1

STATISTIKA DASAR PENYAJIAN DATA DALAM BENTUK GRAFIK

MAKALAH
( Disusun guna memenuhi salah satu tugas matakuliah Statistika Dasar )

Disusun oleh : Galuh Denok Wahyuni Fajar Arum Norma Aisyah Agus Tina Sari Binar Kurnia Prahani (080210102008) (080210102013) (080210102014) (080210102015) (080210102016)

PROGRAM STUDI PENDIDIKAN FISIKA JURUSAN PENDIDIKAN MIPA FAKULTAS KEGURURAN DAN ILMU PENDIDIKAN UNIVERSITAS JEMBER SEMESTER GASAL 2009-2010

2

BAB I PENDAHULUAN

1.1 Latar Belakang Statistik pada masa kini mempengaruhi hampir seluruh aspek kehidupan modern, contohnya antara lain sebagai berikut : Apakah kamu pernah memperhatikan berita ekonomi baik di surat kabat maupun di televisi? Aplikasi statistika lainnya yang sekarang popular adalah prosedur jajak pendapat atau polling (misalnya dilakukan sebelum pemilihan umum), serta jajak cepat (perhitungan cepat hasil pemilu) atau quick count. Pada korankoran tertentu terdapat grafik yang menunjukkan fluktuasi nilai tukar rupiah terhadap dolar (lihat gambar di atas). Contoh lainnya adalah jumlah penduduk di Indonesia. Andaikan jumlah penduduk Indonesia tahun 2002 adalah 202 juta orang, maka kita dapat meramalkan jumlah penduduk Indonesia 10 tahun yang akan datang. Tentunya kita perlu bantuan statistika untuk meramalkan jumlah penduduk Indonesia pada tahun 2012. Masih banyak contoh-contoh penggunaan statistika dalam kehidupan sehari-hari. Uraian singkat di atas memberi kita informasi tersurat bahwa dalam berbagai hal kita harus bias menyajikan data agar orang lain lebih komunikatif dalam menganalisa atau menikmati data kita. Mengetahui bahwa akan pentingnya Penyajian data yang dibahas secara detail dalam ilmu statistika, maka kami menyusun makalah ini yang didalamnya akan membahas secara efektif dan efesien mengenai Penyajian Data, Sehingga kita sebagai mahasiswa yang akan banyak melakukan Penelitian dan kegiatan ilmiah diharapkan kita dapat memahami dan mengaplikasikan Ilmu Statisika.

1

3

1.2 Rumusan Masalah
1. 2. 3. 4. 5. 6. 7. 8.

Apakah definisi penyajian data dalam grafik ? Bagaimanakah Penyajian data dalam grafik ? Apakah definisi ukuran pemusatan ? Bagaimanakah deskripsi dan jenis dari ukuran pemusatan ? Apakah definisi ukuran variasi/dispersi ? Bagaimanakah deskripsi dan jenis dari ukuran variasi/dispersi ? Apakah definisi dari korelasi dan regresi ? Bagaimanakah deskripsi dan jenis dari ukuran korelasi dan Mengapa perlu dipelajari dan melakukan penyjian data ?

regresi ? 9. 1.3 Tujuan
1. Memberikan pemahaman melalui diskripsi penyajian data dalam grafik. 2. Memberikan pengetahuan dasar mengenai komponen yang terkandung

Penyajian data dalam grafik.
3. Memberikan Pemahaman melalui diskripsi definisi ukuran pemusatan. 4. Memberikan pengetahuan dasar mengenai komponen yang terkandung

dalam deskripsi dan jenis dari ukuran pemusatan.
5. Memberikan

Pemahaman

melalui

diskripsi

definisi

ukuran

variasi/disperse.
6. Memberikan pengetahuan dasar mengenai komponen yang terkandung

dalam deskripsi dan jenis dari ukuran variasi/dispersi.
7. Memberikan Pemahaman melalui diskripsi definisi dari korelasi dan

regresi.
8. Memberikan pengetahuan dasar mengenai komponen yang terkandung

dalam deskripsi dan jenis dari ukuran korelasi dan regresi.
9. Diharapkan setiap mahasiswa dapat mengetahui dan mengaplikasikan

penyajian data, ukuran variasi atau disperse, korelasi dan regresi.

Skala pada sumbu datar tidak harus sama dengan skala pada sumbu tegak.1 Definisi penyajian data dalam grafik Penyajian dalam bentuk grafik adalah suatu penyajian data secara visual. Penyajian hasil penelitian kuantitatif yang sering menggunakan bentuk tabel atau grafik Penyajian data secara visual dilakukan melalui bentuk grafik. Diagram Batang Untuk menggambar diagram batang kita memerlukan sumbu datar dan sumbu tegak yang saling tegak lurus. Sumbu datar dibagi menjadi beberapa skala bagian yang sama dan sumbu tegak juga dibagi menjadi beberapa skala bagian yang sama. atau diagram. gambar. Untuk lebih jelasnya.2 Penyajian data dalam grafik. Tabel 3 BANYAK ORANG DI DAERAH X YANG MENJAGOKAN SALAH SATU NEGARA PESERTA WORLD CUP 2002 MENJADI JUARA 3 .4 BAB II PEMBAHASAN 2. Modifikasi bentuk penyajian data dengan grafik ini beraneka ragam antara lain sebagai berikut : a. 2. Sumbu datar biasanya menyatakan nilai dan sumbu tegak menyatakan frekuensi. coba kamu perhatikan contoh berikut.

