Professional Documents
Culture Documents
Statistika 1
Statistika 1
(Deskriptif)
Statistika 1
(DeskriptiO
STATISTIKA 1 (DESKRIPTIF)
Oleh
: Bambang Kustituanto
Rudy Badrudin
: QX Graphic Design
Daftar lsi
BAB I PENDAHULUAN
1.1
DEFINISI STATISTIKA
1.2
1.3
1.4
-----------------
2.1
PENDAHULUAN
2.2
2.3
2.4
MENYUSUN KUESIONER
10
2.5
PEMILIHAN SAMPEL
12
17
18
19
20
22
---------------------
---
--
2.6
25
3.1
DATA YANGDIURUTKAN
25
3.2
DISTRIBUSI FREKUENSI
26
26
33
35
---------
3.3
3.4
--~--------
-----
35
36
3.3.1
36
HISTOGRAM FREKUENSI
39
39
41
3.4.1
41
-------------------------------
3.4.2 OGIVE
3.5
3.6
---
43
45
45
DIAGRAM BATANG
3.5.2 GARIS
47
48
50
56
4.1
PENDAHULUAN
56
4.2
RATA-RATA HITUNG
56
4.2.1
57
63
MEDIAN
69
4.3
------------
69
72
MODE
74
4.4.1
74
75
4.5
78
4.6
83
4.6.1
83
4.3.1
----
4.4
KUARTIL
85
4.7
RATA-RATA TERTIMBANG
87
4.8
RATA-RATA GEOMETRIK
91
94
5.1
PENDAHULUAN
94
5.2
95
---~------~----
5.2.1 JANGKAUAN
95
5.2.2 INTER-KUARTIL
96
97
5.4
98
98
101
104
5.4.1
104
107
110
111
112
----------------------
5.5.5
--
KOEFISIEN V ARIASI
..
113
----------
115
6.2
6.3
128
6.4
131
6.5
132
KOMODITI
SEJUMLAH KOMODITI)
115
122
134
7.1
134
7.2
138
7.3
154
------~--
7.4
163
7.5
171
7.6
------------
174
181
8.1
181
8.2
184
8.3
8.4
190
8.5
197
8.6
201
204
9.1
204
9.2
206
216
218
9.3
9.4
222
10.1
223
10.2
224
10.3
228
10.4
231
10.5
239
245
11.1
245
11.2
249
11.3
251
11.4
253
11.5
256
11.6
259
11.7
262
11.8
11.9
po
263
267
~--------
269
12.1
KURVAPARABOLA PANGKATDUA
269
12.2
277
-~~---~
-----
12.3
277
I 2.4
283
295
13.1
295
13.2
KORELASI PARSIAL
305
13.3
KORELASI JENJANG
307
310
14.1
PENYAJIAN DATA
310
14.2
3ll
-------~~--~----
14.3
UKURAN VARIABILIT AS
14.4
ANGKA INDEKS
315
~
14.5
.DAFTAR PUSTAKA
LAMPIRAN TABEL
......
__
319
321
Prakata
Sejalan dengan perkemhangan zaman, orang cenderung memilib jalan atau cara yang
efisien untuk memperoleb basil yang maksimal. Demikian pula balnya dengan orang yang
sedang mempelajari materi Statistika Deskriptif, ingin memahami konsep dengan cara yang
mudah dan cepat dan mendapatkan basil yang maksimal. Atas dasar pemikiran tersehut
penulis menyusun buku materi Statistika Deskriptif ini dengan urutan: Konsep, Berbagai tipe
soal terkait yang disertai uraian penyelesaian, dan berbagai tipe soal terkait yang digunakan
sebagai bahan evaluasi.
Buku Statistika Deskriptif ini merupakan salab satu dari Serangkaian seri diktat kuliah
yang diterbitkan oleh Penerbit Gunadarma, yang ditujukan terutama bagi mahasiswa yang
sedang menempub mata ~uliab Statistika Deskriptif.
Penulis membagi isi buku ini ke dalam 14 Bah. Bah 1 sampai bab 13 menguraikan
tentang isi materi Statistika Deskriptif, dan pada hab terakbir (Bah 14) disajikan herbagai
bentuk soallatihan. Materi yang dihabas dalam Bah 1 sampai dengan Bab 13 adalah materi
yang berkenaan dengan konsep dasar ilmu Statistika Deskriptif.
Penulis dapat menyelesaikan penyusunan huku ini atas araban dan dorongan dari
banyak sahabat. Untuk itu penulis menyampaikan rasa terima kasib yang sehesar-besarnya.
Kepada Penerhit Gunadarma yang telah bersedia menerbitkan huku ini kami sampaikan
terima kasib pula.
