You are on page 1of 45

JUDUL BUKU EDISI ENAM PENGARANG BUKU PENERBIT/TAHUN TERBIT

: STATISTIK TEORI DAN APLIKASI

: J.SUPRANTO : PENERBIT ERLANGGA, JAKARTA 2000

RINGKASAN BUKU Menurut Websterss New World Dicitionary, data berarti sesuatu yang diketahui atau dianggap. Dengan demikian data dapat memberikan gambaran tentang suatu keadaan atau persoalan. Data tentang sesuatu pada umumnya dikaitkan dengan tempat dan waktu. Kegunaan data pada dasarnya adalah untuk membuat keputusan oleh para pembuat keputusan (decision makers). Statistik dapat membantu kita dalam (1) menjabarkan dan memahami suatu hubungan, (2) mengambil keputusan lebih baik, (3) menangani perubahan. Dalam Pemecahan Masalah Secara Statistik ada beberapa langkah-langkah dasar yang dapat dilakukan yaitu : (1) Mengidentifikasi masalah atau peluang, (2) Mengumpulkan fakta yang tersedia, (3) Mengumpulkan data orisinil yang baru, (4) Mengklasifikasikan dan mengikhtisarkan data, (5) Menyajikan Data, (6) Menganalisis Data. Data juga mempunyai syarat yang harus dipenuhi untuk menghasilkan keputusan yang baik,yaitu Objektif, Representatif (mewakili), Kesalahan Sampling (sampling error) kecil, Tepat Waktu, Relevan.

Data-data yang ada dapat dikumpulkan dari sumber-sumber internal dan eksternal, dan data orisinil baru dapat diperoleh dari wawancara secara pribadi dan kuesioner. Setelah data diperoleh kita perlu membahas tentang metode penarikan data secara rinci. Akan tetapi, perlu diperhatikan bahwa semua data yang akan ditarik akan berupa hasil perhitungan atau hasil pengukuran oleh suatu instrumen. Data juga dapat dikelompokkan antara lain, Data Menurut Sifatnya dibedakan antara Data Kualitatif dan Data Kuantitatif, Data Menurut Sumbernya dibedakan menjadi Data Internal dan data Eksternal, Data Menurut Cara Memperolehnya dibedakan menjadi Data Primer dan Data Sekunder, dan Data Menurut Waktu Pengambilannya dibedakan menjadi Data Cross Section dan Data Berkala. Dalam arti sempit, Statistik berarti data ringkasan berbentuk angka (kuantitatif) sedangkan dalam arti luas berarti suatu ilmu yang mempelajari cara pengumpulan, pengolahan/pengelompokan, penyajian dan analisis data serta cara pengambilan kesimpulan dengan memperthitungkan unsur ketidakpastian berdasarkan konsep probabilitas. Tetap dalam bukunya Statistical Theory In Research, Anderson and Bancrof mengatakan Statistika adalah ilmu dan seni pengembangan dan penerapan metode yang paling efektif sehingga kemungkinan kesalahan dalam kesimpulan dan estimasi yang diperkirakan dengan

menggunakan penalaran induktif berdasarkam matematika probabilitas. Bab 2 menjelaskan tentang Pengumpulan dan Pengolahan Data. Tujuan pengumpulan data yaitu untuk mengetahui jenis elemen (unit terkecil dari objek penelitian), karakteristik (sifat-sifat yang dilakukan oleh elemen), populasi dan sampel. Dalam statistik ada dua cara untuk memperoleh data yaitu cara Sensus (pengumpulan data apabila seluruh elemen populasi diselidiki satu persatu), data yang diperoleh disebut Parameter. Yang kedua adalah cara Sampling (cara pengumpulan data apabila diselidiki adalah elemen sampel dari suatu populasi), data yang diperoleh merupakan Data Perkiraan. Dibandingkan dengan sensus.

Pengumpulandata degancara sampling membutuhkan biaya yang jauh lebih sedikit, memerlukan waktu yang lebih cepat, tenaga yang tidak terlalu banyak dan dapat menghasilkan cakupan data yang lebih luas serta terperinci. Dalam pengambilan sampel ada dua cara yang sering dipakai yaitu secara acak dan bukan acak. Alat yang dipakai untuk memperoleh keterangan dari objek yaitu daftar pertanyaan (questionnaire), wawancara, observasi, melalui pos/alat komunikasi lain dan alat ukur lainnya. Akan tetapi hal yang terpenting dalam pengumpulan data adalah merancang kuesioner (daftar isian yang berupa satu set pertanyaan yang tersusun secara sistematis dan standar sehingga pertanyaan yang sama dapat diajukan kepada setiap responden). Sistematis yang dimaksud adalah bahwa item-item pertanyaan disusun menurut logika (logical sequence) sesuai dengan maksud dan tujuan pengumpulan data. Sedangkan yang dimaksud dengan standar adalah setiap item pertanyaan mempunyai pengertian,konsep,dan definisi yang sama. Ada dua tujuna utama dalam membuat kuesioner suatu survei yang baik yaitu: 1. memperoleh informasi/data yang berhubungan dengan maksud dan tujuan survei 2. mengumpulkan informasi dengan kecermatan dan ketelitian yang dapat dipertanggungjawabkan. Secara umum metode pengolahan data dibedakan menjadi dua yaitu pengolahan data decara manual (yang dilakukan untuk jumlah obesrvasi yang tidak terlalau banyak dan memerlukan waktu yang sangat lama karena harus menelitisatu persatu dari setiap obesrvasi) dan pengolahan data secara elektronik (dengan menggunakan komputer). Bab 3 menjelaskan tentang Penyajian Data. Data dapat disajikan dengan Tabel dan Grafik. Penyajian data dalam bentuk tabel adalah penyajian dalam kumpulan angka-angka yang disusun menurut kategori-kategori,sehingga

memudahkan untuk pembuatan analisis data. Ada beberapa bentuk tabel yaitu :

(1) Tabel Satu Arah (one way table),tabel yang memuat keterangan mengenai satu hal/karakteristik saja, (2) Tabel Dua Arah (two way table),tabelyang menunjukkan hubungan dua hal/karakteristik, (3) Tabel Tiga Arah (three way table),tabel yang menunjukkan tiga hal/karakteristik. Penyajian data dalam bentuk grafik adalah penyajian dalam bentuk gambar yang menunjukkan secara visual data berupa angka yang dapat memudahkan pengambilan kesimpulan dengan cepat. Ada beberapa bentuk grafik yaitu : (1) Grafik Garis Tunggal (single line chart),grafik yang terdiri dari satu garis untuk menggambarkan perkembangan dari suatu karakteristik, (2) Grafik Garis Berganda (multiple line chart),grafik yang terdiri dari beberapa garis untuk menggambarkan perkembangan beberapa hal sekaligus, (3) Grafik Garis Komponen Berganda (multiple component line chart),mirip dengan grafik berganda tetapi garis yang terakhir menggambarkan jumlah dari komponen-komponen, (4) Grafik Garis Persentase Komponen Berganda (multiple percentage component line chart),mirip dengan grafik garis berganda kecuali masing-masing nilai komponen dinyatakan dalam persentase sehingga garis terakhir merupakan garis yang menunjukkan nilai 100%, (5) Grafik Garis Berimbang Neto (net balanced line),grafik yang nilai-nilai selisih dengan garis timbangan dapat diberi warna yang berbeda untuk menilai selisih positif dan negatif, (6) Grafik Batangan Tunggal (single bar chart) (7) Grafik Batangan Berganda (multiple bar chart)

