B
erkenalan dengan
babBERKENALAN DENGAN
STATISTIK
Tujuan Pembelajaran
• Agar mahasiswa dapat memahami kegunaan ilmu statistik
Indikator Pencapaian Pembelajaran.
• Menjelaskan arti dari statistik
• Menjelaskan kegunaan ilmu statistik
• Mengetahui kebutuhan terhadap statistik
• Menjelaskan metodologi pemecahan masalah secara statistik • Menjelaskan syarat data yang baik dan pembagian data
• Menjelaskan peranan statistik bagi lembaga bisnis dan pemerintahan
• Menjelaskan peran komputer dalam statistik
2 BAB 1 Berkenalan dengan Statistik
TAHAPAN PEMBELAJARAN
• Kegiatan Awal = 10 Menit
(Motivasi, Apersepsi, Tujuan Pembelajaran)
• Kegiatan Inti = 90 Menit
(Uraian, Contoh)
• Kegiatan Akhir = 50 Menit
Data & Kegunaannya
• Data:
Sesuatu yang diketahui atau dianggap.
– Untuk mengetahui/memperoleh gambaran – Untuk membuat keputusan
– Untuk menyelesaikan masalah
4 BAB 1 Berkenalan dengan Statistik
Data yang Baik
• Objektif • Representatif/mewakili • Kecil kesalahan-samplingnya • Tepat waktu • RelevanPenarikan &
Pengorganisasian Data
1. Kumpulkan data mentah 2. Organisasikan data
3. Bila perlu, ikhtisarkan/sederhanakan data 4. Ukur karakteristik dari kelompok data
5. Analisis karakteristik yang relevan
6 BAB 1 Berkenalan dengan Statistik
Klasifikasi Data
• Klasifikasi data:
Identifikasi jenis data menurut karakteristik yang serupa, dan pengaturannya ke
Data menurut Sifatnya
• Data kualitatif:
Data yang tidak berbentuk angka, tidak memiliki besaran/magnitudo.
• Data kuantitatif:
Data berbentuk angka, memiliki besaran/magnitudo.
8 BAB 1 Berkenalan dengan Statistik
Data menurut Sifatnya:
Variabel
• Variabel: Karakteristik dari variasi atau sesuatu yang nilainya berubah-ubah
menurut waktu atau menurut elemen.
– Variabel diskrit: Variabel yang nilainya dapat dihitung (terbatas).
– Variabel kontinu: Variabel yang nilainya tak terbatas, yang dapat diukur/dicatat hingga
Data menurut Sifatnya:
Variabel & Skala Utama
1. Nominal: Hanya membedakan, sebagai
lambang/simbol.
2. Ordinal: Menunjukkan urutan.
3. Interval: Menunjukkan urutan, dalam
jarak yang sama.
4. Rasio: Menunjukkan repetisi, titik
asalnya pada nol.
10 BAB 1 Berkenalan dengan Statistik
Data menurut Sumbernya
• Data primer:
Data yang dikumpulkan dan diolah sendiri oleh organisasi/perorangan secara
langsung dari objeknya. • Data sekunder:
Data yang diperoleh dalam bentuk jadi, sudah dikumpulkan dan diolah oleh pihak
Data menurut Waktunya
• Data Cross Section:
Data yang dikumpulkan pada suatu waktu tertentu demi menggambarkan
keadaan/fakta yang bersangkutan. • Data berkala:
Data yang dikumpulkan dari waktu ke waktu.
12 BAB 1 Berkenalan dengan Statistik
Data Internal
• Data internal:
Data yang menggambarkan keadaan suatu organisasi.
Statistik
• Statistik dalam arti sempit:
Data ringkasan yang berbentuk angka. • Statistik dalam arti luas:
Ilmu yang mempelajari…
• pengumpulan, pengolahan, penyajian, dan analisis data, serta pengujian hipotesis
• pengambilan keputusan, dengan
memperhitungkan unsur ketidakpastian menurut konsep probabilitas.
14 BAB 1 Berkenalan dengan Statistik
Kebutuhan terhadap Statistik
• Penjabaran hubungan antarvariabel
• Alat bantu dalam pengambilan keputusan • Menangani perubahan
Kebutuhan terhadap Statistik:
dalam Manajemen
• Dasar suatu perencanaan
• Alat pengendalian terhadap implementasi • Dasar evaluasi
16 BAB 1 Berkenalan dengan Statistik
Statistik: Metodologi
Penyelesaian Masalah
1. Identifikasi masalah/peluang 2. Pengumpulan fakta yang ada 3. Pengumpulan data orisinil/baru 4. Klasifikasi dan ikhtisar data
Statistik: Peran Komputer
• Besarnya jumlah masukan • Repetisi proyek
• Kecepatan tinggi dalam pengolahan • Ketepatan yang lebih baik
• Kompleksnya kebutuhan
18 BAB 1 Berkenalan dengan Statistik
TUGAS RUTIN
• Kerjakan soal Pilihan Berganda dan
P
engumpulan &
P
engolahan
D
ata
bab
Pengumpulan Dan
Pengolahan Data
Tujuan Pembelajaran• Menjelaskan tentang pengumpulan dan
pengolahan data statistika
Indikator Pencapaian Pembelajaran
• Mengetahui tentang metode pengumpulan data • Mengetahui alat pengolahan data
TAHAPAN PEMBELAJARAN
• Kegiatan Awal = 10 Menit
(Motivasi, Apersepsi, Tujuan Pembelajaran)
• Kegiatan Inti = 90 Menit
(Uraian, Contoh)
• Kegiatan Akhir = 50 Menit
(Simpulan, Umpan Balik dan Latihan Studi
Kasus)
Elemen & Variabel
• Elemen:
Unit terkecil dari objek penelitian.