Untuk menjadikan huku ini lehib haik, saran dari pemhaca dan atau pemakai akan
penulis terima dengan senang bati. Walaupun ada kekurangan-kekurangan, penulis berharap
semoga huku ini hermanfaat.
Terima kasib atas kesediaan membaca dan atau menggunakan huku ini.
Pebruari 1994
Penulis
Bambang Kustiatuanto
Rudy Badrudin
Bab I Pendahuluan
a.
b.
c.
Sebagai sesuatu yang berkenaan dengan data numerikal, sebenarnya statistika sudah
banyak digunakan oleh banyak negara, misalnya untuk mendaftar jumlah penduduk,
perpajakan, pencatatan personel militer, dan lain sebagainya.
Dengan semakin berkembangnya jaman, dewasa ini penggunaan statistika sudah semakin
meluas di berbagai bidang kegiatan. Statistika tidak lagi hanya digunakan untuk kepentingan
pemerintahan saja melainkan meluas sampai pada bidang bisnis, ekonomi, kedokteran,
pendidikan, c!an lain sebagainya.
Di dunia bisnis dan ekonorni, masalah ketidakpastian merupakan masalah yang senantiasa
dihadapi oleh para pelaku bisnis dan ekonomi, seperti; memilih satu atau sejumlah saham
yang ditawarkan di bursa saham; memprediksi volume dan nilai penjualan untuk periode
yang akan datang; menilai kelayakan suatu usulan investasi dan lain sebagainya. Berikut ini
disajikan dua contoh tentang penggunaan statistika di bidang bisnis dan ekonomi.
Contoh 1:
Sampai akhir dekade sembilanpuluhan, perkembangan pasar modal di Indonesia sudah
dernikian pesatnya. Perusahaan-perusahaan yang go public sudah dernikian banyaknya.
Sampai bulan Juli 1993, jumlah perusahaan yang telah go public sudah mencapai 204
perusahaan dengan jumlah dana Rpl6.765.913 juta, terbagi atas saham (168 perusahaan
dengan nilai RpRp11.854.162 juta) dan obligasi (36 perusahaan dengan nilai Rp4.911.751
juta). Hampir setiap edisi, beberapa media cetak utama mempublikasikan prospektus sebuah
perusahaan yang go public. Pempublikasiannya, seringkali disertai dengan informasiinformasi numerikal tentang perusahaan bersangkutan, misalnya, pangsa pasar yang
dikuasainya, perkembangan volume dan nilai penjualan, perkembangan kapasitas produksi,
prospek nilai penjualan di masa yang akan datang, dan lain sebagainya. Dalam hal ini, calon
investor hams pandai-pandai menganalisis informasi yang disajikan dalam prospektus
tersebut. Tidak cukup hanya dengan informasi yang tersedia saja, calon investor pun harus
dapat menggali informasi lain yang tidak disediak~n oleh prospektus tersebut.
Contoh 2:
Sudah selayaknya bahwa setiap perusahaan hams dapat menyusun anggarannya untuk
setiap tahunnya, kendati dalam praktik masih banyak perusahaan-perusahaan yang belum
membuat anggarannya. Menyusun anggaran sebenarnya berarti menetapkan sesuatu yang
belum terjadi. Berapa volume dan nilai penjualan untuk periode yang akan datang; berapa
volume produksi untuk periode yang akan datang; berapa rupiah yang hams dikeluarkan
untuk pembelian bahan baku, membayar tenaga kerja, biaya overhead pabrik, merupakan
pertanyaan-pertanyaan yang hams dapat dijawab dalam bentukanggaran. Pimpinan perusahaan
tidak dapat begitu saja dalam menjawab pertanyaan di atas. Misalnya, menetapkan volume
penjualan, pimpinan perusahaan harus mengkaitkannya dengan pola penjualan periodeperiode yang lalu; mengkaitkannya dengan kekuatan pesaing; mengkaitkan dengan
perkembangan permintaan; mengkaitkan berbagai faktor yang dapat mempengamhi volume
penjualan baik secara langsung maupun tidak. Di sini, statistika dapat digunakan untuk
2
Statistika dibedakan menjadi dua bagian, yaitu statistika deskriptip dan statistika
inferensial.
Statistika deskriptip adalah serangkaian teknik yang meliputi teknik pengumpulan,
penyajian, dan peringkasan data.
Contoh 3:
Jumlah karyawan PT Balapan Indah yang bekerja pada departemen produksi hingga
akhir tahun 1989 berjumlah 200 orang. Untuk mengetahui tingkat ketidakhadiran karyawan
selama satu tahun, pimpinan dapat melihat daftar karyawan yang tidak hadir yang disediakan
oleh departemen personalia. Petikan daftar tersebut, misalnya, adalah sebagai berikut:
Tabell.1
Daftar Karyawan yang Tidak Hadir pada
Departemen Produksi PT Balapan Indah Tahun 1993
~o.
