjil, mediannya adalah data yg berada paling tengah
2) Jika jumlah data genap, mediannya adalah hasil bagi jumlah dua data yg
berada di tengah.

b. Median Data Berkelompok

Median untuk data berkelompok dpt dicari dg rumus sbb:

1 / 2 n  (  f 2 )0
Me  B  .C
f Me
 B = tepi bawah kelas median
n = jumlah frekuensi
(∑f2)0 = jumlh frekuensi kelas-kelas sblm kelas median
C = panjang interval kelas
fMe = frekuensi kelas median

I
 Nilai Satistik Banyaknya Mhs (f)
20 – 29 4
30 – 39 7
40 – 49 8
50 – 59 12
60 – 69 9
70 – 79 8
80 – 89 2
Jumlah frekuensi (n) = 50 dan ½ n = 25
Kelas median adalah (∑f2)0 ≥ ½ n
f1 + f2 + f3 + f4 = 31 > 25
Jadi kelas median adalah kelas ke empat
B = 49,5
(∑f2)0 = 19
C = 10
fMe = 12

1 / 2 n  (  f 2 )0
Me  B  .C
f Me

25  19
Me  49,5  .10  54,5
12
Modus

☞Modus adalah nilai yg paling sering muncul dr serangkaian

data.

☞Serangkaian data mungkin memiliki dua modus (Bimodal)

atau lebih dari dua (Multimodal) adalah nilai yg paling
sering muncul dr serangkaian data.

 d1 
Mo  Lmo   i
 d1  d 2 
Lmo = batas kelas bawah kelas modus
d1 = selisih antara frekuensi kelas modus dg frekuensi
kelas sblm modus
d2 = selisih antara frekuensi kelas modus dg frekuensi
kelas setelah modus
i = interval kelas modus

 44 
Mo  50
Mo 50 10  55
..10 55,,71
71
 4433
 UKURAN DISPERSI

1. Jangkauan (Range, R)
2. Jangkauan Antarkuartil dan Jangkauan Semi Interkuartil
3. Deviasi rata-rata (Simpangan Rata-rata)
4. Varians

☞Jangkauan (Range, R)
a. Jangkauan Data Tunggal (Xn – Xl) atau H – L
b. Jangkauan Data Berkelompok
 Distribusi Frekuensi
Nilai Ujian Statistika 50 Mahasiswa Fakultas X Tahun 2009

Kelas Ke Interval Kelas Banyaknya Mhs

1 20 – 29 4
2 30 – 39 7
3 40 – 49 8
4 50 – 59 12
5 60 – 69 9
6 70 – 79 8
7 80 – 89 2
Jumlah 50

Titik Tengah Kelas Terendah = 24,5

Titik Tengah Kelas Tertinggi = 84,5
Tepi Bawah Kelas Terendah = 19,5
Tepi Atas Kelas Tertinggi = 89,5
1. Jangkauan = 84,5 – 24,5 = 60
2. Jangkauan = 89,5 – 19,5 = 70
Deviasi Rata-rata (Simpangan Rata-rata)

a. Deviasi Rata-rata Tunggal

 __

1  
  Xi  X 

__
DR    Xi  X   
n   n

Ex. Tentukan deviasi rata-rata dari 2, 3, 6, 8, 11

__
2  3  6  8  11
X  6
5


 
__
 14

Xi X 
 DR   2,8
DR 
n 5
 b. Deviasi Rata-rata Untuk Data Berkelompok

 __

1  
 f  Xi  X 
 X rata-rata =53,90
DR  
__
f  Xi  X   
n   n

Nilai Satistik  __
  __

X f  X  X  
fX  X
   
20 – 29 24,5 4 -29,4 -117,6
30 – 39 34,5 7 -19,4 -135,8
40 – 49 44,5 8 -9,4 -75,2
50 – 59 54,5 12 0,6 7,2
60 – 69 64,5 9 10,6 95,4
70 – 79 74,5 8 20,6 164,8
80 – 89 84,5 2 30,6 61,2
657,2
  __

 f  Xi  X 
 657,2
DR     13,14
n 50

Jadi Deviasi Rata-rata

adalah = 13,14
 VARIANS

Varian adalah nilai tengah kuadrat simpangan dr nilai tengah atau

simpangan rata-rata kuadrat. Untuk sampel, variansnya disimbolkan
dengan S2. Untuk populasi, variansnya disimbolkan dengan σ2 (baca:
Sigma)
A. Varians Data Tunggal

Untuk seperangkat data X1, X2, X3, …….. Xn (data tunggal) varians dapat
ditentukan dengan:
1. Metoda Biasa

a. Untuk sampel besar (n > 30)

2
  __


 Xi  X 

Varians  
n
 VARIANS

A. Varians Data Tunggal

1. Metoda Biasa

a. Untuk sampel kecil (n ≤ 30)

2
 __

  Xi  X 
Varians  
n 1
 VARIANS

A. Varians Data Tunggal

1. Metoda Angka Kasar

 X
2
a. Untuk sampel besar (n > 30) X 2

 
2
S 
n  n 
 

b. Untuk sampel kecil (n ≤ 30) 2  X 2

 X
2

S 
n 1

n(n  1)
 __
Contoh: Tentukan Varians dari 2, 3, 6, 8, 11 X=6
 __
  __

2

X  X  X   X  X  X2
   
2 -4 16 4
3 -3 9 9
6 0 0 36
8 2 4 64
11 5 25 121

30 54 234

2 54 54
a. Metoda Biasa s  
5 1 4
 13,5

2 234 900 234 900

b. Metoda Angka Kasar s  
5  1 5(5  1)

4

20
 58,5  45  13,5
 VARIANS

A. Varians Data Berkelompok 2

 __

1. Metoda Biasa
 f  X  X 

2 
a. Untuk sampel besar (n > 30)
S 
n

2
  __

 f
X  X

2 
b. Untuk sampel kecil (n ≤ 30) S 
n 1
 VARIANS

A. Varians Data Berkelompok

2. Metoda Angka Kasar

a. Untuk sampel besar (n > 30)

   fX
2
fX 2

 
2
S 
n  n 
 

2  fX 2  fX 
2
b. Untuk sampel kecil (n ≤ 30)
S 
n 1

n(n  1)
 VARIANS

A. Varians Data Berkelompok

3. Metoda Coding

 fu   fu 
2 2
a. Untuk sampel besar (n > 30)
 
2 2
S C n  n 
 

b. Untuk sampel kecil (n ≤ 30) 2 2  fu 2

 fu 2

S C n 1

nn  1
Ket : C = Panjang Interval Kelas
d X  M
u = 
C C
M = Rata-rata Hitung Sementara
X rata-rata =53,90 METODA BIASA

2
 __
 2  __

 X  X   __
 f  X  X 
Interval X f    X  X 
   

20-29 24,5 4 -29,4 864,36 3.457,44

30-39 34,5 7 -19,4 376,36 2.634,52

40-49 44,5 8 -9,4 88,36 706,88

50-59 54,5 12 0,6 0,36 4,32

60-69 64,5 9 10,6 112,36 1.011,24

70-79 74,5 8 20,6 424,36 3.394,88

80-89 84,5 2 30,6 936,36 1.872,72

50 13.082

2 13.082
S 
50
 261,64
 METODA ANGKA KASAR

Interval X f X2 fx fx2
20-29 24,5 4 600,25 98,0 2.401,00
30-39 34,5 7 1.190,25 241,5 8.331,75
40-49 44,5 8 1.980,25 356,0 15.842,00
50-59 54,5 12 2.970,25 654,0 35.643,00
60-69 64,5 9 4.160,25 580,5 37.442,25
70-79 74,5 8 5.550,25 596,0 44.402,00
80-89 84,5 2 7.140,25 169,0 14.280,50
50 2.695,0 158.342,50

