MAKALAH MANAJEMEN STATISKA DESKRIPTIF

KELOMPOK 6 :

1. MAULIDA NUR AFIDAH (21810291)

2. SISKA HANDAYANI (21810293)

3. IBNU TRI HANGGORO (21816003)

4. EKO PRAMONO (21819005)

1
 KATA PENGANTAR

Alhamdulillah, segala puji bagi Allah yang senantiasa memberikan kemudahan,

kelancaran, serta kesehatan bagi kita khususnya bagi penulis sehingga dapat menyelesaikan
makalah statistika deskriptif yang membahas tentang “Ukuran Gejala Pusat Data
Dikelompokan".

Semoga dengan adanya makalah ini dapat membantu proses belajar semua mahasiswa dan
mahasiswi yang sedang mempelajari atau mendalami materi ukuran gejala pusat dikelompokan,
sebagaimana materi ini dapat membantu menyelesaikan penelitian dengan cepat dan waktu
yang tepat dalam suatu pekerjaan atau pun mencari suatu keputusan yang mempunyai
keterkaitan.

Penulis ucapkan terima kasih atas dukungan, kritik serta saran dari teman-teman sehingga
makalah ini dapat diselesaikan dengan baik. Dan penulis ucapkan terima kasih
kepada Dosen Statistika deskriptif karena berkat bimbingan, kritik, saran dan
kepercayaan beliau kami bisa mendapatkan banyak dorongan dan pengalaman untuk membuat
makalah ini. Mohon dimaklumi jika dalam makalah ini masih banyak kekurangan dalam
penulisan, dan kami harapkan kritik serta saran dari pembaca.

Terimakasih dan selamat belajar

Semarang , 4 April 2022

Kelompok 6 Statiska Deskriptif

2
DAFTAR ISI

KATA PENGANTAR………………………………………………………...……………….2

Daftar Isi ……………………………………………………………………………………....3

BAB 1 PENDAHULUAN…………………...………………………………………………..5

1.1 Latar Belakang…………………………………………………………………………5

1.2 Perumusan Masalah……………………………………………………………………5

1.3 Tujuan………………………………………………………………………………….6

BAB II STATISTIKA DAN ARTI PENTINGNYA…………………………………………..7

2.1 Statistika dan Batasan Pengertian……………………………………………………...7

2.2 Penerapan Statistika……………………………………………………………………10

2.3 Daftar Pustaka…………………………………………………………………….........13

BAB III DATA SEBAGAI UNSUR STATITISKA YANG PENTING………………………14

3.1 Jenis Data……………………………………………………………………………….14

3.2 Metode Pengumpulan Data…………………………………………………………….14

3.2.1 Angket (Kuesioner)………………………………………………………………….15

3.2.2 Wawancara…………………………………………………………………………..16

3.2.3 Observasi…………………………………………………………………………….17

3.3 Aplikasi Komputer……………………………………………………………………17

3.4 Daftar Pustaka........……………………………………………………………………18

3
BAB IV DISTRIBUSI FREKUENSI DAN TABULASI SERTA VISUALISASI DATA….19

4.1 Distribusi Frekuensi……………………………………………………………………19

4.2 Penyusunan Tabel Distribusi Frekuensi Secara Sistematis………………………….20

4.3 Menggambarkan Data Statistika Melalui Diagram……………………………………21

4.4 Daftar Pustaka…………………………………………………………………….........22

BAB V UKURAN NILAI SENTRAL DALAM KUMPULAN DATA………………...……..23

5.1 Pembahasan nilai sentral dan klasifikasinya…………………………………………..23

5.2 Penjelasan berbagai variasi nilai rata-rata aritmetik………………………...…………..23

5.3 Daftar Pustaka……………………………………………………………………..........27

BAB VI BEBERAPA MACAM UKURAN PENYEBARAN…………………………………29

6.1 Pengertian macam ukuran penyebaran…………………………………………………30

6.2 Prosedur yang harus dilaksanakan……………………………………………………30

6.3 Daftar Pustaka…………………………………………………………………………..32

BAB VII UKURAN LETAK………...…………………………………………………………33

BAB VIII UKURAN KECONDONGAN DAN KERUNCINGAN……………………………42

BAB IX ANGKA INDEKS UNTUK MENCATAT TINGKATPERUBAHAN...………...….58

BAB X KORELASI…………………………………………………………………….………69
PENUTUP….………………………………………………………………………………….102

DAFTAR PUSTAKA ……………………………………………………………...…………103

4
 BAB VII PENUTUP………………………………………………………………………….27

BAB VIII DAFTAR PUSTAKA……………………………………………………………..28

BAB I

PENDAHULUAN
1.1 latar belakang

Metode statistika adalah prosedur-prosedur yang digunakan dalam pengumpulan, penyajian,

analisis, dan penafsiran data. Metode statistika dibagi ke dalam dua kelompok besar yaitu
statistika deskriptif dan inferensi statistika. Statistika deskriptif merupakan metode yang
berkaitan dengan pengumpulan dan penyajian data sehingga memberikan informasi yang
berguna. Sedangkan inferensi statistika mencakup semua metode yang berhubungan dengan
analisis sebagian data untuk kemudian sampai pada peramalan atau penarikan kesimpulan
mengenai keseluruhan data

Pada statistika deskriptif hanya memberikan informasi mengenai data yang dipunyai dan
tidak menarik inferensi atau kesimpulan apapun tentang gugus data induknya yang lebih besar.
Sejumlah informasi dapat diperoleh bila data asal yang banyak tersebut diringkaskan dan
5
disajikan dalam bentuk tabel, diagram dan grafik yang layak. Penyajian kembali data baik data
kualitatif maupun data kuantitatif ke dalam bentuk ringkasan data tersebut agar informasi yang
dikandung lebih mudah ditangkap. Salah satu bentuk penyajian data secara grafik yaitu dengan
histogram

1.2 Perumusan masalah

Dari latar belakang masalah dalam makalah ini adalah

1. Pengertian dan pentingnya dari statistika

2. Pengumpulan data sebagai unsure statistika

3. Statistika diskriftif memnerikan informasi mengenai data yang di punyai

4. Penyajian data grafik dengan histogram

1.3 Tujuan makalah

1. Melaksanakan tugas mata kuliah statitiska diskriptif

2. Mengenal dan memahami statitiska serta arti pentingnya

3. Memahami data sebagai unsure statitika

4. Memahami nilai sentral dalam kumpulan data

5. Memahami pengertian ukuran penyebaran

6
 BAB II

STATISTIKA DAN ARTI PENTINGNYA

2.1 Statistika dan Batasan Pengertian

Bagaimana kata statistika diucapkan serta dalam konteks apa dan kapan. hal tersebut
merupakan sesuatu yang telah dimaklumi oleh khalayak tanpa mempersoalkan bagaimana dan
dalam konteks apa kata itu seharusnya diucapkan. Namun seandainya di antara kita ingin
mengetahui bagaimana kata statistik itu dipergunakan secara luas untuk menggambarkan salah
satu di antaranya data yang terinventarisasikan atau bahkan divisualisasikan dalam wujud angka
atau grafik. maka penelusuran searah ke masa lampau kiranya perlu dilakukan.

Sebenarnya, kata statistika (statistics) itu sendiri berasal dan bahasa Yunani
“status”.Sepe rti telah banyak kita ketahui, negara Yunani merupakan salah satu tonggak
perkembangan ilmu pengetahuan serta peradaban dunla yang dominan pada Jaman dulu.
tentunya tanpa melupakan peran Mesir, Romawi, Cina. Mesopotamia. Babilonia. dan India. 7
Dengan demikian. bukan merupakan sesuatu yang mengherankan apabila kata-kata dalam
bahasa Yunani banyak terserap dalam bidang ilmu pengetahuan kata “status” memiliki arti
sekaligus diserap dalam bahasa Inggris yang kemudian dimaknai sebagai negara (state). Pada
awalnya, statistika diartikan uleh Godf tied Achenwall pada tahun 1749 sebagai ‘kumpulan data
mengenai negara dan iumlah penduduknya untuk menunjang administrasi penwrintahan’ atau
“ilmu politik dan beberapa negara”.

Pcmaknaan seperti ini tercipta karena pada saat berjayanya peradaban Yunani,
pencatatan data mengenai jumlah penduduk serta kepemilikan tanah telah mulai dilaksanakan
secara sungguh-sungguh Memang, peradaban Yunani yang telah sedemikian maju pada masa
itu menjadikan pengelolaan negara juga terlaksana dengan rapi. Masih terkait dengan
pencatatan data untuk penyelenggaraan Negara, William Hooper memberikan batasan
pengertian statistika sebagai “ilmu yang mengajarkan bagaimana penyelenggaraan negara
secara modern dilaksanakan”. Dalam bukunya yang berjudul Statistical Account of Scotland.
Sir John Sinclair menyebarluaskan istilah statistika ke negara Inggris Pemerintah negara lnggris
pada abad kee XIV sudah merintis penerbitan catatan jumlah kematian yang terjadi pada
penduduknya yang selanjutnya dikembangkan menjadi Bills of Mortality pada tahun 1632 oleh
John Graunt.

Pengertian Statistik Menurut Beberapa Ahli

1. Menurut Anderson dan Bancroft

Anderson dan Bancroft beranggapan bahwa pengertian dari statistik adalah suatu seni
dan ilmu dari perkembangan dan juga metode yang sangat efektif untuk suatu pengumpulan,
pentabulasian, dan juga interpretasi suatu data yang kuantitatif. Yang mana nantinya suatu
kesalahan pada etimasi dan kesimpulan bisa diperkitakan dengan menggunakan penalaran yang
induktif dan telah didasari oleh probabilitas matematika atau peluang.

2. Menurut Anto Dajan

Anto Dajan beranggapan bahwa pengertian dari statistik yaitu suatu data yang
kuantitatif, yang mana masih ada yang belum tersusun dan juga yang sudah tersusun pada suatu
bentuk table.

3. Menurut Prof. Dr. Sudjana, M.A., M.Sc.

8
 Prof. Dr. Sudjana, M.A., M.Sc. beranggapan bahwa pengertian dari statistik yaitu
pengetahuan yang memiliki kaitan erat dengan suatu metode untuk pengumpulan data,
mengolah dan juga menganalisis suatu data. Dan nantinya akan dapat menarik kesimpulan yang
didasari oleh kumpulan data dan juga analisis yang sebelumnya telah dilakukan.

4. Menurut Prof. Dr. H. Agus Irianto

Prof. Dr. H. Agus Irianto beranggapan bahwa pengertian dari statistik yaitu sekelompok
cara atau peraturan yang memiliki kaitan dengan pengumpulan, analisis, dan juga penarikan
suatu kesimpulan, dari data yang memiliki bentuk berupa angka dengan menggunakan sebuah
asumsi yang tertentu.

6. Menurut Croxton dan Cowden

Croxton dan Cowden beranggapan bahwa pengertian dari statistik yaitu suatu metode untuk
dapat mengumpulkan, mengelola, menyajikan dan juga menginterpretasikan sebuah data yang
memiliki wujud angka.

Berdasarkan gambaran di atas, dapat kita katakan bahwa pada mulanya statistika masih sebatas
bagian dan ilmu politik penyelenggaraan pemerintahan suatu negara. Bidang kegiatan yang
menjadi ruang lingkupnya pada umumnya juga merupakan aktivitas yang secara khusus
menggambarkan penyelenggaraan pemerintahan, misalnya pencatatan jumlah penduduk. jumlah
pegawai dan tentara, nilal pajak yang dapat dikumpulkan pada suatu kurun waktu. komposisi
kepemilikan tanah oleh warga Negara daerah administratif yang secara sah memang menjadi
bagian suatu negara, dan lain sebagainya. Karena masalah yang terjadi dalam penyelenggaraan
negara semakin kompleks dan beragam, batasan pengertian mengenai statistika berkembang
pula. Begitu pula selanjutnya statistika tidak hanva tergambar dalam angka saja, namun gambar
dan objek yang dipandang dapat mewakili fakta, Sehingga, statistika juga meliputi kegiatan
yang berhubungan dengan penampilan fakta.

Kegunaan Statistik

Sama seperti metode lainnya, statistik juga memiliki beberapa kegunaan yang dapat membantu
manusia dlaam melakukan suatu pengambilan keputusan. Tidak hanya itu, ada beberapa
kegunaan statistik yang lainnya, yaitu :

9
• Statistik berguna untuk mendapatkan suatu gambaran, contoh seperti gambaran yang
khusus ataupun gambarang yang umum mengenai sebuah keadaan, peristiwa dan juga gejala.

• Statistik berguna untuk dapat melakukan suatu pengujian, hal ini akan mengungkap apakah
suatu hejala yang satu sama dengan gejala yang lainnya atau malah sebaliknya. Apabila ada
perbedaan, itu adalah suatu perbedaan yang memiliki arti atau perbedaan tersebut telah terjadi
hanya dengan kebetulan saja.

• Statistik berguna untuk dapat mengikuti suatu perkembangan ataupun pasang surut dari
suatu gejala, peristiwa atau keadaan tersebut dari masa ke masa.

• Statistik berguna untuk dapat mengetahui apakah satu gejala memiliki hubungan dengan
gejala yang lainnya.

• Statistik berguna untuk dapat menyusun sebuah laporan yang berisikan data kuantitatif
yang sangat ringkas, jelas dan juga teratur.

• Statistik berguna untuk dapat menarik suatu kesimpulan dengan cara yang logis, dan dapat
mengambil suatu keputusan dengan cara yang baik dan benar.

Perbedaan Statistik dan Statitiska

Perbedaan dari statistik dan statitiska dapat dilihat dari definisi masing-masing.
Statitiska merupakan suatu ilmu akan mempelajari bagaimana cara untuk merencanakan data,
mengumpulkan data, menganalisis data, menginterpretasi data, serta mempresentasikan data.
Sedangkan definisi dari statistik adalah suatu kumpulan data yang mana berbentuk angka
ataupun bukan angka yang telah disusun ke dalam suatu bentuk diagram ataupun tabel yang
akan menggambarkan atau memiliki kaitan dengan sebuah masalah yang khusus. Jadi secara
singkatnya adalah statitiska merupakan suatu cabang ilmu penetahuan yang memiliki kaitan
dengan data. sedangkan statistik merupakan sebuah data, informasi atau suatu hasil penerapan
dari algoritma statitiska pada suatu data.

2.2 Penerapan Statistika

Dalam penelitian ilmiah terutama penelitian kuantitatif peran statistik sangatlah penting.
Penelitian ilmiah merupakan upaya yang sangat ketat dan hati-hati untuk menjawab pertanyaan,
memeriksa ide, dan menguji teori. Penelitian ilmiah membutuhkan metode-metode statistik
10
tertentu dalam metode kuantitatif, atau ketika proses mengumpulkan informasi dalam bentuk
angka atau data.

Walaupun dalam beberapa konsep/teori penting dan mencerahkan dalam ilmu sosial tidak
melibatkan  statistik sama sekali serta adanya data atau angka-angka tidak menjamin apa-apa
tentang kualitas penelitian ilmiah, namun data dapat menjadi informasi yang paling dapat
dipercaya. Ketersediaan data dari proses pengumpulan data yang terukur dan valid perlu
mendapat perhatian khusus. Pengumpulan data (data mining) merupakan topik tersendiri dalam
statistik. Data yang telah dikumpulkan dan dianalisis dengan cermat dapat menjadi fondasi yang
paling kuat dan paling objektif untuk membangun teori dan meningkatkan pemahaman kita
tentang dunia sosial. Dalam pengaplikasiannya, statistik memang mempunyai kaitan dan
manfaat langsung dengan banyak hal dalam kehidupan manusia. Manfaat atau kegunaan
statistik tentu saja tidak terbatas pada kegiatan ilmu pengetahuan seperti penelitian saja.
Statistik juga dimanfaatkan secara luas, baik dalam bidang ilmu alam maupun dalam bidang
bisnis, industri, dan ekonomi.

1. Sensus Penduduk

Penerapan ilmu statistika pada saat ini dapat ditemukan dalam berbagai bidang mulai dari
astronomi, ekonomi, biologi hingga cabang-cabang ilmu terapannya. Salah satunya pada
kegiatan sensus penduduk. Di Indonesia sendiri, salah satu badan milik pemerintah yang
memiliki kewenangan atau otoritas dalam mengumpulkan, mengolah dan menyajikan data
statistik adalah Badan Pusat Statistik (BPS). BPS menyelenggarakan sensus penduduk dan
beberapa survei yang datanya bisa digunakan oleh berbagai pihak mulai dari pemerintah, swasta
hingga masyarakat luas sebagai sumber dalam mengambil keputusan.

Sensus penduduk adalah suatu formalitas yang paling dikenal dan rajin diadakan oleh
lembaga Badan Pusat Statistik pada tiap 10 tahun sekali. Sensus penduduk di tingkat provinsi
dilaksanakan oleh kantor Gubernur, di tingkat Kabupaten/Kotamadya dilakukan di kantor
Bupati/Walikota, dan pada tingkat Kecamatan dibentuk divisi yang khusus melaksanakan
sensus.