– Karakteristik:
Sifat, ciri, atau hal lain dari elemen.
• Variabel:
Sesuatu yang…
Populasi & Sampel
• Populasi:
Kumpulan dari seluruh elemen sejenis, tapi dapat dibedakan satu sama lain. • Sampel:
Bagian dari elemen populasi.
5 BAB 2 Pengumpulan & Pengolahan Data
Pengumpulan Data: Sensus
• Sensus:
Cara mengumpulkan data di mana seluruh elemen populasi diselidiki satu per satu.
– Parameter:
Pengumpulan Data: Sampling
• Sampling:
Mengumpulkan data demi menyelidiki elemen sampel dari suatu populasi.
– Data perkiraan:
Data dari hasil sampling.
7 BAB 2 Pengumpulan & Pengolahan Data
Pengambilan Sampel
• Pengambilan sampel:
Memilih sejumlah elemen dari populasi agar menjadi anggota sampel.
– Secara acak:
Sedemikian, tiap elemen berkesempatan sama dalam dipilih.
Pengambilan Sampel:
Sampling Acak
• Simple random sampling
• Stratified random sampling • Multistage random sampling • Cluster random sampling
• Systematic random sampling
9 BAB 2 Pengumpulan & Pengolahan Data
Alat-alat Pengumpulan Data
• Daftar pertanyaan (kuesioner) • Wawancara
• Observasi/pengamatan langsung
• Pos, telepon, & alat komunikasi lain
• Alat ukur (contohnya: meteran, timbangan, termometer, altimeter)
Kuesioner
• Tujuan:
– Data/informasi relevan demi maksud/tujuan – Informasi dengan kecermatan/ketelitian yang
dapat dipertanggungjawabkan
• Jenis pertanyaan:
– terbuka – tertutup
11 BAB 2 Pengumpulan & Pengolahan Data
Data
• Data mentah:
Hasil pencatatan peristiwa/karakteristik elemen dari tahap pengumpulan data. • Data statistik:
Angka-angka ringkasan dari hasil pengolahan data mentah.
Pengolahan Data
• Pengolahan data:
Memperoleh data/angka ringkasan,
berdasarkan suatu kelompok data mentah dengan rumus tertentu.
– jumlah
– rata-rata proporsi/persentase
– koefisien (contohnya: korelasi/regresi)
13 BAB 2 Pengumpulan & Pengolahan Data
Metode Pengolahan Data
• Secara manual:
Umumnya untuk jumlah observasi yang tidak terlalu banyak, karena dapat
memakan waktu lama (menelitinya satu per satu).
TUGAS RUTIN
• Kerjakan semua soal pilihan BERGANDA
& ESSAI pada BAB II
P
enyajian
D
ata
bab
PENYAJIAN DATA
Tujuan Pembelajaran :
• Memahami mengenai penyajian sebuah data kompetensi dasar
Indikator Pencapaian Pembelajaran :
• Memahami penyajian data dengan berbagai bentuk • Mengetahui cross section data dan cara penyajiannya • Memahami data berkala dan cara penyajiannya
2 BAB 1 Berkenalan dengan Statistik
TAHAPAN PEMBELAJARAN
• Kegiatan Awal = 10 Menit
(Motivasi, Apersepsi, Tujuan Pembelajaran)
• Kegiatan Inti = 90 Menit
(Uraian, Contoh)
• Kegiatan Akhir = 50 Menit
Statistik & Perkiraan
• Statistik:
Nilai yang diperoleh dari sampel. • Perkiraan (estimate):
Hasil penyelidikan yang diperoleh dari sampel.
4 BAB 3 Penyajian Data
Penyajian Data: Tabel
• Tabel:
Kumpulan angka yang disusun menurut kategori, memudahkan analisis data.
Penyajian Data: Grafik
• Grafik:
Gambar visualisasi data angka, biasanya berasal dari tabel yang sudah ada.
6 BAB 3 Penyajian Data
Bentuk-bentuk Tabel
1. Tabel satu arah: Memuat keterangan
Bentuk-bentuk Tabel
2. Tabel dua arah: Menunjukkan hubungan
antara dua hal/karakteristik.
8 BAB 3 Penyajian Data
Bentuk-bentuk Tabel
3. Tabel tiga arah: Menunjukkan hubungan
Bentuk-bentuk Grafik
1. Grafik garis (line) tunggal:
Berupa satu garis, perkembangan/tren suatu karakteristik.
10 BAB 3 Penyajian Data
Bentuk-bentuk Grafik
2. Grafik garis berganda:
Berupa beberapa garis, berkembangnya beberapa hal/kejadian.
Bentuk-bentuk Grafik
3. Grafik garis komponen berganda:
Serupa dengan grafik berganda, tapi…
– garis terakhir/teratas menggambarkan jumlah/total dari komponen-komponen – garis lainnya menggambarkan
masing-masing komponen itu
12 BAB 3 Penyajian Data
Bentuk-bentuk Grafik
4. Grafik garis persentase komponen berganda:
Serupa dengan grafik berganda, tapi…
– masing-masing nilai komponen dinyatakan dalam persentase
– garis teratas/terakhir menunjukkan nilai 100%
Bentuk-bentuk Grafik
5. Grafik garis berimbang neto:
Memiliki pembedaan warna, dalam menilai selisih positif dan negatif.