S2 = 3.166,85 – 2.905,21
S2 = 261,64
 METODA CODING

Interval X f u u2 fu fu2
20-29 24,5 4 -3 9 -12 36
30-39 34,5 7 -2 4 -14 28
40-49 44,5 8 -1 1 -8 8
50-59 54,5 12 0 0 0 0
60-69 64,5 9 1 1 9 9
70-79 74,5 8 2 4 16 32
80-89 84,5 2 3 9 6 18
Jumlah - 50 - - -3 131

2 2 131   3  2 
S  10    
 50  50  
= 100 { 2,62 – [-0,06]2}

= 100 X 2,6164 = 261,64

STANDAR DEVIASI (Simpangan Baku)

☞Deviasi menunjukkan berapa banyak suatu nilai berbeda dr

rata-rata hitungnya, sehingga deviasi = X –μ. Jumlah dr
seluruh deviasi positif dan negatif selalu sama dg nol,
∑ (X-μ) = 0

A. Simpangan Baku Data Tunggal

Untuk seperangkat data X1, X2, X3, …, Xn (data tunggal) Simpangan

Bakunya dapat ditentukan dg dua metode, yaitu metode biasa dan
metode angka kasar

1. Metode Biasa

a. Untuk sampel besar (n > 30)  __ 2



 X  X 

S  
n
1. Metode Biasa
 __ 2

b. Untuk sampel kecil (n ≤ 30)

 X  X 

S 
n 1

2. Metode Angka Kasar

a. Untuk sampel besar (n > 30) S

X 2
X

2

n  n


b. Untuk sampel kecil (n ≤ 30) X 2

 X  2

S 
n 1 n(n  1)
Berikut ini adalah nilai Quiz Statistik dari 10
Orang mahasiswa:
30, 35, 42, 50, 58, 66, 74, 82, 90, 98
Tentukan Simpangan Bakunya, Gunakan
Kedua rumus
  
2

__

__ X  X
X  X  X  
  X2
 
30 -32,5 1.056,25 900
35 -27,5 756,25 1225
42 -20,5 420.25 1764
50 -12,5 156,25 2500
58 -4,5 20,25 3364
66 3,5 12,25 4356
74 11,5 132,25 5476
82 19,5 380,25 6724
90 27,5 756,25 8100
98 35,5 1.260,25 9604
625 4.950,5 44013
1. Metode Biasa
4.950,5
S
b. Untuk sampel kecil (n ≤ 30)
10  1
S = 23,45

2. Metode Angka Kasar

b. Untuk sampel kecil (n ≤ 30) 44.013 (625) 2

S 
10  1 10(10  1)

4.890,33  4.340,28
S = 23,45
B. Simpangan Baku Data Berkelompok

1. Metode Biasa

a. Untuk sampel besar (n > 30)

 __

2

 
f X X
 
S 
n
1. Metode Biasa
 __ 2

b. Untuk sampel kecil (n ≤ 30)
 fX  X
 
S 
n 1

2. Metode Angka Kasar

a. Untuk sampel besar (n > 30) S

 fX 2   fX

2

n  n


b. Untuk sampel kecil (n ≤ 30)  fX 2

 fX  2

S 
n 1 n(n  1)
3. Metode Coding

a. Untuk sampel besar (n > 30) S C

 fu 2   fu

2

n  n


b. Untuk sampel kecil (n ≤ 30)  fu 2

 fu  2

S C 
n 1 n(n  1)
 Tentukan simpangan baku dr distribusi frekuensi nilai Quiz
Statistik 100 orang Mahasiswa berikut ini :

_ _ _
Nilai (f) X fX (X - X) (X-X)2 f(X-X)2
40 - 44 8 42 336 -13.85 191.8225 1534.58
45 - 49 12 47 564 -8.85 78.3225 939.87
50 - 54 19 52 988 -3.85 14.8225 281.6275
55 - 59 31 57 1767 1.15 1.3225 40.9975
60 - 64 20 62 1240 6.15 37.8225 756.45
65 - 69 6 67 402 11.15 124.3225 745.935
70 - 74 4 72 288 16.15 260.8225 1043.29
Jlh 100 5585 5342.75

Metoda biasa
1. Metode Biasa

a. Untuk sampel besar (n > 30)

 __

2

 f X  X 
 
S  
n

5.342,75
S
100

S = 7,31
 Metoda Angka Kasar

Nilai (f) X fX X2 fX2

40 - 44 8 42 336 1.764 14.122
45 - 49 12 47 564 2.209 26.508
50 - 54 19 52 988 2.704 51.376
55 - 59 31 57 1.767 3.249 100.719
60 - 64 20 62 1.240 3.844 76.880
65 - 69 6 67 402 4.489 26.934
70 - 74 4 72 288 5.184 20.736
Jlh 100 5.585 317.265
2. Metode Angka Kasar

a. Untuk sampel besar (n > 30) S

 fX 2   fX

2

n  n


317.265  5.585 2
S 
100  100

S = 7,31
 Metoda Coding

Nilai (f) X u u2 fu fu2

40 - 44 8 42 -3 9 -24 72
45 - 49 12 47 -2 4 -24 48
50 - 54 19 52 -1 1 -19 19
55 - 59 31 57 0 0 0 0
60 - 64 20 62 1 1 20 20
65 - 69 6 67 2 4 12 24
70 - 74 4 72 3 9 12 36
Jlh 100 -23 219
2. Metode Coding

a. Untuk sampel besar (n > 30) S C

 fu 2   fu

2

n  n

219   23 2
S 5 
100  100

S = 7,31
1. KOEFISIEN VARIASI

☞ Ukuran dispersi absolut hanya dapat

digunakan untuk melihat
penyimpangan nilai yang teradapat
pada suatu kumpulan data, bukan
untuk beberapa kumpulan data.

☞ Untuk membandingkan dispersi atau

variasi dr beberapa kumpulan data
digunakan istilah dispersi relatif.
 1. KOEFISIEN VARIASI

Jika dispersi absolut digantikan dg simpangan bakunya maka dispersi

relatifnya disebut koefisien variasi (KV).

s
KV  __
 100%
KV = koefisien variasi X
s = simpangan baku
__

X = rata-rata

2. KOEFISIEN JANGKAUAN (VR)

Variasi jangkauan adalah disperi relatif yang dispersi absolutnya

digantikan dg jangkauan.

R
VR  __
 100%
X
 3. VARIASI SIMPANGAN RATA-RATA (VSR)

Variasi simpangan rata-rata adalah disperi relatif yang dispersi

absolutnya digantikan dg simpangan rata-rata.

SR
VSR  __
 100%
X
4. VARIASI KUARTIL (VQ)

Variasi kuartil adalah disperi relatif yang dispersi absolutnya digantikan

dg kuartil.

Qd Q3  Q1
VQ   100 0 0 VQ   100 0 0
Me atau Q3  Q1
 CONTOH KASUS

Dua perusahaan 1). PT. Angin Ribut (A) 2). PT. Angin Adem (B)
memiliki karyawan sebanyak 50 orang. Untuk kepeluan penelitian
variasi gaji karyawan, diambil sampel sebanyak masing-masing 7 org
setiap perusahaan dgn gaji masing-masing perminggu (dlm ribuan
rupiah): 300, 250, 350, 400, 600, 500, 550, dan 200, 450, 250, 300, 350,
750, 500.
Tentukan dispersi relatif perusahaan tersebut (gunakan ke-4 macam
dispersi relatif)!