(8) Grafik Batangan Komponen Berganda (multi component bar chart) (9) Grafik Batangan Persentase Komponen Berganda (multiple percentage component bar chart) (10) Grafik Batangan Berimbang Neto (net balanced bar chart) (11) Grafik Lingkaran Tunggal (single pie chart) (12) Grafik Lingakaran Berganda (multi pie chart) (13) Grafik Peta (cartogram chart) (14) Grafik gambar (pictogram chart) Bab 4 menjelaskan tentang Distribusi Frekuensi. Distribusi frekuensi menunjukkan banyaknya item dalam setiap kategori atau kelas. Dalam distribusi frekuensi terdapat frekuensi relatif dari suatu kelas adalah proporsi item dalam setiap kelas terhadap jumlah kesuluruhan item data tersebut. Jika sekelompok data memiliki n observasi.maka frekuensi relatif dari kategori atau kelas akan diberikan sebagai berikut.

Ada tiga hal yang perlu diperhatikan dalam menentukan kelas bagi distribusi frekuensi untuk data kuantitatif yaitu : 1. Jumlah Kelas Pada tahun 1926 H.A. Sturges menulis artikel dengan judul The Choice of a Class Interval yang mengemukakan rumus untuk menentukan banyaknya kelas yaitu : k = 1 + 3,322 log n

2. Interval Kelas Pemilihan interval kelas dan jumlah kelas sebenarnya tidak independen. Semakin banyak jumlah kelas berarti semakin kecil interval kelas dan sebaliknya.

c=
3. Batas Kelas Batas kelas bawah menunjukkan kemungkinan nilai data terkecil pada suatu kelas sedangkan batas kelas atas mengidentifikasi kemungkinan nilai data terbesar dalam suatu kelas. Sering kali data dari tabel disajikan dalam bentuk grafik misalnya dalam bentuk histogram/grafik batangan,frekuensi poligon dan frekeunsi kurva. Grafik batangan biasanya digunakan untuk menyajikan datayang bukan merupakan tabel frekuensi. Dalam analisis ekonomi,khususnya pada masalah pemerataan pendapatan dikenal suatu kurva yang disebut Kurva Lorenz. Pada dasarnya kurva ini sama dengan kurva frekuensi kumulatif. Dalam kurva ini ditunjukkan pembagian pendapatan yang sama sehingga menunjukkan keadilan atau makin tidak sama, makin tidak adil. Pembagian pendapatan yang tidak sama atau kurang merata disebut dengan Income Gap yaitu jurang pemisah antara yang berpendapatan tinggi dengan yang berpendapatan rendah. Apabila income gap semakin besar sering terjadi kekacauan yang menimbulkan pemberontakan. Bab 5 menjelaskan tentang Ukuran Pemusatan. Rata-rata (average) adalah nilai yang mewakii himpunan atau sekelompok data (a set of data). Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data yang disusun menurut besar kecilnya nilai. Rata-rata yang sering digunakan dalam ukuran pemusatan adalah Rata-rata Hitung (arithmetic mean), Rata-rata Ukur (geometric mean) dan Rata-rata Harmonis (harmonic mean).

Rata-rata Hitung Apabila kita mempunyai nilai variabel X, sebagai hasil pengamatan sebanyak N kali, yaitu X1, X2,. . ., Xi, . . . , XN maka : a) Rata-rata sebenarnya (populasi)

b) Rata-rata Perkiraan (sampel)

=
BEBERAPA SIFAT/CIRI RATA-RATA HITUNG Rata-rata hitung memiliki beberapa sifat yaitu : I. Jumlah deviasi atau selisih kelompok nilai terhadap nilai terhadap rata-ratanya sama dengan nol. II. Jumlah deviasi kuadrat dari suatu kelompok nilai terhadap nilai k akan minimum jika k = . III. Apabila ada kelompok nilai : Kelompok Pertama sebanyak f1 nilai dengan rata-rata Kelompok Kedua sebanyak f2 nilai dengan rata-rata
2 i 1

Kelompok ke-i sebanyak fi nilai rata-rata dengan rata-rata IV.

Apabila k adalah sembarang nilai yang merupakan nilai rata-rata asumsi/anggaran dan di merupakan deviasi dari nilai Xi terhadap k (di = Xi k,i = 1,2,.......,n)

V.

Jika suatu kelompok data sangat heterogen, maka rata-rata hitung tidak dapat mewakili masing-masing nilai dari kelompok tersebut dengan baik. Rata-rata hitung hanya dapat mewakili dengan sempurna atau nilainya tepat bila kelompok datanya homogen.

MEDIAN (DATA TIDAK BERKELOMPOK) Apabila ada sekelompok nilai sebanyak n diurutkan mulai dari yang terkecil Xi sampai dengan yang terbesar Xn, maka nilai yang ada ditengah disebut Median. Untuk n Ganjil ditulis : n= 2k + 1 Untuk n Genap ditulis : median =

(Xk + Xk+1)

MEDIAN (DATA BERKELOMPOK) Secara Geometrik, median juga merupakan nilai X dari absis (sumbu horizontal) sesuai dengan jarak tegak lurus yang membagi suatu histogram menjadi dua daerah sama luasnya. Jadi seluruh observasi seolah-olah dibagi menjadi dua,setengah di sebelah kiri median (yang terdiri dari observasi yang nilainya sama atau lebih kecil dari median) dan setengah di sebelah kanan median (yang terdiri dari observasi yang nilainya sama atau lebih besar dari median)

med = L0 + c {
MODUS

( )

Modus dari suatu kelompok nilai adalah nilai kelompok tersebut yang mempunyai frekuensi tertinggi atau nilai yang paling banyak terjadi didalam suatu kelompok nilai. Apabila data sudah dikelompokkan dan disajikan dalam tabel frekeunsi maka dalam mencari modusnya digunakan rumus :

Modus = L0 + c ,(

( )

) ( )

dimana, L0 fm0 (f1)0 = nilai batas bawah, kelas yang memuat modus = frekeunsi kelas yang memuat modus = fm() f(m0-1) (selisih frekeunsi kelas yang memuat modus dengan

frekeunsi kelas sebelumnya) (f2)0 = fm() f(m0+1) (selisih frekeunsi kelas yang memuat modus dengan

frekeunsi kelas sesudahnya) C = besarnya jarak antara nilai batas atas dan nilai batas bawah dari

kelas yang memuat modus

PERBANDINGAN ANTARA RATA-RATA, MEDIAN, DAN MODUS Apabila distribusi frekuensi mempunyai kurva yang simetris dengan satu puncak saja, maka letak rata-rata , median dan modus adalah sama yaitu =

mod = med. Bila kurva menceng ke kanan, maka nilai rata-rata adalah yang paling besar,diikuti dengan median, lalu modus. Bila kurva menceng ke kiri, maka nilai rata-rata paling kecil, diikuti median lalu modus. Tetapi bila distribusinya tidak terlalu melenceng maka terdapat hubungan : rata-rata modus = 3 (rata-rata median) atau, modus = rata-rata 3 (rata-rata median)