14 BAB 3 Penyajian Data
Bentuk-bentuk Grafik
6. Grafik batangan (bar) tunggal/berganda
Bentuk-bentuk Grafik
7. Grafik batangan komponen berganda 8. Grafik batangan persentase komponen bergandaBentuk-bentuk Grafik
Bentuk-bentuk Grafik
10. Grafik lingkaran(pie) tunggal
11. Grafik lingkaran berganda
Bentuk-bentuk Grafik
Bentuk-bentuk Grafik
11. Grafik gambar (piktogram)
TUGAS RUTIN
• Kerjakan soal Pilihan Berganda dan
D
istribusi
F
rekuensi
bab
DISTRIBUSI FREKUENSI
Tujuan Pembelajaran :
• Memahami mengenai penyajian sebuah data kompetensi dasar
Indikator Pencapaian Pembelajaran :
• Memahami penyajian data dengan berbagai bentuk • Mengetahui cross section data dan cara penyajiannya • Memahami data berkala dan cara penyajiannya
TAHAPAN PEMBELAJARAN
• Kegiatan Awal = 10 Menit
(Motivasi, Apersepsi, Tujuan Pembelajaran)
• Kegiatan Inti = 90 Menit
(Uraian, Contoh)
• Kegiatan Akhir = 50 Menit
(Simpulan, Umpan Balik dan Latihan Studi
Kasus)
Distribusi Frekuensi
• Distribusi frekuensi: Ringkasan berbentuk tabel tentang sekelompok data, menunjukkan frekuensi anggota/kategori dalam beberapaDistribusi Frekuensi
Kualitatif: Frekuensi Relatif &
Persentase
• Frekuensi relatif:
Proporsi jumlah anggota/kategori tiap kelas terhadap keseluruhan anggota datanya.
frekuensi kelas / n
• Frekuensi persentase:
Frekuensi relatif kelas dikalikan 100.
5 BAB 4 Distribusi Frekuensi
Distribusi Frekuensi
Kualitatif: Frekuensi Relatif &
Persentase
Distribusi Frekuensi
Kuantitatif: Banyaknya Kelas
• Banyaknya kelas:
k = 1 + 3,322 log n
• k = banyaknya kelas
• n = banyaknya nilai observasi
7 BAB 4 Distribusi Frekuensi
Distribusi Frekuensi
Kuantitatif: Panjang/Kelas
Interval
• Panjang/kelas interval: c = (Xn – X1) /k • c = perkiraan besarnya • k = banyaknya kelas• Xn = nilai observasi terbesar • X1 = nilai observasi terkecil
Distribusi Frekuensi
Kuantitatif: Batas Atas &
Bawah
• Batas kelas bawah (lower limit ):
Kemungkinan nilai data terkecil pada suatu kelas.
• Batas kelas (upper limit ):
Kemungkinan nilai data terbesar pada suatu kelas.
9 BAB 4 Distribusi Frekuensi
• ai – bi = kelas ke-i
Distribusi Frekuensi
Kuantitatif: Nilai Kelas
Interval
• Nilai kelas interval:
Selisih antara nilai dari dua batas kelas atas.
11 BAB 4 Distribusi Frekuensi
Histogram & Poligon
• Histogram:
Grafik batangan,
khusus data dari tabel distribusi frekuensi.
• Poligon:
Grafik garis, dari titik tengah tiap puncak histogram.
Kurva Frekuensi
13 BAB 4 Distribusi Frekuensi
Kurva Lorenz
• Kurva Lorenz: Kurva frekuensi kumulatif yang menggambarkan pemerataan pendapatan (dalam analisis ekonomi).TUGAS RUTIN
• Kerjakan soal Pilihan Berganda dan
Essai pada BAB IV
BAB 1 Berkenalan dengan Statistik 15
CBR
Bandingkan kelebihan dan kekurangan buku teks karangan :
• J. Supranto, Penerbit Erlangga,, 2016, Statistik Teori dan Aplikasi Edisi 8 Jilid 1
• Muhammad Yusuf, Unimed Pess,
Statistik Ekonomi, 2017 dan jelaskan
kelemahan ndan kelebihan kedua buku tersebut.
U
kuran
P
emusatan
bab
Rata-rata
• Beberapa jenis rata-rata yang sering dipakai:
– Rata-rata hitung (arithmetic mean) – Rata-rata ukur (geometric mean) – Rata-rata harmonis
Rata-rata Hitung
• Rata-rata populasi/sebenarnya/parameter: μ = 1/N ∑N i =1Xi (N = jumlah pengamatan) • Rata-rata sampel: X bar = 1/n ∑n i =1Xi (n = jumlah sampel)Rata-rata Hitung Tertimbang
• Rata-rata tertimbang:
X bar = ∑fi Xi /∑fi = ∑Mi Xi /∑fi
= ∑Wi Xi /∑Wi (W = timbangan/bobot)
Rata-rata Hitung: Sifat/Ciri
1. Jumlah deviasi (selisih dari suatu
kelompok nilai terhadap rata-ratanya) = 0. 2. Jumlah deviasi kuadrat dari suatu
kelompok nilai terhadap nilai k dari salah satu kelompok itu akan minimum, jika k =
X bar.