2.950
X
__

 XA   421,43
A
n 7

 X A  2.950 X
2
A  1.347.500
SA 
 X 2
X

2

1.347.500  2.950

2

n  n 7  7


SA = 122,057

__ XB 2.800
XB    400
n 7

X B  2.800 X B
2
 1.330.000
SB 
 X 2
X

2

1.330.000  2.800

2

n  n 7  7


SB = 173,205

SA
KV A   100 0 0 122,057
__  X 100%  28,96%
XA 421,43

SB
KV B   100 0 0 173,205
__
 X 100%  43,30%
XB 400
2. Perhitungan Variasi Jangkauan

RA = 600 -250 = 350

RB = 750 -200 = 550

RA
VR A   100 0 0
__ 350
XA  X 100%  83,09%
421,43

RB
VRB   100 0 0 550
__  X 100%  137,5%
XB 400
 3. Perhitungan Variasi Simpangan Rata-rata

__
XA  X 771,43
SR A 
A
  110,204
n 7
__
1000
XB  X B   142,857
SR B  7
n

SR A
VSR A  __
 100 0 0 110,204
 X 100%  26,12%
XA 421,43

SR B 142,857
VSR B  __
 100 0 0  X 100%  35,71%
XB 400
 4. Perhitungan Variasi Kuartil

Urutan Data

250, 300, 350, 400, 500, 550, 600 (Gaji Karyawan PT. Angin Ribut)

200, 250, 300, 350, 450, 500, 750 (Gaji Karyawan PT. Angin Adem)

Q1A = 300, Q3A = 550, MeA = 400

Q1B = 250, Q3B = 500, MeB = 350

Qd A  1
2
Q3 A  Q1 A  Qd A  1
2
550  300  125

Qd B  1
2
Q3B  Q1B  Qd A  12 500  250  125
 Qd A 125
VQ A   100 0 0 VQ A   100 0 0  31,25%
Me A 400

Qd B 125
VQB   100 0 0 VQ B 
350
 100 0 0  35,71%
Me B

550  300
Q3 A  Q1 A VQ A   100 0 0  29,4%
VQ A   100 0 0 550  300
Q3 A  Q1 A

Q3 B  Q1B 500  250

VQB   100 0 0 VQ B   100 0 0  33,33%
Q3 B  Q1B 500  250
 ANALYSIS OF VARIANCE
(ANOVA)

☞ Dengan menggunakan distribusi t dapat diuji apakah dua rata-

rata populasi berbeda atau tidak.
☞ Namun analis sering dihadapkan pada lebih dr dua populasi
(kelompok) & perlu utk mengetahui apakah rata-rata dari semua
populasi sama atau tidak sama.
☞ Suatu metoda analisis statistika utk menguji kesamaan lebih
dari dua rat-rata populasi dinamakan analisis varians (ANOVA).
Pengujian ini menggunakan distribusi F dan pengujian
dilakukan searah.
☞ Analisis varians (ANOVA) telah dikembangkan oleh R.A. Fisher
dan banyak digunakan dalam penelitian eksakta, namun
sekarang telah diterapkan hampir semua lapangan.
☞ Varians populasi diduga berdasarkan dua pendekatan yg
independen.
Penduga pertama (I) adalah rata-rata dr varians sampel.
Penduga kedua (II) dihitung berdasarkan variasi diantara sampel.

☞ Dalam Central Limit Theory, standar error rata-rata dirumuskan:

  / n
__ Jika kedua sisi dikuadratkan menjadi:
X

n 2
__
2 __
X Sehingga nilai varians populasi yg tepat dpt
diduga melalui perkalian variasi rata-rata sampel
dg ukuran sampel.
☞ Untuk mengetahui apakah perebdaan itu signifikan, digunakan
rasio F yg dirumuskan sbb:

Penduga kedua
n 2 __
X
F= =
Penduga pertama Rata-rata varians sampel
 ANALYSIS OF VARIANCE
(ANOVA)

Langkah-langkah perhitungan statistik F adalah

 __ __ __

a. Menghitung semua rata-rata sampel  X 1 , X 2 ,......., X k  dimana k adalah
banyaknya sampel  

b. Menghitung semua varians sampel (S12, S22, …… Sk2)

2
Dimana  
__

  Xi  X 
Varians  
n 1

S 2

k
c. Menghitung rata-rata varians sampel
 ANALYSIS OF VARIANCE (ANOVA)

Langkah-langkah perhitungan statistik F lanjutan

d. Menghitung rata-rata dr rata-rata sampel

X
k
e. Menghitung varians dari rata-rata sampel

2
X  X
2
  1 
S X 
k 1

n x varians rata-rata sampel

f. Menghitung statistik F=
rata-rata varians sampel

Distribusi F ini memiliki derajat bebas pembilang v1 = k-1 dan derajat

bebas penyebut v2 = k(n-1)

Sebuah perusahaan sepatu menggunakan tiga jenis bahan kulit dan
metoda pengolahan baru dengan kualitas yang sama. Data produksi
memiliki distribusi normal dengan varians yang sama. Produksi
sepatu setelah penggunaan metoda pengolahan kulit baru tersebut
adalah:

Kulit 1 Kulit 2 Kulit 3

87 78 90
83 81 91
79 79 84
80 82 82
81 80 88
410 400 435

Dengan tingkat Signifikan 5% ujilah apakah rata-rata produksi untuk tiap

jenis kulit adalah sama
 Jawab
1. H0 : μ1 = μ2 = μ3
H a : μ 1 ≠ μ2 ≠ μ3

2. Α = 5% dengan derajat bebas pembilang 3 - 1 = 2 dan

penyebut 3(5-1) = 12, maka nilai kritis F(0,05, 2, 12) = 3,88
__
3. a. X 1  410 / 5  82
__
X 2  400 / 5  80
__
X 3  435 / 5  87
b. S12 = 40/(5-1) =10
S22 = 2,5
S 2 = 15
 c. Rata-rata varians sampel = (10 + 2,5 + 15) / 3 = 9,16

d. Rata-rata dari rata-rata sampel X = (82 + 80 + 87)/3 = 83

2 __
e. Varians rata-rata sampel S X = (1 + 9 + 16)/2 = 13
f. Statistik F = (5 x 13) / 9,16 = 7,09

4. Karena statistik F lebih besar dari F tabel maka H0 ditolak.

Ini berarti bahwa rata-rata produksi untuk masing-masing
jenis kulit berbeda
Analisis varian di atas, hanya berkepentingan utk
meneliti apakah produksi sepatu berbeda
menurut jenis kulit yang dignkn. Berarti hanya
ada satu faktor yg mempengaruhi produksi.
Analisis varians seperti ini dinamakan one factor
(one way) analysis of variance.

Jika melibatkan beberapa faktor yg

mempengaruhi, disebut multiway analysis of
variance.
 Metode Jenis Jenis Jenis Jenis Jenis Rata-rata
Kulit 1 Kulit 2 Kulit 3 Kulit 4 Kulit 5 sampel
Metode 1 20 18 16 14 12 16
Metode 2 19 16 13 12 10 14
Metode 3 18 14 10 10 8 12
Rerata 19 16 13 12 10 14
__ __ __ __ __ __
X i1 X i2 X i3 X i4 X i5 X 1j
Dimana I = baris dan j = kolom

Faktor A = Dosis Pupuk

Faktor B = Jenis Tanah

Dengan tingkat Signifikan 5% ujilah apakah rata-rata produksi untuk tiap jenis
kulit dengan jenis metoda pengolahan adalah sama. Dengan kata lain apakah
jeniskulit dikombinasikan dengan jenis pengolahan berpengaruh nyata
terhadap produksi?
 Sumber Derajat Jumlah Rata-rata Statistik F
Variasi Bebas Kuadrat Kuadrat
Faktor A Kolom-1=4 SSA=150 MSA=SSA/4 MSA/MSE
37,5 75
Faktor B Baris-1=2 SSB=40 MSB=SSB/2 MSB/MSE
20 40
Kesalahan (k-1)(b-1) SSE=4 MSE=SSE/8
8 0,5