~ama
001
002
Kanto Rusman
Ipung Rahmatindo
Landung Sugiri
Baldig Miswanto
003
004
I
I
199
200
I
I
Danto Retnopo
Sri Patmowita
20hari
15 hari
12 bari
10 hari
I
I
12 hari
30 bari
Tidak mustahil bahwa pimpinan akan menjumpai kesulitan dalam membaca tabel 1.1 di
atas. Apalagi jika ia ingin mengetahui apakah terdapat penurunan tingkat ketidaldiadiran
pada tahun 1988. Data yang disajikan seperti pada tabel 1.1 di atas barns disajikan dalam
bentuk yang lebih ringkas dan informatif seperti tabel-tabel ringkasan, diagram-diagram,
atau disajikan dalam ukuran-ukuran tertentu (akan dijelaskan nanti pada bab 3 dan 4).
Teknik-teknik demikian ini akan banyak dibahas dalam statistika deskriptip.
Statistika inferensial adalah serangkaian teknik yang digunakan untuk mengkaji,
menaksir dan mengambil kesimpulan sebagian data (data sampel) yang dipilih
secara acak dari seluruh data yang menjadi subyek kajian (populasi).
3
'
'
........
'
"''
Contoh 4
Selama ini, PT Mataram Kencana senantiasa menggunakan jasa Fa. Asia Ray a untuk
mengirim produk-produk yang dihasilkannya. Beberapa waktu yang lalu, bagian pengiriman
PT Mataram Kencana mendapat tawaran kerjasama dari sebuah perusahaan pengiriman,
Fa. Asia Raya. Pimpinan Fa. Asia Raya menjanjikan bahwa tingkat kerusakan yang
mungkin terjadi hanya sebesar 5% atau kurang. Dari pengiriman percobaan sebanyak 25%
dari seluruh barang yang dikirim, temyata tingkat kerusakan yang terjadi sebanyak 6%.
Tidakjarang bahwa suatu kesimpulan yang menyangkut suatu keadaan sejumlah subyek
harus dibuat hanya mendasarkan pada informasi yang dimiliki sebagian dari seluruh subyek
yang menjadi kajian. Dari contoh di atas, pimpinan PT Mataram Kencana harus dapat
membuat keputusan- menerima tawaran itu atau tidak- hanya dengan berlandaskan pada
informasi sejumlah kecil barang yang dikirim.
Dalam hal ini, pimpinan perusahaan dapat menggunakan teknik-teknik inferensial.
Proses inferensi tersebut dapat digambarkan melalui hubungan antara populasi dan sampel
pada gambar 1 pada seksi berikut ini.
1.4 POPULASI DAN SAMPEL
Dua istilah, populasi dan sampel, merupakan istilah yang harus difahami benar-benar
dalam mempelajari statistika. Keduanya dapat didefinisikan sebagai berikut:
._____________
proses inferensi
8 ---1----___.8
Gambar 1
bulan Desember untuk mengisi sebuah daftar yang memuat beberapa pertanyaan. Selanjutnya,
basil akan digunakan untuk menaksir tanggapan seluruh pelanggannya.
Dalam contoh di atas, populasinya adalah seluruh pelanggan yang berkunjung selama
minggu terakhir bulan Desember. Sedangkan sampelnya adalah kelimapuluh pelanggan
yang menerima daftar pertanyaan.
Yang menjadikan pertanyaan adalah, mengapa pimpinan supermarket hanya meminta
kelimapuluh pelanggan untuk mengisi daftar pertanyaan? Mengapa tidak seluruh pelanggan
yang diminta untuk mengisi daftar pertanyaan tersebut? Bukankah akan lebih baik jika
informasi yang digali itu berasal dari seluruh pelanggan? Beberapa alasan mengapa
seseorang menggunakan sampel dibanding dengan menggunakan seluruh sumber informasi
adalah sebagai berikut:
a. Sebagai lawan dari penghimpunan data melalui sampel adalah penghimpunan data
melalui sensus. Biaya penyelenggaraan sensus sangat besardan mahal tentunya. Dengan
menggunakan sampel, biaya-biaya yang terjadi dapat dihemat menjadijauh lebih kecil.
b. Penghimpunan data melalui sensus membutuhkan waktu yang cukup lama. Pekerjaan
sensus tidak dapat diselesaikan dalam waktu satu atau dua minggu, baik mulai dari
persiapan penghimpunan data hingga pengolahan dan analisisnya. Karena sampel
memiliki ukuran yangjauh lebih kecil, maka tentu saja waktu yang dikonsumsi punjauh
lebih sedikit.
c. Dalam sensus, karena sumber informasinya demikian banyak, tentu saja tenaga yang
dibutuhkannya pun banyak pula. Dengan menggunakan sampel, tentu saja tenaga yang
dibutuhkan menjadi jauh lebih sedikit.
d. Pengujian yang sifatnya merusak, penggunaan sampel dapat dikatakan merupakan suatu
keharusan. Sebagai contoh, untuk menguji usia pakai 1.000 buah bola lampu, seseorang
jelas tidak mungkin menguji seluruh bola lampu. Pengujian harus dilakukan hanya
terhadap sebagian (sampel) bola lampu saja.