RATA-RATA UKUR Untuk mencapai rata-rata ukur dapat digunakan rumus : G=

Log G =

G = antilog (

RATA-RATA HARMONIS Rata-rata Harmonis (RH) dari n angka, X1, X2, . . ., Xn adalah nilai yang diperoleh dengan jalan membagi n dengan jumlah kebalikan dari masing-masing X tersebut di atas. Rumusnya adalah sebagai berikut : RH =

Bila kita berbicara tentang median, maka nilai ini seolah-olah membagi kelompok dan menjadi 2 bagian yang sama. Artinya 50% dari kelompok data ini mempunyai nilai sama atau lebih kecil dari median, sedangkan 50% lainnya mempunyai nilai yang sama atau lebih besar dari median tersebut. Nilai median merupakan salah satu dari nilai observasi/ pengamatan. Untuk kelompok data dimana n 4, kita tentukan tiga nilai, katakanlah Q1, Q2, Q3, yang membagi kelompok data tersebut menjadi 4 bagian yang sama yaitu setiap bagian memuat data yang sama. Nilai-nilai tersebut dinamakan kuartil pertama, kedua dan ketiga. Pembagian itu adalah sedemikian rupa sehingga nilai 25% data sama atau lebih kecil dari Q1, 50% data sama atau lebih kecil dari Q2, 75 % data sama atau lebih kecil dari Q3.

KUARTIL, DESIL, PERSENTIL (DATA BERKELOMPOK) Kuartil merupakan ukuran yang membagi sekelompok nilai menjadi empat bagian yang sama. Rumus Kuartil yaitu :

Qi = L0 + c {

( )

}, i = 1,2,3

dimana : L0 n = nilai batas bawah, kelas yang memuat kuartil ke-i = banyaknya observasi

(f1)0 = jumlah frekeunsi dari semua kelas sebelum kelas yang mengandung kuartil ke-i fq c = frekeunsi dari kelas yang mengandung kuartil ke-i = besarnya kelas interval yang mengandung kuartil ke-i atau jarak

nilai batas bawah (atas) dari suatu kelas terhadap nilai batas bawah (atas) kelas berikutnya i in = 1,2,3 = i kali n

Desil merupakan ukuran yang membagi sekelompok nilai menjadi 10 bagian yang sama. Rumus desil yaitu : Di = L0 + c {
( )

Persentil adalah ukuran yang membagi sekelompok nilai menjadi 100 bagian yang sama. Rumus persentil yaitu : Pi = L0 + c {
( )

dimana :

L0 n

= nilai batas bawah, kelas yang memuat desil ke-i (persentil ke-i) = banyaknya observasi

(f1)0 = jumlah frekeunsi dari semua kelas sebelum kelas yang mengandung desil ke-i (persentil ke-i) fd fp c = frekeunsi dari kelas yang memuat desil ke-i = frekeunsi dari kelas yang memuat persentil ke-i = besarnya kelas interval yang memuat desil ke-i (persentil ke-i)

Bab 6 menjelaskan tentang Ukuran Variasi atau Dispersi. Ada beberapa macam ukuran variasi atau dispersi, misalnya nilai jarak (range), rata-rata simpangan (mean deciation), simpangan baku (standard deviation), dan koefisien variasi (coefficient of varitation). Diantara ukuran variasi tersebut simpangan baku yang sering dipergunakan, khususnya untuk keperluan analisis data. Dispersi dipelajari untuk membandingkan sebaran data dari dua informasi distribusi nilai. Misalnya untuk membandingkan tingkat produktivitas dari dua perusahaan. Meskipun kita mengetahui bahwa produksi rata-rata dari dua perusahaan mobil adalah 20 mobil sehari, namun kita tentu tidak dapat langsung mengatakan bahwa tingkat produksi mereka identik. Kita perlu melihat bagaimana sebaran nilai (jumlah produksi harian) dari kedua perusahaan tersebut. Mungkin perusahaan pertama cenderung lebih homogen, dalam arti bahwa jumlah produksi harian tidak jauh dari kisaran rata-rata. Mungkin pula pperusahaan kedua ternyata cenderung memiliki tingkat distribusi produksi yang lebih heterogen, yang berarti bahwa jumlah produksi harian sangat beragam dan menyebar jauh disekitar rata-rata.

PENGUKURAN DISPERSI DATA TIDAK DIKELOMPOKKAN Nilai Jarak Diantara ukuran variansi yang paling sederhana dan paling mudah dihitung ialah nilai jarak (range). Bila suatu kelompok nilai sudah disusun menurut urutan yang terkecil (X1) sampai dengan yang tersebar (Xn), maka untuk menghitung nilai jaraj dapat digunakan rumus : Nilai Jarak = Nilai Maksimum (Xn) Nilai Minimum (X1)

Rata-rata Simpangan Rata-rata simpangan adalah rata-rata hitung dari nilai absolut simpangan yang dirumuskan : RS = | |

sedangkan simpangan terhadap median dapat dirumuskan : RS = | |

Simpangan Baku Diantara ukuran dispersi atau variasi, simpangan baku adalah yang paling banyak dipergunakan, karena mempunyai sifat-sifat matematis yang sangat penting dan berguna sekali untuk pembahasan teori dan analisis. Simpangan baku adalah salah satu ukuran dispersi yang diperoleh dari akar kuadrat positif varians. Varians adalah rata-rata hitung dari kuadrat simpangan setiap pengamatan terhadap rata-rata hitungnya. Simbol dari varians populasi adalah rumusnya adalah :
2

dimana

)2

Dimana (

) adalah simpangan deviasi dari observasi terhadap rat-rata

sebenarnya. Dirumuskan sebagai berikut :

S2 =
Dimana (

)2

) adalah simpangan deviasi dari obseravasi terhadap rata-

rata sampel. Rumus dan simbol dari simpangan baku populasi adalah :

dimana

merupakan simpangan baku dari X.

PENGUKURAN DISPERSI DATA DIKELOMPOKKAN Nilai Jarak Untuk data yang berkelompok, nilai jarak (NJ) dapat dihitung dengan dua cara yaitu : a) NJ = Nilai tengah kelas akhir - Nilai tengah kelas pertama b) NJ = Batas atas kelas terakhir Batas bawah kelas pertama

Simpangan Baku Untuk data yang berkelompok dan sudah disajikan dalam tabel frekeunsi, rumus simpangan baku populasi adalah : =
( )

Mi = nilai tengah dari kelas ke-i, i = 1,2, . . . , k.

atau

) , untuk kelas interval yang sama

dimana : c fi di dan
( )

= besarnya kelas interval = frekeunsi kelas ke-i = deviasi = simpangan dari kelas ke-i terhadap titik asal asumsi

untuk kelas interval yang tidak sama, Mi = nilai tengah kelas ke-i. Untuk data sampel diperoleh simpangan baku sampel dengan rumus :

S=c

+ untuk kelas yang sama,

dan

S=

} untuk kelas tidak sama.