TOTAL 14 SST=194
  __ 2
SSA  b  X ij  X  = 3 (25 + 4 + 1 + 4 + 16) = 150
 

 __ 2
SSB  ki   X ij  X  = 5 ( 4 + 0 + 4 ) = 40
 

 __ 
2
SST i  j i


X ij  X

= 36 + 16 + 4 + 0 + 4 + 25 + 4 + 1 + 4 + 16 + 16 +
0 + 16 + 16 + 36= 194

A. H0 : μA1 = μA2 = … = μA5 Nilai kritis F(0,05;4;8)=3,84

H1 : μA1 ≠ μA2 ≠ … ≠ μA5 Statistik F= 75
Karena statistik F > F tabel maka H0 ditolak. Ini berarti rata-rata
populasi produksi berbeda.
B. H0 : μB1 = μB2 = … = μB5 H1 : μB1 ≠ μB2 ≠ … ≠ μB5
Nilai kritis F(0,05;2;8)=4,46
Statistik F= 40
Karena statistik F > F tabel maka H0 ditolak. Ini berarti rata-rata
populasi produksi berbeda.
 Jenis Dosis Dosis Dosis Dosis Dosis Rata-rata
Tanah Pupuk 1 Pupuk 2 Pupuk 3 Pupuk 4 Pupuk 5 sampel
Jenis 1 20 18 16 14 12 16
Jenis 2 19 16 13 12 10 14
Jenis 3 18 14 10 10 8 12
Jenis 4 24 13 14 16 13 16
Jenis 5 26 15 18 14 11 16,8
Rerata 21,4 15,2 14,2 13,2 10,8 15

Dimana I = baris dan j = kolom

Faktor A = Dosis Pupuk

Faktor B = Jenis Tanah

Dengan tingkat Signifikan 5% ujilah apakah rata-rata produksi untuk tiap jenis
pupuk dengan jenis tanah adalah sama. Dengan kata lain apakah pupuk
dikombinasikan dengan jenis tanah berpengaruh nyata terhadap produksi?
 ANGKA INDEKS

☞ Inflasi merupakan salah satu indikator keberhasilan pemerintah,

karena menyangkut kepentingan kesejahteraan orang banyak.

☞ Inflasi adalah tingkat kenaikan harga barang secara umum dan

berkelanjutan.

☞ Biasanya inflasi dihitung berdasarkan indeks harga konsumen.

☞ Angka indeks yang dimaksud disini adalah ukuran yg

menunjukkan perubahan tingkat harga, kuantitas, atau
produktivitas dibandingkan dengan periode tertentu yg
dinamakan periode dasar. Angka indeks dinyatakan dlm
persentase relatif dg indek periode dasar sebesar 100.
Angka indeks utk satu barang (Simle index) lebih dari satu barang composite indexs
 INDEKS HARGA TAK TERTIMBANG

☞ Indeks Harga tak tertimbang Metode Agregat pada periode n dg

periode dasar 0 dirumuskan sbb:

 Pn  100
 Po
☞ Sedangkan utk metode Rata-rata Relatif dirumuskan sbb:
 Pn / Po 100
i
∑ Pn = Jumlah harga semua barang periode n
Pn = Harga suatu barang pada periode n
∑ Po = Jumlah harga semua barang pada periode dasar
Po = Harga suatu barang pada periode dasar
I = Banyaknya barang
Nama Harga Per Unit Harga Relatif (Pn/Po) x 100
Barang 1983 1984 1985 2008 1984 1985 08

Beras 300 315 330 5000 105 110 1.666,67

Jagung 100 125 150 3000 125 150 3000
Kedelai 500 600 550 4000 120 110 800
Indeks harga
900 tahun
1040 1984 dg metode
1030 12000 agregat
350 tak
370 5.466,67
terimbang adalah:
(1.040/900) x 100 = 115,55.
Ini berarti bahwa harga keseluruhan tanaman pangan
(beras, jagung, kedelai) pada tahun 1984 adalah 1,155 kali
harga keselruhan tanaman pangan tahun 1983.
Indeks harga rata-rata relatif tak tertimbang adalah (350/3)
= 116,67 yg berarti bahwa harga pd th 1984 adalah 16,67
(116,67 -100) persen di atas harga th 1983.

Indeks harga tahun 1985 dg metode agregat tak terimbang adalah:

(1030/900) x 100 = 114,44. dan indeks harga dg metode rata-rata

relatif adalah : 370/3 = 123,3. Jadi perbedaan metode menghasilkan
angka indeks yg berbeda.

Indeks harga tahun 2008 dg metode agregat tak terimbang adalah:

(12000/900) x 100 = 1333,33
Ini berarti bahwa harga keseluruhan tanaman pangan (beras, jagung,
kedelai) pada tahun 1984 adalah 1,155 kali harga keselruhan tanaman
pangan tahun 1983.
 INDEKS HARGA TERTIMBANG

☞ Perhitungan angka indeks harga tak tertimbang menganggap

bahwa perubahan harga masing-masing barang mempunyai
peranan yg sama penting terhadap perubahan harga
keseluruhan.

☞ Anggapan tersebut sulit dipertahankan karena perubahan harga

biasanya dipengaruhi oleh jlh produksi atau penjualan masing-
masing barang. Oleh sebab itu penggunaan indeks harga
tertimbang lebih beralasan.

☞ Timbangan yg digunakan utk menyusun indeks harga metode

agregat adalah jumlah atau kuantitas produksi atau penjualan.
Terdapat dua (2) rumus yg terkenal utk menghitung indeks
harga:
 1. RUMUS LASPEYRES

IHL 
 Pn  Qo
 100%
 Po  Qo

☞ Dimana Qo adalah jumlah barang pada periode dasar

2. RUMUS PAASCHE

IHP 
 Pn  Qn
 100%
 Po  Qn

☞ Dimana Qn adalah jumlah barang pada periode n

☞ Perbedaan diantara keduanya rumus terletak pada timbangan yg
digunakan.
# Laspeyres menggunakan timbangan kualitas tahun dasar
# Paasche menggunakan timbangan kualitas pada periode
yang akan dicari indek harganya

☞ Perubahan indeks harga yg diperoleh dengan metoda Paasche

tdk hanya disebabkan oleh perubahan harga, karena timbangan
dari tahun berubah

☞ Perhitungan angka indeks harga dengan metode Paasche

membutuhkan waktu & tenaga lebih banyak utk mengumpulkan
data tentang timbangan yg digunakan. Namun metode Paasche
memberikn keuntungn krn menggunakn timbangan yg up to date
 Jenis Q83 P83 P84 P85 P83*Q83 P84*Q83 P85*Q83
Barang

Beras 35 300 315 330 10.500 11.205 211.550

Jagung 4 100 125 150 400 500 600

Kedelai 1 500 600 550 500 600 550

11.400 12.125 12.700

Misalnya kita tdk puas dg hsl indek harga tak tertimbang, krn terdpt perbedaan
yg sangat besar antara kuantitas produksi beras dg jangung ataupun kedelai,
maka dpt dilakukan analisis dg menggunakan rumus Laspeyres.

Diperoleh Indeks harga tahun 1984 dan tahun 1985 dg periode dasar 1983
adalah : (12.125/11.400)100 = 106,36 (indeks harga th 1984)

(12.700/11.400) 100 = 111,40 (indeks harga th 1985)

Kenaikan tingkat harga pada tahun 1985 dibanding tahun 1984
sebesar:
111,40  106,36
 100%  4,74%
106,36
 Jenis Q83 P83 P84 P2008 P83*Q83 P84*Q83 P2008*Q83
Barang

Beras 50 300 315 5000

Jagung 20 100 125 3000

Kedelai 10 500 600 4000

1. Hitung Indeks harga tahun 1984 dan tahun 2008 dg periode dasar
1983, jelaskan komentar anda berkaitan dengan peningkatan harga
th 1984 dengan rata-rata peningkatan per tahun 2003 s/d 2008.
2. Hitung kenaikan tingkat harga pada tahun 2008 dibanding tahun
1984.
 INDEKS HARGA RATA-RATA RELATIF TERTIMBANG

☞ Peranan perubahan harga relatif utk masing-masing jenis barang

dlm indeks harga rata-rata relatif diukur dg jlh rupiah yg
dikeluarkan utk barang tersebut selama periode tertentu.