30 25 20 15 10 5 20 15 10 8 7 5 0 Argentina Brazil Denmark IItaa IInggris Jerman Prancis Spanyol Negara Peserta World Cup 2002 . seperti yang nampak pada Gambar 2 berikut.5 Negara Peserta Banyak Orang Jumlah Argentina Brazil Denmark Italia Inggris Jerman Prancis Spanyol Jumlah 10 35 7 15 20 30 5 8 130 10 35 7 15 20 30 5 8 130 Diagram 1 Banyak Orang di Daerah X yang Menjagokan Salah Satu Negara Peserta World Cup 2002 Menjadi Juara 40 Catatan: Data fiktif 35 yang terdapat pada Tabel 3 di atas akan kita nyatakan dalam 30 35 Data-data bentuk diagram batang.

Diagram Lingkaran Perhatikan kembali Tabel 3 di atas. DBD dan Frambusia di kabupaten Wetan tahun 1997. seperti berikut: 150 100 50 0 JAN Banyak Orang DBD DAN FRAMBUSIA DI Negara KASUS MALARIA. Diagram Garis Jika kita mempunyai data yang keadaannya kontinu atau berkesinambungan. Kita akan meyajikan data-data yang terdapat pada tabel Arg tersebut dalam bentuk diagram lingkaran. De n France 4%6% Brazil Spanyo l Italia Inggri s Jerman 8% Brazil 27% Jerman 23% Inggris 15% ItaliaSpain 5% 12% Prancis Denmark Argentina . maka sebaiknya kita dapat menyajikan dalam bentuk diagram garis.6 b. Misalkan data tersebut adalah kasus malaria. yang Menjagokan Salah SatuKAB WETAN TAHUN 1997 Peserta World Cup 2002 Menjadi Juara FEB MAR APR MEI JUN c.

Grafik Peta. Diagram area atau diagram daerah 160 140 120 100 80 60 40 20 0 JAN FEB MAR GAKY KEP APR AGB MEI KVA JUN STATUS GIZI MASYARAKAT KEC TUAS TAHUN 1996 e.7 d. untuk melihat/menunjukkan lokasi .

diagram. kilogram. tempat dan tahun data tersebut diperoleh (what. b. Skala pada grafik atau gambar harus ada catatan tentang satuan yang dipakai misalnya tahun. celcius. diagram atau gambar data antara lain sebagai berikut : a. Judul grafik. c. Garis horizontal maupun garis vertikal sebagai koordinat harus diatas agar garis kurva tampak jelas. hari. dan sebagainya. Judul terletak diatas tengah gambar atau grafik dan menggambarkan ciri data. dan when). where.8 Ketentuan umum untuk membuat grafik. gambar atau skema harus jelas dan tepat. f. Apabila data dari grafik atau gambar tersebut diambil dari sumber lain (bukan hasil penelitian sendiri) maka sumber data harus ditulis dibawah kiri grafik atau gambar tersebut. Grafik Garis Tunggal .

Rata-rata (average) adalah nilai yang mewakili himpunan atau sekelompok data (a set of data).rata-rata ukur (geometric . Beberapa jenis rata-rata yang sering dipergunakan ialah rata-rata hitung (arithmetic mean atau sering disingkat mean saja).ia mempunyai kecenderungan memusat. Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data yang disusun menurut besar kecilnya nilai.yang berisi data penjualan hipotesis Harapan Kita selama tujuh tahun. sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency). 2.4 Deskripsi dan jenis dari ukuran pemusatan 1.3 Definisi ukuran pemusatan. Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data yang disusun menurut besar kecilnya nilai. sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency).ia mempunyai kecenderungan memusat. 100 50 0 JAN FEB MAR APR MEI JUN DBD MALARIA FRAMBUSIA KASUS MALARIA.9 Grafik garis tunggal (single line chart) adalah grafik yang terdiri dari satu garis untuk menggambarkan perkembangan (trend) dari suatu karakeristik.1 Perhatikan tabel berikut. Dengan perkataan lain. Rata-rata. DBD DAN FRAMBUSIA DI KAB WETAN TAHUN 1997 2. Contoh 3. Dengan perkataan lain.

Rata-rata Hitung Kalau kita mempunyai nilai variable X.….X2.sebagai hasil pengamatan atau observasi sebanyak N kali yaitu X1. Setiap rata-rata tersebut selain mempunyai keunggulan juga memiliki kelemahan. dan rata-rata harmonis (harmonic mean). yang untuk selanjutnya kita singkat rata-rata.. dan ketepatan penggunaannya sangat tergantung pada sifat dari data dan tujuannya (misalnya.sering digunakan sebagai dasar perbandingan antara dua kelompok nilai atau lebih.Xn maka : a) Rata-rata sebenarnya (populasi) ..10 mean). a.2 Hasil Ujian Joni (Y) 7 6 5 6 6 30 30/5 =6 Dari nilai rata-rata tersebut dapat disimpulkan bahwa Toni lebih pandai dari Joni.Xb. kecuali kalau ada keterangan atau penjelasan lain. Misalkan hasil ujian Toni dan Joni adalah seperti disajikan dalam Tabel Mata Pelajaran Statistik Matematika Teori Ekonomi Pemasaran Metode Riset Jumlah Rata-rata Hasil Ujian Toni (X) 8 7 6 8 7 36 36/5 = 7. Yang dimaksudkan di sini dengan ratarata ialah rata-rata hitung.Rata-rata hitung.untuk melakukan analisis).….