Rata-rata Hitung: Sifat/Ciri
4. X bar = k + (∑di / n)
= k + (∑fi di / fi )
• k = sembarang nilai dari rata-rata asumsi/anggaran
• di = deviasi/selisih dari nilai Xi terhadap k = Xi – k
(i = 1, 2, …, n)
Median & Modus
• Median:
Nilai yang ada di tengah-tengah
sekelompok data yang nilai-nilainya telah
diurutkan dari yang terkecil ke terbesar.
• Modus:
Median
Data Tidak Berkelompok
• n ganjil med = Xk +1 k = (n – 1)/2 X1, X2, X3, X4, X5, X6, X7 med • n genap med = 1/2 (Xk + Xk +1) k = n /2 X1, X2, X3, X4, X5, X6, X7, X8 med
Median
Data Berkelompok
• Untuk data berkelompok:
med = L0 + c {[n / 2 – (∑fi )0 ] / fm }
• L0 = nilai batas bawah sebenarnya dari kelas yang memuat med
• (∑fi )0 = jumlah frekuensi dari semua kelas yang berada di bawah kelas yang memuat med
Modus
• Untuk data tak berkelompok:
mod = rata-rata – 3(rata-rata – median)
• Untuk data berkelompok:
mod = L0 + c {(fi )0/ [(f1)0 + (f2)0]}
• (f1)0 = selisih antara frekuensi kelas yang memuat mod dan kelas sebelumnya/di bawahnya • (f2)0 = selisih antara frekuensi kelas yang memuat
mod dan kelas sesudahnya/di atasnya
Modus
Unimodal, Bimodal,
Multimodal
• Unimodal:
Distribusi kelompok nilai dengan 1 modus. • Bimodal:
Distribusi kelompok nilai dengan 2 modus. • Multimodal:
Perbandingan
Rata-rata, Median, Modus
• Bila kurva simetris berpuncak satu; letak rata-rata, median, dan modusnya sama. • Bila kurva menceng ke kanan; nilai
rata-rata terbesar, diikuti median, dan modus. • Bila kurva menceng ke kiri; nilai rata-rata
terkecil, diikuti median, dan modus.
Rata-rata di Luar
Ukuran Pemusatan
• Rata-rata ukur: G = n√(X 1 · X2 · … · Xn) • Rata-rata harmonis: RH = n /(∑n i =1 1/Xi)Rata-rata di Luar
Ukuran Pemusatan
• Bunga majemuk:
Pn = P0(1 + r )n
• Pn = jumlah akumulasi pada akhir tahun ke-n • P0 = jumlah uang mula-mula
Kuartil, Desil, Persentil
• Kuartil: Ukuran pembagian sekelompok nilai menjadi 4 bagian yang sama.
• Desil: Ukuran pembagian sekelompok nilai menjadi 10 bagian yang sama.
• Persentil: Ukuran pembagian sekelompok nilai menjadi 100 bagian yang sama.
Kuartil, Desil, Persentil
Data Tak Berkelompok
• Kuartil (Qi)
Nilai ke-[i (n + 1)] / 4 (i = 1, 2, 3)
• Desil (Di )
Nilai ke-[i (n + 1)] / 10 (i = 1, 2, …, 9)
Kuartil, Desil, Persentil
Data Berkelompok
• Qi L0 + c {[in / 4 – (∑fi)0] /∑fq} • Di L0 + c {[in / 10 – (∑fi)0] /∑fd} • Pi L0 + c {[in / 100 – (∑fi)0] /∑fp}U
kuran
V
ariasi atau
babDispersi/Variasi
• Dispersi/Variasi:
Ukuran jauh/dekatnya nilai pengamatan terhadap rata-rata hitungnya.
– Nilai jarak
– Simpangan baku
Nilai Jarak
• Nilai jarak (NJ):
Nilai terbesar dikurangi nilai terkecil.
– Data tak berkelompok:
NJ = nilai maksimum – minimum
– Data berkelompok:
NJ = nilai tengah kelas terakhir – nilai tengah kelas pertama
Simpangan
• Rata-rata simpangan:
Rata-rata hitung dari nilai absolut simpangan.
RS = 1/n ∑|Xi – X |
• Simpangan terhadap median:
RS = 1/n ∑|Xi – med|
Deviasi Rata-rata & Varians
• Deviasi rata-rata:
Rata-rata hitung dari nilai absolut
simpangan terhadap rata-rata hitungnya. • Varians:
Rata-rata hitung dari kuadrat simpangan setiap pengamatan terhadap rata-rata
Simpangan Baku
Populasi & Sampel
• Simpangan baku:
Akar kuadrat positif dari varians.
– Simpangan baku populasi:
σ = √ 1/N {∑N
i =1Xi 2 – [(∑Ni =1Xi)2/N ]}
– Simpangan baku sampel:
S = √ 1/ (n – 1) {∑n
i =1Xi 2 – [(∑ni =1Xi)2/n ]}
Simpangan Baku
Data Berkelompok
• Untuk kelas interval sama:
σ = c √[(∑k
i =1fi di 2 /N ) – (∑ki =1fi di /N )2] • c = besarnya kelas interval
• di = deviasi (simpangan dari kelas ke-i terhadap titik asal asumsi)
Simpangan Baku
Data Berkelompok
• Untuk kelas interval tak sama:
σ = √ (1/N ){∑k
i =1fi Mi 2 – [∑ki =1(fi Mi)2/N ]}
(Mi = nilai tengah kelas ke-i )
Koefisien Variasi
• Koefisien variasi:
Simpangan baku dibagi dengan rata-rata hitungnya.