Adakalanya, penghimpunan data memang harus dilakukan terhadap seluruh obyek
(populasi). Berapa jumlah penduduk sampai tanggal 31 Desember 1993? Jelas bahwa
pertanyaan ini tidak dapat dijawab dengan menggunakan sampel. Da1am hal ini, pemerintah
memang harus melakukan sensus. Informasi yang diperoleh jelas tidak sekedar jumlah
penduduk saja, namun lebih dari itu, misalnya, status perkawinan, usia, pendidikan, pekerjaan,
dan lain sebagainya.
Dua istilah lainnya sehubungan dengan populasi dan sampel adalah parameter dan
statistik. Keduanya dapat didefinisikan sebagai berikut:
'.
' '
Contoh 6
Lihat contoh 5 di atas. Dari sekian pertanyaan yang diajukan adalah pertanyaan tentang
nilai pembelian yang mereka keluarkan. Setelah dihitung, ternyata rata-rata nilai pembelian
yang mereka keluarkan adalah Rp26.500,00.
Rata-rata nilai pembelian yang dihitung dari kelimapuluh pelanggan tersebut adalah
salah satu contoh statistik sampel. Selanjutnya, masalah ini akan dibahas secara rinci pada
bab 4 dan 5 nanti.
Contoh 7
Lihat contoh 6 di atas. Dari hasil perhitungan rata-rata nilai pembelian tersebut, pimpinan
supermarket menaksir bahwa rata-rata nilai pembelian seluruh pelanggan yang berbelanja
selama minggu terakhir bulan Desember adalah sekitar Rp26.500,00 ( Rp26.500,00).
Taksiran rata-rata nilai pembelian sebesar Rp26.500,00 itulah yang disebut parameter
populasi.
2.1 PENDAHULUAN
Bagi seorang pembuat kue atau penganan, kualitas kue sangat ditentukan _ tentu saja
termasuk cara memasaknya _ oleh kualitas bahan baku yang dipakai. Jika kualitas tepung
beras yang dipakai tergolong jelek, tentu saja kue apem yang dihasilkan misalnya, akan
berasa asam.
Tidak berbeda dengan seorang statistisi, ia juga membutuhkan bahan baku yang baik
agar produk akhimya dapat dimanfaatkan dengan baik. Pada bab sebelumnya dikemukakan
bahwa statistika merupakan alat bantu yang baik sekali untuk mengambil keputusan. Maka,
sangatlah fatal akibatnya jika dasar pengambilan keputusannya sendiri memiliki kualitas
yangjelek.
Data merupakan kumpulan fakta atau angka atau segala sesuatu yang dapat
dipercaya kebenarannya sehingga dapat digunakan sebagai dasar menarik suatu
kesimpulan.
Data dapat dijumpai di berbagai tempat. Dari surat kabar yang terbit setiap hari, akan
dijumpai berbagai informasi mengenai harga sekuritas, komoditas dagangan, kurs mata uang
asing, tingkat inflasi yang melanda suatu negara, dan lain sebagainya.
Contoh 1
Berikut contoh petikan publikasi harga beberapa saham perusahaan yang dikutip (telah
diolah) dari harlan Jawa Post tanggal 7 April 1990
Tabel2.1
'\.1111.1 Ptrusah.l.lll
I. : Semen Cibinong
2. ; Centex
h..nnis
2'!/J
.lumat
JU/J
Senin
2/.t
Sda . . a
J/.t
17.QOO
73.8oo
17.000
73.800
16.600
73.800
16.400
73.800
R.du1
.ti-t
\ olunH
S,d1.1111
IJ.ms.tl..sl
I'
I IIUU I
Contoh 2
Dari tabel 2.2 berikut dapat dilihat serangkaian informasi tentang usia, jenis kelaimin,
pendapatan rata-rata per bulan, pengeluaran rata-rata per bulan, danjumlah anggota keluarga
yang menjadi tanggungannya dari enam tenaga pengajar sebuah perguruan tinggi swasta di
Yogyakarta.