Variabel X yang mempunyai rata-rata dengan simpangan baku . Jadi, merupakan nilai baku dari Xi, dan Zi = merupakan nilai simpangan atau

deviasi yang baku. Simpangan baku yang sudah dibahas diatas mempunyai satuan

yang sama dengan satuan data aslinya. Hal ini menjadi suatu kelemahan kalau kita ingin membandingkan dua kelompok data, misalnya harga 10 mobil dengan harge 10 ekor ayam atau berat 10 ekor gajah dengan berat 10 ekor semut. Walaupun nilai simpangan baku untuk berat gajah atau harga mobil lebih besar, nilai ini belum tentu lebih heterogen atau lebih bervariasi daripada harga semut atau harga ayam. Untuk keperluan perbandingan dua kelompok nilai dipergunakan Koefisien Variasi (KV) yang bebas dari satuan data asli dimana rumusnya adalah : KV =

100%, untuk populasi 100%, untuk sampel

kv =

Jika ada dua kelompok data dengan KV1 dan KV2, dimana KV1 > KV2, maka kelompok pertama lebih bervariasi atau lebih heterogen daripada kelompok kedua. UKURAN KEMENCENGAN DAN KERUNCINGAN KURVA Apabila kita mempunyai sekelompok data sebanyak n: X1,X2,....,Xn, maka yang disebut momen dengan momen ke-r (Mr) adalah : Mr =

. . . untuk data tak berkelompok

Untuk data yang sudah dikelompokkan menjadi k kelas, dengan Mi merupakan nilai tengah kelas ke-i, maka rumus momen ke-r (Mr) yaitu : Mr =

. . . untuk data berkelompok

Untuk r = 1, maka M1 merupakan rata-rata hitung. Momen tersebut merupakan terhadap titik asal, sedangkan momen terhadap rata-rata hitung adalah : Mr

) . . . untuk data tak berkelompok

Mr

) . . . untuk data berkelompok

Untuk r = 2, maka M2 merupakan varians(kuadrat dari simpangan baku = S2). Momen ketiga dan keempat yaitu M3 dan M4 bergunan untuk mengukur kemencengan (skewness) dan keruncingan (kurtosis) dari suatu distribusi frekuensi.

Ukuran Kemencengan Kurva (Skewness) Kurva yang tidak simetris dapat menceng ke kiri atau ke kanan. Di dalam kurva yang tidak simetris, letak median, modus dan rata-rata ( ) sama. Ukuran tingkat kemencengan menurut Pearson yaitu :

Q Q

Qy x

Kurva Simetris Menceng ke Kanan

Kurva Menceng ke Kiri

Kurva

TK = dimana : X = rata-rata hitung

Mod = modus S atau TK =


( )

= simpangan baku

Ukuran tingkat kemencengan dapat juga dihitung berdasarkan momen ketiga dengan rumus :

=
berkelompok atau

. . . untuk data tak

=
berkelompok Semakin besar miring.

) . . . untuk data

, maka kurva suatu distribusi semakin menceng atau

Ukuran Keruncingan Kurva (Kurtosis) Dilihat dari tingkat keruncingannya kurva distribusi frekeunsi dibagi menjadi 3 yaitu mesokurtis, leptokurtis dan platykurtis yang bentuk kurvanya adalah :

Untuk dipergunakan berikut :

menghitung

tingkat

keruncingan

suatu

kurva

distribusi

,yaitu moment coefficient of kurtosis yang rumusnya sebagai

. . . (untuk data tidak berkelompok)


( )

. . . (untuk data berkelompok)

Bab 7 menjelaskan tentang Analisis Korelasi dan Regresi Liniear Sederhana. Didalam perencanaan, selain data masa lampau dan masa sekarang, juga diperlukan data hasil ramalan yang menggambarkan kemampuan di masa yang akan datang. Apabila dua variabel X dan Y mempunyai hubungan, maka nilai variabel X yang sudah diketahui dapat dipergunakan untuk memperkirakan / menaksir Y. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu kejadian. Variabel Y yang nilainya akan diramalkan disebut variabel tidak bebas (dependent variabel), sedangkan variabel X yang nilainya dipergunakan untuk meramalkan nilai Y disebut variabel bebas (independent variabel). Jadi analisis korelasi ini memungkinkan kita untuk mengetahui sesuatu di luar hasil penyelidikan, misalnya dengan ramalan kita dapat mengetahui terjadinya suatu kejadian baik secara kualitatif maupun kuantitatif.

KOEFISIEN KORELASI DAN KEGUNAANYA Hubungan dua variabel ada yang positif dan negatif. Hubungan X dan Y dikatakan positif apabila kenaikan (penurunan) X pada umumnya diikuti oleh kenaikan (penurunan) Y. Sebaliknya dikatakan negatif apabila kenaikan (penurunan) X pada umumnya diikuti oleh penurunan (kenaikan) Y. Jadi apabila antara variabel X dan Y terdapat hubungan, maka bentuk diagram pencarnya adalah mulus / teratur dimana yang pertama menunjukkan gerakan diagram pencar dari kiri bawah ke kanan atas (hubungan positif), sedangkan yang kedua bergerak dari kiri atas ke kanan bawah (hubungan negatif). Apabila bentuk diagram pencar tidak teratur, artinya kenaikan/penurunan X pada umumnya tidak diikuti oleh naik turunnya Y, maka dikatakan X dan Y tidak berkorelasi. Kuat dan tidaknya hubungan antara X dan Y apabila dapat dinyatakan dengan fungsi liniear, diukur dengan suatu nilai yang disebut Koefisien Korelasi. Nilai koefisien korelasi ini paling sedikit -1 dan paling besar 1. Jadi, jika r = koefisien korelasi, maka nilai r dapat dinyatakan sebagi berikut : -1 r 1 Cara menghitung r adalah sebagai berikut : r=

Dapat juga disebut dengan koefisien korelasi Pearson. Untuk menghitung koefisein korelasi data yang sudah berkelompok dapat dicari dengan rumus : r=
( ( ) ( ) ( )( ) ) ( )

) (

Koefisien korelasi anatar Rank dapat dihitung dengan rumus :

1-

( )

dimana di = selisih dari pasangan rank ke-i ; n = banyaknya pasangan rank rumus ini disebut rumus Spearman. KOLERASI DATA KUALITATIF Untuk data yang kualitatif yang dipergunakan dalam mengukur kuatnya hubungan disebut Contingency Coefficient (Koefisien Bersyarat) yang

mempunyai pengertian sama seperti koefisien korelasi. Untuk menghitung nilai koefisien bersyarat (Cc) digunakan rumus : Cc = TEKNIK RAMALAN DAN ANALISIS REGRESI Tujuan utama subbab ini adalah bagaimana menghitung suatu perkiraan atau persamaan regresi yang akan menjelaskan hubungan antara dua variabel.Pembahasan terbatas pada regresi sederhana, yaitu mengenai hubungan antara dua variabel yang biasanya cukup tepat dinyatakan dalam suati garis lurus.