KV (populasi) = σ/μ × 100% kv (sampel) = S /X × 100%
Koefisien Kemencengan
• Koefisien kemencengan:
Ukuran yang menjelaskan kurang simetrisnya suatu distribusi.
• Tingkat kemencengan menurut Pearson:
TK = (X bar – mod)/S
= [3(X bar – med)]/S
(X bar = rata-rata hitung)
Momen
• Momen ke-r :
Mr = 1/n ∑ni =1Xir (data tak berkelompok)
Mr = 1/n ∑n
i =1fi Mir (data berkelompok)
• Untuk r = 1, M1 adalah rata-rata hitung.
Untuk r = 2, M2 adalah varians.
Kemencengan (Skewness)
Kemencengan (Skewness)
• Tingkat kemencengan kurva:
– Data tak berkelompok:
TK = σ3 = M3/S3 = 1/nS3 ∑n
i=1(Xi – X)3
– Data berkelompok:
TK = σ3 = M3/S3 = 1/nS3 ∑n
Keruncingan (Kurtosis)
• Tingkat keruncingan kurva…
– Data tak berkelompok:
σ4 = M4/S4 = { 1/n ∑n
i=1(Xi – X)4 } / S4
– Data berkelompok:
σ4 = M4/S4 = { 1/n ∑n
i=1 fi(Xi – X)4 } / S4
QCK
• Quartil Coefficient of Kurtosis:
A
nalisis
K
orelasi dan
Regre
si
L
inear
S
ederhana
bab
Variabel Bebas & Tak Bebas
• Variabel tak bebas:
Variabel yang nilainya akan diramalkan (dipengaruhi variabel bebas).
• Variabel bebas:
Variabel yang nilainya digunakan untuk meramalkan variabel tak bebas
Hubungan Dua Variabel
• Hubungan positif:
Kenaikan (penurunan) X pada umumnya diikuti dengan kenaikan (penurunan) Y. • Hubungan negatif:
Kenaikan (penurunan) X pada umumnya diikuti dengan penurunan (kenaikan) Y.
Koefisien Korelasi
• Koefisien korelasi:
Nilai yang menunjukkan kuat/tidaknya hubungan antara dua variabel.
-1 ≤ r ≤ 1
• r = 1, hubungannya sempurna & positif
r mendekati 1, hubungannya kuat & positif
Koefisien Penentu
• Koefisien penentu:
Nilai yang menunjukkan besarnya
kontribusi/sumbangan dari variabel X terhadap naik/turunnya variabel Y.
KP = r 2
Koefisien Korelasi Pearson
• Koefisien korelasi Pearson:
Cara menghitung r (data yang tidak berkelompok). r = [(n∑ni =1XiYi ) – (∑ni =1Xi ∑ni =1Yi)] / { √[(n∑n i =1Xi2) – (∑ni =1Xi)2] √[(n∑n i =1Yi2) – (∑ni =1Yi)2] }
Koefisien Korelasi
Data Berkelompok
• Koefisien korelasi data berkelompok:
r = [n (∑uvf ) – (∑ufu)(∑vfv)] / {√[n(∑u2f
u) – (∑ufu)2] √[n(∑v 2fv) – (∑vfv)2]}
Korelasi Rank (Peringkat)
• Koefisien korelasi rank Spearman:
rrank = 6∑di2 / [n (n2 – 1)]
• di = selisih dari pasangan rank ke-i • n = banyaknya pasangan rank
Korelasi Data Kualitatif
• Contingency coefficient (koefisien
bersyarat): Hubungan data kualitatif.
Cc = √[χ2/ (χ2 + n )] • n = banyaknya observasi = ∑p i =1∑qj =1fij = ∑pi =1ni . = ∑qj =1n. j = ∑pi =1∑qj =1nij • χ2 = kai kuadrat = ∑p i =1∑qj =1[(fij – eij) /eij] – eij = frekuensi harapan – i = 1, 2, …, p ; j = 1, 2, …, q
Regresi Sederhana
• Regresi sederhana:
Hubungan antara dua variabel yang biasanya cukup tepat digambarkan dengan suatu garis lurus.
Diagram Pencar
• Manfaat dari diagram pencar:
– Membantu menunjukkan apakah ada
hubungan yang bermanfaat di antara dua variabel
– Membantu menetapkan tipe persamaan yang menunjukkan hubungan di antara kedua
variabel itu
Garis Regresi/Perkiraan
• Garis regresi
(perkiraan):
Garis lurus, pada
diagram pencar, dari hubungan antara dua variabel.
• ∑(Y – Y ’) = 0 • ∑(Y – Y ’) =
nilai terkecil (terendah)
Regresi Linear Sederhana
• Persamaan regresi linear sederhana:
Y ’ = a + bX
• Y ’ = Y aksen (nilai dari variabel tidak bebas) • b = kemiringan garis regresi (koefisien regresi)
= pengaruh terhadap Y bila X naik 1 unit = (n∑XiYi – ∑Xi ∑Yi) / [n∑Xi 2 – (∑X
i)2]
R
egresi
L
inear
B
erganda
& R
egresi
/T
rend
N
onlinear
bab
Persamaan Regresi
Linear Berganda
• Persamaan regresi linear berganda: Persamaan regresi dengan lebih dari 1 variabel bebas.
Koefisien Korelasi
Linear Berganda
• Koefisien korelasi linear berganda:
Suatu korelasi antara variabel tak bebas Y dan lebih dari 1 variabel bebas.