11 dibaca myu. b) Rata-rata perkiraan (sampel) Kalau rata-rata tersebut dihitung berdasarkan sampel sebanyak n di mana n<N observasi. adalah dengan melengkapi tabel di bawah ini. Tabel Hasil Koding . Langkah pertama meletakkan angka nol pada kelas sekehendak kita/sembarang.rata-rata sebenarnya sering juga disebut rata-rata populasi.atau rata-rata sampel.yaitu symbol rata-rata merupakan perkiraan • Metode Koding Suatu saat mungkin kita akan bekerja pada jumlah data yang banyak dengan nilai-nilai data yang tinggi. Untuk mengisi kolom koding (kolom 4) di atas nilai nol dengan mengurangkan masing-masing dengan satu dari nilai kelas di bawahnya.yang diberi simbol yang rumusnya adalah sebagai berikut : dibaca X bar.yaitu symbol rata-rata sebenarnya yang disebut parameter.Karena itu. Untuk menghitung ratarata dengan menggunakan metode koding.Ada suatu metode yang efektif dan sangat membantu dalam menyederhanakan nilai-nilai yang besar itu yaitu dengan menggunakan metode koding (metode ini hanya berlaku jika semua panjang kelas dalam tabel distribusi frekuensi bernilai sama).maka rata-rata yang diperoleh disebut rata-rata perkiraan.Rata-rata ini dihitung berdasarkan populasi.

b. .masing. Rata-rata Gabungan Jika kita mempunyai data n1. n3.i a.12 No 1 2 3 4 5 6 7 8 Jumlah Rumus Rata-Rata Nilai 61-65 66-70 71-75 76-80 81-85 86-90 91-95 96-100 fi 5 7 11 14 17 15 8 3 80 ci -4 -3 -2 -1 0 1 2 3 fici -20 -21 -22 -14 0 15 16 9 -37 Untuk mencari nilai rata-rata dengan menggunakan metode koding dapat dillihat dalam rumus Dimana: = nilai rata-rata hitung = nilai tengah kelas pada saat i= 0c P = panjang kelas N= jumlah ci = nilai koding kelas ke-i fi = frekuensi kelas ke. Rata-rata Harmonik Rata-rata harmonik biasanya digunakan untuk merata-ratakan kecepatan beberapa jarak tempuh atau mencari harga rata-rata suatu komoditi tertentu. n2. … dengan nilai rata-rata masing.

2. Median Untuk data berkelompok : n   -F  M ed = L 0 + c  2  f      L 0 = batas baw ah kelas m edian F = jum lah frekuensi sem ua kelas sebelum kelas yang m engandung m edian f =frekuensi kelas m edian . Selanjutnya jika kelas dengan frekuensi paling tinggi sudah deketahui lalu tentukan batas bawah kelas yang mempunyai frekuensi tertinggi tersebut. Nilai modus adalah perpotongan antara garis vertikal hasil pertemuan antara sudut kelas berfrekuensi tertinggi dengan frekuensi sebelum dan sesudah frekuensi tertinggi (garis terpotong. Rumus Nilai Modus Nilai modus dihitung dengan menggunakan rumus: Dimana: Mo = Nilai modus BB = Batas Bawah kelas model p = panjang kelas modus b1 = jumlah frekuensi kelas modus dikurangkan jumlah frekuensi sebelum kelas modus b2 = jumlah frekuensi kelas modus dikurangkan jumlah frekuensi setelah kelas modus 3.13 c.potong) dengan garis horizontal. Rata-rata Ukur (geometrik) Digunakan jika perbandingan dua data berturutan tetap atau hampir tetap. Modus Untuk mencari nilai modus dari sekelompok data yang sudah dibuat dalam tabel distribusi frekuensi. Secara geometris nilai modus didasarkan pada grafik histogram. kemudian hitung panjang kelas dengan frekuensi tertinggi itu. pertama kali carilah kelas yang mempunyai frekuensi paling tinggi.

4 2 2    . yaitu pada interval 61-73.5 + 3  e 0 1 2  1     =7 . dan kuartil ketiga (Q3) atau kuartil atas. Untuk data tidak berkelompok 0 6 -1 9  2 Md =6 . Ada 3 jenis yaitu kuartil pertama (Q1) atau kuartil bawah. Kuartil Kelompok data yang sudah diurutkan (membesar atau mengecil) dibagi empat bagian yang sama besar.5 F = 19 f = 12 4.14 Contoh : Interval Kelas 9-21 22-34 35-47 48-60 61-73 74-86 87-99 Frekuensi 3 4 4 8 12 23 6 Σf = 60 Letak median ada pada data ke 30. sehingga : L0 = 60. kuartil kedua (Q2) atau kuartil tengah.

15 Q i = nilai ke - i( n +1) . i =1.3  f      L0 = batas bawah kelas kuartil F = jumlah frekuensi semua kelas sebelum kelas kuartil Qi f = frekuensi kelas kuartil Qi Contoh : Interval Kelas Nilai Tengah (X) 9-21 22-34 35-47 48-60 61-73 74-86 87-99 15 28 41 54 67 80 93 3 4 4 8 12 23 6 Σf = 60 Frekuensi . i = .2.2 Q i =L 0 +c 4 1 .3 4 Untuk data berkelompok  in  -F  .