Diagram Pencar (Scatter Diagram) Setelah ditetapkan bahwa terdapat dua hubungan logis diantara variabel, maka untuk mendukung analisis lebih jauh, barangkali tahap selanjutnya adalah menggunakan grafik. Grafik ini disebut Diagram Pencar, yang menunjukkan titiktitik tertentu. Setiap titik memperlihatkan sesuatu hasil yang kita nilai sebagai

variabel tak bebas (dependent) maupun bebas (independent). Diagram Pencar ini memiliki dua manfaat yaitu : (1) Membantu menunjukkan apakah terdapat hubungan yang bermanfaat antara dua variabel, (2) Membantu menetapkan tipe persamaan yang menunjukkan hubungan antara kedua variabel tersebut.

Persamaan Regresi Liniear Persamaan regresi linear dapat dihitung dengan rumus : Y = a + b X dimana a b = Y pintasan, (nilai Y bila X = 0) = kemiringan dari regresi atau koefisien regresi, yang mengukur

besarnya pengaruh X terhadap Y kalau X naik satu unit X Y = nilai tertentu dari variabel bebas = nilai yang diukur atau dihitung pada variabel tidak bebas

Penggunaan Persamaan Regresi dalam Peramalan Tujuan utama penggunaan persamaan regresi adalah untuk memperkirakan nilai dari variabel tak bebas pada nilai variabel bebas tertentu. Persamaan regresi dalam ramalan dapat dihitung dengan rumus: Y = 1,02 + 5,14 (x)

Bab 8 menjelaskan tentang Regresi Liniear Berganda dan Regresi Nonliniear. Dalam bab 7 telah dibahas tentang korelasi antara dua variabel X dan Y yang sering diberi simbol rxy atau r saja.

rxy =

Jikalau kita ingin mengetahui kuatnya hubungan anatara variabel Y dengan beberapa variabel X lainnya, maka kita menggunakan suatu koefisien kolerasi yang disebut koefisien korelasi linear berganda (KKLB)Untuk Koefisien Korelasi Liniear Berganda dapat dihitung dengan rumus :

KKLB =

Apabila KKLB dikuadratkan, maka akan diperoleh koefisien penentuan (KP) berganda, yaitu suatu nilai untuk mengukur besarnya sumbangan dari variabel X terhadap variasi Y,dimana rumusnya adalah : KP =

Koefisien Korelasi Parsial Apabila variabel Y berkorelasi dengan X1 dan X2, maka koefisien korelasi anatara Y dan X1 (X2 konstan), antara Y dan X2 (X1 konstan), dan antara X1 dan X2 (Y konstan) disebut Koefisien Korelasi Parsial (KKP) dengan rumus sebagai berikut :

r1y.2 =

(Koefisien korelasi parsial X1 dan Y, kalau X2 konstan)

r2y.1 =

(Koefisien korelasi parsial X2 dan Y, kalau X1 konstan)

r12.y =

(Koefisien korelasi parsial X1 dan X2, kalau Y konstan)

TREND PARABOLA Garis trend pada dasarnya adalah garis regresi dimana variabel bebas X merupakan variabel waktu. Baik garis regresi maupun trend dapat berupa garis lurus maupun tidak lurus. Persamaan garis trend parabola adalah sebagai berikut : Y = a + bX + cX2 (X = waktu)

TREND EKSPONENSIAL (LOGARITMA) Trend Eksponensial sering dipergunakan untuk meramalkan junlah penduduk, pendapatan nasional, produksi, hasil penjualan, dan kejadian-kejadian lain yang perkembangan/pertumbuhannya meningkat secara geometris. Trend Eksponensial mempunyai bentuk persamaan seperti Y = abx atau Y = aXb.

TREND EKSPONENSIAL YANG DIUBAH Seperti yang telah diuraikan sebelumnya, trend eksponensial mempunyai persamaan yang masing-masing melalui proses transformasi menjadi bentuk liniear dalam semi log dan sepenuhnya log yaitu: (semi log) Y0 = a0 + bo X Y0 = log Y a0 = log a b0 = log b (log) Y0 = a0 + b X Y0 = log Y a0 = log a X0 = log X

Bentuk Y = abX dapat dikonversi dengan jalan menambah bilangan konstanta k. Dengan demikian, persamaannya menjadi : Y = k + abX Karena bentuk trend eksponensial yang diubah tidak dapat dijadikan bentuk linear dengan jalan transformasi, maka untuk memperkirakan atau menghitung nilai koefisien a dan b tidak dapat digunakan metode kuadrat terkecil (least square method).

TREND LOGISTIK

Trend Logistik biasanya dipergunakan untuk mewakili data yang menggambarkan perkembangan / pertumbuhan yang mula-mula cepat sekali, tetapi kemudian melambat, dimana kecepatan pertumbuhannya makin berkurang sampai tercapai suatu titik jenuh. Contoh bentuk trend logistik adalah sebagai berikut : Y =

, dimana : k,a dan b konstan, biasanya b < 0.

TREND GOMPERTZ Trend Gompretz biasanya dipergunakan untuk meramalkan jumlah penduduk pada usia tertentu. Bentuk daripada Trend ini adalah : Y = kabX , dimana k,a, dan b konstan. Untuk mengenali jenis trend baik linear, parabola, eksponensial, logistik maupun Gompertz, kita harus membuat diagram pencar. Dengan melihat diagram pencar kita bisa menentukan jenis trend apa yang cocok atau tepat untuk meramalkan.

Bab 9 menjelaskan tentang Analisis Data Berkala. Data berkala (time series data) adalah data yang dikumpulkan dari waktu ke waktu untuk menggambarkan perkembangan suatu kegiatan. Analisis data berkala

memungkinkan kita untuk mengetahui perkembangan suatu atau beberapa kejadian serta hubungan atau pengaruhnya terhadap kejadian lainnya. Gerakan / variasi data berkala terdiri dari empat komponen yaitu sebagai berikut : (1) Gerakan Trend Jangka Panjang, yaitu suatu gerakan yang menunjukkan arah perkembangan secara umum (kecendrungan

menaik/menurun). Garis trend ini berguna untuk membuat ramalan yang diperlukan bagi perencanaan (T).

(2) Gerakan/Variasi Siklis, yaitu gerakan/variasijangka panjang disekitar garis trend (berlaku untuk data tahunan) dan disimbolkan dengan C (cycle). (3) Gerakan/Variasi Musiman, yaitu gerakan yang mempunyai pola tetap dari waktu ke waktu yang disimbolkan dengan S (seasonal). (4) Gerakan/Variasi yang Tidak Teratur, yaitu gerakan/variasi yang sifatnya sporadis, disimbolkan dengan I (irregular).