☞ Karena banyaknya rupiah yg dikeluarkan merupakan hasil kali

antara harga dan kuantitas, maka timbangan yg digunakan dlm
metode rata-rata relatif adalah dari suatu barang yg dikonsumsi
atau dijual atau diproduksi. Indeks Harga RRT ini dirumuskan:
 Pn   Pn 
  Po
  100 Pt  Qt    Po
  100 Wt )
  Atau  
 Pt  Qt  Wt
Dimana :Pn/Po x 100 = Harga relatif periode n
Pt . Qt = Banyaknya rupiah yg dikeluarkan (nilai timbangan)
utk suatu jenis barang pada periode tertentu
Wt = Proporsi nilai rupiah yg dibelanjakan pada periode
tertentu
☞ Jika periode tertentu t sama dg periode dasar 0, maka rumusnya
berubah menjadi:

 Pn 
  Po  100 Po  Qo 
 
 Po  Qo
Nama Q Harga Per Unit Pn/Po x 100 P83Q83 Pn/Po x 100W

Barang 1983 (W)

1983 1984 1985 1984 1985 1984 1985

Beras 35 300 315 330 105 110 10.500 1.102.500 1.155.000

125 150 400 50.000 60.000

Jagung 4 100 125 150
55.000
120 110 500 60.000
Kedelai 1 500 600 550

900 1040 1030 350 370 11.400 1.212.500 1.270.000

 JENIS INDEKS HARGA

☞ Terdapat tiga macam indeks harga serta penggunaannya, yaitu

Indeks Harga Konsumen, Indeks Harga Perdagangan Besar dan
Implicit Price Deflator.

☞ 1. Indeks Harga Konsumen IHK

☞ Indeks Harga Konsumen (Consumer price index), dirancang untuk
mengukur perubahan harga dari sekumpulan barang dan jasa.
Yg dihitung menggunakan metode agregat tertimbang
Laspeyres.

☞ Dalam penyusunan indeks harga konsumen, Badan Pusat

Statistik (BPS) mengambil data harga eceran dari 44 kota
terbesar di Indonesia.
☞ Sekumpulan barang dan jasa yg digunakan dalam penyusunan
indeks harga konsumen (sekitar 300 barang dan jasa)
dikelompokkan ke dalam sub golongan makanan, perumahan,
sandang, aneka barang dan jasa.

☞ Pada saat ini BPS belum menerbitkan indeks biaya hidup,

sehingga indeks harga konsumen sering digunakan sebagai
pengganti indeks biaya hidup.

☞ Pengetahuan tentang indeks harga konsumen diperlukan utk

mengetahui daya beli rupiah pada suatu periode.
☞ 2. Indeks Harga Perdagangan Besar (Indeks Harga Produsen)

☞ Pada saat ini BPS menerbitkan beberapa macam indeks

perdagangan besar, misalnya indeks harga perdagangan besar
sektor pertanian, pertambangan, industri, konstruksi, import,
eksport non migas, eksport migas dll. Indeks harga ini diwakili
oleh 281 jenis barang.

☞ 3. Implicit Price Deflator (IPD)

☞ Produk Domestik Bruto (PDB) adalah nilai seluruh barang dan

jasa akhir yg diproduksi oleh perekonomian suatu negara.
Dengan menjumlahkan perakalian antara harga dan kuantitas.
☞ Pada periode tertentu dari seluruh barang dan jasa akhir akan
diperoleh PDB yang berlaku.

☞ Pertumbuhan PDB atas harga pada periode dasar (pertumbuhan

kuantitas produksi), maka harus diketahui PDB tahun yg
dipertimbangkan atas harga pada periode dasar yg lebih dikenal
dg PDB harga konstan
PDB Harga Berlaku
PDB Harga Konstan = X 100
Indeks Harga

☞ Indeks harga yg dignkn utk mendeflasi PDB harga berlaku agar

diperoleh PDB harga konstan dinamakan Implicit Price Deflator

PDB Harga Berlaku

Implicit Price Deflator = X 100
PDB Harga Konstan
Implicit Price Deflator harus ditemukan sblm mendapatkan
PDB harga konstan. Implicit Price Deflator biasanya dicari
dg rumus Lapeyres. IPD utk periode n dg periode dasar 0
dirumuskan:

IPD 
 Pn  Qo
 100
 Po  Qo

Karena PDB mengukur nilai seluruh barang dan jasa akhir,

maka IPD merupakan suatu ukuran tingkat harga umum,
yg memasukkan lebih banyak barang dan jasa
dibandingkan IHK
 1. Jika upah meningkat 15%, sementara Indeks Harga Konsumen
pada periode tersebut berubah dari 270 ke 320. Apa yang terjadi
dengan upah riil? Mengapa?

320  270
Indeks harga konsumen =  100%  18,5%
270

Upah riil menurun, karena kenaikan upah nominal (15%)

lebih rendah dari kenaikan indeks harga konsumen
sebesar 18,5%.
2. Nilai penjualan suatu industri meningkat dari 15 milyar menjadi 20
milyar, sementara Indeks Harga Industri tersebut naik dari 125
menjadi 140. Hitunglah persentase perubahan penjualan:
a. Dalam harga berlaku
b. Dalam harga konstan

20  15
a.  100%  33,33%
15
b. Nilai penjualan dalam harga konstan
15
Pada tahun awal :  100%  12%
125
20
Pada tahun akhir :  100%  14,29%
140
14,29  12
Persentase perubahan :  100%  19,08%
12
3. Pada bulan Juni 2007 IHK (Juni 1993 sebagai periode dasar):adalah
320,5.
a. Hitunglah daya beli rupiah pada bulan Juni 2007
b. Pada tingkat IHK berapa, daya beli rupiah menjadi 1/5.

100 100
a. Daya beli rupiah Juni 2007 =   0,31
IHKJuni2007 320,5

Artinya” Rp 1,- yg dibelanjakan pada Juni 2007 hanya mendapat

kan 0,31 dari yang diperoleh atas pembelanjaan Rp 1,- pada Juni
1993

100 100
b. Daya beli rupiah = = 1/5 =  IHK  500
IHK IHKTahun 
4. Jika dlm perekonomian hanya ada 3 sektor, yaitu: pertanian,
industri dan pertambanganyg kegiatannya periode 1989 – 1993
ditunjukkan tabel di bawah ini. Dengan menggunakan indeks
harga Laspeyres (1990 = 100):
a. Hitunglah tingkat pertumbuhan PDB riil tahun 1992
b. Hitunglah tingkat pertumbuhan PDB riil rata-rata pertahun
periode 1989-1993

Tahun PDB Harga Produksi Harga

Berlaku Pert. Indstr Tambg Pert. Indstr Tambg

1989 32.025 9 37,5 18

1.438,8 138,7 964,9
1990 45.445,5 10 50 25

1991 54.027,2 11,5 62,5 31

1992 59.633 12,5 68 33

1993 71.215 14 9 37,5

KORELASI DAN REGRESI LINIER SEDERHANA

Peralatan analisis regresi dan korelasi telah dikembangkan

utk mempelajari pola dan mengukur hubungan statistik
antara dua atau lebih variabel.

Jika hanya dua variabel yg dilibatkan, maka regresi dan korelasi

tersebut dinamai dengan korelasi dan regresi sederhana

Tujuan analisis korelasi adalah utk mengukur keeratan

hubungan antara variabel-variabel.
Tujuan analisis regresi untuk menerangkan pola hubungan
variabel-variabel.
Dengan kata lain analisis regresi menjawab bagaimana pola
hubungan variabel-variabel dan analisis korelasi menjawab
bagaimana keeratan hubungan yg diterangkan dalam
persamaan regresi tersebut.
Variabel Bebas & Variabel Terikat
a. Variabel bebas (independent variable)
adalah variabel yg nilai-nilainya tidak bergantung pd
variabel lainnya, biasanya disimbolkan dengan X.
Variabel ini digunakan untuk meramalkan atau
menerangkan nilai variabel yg lain.

b. Variabel terikat (dependent variable)

adalah variabel yang nilai-nilainya bergantung pada
variabel lainnya, biasanya disimbolkan dengan Y.
Variabel itu merupakan variabel yg diramalkan atau
diterangkan nilainya.