5 + 3  4 7 1 8       =5 4    Untuk Q2. maka : 5.19  4 Q 2 =60 +13  ..5 12    .5 + 3  4 3 1 2 3       =72.16 Q1 membagi data menjadi 25 % Q2 membagi data menjadi 50 % Q3 membagi data menjadi 75 % Sehingga : Q1 terletak pada 48-60 Q2 terletak pada 61-73 Q3 terletak pada 74-86 Untuk Q1. maka : 0  2.42       =8 .2.41 1    Untuk Q3.6 3 0 -3 1  Q 3 =7 .. Untuk data tidak berkelompok D i = nilai ke i( n +1) .. maka : .6 1 0 -1 1  Q1 =4 . i =1.6 .3. 9 10 .. Desil Kelompok data yang sudah diurutkan (membesar atau mengecil) dibagi sepuluh bagian yang sama besar.

i = .... D i =L 0 +c 1 .3  f      9 L0 = batas bawah kelas desil Di F = jumlah frekuensi semua kelas sebelum kelas desil Di f = frekuensi kelas desil Di Contoh : Inte rval Kelas ai Tengah (X) 921 2234 3547 4860 6173 7415 28 41 54 67 80 93 3 4 4 8 12 23 6 Nil Freku ensi .17 Untuk data berkelompok  in  -F  1 0 .2 ..

. Pi =L 0 +c 1 .7 9 2    6.6 3 0 -1 1  0 D 3 =4 . Persentil Untuk data tidak berkelompok Untuk data berkelompok  in  -F  10 0 .18 86 8799 Σf = 60 D3 membagi data 30% D7 membagi data 70% Sehingga : D3 berada pada 48-60 D7 berada pada 74-86 ..5 + 3  1 7 1 8    .2 .6 7 0 -3 1  1 =7 ..8 5 8 7    D7    =7 .3 f       9 9 .5 +1  0 3 3 2 3       =5 . i = ..

5 Definisi ukuran variasi/disperse. Selain itu ukuran ini dapat digunakan untuk membandingkan sebaran dari dua distribusi data. Ukuran variasi atau dispersi. ukuran variasi ini paling banyak digunakan karena mempunyai sifat mathematics yang berguna untuk teori dan analisis.Variance untuk populasi rumusnya: Variance untuk sampel rumusnya: . 2. Ukuran variasi diperlukan karena ukuran ini memberikan informasi mengenai sebaran nilai pada data tersebut. Simpangan baku memiliki satuan yang sama seperti satuan data aslinya.6 • Deskripsi dan jenis dari ukuran variasi/dispersi. sehingga kelemahannya apabila membandingkan dua atau lebih data yang berbeda satuan maka pembandingan akan sulit dilakukan. Ada data yang tepat sama dengan nilai rata-rata. begitu pula dispersi juga terdapat antara data yang satu dengan yang lain.Variance adalah rata-rata dan kuadrat dari selisih tiap-tiap data dengan mean-nya. Simbol untuk variance adalah σ2 atau sigma kuadrat. Pengukuran Dispersi Data Tidak Dikelompokkan: 1. ukuran ini berasal dari pemikiran bahwa ada data yang berada “di sekitar” rata-rata. Simpangan baku (standard deviation).19 2. ada yang lebih kecil dan ada juga yang nilainya lebih besar dari rata-rata. Artinya bahwa antara tiap-tiap data dengan rata-rata terdapat jarak atau dispersi. Simpangan baku (standard deviation) Simpangan baku diperoleh dari akar dari ragam (variance).

Range merupakan ukuran yang kasar untuk n besar dan ukuran ini kurang sensitive. Data diurutkan dahulu dari yang terkecil hingga terbesar kemudian dihitung selisih antara data terbesar dan data terkecil. artinya nilai sampel hanya mendekati dan bukan nilai yang menggambarkan nilai sebenarnya pada populasi. Rumusnya: Nilai jarak = X(n) – X1. artinya bahwa informasi . Dapat ditunjukan secara statistika matematis bahwa dengan pembagi (n-1). pada populasi pembagi adalah n sedangkan pada sampel pembagi adalah n-1. Perbedaan ini karena pada sampel hanya mengestimasi populasi. Pembagi pada sampel (n-1) disebut dengan derajat bebas (degree of freedom). Jarak (range) Nilai jarak (range).20 Atau Untuk simpangan baku populasi rumusnya: Simpangan baku untuk sampel rumusnya: atau Terdapat perbedaan pembagi pada populasi dan sampel. merupakan ukuran variasi yang paling sederhana dan mudah untuk dihitung. variance sampel merupakan “unbiased estimate” bagi variance populasi. 2.