Ry .12 = √[(r1y2 + r
2y2 – 2r1y r2y r12) / (1 – r122)]
r = koefisien korelasi linear sederhana
= ∑xi yi /(√∑xi 2 √∑ y
i 2)
• xi = x1i – X bar • yi = y1i – Y bar
Koefisien Penentuan
• Koefisien penentuan (coefficient of
determination):
Besarnya sumbangan variabel bebas terhadap variasi dari variabel tetap.
KP = Ry .122
Koefisien Korelasi Parsial
• Koefisien korelasi parsial:
Koefisien korelasi di antara 2 variabel, dianggap bahwa variabel lainnya tetap.
r1y 2 = (r1y – r2y r12) /[√(1 – r2y2) √(1 – r122)]
r2y 2 = (r2y – r1y r12) /[√(1 – r1y2) √(1 – r
122)]
r12y = (r1y – r1y r2y) /[√(1 – r1y2) √(1 – r2y 2)]
Garis Trend
• Garis trend (trend parabola):
Garis regresi yang variabel bebasnya (X ) merupakan variabel waktu.
Trend Eksponensial
• Trend eksponensial (logaritma):
Sering dipakai meramalkan kejadian-kejadian yang berkembang/bertumbuh secara geometris (berkembang sangat cepat).
Y ’ = abX
Trend Eksponensial
yang Diubah
• Trend eksponensial yang diubah:
Tren Logistik
• Tren logistik:
Biasa dipakai mewakili data dari
perkembangan yang awalnya sangat cepat, kemudian melambat, hingga mencapai titik jenuh.
Y ’ = k / (1 + 10a +bX) • k, a, b konstan
• biasanya b < 0
Tren Gompertz
• Tren Gompertz:
Biasa dipakai meramalkan jumlah penduduk dari usia tertentu.
Y’ = kabX
A
nalisis
D
ata
B
erkala
bab
Data Berkala
• Data berkala:
Data yang dikumpulkan seiring waktu,
menggambarkan perkembangan sesuatu.
Y1, Y2, …, Yi , … Yn
Y = f (X ), X = waktu
Analisis Data Berkala
• Analisis data berkala:
Uraian komponen penyebab gerakan (variasi) pada fluktuasi.
– Memungkinkan pengetahuan tentang
perkembangan dari satu/beberapa kejadian,
beserta hubungan/pengaruhnya terhadap kejadian lain.
Gerakan/Variasi Data Berkala
• Tren jangka panjang:
Menunjukkan arah perkembangan umum (kecenderungan naik/turun).
• Siklus: Di sekitar garis tren.
• Musiman: Berpola tetap seiring waktu. • Tak teratur: Sporadis.
Komponen Data Berkala
• Komponen data berkala mencakup
gerakan tren (T ), siklis (C ), musiman
(S ), dan acak (I ).
– Data berkala dari perkalian:
Y = T × C × S × I
– Data berkala dari penjumlahan:
Y = T + C + S + I
Menentukan Trend
1. Metode tangan bebas:
Memakai sumbu tegak Y dan sumbu mendatar X, serta diagram pencar.
Menentukan Trend
2. Metode rata-rata semi:
– Kelompokkan data menjadi 2 (jumlah sama) – Hitung rata-ratanya
– Pilih titik absis di pertengahan tiap kelompok
X1, X2, X3, X4, X5, X6
I II
– Nilai I dan II menjadi nilai X,
masukkan ke persamaan Y = a + bX
Menentukan Trend
3. Metode rata-rata bergerak (Y1 + Y2 + … + Yn) /n,
(Y2 + Y3 + … + Yn +1) /n,
(Y3 + Y4 + … + Yn +2) /n, … – Pemulusan data berkala:
Proses pemulusan, memakai rata-rata
Menentukan Trend
4. Metode kuadrat terkecil:
Perkiraan/taksiran tentang nilai a dan b dari persamaan
Y ’ = a + bX
menurut data hasil observasi, hingga jumlah kesalahan kuadratnya terkecil (minimum).
Metode Kuadrat Terkecil
• Cara pertama (∑Xi = 0): a = Y bar b = ∑XiYi /∑Xi 2 • Cara kedua (∑Xi ≠ 0, Xi = 1, 2, …, n): a = Y bar – b (X bar) b = (n∑XiYi – ∑Xi ∑Yi ) / [n∑Xi 2 – (∑Xi)2]I
ndeks
M
usiman dan
G
erakan
S
iklis
bab
Gerakan & Indeks Musiman
• Gerakan musiman:
Gerakan naik/turun teratur pada
waktu-waktu yang sama atau sangat berdekatan. • Indeks musiman:
Penyesuaian Data
• Penyesuaian data:
Diperlukan karena jumlah hari, hari kerja, & jam kerja per bulan itu tidak sama.
– Faktor pengali:
Dipakai untuk menyesuaikan data hasil observasi.