Apabila gerakan trend, siklis, musiman, dan acak masing-masing diberi simbol T, C, S, dan I, maka data berkala Y merupakan hasil kali dari 4 komponen tersebut yaitu : Y=TCSI MENENTUKAN TREND Ada beberapa metode yang umum digunakan untuk menggambarkan garis trend, ada beberapa metode yang bisa digunakan yaitu : Metode Tangan Bebas Adapun langkah-langkah yang digunakan dalam metode ini adalah : (1) Buat sumbu tegak Y dan sumbu mendatar X, (2) Buat Scatter Diagram, yaitu kumpulan titik-titik koordinat (X, Y); X = variabel waktu, (3) Dengan jalan observasi langsung terhadap bentuk Scatter Diagram. Cara menarik Garis Trend dengan tangan bebas meruoakan cara yan paling mudah, tetapi sifatnya sangat subjektif.

Metode Rata-rata Semi Cara dengan metode ini memerlukan langkah-langkah sebagai berikut : (1) Data dikelompok menjadi dua, masing-masing kelompok harus mempunyai jumlah data yang sama, (2) Masing-masing kelompok dicari rata-ratanya, (3)Titik absis harus dipilih dari variabel X yang berada di tengah masingmasing kelompok, (4)Titik koordinat terdiri dari b) dan c) dimasukkan kedalam persamaan

Metode ini tidak memerlukan grafik, kita dapat mempreloeh nilai ramalan langsung dari persamaan.

Metode Rata-rata Bergerak Rata-rata bergerak sering dipergunakan untuk memuluskan fruktuasi yang terjadi dalam data tersebut. Proses pemulusan ini disebut pemulusan data berkala. Apabila rata-rata bergerak dibuat dari data tahunan atau bulanan sebanyak n waktu maka rata-rata bergerak disebut rata-rata bergerak tahunan atau bulanan dengan orde n.

Metode Kuadrat Terkecil Garis trend linear dapat ditulis sebagai persamaan garis lurus : Y = a + bX Di mana Y = data berkala (time seri data) X = waktu

a dan b = bilangan konstan

Untuk mencari persamaan trend garis lurus dengan metode kuadrat terkecil dapat dilakukan dengan dua cara, yaitu: Cara 1 Untuk mengadakan perhitungan diperlukan nilai tertentu pada variabel waktu (X) sedemikian rupa, sehingga jumlah nilai variabel waktu adalah nol.

a) Untuk n ganjil b) Untuk n genap

Cara 2 Cara lain untuk menentukan garis trend lurus adalah dengan menentukan periode awal dari variabel waktu X = 1, jadi tidak perlu lagi membuat Garis trend lurus dengan cara ini dapat dicari dengan rumus : .

( )

Bab 10 menjelaskan tentang Indeks Musiman dan Gerakan Siklis. Gerakan musiman (seasonal movement or variation) adalah gerakan yang teratur sehingga fluktuasinya terjadi pada waktu-waktu yang sama atau sangat berdekatan. Untuk keperluan analisis, sering kali data berkala dinyatakan dalm bentuk angka indeks. Apabila kita ingin menunjukkan ada / tidaknya gerakan musiman, perlu dibuat indeks musiman (seasonal index). Dalam menghitung angka indeks musiman, ada beberapa metode yang dapat dilakukan yaitu :

1. Metode Rata-rata Sederhana (simple average method)

2. Metode Relatif Bersambung (link relative method) Untuk menggunakan metode relatif bersambung, data bulanan yang asli mula-mula dinyatakan sebagai presentase dari data pada bulan yang mendahuluinya. Persentase-persentase yang didapat dengan cara demikian disebut relatif bersambung. Jadi, relatif bersambung menghubungkan data pada bulan yang mendahuluinya. Dalam metode ini dapat dihitung denga dua cara yaitu : (1) Dengan menggunakan rata-rata, (2) Dengan menggunakan median berdasarkan rata-rata.

3. Metode Rasio terhadap Trend (ratio to trend method) Dalam metode ini, data asli untuk setiap bulan dinyatakan sebagai persentase dari nilai-nilai trend bulanan. Rata-rata (median) dari persentase ini merupakan indeks musiman. Apabila rata-rata indeks 100% atau jumlahnya tidak = 1.200%, perlu diadakan penyesuaian.

4. Metode Rasio terhadap Rata-rata Bergerak (ratio to moving average method)

Dalam metode ini, harus dihitung terlebih dahulu rata-rata bergerak selama 12 bulan. Karena hasil perhitungan rata-rata bergerak 12 bulan ini terletak antara dua bulan yang berdekatan, tidak terletak pertengahan bulan, maka harus dibuat rata-rata bergerak dua bulan yang didasarkan atas data rata-rata bergerak 12 bulan tersebut. Yang terakhir ini sering disebut rata-rata bergerak 12 bulan terpusat. MENGHILANGKAN PENGARUH MUSIMAN DAN TREND Apabila kita ingin menghilangkan pengaruh musiman terhadap data berkala, maka setiap nilai (data asli) bulanan dari tahun ke tahun harus dibagi dengan indeks musiman.

GERAKAN SIKLIS DAN CARA MENGUKURNYA Seperti kita ketahui, data berkala diberi simbol Y = TCSI. Apabila dibagi dengan S, maka :

= TCI (bebas pengaruh musiman) yang kemudian kalau dibagi denagn T:

= CI (bebas pengaruh musiman dan trend).

MENEMUKAN

UKURAN

MUSIMAN

DENGAN

PENGGUNAAN

REGRESI BERGANDA Pada bab terakhir kita akan mengetahui bahwa metode kedua, yaitu yang lebih kompleks untuk menemukan indeks musiman adalah metode yang cukup memadai untuk data yang memiliki trend kuat. Akan tetapi, kita dapat menggabungkan pengetahuan pada data dan membutuhkan pekerjaan yang lebih sederhana dibandingkan metode kedua. Dengan data yang disajikan kita dapat membangun persamaan regresi dari rumus:

Dimana : (= Y topi) t = periode waktu = variabel indikator yang menunjukkan musim semi, panas, dan gugur. Bab 11 menjelaskan tentang Angka Indeks. Angka indeks pada dasarnya merupakan suatu angka yang dibuat sedemikian rupa sehingga dapat dipergunakan untuk melakukan perbandingan antara kegiatan yang sama dalam dua waktu yang berbeda. Tujuan pembuatan angka indeks adalah mengukur secara kuantitatif terjadinya perubahan dalam dua waktu yang berlainan. Di dalam membuat angka indeks diperlukan dua macam waktu, yaitu : (1) waktu dasar (base period),yaitu waktu di mana suatu kegiatan diperlukan sebagai dasar perbandingan, (2) waktu yang bersangkutan atau sedang berjalan (current period), yaitu waktu dimana suatu kegiatan (kejadian) dipergunakan sebagai dasar perbandingan terhadap kegiatan pada waktu dasar.