pengukuran ini bermula dari simpangan baku atau standard deviation yang mempunyai satuan yang sama dengan satuan data aslinya. yang bebas dari satuan data asli. Koefisien variasi untuk populasi: Koefisien variasi untuk sampel: . nilai jarak ( NJ ) dapat dihitung dengan dua cara NJ = Nilai tengah kelas terakhir – nilai tengah kelas pertama NJ = batas atas kelas terakhir – batas bawah kelas pertama Koefisien variasi (coefficient of variation) Koefisien variasi . Agar dapat membandingkan dua atau lebih kelompok data dengan satuan yang berbeda maka digunakan Koefisien Variasi (KV). hal ini merupakan kelemahan apabila kita ingin membandingkan dua atau lebih kelompok data yang satuannya berbeda. Range ini tidak selalu dapat menggambarkan keragaman data untuk n besar.21 bisa menyesatkan apabila ada dua data yang memiliki kisaran sama tapi simpangan baku yang berbeda. 3. Rata-rata simpangan. seperti namanya perhitungan ini dilakukan dengan cara merata-ratakan simpangan data. Rata-rata simpangan adalah ratarata hitung dari nilai absolute dari simpangan. Rata-rata simpangan (mean deviation). Simpangan data adalah selisih tiap-tiap data dengan rata-ratanya. rumusnya: • Pengukuran Dispersi Data Dikelompokkan Nilai Jarak Untuk data berkelompok.

korelasi. atau sumbu X). juga disebut koefisien korelasi. maka kelompok data pertama lebih bervariasi atau lebih heterogen daripada kelompok data kedua. Dan dalam ilmu statistika istilah korelasi diberi pengertian sebagai hubungan antara dua variabel atau lebih. atau bisa juga hubungan antara penggunaan pupuk dan luas lahan tanam dengan hasil produksi. dapat juga digunakan untuk menentukan apakah kelompok data tersebut memiliki konsistensi atau tidak. atau secara bebas. variabel independen.7 Definisi dari korelasi dan regresi. Correlation artinya saling hubungan atau hubungan timbal balik. sedangkan hubungan antar lebih dari dua variabel disebut multivariate correlation. Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi. Dalam bahasa Inggris. Kedua variabel ini dapat merupakan variabel acak (random). Dimana hubungan antara dua variabel itu dikenal dengan istilah bivariate correlation. Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan variabel(-variabel) yang lain. Istilah itu biasa kita sebut dalam bahasa sehari-hari dengan sebutan Korelasi. Dalam teori probabilitas dan statistika. variabel terikat. variabel eksplanatorik. 2. namun variabel yang dipengaruhi harus . variabel X (karena seringkali digambarkan dalam grafik sebagai absis. variabel dependen. Sedangkan contoh multivariate correlation adalah: Hubungan antara motivasi kerja dan disiplin kerja dengan kinerja. di mana KV1 > KV2. begitu pula sebaliknya semakin kecil KV semakin konsisten. Semakin besar KV maka semakin tidak konsisten. adalah nilai yang menunjukkan kekuatan dan arah hubungan linier antara dua peubah acak (random variable). Variabel "penyebab" disebut dengan bermacam-macam istilah: variabel penjelas. Contoh bivariate correlation adalah: Hubungan antara motivasi kerja dengan kinerja.22 Jika ada dua kelompok data dengan KV1 dan KV2. atau penggunaan pupuk dengan hasil produksi padi. Koefisien Variasi (KV). atau variabel Y.

keabuan. untuk melihat besar kecilnya hubungan antar variable. Sebagai contoh untuk mempermudah pemahaman mengenai propors. Deskripsi dan jenis dari ukuran korelasi dan regresi. 2) bila sudah ada hubungan. kita akan mencoba memahami terlebih dahulu apa itu proporsi sebagai dasar kita dalam proses menelaah suatu korelasi. 2. Misalnya. dari 100 koin dalam kotak terdapat 30 koin yang berwarna keabuan. Contoh proporsi lain yang melibatkan 2 kriteria ialah dari 100 koin terdapat 10 koin kuning yang bernilai 20 sen. Proporsi dan Korelasi Sebelum membahas lebih detil mengenai apakah itu korelasi. Misalkan: terdapat sebuah kotak yang berisi koin dan koin itu memiliki beberapa kriteria yang bisa dilihat dari warnanya (kuning dan keabuan) dan dari nilainya (10 sen atau 20 sen). Lalu bagaimana . yang bisa kita sebut proporsi ialah ketika kita menyatakan berapa persebaran jumlah suatu koin dengan kriteria tertentu (apakah kehi-jauan. Berdasarkan informasi itu. atau bernilai 20 sen) dalam suatu kumpulan koin yang ada.23 selalu variabel acak. Proporsi dapat diartikan suatu persentase (tingkat) dari suatu populasi yang memiliki properti (kriteria) tertentu. Korelasi Analisis korelasi dilakukan dengan tujuan antara lain: 1) untuk mencari bukti terdapat tidaknya hubungan (korelasi) antar variable. Hampir semua bidang ilmu yang memerlukan analisis sebab-akibat boleh dipastikan mengenal analisis ini. 3) untuk memperoleh kejelasan dan kepastian apakah hubungan tersebut berarti (meyakinkan/signifikan) atau tidak berarti(tidak meyakinkan).8 1. benilai 10 sen. Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya.