Tabel2.2
Data Usia, Jenis Kelamin, Pendapatan dan Pengeluaran Rata-rata per Bulan, dan
Jumlah Anggota Keluarga yang Menjadi Tanggungannya dari 6 Tenaga Pengajar
Sebuah Perguruan Tinggi Swasta di Yogyakarta
Variabel
I
'\am a
l sia
.knis
Kl'lamin
Ptmlapalan
Pcngduanm
29
Handokn
'Dewi
Jol<.o
28
48
L
p
L
450.000
450.000
800.000
150.000
400.000
700.000
Doni
29
200.000
160.000
30
30
p
L
850.000
450.QOO
400.000
300.000
Beti
-Bambq
Elemen/unsur
\nggola
Kl'luarga
6
8
11
3
~
-"'c::
"'
Observasi
rata per bulan. Sebagai karakteristik, variabel ini memberikan penjelasan terhadap elemenelemen tertentu.
Kasus
Kasus adalah informasi yang menyangkut seluruh variabel suatu elemen tertentu. Dari
tabel 2.2 di atas, kasus ditunjukkan pada masing-masing baris. Kasus disebut juga sebagai
vektor observasi. Dengan demikian, jumlah kasus akan sama dengan jumlah elemen _
dalam contoh di atas sebanyak enam kasus.
Observasi
Observasi sering pula disebut sebagai hasil (baca tentang teori probabilitas), yaitu suatu
unsur dari serangkaian variabel tertentu. Dalam tabel di atas, usia Joko (48 tahun) merupakan
observasi atau hasiL
2.3 MENGHIMPUN DATA MELALUI PENELITIAN SURVEI
Contoh data kontinyu dari tabel2.2 di atas adalah: usia, rata-rata pendapatan per bulan,
dan rata-rata tingkat pengeluaran perbulan. Seperti halnya di atas, apakah suatu variabel
tergolong kontinyu atau bukan, dapat diajukan pertanyaan, apakah nilai data dimaksud
dimungkinkan dalam bentuk bilangan pecahan? Jika ya, makajelaslah bahwa data tersebut
dapat digolongkan dalam variabel kontinyu.
Pembahasan data diskrit dan kontinyu akan dibahas lebih mendalam nanti pacta bab
distribusi probabilitas pada buku yang lain.
Perbedaan data di atas dapat diikhtisarkan melalui bagan berikut ini:
TIPEDATA
TIPEPERTANYAAN
TANGGAPAN
Kualitatip
Jenis kelamin
(L) I (P)
Diskrit
Orang
Kuantitatip
Kontinyu - Rata~rata pengeluaran per bulan
setahun terakhir:
Rp
Gambar 2.1
Tipe-tipe data
2.3.2 Skala Pengukuran
Dari berbagai tipe data yang dikumpulkan, tingkat pengukuran dan tipe pengukurannya pun berbeda pula. Demikian pula untuk data diskrit, kendati data tipe ini timbul dari
proses penghitungan, dapat juga dikatakan bahwa data diskrit timbul dari pengukuran
melalui proses penghitungan.
Ada empat tingkat pengukuran data- mulai dari yang paling lemah hingga yang paling
kuat- yaitu: nominal, ordinal, interval, dan rasio.
a.
Data kualitatip yang dihimpun dapat diukur dengan menggunakan skala pengukuran
nominal dan ordinal. Jika data yang dihimpun dapat dibedakan menjadi beberapa kategori
tanpa memperhatikan urutan tertentu, maka tingkat pengukuran yang dapat digunakan
adalah tingkat pengukuran nominal.
Di sisi lain, jika data yang dikumpulkan dapat dibedakan menjadi beberapa kategoti
yang berbeda dengan memperhatikan urutan, maka tingkat pengukuran yang dapat
digunakan adalah tingkat pengukuran ordinal. Pemberian angka pada masing-masing
10
l
kategori dapat memberikan gambaran tentang urutan masing-masing kategori. Untuk
kedua tingkat pengukuran tersebut, perhatikan dua contoh kuesioner kecil pada contoh
3 dan contoh 4.
Pengelompokan data jenis sabun yang digunakan (contoh 3) tidak memperhatikan
urutan tertentu, misalnya kualitas sabun. Peletakan sabun cuci batang pada urutan pertama
bukan berarti bahwa sabun cuci batangan memiliki kualitas tertinggi daripada jenis sabun
cuci yang lainnya. Demikian pula tempat pembelian sabun cuci. Peletakan supermarket pada
urutan pertama bukan berarti bahwa berbelanja di supermarket lebih baik daripada berbelanja
di tempat-tempat yang lain. Data yang berhasil dikumpulkan, pengukurannya dilakukan
dengan menggunakan skala nominal.
Jika data tersebut diberi angka-angka, maka angka-angka tersebut tidak bermanfaat
dalam analisis. Angka-angka tersebut sekedar berfungsi sebagai label saja.
11
Berbeda dengan contoh 4. Data yang berhasil dikumpulkan memiliki urutan tertentu.