INDEKS HARGA RELATIF SEDERHANA DAN AGREGATIF Indeks harga relatif sederhana (simple relative price index) ialah indeks yang terdiri dari satu macam barang saja, baik untuk indeks produksi maupun indeks harga. Indeks agregatif merupakan indeks yang terdiri dari beberapa barang. Indeks agregartif memungkinkan untuk melihat persoalan secara agregatif, yaitu secara keseluruhan, bukan melihat satu per satu. Rumus indeks harga sederhana (simple index) adalah:

Dimana:

P0 = harga pada waktu 0

Rumus untuk menghitung indeks produksi sama seperti untuk menghitung indeks harga hanya huruf p-nya saja diganti dengan q.

Dimana:

q0 = produksi dalam waktu 0

INDEKS AGREGATIF TIDAK TERTIMBANG Digunakan untuk unit-unit yang mempunyai satuan yang sama. Indeks ini diperoleh dengan jalan membagi hasil penjumlahan harga pada waktu yang bersangkutan dengan hasil penjumlahan harga pada waktu dasar. Dapat dirumuskan sebagai berikut:

INDEKS AGREGATIF TERTIMBANG Indeks agregatif tertimbang ialah indeks yang dalam pembuatannya telah dipertimbangkan faktor-faktor yang akan mempengaruhi naik turunnya angka indeks tersebut. Timbangan yang akan dipergunakan untuk pembuatan indeks biasanya : 1. Kepentingan Relatif (relative importance) 2. Hal-hal yang ada hubungannya atau ada pengaruhnya terhadap naikturunnya indeks tersebut. Kelemahan dari Indeks ini adalah : 1. Satuan atau unit harga barang sangat mempengaruhi indeks harga. 2. Tidak memperhitungkan kepentingan relatif barang-barang yang tercakup dalam pembuatan indeks.

INDEKS RATA-RATA HARGA RELATIF Indeks rata-rata harga relatif dinyatakan oleh persamaan berikut: * +

Dimana, n adalah banyaknya jenis barang. Ada beberapa rumus angka indeks tertimbang, yaitu rumus Laspeyres dan rumus Passche, yaitu nama dari penemunya.

(rumus indeks harga agregatif tertimbang) Dimana: L = indeks Laspeyres

(rumus indeks produksi agregatif tertimbang) Dimana:

(rumus indeks harga agregatif tertimbang) Dimana:

(rumus indeks produksi agregatif tertimbang) Dimana:

Pt = harga waktu t, sebagai timbangan

VARIASI DARI INDEKS HARGA TERTIMBANG Rumus Laspeyres baik dalam praktek, lemah dalam teori, sedangkan rumus Paasche baik dalam teori sukar penggunaannya dalam praktek. Sampai akhirnya muncul Irving Fisher dengan rumusnya yang baru:

Rumus lainnya dimunculkan oleh Drobisch yaitu :

. ANGKA INDEKS BERANTAI

Dalam membuat indeks berantai,terlebih dahulu harus ditentukan berapa satuan waktu dasar. Rumus yang digunakan untuk mencapai Indeks Berantai yaitu :

Dimana:

Keuntungan menggunakan angka indeks ini adalah : 1. Memungkinkan kita untuk memasukkan komoditi-komoditi baru yang diperlukan sebagai timbangan, 2. Apabila sudah dibuat indeks berantai dengan waktu dasar yang berubah-ubah, kita dapat menurunkan dari indeks berantai tersebut suatu indeks pada tahun-tahun tertentu dengan waktu dasar yang tetap.

PENENTUAN DAN PENGGESERAN WAKTU DASAR Tujuan utama pembuatan angka indeks adalah untuk melakukan

perbandingan mengenai suatu kegiatan pada waktu yang berbeda. Ada beberapa syarat yang perlu diperhatikan dalam menentukan waktu dasar yaitu : 1. Waktu sebaiknya menunjukakan keadaan perekonomian yang stabil, dimana harga tidak berubah dengan cepat sekali.

2. Waktu jangan terlalu jauh dibelakang, usahakan paling lama 10 tahun atau lebih baik kurang dari 5 tahun. 3. Waktu dimana terjadi peristiwa penting. 4. Waktu dimana tersedia data untuk keperluan timbangan.

Jika waktu dasar dari angka indeks dianggap sudah out of date karena sudah terlalu lama atau terlalu jauh ketinggalan, maka perlu diadakan penggeseran waktu dasar (shifting the base period). Ada dua cara untuk melakukan pergeseran, yaitu : 1. Apabila data asli masih tersedia, maka angka pada waktu atau tahun tertentu yang akan dipakai sebagai tahun dasar yang baru itu diberi nilai 100%, sedangkan angka-angka lainnya dibagi dengan angkadari waktu tersebut, kemudian dilakukan dengan 100%. 2. Indeks pada tahun yang akan dipilih sebagai waktu dasar diberi nilai 100%, kemudian angka indeks pada tahun-tahun lainnya dibagi dengan indeks dari tahun dasar baru, dan mengalikannya dengan 100%. Cara ini sering digunakan apabila data aslinya sudah tidak ada lagi.

PENGUJIAN ANGKA INDEKS DAN PENDEFLASIAN DATA BERKALA Kesempurnaan angka indeks biasanya dilihat dari kenyataan apakah indeks yang bersangkutan memenuhi beberapa kriteria pengujian (test criteria). Indeks ideal dari Fisher secara teoritis lebih baik daripada indeks Laspeyres atau Paasche karena indeks ideal lebih banyak memenuhi kriteria pengujian daripada Laspeyres dan Paasche. Beberapa kriteria pengujian adalah time reversal test, dan factor reversal test. Suatu indeks dikatakan memenuhi time reversal test, apabila memenuhi persamaan sebagai berikut :

(indeks belum dinyatakan dalam persentase) Dimana: indeks waktu 0 dengan waktu dasar t

Sedangkan pada factor reversal test, langkah awal pengujiannya adalah mencari nilai.

Dimana:

Pendeflasian Data Berkala Data berkala (time series data), menujukkan perkembangan mengenai kegiatan dari waktu ke waktu. Untuk mendapatkan data berkala yang riil (real term), dan pendapatan nyata (real wages,real income), angka-angka tersebut harus dibagi dengan indeks biaya hidup (cost of living index).

Bab 12 menjelaskan tentang Probabilitas. Secara umum, probabilitas merupakan peluang bahwa sesuatu akan terjadi. Secara lengkap, probabilitas didefenisikan sebagai berikut : Probabilityis a measure of a likelihood of the occurance of a random event. (Mendenhall dan Reinmuth, 1982)

Terjemahan bebasnya: Probabilitas ialah suatu nilai yang dipergunakan untuk mengukur tingkat terjadinya suatu kejadian yang acak. Dalam mempelajari probabilitas, ada 3 yang harus diketahui: eksperimen, hasil (outcome), dan kejadian atau peristiwa (event).