2. Ekonomi dan Bisnis

11
 Di bidang ekonomi, statistik juga memiliki peran yang sangat penting. Peran-peran
penting tersebut berkaitan dengan pengumpulan data perekonomian bangsa. Lebih khusus,
peran tersebut antara lain untuk mengetahui hal-hal seperti berikut:

- Kebijakan pemerintah terhadap adanya inflasi.

- Peningkatan kesejahteraan masyarakat dan penurunan angka kemiskinan.

- Tingkat pengangguran hingga pendapatan masyarakat.

- Persentase pertumbuhan ekonomi Indonesia.

- Pemetaan pendidikan dan kemiskinan masyarakat.

3. Pemasaran dan Pengembangan Produk

Pada bidang pemasaran, statistika pada umumnya diterapkan untuk dapat membantu
seorang produsen dan juga penyalur ketika menilai jenis barang dan berapa minimal barang
yang nantinya akan mereka produksi dan yang akan dipasarkan ke luar atau ke target pemasaran
itu sendiri. Barang yang akan dipasarkan dipilih berdasarkan survei yang dilakukan berdasarkan
statistika yaitu barang apa yang paling diminati oleh konsumen. Tidak hanya itu, statistik dalam
pemasaran juga dapat digunakan untuk riset dan pengembangan dari produk, segmentasi pasar,
analisis potensi, penetapan harga, dan sebagainya.

Dengan menggunakan statistik, perencanaan dan peramalan dapat dibuat sebaik

mungkin dan perubahan yang terjadi dapat diatasi sedini mungkin. Statistik berguna untuk
mendapatkan data yang benar-benar berkualitas demi menghasilkan keputusan yang berkualitas
juga. Hal ini dilakukan agar kesalahan-kesalahan yang mungkin terjadi dalam bisnis dapat
diminimalisir.

4. Peran Statistik dalam Bidang Engineering

Peran statistik tidak kalah penting dalam bidang Engineering. Semua insinyur
menyadari hal itu setelah mereka masuk ke dunia kerja. Mulai dari mendesain produk, membuat
produk jadi dan membuat produk tersebut berfungsi, pada setiap tahap dan proses seorang
insinyur membutuhkan bantuan statistik. Mulai dari tahap awal yaitu menginput data hingga
produk tersebut jadi, statistik menjadi tools yang sangat dibutuhkan oleh para insinyur.
12
 Salah satu contoh dari penerapan ilmu statistika dalam bidang engineer dapat dilihat
pada perhitungan jumlah produksi barang/jasa yang dapat mencapai keuntungan maksimum,
kapan waktu yang tepat untuk mengembangkan produk baru atau menambah produksi,
membantu melakukan quality control agar produk yang dihasilkan memenuhi standar kualitas
yang diinginkan dengan tingkat biaya yang minimum.

DAFTAR PUSTAKA

Hasan, Iqbal. 2009. Pokok-Pokok Materi Statistik 1 (Statistik Deskriptif). Jakarta:Bumi Aksara

N. Reksoatmodjo, Tedjo. 2009. Bandung:Refika Aditama. Riduwan. 2003. Dasar-Dasar

Statistika. Bandung:Alfabeta. Sudjana. 2002. Metode Statistika. Bandung:Tarsito

Walpole, Ronald E. 1997. Pengantar Statistika Edisi Ke-3. Jakarta:PT. Gramedia Pustaka
Utama.

13
Widyantini. 2004. Statistika. Yogyakarta:PPPG Matematika

Ibnu Tri Hanggoro (21816003)

BAB III

DATA SEBAGAI UNSUR STATITISKA YANG PENTING

3.1 Jenis Data

Data adalah bentuk jamak dari datum. Data itu sendiri merupakan keterangan-
keterangan tentang suatu hal, dapat berupa sesuatu yang diketahui ataupun dianggap. Jadi dapat
14
diartikan bahwa data itu adalah sebagai sesuatu yang diketahui atau yang dianggap (anggapan).
Atas dasar sumber nya, data dibedakan menjadi 2 :

1. Data Internal

Yaitu data yang menggambarkan keadaan atau kegiatan suatu badan yang dikumpulkan
sendiri dan hasil datanya digunakan oleh badan itu sendiri.

2. Data Eksternal

Yaitu data yang menggambarkan keadaan atau kegiatan di luar badan dan data tersebut
tidak terdapat dalam aktivitas intern suatu badan. Data eksternal memiliki 2 jenis yaitu :

 Data Eksternal Primer

adalah data yang berupa ucapan kata atau tulisan dari orang yang memiliki data
itu sendiri, atau orang yang melakukan penelitian sendiri.
 Data Eksternal Sekunder
adalah data yang diperoleh bukan dari orang lain yang melakukan penelitian,
melainkan melalui seseorang atau beberapa orang lainnya.

3.2 Metode Pengumpulan Data

Dalam sebuah penelitian, teknik pengumpulan data adalah faktor yang menentukan
keberhasilan suatu penelitian. Hal ini berkaitan dengan bagaimana cara mengumpulkan data,
alat yang digunakan dalam pengambilan data, dan sumber data yang diperoleh.

Jenis sumber data adalah perihal dari mana data diperoleh. Apakah data diperoleh dari
sumber langsung (jenis data primer) atau sumber tidak langsung (jenis data sekunder). Metode
pengumpulan data adalah teknik atau cara yang dilakukan untuk mengumpulkan data.
Sedangkan instrumen pengumpulan data adalah alat yang digunakan dalam mengumpulkan
data. Metode ini memiliki instrumen atau alat dalam pengumpulan data, yaitu berupa
pengamatan, tes, wawancara, angket, dokumentasi, dan sebagainya. Selain itu, terdapat tiga
teknik pengumpulan data yang paling sering digunakan yaitu, angket, observasi dan
wawancara.

3.2.1 Angket (Kuesioner)

Angket/kuesioner adalah metode pengumpulan data yang dilakukan dengan cara

memberi beberapa pertanyaan atau pernyataan tertulis kepada responden untuk dijawab.
15
 Walaupun metode ini terlihat mudah, namun jika respondennya besar dan terdiri dari
berbagai wilayah tentu dalam mengolah datanya juga membutuhkan waktu.

Ada beberapa hal yang perlu Anda perhatikan dalam penyusunan angket terkait dengan
prinsip penulisan angket, prinsip pengukuran dan penampilan fisik. Prinsip Penulisan angket
menyangkut beberapa faktor antara lain :

1. Isi dan tujuan pertanyaan artinya jika isi pertanyaan ditujukan untuk mengukur maka
harus ada skala yang jelas dalam pilihan jawaban.
2. Bahasa yang digunakan harus disesuaikan dengan kemampuan responden. Tidak
mungkin menggunakan bahasa yang penuh istilah-istilah bahasa Inggris pada responden
yang tidak mengerti bahasa Inggris, dan sebagainya.

3. Tipe dan bentuk pertanyaan apakah terbuka atau terturup. Jika terbuka artinya jawaban
yang diberikan adalah bebas, sedangkan jika pernyataan tertutup maka responden hanya
diminta untuk memilih jawaban yang disediakan. Apabila data yang dibutuhkan harus
diperoleh melalui proses wawancara atau penyebaran kuesioner, berarti daftar
pertanyaan di dalamnya harus dibuat. Untuk itulah kita perlu mengenal beberapa macam
pertanyaan. Adapun jenis atau macam pertanvaan yang mungkin diberikan kepada para
responden di antaranya adalah:

a. Pertanyaan yang meminta jawaban bebas sehingga memberikan keleluasaan

terhadap pers responden untuk menjawabnya.
Jenis ini dinamakan pula pertanyaan terbuka (open question). Para responden
boleh menjawab dengan kata.katanya ‘sendiri termasuk juga mengungkapkan
sikap dan pendapat pribadi mereka

b. Pertanyaan yang mensyaratkan suatu jawaban terarah

berbeda dengan pertanyaan terbuka, jawaban untuk jenis pertanyaan semacam
ini sudah difokuskan.
c. Pertanyaan dengan pilihan jawaban ganda
Untuk jenis pcrtanyaan ini, jawahanna telah disediakan dan para responden
hanya perlu memilih salah satu jawaban yang dipandang paling tepat.

d. Pertanyaan yang dipandu oleh semacam chck list.

Bentuk ini rnerupakan pengembangan dari pilihan ganda di alas. Dalam hal ini,
para responden memiliki kebebasan untuk memilih jawaban.
16
 e. Pertanyaan dengan urutan prioritas jawaban.
MeIalui cara ini, para responden diminta untuk rnenyusun skala prioritas yang
scsuai dengan kehendaknva.

f. Pertanyaan dengan hanya dua pilihan jawaban.

Disini, para responden hanya bisa memilih salah satu di antara dua jawaban yang
dikehendaki.

g. Pertanyaan dengan open-end question.

Jenis pertanyaan ini biasanva digunakan dalam penelitian yang bersifat
kualitatif (qualitative res-earch). Biasanva, dimulai dengan salah satu subyck
dan atas dasar jawaban terdahulu, maka diajukanlah pertanyaan yang merupakan
kclanjutannva.

3.2.2 Wawancara

Wawancara adalah teknik pengumpulan data yang dilakukan melalui tatap muka dan
tanya jawab secara langsung antara pengumpul data maupun peneliti terhadap narasumber atau
sumber data.

Wawancara yang menggunakan sampel besar biasanya dilakukan sebagai studi

pendahuluan, karena tidak mungkin menggunakan wawancara pada 1000 responden, sedangkan
pada sampel kecil teknik wawancara dapat digunakan sebagai teknik pengumpul data
(penelitian kualitatif) Wawancara terbagi menjadi 2 (dua), yaitu:

1. Wawancara Terstruktur

Wawancara terstruktur yaitu peneliti atau pengumpul data telah mengetahui dengan
pasti informasi apa yang ingin ditanyakan dari responden, sehingga pertanyaannya
sudah dibuat secara tersusun dan sistematis. Biasanya peneliti dalam melaksanakan
wawancara menggunakan alat bantuan seperti tape recorder, kamera, dan material lain
yang dapat membantu kelangsungan wawancara.

2. Wawancara Tidak Terstruktur

17
 Wawancara tidak terstruktur adalah wawancara yang bebas di mana peneliti tidak
menggunakan pedoman wawancara tersusun secara sistematis dan spesifik, dan hanya
memuat garis-garis besar permasalahan yang akan ditanyakan oleh responden.

3.2.3 Observasi

Observasi adalah metode pengumpulan data yang tidak hanya mengukur sikap dari
responden, namun juga dapat digunakan untuk merekam berbagai fenomena yang terjadi
berdasarkan situasi dan kondisi. Metode ini cocok digunakan apabila tujuan penelitian untuk
mempelajari perilaku manusia, proses kerja, gejala-gejala alam dan dilakukan dengan
responden yang tidak terlalu besar.

3.3 Aplikasi Komputer

3.3.1 Mengaktifkan Program SPSS

SPSS merupakan program untuk olah data statistik yang paling popular dan paling
banyak pemakaiannya di seluruh dunia dan banyak digunakan oleh para peneliti untuk berbagai
keperluan seperti riset pasar, untuk menyelesaikan tugas penelitian seperti skripsi, tesis,
disertasi, dan sebagainya. Awalnya, SPSS merupakan singkatan dari Statistical Package for the
Social Sciences karena program ini mula-mula dipakai untuk meneliti ilmu-ilmu sosial. Namun,
seiring perkembangannya dari waktu ke waktu penggunaan SPSS semakin luas untuk berbagai
bidang ilmu seperti bisnis, pertanian, industri, ekonomi, psikologi dan lain-lain 

Bagaimana mengoperasikan suatu program pcngolah data merupakan satu hal mcndasar yang
harus diketahui oleh para pcngguna.

DAFTAR PUSTAKA

1. Pemikiran Godf tied Achenwall pada tahun 1749

2. Buku Statistical Account of Scotland oleh

3. Statistical Account of Scotland oleh William Hooper

4. Bills of Mortality pada tahun 1632 oleh John Graunt.

18
 5. Sir john Sinclair pada abad ke XIV

Siska Handayani (21810293)

BAB IV

DISTRIBUSI FREKUNESI DAN TABULASI SERTA VISUALISASI DATA

4.1 Distribusi Frekuensi

Keberadaan data dipandang mempunyai arti yang sangat penting apabila kegiatan yang
terkait dengan penggunaan analisis statistika dilaksanakan, Kegiatan yang dimaksudkan bisa
19
berupa penelitian dalam berbagai bentuk dengan beragam tujuan atau dapat pula aktivitas selain
penelitian yang memiliki tujuan menggali dan menampilkan informasi.

Karena Itulah, berbagai data yang sekiranya dibutuhkan harus dikumpulkan.

Berdasarkan data yang terhimpun itulah, serangkaian proses lanjutan bisa dilakukan.
Mengingat bahwa upaya menghimpun data sering kaIi menjadi kegiatan yang mcmakan banyak
waktu, tenaga. dan biaya, setelah data-data yang dinilai relevan dengan suatu tujuan tertentu
bisa dikumpulkan, langkah selanjutnya yang perlu dilaksanakan adalah menyusun dan
mengklasifikasikannya secara sistematis sehingga mudah diinterpretasikan serta mudah
dipahami karakteristiknya.

Selain menjadi mudah diinterpretasikan dan dipahami karakteristiknva, ada beberapa

keuntungan lain yang bisa diperoleh, di antaranva adalah :

a. Data yang dikelompokkan berdasarkan karakteristik tertentu akan mudah diperbandingkan

dengan yang lainnva

b. Analisis dan perlakuan melalui statistika menjadi lebih mudah dilakukan jika data tersebut
telah diklasifikasikan.

c. Bila karakteristik data yang ditampilkan cukup menonjol, data itu akan menjadi lebih
mudah dipahami secara cepat.

Sementara. klasifikasi data pada dasamya dilakukan dengan dua pertimbangan yakni
atas dasar sifat (attribute) seperti halnya warna kulit, jenis kelamin, atau status perkawinan dan
atas dasar bilangan (variabel) misalnya saja tingkat pertumbuhan ekonomi wilayah, harga
komoditas pada suatu saat, besarnya penghasilan tiap bulan, dan jumlah produksi pertanian
suatu daerah. Masing.masing data, entah berupa jumlah produksi pertanian, harga barang, dan
lain sebagainva perlu diurutkan secara sistematis. Penvusunan data secara sistematis tersebut
bisa dilakukan atas dasar beberapa hal. misainva:

- Penyusunan data berdasarkan waktu

- Penyusunan data berdasarkan pertimbangan wilayah

4.2 Penyusunan Tabel Distribusi Frekuensi Secara Sistematis

Agar tampilan tabel distribusi frekuensi dapat disusun lebih sistematis dan mudah
dipahami, beberapa pedoman dasar berkaitan dengan hal mi perlu diperhatikan. Pada dasarnya,
20
data yang telah terkumpul harus dibagi ke dalam kelompok atau kelas tertentu. Selanjutnya, kita
menghitung frekuensi data dan memasukkan ke dalam kelas - kelas yang telah ada. Secara lebih
rinci, beberapa tahapan yang harus dilampaui, antara lain:

a. Menentukan jumlah kelas

Jumlah kelas hendaknya ditentukan sedemikian rupa sehingga seluruh data yang
dikumpulkan tercakup di dalamnya. Kita perlu mengupayakan suatu kondisi di mana
jumlah kelas yang ada tidak terlalu banyak ataupun sedikit. Apabila jumlah terlalu
banvak mungkin jadi ada di antara mereka yang sama sekali tidak mempunyai frekuensi.
Sebaliknya, jika jumlah kelas terlalu sedikit sebagian di antara keterangan yang
terkandung di dalam data bisa jadi hilang. Untuk menentukannya. dalam khazanah ilmu
statistik dikenal suatu aturan yang sudah sangat termashyur yakni dengan menggunakan
apa yang disebut scbagai Kaidah Sturges (Sturges Rule). Memang, penggunaan kaidah
ini tidak berarti pasti akan mrnghasilkan yang terbaik. Namun demikian, tetap akan
sangat membantu.

Adapun formula Kaidah Sturges adalah ebagai berlkut:

C = 1 + 330 Log N
di mana C adalah jumlah kelas, N adalah banyaknya frekuensi. 1 dan 3.30 merupakan
konstanta.

b. Menentukan Interval Kelas

Setelah jumlah kelas ditentukan, langkah selanjutnya adalah menentukan interval

(rentang skala) untuk masing.masing kelas. Interval kelas itu sendiri merupakan selisih
antara batas atas nyata dengan batas bawah nyata.