maka hal ini menunjukkan tidak ada korelasi. arah korelasi dapat di bedakan menjadi dua. Informasi ini bukan sekedar proporsi. Hal ini memberi informasi bahwa koin bernilai 10 sen lebih sering muncul dalam warna yang keabuan dibandingkan kuning. Dengan kata lain Besaran Indek Korelasi adalah sebuah angka yang dapat dijadikan petunjuk untuk mengetahui seberapa besar kekuatan korelasi di antara variabel yang sedang diselidiki korelasinya. atau besar kecilnya suatu korelasi adalah dengan melihat besar kecilnya besaran angka (koefisien) yang disebut angka indeks korelasi atau coeffisien of correlation. yakni bersifat satu . dan bukan sebagai tanda aljabar. Secara umum. Contoh ini merupakan suatu korelasi positif antara kriteria(properti) nilai 10 sen dengan kriteria (properti) warna keabuan. terdapat sekitar 60% koin berwarna keabuan yang bernilai 10 sen dan terdapat sekitar 35% koin berwarna kuning yang bernilai 10 sen. maka korelasi tersebut negatif dan arah korelasi berlawanan arah. 1. makna tanda plus minus (±).00. untuk populasi) atau r (untuk sampel). kuat lemah. Apabila besaran indek korelasi bertanda plus ( + ) maka korelasi tersebut positif dan arah korelasi itu satu arah. Koefisien Korelasi Untuk mengetahui tinggi rendah. Kedua proporsi tadi telah membandingkan proporsi koin bernilai 10 sen yang berwarna kuning dan keabuan yang ada dalam kotak. atau antara + 1 dan – 1). tetapi terdapat korelasi di dalamnya. sedangkan apabila angka indek korelasi bertanda minus (–). Pada Besaran Indeks Korelasi. atau tanda plus minus pada Besaran Indek Korelasi ini berfungsi hanya untuk menunjukkan arah hubungan. serta apabila angka indek korelasi sama dengan 0. Besaran korelasi berkisar antara 0 sampai dengan ± 1. korelasi bisa diambil dari contoh 2 proporsi sebagai berikut. yang diberi simbol dengan ρ (baca Rho. Pembahasan bagaimana korelasi dikatakan positif atau negatif akan dilanjutkan pada bagian berikutnya. Jadi.24 dengan korelasi? Korelasi ialah suatu keterkaitan yang bisa ditangkap dari perbandingan dua proporsi yang masing-masing proporsisi mengandung 2 kriteria yang salah satu kriteria disebutkan dalam kedua proporsi tersebut.00 (artinya paling tinggi dan paling rendah ± 1.

6) hubungan variabel interval (ratio) dengan variabel interval (ratio). Contoh hubungan antar dua variabel yang berlawanan arah adalah: meningkatnya harga suatu produk tertentu diikuti oleh penurunan permintaan masyarakat terhadap produk tersebut.25 arah dan yang sifatnya berlawanan arah. Ukuran korelasi (measures of correlation) ini dapat dilihat dengan rumus-rumus tertentu yang digunakan. 2) hubungan variabel nominal dengan variabel ordinal. paling tidak ada enam model hubungan antar dua atau lebih variabel yang dapat kita identifikasi sesuai dengan jenis variabelnya. 4) hubungan variabel ordinal dengan variabel ordinal. Contoh hubungan yang satu arah: Kenaikan biaya promosi diikuti oleh kenaikan omzet penjualan suatu produk. Dalam hal ini. 5) hubungan variabel ordinal dengan variabel interval. 3) hubungan variabel nominal dengan dengan variabel interval. Berikut ini disajikan kelaziman penggunaan analisis hubungan dengan menggunakan model analisis yang benar. dimana penggunaan rumus-rumus tersebut disesuaikan menurut jenis variabel-variabel yang yang akan diukur korelasinya. . yakni: 1) hubungan variabel nominal dengan variabel nominal. Istilah yang dinamakan dengan ukuran korelasi dikenal dalam analisis korelasi.

4 >+0. dapat digunakan rasio korelasi. . Koefisien korelasi nonparametrik masih kurang kuat bila dibandingkan dengan metode parametrik jika asumsi normalitas data terpenuhi.Untuk mendapatkan suatu pengukuran mengenai dependensi data (juga nonlinier). misalnya dalam fungsi distribusi kumulatif pada distribusi normal multivariat. Namun untuk mengetahui adanya ketergantungan antara peubah acak harus dipertimbangkan pula kopula antara keduanya.9 <-0.Korelasi tinggi Tinggi rendah Rendah Tanpa korelasi Tak ada korelasi (acak) Tanpa korelasi Rendah Rendah tinggi Korelasi tinggi -1 <-0. dan ia kurang begitu menggambarkan korelasi bila asumsi dasar normalitas suatu data dilanggar.9 >0.9 +1 26 Koefisien korelasi non-parametrik Koefisien korelasi Pearson merupakan statistik parametrik. Metode korelasi non-parametrik seperti ρ Spearman and τ Kendall berguna ketika distribusi tidak normal.4 >-0.4 <+0.9 >-0.4 0 <+0.Metode pengukuran yang lain untuk mengetahui dependensi antara dua peubah acak. namun cenderung memberikan hasil distrosi ketika asumsi tersebut tak terpenuhi. yang mampu mendeteksi hampir segala dependensi fungsional Kopula dan korelasi Banyak orang yang keliru menganggap bahwa informasi yang diberikan dari sebuh koefisien korelasi sudah cukup mendefinisikan struktur ketergantungan (dependensi) antara peubah acak. Koefisien korelasi dapat didefinisikan sebagai struktur ketergantungan hanya pada beberapa kasus.