Menghitung Indeks Musiman
1. Metode rata-rata sederhana
Menghitung Indeks Musiman
2. Metode relatif bersambung:
Data asli pada suatu waktu dinyatakan sebagai persentase dari data pada
waktu yang mendahuluinya.
a. Menggunakan rata-rata
Menghitung Indeks Musiman
3. Metode rasio terhadap trend
– Data asli dijadikan persentase nilai trend – Rata-rata/mediannya adalah indeks
musiman
4. Metode rasio terhadap rata-rata bergerak
a. Menghitung rata-rata bergerak terpusat b. Membagi data asli menjadi persentase c. Merata-rata per satuan waktu
Menghilangkan Pengaruh
Musiman dan Tren
• Tiap nilai (data asli) per satuan waktu harus dibagi dengan indeks musiman
– Setelahnya akan tersisa pengaruh dari
Gerakan Siklis dan
Gerakan Tak Teratur
• Menggambarkan grafik untuk gerakan siklis dan gerakan tak teratur:
– Tiap nilai data (yang sudah bebas dari
pengaruh musiman dan tren) dikurangi
dengan 100%
– Hasilnya adalah persentase jarak (selisih terhadap 100%)
Peramalan dengan
Tren & Indeks Musiman
1. Membandingkan nilai rata-rata musiman terhadap nilai tengah utama
2. Membandingkan tiap nilai musiman
sebenarnya terhadap rata-rata bergerak demi memperoleh sebuah nilai indeks
Peramalan dengan
Tren & Indeks Musiman
3. Model regresi berganda:
Y topi = a + b1t + b2S2 + b3S3 + b4S4
• Y topi = ramalan data • t = periode waktu
• Sj = variabel indikator musim
Metode Tambahan dalam
Menghitung Indeks Musiman
• Umumnya, jika data musiman dipakai
dalam peramalan dengan trend, hasilnya perlu disesuaikan dengan indeks
musiman:
Ramalan = T × (S / 100)
A
ngka
I
ndeks
bab
Angka Indeks
• Angka indeks:
Angka yang diadakan, agar dapat dipakai dalam perbandingan antarkegiatan yang sama, selama dua waktu yang berbeda.
Waktu Dasar & Berjalan
• Waktu dasar:
Waktu di mana suatu kegiatan dipakai sebagai dasar perbandingan.
• Waktu berjalan:
Waktu di mana suatu kegiatan akan dibandingkan terhadap kegiatan lain dalam waktu dasar.
Indeks Relatif Sederhana
• Indeks relatif sederhana:
Indeks dari satu macam barang.
– Indeks harga relatif sederhana:
It ,0 = (Pt /P0) × 100%
– Indeks produksi relatif sederhana:
It ,0 = (qt /q0) × 100%
• It = indeks harga/produksi di waktu t dan waktu dasar 0 • pt atau qt = harga/produksi pada waktu t
• p0 atau q0 = harga/produksi pada waktu 0
Indeks Agregatif
• Indeks agregatif:
Indeks dari beberapa macam barang.
– Indeks agregatif tak tertimbang:
Satuan dari barang-barangnya sama.
It ,0 = (∑Pt /∑P0) × 100%
– Indeks agregatif tertimbang:
Indeks Rata-rata Harga Relatif
• Indeks rata-rata harga relatif:
It ,0 = 1/n [∑(Pt /P0) × 100%]
n = banyaknya jenis barang
Indeks Tertimbang:
Rumus Laspeyres
• Indeks harga tertimbang:
Lt ,0 = (∑Pt q0 /∑P0q0) × 100%
• Indeks produksi tertimbang:
Lt ,0 = (∑P0qt /∑P0q0) × 100%
Indeks Tertimbang:
Rumus Paasche
• Indeks harga tertimbang Paasche:
Pt ,0 = (∑Ptqt /∑P0qt) × 100%
• Indeks produksi tertimbang Paasche:
Pt ,0 = (∑Ptqt /∑Pt q0) × 100%
• P = indeks Paasche
• P0 atau q0 = harga/produksi waktu 0
• Pt atau qt = harga/produksi waktu t (timbangan)
Indeks Tertimbang:
Variasi Rumus
• Irving Fisher: I = √(L × P) = √[(Ptq0 /P0q0) × (Pt qt /P0qt)] × 100% • Drobisch: I = (L + P ) / 2Indeks Tertimbang:
Variasi Rumus
• Marshall-Edgeworth: I = [∑Pt ×1/2 (q0+qt)] / [∑P0×1/2 (q0+qt)] × 100% = [∑Pt (q0 + qt)] /[∑P0(q0 + qt)] 1/2 (q0+qt) = timbangan= rata-rata kuantitas dari waktu dasar & waktu bersangkutan
Angka Indeks Berantai
• Rumus indeks berantai:
It , t –1 = (qt /qt -1) × 100%
• qt = kuantitas tahun t
• qt–1 = kuantitas tahun t – 1
– Rumus dengan waktu dasar tetap:
Penentuan Waktu Dasar
• Penentuan waktu dasar
– Sebaiknya menunjukkan keadaan yang stabil – Tidak terlalu jauh ke belakang
– Saat terjadinya peristiwa penting
Penggeseran Waktu Dasar
• Penggeseran waktu dasar
– Angka pada waktu dasar yang baru itu diberi nilai 100%, angka-angka lain akan dibagi
dengan angka tersebut dan dikali 100%.