Pada hakikatnya. interval kelas akan dipengaruhi oleh jumlah frekuensi dan rentang (range) di
mana data terkumpul. Hendaknya. kita berusaha menggunakan interval kelas yang sama agar
lebih mudah menghitungnya. Demikian pula, agar lebih mudah menggambarkan dalam
diagram, besamya Interval kelas sebaiknva berupa kelipatan lima (walaupun hal ini bukan suatu
keharusan). Sekalipun demikian, penggunaan interval kelas yang sama bukanlah suatu
keharusan yang berlaku mutlak karena kita juga bisa menvusun distribusi frekuensi dengan
interval kelas yang ada. Hanya saja, apabila kita ingin menyusun suatu tabel disiribusi frekuensi
yang runtut, penggunaan interval kelas yang sama sangat dianjurkan.
21
Untuk menghitung besarnya interval kelas. rumus yang diterapkan berdasarkan Kaidah Sturges
adalah:

CI =

dl mana CI adalah interval kelas, range adalah selisah antara data terbesar dan terkecil, dan C
adalah banyaknya kelas

4.3 Menggambarkan Data Statistika Melalui Diagram

Dalam kenyataannya, data yang telah terkumpul, dikiasifikasikan serta ditabulasikan

sering kali perlu ditampilkan dalam bentuk sedemikian rupa sehingga ia kelihatan menarik,
dapat memberikan informasi yang mudah dipahami dalam waktu singkat, serta mudah untuk
dilihat. Berkenaan dengan hal ini, penggambaran data statistik dalam wujud diagram sering kali
mampu membantu mewujudkan tujuan tersebut.

Apabila seseorang ingin memaparkan suatu hal dalam sebuah acara presentasi,
visualisasi grafik dan diagram akan menjadikan penyampaian terasa lebih elegan. Mengingat
kemajuan teknologi komputer telah berlangsung dengan sedemikian pesat dewasa ini,
visualisasi grafik dan diagram guna menggamharkan inforrnasi tertentu secara mudah dapat kita
lakukan melalui bantuan berbagai program aplikasi spreadsheet seperti halnya Lotus 123,
Microsoft Excel. Shvmphony. Quattro-Pro serta beberapa program aplikasi lainnya.

Sehubungan dengan kcgunaan diagram datam mempermudah pemaparan data inilah kita
mengenal beberapa macam yang lazim digunakan untuk membantu visualisasi data statistic,
tentu saja dengan berbagai variasinya. Tentang ragam diagram yang dimaksudkan, di antaranya
adalah:
a. Diagram Garis (Lin. Cha4)
Diagram garis dinilai merupakan bentuk yang sangat tepat untuk menggambarkan data yang
berhubungan dengan runtutan waktu.. Dengan kata lain, corak diagram ini paling sesuai
digunakan untuk memvisualisasikan perkembangan dinamika keadaan dari satu kurun waktu ke
rentang waktu berikutnya. Diagram garis itu sendiri dibedakan atas:

1. Diagram garis tunggal yang hanva terdiri dan satu garis untuk menggambarkan
perkembangan suatu keadaan.

22
 2. Diagram garis berganda, terdiri atas beberapa garis untuk memvisualisasikan
beberapa kejadian sekaligus, misalnya saja perkembangan jumlah volume ekspor
beberapa komoditas secara bersarnaan

3. Diagram garis komponen berganda yang hampir mirip dengan gralik berganda di
mana garis teratas menggambarkan jumiah keseluruhan dan kornponen yang ada.
Sementara garis lainnya menggambarkan masing-masing komponen.

4. Diagram garis presentase komponen berganda, yang juga serupa dengan diagram
garis komponen berganda, namun tiap komponen dinyatakan sebagai persentase
terhadap jumlah keseluruhan.

5. Diagram garis berimbang neto, merupakan grafik garis tunggal yang

menggambarkan nilai selisih, misalnya saja antara ekspor dan impor, penerimaan
dan pengeluaran, atau masukan dan keluaran

DAFTAR PUSTAKA

1. Pengantar Statistika Edisi Ke-3. Jakarta

2. Widyantini. 2004. Statistika. Yogyakarta:PPPG Matematika

3. Statistical Account of Scotland oleh William Hooper

4. Sir john Sinclair pada abad ke XIV

MAULIDA NUR AFIDAH (21810291)

BAB V

UKURAN NILAI SENTRAL DALAM KUMPULAN DATA 23

5.1 Pembahasan nilai sentral dan klasifikasinya

Pengklasifikasian data dalam bentuk distribusi frekuensi merupakan cara yang di

pandang paling sederhana untuk menjadikan tampilannya lebih sistematis dan mudah di
mengerti. Sementara, penyajiannya melalui tampilan berbagai macam grafik dilakukan
dengan tujuan untuk memberikan gambaran yang jelas secara visual.

Ukuran nilai sentral merupakan suatu nilai yang dianggap dapat mewakili sekumpulan data
atau nilai yang menjadi pusat suatu kumpulan data. Suatu nilai dapat di kategorikan
sebagai nilai sentral apabila ia dapat memenuhi beberapa persyaratan, di antaranya adalah
bahwa nilai tersebut dapat mewakili rangkaian data, perhitungannya di dasarkan pada
seluruh data, dan dilaksanakan secara objektif.

Beberapa macam ukuran yang termasuk dalam kategori ukuran nilai sentral adalah mean
aritmetik atau rata-rata hitung, median, modus, mean geometrik atau ukur, mean harmonis,
dan mean kuadrat.

5.2 Penjelasan berbagai variasi nilai rata-rata aritmetik atau rata-rata hitung (arithmetic
mean) baik data tidak di kelompokan maupun yang di kelompokan

Mean hitung merupakan jumlah rata-rata dari sekumpulan data yang memberikan gambaran
tentang sesuatu hal. Nilai mean aritmetik atau hitung bisa diperoleh dari populasi, sampel,
kumpulan data yang memiliki beberapa nilai yang sama, serta kumpulan rata-rata.Adapun
formula untuk keempatnya yakni

a. Mean atau Rata-rata Populasi:

24
 adalah jumlah seluruh nilai data dalam populasi dan N adalah

banyaknya data

b. Mean atau Rata-rata Sampel :

adalah jumlah nilai data sampel dan n adalah banyaknya data

yang di jadikan sampel

c. Mean dalam Kumpulan Data yang Memiliki Beberapa Nilai Sama:

d. Mean dari Kumpulan Mean:

Nilai mean aritmetik atau hitung dari data yang dikelompokan bisa dicari melalui dua metode,
yakni metode panjang dan metode pendek. Apabila nilai mean hitung akan dicari dari data yang
memiliki faktor penimbang baik secara objektif mau pun subjektif, kita bisa menentukan
nilainya dengan menerapkan Rumus

25
Median merupakan nilai tengah dari rangkaian data yang telah tersusun secara teratur, yakni
urut dari data yang paling kecil hingga yang terbesar atau sebaliknya. Guna mengetahui nilai
median, distri busi rangkaian data harus dibagi menjadi dua bagian yang sama.

Untuk data yang tidak dikelompokkan, letak seka ligus nilai median dapat diketahui melalui
Rumus

Sedangkan bagi data yang dikelompokkan, nilai median dicari melalui Rumus

Modus adalah data yang mempunyai frekuensi terbanyak atau paling sering terjadi. Berkenaan
dengan hal ini, suatu rangkaian data bisa memiliki satu, dua, beberapa, atau bahkan tidak ada
modus sama sekali.

Bagi data yang tidak dikelompokkan, nilai modus dapat diperoleh dengan menghitung frekuensi
dari nilai pengamatan dan kemudian menentukan nilai pengamatan manakah yang memiliki
frekuensi terbesar.

Adapun nilai modus untuk data yang dikelompok kan bisa diketahui dengan menerapkan
Rumus 26
Seandainya kita ingin menghitung nilai rata-rata dari data yang mengalami perubahan jumlah
karena pertambahan waktu, kita perlu melakukannya dengan menerapkan perhitungan mean
geometrik atau ukur

Rumus untuk menentukan nilai mean geometrik atau ukur bagi data yang tidak dikelompokkan
adalah Rumus

Sedangkan bagi data yang dikelompokkan, nilai mean aritmetik atau ukur dicari dengan rumus
yang melibatkan nilai anti-logaritma.

Mean atau rata-rata harmonis merupakan ukuran nilai sentral yang digunakan apabila kita
hendak mencari nilai rata-rata dalam data yang mengan dung atau melibatkan rasio
perbandingan.

Rumus untuk mencari nilai mean harmonis bagi data yang tidak dikelompokkan.

Adapun untuk data yang dikelompokkan, nilai mean harmonis diketahui dengan menerapkan
Rumus

Nilai mean atau rata-rata kuadrat untuk data yang tidak dikelompokkan dicari melalui Rumus 27
Sedangkan nilai mean kuadrat untuk data yang dikelompokkan berlaku Rumus

DAFTAR PUSTAKA

1. Pemikiran Godf tied Achenwall pada tahun 1749

2. Buku Statistical Account of Scotland oleh

3. Statistical Account of Scotland oleh William Hooper

4. Bills of Mortality pada tahun 1632 oleh John Graunt.

5. Sir john Sinclair pada abad ke XIV

EKO PRAMONO (21819005)

28
 BAB VI

BEBERAPA MACAM UKURAN PENYEBARAN

6.1 Pengertian macam ukuran penyebaran

Nilai rata-rata dan juga ukuran sentral belum tentu menggambarkan kesamaan variasi
atau dispersi antara masing-masing unsur data pembentukannya. Ukuran variasi
merupakan ukuran yang menyatakan sejauh mana nilai pengamatan yang sebenarnya
menyimpang atau berbeda dengan nilai sentralnya.

Deviasi mean merupakan jumlah keseluruhan nilai mutlak. Penyimpangan nilai data terhadap
nilai rata-rata dibagi dengan jumlah frekuensi atau pengamatan. Nilai deviasi mean atau rata-
rata yang diperoleh lebih mampu menggambarkan seluruh variasi yang terjadi pada nilai data
asli. Deviasi mean atau rata-rata tidak terpengaruh oleh keberadaan nilai ekstrem serta tidak
meamndang apakah selisih antara nilai data terhadap nilai rata-rata negative atau positif.

Selisih atau penyimpangan antara nilai data terhadap data dijadikan nilai mutlak positif.
Sebagaimana yang berlaku pada rentang deviasi mean atau rata-rata dapat dicari dari data yang
dikelompokan maupun data yang tidak dikelompokan.

Ukuran variasi dibedakan atas ukuran variasi yang bersifat mutlak dan ukuran variasi yang
bersifat relatife. Beberapa nilai yang termasuk dalam kelompok ukuran variasi mutlak atau
absolute adalah rentang, deviasi kuartil, deviasi rata-rata, serta deviasi standar. Sedangkan
beberapa nilai yang termasuk dalam klasifikasi ukuran variasi relative diantaranya adalah
29
koefisien relative rentang, koefisien relative deviasi kuartil, koefisien relative deviasi mean, dan
koefisien relative deviasi standar.

Rentang merupakan ukuran variasi yang paling sederhana yang diperoleh dari selisih antara
nilai data terbesar dengan yang paling kecil. Rumus 5.1 dipakai untuk mencari nilainya bagi
data yang tidak dikelompokan. Adapun nilai rentang bagi data yang tidak dikelompokanbisa
ditentukan dari selisih antara nilai batas kelas terbesar dengan nilai batas kelas terkecil atau juga
nilai tengah terbesar dengan nilai tengah terkecil.

Deviasi kuartil dalam suatu rangkaian data merupakan separuh jarak antara kuartil pertama dan
kuartil ketiga. Rumus untuk menghitung nilainya adalah

D=

Dimana QD adalah nilai deviasi kuartil, Q3 adalah kuartil ketiga dan Q2 adalah kuartil kedua.

Deviasi mean atau rata-rata adalah jumlah keseluruhan nilai mutlak penyimpangan terhadap
nilai rata-rata dibagi dengan jumlah frekuensi atau pengamatan. Deviasi mean merupakan
ukuran penyebaran yang tetap menperhitungkan setiap nilai dalam kumpulan data yang
bersangkutan. Bagi data yang tidak dikelompokkan, nilainya bisa dicari melalui rumus

MD =

Dimana MD adalah nilai deviasi mean atau rata-rata dari data yang tidak dikelompokkan, x

adalah nilai data merupakan nilai rata-rata dan N adalah jumlah keseluruhan frekuensi.

Sementara untuk data yang dikelompokan nilai deviasi mean atau rata-rata dihitung melalui
rumus :

MD =

Dimana MD merupakan nilai deviasi mean untuk data yang dikelompokan, f adalah frekuensi, x

adalah nilai tengah, dan adalah nilai rata-rata, serta N merupakan jumlah seluruh frekuensi.
30
Diantara berbagai macam ukuran variasi, deviasi standar adalah ukuran variasi yang paling
sering digunakan. Deviasi standar suatu rangkaian data adalah akar kuadrat rata-rata dari selisih
kuadrat data terhadap rata-rata data. Bagi data yang tidak dikelompokkan, rumus untuk mencari
nilainya adalah

Dimana adalah nilai deviasi standar bagi data yang tidak dikelompokan, x adalah nilai data,

adalah rata=rata atau mean, dan N adalah jumlah frekuensi.

Sedangkan bagi data yang dikelompokkan, dihitung melalui dua kemungkinan rumus. Cara
pertama adalah dengan metode panjang (long method). Untuk metode ini rumusnya adalah :

Dimana merupakan nilai deviasi standar bagi data yang dikelompokan, f adalah frekuensi , d

adalah deviasi interval kelas , dan CI adalah interval kelas.

Ukuran variasi relative digunakan untuk membandingkan berbagai ukuran variasi dari gugusan
data yang mempunyai satuan pengukuran berbeda. Koefisien relative rentang bisa diketahui
besarnya rumus

6.2 Prosedur yang harus dilaksanakan

1. Menghitung nilai tengah (X) masing-masing kelas

2. Mengalikan nilai tengah masing-masing kelas dengan frekuensinya dan menjumlahkan
hasilnya
3. Mencari nilai pengkat dua masing-masing nilai tengah (X2)
4. Mengalikan nilai pangkat dua masing-masing nilai tengah dengan frekuensinya
kemudian menjumlahkan hasilnya
5. Membagi hasilnya dengan jumlah frekuensi keseluruhan
6. Mengurangi hasilnya dengan kuadrat rata-ratanya
7. Mancari nilai akar pangkat keduanya
31
RRC

Dimana RRC adalah nilai koefisien relative rentang, L adalah nilai data terbesar dan S adalah
nilai data terkecil.

Koefisien relative deviasi kuartil dicari dengan menerapkan rumus

QDRC

Diamana QDRC adalah koefisien relative deviasi kuartil, Q1 kuartil pertama dan Q3 adalah
kuartil ketiga.

Koefisien relative deviasi mean atau rata-rata dapat diketahui nilainya dengan menerapkan
rumus

MDRC

Dimana MDRC merupakan nilai koefisien relative deviasi mean, MD adalah deviasin mean,

dan adalah nilai rata-rata.

Koefesien relative deviasi standar dapat diketahui melalui penerapan rumus

Dimana V adalah koefisien variasi, adalah deviasi standar, dan x adalah nilai rata-rata.

Koefisien variasi mempunyai manfaat yang cukup penting untuk membandingkan satu
kelompok data dengan kelompok data lainnya. Semakin kecil nilai koefisien variasinya,
kelompok data itu semakin homogen. Sementara, bilai nilai koefisien variasi semakin besar,
kelompok data itu makin heterogen.

32
 DAFTAR PUSTAKA

1. Pengantar Statistika Edisi Ke-3. Jakarta

2. Widyantini. 2004. Statistika. Yogyakarta:PPPG Matematika

3. Statistical Account of Scotland oleh William Hooper

4. Sir john Sinclair pada abad ke XIV

MAULIDA NUR AFIDAH (21810291)

33
 BAB VII

UKURAN LETAK

A. Pengertian Ukuran Letak Beserta Macam – macamnya

Pada pembahasan sebelumnya telah diusahakan untuk mengetahui besarnya nilai

rata-rata dari distribusi frekuensi yang diperoleh, tetapi disamping itu masih terdapat pula
masalah lainnya yang cukup penting untuk diketahui dan dianalisis lebih mendalam guna
memperoleh deskripsi hasil penelitian yang dilakukan. Selain ukuran rata-rata yang telah
diketahui, maka perlu dicari nilai-nilai lain dalam distribusi frekuensi tersebut
selanjutnya dapat digolongkan menjadi : kuartil, desil dan persentil.
1.Kuartil

Kuartil adalah norma yang membagi sesuatu/keadaan ke dalam 4

golongan/kategori (Rachman, 1996: 21). Menurut Riduwan ( 2010 : 125), kuartil ialah
nilai atau angka yang membagi data dalam empat bagian yang sama, setelah disusun
dari yang terkecil sampai data terbesar atau sebaliknya dari data terbesar sampai data
terkecil. Ada tiga bentuk kuartil, yaitu :

Kuartil pertama ialah nilai dalam distibusi yang membatasi 25% frekuensi di bagian atas dan
75% frekuensi dibagian bawah distribusi.