Eta 2.Interval/rasio . Nominal Nominal Ordinal Ordinal Interval/Rasio Ordinal Interval/Rasio Interval/Rasio 3. 3. Ordinal 6. Kontingensi 2. Spearman Jaspen’s (M) Jaspen’s (r) 5. Lambda 2. Gamma 2. Nominal VARIABEL II Nominal KOEFISIEN KORELASI 1. Phi Theta 1.27 • Koefisien Korelasi Sederhana Koefisien yang digunakan untuk mengukur derajat hubungan dari dua variable VARIABEL I 1. Point Biserial 1. 4.

mempermasalahkan mana yang menjadi variabel bebas (prediktor) • Rumus Lambda Simetris dan Asimetris f1 = Frekuensi terbesar pada setiap subkelas variabel bebas (Indepeden) f2 =Frekuensi terbesar pada sub total variabel terikat (dependen) n =Jumlah data 3. tidak mempersoal variabel mana yang dijadikan variabel bebas. Lambda simetris. Koefisien Korelasi Phi (ф) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel nominal.28 Jenis koefisien korelasi sederhana : 1. Koefisien Korelasi Lambda (λ ) Digunakan pada korelasi sederhana untuk variabel nominal dengan nominal. C N = koefisiensi kontingensi = kai kuadrat = Jumlah data 2. 2. jika dirumuskan: . Lambda Asimetris. Rumus Koefisien Korelasi Kontingensi (C) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel nominal. Dimana. 1.

dapat dirumuskan menjadi: . sehingga dapat dirumuskan. 6. Koefisiensi Korelasi Gamma (γ ) Digunakan pada korelasi sederhana untuk variabel ordinal dengan varibel ordinal. Koefisien Korelasi Theta (Ѳ) Digunakan untuk korelasi sederhana untuk variabel nominal dengan variabel ordinal. 7. =Perbedaan absolut antara frekuensi di atas setiap rank dan di bawah setiap rank untuk pasangan variabel subkelas nominal atau fa – fb =Setiap frekuensi total subkelas nominal dikalikan dengan setiap frekuensi total yang lain. Koefesien Korelasi Point Biserial (rpbi) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel interval/rasio yang bersifat dikotomi. hasil perkaliannya dijumlahkan 5.29 4. Koefisien Korelasi Eta (η ) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel interval/rasio.

Koefisien Korelasi Jaspen’s (M) Digunakan pada analisis korelasi sederhana untuk variabel ordinal dengan variabel interval atau rasio.Dengan menggunakan n pengamatan untuk suatu model linier sederhana: . Dirumuskan dengan: 10. Regresi Analisis regresi merupakan salah satu teknik statistik yang digunakan secara luas dalam ilmu pengetahuan terapan. juga dapat dipergunakan untuk maksud-maksud peramalan. Koefisien Korelasi Spearman (rs) Digunakan pada analisis korelasi sederhana untuk variabel ordinal dengan variabel ordinal. Koefisien Korelasi Pearson (r) Digunakan pada analisis korelasi antara interval dengan interval. Regresi di samping digunakan untuk mengetahui bentuk hubungan antar peubah regresi. dirumuskan dalam: 9.30 8. Dapa dirumuskan dalam: 2.

variabel independen. Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi.. variabel dependen. .Salah satu analisis alternatif lain yang dapat digunakan adalah dengan regresi nonparametric karena dalam regresi nonparametrik tidak diperlukan pemenuhan asumsi kenormalan.Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya. Kedua variabel ini dapat merupakan variabel acak (random). Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan variabel(variabel) yang lain. Dengan pemenuhan terhadap asumsi kenormalan dapat digunakan regresi parametrik untuk mengetahui bentuk hubungan antar peubah regresi pada data contoh yang diamati.Dalam praktek.n 0 b dan 1 b adalah parameter-parameter yang tidak diketahui diberlakukan asumsi-asumsi model ideal tertentu terhadap galat e yaitu bahwa galat menyebar NID (0. penyimpangan terhadap asumsi-asumsi itu sering terjadi dan terkadang peubah acak yang diamati tidak dapat dianggap menyebar normal. atau variabel Y. atau sumbu X). teknik-teknik yang digunakan berhubungan dengan pendugaan parameter serta pengujian hipotesis yang yang berhubungan digunakan dengan pada parameter umumnya parameternya. variabel eksplanatorik. variabel terikat.Asumsi-asumsi menspesifikasikan bentuk sebarannya.31 Y = b + b X +e 0 1 (1) dengan Yi adalah peubah tidak bebas Xi adalah peubah bebas dengan i = 1. namun variabel yang dipengaruhi harus selalu variabel acak..Dari segi statistika persoalan tersebut harus dapat diselesaikan dengan menggunakan teknik statistika.s2). Variabel "penyebab" disebut dengan bermacammacam istilah: variabel penjelas. Hampir semua bidang ilmu yang memerlukan analisis sebab-akibat boleh dipastikan mengenal analisis ini..2. Dalam statistika parametrik.. variabel X (karena seringkali digambarkan dalam grafik sebagai absis. atau secara bebas.