Misalnya tentang tanggapan pengunjung supermarket tersebut tentang pelayanan yang
diberikan. Pengelompokan data yang berhasil dikumpulkan terlihat sekali memiliki urutan
tertentu. Jika pelayanan yang sangat tidak memuaskan diberi nilai 1, maka kelompok
berikutnya dapat diberi nilai yang lebih tinggi yaitu: tidak memuaskan = 2; netral = 3;
memuaskan =4; dan sangat memuaskan =5. Berbeda dengan skala nominal, angka-angka
yang diberikan pada masing-masing kategori memiliki manfaat tersendiri dalam analisis data
selanjutnya. Kendati demikian, pemberian angka pada masing-masing kategori tersebut
tidak mencerminkan adanya jarak an tar kategori. Angka 5 dan 4 memiliki jarak atau interval
yang sama dengan angka 2 dan 1. Akan tetapi, ini bukan berarti bahwa antara "sangat
memuaskan" dan "memuaskan" merniliki perbedaan tingkat yang sama dengan "tidak
memuaskan" dan "sangat tidak memuaskan". Perbedaan demikian ini tidak dapat dijelaskan.
a.
12
ldentifikasi data
Secara khusus, identifikasi data menempati pada bagian pertama dari sebuah kuesioner
yang terdiri dari identas responden (nama, alamat, dan sebagainya). Dapat juga
ditambahkan waktu wawancara, nama pewawancara. dan kode pewawancara.
b.
Permohonan kerjasama
Jelas kiranya bahwa dengan adanya suatu pertanyaan permohonan kerja sama ini,
pewawancara mengharapkan adanya kerjasama untuk pengumpulan data. Dalam
bagian ini disebutkan identitas pewawancara (jika tidak disebutkan pada bagian
pertama), organisasi asal pewawancara atau lembaga yang menyelenggarakan wawancara,
maksud dan tujuan wawancara, dan waktu yang dibutuhkan dalam wawancara.
c.
Petunjuk pengisian
Bagian ini memuat petunjuk penggunaan atau pengisian kuesioner baik untuk responden maupun pewawancara. Bagian ini muncul jika kuesioner disampaikan dengan
menggunakan jasa pos.
d.
Inti kuesioner
Bagian ini meliputi berbagai pertanyaan yang diajukan kepada responden yang berkenaan
dengan segala informasi atau data yang dibutuhkan.
Klasifikasi data
Dari bagian ini, data yang berhasil dihimpun dapat diklasifikasikan menjadi beberapa
bagian. Bagian ini lebih menunjukkan karakteristik responden. Untuk kuesioner yang
disampaikan melalui pos, bagian ini secara langsung diisi oleh responden sendiri.
Sedangkan untuk wawancara langsung maupun melalui telepon, dilakukan oleh
pewawancara dengan mengajukan pertanyaan. Kadang-kadang, klasifikasi data dimuat
pada bagian pertama dari sebuah kuesioner.
e.
a.
Persiapan
Hal-hal yang harus dikerjakan dalam tahap persiapan penyusunan sebuah kuesioner
adalah penetapan tujuan penelitian dan informasi-informasi apa saja yang dibutuhkan.
b.
Contoh 5
Pilihlah salah satu dari dua pertanyaan berikut dengan menjawab "ya" atau ''tidak''.
Lontarkan sekeping uang logam Rp 100,00. Jika yang muncul adalah angka 100, pilihlah
pertanyaan A dan jika yang muncul adalah gambar rumah, maka pilihlah pertanyaan B.
A. Apakah toko yang saudara kelola menggunakan jasa pinjaman dari Bank Niaga
14
Jawaban yang manapun yang dipilih, ya atau tidak, pewawancara tidak akan mengetahui
pertanyaan mana yarig dijawab oleh responden. Untuk mengetahuinya, dapat digunakan
teori probabilitas dengan rumus:
Misalnya, responden menjawab "ya", maka:
P(Y I PP) =
Y : jawaban "ya"
PP : pertanyaan peka
PTP: pertanyaan tidak peka
Untuk lebihjelasnya, pelajari bab teori probabilitas pada bagian probabilitas bersyarat.
c.
Pertanyaan terbuka:
Terhadap pertanyaan yang terbuka ini, responden diminta memberikan tanggapan
secara bebas.
Contoh 6
Apa tanggapan saudara terhadap pelayanan yang diberikan oleh Bank Niaga
selama saudara menjadi nasabahnya?
Untuk bentuk pertanyaan seperti tersebut di atas, responden tentu saja disediakan
suatu ruangan pada lembar tanggapan untuk mengisikan tanggapannya.
Pertanyaan tertutup
Bentuk pertanyaan tertutup ini, untuk responden telah disediakan beberapajawaban
dan responden diminta memilih jawaban yang dikehendaki. Sebagai contoh, lihat
pada contoh 3 dan contoh 4 di atas.