Kuartil kedua ialah nilai dalam distribusi yang membatasi 50% frekuensi di bagian atas dan
50% di bawahnya.

Kuartil ketiga ialah nilai dalam distribusi yang membatasi 75% frekuensi di bagian atas dan
25% frekuensi bagian bawah.
34
 Saleh (1998 : 35-41) mengatakan kuartil merupakan ukuran letak yang membagi
suatu distribusi frekuensi menjadi 4 bagian yang sama, sehingga nilai-nilai dalam
distribusi dapat dibagi menjadi K1, K2 dan K3. Jadi dapat disimpulkan kuartil adalah
sekumpulan data yang terlebih dahulu disusun dari urutan terkecil hingga terbesar,
kemudian membagi data dalam empat bagian yang sama. Berikut adalah rumus kuartil
untuk data tak berkelompok dan data berkelompok menurut Usman dan Akbar (2008 :
85-87)

Data tak berkelompok

𝐿𝑒𝑡𝑎𝑘 𝐾𝑖 = 𝑑𝑎𝑡𝑎 𝑘𝑒 dengan i = 1, 2, 3

Contoh soal :

Sampel dengan data : 10, 3, 12 , 5, 7, 10, 8, 14, 14, 14

Setelah diurutkan menjadi : 3, 5, 7, 8, 10, 10, 11, 14, 14, 14

Letak K1 = data ke

= data ke 2,75 (yaitu antara data ke-2 dengan data ke-3)

Nilai K1 = data ke-2 + (data ke-3 – data ke-2)

=5

Letak K2 = data ke

= data ke 5,5 (yaitu antara data ke-5 dengan data ke-6)

Nilai K2 = data ke-5 + (data ke-6 – data ke-5)

Letak K3 = data ke = antara data ke-8 dengan data ke-9

Nilai K3 = data ke-8 + (data ke-9 – data ke-8)

35
 =

Data berkelompok

Ki = b+p ( ) : i = 1,2,3

Keterangan :

b = batas bawah kelas ialah kelas interval yang memuat

p = panjang kelas interval
F = jumlah frekuensi dengan tanda kelas lebih kecil dari tanda kelas

36
 Tabel 4.7 Distribusi Frekuensi

Nilai data f1

3-5

26-8 2

9-11 3

12-14 3

Jumlah

10

Misalnya kita ingin menghitung kuartil kedua, maka x 10 𝑑𝑎𝑡𝑎 = 5 𝑑𝑎𝑡𝑎

Jadi K2 terletak di kelas ketiga. Dari kelas ketiga tersebut didapat :

b = 8,5 i=2
p=3 n = 10

f=3 F=4

2.Desil

Rachman (1996 : 21) menyatakan desil adalah norma yang membagi

sesuatu/keadaan ke dalam 10 golongan/kategori. Menurut Riduwan (2010 : 133), cara
mencari desil hampir sama dengan mencari nilai kuartil, bedanya hanya pada
pembagian saja. Kalau kuartil dibagi 4 bagian yang sama, sedangkan desil data dibagi
37
menjadi 10 bagian yang sama. Sedangkan menurut Saleh (1998 : 41-44) desil
merupakan ukuran letak yang membagi suatu distribusi frekuensi menjadi 10 bagian
yang sama, sehingga nilai-nilai dalam distribusi dapat dibagi menjadi D1, D2, D3,...,
D9.
Jadi desil adalah sekumpulan data yang terlebih dahulu diurutkan dari terkecil

sampai terbesar kemudian dibagi sepuluh bagian yang sama. Berikut adalah rumus
desil untuk data tak berkelompom dan berkelompok menurut Usman dan Akbar (2008
: 87-88)

38
Data tak berkelompok

Contoh soal :

Data sampel yang sudah disusun diatas yaitu : 3, 5, 7, 8, 10, 10, 11, 14, 14, 14
Misalkan kita akan menghitung desil ke-7, maka :
Letak D7 = data ke

= berada diantara data ke-7 dan ke-8

Nilai D7 = data ke-7 + 0,1 (data ke-8 - data ke-7)
= 12 + 0,1 (14 - 12) = 12,2

Data berkelompok

dengan i = 1, 2, . . .9
keterangan :
b = batas bawah kelas
p = panjang kelas
F = jumlah frekuensi dengan tanda kelas lebih kecil dari tanda kelas
f = frekuensi kelas
Contoh soal :

Diketahui data sebagai berikut

Tabel 4.8 Distribusi Frekuensi

Nilai data f1
3-5 2
39
 6-8 2
9-11 3
12-14 3
Jumlah 10

Misalkan kita ingin menghitung desil ke-7

Penyelesaian :

b = 8,5 p=3

f=3 F=4

n = 10

7 × 10
−4

𝐷7 = 8,5 + 3 ( 10
)
3

= 8,5 + 3
= 11

40
 3.Persentil

Rachman (1996 : 21) menyatakan persentil adalah norma yang membagi

sesuatu/keadaan ke dalam 100 golongan/kategori). Menurut Saleh (1998: 45-47),
Persentil merupakan ukuran letak yang membagi suatu distribusi frekuensi menjadi
100 bagian yang sama, sehingga nilai-nilai dalam distribusi dapat dibagi menjadi P 1,
P2, P3... Pn. Sedangkan menurut Usman dan Akbar (2008 : 88-89) persentil ialah
sekumpulan data yang dibagi 100 bagian yang sama besar, setelah itu disusun mulai
dari yang terendah sampai yang tertinggi, sehingga menghasilkan 99 pembagi.
Jadi dapat disimpulkan persentil adalah sekumpulan data yang terlebih dahulu
diurutkan dari yang terendah sampai tertinggi kemudian dibagi 100 bagian sama
besar. Berikut adalah rumus persentil untuk data tak berkelompok dan berkelompok
menurut Usman dan Akbar (2008 : 88-89)

a. Data tak berkelompok

Letak Pᵢ = data ke dengan i = 1, 2, 3, … , 99

b. Data berkelompok p = panjang kelas Pᵢ

F = jumlah frekuensi dengan kelas lebih kecil dari tanda kelas

Pᵢ = b+p 𝑖 = 1, 2, 3, … , Pᵢ

99 f = frekuensi kelas Pᵢ

Keterangan :

b = batas bawah kelas Pᵢ

 Contoh soal :

Diketahui nilai ujian mata kuliah statistika untuk kelas Selasa pagi ruang R.506 di
Fakultas Komunikasi Universitas “Z” yang diikuti oleh 65 orang mahasiswa adalah
sebagai berikut!
Tentukanlah nilai persentil P50

Tabel 4.9 Distribusi Frekuensi Nilai Ujian Statistika

Kelas Interval Kelas Frekuensi

1 25-34 6
2 35-44 8
3 45-54 11
4 55-64 14
5 65-74 12
6 75-84 8
7 85-94 6
Jumlah 65

= =

Cari interval kelas yang mengandung unsur persentil dengan rumus = = = 58,5

jadi kelas persentil terletak di kelas 5

 Breaking Strss Jumlah (f) Presentase [𝒇 × (%)]

(kN/m2) 𝒏

900-999 4 4
1000-1099 19 19
1100-1199 29 29
1200-1299 28 28
1300-1399 13 13
1400-1499 7 7
Total (N) 100 100%

Hitunglah kuartil ke- 1 dan desil ke- 7!

Penyelesaian :

Kuartil ke-1

Misalnya kita ingin menghitung kuartil satu, maka × 100 𝑑𝑎𝑡𝑎 = 25 𝑑𝑎𝑡𝑎
4

Jadi K1 terletak di kelas ketiga. Dari kelas ketiga tersebut

didapat : b = 1099,5 i=1
p = 100 n = 100

f = 29 F = 23

𝐾1 = 𝑏 + 𝑝 = 1099,5 + 100 = 1106

Ibnu Tri Hanggoro (21816003)

BAB VIII

UKURAN KECONDONGAN DAN KERUNCINGAN

DITRIBUSI DATA

Tampilan kurva yang diperlihatkan oleh suatu distribusi data bisa saja
berbentuk simetris maupun tidak simetris. Kurva yang mencerminkan distribusi
data dikatakan simetris bila belahan kanan dan belahan sebelah kiri memiliki
bentuk dan ukuran yang sama. Sebaiknya, kurva yang menggambarkan distribusi
data dikatakan tidak simetris jika belahan sebelah kiri dan belahan sebelah kanan
tidak memiliki bentuk dan ukuran yang sama. Guna menunjukkan tingkat
simetrisitas suatu kurva yang ditampilkan dari suatu distribusi data, konsep dan
pengertian mengenai ukuran kecondongan (skewness) menjadi penting untuk
dipahami.
Bentuk suatu kurva merupakan pencerminan pola distribusi data.
Karenanya, kecondongan suatu kurva dapat dilihat dari perbedaan letak antara
mean, median, dan modus. Bila disajikan dalam bentuk grafik maka akan terlihat
sebagai berikut :
Kurva Keterangan
Distribusi suatu gugusan data
dikatakan simetris bila nilai mean,
median, dan modus terletak dalam
suatu titik temu atau mempunyai
nilai yang sama besarnya.
Mo  x 
Md
 Condong secara Negatif

(Condong ke Kiri)

Kecondongan Penyebaran Data ke

Arah kiri. nilai mean, median,
Karena
dan
x Mo
modu tidak
sama maka
ditampilkan akan
s yang bentuk
condong pada salah satu sisi kiri
kurva
saja.
Condong secara Positif

(Condong ke Kanan)

Kecondongan Penyebaran Data ke

Arah Kanan.
Karena nilai mean, median, Mo x

dan
modu tidak
sama maka
ditampilkan akan
s yang bentuk
condong pada salah satu sisi kanan
kurva
saja.

Contoh :

Tentukan bentuk Kurva dari Nilai Ujian Statistik Semester II ?

Nilai Ujian Frekuensi (f) Nilai Tengah (X) f.X

32 - 41 7 36.5 255.5
42 - 51 12 46.5 558
52 - 61 22 56.5 1243
62 - 71 12 66.5 798
72 - 81 7 76.5 535.5
60 3390
Penyelesaian :
 Dari tabel diatas dilakukan perhitungan mean, median dan modus.
Mean dari data nilai ujian statistik adalah :

Median dari data nilai ujian statistik adalah :

Modus dari data nilai ujian statistik adalah :

Dari data ujian statistik karena nilai mean, median dan modus adalah sama maka
akan membentuk kurva yang simetris yaitu :

Mo  x  Md

Untuk mengetahui bahwa kurva condong kekiri atau ke kanan dapat digunakan
metode berikut :
a. Koefisien Kemencengan Person

Karl Pearson (seorang pakar statistika ternama) telah merumuskan suatu

formula, yakni melalui apa yang dinamakan sebagai koefisien kecondongan
Pearson. Rumus untuk mengukur tingkat kecondongan distribusi data oleh Karl
Pearson ini adalah :

PSk

X
Keterangan : Mo
s

PSk = Koefisien kecondongan Person

X = Mean
Mo = Modus
s = standar deviasi

Selain melalui rumus yang lebih menekankan pada nilai-nilai modus,

dalam kondisi tertentu median dipandang sebagai ukuran nilai sentral yang lebih
mampu memberikan angka valid. Karl Pearson merumuskan kembali hubungan di
atas secara umum :
X  Mo  3( X  Md)

Keterangan : Md = Median

X = Mean

Mo = Modus

Apabila rumus di atas disederhanakan dengan memperhitungkan median dan nilai

modus dari hubungan itu, maka akan menjadi :

3( X  Md )
PSk 

Keterangan :

Md = Median

X= Mean

Mo = Modus

s = Standar Deviasi

Berkenaan dengan perhitungan koefisien kecondongan Pearson itu, ada tiga

kemungkinan yang dapat terjadi yaitu :
Nilai koefisien kecondongan Pearson adalah 0 maka distribusi data dalam suatu gugusan akan
membentuk pola yang simetris.

Nilai kecondongan Pearson nilainya lebih dari 0 maka arah kecondongan adalah ke kanan di
mana dalam hal ini data akan terkonsentrasikan pada nilai yang rendah ( X terletak di sebelah
kanan Mo).

Sementara apabila nilai koefisien kecondongan kurang dari 0 maka arah

kecondongan adalah ke kiri di mana dalam hal ini ia akan terkonsentrasikan

pada nilai yang relatif tinggi ( X terletak di sebelah kanan Mo).
Tentukan niali koefisien person dan tentuka kemencengan kurva dari data Nilai
Ujian Statistik di Universitas Borobudur Tahun 2009

Frekuens Nilai X  X  X  X f X  X
Nilai Ujian f.X
i (f) Tengah
2 2
(X)  

31 - 40 4 35.5 142 -32 1024 4096

41 - 50 3 45.5 136.5 -22 484 1452
51 - 60 5 55.5 277.5 -12 144 720
61 - 70 8 65.5 524 -2 4 32
71 - 80 11 75.5 830.5 8 64 704
81 - 90 7 85.5 598.5 18 324 2268
91 - 100 2 95.5 191 28 784 1568
40 2700 10840
Penyelesaian : nilai mean :

Nilai standar deviasai :

Nilai Median :

Nilai Modus :

Nilai koefisien kecondongan Pearson :

 Karena nilai koefisien kecondongan Pearson adalah negatif maka kurvanya
condong ke kiri Nilai Ujian Statistik
1
1Universitas Borobudur
2Tahun 200981
1
0 7
6 5
4
3
Frekuensi

8 2
b. Koefisien Kemencengan4 Bowley
0 5 1 1
2
Koefisien kemencengan 0 Titik berdasarkan
Bowley 0 5 pada hubungan kuartil-kuartil
Teng 0 0
0 ah
(Q1,Q2 dan Q3) dari sebuah distribusi. Koefisien kemencengan Bowley

dirumuskan :

Keterangan :

skb = Koefisien kemencengan Bowley

Q = Kuartil

Koefisien kemencengan Bowley sering juga disebut Kuartil Koefisien Kemencengan.

Apabila nilai skb dihubungkan dengan kurva, didapatkan :

a. Jika Q3 - Q2 > Q2 – Q1 maka distribusi akan menceng ke kanan (Menceng positif)

b. Jika Q3 - Q2 < Q2 – Q1 maka distribusi akan menceng ke kiri (Menceng negatif)

c. skb positif berarti distribusi menceng ke kanan

d. skb negatif berarti distribusi menceng ke kiri

 e. skb = + 0,01 berarti distribusi yang menceng tidak berarti
f. skb > 0,03 berarti distribusi yang menceng berarti

c. Koefisien Kemencengan Persentil

Koefisien kemencengan persentil didasarkan atas hubungan

antarpersentil (P90, P50 dan P10) dari sebuah distribusi. Koefisien kemencengan
persentil dirumuskan :

P  2P50  P10
sk P 90

P50  P10

Keterangan
:

skP = Koefisien kemencengan Persentil

P = Persentil
d. Koefisien Kemencengan Momen

Koefisien kecondongan momen atau koefisien kecondongan

merupakan perbandingan momen ketiga dengan pangkat tiga simpangan baku.
Dilambangkan

3 , merupakan penyederhanaan dari koefisien kecondongan Pearson.

Kecondongan momen dinamakan pula koefisien kecondongan relatif(relative
skewness coefficient).

Apabila nilai 3 dihubungkan dengan keadaan kurva maka :

a. Nilai koefisien kecondongan momen adalah 0 maka distribusi simetris

atau normal.
b. Nilai koefisien kecondongan momen positif, distribusi data condong ke
kanan.
c. Nilai koefisien kecondongan momen negatif, arah kecondongan
distribusi data adalah ke kiri.
d. Menurut karl pearson distribusi yang memiliki nilai > + 0,50 adalah
3

distribusi yang sangat menceng

e. Menurut kenney dan keeping nilai

bervariasi antara + 2 bagi distribusi
3

yang menceng.

Untuk mencari nilai 3 , dibedakan antara data tunggal dan data kelompok

a. Untuk Data Tunggal

Koefisien kemencengan momen untuk data tunggal dirumuskan :

Keterangan : 3 = koefisien kemencengan momen

Untuk Data Berkelompok

Koefisien kemencengan momen untuk data kelompok dirumuskan :

1. KERUNCINGAN ATAU KURTOSIS

Keruncingan atau kurtosisi adalah tingkat kepuncakan dari sebuah

distribusi yang biasa diambil secara relatif terhadap suatu distribusi normal.

Berdasarkan keruncingannya, kurva distribusi dapat dibedakan atas

tiga macam, yaitu :

Leptokurtik
Leptokurtik
merupakan
distribusi yang memiliki
puncak relatif tinggi

Platikurtik

Platikurtik merupakan
distribusi
yang memiliki puncak hampir
mendatar
Mesokurtik

Mesokurtik merupakan
distribusi yang memiliki
puncak yang tidak tinggi dan
tidak mendatar.