– Indeks pada waktu dasar yang baru itu diberi nilai 100%, indeks-indeks lain akan dibagi
Pengujian Angka Indeks:
Time Reversal Test
• Suatu indeks dinyatakan memenuhi time
reversal test bila:
It , 0 × I0, t = 1
• It , 0 = indeks waktu t dengan waktu dasar 0 • I0, t = indeks waktu 0 dengan waktu dasar t
Pengujian Angka Indeks:
Factor Reversal Test
• Factor reversal test:
I(t , 0)p × I(t , 0)q = I(t , 0)v
• I(t , 0)p = indeks harga
• I(t , 0)q = indeks kuantitas • I(t , 0)v = indeks nilai
Pengujian Angka Indeks:
Factor Reversal Test
• Langkah-langkah factor reversal test:
– v = p × q v = nilai, p = harga satuan, q = kuantitas per satuan
– Untuk indeks nilai sederhana:
I0,t = (vt /v0) × 100% = (pt qt /p0q0) × 100%
– Untuk indeks nilai agregat:
I0,t = (∑vt /∑v0) × 100% = (∑ ptqt / ∑ p0q0) × 100%
Pendeflasian Data Berkala
• Demi mendapatkan data berkala yang riil
– gaji/upah riil
– pendapatan riil
maka nilai-nilainya harus dibagi dengan angka indeks
P
robabilitas
bab
Probabilitas
• Probabilitas:
Nilai yang dipakai mengukur tingkat keterjadian yang acak.
– Pendekatan klasik
Probabilitas:
Pendekatan Klasik
• Pendekatan klasik:
Asumsinya bahwa seluruh hasil dari suatu eksperimen memiliki peluang yang sama.
P (A) = x /n
P (A bar) = 1 – P(A)
• x = frekuensi kejadian A
• n = ukuran sampel (jumlah observasi)
Probabilitas:
Pendekatan Frekuensi Relatif
• Pendekatan frekuensi relatif:
P (Xi) = limn∞fi /n
• fi /n = fr = frekuensi relatif kejadian i • Xi = kejadian i
Probabilitas suatu kejadian =
Eksperimen
• Eksperimen:
Observasi terhadap objek/kegiatan demi mendapatkan ukuran.
– Outcome = Hasil dari eksperimen
• Titik sampel = Tiap hasil eksperimen
– Kejadian = Satu/lebih hasil dari
eksperimen
• Sampel = Himpunan bagian dari populasi
• Ruang sampel = Himpunan semua hasil
(populasi)
Notasi Himpunan
• Komplemen:
Semua anggota S (semesta) yang bukan anggota A.
Notasi Himpunan
• Interseksi:
Terdiri dari elemen-elemen S yang memiliki sifat/ciri-ciri A dan (juga) B
A∩B = {x :x elemen A dan x elemen B }
• Union:
Terdiri dari elemen-elemen S yang
memiliki sifat/ciri-ciri A , B , atau A dan B.
AυB = {x :x elemen A, elemen B, elemen AB }
Hukum Himpunan
1. Hukum penutup:
Untuk setiap himpunan A & B terdapat himpunan-himpunan yang unik, yaitu
AυB dan A∩B
2. Hukum komutatif: AυB = B υA
A∩B = B ∩A
3. Hukum asosiatif: (AυB )υC =
Aυ(B υC)
(A∩B )∩C = A∩(B ∩C)
Hukum Himpunan
4. Hukum distributif:
Aυ(B υC) = (AυB ) υ (AυC) A∩(B ∩C) = (A∩B ) ∩ (A∩C)
5. Hukum identitas:
Ada himpunan ø (kosong) dan S yang unik, sehingga bagi tiap himpunan A
Hukum Himpunan
6. Hukum komplementasi:
Bagi tiap himpunan A ada himpunan A bar (komplemen) yang unik, sehingga
A∩A bar = ø dan AυA bar = S
Kejadian Bebas &
Saling Meniadakan
• Kejadian saling meniadakan:
Sebuah kejadian akan meniadakan kejadian lain.
• Kejadian bebas:
Aturan Penjumlahan
• Peluang kejadian saling meniadakan:
P (A atau B ) = P (AυB) = P(A) + P(B) P (AυBυC) = P(A) + P(B) + P(C)
P (A1υA2υ … υAi) = ∑P(Ai)
• Peluang kejadian bebas:
P (AυB) = P(A) + P(B) – P(A∩B)
Probabilitas
Bersama & Bersyarat
• Probabilitas bersama:
Mengukur kemungkinan bahwa dua/lebih kejadian adalah bersamaan.
• Probabilitas bersyarat:
Suatu kejadian memiliki syarat bahwa sudah/akan ada kejadian lain.
Aturan Perkalian
• Peluang kejadian tidak bebas
(bersyarat):
P (B /A) = P (A∩B) /P(A) P (A /B) = P (A∩B) /P(B)
• Peluang kejadian interseksi:
P (A∩B) = P(A) P(B /A) = P(B) P(A /B)
• Peluang kejadian bebas:
P (A /B) = P (A) dan P (B /A) = P (B )
Probabilitas Marjinal
• Probabilitas marjinal:
Suatu kejadian mempengaruhi kejadian lain, dan kedua kejadian itu harus
bersamaan.
P (R ) = ∑ki =1P (RSi)
= ∑P(Si)P (R /Si)
Teorema Bayes
• Teorema Bayes:
Probabilitas dari suatu kejadian adalah sesuai pengaruh yang merupakan hasil observasi.
P (Ai /A) = [P (Ai) P (A /Ai)] / [∑k
i =1P (Ai) P (A /Ai)]
• Ai = kejadian yang harus ada sebelum kejadian A
Permutasi
• Permutasi:
Pengaturan/urutan yang penting dari
elemen/objek (AB ≠ BA).
mPm = m ! m objek diambil per m
Kombinasi
• Kombinasi:
Susunan elemen yang tidak
memperhatikan urutan (AB = BA ).
mCx = m ! / [x !(m – x)!] m objek diambil per x