Pertanyaan campuran
Bentuk pertanyaan ini merupakan gabungan antara bentuk terbuka dan bentuk
tertutup.
Contoh 7
Untuk kebutuhan sabun mandi, saudara membelinya:
Sebulan sekali
a.
(_)
Seminggu sekali
b.
(_)
Jika membutuhkan saja
c.
(_)
Cara lain sebutkan d.
e.
f.
15
Pertanyaan dikotomi
Bentuk ini tidak berbeda dengan bentuk pertanyaan tertutup. Di sini responden telah
disediakan jawaban yang mereka butuhkan. Hanya saja, jawaban yang disediakan
hanya dua seperti: "ya" atau "tidak"; "tahu" atau "tidak tahu"; "mengerjakan" atau
"tidak mengerjakan" dan lain sebagainya. Kadang-kadang dikombinasikan dengan
pilihan lain. Pilihan ini disediakan untuk responden yang tidak menjumpai jawaban
yang mereka butuhkan seperti "tidak tahu" dan sebagainya.
d.
Penyusunan kalimat
Ada beberapa petunjuk pokok yang dapat digunakan dalam menyusun kalimat yang
digunakan dalam sebuah kuesioner, yaitu:
e.
Pengurutan pertanyaan
Jika penyusunan kalimat telah dilakukan, tahap berikutnya adalah menetapkan urutan
pertanyaan. Beberapa hal yang harus diperhatikan adalah:
Menggunakan pertanyaan pembuka yang sederhana dan menarik.
Dahului dengan pertanyaan-pertanyaan yi,lng umum sifatnya.
Letakkan pertanyaan yang sulit dan kurang menarik pada urutan terakhir.
Susunlah kalimat-kalimat dengan urut-urutan yang logik.
f.
16
Pada bab sebelumnya telah dijelaskan bahwa dalam melakukan penelitian, seseorang
peneliti tidak perlu melakukan penelitian terhadap seluruh subyek penelitian. Untuk:mengetahui
apakah produk yang baru dikenalkan sukses atau tidak, perusahaan tidak perlu menghimpun
data dari seluruh toko (populasi) yang menjual produk tersebut. Perusahaan cukup
menghubungi sebagian dari seluruh toko yang menjualnya (sampel).
Beberapa konsep penting yang berkenaan dengan pemilihan sampel adalah: elemen atau
unsur (lihat sub bab 2.2 ); populasi (libat sub bab 1.4); unit-unit sampling; kerangka sampling;
dan populasi kajian. Dua konsep pertama telah dijelaskan sebelumnya. Di bawah ini akan
dijelaskan konsep-konsep berikutnya.
a.
Unit sampling
Unit sampling adalah suatu elemen atau elemen-elemen atau unsur yang tersedia untuk
dipilih menjadi anggota sampel melalui beberapa tahap proses sampling. Dalam hal
sampling sederhana -sampling dalam satu tahap - elemen-elemen sama dengan
sampling unit.
Contoh 8
Sebagian besar keputusan pembelian mobil sedan bersilinder kecil dilakukan oleb
kalangan ibu. Sebuah perusahaan yang bergerak di bidang perakitan mobil ingin
mengetahui tanggapan para ibu ten tang model mobil keluaran terakhir. Melalui sebuah
wawancara, sejumlah ibu rumahtangga dimintai pendapatnya tentang mode] mobil
tersebut.
Contoh 8 tersebut merupakan contoh yang menunjukkan bahwa elemen-elemen sama
dengan unit samplingnya. Elemen-elemen atau unsur populasinya adalah para ibu.
Sedangkan unit sampling-nya adalah sejumlah ibu rumahtangga. Ada kemungkinan
bahwa antara elemen dan unit sampling-nya berbeda. Hal ini jika proses sampling
dilakukan dalan beberapa tahap. Elemen dan unit sampling akan samajika telah sampai
pada tahap terakhir.
Contoh 9
Lihat contoh 8. Tentunya, tidak seluruh ibu rumahtangga dapat melakukan pembuatan
keputusan pembelian mobil sedan bersilinder kecil. lbu-ibu yang dapat mengambil
17
keputusan seperti tersebut di atas tentunya dari keluarga yang mampu membeli mobil
sedan, baik secara tunai maupun kredit, rnisalnya keluarga yang berpenghasilan
Rp700.000,00 ke atas per bulan.
b.
Kerangka sampling
Kerangka sampling adalah sebuah daftar yang memuat seluruh unit sampling pada suatu
tahap proses sampling. Kerangka sampling dapat berupa, misalnya, daftar mahasiswa
yang terdaftar dalam semester tertentu; daftar nama yang ada dalam buku telepon; daftar
tenaga kerja yang ada di sebuah kantor tenaga kerja, dan lain sebagainya.
Contoh 10
: Laki-laki berusia 50 tahun atau lebih.