Apabila ketiganya digambar secara bersamaan maka dihasilkan :

Bila distribusinya simetris maka distribusi mesokurtik dianggap sebagai distribusi
normal.

Untuk mengetahui keruncingan suatu distribusi, ukuran yang sering

digunakan adalah koefisien keruncingan atau koefisien kurtosisi persentil.

a. Koefisien Keruncingan

Koefisien keruncingan dilambangkan dengan

 4 . Hasil perhitungan
koefisien keruncingan diperoleh :

- Jika  4  3 maka distribusi platikurtik

- Jika  4
maka distribusi
3 leptokurtik maka
- Jika  4 distribusi mesokurtik

3
Untuk mencari nilai koefisien keruncingan, dibedakan antara data tunggal dan
data kelompok.

a. Untuk data Tunggal

DAFTAR PUSTAKA

Hasan, Iqbal. 2009. Pokok-Pokok Materi Statistik 1 (Statistik Deskriptif).

Jakarta:Bumi Aksara

N. Reksoatmodjo, Tedjo. 2009. Bandung:Refika

Aditama. Riduwan. 2003. Dasar-Dasar Statistika.
Bandung:Alfabeta. Sudjana. 2002. Metode Statistika.
Bandung:Tarsito

Walpole, Ronald E. 1997. Pengantar Statistika Edisi Ke-3. Jakarta:PT.

Gramedia Pustaka Utama.

Widyantini. 2004. Statistika. Yogyakarta:PPPG Matematika

Ibnu Tri Hanggoro (21816003)

60
 BAB IX

ANGKA INDEKS UNTUK MENCATAT TINGKAT PERUBAHAN

Informasi mengenai perubahan keadaan secara kuantitatif sering kai dibutuhkan

keberadaannya guna menarik kesimpulan atau menarik keputusan. Karena itulah dalam
bidang ilmu statistika hal tersebut dibahas melalui konsep mengenai angka indeks, yaitu nilai
atau angka yang menunjukan perbandingan antara keadaan yang terjadi pada suatu kurun
waktu yang lainnya.

Penarikan kesimpulan, perumusan kebijaksanaan, atau penentuan keputusan sering kali

memerlukan informasi mengenai perubahan atau perbandingan keadaan dari suatu rentang
waktu ke waktu sebelumnya.

Contoh : seorang kepala instansi pemerintahan pada suatu daerah , dalam hal ini kita
andaikan saja Departemen Perindustrian dan Perdagangan mungkin saja memberikan
rekomendasi kepada kepala daerah setempat untuk mengembangkan satu atau beberapa
macam komoditas pertanian secara lebih intensif.

Berkenaan dengan perubahan atau perkembangan yang terjadi dari suatu waktu ke
waktu selanjutnya itulah, dalam ilmu statistic dikenal sebagai konsep angka indeks. Dalam
bidang perekonomian atau perniagaan konsep angka indeks ini sering digunakan untuk
menjelaskan perkembangan perkembangan suatu keadaan “Angka indeks itu sendiri adalah
angka yang menunjukan perbandingan antara keadaan yang terjadi pada suatu rentang
waktu dengan yang lainnya dimana perubahan relatifnya ditunjukkan dalam bentuk
presentase.”

Contoh : Pada tahun 1980, harga beras setiap kilogramnya adalah Rp 250, Tahun berikutnya
1981 harga beras tiap kilogramnya menjadi Rp 500. Berdasarkan konsep angka indeks harga
pada setiap kilogramnya pada tahun 1981 tersebut menjadi : (Rp 500 / Rp 250) x 100% =
200%

Berarti selama satu dua tahun harga beras meningkat 100% lebih tinggi.

61
 Berkaitan dengan ilmu ekonomi atau niaga yang notabene yaitu angka indeks, indeks
kuantitas, serta indeks nilai. Indeks harga digunakan untuk menunjukkan tingkat perubahan
harga dari suatu period eke periode lainnya. Indeks kuantitas bertujuan memberikan informasi
mengenai perkembangan jumlah dari waktu ke waktu berikutnya. Sementara, indeks nilai
diperoleh dari hasil perkalian antara harga dengan jumlah barang.

9.1 PENENTUAN ANGKA INDEKS DAN BEBERAPA HAL YANG HARUS

DIPERHATIKAN

a. Tujuan penyusunan angka indeks

Langkah awal dalam menyusun angka indeks perlu dipikirkan berkaitan dengan tujuan
yang hendak dicapai. Bila seorang manajer pemasaran ingin menghitung indeks penjualan
barang dalam rangka mengetahui variasi gerakan permintaan secara musiman, data penjualan
tahunan yang ada menjadi tidak bermanfaat karena yang diperlukan adalah data yang
terkumpul dalam rentang waktu tiap kuartal atau bulanan.

b.Sumber serta syarat perbandingan data

Penyusunan indeks harga komoditas secara beberapa periode tentunya membutuhkan

data tentang harga barang yang bersangkutan. Baik indeks harga maupun indeks jumlah
produksi hasil pertanian itu harus dinyatakan sepintas. Dalam beberapa hal, sering kali
penyusunan angka indeks harus menggunakan data diri beberapa sumber yang berbeda.

Bila kita menggunakan data yang sama namun sumbernya beragam, unitnya harus
disesuaikan dan perumusan berbagai istilah yang berasal dari beberapa sumber berbeda harus
diteliti secara seksama. Ada beberapa pertimbangan yang relevan :

1. Dalam penyusunan angka indeks harga, tiap jenis barang harus memiliki kuantitas
yang sama sela kurun waktu perbandingan
2. Alangkah baiknya data yang digunakan berasal dari satu narasumber
3. Obyek yang dijadikan dasar penyusunan indeks harus mempu mempresentasikan
keseluruhan karena tidak mungkin kita mengikutsertakan keseluruhan obyek yang ada

c.Tahun Dasar

62
 Perhitungan angka indeks senantiasa didasarkan pada rentang waktu tertentu yang
dalam terminology statistika dinamakan sebagai tahun dasar (base year)

Berkenaan dengan pemilihan suatu tahun sebagai tahun dasar tersebut, ada beberapa
pertimbangan yang penting untuk diperhatikan, antara lain:

1. Dimana keadaan perekonomiannya relative normal dan stabil.

2. Perbandingan jangan terlalu jauh dari tahun yang diperbandingkan, karena apabila
terlalu jauh akan menimbulkan beberapa konsekuensi yang menjadikan hasilnya
meragukan.

d.Faktor Penimbang

Faktor penimbang digunakan dengan tujuan membedakan derajat pentingnya suatu

barang terhadap barang lainnya. Sebagai contoh, kita dapat membandingkan perbandingan
harga antara dua jenis beras pada tahun 1988 dan 1989 :

JENIS BERAS 1988 1989

Raja Lele Rp 850/kg Rp 900/kg

Cisadane Rp 750/kg Rp 800/kg

Jika tahun 1988 dijadikan tahun dasar, maka nilai angka indeks harga beras pada tahun 1989
diatas adalah :

Indeks harga beras raja lele : (900/860) x 100% = 105,88%

Indeks harga beras cisedane : (800/750) x 100% = 106,66%

Indeks harga keseluruhan : (105,88 + 106,66 )/2 x 100% = 106,27%

e.Metode perhitungan Angka Indeks

63
 Perhitungan angka indeks terbagi atas dua jenis, yaitu:

1. Angka indeks sederhana (dibagi menjadi dua lagi) : harga agregatif dan harga
relative
2. Angka indeks tertimbang (dibagi menjadi dua lagi) : indeks tertimbang relative dan
indeks tertimbang agregatif

9.2 ANGKA INDEKS SEDERHANA

Angka indeks sederhana merupakan angka indeks yang tidak memasukan factor penimbang
sebagai salah satu unsur perhitungan. Beberapa rumus yang berkaitan dengan angka indeks
tidak tertimbang :

a. Angka indeks harga

Digunakan untuk menggambarkan dan mengetahui perubahan harga komoditas dari suatu
periode ke periode lainnya.

IA adalah nilai angka indeks harga suatu tahun dengan tahun dasar 0, p0 adalah harga tahun
dasar, serta Pn adalah harga pada tahun yang akan dihitung nilai angka indeksnya.

beberapa yang lainnya dinyatakan dalam liter, batang, atau bata. Nilai angka indeks yang
diperoleh melalui perhitungan di atas belum mampu mencerminkan perubahan harga yang
benar-benar dibayarkan oleh para konsumen. Apabila dirumuskan, nilai angka indeks
hargarelatif adalah sebagai berikut:

64
RPI0,n =  

Atas dasar perhitungan tentang harga relatif beberapa komoditas kebutuhan pokok ini,
beberapa nilai sentral harga relatif dapat diketahui. Di antaranya adalah mean atau rata-rata
harga relatif (mean of relative price), median harga relatif (median of relative price), rata-rata
ukur harga relatif (geometric mean of relative price), serta mean atau rata-rata harmonis harga
relatif (harmonic mean of relation price). Mengenai bagaimana rumus nilai sentral harga
relatif tersebut dan juga perhitungannya, dapat kita ketahui dalam tampilan berikut.

1. Mean Harga Relatif (Mean of Relative Price)

Mean harga relatif dari beberapa komoditas kebutuhan pokok di kota Pasuruan dapat
diketahui

MRP = Σ(Pn/PO) / k x 100%

di mana MRP adalah mean atau rata-rata harga relatif, (Pn/PO) adalah harga relatif, dan k
adalah jumlah data yang mana dalam hal ini adalah jumlah komponen barang kebutuhan
pokok.

2. Median Harga Relatif (Median of Relative Price)

Median suatu kumpulan data akan membaginya menjadi dua bagian yang sama. Letak median

ditentukan dengan rumus:

65
(N+1) / 2

Tentunya, letak median harga relatif bisa diketahui setelah data-data yang ada di dalamnya
diurutkan secara teratur. Untuk itu, kita perlu menempatkan beberapa komoditas kebutuhan
pokok tersebut sesuai dengan harganya, dalam hal ini dari yang paling rendah hingga yang
tertinggi.

3. Mean Ukur Harga Relatif (Geometric Mean of Relative Price)

Mean ukur harga relatif dirumuskan sebagai:

GMRP = (log Pn/PO) / k x 100%

Dalam hal ini, GMRP adalah mean ukur harga relatif, (log Pn/PO) adalah logaritma harga
relatif, dan k adalah jumlah data.

Berkenaan dengan mean ukur harga relatif, ada beberapa langkah yang harus ditempuh.
Langkah tersebut yakni:.

a. Menghitung harga relatif setiap barang pada suatu tahun yang ingin diketahui nilai angka
indeksnya.

b. Menghitung nilai logaritma harga relatif barang tersebut.

c. Menjumlahkan hasilnya secara keseluruhan.

d. Membagi hasil penjumlahan dengan banyaknya data.

4. Mean atau Rata-rata Harmonis Harga Relatif (Harmonic Mean of Relative Price)

66
Mengenai bagaimana nilai mean atau rata-rata harmonis harga relatif bisa diketahui, ada
rumus tersendiri untuk itu. Rumus untuk mencari nilai mean harmonis harga relatif adalah:

HMRP = K / 1/Σ(Pn/PO) x 100%

di mana HMRP adalah mean atau rata-rata harmonis harga relatif, (Pn/PO) adalah harga
relatif, dan k adalah jumlah data.

Sebagaimana yang berlaku pada mean ukur harga relatif, ada beberapa tahapan yang harus
ditempuh untuk mencari nilai mean harmonis harga relatif. Langkahnya terdiri dari:

a. Menghitung harga relatif setiap barang pada suatu tahun yang ingin diketahui angka
indeksnya.

b. Menghitung nilai kebalikan harga relatif setiap barang.

c. Menjumlahkan hasilnya.

d. Membagi hasil keseluruhan dengan banyaknya data.

b. Angka Indeks Kuantitas (Quantity Index Number)

67
Angka indeks kuantitas pada dasarnya menunjukkan perkembangan jumlah barang atau
produkdengan membandingkan jumlah barang pada suatu tahun tertentu dengan jumlah
barang pada tahundari satu kurun waktu ke kurun waktu lainnya.

apabila dirumuskan adalah:

Qlo,n = Σon / ΣQ0 x 100%

c. Angka Indeks Nilai (Value Index Number)

Besarnya nilai suatu barang atau produk diperoleh dari hasil kali antara harga dan jumlah
barang itu. Seandainya angka indeks nilai ingin dihitung, rumus untuk mengetahui besarnya
adalah

di mana VI, adalah besarnya angka indeks nilai pada suatu tahun dengan tahun dasar 0, VO
adalah nilai pada tahun dasar (base year), serta Vn adalah nilai pada tahun yang akan dihitung
nilai angka indeksnya

NILAI SENTRALTERBAGI MENJADI 4

1. Mean atau rata rata harga relative tertimbang

2. Median harga relative tertimbang

3. Mean ukur harga relative tertimbang

68
 4. Mean harmonis harga relative tertimbang

9.3 ANGKA INDEKS, TERHITUNG BERDASAR KUANTITAS BARANG

Kuantitas atau jumlah barang merupakan faktor penimbang yang dinilai paling tepat.
Berkenaan dengan perhitungan untuk mencari nilai angka indeks dengan menggunakan faktor
penimbang jumlah barang, dalam khazanah ilmu statistik dikenal beberapa macam rumus.
Adapun rumus yang dimaksud adalah:

a. Rumus Angka Indeks Laspeyres

Angka indeks Laspeyres menggunakan jumlah yang ada pada tahun dasar sebagai faktor
penimbang indeks harga. Nilai angka indeks Laspeyres dapat diketahui dengan rumus

LI = Σ(Pn x Q0) / Σ(P0 × 20) x 100%

di mana LI adalah nilai angka indeks Laspeyres, PO adalah harga pada tahun dasar 0, Pn
adalah harga pada suatu tahun tertentu, dan Q0 adalah jumlah pada tahun dasar 0.

b. Rumus Angka Indeks Paasche

Sedikit berbeda dengan angka indeks Laspeyres, angka indeks Paasche menggunakan jumlah
pada tahun tertentu yang angka indeksnya akan dihitung (current year) sebagai faktor
penimbangnya. Rumus angka indeks Paasche adalah

PI = Σ(Pn x Qn) / Σ(P0 × Qn) x 100%

di mana PI adalah angka indeks Paasche, Pn adalah harga pada suatu tahun, PO adalah harga
pada tahun dasar, dan Qn adalah jumlah pada suatu tahun tertentu yang akan dihitung nilai
angka indeksnya.

69
c.Rumus angka indeks Dorbisch dan Bowley

apabila selisih antara hasil perhitungan, suatu alternative angka indeks perlu dikembangkan

d.Rumus angka indeks Ronald Fischer

Rumus angka indeks Dorbisch dan Bowley pada suatu sata juga dinilai belum mampu
memberikan hasil angka indeks yang representative

e.Rumus angka indeks Marshall and Edgeworth

Perata-rataan tidak dilakukan terhadap angka indeks melainkan terhadap factor penimbang
jumlahnya.

f.Rumus angka indeks Waish

Suatu rumus yang memasukan hasil akar pangkat dua dari hasil kali jumlah pada tahun yang
di perbandingkan dalam perhitungan angka indeksnya.

9.4 ANGKA INDEKS RANTAI SEBAGAI PEMBANDING ANTAR KURUN WAKTU

Cara menghitung nilai angka indeks yang memungkinkan untuk mencantumkan hal
tersebut adalah angka indeks rantai. Angka indeks rantai adalah angka indeks yang
menggunakan tahun dasar atau periode sebelumnya sebnagai dasar perhitungannya.

70
9.5 TAHUN DASAR UNTUK PENYESUAIAN DAN MERANGKAIKAN ANGKA
INDEKS

Mengubah tahun dasar dapat dilakukan dengan cara yang sederhana, yaitu dengan
membagi angka indeks tahun dasar lama dengan angka indeks tahun dasar baru kemudian
dikalikan dengan nilai angka indeks semula.

9.6 ANGKA INDEKS UNTUK PROSES DEFLASI

Keadaan dimana nilai uang tidak terasa begitu bernilai. Ini terjadi karena perubahan
tingkat harga yang dalam kenyataannya memang harga cenderung meningkat dari waktu ke
waktu. Pengaruh harga dan tingkat penghasilan yang sebenarnya ini dapat diketahui ketika
kita menghitungnya melalui proses deflasi.