Jika variabel bebas (variabel X) memiliki hubungan dg

variabel terikat (variabel Y), maka nilai-nilai variabel X yg
sdh diketahui dpt digunakan utk menaksir atau
memperkirakan nilai-nilai Y.
 Variabel Bebas Variabel Terikat
(Independent Variable) (Dependent Variable)

Variabel Yg Menjelaskan
Variabel Yg Dijelaskan
(Explanatory Variable)
(Explained Variable)

Peramal Yang Diramalkan

(Predictor) (Predictand)

Yang Meregresi
Yang Diregresi
(Regressor)
(Regressand)

Perangsang/variabel kendali
Tanggapan
(Stimulus/control variable)
(Response)
Korelasi merupakan istilah yg digunakan utk mengukur kekuatan
hubungan antar variabel.
Korelasi yg terjadi antara dua variabel dpt berupa korelasi positif, korelasi
negatif, tdk ada korelasi, ataupun korelasi sempurna
1. Korelasi Positif
Korelasi dr dua variabel, yaitu apabila variabel yg satu (X) menigkat
atau menurun, maka variabel lainnya (Y) cendrung utk meningkat atau
menurun.

2. Korelasi Negatif
Korelasi dr dua variabel, yaitu apabila variabel yg satu (X) menigkat
atau menurun, maka variabel lainnya (Y) cendrung utk menurun atau
meningkat.
3. Tida Ada Korelasi
Tidak ada korelasi terjadi apabila kedua variabel (X dan Y) tdk
menunjukkan adanya hubungan.
4. Korelasi Sempurna
Korelasi dr dua variabel, yaitu apabila kenaikan atau penurunan
variabel yg satu berbanding dg kenaikan atau penurunan variabel lain.
Y Y

X X
Korelasi Positif Korelasi Negatif

Y Y

X X
Tidak Ada Korelasi Korelasi Sempurna
Jenis-Jenis Koefisien Korelasi Sederhana:

1. Koefisien Korelasi Pearson

Yaitu Indeks atau angka yg digunakan utk mengukur keeratan
hubungan antara dua variabel yg datanya berbentuk data interval atau
rasio. Dismbolkan dg “r”

Koefisien Korelasi Pearson dpt ditentukan dengan dua metode yaitu:

1. Metode Least Square
2. Metode Product Moment

n  XY   X  Y
Metode Least Square = r 
n X 2
  X 
2
n Y 2
  Y 
2


Metode Product Moment = r

 xy
x y 2 2
Contoh:
Berikut ini hasil pengamatan terhadap jumlah permintaan suatu
barang (Y) dengan pendapatan konsumen (X).
1. Tentukan koefisien korelasinya (r) dg menggunakan metoda
least square dan metode product moment!
2. Sebutkan jenis korelasinya!

∑
Permintaan 3 6 9 10 13
(Y)
Pendapatan 12 23 24 26 28
(X)
 N0 X Y X2 Y2 XY x y x2 y2 xy
1 3 12 9 144 36 -5,2 -10,6 27,04 112,36 55,12
2 6 23 36 529 138 -2,2 0,4 4,84 0,16 -0,88
3 9 24 81 576 216 0,8 1,4 0,64 1,96 1,12
4 10 26 100 676 260 1,8 3,4 3,24 11,56 6,12
5 13 28 169 784 364 4,8 5,4 23,04 29,16 25,92
∑ 41 113 395 2.709 1.014 58,80 155,20 87,40

n  XY   X  Y
r (5) (1.014)  (41) (113)
n X 2 2

  X  n Y 2   Y 
2
 r
(5) (395)  (41) )(5) (2.709)  (113) 
2 2

Jenis korelasinya adalah positif 437

dan sangat kuat, artinya r
hubungan antara pendapatan dan
228.144
permintaan bersifat positif.
Jika pendapatan naik, maka
permintaan terhadap barang pun
akan naik.
r  0,91
N0 X Y X2 Y2 XY x y x2 y2 xy
1 3 12 9 144 36 -5,2 -10,6 27,04 112,36 55,12
2 6 23 36 529 138 -2,2 0,4 4,84 0,16 -0,88
3 9 24 81 576 216 0,8 1,4 0,64 1,96 1,12
4 10 26 100 676 260 1,8 3,4 3,24 11,56 6,12
5 13 28 169 784 364 4,8 5,4 23,04 29,16 25,92
∑ 41 113 395 2.709 1.014 58,80 155,20 87,40

Metode Product Moment

r
 xy 87,40
r
x y 2 2
(58,80) (155,20)

r  0,91
Koefisien Korelasi memiliki nilai -1 ≤ KK ≤ +1
1. Jika KK bernilai positif maka variabel-variabel berkorelasi positif.
Semakin dekat nilai KK ke +1 semakin kuat korelasinya, demikian
pula sebaliknya.
2. Jika KK bernilai negatif maka variabel-variabel berkorelasi negatif.
Semakin dekat nilai KK ke -1 semakin kuat korelasinya, demikian pula
sebaliknya.
3. Jika KK bernilai 0 (nol), maka variabel-variabel tidak menunjukkan
korelasi.
4. Jika KK bernilai +1 atau -1, maka variabel-variabel menunjukkan
berkorelasi positif atau negatif yang sempurna.

Untuk menentukan keeratan hubungan :

1. KK = 0, tidak ada korelasi.
2. 0 < KK ≤ 0,20, korelasi sangat rendah/lemah sekali.
3. 0,20 < KK ≤ 0,40, korelasi rendah/lemah tapi pasti.
4. 0,40 < KK ≤ 0,70, korelasi yang cukup berarti.
5. 0,70 < KK ≤ 0,90, korelasi yang tinggi, kuat.
6. 0,90 < KK ≤ 1,00, korelasi sangat tinggi, kuat sekali, dpt diandalkan
7. KK = 1, korelasi sempurna.
Koefisien Korelasi Spearman
Adalah indeks atau angka yg digunakan utk mengukur keeratan
hubungan antara dua variabel yg datanya berbentuk data ordinal
(data bertingkat/data ranking), disimbolkan dg “rs” Berikut

6 d 2 rs = koefisien korelasi rank Spearman

rs  1  d = selisih dalam ranking
n ( n  1)
2
n = banyaknya pasangan rank

Langkah-langkah dlm perhitungan rs:

1. Nilai pengamatan dari dua variabel yg akan diukur hubungannya
diberi ranking. Pemberian ranking dimulai dr data terbesar atau
terkecil. Jika ranking sama, diambil rata-rata.
2. Setiap pasang ranking dihitung perbedaannya.
3. Perbedaan setiap pasang ranking tsb dikuadratkan dan dihitung
jumlahnya.
4. Nilai rs dihitung dg rumus di atas.
 Koefisien Korelasi Spearman Contoh Soal

Berikut ini ditampilkan data mengenai nilai matematik dan statistik

dari 10 orang mahasiswa

Mtmtk 82 75 85 70 77 60 63 66 80 89

Ststk 79 80 89 65 67 62 61 68 81 84

Hitunglah :
1. Hitunglah koefisien korelasi ranknya!
2. Sebutkan jenis korelasinya dan apa artinya!
Koefisien Korelasi Spearman

X Y Ranking X Ranking Y d d2

82 79 8 6 +2 4
75 80 5 7 -2 4
85 89 9 10 -1 1
70 65 4 3 +1 1
77 67 6 4 +2 4
60
Hitunglah :62 1 2 -1 1
1. 63 61 koefisien 2korelasi ranknya!
Hitunglah 1 +1 1
2. 66 68jenis korelasinya
Sebutkan 3 5 artinya!
dan apa -2 4
80 81 7 8 -1 1
89 84 10 9 +1 1
Jumlah 22
X Rangking X
27
21
26
27
23
26
24
25
21
24
27
Koefisien Korelasi Spearman Jawaban Soal

a. 6 d 2
rs  1 
n ( n 2  1)

6 ( 22 )
rs  1 
10 ( 10 2  1 )

= 1 – 0,133

= 0,867

b. Jenis korelasinya adalah korelasi positif dan kuat, artinya jika nilai
matematika tinggi maka nilai statistika juga akan cenderung tinggi
 Analisis Regresi

➴ Dalam analisis regresi, suatu persamaan regresi atau persamaan

penduga dibentuk utk menerangkan pola hubungan variabel-
variabel. Setelah analisis membentuk persamaan penduga,
kemudian membuat pendugaan nilai suatu variabel, jika nilai
variabel lain diketahui.