PENDEKATAN PERHITUNGAN PROBABILITAS Ada dua pendekatan dalam menghitung probabilitas yaitu pendekatan yang bersifat objektif dan subjektif. Probabilitas objektif dibagi menjadi dua yaitu : 1. Pendekatan Klasik Perhitungan probabilitas secara klasik didasarkan pada asumsi bahwa seluruh hasil dari suatu eksperimenmempunyai

kemungkinan (peluang) yang sama. Dapat dirumuskan sebagai berikut: a) b) ( ) ( ) ( )

Dimana: x = frekuensi relatif kejadian i n = ukuran sampel (jumlah observasi)

2. Konsep Frekeunsi Relatif Pendekatan yang mutakhir adalah perhitungan yang didasarkan atas limit dari frekuensi relatif. Perhitungan probabilitaas dengan pendekatan frekuensi relative yaitu: ( ) Dimana: = frekuensi relatif kejadian i = kejadian i

= total jumlah observasi

Probabilitas Subjektif, didasarkan atas penilaian seseorang dalam menyatakan tingkat kepercayaan. Hal ini biasanya terjadi dalam bentuk opini atau pendapat yang dinyatakan dalam suatu nilai probabilitas.

KEJADIAN/PERISTIWA DAN NOTASI HIMPUNAN Hasil yang berbeda-beda dari suatu eksperimen disebut titik sample. Sedangkan himpunan dari seluruh kemungkinan hasil disebut ruang sample. Ruang sample merupakan himpunan hasil eksperimen. Suatu himpunan merupakan kumpulan yang lengkap atas elemen-elemen sejenesi tetapi dapat dibedakan satu sama lain. Hasil eksperimen dapat berbeda-beda, sehingga pada umumnya hasil eksperimen bersifat acak, di mana kita sering menggunakan istilah variabel acak untuk maksud perhitungan probabilitas terjadinya hasil suatu eksperimen. 1. Notasi Himpunan Himpunan dari seluruh kejadian yang ada disebut himpunan semesta (universal set). Himpunan bagian yang paling kecil dari suatu himpunan disebut himpunan kosong (null set). 2. Komplemen Suatu Kejadian 3. Interseksi Dua Kejadian 4. Union Dua Kejadian 5. Beberapa Aturan/Hukum dalam Himpunan a. Hukum penutup (Law of Closure) Untuk setiap pasang himpunan A dan B, terdapat himpunanhimpunan yang unik yaitu himpunan

b. Hukum komutatif (Commutative Law)

c. Hukum asosiatif (Associative Law) ( ( ) ) ( ( ) )

d. Hukum distributif (Distributive Law) ( ( ) ) ( ( ) ) ( ( ) )

e. Hukum identitas (Identity Law) Ada himpunan dan S yang unik, sedemikian rupa sehinggauntuk setiap himpunan

himpunan A selalu berlaku persamaan kosong.

f. Hukum komplementasi (Complementation Law)

g. Bersesuaian dengan setiap himpunan A ada himpunan , yang unik sedemikian rupa sehingga BEBERAPA ATURAN DASAR PROBABILITAS 1. Aturan Penjumlahan Untuk menerapkan aturan penjumlahan ini, harus dilihat dari jenis kejadiannya apakah bersifat saling meniadakan (mutually exclusive) atau tidak saling meniadakan. a. Kejadian saling meniadakan Disebut juga dengan penjumlahan khusus yang dapat diartikan bahwa kejadian dimana jika sebuah kejadian terjadi, maka kejadian yang kedua adalah kejadian yang saling meniadakan. ( ) ( ) ( )

( (

( ) )

( ) ( )

( )

b. Kejadian tidak saling meniadakan ( ) ( ) ( ) ( )

2. Aturan Perkalian Aturan perkalian diterapkan secara berbeda menurut jenis kejadiannya. Ada dua jenis kejadian dalam hal ini, yaitu : a. Kejadian Tak Bebas / Bersyarat Adalah probabilitas terjadinya kejadian A dengan syarat bahwa B sudah terjadi atau akan terjadi. Pada umumnya probabilitas bersyarat dirumuskan sebagai berikut : P (B/A) P (A/B)
( ( ) ( ( ) ) )

b. Probabilitas Kejadian Interseksi Rumus yang digunakan dalam probabilitas ini adalah : ( ) ( ) (B/A) =P(B)P(A/B)

3. Kejadian Bebas (Independent Event) Dua kejadian atau lebih dikatakan merupakan kejadian bebas apabila terjadinya kejadian tersebut tidak saling. Dua kejadian A dan B dikatakan bebas, apabila kejadian A tidak mempengaruhi atau sebaliknya. P(A/B) = P(A)

P(B/A) P(

= P(B) ) = P(A)P(B) = P(B)P(A)

4. Probabilitas Marjinal Untuk mencari probabilitas marjinal dapat dirumuskan sebagai berikut : P(R) = ( ) (R/Si)

5. Rumus Bayes Seorang ahli matematika dari Inggris, Thomas Bayes (1702 1761), mengembangkan teori untuk menghitung probabilitas tentang sebab-sebab terjadinya suatu kejadian (causes) berdasarkan pengaruh yang dapat diperoleh sebagai hasil observasi. Teori Bayes ini bertujuan untuk memecahkan masalah pembuatan keputusan yang mengandung ketidakpastian (decision making under uncertainty). Rumus Bayes dapat ditulis :
( ) ( ) ( ) ( )

( /A)

PERMUTASI DAN KOMBINASI Permutasi adalah suatu pengaturan atau urutan beberapa elemen atau objek dimana urutan itupenting ( AB BA ), sedangkan Kombinasi adalah susunan dari beberapa elemen dimana urutan tidak diperhatikan Permutasi dapat dirumuskan sebagai berikut :
m m

( AB = BA ).

permutasi m objek diambil m setiap kali


( )

permutasi m objek diambil x setiap kali

Kombinasi dapat dirumuskan sebagai berikut :


m

, kombinasi m objek diambil x setiap kali

KELEBIHAN BUKU : Buku ini menjelaskan tentang teori statistika dan penerapan aplikasinya secara gamblang. Pada buku ini dilengkapi dengan istilah-istilah penting, ringkasan rumus, dan lampiran dasar-dasar matematika untuk statistik sehingga lebih membantu mahasiswa untuk memahami konsep-konsep yang ada pada setiap bab. Selain itu pada buku ini juga dilengkapi dengan penerapan Statistik pada aplikasi komputer, seperti pada Bab 3, Bab 4, Bab 5, Bab 7, Bab 8 dan Bab 9. Dengan adanya penerapan pada aplikasi komputer tersebut, mahasiswa dapat mahir dan lebih mengetahui secara mendalam cara menggunakan Statistik dengan teknologi komputer sehingga dapat mempercepat proses pengolahan atau pengoperasian data statistik yang ada.

KEKURANGAN BUKU : Dalam buku ini kesalahan atau kekurangan data hampir jarang ditemui, hal ini dikarenakan buku ini merupakan buku edisi yang ke tujuh dimana buku ini telah menerima berbagai macam saran dan kritikan dari berbagai pihak. Akan tetapi dari segi visual atau penampilan setiap teks, gambar atau grafik pada pada buku ini hanya sebagian saja yang dilengkapi dengan cetakan yang berwarna. Akan lebih baik jika buku ini mencetak teks dan gambarnya dalam cetakan penuh warna sehingga tidak membuat para pembaca atau mahasiswa yang membaca buku ini sedikit jenuh.

You might also like