RII = NNI / CGPI = x 100%

DAFTAR PUSTAKA

5. Pengantar Statistika Edisi Ke-3. Jakarta

6. Widyantini. 2004. Statistika. Yogyakarta:PPPG Matematika

7. Statistical Account of Scotland oleh William Hooper

8. Sir john Sinclair pada abad ke XIV

MAULIDA NUR AFIDAH (21810291)

71
 BAB X

KORELASI

Di dalam bab-bab sebelumnya di depan telah diuraikan tentang berbagai cara

menyajikan data secara grafis dan numeris suatu set data dari set variable, Namun, kita
mungkin juga memiliki data dari dua variable atau lebih, dan kita ingin mengetahui
hubungan antara skor-skor di antara dua variable yang berbeda itu.Untuk permasalahan
seperti ini kita berhadapan dengan persoalan korelasi.
Tujuan dari melakukan korelasi adalah untuk mengetahui apakah dua variable pengukur
bersifat covary dan untuk mengukur kekuatan hubungan si antara dua variable (Mc Donald
2009). Dua variable dikatakan bersifat apabila kedua variable tersebut berubah Bersama
sama dalam satu periode waktu yang sama. Menuerut Bewick et al. (2003), korelasi
menghitung kekutan linier hubungan di antara dua variabel yang berpasangan.

Mengetahui hubungan dua variabel McDonald (2009) menjelaskan sebagai berikut:

1)Bila kita akan menguji hubungan sebab-akibat, variabel yang menyebabkan munculnya
hubungan disebut variabel indepeden atau variabel bebas dan diplot pada sumbu-x,
sementara itu efekmya disebut variabel indepeden atau variabel terikat dan diplotkan di
sumbu-y. Berkaitan dengan hubungan sebab-akibat, Plonsky (2009b) menyebutkan bahwa

72
 korelasi tidak memberitaukan kepada kita tentang sebab akibat, dan memperkirakan
hubungan sebab akibat dari suatu korelasi adalah sesuatu kesalahan yang terjadi.
2)Kadang kala dengan korelasi kita tidak bermaksud mencari sebab akibat, tetapi melihay
hubungan kecenderungan munculnya suatu gejala yang lain. Misalnya, kita mengamati
Gerakan pinggul dan bahu seseorang. Di dalam kasus ini kita melihat hubungan sebab akibat
antara Gerakan pinggul dan bahu, tetapi hanya melihay apakah seseorang dengan Gerakan
pinggul yang fleksibel juga akan cenderung memiliki Gerakan bahu yang fleskibel, dengan
asusmi bahwa kelenturan dipengaruhi umur, makanan, Latihan dan genetic. Di dalam
persoalan sepeti ini pilihan untuk menentukan yang mana sumbu-x dan yang mana sumbu-y
benar benar bebas. Contoh lain, hubungan anatara Panjang dan berat tubuh ikan. DI dalam
kasus ini kita melihat hubungan sebab akibat antara Panjang tubuh dengan berat ikan, tetapi
hanya melihat apakah ikan yang lebih pajanng jug akana lebih berat. Analaisis hubungan
natara Panjang dan berat tubuh ikan dialkukan dengan pandangan bahwa dalam kondisi
lingkungan yang baik, ikan yang lebih Panjang akan memberikan berat tubub yang lebih
besar.
3)Kadang kala juga bisa terjadfi tidak jelas mana variabel bebas dan mana variabel terikat.
Sebagai contoh, bila kita mengukur kanudngan garam di dalam makanan seseorang dan
tekanan darahnya untuk menguji apakah dengan makanan banyak garam mneyebabkan
tekanan darah lebih tinggi, berarti kita membuat kandungan garam di dalam mkanan sebagai
variabel bebas. Tetapi bila kita berfikir bahwa tekanan darah yang lebih tinggi mneyebabkan
orang menghinfari makanan berkadar garam tinggi, maka kita membuat tekanan darah
sebagai bebas.
4)Perlu di perhatikan bahwa di dalam bidang ilmu oseonografi misalnya, kedalam sering diplot
pada sumbu-y (Dengan nilai 0 di atas) dan variabel yang mempengaruhi oleh kedalam, baik
yang langsung maupun tidak langsung . Seperti kandungan klorofil, salintis atau oksigen
diplot pada sumbu-x. Tradisi cara memplot data seperti di dalam oseanografi ini harus
dipertahankan agar tidak menimbulkan kebingungan. Hal yang sama juga dijumpai di dalam
perikanan Ketika melakukan analisis hubungan Panjang berat sumbu0y. pada analisis laju
tangkap, variabel laju trangkap diplot pada sumbu-y dengan angka nol di atas.

Diagram Pancar

Diagram pancar atau scatterplot mengambarkan arah hubungan di antara dua variabel.
Diagram ini adalah cara visual yang paling mudah dan bermanfaat untuk menyajikan

73
 korelasi di antara dua variabel. Menurut Bewick et al Langkah awal untuk mengetahui ada
atau tidaknya korelasi di antara dua variabel adalah dengan membuat diagram pancar.

Tujuan Dibuatnya Diagram Pencar

Untuk mengetahui apakah titik-titik koordinat pada sumbu x dan y, adan apa pola
yang terbentuk dari sebaran tersebut.

Dari diagram pencar tersebut dapat dibuat sebuah garis yang kira-kira membagi dua titik-
titik koordinat pada kedua sisi garis. Dari garis tersebut dapat diketahui korelasi antara
kedua variabel.

Jika garis mengarah keatas berarti korelasi positif, jika arah garis menurun berarti korelasi
negatif. Jika tidak dapat dibuat sebuah garis maka tidak ada korelasi,dan jika titik-titik tepat
melalui garisnyaberarti korelasi sempurna

Manfaat Diagram Pencar 

 Membantu menunjukkan apakah terdapat hubungan yang bermanfaat antara dua variabel
 Membantu menetapkan tipe persamaan yang menunjukkan hubungan antara dua variabel
tersebuT

74
Berbagai bentuk diagram pencar

Koefisien Korelasi

Untuk mengetahui ada / tidaknya hubungan antara kedua variabel (X dan Y) dan
seberapa erat hubungan antara kedua variabel tersebut dapat diketahui dengan menghitung
koefisien korelasi dari kedua variabel. Jika koefisien korelasi bertanda positif (+) maka
dapat disimpulkan hubungan kedua variabel positif danbegitu juga halnya bila koefisien
korelasi bertanda negative (-)

75
 Koefisien Korelasi Pearson

Apabila antara dua variabel (X dan Y) yang masing-masing mempunyai skala pengukuran
sekurang-kurangnya interval (ratio) dan hubungannya merupakan hubungan linear, maka
keeratan hubungan antara kedua variabel itu dapat dihitung dengan menggunakan formula
korelasi Pearson yang diberi symbol dengan ryx dan rxy untuk sample pyx dan pxy untuk
populasi.

formula korelasi Pearson

Koefisien Korelasi Rank Spearman (Ordinal)

Untuk mengukur keeratan hubungan antara dua variabel X dan Y yang kedua-duanya
mempunyai skala pengukuran sekurang-kurangnya ordinal dapat dihitung dengan
menggunakan formula korelasi Spearman. Koefisien Korelasi Spearman antara X dan Y
atau Y dan X:

Jika tidak ada data kembar

Apabila tidak terdapat data kembar dalam kelompok data maka anda dapat menggunakan
rumus  berikut:

r=1−6∑ni=1d2in3−n

 di = selisih ranking antara ranking variabel X dan Y

 n = banyaknya data

76
Jika ada data kembar

Jika dalam kelompok  data terdapat data kembar maka formula di atas tidak dapat digunakan
dan anda harus menggunakan formula di bawah ini;

Koefisien korelasi Spearman dengan data kembar

Catatan

Urutkan nilai observasi dan diberi rangking dari besar ke kecil

Koefisien korelasi data berkelompok

Untuk data bekelompok rumusnya adalah sebagai berikut;

Koefisien Korelasi Kualitatif

Untuk data kualitatif, koefisien korelasi dapat dihitung dengan menggunakan Contingent
Coefficient, rumusnya adalah sebagai berikut:

Cc=χ2χ2+n−−−−√;χ2=Chi−square

Penafsiran Koefisien Korelasi

77
 Untuk menentukan keeratan hubungan, bisa digunakan kriteria Guilford (1956) sesuai tabel
berikut ini:

Kriteria guilford (1956).

ANALISIS REGRESI DAN KORELASI

 Diperlukan jika kita ingin mempelajari scr kuantitatif, hub antara berbagai kejadian

 Berupa kumpulan titik2 yg dpt dihubungkan oleh garis / kurva ttt yg disebut garis regresi
(linier, kuadratik, logaritmik, eksponensial kubik, dll).

 Variabel yg diestimasi disebut variabel dependent/ terikat

 Variabel yg mempengaruhi disebut variabel independent/ bebas

ANALISIS REGRESI

Mempelajari dan mengukur hub statistik yg tjd antara 2 variabel atau

lebih,Meramalkan/ memperkirakan nilai dari satu variabel dlm hubungannya dgn variabel
lain yg diketahui melalui persamaan regresi,Teknik statistika yg berguna utk memeriksa dan
memodelkan hub diantara var (terapannya biasanya dikaitkan dengan studi ketergantungan
suatu var bebas pada var terikat).

Regresi : Linear dan Non Linear (kuadratik, logaritmik, eksponensial kubik, hiperbolik, dll)

Regresi : Sederhana dan Berganda

Sederhana : jika hanya terdiri dari satu variabel bebas/ independent

Berganda : jika terdiri lebih dari satu variabel bebas/ independent.

78
 Pengujian hipotesis koefisien regresi

Menentukan formulasi hipotesis untuk parameter a dan b Menentukan taraf nyata α dan nilai
t tabel yg ditentukan dgn derajat bebas (db) = n-2

-Menentukan kriteria pengujian

-Menentukan nilai uji statistik

-Untuk parameter a

-Untuk parameter b

-Membuat kesimpulan

Standart error/ kesalahan bakunya

Se 
  a. Y  b. XY
Y 2

n2
Utk koefisien regresi a, kesalahan bakunya

Sa 
  Se
X 2

n. X 2  ( X ) 2
Utk koefisien regresi b, kesalahan bakunya

Se
Sb 
( X ) 2
X 2

n

79
Analisis korelasi

 Mengukur seberapa kuat atau derajat kedekatan suatu relasi yg tjd antar variabel

 Koefisien korelasi memiliki nilai -1≤ KK ≤+1

 Untuk menentukan keeratan korelasi antarvariabel diberikan patokan KK

 0 < KK ≤ 0,2, korelasi sgt lemah

 0,2 < KK ≤ 0,4, korelasi lemah tp pasti

 0,4 < KK ≤ 0,7, korelasi yg cukup berarti

 0,7 < KK ≤ 0,9, korelasi sgt kuat

 0,9 < KK < 1, korelasi kuat sekali

 KK = 1, korelasi sgt sempurna

 Koefisien korelasi mrp akar dr koefisien determinasi (R²)

 Koefisien determinasi : merupakan suatu ukuran yg digunakan utk melihat seberapa

besar sumbangan variabel independent terhadap variasi variabel dependent.

 Nilai R² berkisar 0 < R² < 1

Kegunaannya:

 Untuk ukuran ketepatan garis regresi dari hasil estimasi thd sekelompok data hasil
observasi.

 Untuk mengukur proporsi dr jumlah variasi yg diterangkan oleh model regresi.

Koefisien Determinasi:

80
 r 2
a Y   b XY   n Y  2

 (Y ) 2
 n (Y ) 2

Koefisien Korelasi :

2
r r Jenis-jenis koefisien korelasi

1. Koefisien korelasi pearson

2. Koefisien korelasi rank spearman

3. Koefisien korelasi kontingensi

4. Koefisien penentu

KOEFISIEN KORELASI RANK SPEARMAN

Koefisen korelasi ini mengukur kedekatan hubungan antara dua variabel ordinal.
Koefisien korelasi ini dinamakan koefisien korelasi pangkat atau koefisien korelasi Spearman,
yang disimbolkan dengan r.

Pasangan data hasil pengamatan (Xi , Yi) kita susun menurut urutan besar nilainya dalam tiap
variabel. Kemudian kita bentuk selisih atau beda peringkat Xi dan peringkat Yi yang data
aslinya berpasangan. Beda ini disimbolkan dengan bi, maka koefisien korelasi peringkat r
dihitung dengan rumus:

6  bi2
r  1
n (n 2  1)
Contoh :

Data berikut adalah penilaian 2 orang juri terhadap 8 orang peserta perlombaan.

81
 Peserta Juri I Juri II
A 70 80
B 85 75
C 65 55
D 50 60
E 90 85
F 80 70
G 75 90
H 60 65

Tentukan Koefisien Korelasi rank !

Penyelesaian:

Peserta Juri I Juri II Beda

(bi)
bi2
A 5 3 2 4
B 2 4 -2 4
C 6 8 2 4
D 8 7 1 1
E 1 2 -1 1
F 3 5 -2 4
G 4 1 3 9
H 7 6 1 1
Jumlah - - - 28

82
 6  bi2 6 (28)
r  1 2
 1  0,667
n (n  1) 8 (64  1)

KOEFISIEN KORELASI PEARSON (PRODUCT MOMENT)

Untuk sekumpulan data (Xi, Yi ) berukuran n, koefisien korelasi dapat dihitung dengan rumus:

n  X i Yi  ( X i ) ( Yi )
r
n ( X )  ( X ) n ( Y )  ( Y ) 
2
i i
2
i
2
i
2

KOEFISIEN DETERMINASI

Koefisien determinasi merupakan ukuran untuk mengetahui kesesuaian atau ketepatan antara
nilai dugaan dengan data sampel. Koefisien determinasi didefinisikan sebagai berikut.

Koefisien determinasi adalah bagian dari keragaman total variabel tak bebas Y
(variabel yang dipengaruhi atau dependent) yang dapat diterangkan atau diperhitungkan oleh
keragaman variabel bebas X (variabel yang mempengaruhi, independent)

83
Jadi koefisien determinasi adalah kemampuan variabel X mempengaruhi variabel Y. Semakin
besar koefisien determinasi menunjukkan semakin baik kemampuan X mempengaruhi Y.

[ n  X i Yi  ( X i ) ( Yi ) ]2
r2 
n ( X )  ( X ) n ( Y )  ( Y ) 
2
i i
2
i
2
i
2

KOEFISIEN KORELASI GANDA

Untuk 2 variabel bebas (X1 dan X2 ) maka r dihitung dengan rumus:

r 2 y x1  r 2 y x2  2 ry x1 ry x2 rx1 x 2
ry x1 x 2 
1  r 2 x1 x 2

ry x1 x 2
dimana : = Koefisien korelasi ganda antara variable X1 dan X2 secara bersama-sama
dengan variable Y

ry x1
= Koefisien korelasi X1 dengan Y

ry x2
= Koefisien korelasi X2 dengan Y

rx1 x 2
= Koefisien korelasi X1 dengan X2

KOEFISIEN KORELASI LINIER SEDERHANA1.

 

84
PENGERTIAN KOEFISIEN KORELASI LINIER SEDERHANA
Koefisien korelasi merupakan indeks atau bilangan yang digunakan untuk mengukur
keeratan (kuat, lemah atau tidak ada) hubungan antar variabel.
Koefisien korelasi ini memiliki nilai antara -1 dan +1 .a.
 
Jika KK bernilai positif, maka variabel-variabel berkorelasi positif. Semakindekat nilai KK
ini ke +1 semakin kuat korelasinya, demikian pula sebaliknya.

Jika KK bernilai negatif, maka variabel-variabel berkolerasi negatif. Semakindekat nilai KK

ini ke -1 semakin kuat korelasinya, demikian pula sebaliknya.

Jika KK bernilai 0 (nol), maka variabel-variabel tidak menunjukkan korelasi.

Jika KK bernilai +1 atau -1, maka variabel menunjukkan korelasi positif ataunegatif yang
sempurna.

Metode product momentKoefisien korelasi (r) dengan metode product moment dirumuskan
sebagai berikut:    
 Keterangan r = koefisien korelasi x = deviasi rata-rata variabel Xy = deviasi rata-
rata variabel Yb.
 
Koefisien Korelasi Rank Spearman Koefisien korelasi ini digunakan untuk mengukur
keeratan hubungan antaradua variabel yang datanya berbentuk data ordinal (data bertingkat).
Koefisien Korelasi Bersyarat (Koefisien Kontingensi)Koefisien korelasi ini digunakan untuk
mengukur keeratan hubungan antaradua variabel yang datanya berbentuk data nominal (data
kualitatif).Disimbolkan dengan C
 dan dirumuskan :Keterangan: = kai kuadrat = jumlah semua frekuensiJika koefisien korelasi
dikuadratkan akan menjadi koefisien determinasiyang artinya penyebab perubahan pada
variabel Y yang datang dari variabel Xsebesar kuadrat koefisien korelasinya. Koefisien
determinasi menjelaskanbesarnya pengaruh nilai suatu variabel bebas (Variabel X) terhadap
naik/turunnya.
 