➴ Variabel yg akan diduga dinamakan variabel terikat (dependent

variabel) dan biasanya digambarkan pada sumbu tegak dr suatu
diagram.

➴ Variabel yg menerangkan perubahan variabel terikat dinamakan

variabel bebas (Explanatory variable atau independent variabel)

➴ Sebagai referensi dapat dilihat beberapa jenis kurva berikut ini:

Beberapa Bentuk Kurva, Persamaan dan Jenis Fungsi

Bentuk Kurva Persamaan Jenis Fungsi

Garis Lurus Y = a + bX Linier

Parabola Y = a + b 1 X + b 2 X2 Kuadrat

1
Hiperbola Y  Reciprocal (rasio)
a  bX

Geometrik Y = aXb Double log, log linier

Log Y = log A + b logX Elastisitas konstan
Ln Y = a + b X Semi log, pertumbuhan konstan
Y Y Y

X X X
Y  a  bX Y  a  b1 X  b2 X 2 Y  aX b
a>0, b>0 a>0, b2>0
Y Y Y

X X X
1 Log Y  Log a  b Log X Ln Y  a  b X
Y
a  bX a>0, b>0
 Penduga Persamaan Garis regresi Populasi

☞ Analisis regresi tujuan utamanya adalah menduga fungsi regresi

populasi berdasarkan fungsi regresi sampel setepat mungkin.
☞ Banyak metode utk menyusun persamaan regresi sampel, antara lain
free hand, least square, dan maximum likelihood.
☞ Metode yg paling banyak digunakan adalah metode least square.

Metode least square pertama kali diperkenalkan oleh Carl Friedrich Gauss,
seorang ahli matematika berkebangsaan Jerman.
Persamaan Garis Regresi Populasi:

E(YIXi) = A + BXi
Namun, populasi sering tdk dpt diamati secara langsung, karena itu
pendugaan dpt dilakukan melalui persamaan garis regresi sampel.


Y = a + b Xi
Rumus untuk pendugaan garis regresi :

n  XY   X  Y
b
n X   X 
2 2

a
 Y  b X
n

_ __
a  Yb X
Contoh :
Data dari sampel sebanyak 10 keluarga bertujuan untuk melihat pola
hubungan antara pengeluaran konsumsi (Y) dg pendapatan keluarga (X).
Hasil pengamatan itu dpt dilihat pada tabel berikut:

Konsumsi Pendapatan
(Y) (X) XY X2
70 80 5600 6400
65 100 6500 10000
90 120 10800 14400
95 140 13300 19600
110 160 17600 25600
115 180 20700 32400
120 200 24000 40000
140 220 30800 48400
155 240 37200 57600
150 260 39000 67600
∑ Y = 1110 ∑ X = 1700 ∑ XY = 205500 ∑ X2 = 322000
 n  XY   X  Y (10  205500)  (1700  1110 )
b b
n X   X  10 (322000)  (1700) 2
2 2

b  0,5091
1110  (0,5091 1700)
a
 Y  b X a
10
 24,454
n

a  24,454

Y = 24,454 + 0,5091 X
Ini berarti jika X naik satu satuan, maka Y akan bertambah sebesar 0,5091.
 Probabilitas

☞ Hidup dalam dunia ini, kita sering menghadapi h dengan ketidakpastian.

Untuk menghadapinya dapat dilakukan dengan pendekatan teori
probabilitas.
☞ Jacob Bernoulli, Abraham de Moivre, Reverend Thomas Bayes, dan
Joseph Lagrange adalah tokoh-tokoh yg telah mengembangkan teknik
dan rumus probabilitas. Abad 19 Pierre Simon dan Marquis de Laplace
menyatukan semua gagasan yg lebih awal dan menyusun teori umum
probabilitas yg pertama.
☞ Sekarang teori probabilitas menjadi landasan berbagai pendekatan dlm
pengambilan keputusan.

Peristiwa, Percobaan dan Ruang Sampel

☞ Probabilitas dinyatakan dalam pecahan (1/4 , 1/2, 3/4) atau (25%, 50%, 75%.
dan besarnya antara 0 dan 1. tidak pernah ada probabilitas negatif ataupun
lebih besar dari satu.
☞ Probabilitas suatu peristiwa (event) adalah hasil (outcome) yg mungkin dr
suatu kegiatan.

☞ Kegiatan yg menghasilkan suatu peristiwa dinamakan percobaan

(experimen).

☞ Pelemparan mata dadu misalnya, keluarnya dadu 4, 6, atau 1 adalah suatu

event sedang pelemparan itu sendiri merupakan percobaan.

☞ Hasil yg mungkin diperoleh dr suatu percobaan dinamakan ruang sampel

(sampel space). Dalam pelemparan sebuah mata dadu misalnya, ruang
sampelnya adalah S={1, 2, 3, 4, 5, 6}.

Misalkan dlm pemilihan umum disuatu daerah diperoleh hasil seperti berikut:
“Dari 80 wanita pemilih (W) sebanyak 40 memilih Demokrat (D), 30 memilih
PDIP (P), dan sisanya memilih Golkar (G)”.
“Dari 120 laki-laki pemilih (L) sebanyak 30 pemilih Demokrat (D), 50 pemilih
PDIP (P) dan 40 memilih Golkar (G)” Lihat Tabel:
Misalkan dlm pemilihan umum disuatu daerah diperoleh hasil seperti berikut:
“Dari 80 Laki-laki pemilih (L) sebanyak 30 memilih Demokrat (D), 40 memilih
PDIP (P), dan sisanya memilih Golkar (G)”.
“Dari 120 wanitai pemilih (W) sebanyak 50 pemilih Demokrat (D), 30 pemilih
PDIP (P) dan 40 memilih Golkar (G)” Lihat Tabel:

Pemberi Konstentan
Suara PDIP (P) Demokrat (D) Golkar (G) Jumlah

Wanita (W) 30 50 40 120

Laki-laki (L) 40 30 10 80
Jumlah 70 80 50 200
Tujuh puluh 0rg dari 200 pemberi suara adalah PDIP (P)
70
P(P)   0,35
200
P (W) adalah probabilitas terpilihnya seorang pemberi suara wanita jika ditarik
sampel secara random 80
P (W )   0,40
200
 DISTRIBUSI
PROBABILITAS BINOMIAL

Distribusi probabilitas binomial menggambarkan data yg dihasilkan

oleh suatu percobaan yg dinamakan percobaan Bernoulli. Dengan
ciri-ciri:
1. Setiap percobaan hanya menghasilkan dua pe
ristiwa, misalnya ya atau tidak, berhasil atau
gagal, baik atau cacat.
2. Probabilitas suatu peristiwa adalah konstan
(tidak berubah utk setiap percobaan)
3. Semua percobaan independen secara statistik
artinya peristiwa dr suatu percobaan tdk mem
pengaruhi atau dipengaruhi peristiwa dalam
percobaan lain.
Misalnya seorang mahasiswa menghadapi 5 pertanya
an pilihan berganda
pertanyaan memiliki 6 jawaban (a,b,c,d,e,f). Jika
sebelum menjawab perta nyaan ia melemparkan
dadu, muncul sisi 1 berarti menjawab a, dan
seterusnya.
Berapa probabilitas mahasiswa itu akan menjawab 4
soal dengan benar?