yang bersifat biologis ini diperkuat oleh Karl Pearson. Ia menemukan bahwa rata-rata tinggi anak laki-laki kelompok ayah yang tinggi kurang daripada tinggi ayah mereka dan rata-rata tinggi anak lakilaki kelompok ayah yang pendek lebih tinggi dari pada tinggi ayah mereka. Penjelasannya adalah bahwa kecenderungan bagi rata-rata tinggi anak dengan orang tua yang mempunyai tinggi tertentu untuk bergerak atau mundur (regress) ke arah tinggi rata-rata seluruh populasi. Sesuai dengan perkembangan metodologi dan penerapannya. selama variabel-variabel penentu dapat ditentukan sebelumnya. Umpamanya. dan satu variabel bebasserta berpangkat satu. distribusi tinggi populasi tidak berubah secara mencolok dari generasi ke generasi. dengan regresi pendugaan-pendugaan terhadap sesuatu performa dapat dilakukan.32 Istilah regresi diperkenalkan oleh Sir Francis Galton. yang berarti memiliki peluang untuk meleset dari prediksi. Hukum regresi semesta (law of universal regression). Namum langkah awal sebelum keregresi maka harus dicari terlebih dahulu nilai a dan b: Kemudian disubtitusikan ke dalam rumus: . definisi regresi pada saat ini telah berbeda jauh dari pengertian awal tersebut. Setiap pengambilan dugaan yang menggunakan regresi harus didasari dengan kesadaran bahwa hasil perkiraan tidak akan 100% sama dengan kenyataan (ketergantungan deterministik). yaitu satu variabel terikat Y. • Regresi Linier Sederhana Dimana variabel yang terlibat di dalamnya hanya dua. yang menemukan bahwa meskipun ada kecenderungan bagi orang tua yang tinggi mempunyai anak yang tinggi dan orang tua yang pendek mempunyai anak yang pendek.Regresi berkaitan dengan ketergantungan stokastik.

c. baik oleh peneliti.33 Bentuk persamaannya Y = a + bX X = Variabel bebas Y = variabel terikat 2. sehingga bermakna informasi bagi pengambilan keputusan manajerial.9 Fungsi penyajian data: a. . Mengadakan perbandingan pada suatu waktu. d. Data lebih cepat dibaca atau dimengerti serta mudah ditafsirkan. b. orang yang mengerti matematika (statistika) maupun orang awam sekalipun yang tidak memahami statistika. Untuk menyajikan data mentah yang diperoleh dari populasi atau sampel menjadi data yang tertata dengan baik. Menunjukkan perkembangan suatu keadaan.

Jarak. Modifikasi bentuk penyajian data dengan grafik ini beraneka ragam antara lain: Diagram Batang. .ia mempunyai kecenderungan memusat. sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency). 5. Dimana hubungan antara dua variabel itu dikenal dengan istilah bivariate correlation. 4. Diagram Batang. Diagram area atau diagram daerah. 2.34 BAB III PENUTUP 3. Diagram Lingkaran.1 Kesimpulan 1. Simpangan baku. Ukuran keruncingan kurva. Ratarata simpangan. sedangkan hubungan antar lebih dari dua variabel disebut .Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data yang disusun menurut besar kecilnya nilai. Ukuran kemencengan kurva. Penyajian data dalam grafik adalah suatu penyajian data secara visual. Koefisien variasi. Grafik Peta. Korelasi merupakan hubungan antara dua variabel atau lebih. Dengan perkataan lain. Deskripsi dan jenis dari ukuran pemusatan antara lain: Rata-rata. Modus. 3.

o Mengadakan perbandingan pada suatu waktu. Koefisien Korelasi Eta (η ).2 Saran Diharapkan mahasiswa lebih aktif dalam mencari refrensi dan tidak berasal dari internet karena kuantitas dan kualitas dari data tidak semua valid. . o Data lebih cepat dibaca atau dimengerti serta mudah ditafsirkan. Koefisiensi Korelasi Gamma (γ ) . o Untuk menyajikan data mentah yang diperoleh dari populasi atau sampel menjadi data yang tertata dengan baik. Koefisien Korelasi Spearman (rs). Koefesien Korelasi Point Biserial (rpbi). orang yang mengerti matematika (statistika) maupun orang awam sekalipun yang tidak memahami statistika. Jenis koefisien korelasi sederhana : Rumus Koefisien Korelasi Kontingensi (C). Koefisien Korelasi Jaspen’s (M). sehingga bermakna informasi bagi pengambilan keputusan manajerial. Fungsi penyajian data: 33 o Menunjukkan perkembangan suatu keadaan. 3.35 multivariate correlation. Koefisien Korelasi Pearson (r). Koefisien Korelasi Phi (ф). 7. Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan variabel(-variabel) yang lain. 6. baik oleh peneliti. Koefisien Korelasi Theta (Ѳ). Koefisien Korelasi Lambda (λ ).

2001.Statistika Nonparametris.Jakarta: Raja Grafindo Persada.DR.Jakarta:PT Gramedia Putaka utama.Jakarta:PT Raja Grafindo Persada.1996. Sudijono. Prof. Pengantar Statistik Pendidikan.Pengantar Statistika. 2004.com. Supranto.M. www.M. (22 November 2009)(11:10) .Metoda Statistika. Anas.A.Ir.2000.36 DAFTAR PUSTAKA Dr.Sc.Sugiono. Sudjana.Statistika.Dasar.. Walpole E Ronald.2006.S.Statistika dan Aplikasi.M.Jakarta:Erlangga DR.Bandung:Tarsito.dasar Statitiska. Kemas.Bandung:ALFABETA.

Sign up to vote on this title
UsefulNot useful