Statistika deskriptif : Regresi Dan Korelasi Linier Sederhana
9

85
nilai variabel terikat (Variabel Y) Koefisien determinasi dapat dirumuskansebagai berikut :
Keterangan :R²
Koefisien Determinasir = Koefisien Korelasi Sederhana

Persaman regresi linier sederhana

Interpretasi :
Kostanta (a) = 2,5263 artinya apabila variabel bebas (Biaya Promosi) adalahkonstan atau
tetap pada angka nol maka variabel terikat (Volume penjualan)pada PT YP selama 5 tahun
mengalami kenaikan rata-rata sebesar 2,5263 haltersebut sebagai implikasi bahwa variabel
biaya promosi terkait langsungdengan perubahan volume penjualan.2.
 
Koefisien Variabel (b) = 1,05263 artinya yaitu hal ini menunjukkan besarnyaperubahan
volume penjualan sebesar 1,05263 artinya setiap terjadipeningkatan 1% atau Rp 1 pencapaian
biaya promosi akan mengakibatkanpeningkatan Volume penjualan PT YP s YP selama 5
tahun sebesar 1,05263.

Interpretasinya : Nilai koefisien determinasi (R²) artinya bahwa kontribusi pengaruh

biaya promositerhadap volume penjualan adalah sebesar 97,16% sedangkan sisanya 2,84%dipengaruhi
oleh faktor lain.

ANALISIS KORELASI PARSIAL 

Analisis korelasi parsial (Partial Correlation) digunakan untuk mengetahui hubungan
antara dua variabel dimana variabel lainnya yang dianggap berpengaruh dikendalikan atau
dibuat tetap (sebagai variabel kontrol). Nilai korelasi (r) berkisar antara 1 sampai -1, nilai
semakin mendekati 1 atau -1 berarti hubungan antara dua variabel semakin kuat, sebaliknya
nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif
menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif menunjukkan
hubungan terbalik (X naik maka Y turun). Data yang digunakan biasanya berskala interval
atau rasio. Menurut Sugiyono(2007) pedoman untuk memberikan interpretasi koefisien
korelasi sebagai berikut:
0,00 -0,199  = sangat rendah
0,20 -0,399  = rendah
0,40 - 0,599 = sedang
0,60-0,799   = kuat

86
 0,80 -1,000  = sangat kuat
Contoh kasus:

Kita mengambil contoh pada kasus korelasi sederhana di atas dengan menambahkan
satu variabel kontrol. Seorang mahasiswa bernama Andi melakukan penelitian dengan
menggunakan alat ukur skala. Andi ingin meneliti tentang hubungan antara kecerdasan
dengan prestasi belajar jika terdapat faktor tingkat stress pada siswa yang diduga
mempengaruhi akan dikendalikan. Dengan ini Andi membuat 2 variabel yaitu kecerdasan dan
prestasi belajar dan 1 variabel kontrol yaitu tingkat stress. Tiap-tiap variabel dibuat beberapa
butir pertanyaan dengan menggunakan skala Likert, yaitu angka;
1 = Sangat tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah
membagikan skala kepada 12 responden didapatlah skor total item-item yaitu sebagai berikut:
Subjek Kecerdasan Prestasi Belajar Tingkat Stress
1 33 58 25
2 32 52 28
3 21 48 32
4 34 49 27
5 34 52 27
6 35 57 25
7 32 55 30
8 21 50 31
9 21 48 34
10 35 54 28
11 36 56 24
12 21 47 29

Korelasi ganda (multipple correlation) 

merupakan angka yang menunjukkan arah dan kuatnya hubungan antara dua variabel
secara bersama-sama atau lebih dengan variabel yang lain. Pemahaman tentang korelasi
ganda dapat dilihat melalui gambar 7.4a, 7.4b berikut. Simbol korelasi ganda adalah R

87
Korelasi Ganda Dua Variabel Independen dan Satu Dependen

X1= Kepemimpinan
X2= Tata Ruang Kantor
Y= Kepuasan Kerja
R = Korelasi Ganda

Korelasi Ganda Tiga Variabel

Independen Satu Dependen

X1 = Kesejahteraan pegawai
X2 = Hubungan dengan pimpinan
X3 = Pengawasan
Y = Efektivitas kerja

Dari contoh di atas, terlihat bahwa korelasi ganda R, bukan merupakan penjumlahan dari
korelasi sederhana yang ada pada setiap variabel (r1 – r2 – r3). Jadi R ≠ (r1 + r2 + r3).
Korelasi ganda merupakan hubungan secara bersama-sama antara X1 dengan X2 dan Xn
dengan Y.

korelasi ganda merupakan hubungan secara bersama-sama antara variabel kepemimpinan, dan
tata ruang kantor dengan kepuasan kerja pegawai.

88
Pada bagian ini dikemukakan rumus korelasi ganda (R) untuk dua variabel independen dan
satu dependen. Untuk variabel independen lebih dari dua, dapat dilihat pada Bab analisis
Regresi Ganda. Pada bagian itu persamaan-persamaan yang ada pada regresi ganda dapat
dimanfaatkan untuk menghitung korelasi ganda lebih dari dua variabel secara bersama-sama.
Ini untuk rumusnya

Dimana :
Ry.x1x2 = korelasi ganda antara variabel X1 dan X2 secara bersama-sama
dengan variabel Y
ryx1 = korelasi Product Moment antara X1 dengan Y
ryx2 = korelasi Product Moment antara X2 dengan Y
rx1x2 = korelasi Product Moment antara X1 dengan X2
Jadi untuk dapat menghitung korelasi ganda, maka harus dihitung terlebih dahulu korelasi
sederhananya dulu melalui korelasi Product Moment dari Pearson.

Contoh Penggunaan Korelasi Ganda :

Misalnya pada suatu penelitian yang berjudul “Kepemimpinan dan Tata Ruang Kantor dalam
kaitannya dengan Kepuasan Kerja Pegawai di lembaga A”. Berdasarkan data yang terkumpul
untuk setiap variabel, dan setelah dihitung korelasi sederhananya ditemukan sebagai berikut :

1. Korelasi antara Kepemimpinan dengan Kepuasan Kerja Pegawai, r1 = 0,45;

2. Korelasi antara Tata Ruang Kantor dengan Kepuasan Kerja Pegawai, r2 = 0,48;
3. Korelasi antara Kepemimpinan dengan Tata Ruang Kantor, r3 = 0,22.

Dengan menggunakan rumus 7.4 korelasi ganda antara Kepemimpinan dan Tata Ruang
Kantor secara bersama-sama dengan Kepuasan Kerja Pegawai dapat dihitung.

89
Hasil perhitungan korelasi sederhana dan ganda dapat digambarkan sebagai berikut :

Dari perhitungan tersebut, ternyata besarnya korelasi ganda R harganya lebih besar dari
korelasi Individual ryx1 dan ryx2. Pengujian signifikansi terhadap koefisien korelasi ganda
dapat menggunakan rumus 7.5 berikut, yaitu dengan uji F.

Dimana :
R = koefisien korelasi ganda
k = jumlah variabel Independen
n = jumlah sampel
Berdasarkan angka yang telah ditemukan, dan bila n = 30, maka harga Fh, dapat dihitung
dengan rumus 7.5.

Harga tersebut selanjutnya dibandingkan dengan harga F tabel dengan dk pembilang = k dan
dk penyebut = (n – k – 1).
Jadi dk pembilang = 2 dan dk penyebut = 10-2-1 = 7.

90
Dengan taraf kesalahan 5%, harga F tabel ditemukan = 4,74. Ternyata harga F hitung lebih
besar dari F tabel (7,43 > 4,74). Karena Fh > dari F tabel maka koefisien korelasi ganda yang
ditemukan adalah signifikan (dapat diberlakukan untuk populasi dimana sampel diambil).

Contoh Korelasi Berganda

Misalnya pada suatu penelitian yang berjudul “Kepemimpinan dan Tata Ruang Kantor dalam
kaitannya dengan Kepuasan Kerja Pegawai di lembaga A”. Berdasarkan data yang terkumpul
untuk setiap variabel, dan setelah dihitung korelasi sederhananya ditemukan sebagai berikut :

1. Korelasi antara Kepemimpinan dengan Kepuasan Kerja Pegawai, r1 = 0,45;

2. Korelasi antara Tata Ruang Kantor dengan Kepuasan Kerja Pegawai, r2 = 0,48;
3. Korelasi antara Kepemimpinan dengan Tata Ruang Kantor, r3 = 0,22.

Dengan menggunakan rumus 7.4 korelasi ganda antara Kepemimpinan dan Tata Ruang Kantor
secara bersama-sama dengan Kepuasan Kerja Pegawai dapat dihitung.

Hasil perhitungan korelasi sederhana dan ganda dapat digambarkan sebagai berikut :

91
Dari perhitungan tersebut, ternyata besarnya korelasi ganda R harganya lebih besar dari
korelasi Individual ryx1 dan ryx2. Pengujian signifikansi terhadap koefisien korelasi ganda
dapat menggunakan rumus 7.5 berikut, yaitu dengan uji F.

Dimana :
R = koefisien korelasi ganda
k = jumlah variabel Independen
n = jumlah sampel

Berdasarkan angka yang telah ditemukan, dan bila n = 30, maka harga Fh, dapat dihitung
dengan rumus 7.5.

Harga tersebut selanjutnya dibandingkan dengan harga F tabel dengan dk pembilang = k dan
dk penyebut = (n — k — 1). Jadi dk pembilang = 2 dan dk penyebut = 10–2–1 = 7. Dengan
taraf kesalahan 5%, harga F tabel ditemukan = 4,74. Ternyata harga F hitung lebih besar dari F
tabel (7,43 > 4,74). Karena Fh > dari F tabel maka koefisien korelasi ganda yang ditemukan
adalah signifikan (dapat diberlakukan untuk populasi dimana sampel diambil).

Salah satu bentuk dari korelasi adalah korelasi ganda. Korelasi ganda merupakan suatu
nilai yang menekankan pada kuatnya pengaruh atau keterkaitan hubungan dua variabel atau
lebih secara bersama-sama dengan variabel lain (Hasanah, 2016).

92
 Analisis korelasi ganda merupakan suatu alat statitik yang digunakan untuk
mengetahui hubungan yang terjadi antara variabel terikat/ terpengaruh (variabel Y) dengan
dua atau lebih variabel bebas atau variabel pengaruh ( X1; X2; X3, ….. Xn) (Ariadi, 2012).
Pada umumnya analisis korelasi ganda bertujuan untuk mencari hubungan antara dua
atau lebih variabel bebas dengan variabel terikat. Selain itu, analisis korelasi ganda juga
dipergunakan untuk mencari kuat atau lemahnya hubungan antar dua atau lebih variabel
independen terhadap variabel dependen. Melalui korelasi ganda keeratan dan kekuatan
hubungan antar variabel tersebut dapat diketahui.
Keeratan hubungan dapat dinyatakan dengan istilah Koefisien Korelasi. Koefisien Korelasi
Ganda adalah indeks atau angka yang digunakan untuk mengukur keeratan hubungan antar
tiga variabel atau lebih (Ariadi, 2012).  

Koefisien korelasi merupakan besar kecilnya hubungan antara dua variabel yang dinyatakan
dalam bilangan yang disebut dengan koefisien korelasi. Koefisien korelasi disimbolkan
dengan huruf R. “Besarnya Koefisien korelasi adalah antara -1; 0; dan +1” (Hasanah, 2016).

Menurut Hasanah (2016), langkah-langkah untuk melakukan analisis korelasi ganda yaitu:

1. Buatlah H1 dan H0 dalam bentuk kalimat

2. Buatlah H1 dan H0 dalam bentuk statistik
3. Buatlah tabel penolong untuk menghitung nilai korelasi ganda

4. Masukkan angka-angka statistik dari tabel penolong dengan rumus:

Selanjutnya berdasarkan hasil dari korelasi kemudian hitung korelasi ganda (R) dengan
rumus:

Dimana :
koefisien korelasi ganda antara variabel x1 dan x2
koefisien korelasi x1 terhadap Y
koefisien korelasi x2 terhadap Y
koefisien korelasi x1 terhadap X2
taraf signifikansi (α), sebaiknya disamakan dengan α terdahulu.

Tentukan kriteria pengujian R, yaitu :

Ha   : tidak siginifikan

93
H0   : signifikan
Ha    : Ryx1x2 = 0
H0    : Ryx1x2  ≠ 0
Jika :
Fhitung ≤ Ftabel maka terima H0 (tidak signifikan)
          FhitungFtabel maka tolak H0 (signifikan)
 Mencari koefisien determinasi dengan rumus :

Koefisien determinasi adalah angka yang menyatakan atau digunakan untuk mengetahui
kontribusi atau sumbangan yang diberikan oleh sebuah variabel atau lebih X (bebas) terhadap
variabel Y (terikat) (Siregar, 2015).

KP = r2 x 100%

Dimana :

KP : Besarnya koefisien penentu (diterminan)

r : Koefisien korelasi

Cari F Hitung dengan rumus :

R : Nilai koefesien korelasi gandaKeterangan :

k : Jumlah variabel bebas

n : Jumlah sampel

1. Cari F tabel
Nilai Ftabel dapat dicari pada tabel Ftabel  dengan ketentuan:
Ftabel = F(α, k, dk)
Dimana

pembilang      = k

94
dk penyebut   = n-k-1
dimana

k    = banyaknya variabel bebas

n= banyaknya anggota sampel

dengan melihat tabel f didapat nilai F tabel

Kaidah pengujian

Jika: Fhitung Ftabel, maka tidak ada hubungan

Jika: Fhitung Ftabel, maka ada hubungan
Bandingkan Fhitung dan Ftabel
Tujuan membandingkan Fhitung dan Ftabel ialah untuk mengetahui apakah ada hubungan
atau tidak antara variabel X dan Y (Siregar, 2015).

Bentuk Kolerasi

Berikut ini ada beberapa bentuk kolerasi yang perlu Anda pahami, diantaranya:

1. Korelasi Linear Positif

Ciri dari korelasi linear positif:

a. Perubahan nilai yang secara teratur diikuti nilai variabel di arah yang sama sehingga
mengalami keaikan.

b. Perubahan nilai koefisien yang ada pada pasangan data dari variabel akan memiliki bentuk
linear yang positif.

2. Korelasi Linear Negatif

Ciri dari korelasi linear negatif adalah:

a. Perubahan nilai yang secara teratur diikuti pada nilai variabel namun mempunyai arah yang
justru berlawanan dengan kenaikan variabel tidak teratur.

95
b. Nilai koefisien bisa menunjukan beberapa pasan data yang memiliki linear negative dengan
di tekanan yang kuat.

3. Tidak Berkolerasi

Ciri dari korelasi tidak berkolerasi adalah:

a. Perubahan keiakan nilai terkadang diikuti juga penurunan pada kenaikan dari variabel yang
berlawanan.

b. Nilai koefisien mempunyai pasangan data dengan tingkat korelasi yang lemah. 

Dengan begitu jika ditarik garis besar, korelasi adalah suatu hubungan timbal balik atau sebab
akibat yang bersifat kuantitatif yang disebabkan oleh lingkungan yang sama-sama
mempengaruhi kedua sifat. Korelasi ini dapat digunakan untuk ilmu statistik maupun
matematika yang memiliki manfaat yang sama yaitu dapat melakukan pengukuran beberapa
hubungan variabel dan mampu melakukan motivasi kerja pada produktivitas variabel.

Koefisien korelasi (r) adalah bilangan yg menyatakan kekuatan hubungan antar variabel
ataupun arah hubungan dari variabel-variabel.  Nilai r bergerak dari -1 sampai +1. Kekuatan
hubungan diketahui dari nilai angka, sedangkan arah dinyatakan dlm bentuk positif (+) atau
negatif (-). 2 Tabel Tingkat Korelasi & Kekuatan hubungan

KOEFISIEN DETERMINASI

Koefisien determinasi (KD) adalah angka yg menyatakan kontribusi atau sumbangan

yg diberikan oleh satu/lebih variabel X (bebas) terhadap variabel Y (terikat). Rumus : KD =
(r)2 x 100%

Korelasi Spearman Langkah menghitung korelasi Spearman :

Buat urutan/peringkat data masing2 variabel dgn cara : - Utk masing2 variabel, urutkan data
dari nilai terkecil hingga terbesar. Jika ada beberapa data yg nilainya sama, tetap dituliskan
sebanyak berapa data yg sama tsb.
96
  Data terendah diberi ranking
 lalu data berikutnya
 Jika ada data yg nilainya sama, maka rumus rangkingnya = posisi/rangking seharusnya
: berapa banyak data yg sama. Lalu seluruh data tsb diberi rangking yg sama.