Karena setiap pertanyaan mempunyai 6 pilihan sdgkn

dlm menjawab mhsw berspekulasi.
Maka probabilitas menjawab benar P(B) = 1/6, sehga
Probabilitas menjawab salah P(S)= 1- P(B) = 5/6
 Misalkan susunan 4 jwbn yg benar dr mhsw itu adlh:
BBBBS
Karena masing-msg percbaan bersifat independen maka

P(B B B B S) = P(B) P(B) P(B) P(B) P(S)

= 1/6 1/6 1/6 1/6 5/6
= (1/6)4 (5/6)1
Kemungkinan lain susunannya adlah B S B B B

P(B S B B B) = P(B) P(S) P(B) P(B) P(B)

= 1/6 5/6 1/6 1/6 1/6

= (1/6)4 (5/6)1

Jadi utk susunn manapun probabilitas adlh sama

 n!
C n = r!(n
r – r)!
Di mana:

n = seluruh obyek dalam kelompok

r = jenis item tertentu
n-r = jenis item yg lain
C = kombinasi

Dalam kasus : r

B B B B S

n
Memiliki n=5, r=4 dan n-r = 1 sehingga terdapat:

5! 5.4!
C5 = 4!(5–4)! = 5 susunan
4 4! 1!
Susunan tsb adalah :
B B B B S
B B B S B
B B S B B
B S B B B
S B B B B

Untuk mencari probabilitas menjawab 4 soal dg benar P(4), dipero

leh dg menunjkn probabilitas C 5 = 5 susunan
4
Karena probabilitas utk setiap susunan adalah sama, maka P(4) dp
dihitung dg mengalikan C5 dan probabilitas salah satu susunan:
4
5
P(4) = C . (1/6)4 . (5/6)1 = 0.0032
Memiliki n=5, r=4 dan n-r = 1 sehingga terdapat:
Sehingga probabilitas utk sejumlah peristiwa dr percobaan
bernouli dpt dituliskan dlm Rumus Probabilitas Binomial sbb:

nr
P (r )  C  p  q
n
r
r

Keterangan:
r = banyak peristiwa
n = banyak percobaan yg dilakukan
p = probablitas sukses dlm suatu percobaan
q = 1-p = probabilitas gagal dlm suatu percobaan
Proses Bernoulli dpt terjadi dr bermacam-macam
kombinasi jml percobaan (n)probabilitas sukses dlm
percobaab (p). Karena itu trdpt suatu keluarga distrbsi
binomial yg anggotanya brbeda-beda menurut nilai n
dan p nya.

Beberapa generalisasi dlm menentukan bentuk distrbsi

binomial
1. Jika p makin mendekati 0, distribusi binomial makin
condong ke kanan
2. Jika p = 0,5, distribusi binomial simetris
3. Jika p makin mendekati 1, distribusi binomial makin
condong ke kiri
4. Jika p konstan dan n bertambah, distribusi binomial
makin mendekati simetris (nominal).
Dalam distrbsi binomial, r (banyaknya sukses) adalah
variabel random, sementara n dan p adalah parameter.

Kedua parameter n dan p ini cukup utk mengidentifika

si bentuk suatu distribusi binomial.

Misalkan n1=50 dan p1=0,3 sdg distribusi binomial lain

n2=50 dan p2=0,6.

Karena p2 lebih dekat dg 0,5 dibandingkan p1, maka
distribusi binomial yg terkahir lebih simetris
Misalkan n1=30 dan p1=0,4 sdg distribusi binomial lain

n2=50 dan p2=0,4.

maka distribusi binomial kedua lebih simetris, karena
1. Jika 10 persen mahasiswa UIR akan drop out
sebelum mendapat gelar sarjana, carilah probabilitas
dari 20 mahswa yg dipilih secara random dr sejumlh
besar mhaswa UIR tsb, kurang dari 3 yg akan drop
out?
Jawab:
: p = 0,1
: n = 20
: P(r < 3) = ……?

: P(r < 3) = P(0) + P(1) + P(2)

: 0,1216 + 0,2702 + 0,2852 = 0,6769

Dengan tabel binomial kumulatif

P(r<3) = P(r<2) = 0,6769
2. Jika dalam pemungutan suara yg dilakukan di suatu negara,
dua
orang calon presiden mendapat suara 50:50, berapa probabili -

tas dlm sampel sebanya 20 pemilih, seorang calon akan menda-

pat suara kurang dari 45%.

Jawab:
: p = 0,5
: n = 20
: r = 0,45 . 20 = 9

: P(r < 9) = P(0) + P(1) + P(2) + P(3) + ……. + P(8)

: 0,0000 + 0,0000 + 0,0002 + ….. + 0,1201 = 0,2517

Dengan tabel binomial kumulatif

P(r<9) = P(r<8) = 0,2517
 DISTRIBUSI NORMAL

Pada abad ke-18 Karl Gaus mengemukakan bahwa variabel-variabel dlm ilmu sosial
maupun ilmu pengetahuan alam banyak yg memiliki distribusi dg ciri-ciri sbb:
1. Setiap percobaan hanya menghasilkan dua pe
ristiwa, misalnya ya atau tidak, berhasil atau
gagal, baik atau cacat.
2. Probabilitas suatu peristiwa adalah konstan
(tidak berubah utk setiap percobaan)
3. Semua percobaan independen secara statistik
artinya peristiwa dr suatu percobaan tdk mem
pengaruhi atau dipengaruhi peristiwa dalam
percobaan lain.
 UJI KRUSKAL-WALLIS
Uji Kruskal-Wallis, bertujuan menganalisis data dlm tiga atau lebih sampel independent
utk menentukan apakah tiga atau lebih distribusi populasi yg kontinu memiliki rata-rata
berbeda.
Persoalannya apakah perbedaan itu menandai perbedaan rata-rata populasi atau
perbedaan itu semata-mata karena variasi yg terjadi secara kebetulan.
Contoh:
Misalkan data dari tiga sampel random yg independen tentang waktu memahamimanual
dari 5 orang operator komputer seperti pada tabel berikut:

Waktu Urutan Waktu Urutan Waktu Urutan

Pemahaman Pemahaman Pemahaman
21 4 17 2 31 15
27 11 25 9,5 28 12
29 13 20 3 22 5
23 6,5 15 1 30 14
25 9,5 23 6,5 24 8
∑ 44 ∑ 22 ∑ 54
Dengan tingkat signifikan 5% ujilah apakah rata-rata waktu pemahaman
ketiga manual itu sama!
Prosedur Pengujiannya adalah sebagai berikut:

1. H0: Rata-rata waktu memahami ketiga manual sama.

H1: Rata-rata waktu memahami ketiga manual tidak semua sama.
2. Menentukan nilai kritis. Statistik yg digunakan dlm uji Kruskal-Wallis
dilambangkan dgn H. Jika setiap ukuran sampel sekurang-kurangnya 5, maka
distribusi sampling H akan mendekati X2 dengan derajat bebas k-1, dimana k
adalah banyaknya sampel.
Konsekwensinya digunakan X2 sebagai aturan keputusan secara statistik.
Dengan tingkat signifikan 5% maka nilai kritis adalah X20.05, 2 = 5,991.
3. Menentukan nilai statistik H melalui tahap berikut.
a. Mengurutkan data tanpa memperhatikan asal sampel; angka
dirancang utk data yg paling kecil, angka 2 utk data setelah yg
terkecil dan seterusnya; jika ada data yg nilainya sama, maka
digunakan angka rata-rata; pada contoh di atas nilai yg sama
adalah 23, sehingga nilai itu diberi urutan (6+7)/2 = 6,5.
David F Groebner et al ., 2008. Business Statistics (A decision-Making Approach)
b. Menjumlahkan urutan pada masing-masing sampel:
Misalkan R1 : jumlah urutan sampel 1 yaitu 44,
R2 : jumlah urutan sampel 2 yaitu 22, dan
R3 : jumlah urutan sampel 3 yaitu 54,
c. Menghitung jumlah ukuran sampel dari seluruh sampel (N)
N  n1  n2  n3  5  5  5  15

d. Menghitung statistik H yg dirumuskan

12  R12 R22 R32 
H      3 ( N  1)
N ( N  1)  n1 n2 n3 

12  44 2
22 2
54 2

H      3 (15  1 )
15 (15  1 )  5 5 5 

H  5,36