Merumuskan hipotesis Ho : Tidak terdapat hubungan yg signifikan antara motivasi

berprestasi dengan kinerja karyawan Ha : Terdapat hubungan yg signifikan antara motivasi
berprestasi dengan kinerja karyawan

Ho : r = 0 Ha : r ≠ 0 2) Menentukan statistik uji : korelasi Spearman Arah pengujian hipotesis

: 2 arah (nondireksional) 4) α = 5% (0,05) 25 5) Kaidah pengujian : Ho diterima jika – rtabel
≤ rhitung ≤ + rtabel Ho ditolak jika rhitung rtabel Menentukan statistik hitung Berdasarkan
perhitungan di awal, diketahui r hitung = 0,96 7) Menarik kesimpulan r tabel = 0,648 Berarti
rhitung rtabel , artinya Ho ditolak. Dengan demikian dpt disimpulkan : ada hubungan yg
signifikan antara motivasi berprestasi dgn kinerja karyawan, dgn tingkat kepercayaan 95%.

Jenis jenis korelasi sendiri terbagi menjadi 2 yaitu korelasi positif dan korelasi negatif. Apa
itu korelasi positif dan negatif dalam dunia keuangan? Mari kita simak ulasan mengenai apa
itu korelasi positif dan negatif berikut ini.

Apa Itu Korelasi Positif Dalam Keuangan

, korelasi adalah hubungan dua variabel yang secara bersama-sama bergerak ke arah yang
sama. Dalam dunia statistik, apa itu korelasi adalah positif sempurna memiliki nilai beta +1.0.

Apa itu korelasi? Sebuah korelasi adalah bisa dikatakan korelasi positif apabila ada satu
variabel naik maka variabel yang lain juga ikut naik. Sedangkan, apabila ada satu variabel
yang turun maka variabel yang lain juga ikut turun. Korelasi ini dalam keuangan dapat
dikenali antara permintaan produk dan harga produk.

Sebagai contoh korelasi positif adalah apabila pasar naik, investasi juga ikut naik. Sedangkan,
apabila pasar turun, investasi juga ikut turun yang turut memengaruhi distribusi pendapatan.
Korelasi positif bukan diukur dari kesamaan dalam pengembalian, melainkan diukur dari

97
pergerakkan dari waktu ke waktu. Selain itu, terdapat beberapa contoh korelasi positif yang
bergerak ke arah yang sama, di antaranya adalah sebagai berikut:

Jam kerja seorang karyawan meningkat menyebabkan jumlah gaji yang diterima juga ikut
meningkat

Perusahaan mengeluarkan biaya untuk iklan lebih banyak, dan produk yang dijual oleh
perusahaan juga semakin banyak.

Apa Itu Korelasi Negatif Dalam Keuangan?

Dalam sistem ekonomi, apa itu korelasi negatif atau korelasi terbalik adalah korelasi atau
hubungan dua variabel yang bergerak ke arah yang berlawanan. Berkebalikan dengan korelasi
positif, apa itu korelasi negatif dalam dunia statistik memiliki nilai beta -1.0.

Sedangkan, nilai beta 0 menunjukkan bahwa tidak ada korelasi dari dua variabel tersebut. Dan
berikut adalah beberapa contoh korelasi negatif atau korelasi terbalik dalam dunia keuangan.

Contoh korelasi negatif yang pertama, misalnya ada orang yang intensitas dan jumlah belanja
semakin meningkat. Sehingga, berakibat pada saldo bank menjadi turun.

Contoh korelasi negatif kedua, adalah seorang sopir mengemudikan mobil dengan kecepatan
yang meningkat, berakibat pada turunnya jarak tempuh bahan bakar.

Contoh korelasi negatif selanjutnya, ketika saham naik, pasar obligasi akan menurun,
sedangkan apabila saham turun, pasar obligasi akan berkinerja semakin baik.

Cara Kerja Korelasi Dengan Beta

Analisa korelasi antara variabel dalam pasar saham cukup penting guna menanggulangi
pengembalian dan risiko portofolio dalam bidang keuangan. Dalam dunia statistika, korelasi
antara dua variabel tersebut diwakili dengan beta.

98
Seperti halnya dalam pasar saham, beta mewakili korelasi antara harga saham dan pasar yang
lebih luas dalam bursa saham. Seperti yang dijelaskan diatas, bahwa korelasi positif memiliki
nilai beta +1.0 sedangkan korelasi negatif memiliki nilai beta -1.0.

Saham memiliki korelasi kuat dengan pasar jika nilai beta +1.0. Dimana tidak ada resiko
sistematis jika dalam portofolio saham ditambahkan dengan beta +1.0. Namun, juga tidak
menjamin bahwa portofolio tidak memiliki banyak pengembalian. Secara teoritis, keamanan
kurang stabil apabila beta yang ditambahkan pada portofolio kurang dari 1.0.

Misalnya, saham utilitas yang bergerak lebih lambat daripada rata-rata pasar, biasanya
memiliki keamanan yang kurang stabil dibandingkan pasar apabila dalam portofolio
ditambahkan beta kurang dari 1.0. Sedangkan, apabila beta memiliki nilai lebih dari 1.0,
biasanya keamanan suatu saham akan lebih fluktuatif. Sebagai contoh, beta saham 1.4,
kemungkinan ketidakstabilan saham mencapai 40% dibandingkan pasar. Contoh korelasi
yang biasanya memiliki beta lebih dari 1.0 atau yang lebih tinggi dari benchmark adalah
saham teknologi.

Korelasi positif dan negatif dalam keuangan, terkadang cukup merepotkan dan
membingungkan. Anda merasa kesulitan mengelola dan menyusun laporan keuangan usaha?
Jangan khawatir, serahkan pada ahlinya, Software Akuntansi Online dari Harmony.

Aplikasi Harmony adalah perangkat lunak yang dirancang khusus dengan fitur dan modul
akuntansi lengkap. Dapat menyelesaikan tugas pembukuan dan pengelolaan anggaran secara
otomatis, rapi, dan akurat. Mulai dari penagihan/ invoicing, laporan stok barang, rekonsiliasi
bank otomatis dan banyak lagi.

Macam-macam korelasi positif :

Korelasi positif maksimal atau korelasi positif tertinggi yaitu jika pencaran titik yang terdapat
pada peta korelasi apabila dihubungkan antara satu dengan yang lain, akan membentuk satu
garis lurus yang condong ke arah kanan.

99
Korelasi positif tinggi atau kuat yaitu jika pencaran titik yang terdapat pada peta korelasi
sedikit atau beberapa mulai menjauhi garis lurus, terpencar atau berada di sekitar garis lurus
tersebut dengan kecondongan ke arah kanan.

Korelasi positif rendah atau korelasi positif kecil yaitu jika pencaran titik yang terdapat pada
peta korelasi semakin jauh terpencar atau menyebar menjauhi garis lurus dengan
kecondongan ke arah kanan.

Korelasi Negatif

Korelasi negatif adalah korelasi antara dua variabel atau lebih yang berjalan dengan arah yang
berlawanan, bertentangan maupun sebaliknya. Korelasi negatif terjadi jika antara dua variabel
atau lebih berjalan berlawanan yang berarti jika variabel X mengalami kenaikan maka
variabel Y mengalami penurunan ataupun sebaliknya. Jika variable X mengalami penurunan
maka variable Y mengalami kenaikan.

Contoh korelasi negatif :

Semakin taat pengendara lalu lintas pada peraturan, semakin sedikit tingkat kecelakaan yang
terjadi. Adanya kesadaran dan ketaatan masyarakat dalam berkendara tentunya membuat
mereka lebih tertib dan terhindar dari kecelakaan dalam berkendara.

Macam-macam korelasi negatif :

Korelasi negatif maksimal atau korelasi negatif sempurna yaitu jika pencaran titik yang
terdapat pada peta korelasi apabila dihubungkan antara satu dengan yang lain, akan
membentuk satu garis lurus yang condong ke arah kiri.

Korelasi negatif tinggi atau kuat yaitu jika pencaran titik yang terdapat pada peta korelasi
sedikit atau beberapa mulai menjauhi garis lurus, terpencar atau berada di sekitar garis lurus
tersebut dengan kecondongan ke arah kiri.

Korelasi negatif rendah atau korelasi negatif kecil yaitu jika pencaran titik yang terdapat pada
peta korelasi semakin jauh terpencar atau menyebar menjauhi garis lurus dengan
kecondongan ke arah kiri.

100
Kesimpulan

Dari analisis korelasi yang dilakukan dapat disimpulkan bahwa hubungan

(korelasi) antara antara penayangan iklan di televisi (X) dengan minat beli konsumen (Y)
adalah sebesar 0,770. Dengan nilai korelasi sebesar itu dapat disimpulkan bahwa hubungan
(korelasi) antara penayangan iklan di televisi (X) dengan minat beli konsumen (Y) adalah
kuat dan signifikan. Dan nilai korelasi sebesar 59,30% memberikan pengertian bahwa minat
beli konsumen dipengaruhi oleh variabel penayangan iklan di televisi sebesar 59,30%,
sedangkan sisanya 40,70% merupakan kontribusi variabel lain selain penayangan iklan di
televisi.

Dari analisis korelasi yang dilakukan dapat disimpulkan bahwa hubungan (korelasi) antara
waktu penayangan iklan di televisi (X1) dengan minat beli konsumen (Y) adalah sebesar
0,647. Dengan nilai korelasi sebesar itu dapat disimpulkan bahwa hubungan (korelasi) antara
waktu penayangan iklan di televisi (X1) dengan minat beli konsumen (Y) adalah kuat dan
signifikan. Dan nilai korelasi sebesar 41,83% memberikan pengertian bahwa minat beli
konsumen dipengaruhi oleh sub variabel waktu penayangan iklan di televisi (X1) sebesar
41,83%, sedangkan sisanya 58,17% merupakan kontribusi variabel lain selain aspek waktu
penayangan.

Dari analisis korelasi yang dilakukan dapat disimpulkan bahwa hubungan (korelasi) antara
pesan iklan (X2) dengan minat beli konsumen (Y) adalah sebesar 0,772. Dengan nilai korelasi
sebesar itu dapat disimpulkan bahwa hubungan (korelasi) antara pesan iklan (X2) dengan
minat beli konsumen (Y) adalah kuat dan signifikan. Dan nilai korelasi sebesar 59,64%
memberikan pengertian bahwa minat beli konsumen dipengaruhi oleh sub variabel pesan
iklan (X2) sebesar 59,64%, sedangkan sisanya 40,36% merupakan kontribusi variabel lain
selain aspek pesan.

101
• Dari analisis korelasi yang dilakukan dapat disimpulkan bahwa hubungan (korelasi) antara
gerakan (X3) dengan minat beli konsumen (Y) adalah sebesar 0,647. Dengan nilai korelasi
sebesar itu dapat disimpulkan bahwa hubungan (korelasi) antara gerakan (X3) dengan minat
beli konsumen (Y) adalah kuat dan signifikan. Dan nilai korelasi 41,87% memberikan
pengertian bahwa minat beli konsumen dipengaruhi oleh sub variabel gerakan (X3) sebesar
41,87%, sedangkan sisanya 58,13% merupakan kontribusi variabel lain selain kegiatan aspek
gerakan.

• Dari analisis korelasi yang dilakukan dapat disimpulkan bahwa hubungan (korelasi) antara
visual (X4) dengan minat beli konsumen (Y) adalah sebesar 0,566. Dengan nilai korelasi
sebesar itu dapat disimpulkan bahwa hubungan (korelasi) antara visual (X4) dengan minat
beli konsumen (Y) adalah sedang dan signifikan. Dan nilai korelasi 31,98% memberikan
pengertian bahwa minat beli konsumen dipengaruhi oleh.

sub variabel visual (X4) sebesar 31,98%, sedangkan sisanya 68,02%

merupakan kontribusi variabel lain selain kegiatan aspek visual.

Dari analisis korelasi yang dilakukan dapat disimpulkan bahwa hubungan (korelasi) antara
suara (X5) dengan minat beli konsumen (Y) adalah sebesar 0,633. Dengan nilai korelasi
sebesar itu dapat disimpulkan bahwa hubungan (korelasi) antara suara (X5) dengan minat beli
konsumen (Y) adalah kuat dan signifikan. Dan nilai korelasi 40,13% memberikan pengertian
bahwa minat beli konsumen dipengaruhi oleh sub variabel suara (X5) sebesar 40,13%,
sedangkan sisanya 59,87%

merupakan kontribusi variabel lain selain kegiatan aspek suara.

Dalam rangka meningkatkan minat beli konsumen terhadap produk Fren perlu lebih
meningkatkan penayangan iklan di televisi karena hal ini terbukti mampu meningkatkan

102
minat beli konsumen yang akhirnya dapat mencapai target penjualan dan keuntungan yang
maksimum bagi perusahaan karena peningkatan variabel X sangat mempengaruhi dalam
usaha meningkatkan variabel Y.

Berdasarkan hasil penelitian dan kesimpulan yang telah diuraikan di atas maka dapat
diberikan beberapa saran untuk peneliti selanjutnya yaitu sebagai berikut:

1. Memperluas cakupan subjek penelitian yaitu dengan menambah jumlah responden pada
penelitian yang akan dilakukan ke depannya.

2. Membuat lebih banyak pernyataan dan lebih mengevaluasi pernyataan- pernyataan yang
ada dalam angket agar dapat mewakili secara tepat variabel yang hendak diukur serta
menemukan sub variabel yang tepat sehingga kedua variabel dapat terbukti secara
menyeluruh.

3. Hasil penelitian ini menunjukkan hubungan yang cukup kuat antara motivasi berprestasi
tehadap hasil belajar, sehingga peneliti selanjutnya disarankan untuk mempertimbangkan
variabel lain yang mungkin memiliki hubungan yang kuat antar variabel.

Bagi subjek (remaja), diharapkan untuk meningkatkan kesejahteraan psikologis yang

dimilikinya dengan mengenal dirinya dan menerima segala bentuk kekurang dan kelebihan
yang ada dalam diri. Sehingga remaja dapat mengendalikan diri dan mengetahui hal
bagaimana yang seharusnya dilakukan dan dapat mengatasi permasalahan yang dihadapinya
dengan tidak mengalihkan diri ke hal negatif yang dapat merugikan dirinya sendiri.

Bagi peneliti selanjutnya

a. Koefisien determinasi (𝑅2) dalam penelitian ini sebesar 11,6 % maka

bagi peneliti selanjutnya yang tertarik untuk meneliti mengenai permasalahan yang sejenis,
disarankan untuk memilih faktor lain yang akan lebih memiliki pengaruh dengan variabel
kesejahteraan psikologis dan dapat lebih mengembangkan variabel-variabel lain di luar
variabel yang telah digunakan dalam penelitian ini sehingga dapat melihat sumbangan
masing-masing variabel lain terhadapkesejahteraan psikologis.

103
b. Bagi peneliti selanjutnya, diharapkan untuk meneliti dengan menggunakan subjek dengan
usia yang lebih matang lagi untuk mengukur tingkat kesejahteraan psikologis seperti orang
dewasa. Remaja merupakan masa dimana belum matangnya individu tersebut terutama dalam
hal emosi. Hal ini tentu akan berdampak pada bagaimana cara individu menghadapi situasi
dan kondisi sehingga salat sulit untuk kita mengukur tingkat kesejahteraan psikologisnya.
Namun, jika pemilihan subjeknya adalah usia yang sudah matang (dewasa) mudah bagi kita
untuk mengukur karena orang dewasa sudah syabil dalam pengolahan rasa dan mengahadapi
situasi dan kondisinya.

c. Bagi peneliti selanjutnya diharapkan untuk dapat meneliti dengan menggunakan subjek
yang lebih banyak lagi agar setiap populasi dapat digereralisasikan.

Siska Handayani (21810293)

104
 PETUNUP

7.1 Kesimpulan

Adapun yang dapat di simpulkan berdasarkan pembahasan yang di susun

penulis adalah :

1. Metode statistika adalah prosedur-prosedur yang digunakan dalam pengumpulan,

penyajian, analisis, dan penafsiran data
2. Metode statistika dibagi ke dalam dua kelompok besar yaitu

a. Itatistika deskriptif dan inferensi statistika. Statistika deskriptif merupakan

metode yang berkaitan dengan pengumpulan dan penyajian data sehingga
memberikan informasi yang berguna.

b. Inferensi statistika mencakup semua metode yang berhubungan dengan analisis

sebagian data untuk kemudian sampai pada peramalan atau penarikan
kesimpulan mengenai keseluruhan data

7.2 Saran

Ilmu statistika sangat penting bagi perkembangan dunia saat ini dan banyak sekali
yang ingin mengetahui dan mengimplementasikan ilmu pengetahuian ini, akan tetapi
karena terkesan sulit dan rumit dengan berbagai rumus dan banyaknya data sehingga
enggan mempelajarinya. Sebagai mahasiswa ilmu manajemen memberikan saran agar
lebih memberikan motivasi untuk mempelajari ilmu ststistika

105
 DAFTAR PUSTAKA

9. Pemikiran Godf tied Achenwall pada tahun 1749

10. Buku Statistical Account of Scotland oleh

11. Statistical Account of Scotland oleh William Hooper

12. Bills of Mortality pada tahun 1632 oleh John Graunt.

13. Sir john Sinclair pada abad ke XIV

106