Elemenlunsur
: Tahap 1 : Kota berpenduduk 500.000 jiwa atau lebih
Unit sampling
Tahap 2: RT-RT yang adadalam kota tersebut.
Tahap 3 : Rumahtangga-rumahtangga.
Tahap 4 : Laki-laki berusia 50 tahun atau lebih.
Dari contoh tersebut maka tahap 1, kerangka sampling-nya adalah daftar yang memuat
kota-kota yang berpenduduk 500.000 jiwa atau lebih. Tahap 2, kerangk.a sampling-nya
adalah daftar Rukun Tetangga (RT) yang ada dalam kota-kota yang terpilih. Tahap 3,
kerangka sampling-nya adalah daftar rumah tangga pada RT-RT dan kota-kota yang
terpilih, dan tahap 4, kerangka sampling-nya adalah daftar yang memuat laki-laki yang
berusia 50 tahun atau lebih pada rumahtangga-rumah tangga yang terpilih.
c.
Populasi kajian
Pada bab sebelumnya, populasi didefinisikan sebagai keseluruhan obyek yang ingin
diketahui gambarannya (karakteristiknya). Dalam praktik, kadang-kadang muncul
kesulitan-kesulitan karena beragamnya populasi. Populasi manakah yang akan
ditentukan yang dari populasi tersebut akan ditarik suatu sampel. Misalnya, tentang
keanggotaan suatu organisasi. Beberapa anggota tidak terdaftar alamatnya. Maka, dari
manakah sampel akan diambil selanjutnya? Pada contoh 9 di atas, proses sampling
bertahap. Pertama dipilih keluarga yang berpenghasilan Rp700.000,00 ke atas per
bulan. Setelah itu barn ditentukan sejumlah ibu rumahtangga yang akan dimintai
pendapatnya.
Populasi kajian adalah keseluruhan obyek yang ingin diketahui gambarannya
yang dari populasi tersebut sampel secara nyata akan diambil.
18
Penentuan populasi yang meliputi penentuan elemen, unit sampling, dan dimensi waktu.
Identifikasi kerangka sampling, yang dari kerangka sampling tersebut sampel akan
ditarik.
Memutuskan ukuran sampel, yaitu berapa banyak elemen yang dipilih untuk menjadi
anggota sampel yang dipilih.
d.
f.
Proscdur
,"J'ampling non-probabilita.,
1.
2.
3.
Convenience sample
Judgment sampling
Quota sampling
Samplin~
."ialllfJiing probahilita\
1.
2.
3.
Gambar2.4
Prosedur Sampling
2.5.3 Sampling Non-Probabilitas
Convenience sampling.
Sampel konvenien, sesuai dengan namanya, diambil berdasarkan kesukaan peneliti,
misalnya dengan menghadang pengunjung yang barn keluar dari sebuah supermarket dan
mewawancarainya tentang sesuatu. Teknik ini mudah diselenggarakan dan ini sering
digunakan untuk penelitian yang bersifat eksplorasi.
19
'"
"'"'' .. '
''
Judgment sampling.
Sampeljudgment atau kebijaksanaan diambil berdasarkan pendapat para ahli. Memang
hampirmirip dengan convenience sampling, pemilihan elemen yang dipilih sangat tergantung
pada peneliti. Hanya saja padajudgment sampling proses pemilihan masih mempertimbangkan
hal-hal tertentu.
Quota sampling.
Proses ini merupakan bentuk khusus dari proses bentuk "kebijaksanaan". Pada proses ini
peneliti melakukan pengendalian terhadap beberapa karakteristik yang dimiliki elemen
populasi. Misalnya, untukresponden, peneliti menetapkan setengah dari ukuran sampel yang
ditetapkan berusia di atas 30 tahun dan selebihnya berusia 30 tahun atau kurang. Di sini usia
merupakan karakteristik yang dikendalikan.
2.5 .4 Sampling Probabilitas
Seperti dijelaskan di atas bahwa masing-masing elemen populasi diketahui memiliki
kesempatan menjadi elemen sampel yang akan dibuat - walaupun kesempatan yang
dimiliki masing-masing elemen dapat tidak sama.
Contoh 11
Sebuah populasi memiliki elemen sebanyak 5: A, B, C, D, dan E. Sebuah sampel diambil
dari elemen-elemen populasi tersebut dengan ukuran sebanyak 3 elemen. Berbagai
kemungkinan sampel yang dapat dipilih adalah sebagai berikut:
Ukuran populasi: 5
> A, B, C, D, E.
Ukuran sampel: 3 dengan berbagai kemungkinan:
Tabel2.3
Sampel
'1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
20
Susunan
ABC
ABD
ABE
ACD
ACE
ADE
BCD
BCE
BDE
CDE
Tabel2.4
Eknwn
Kt.sempatan
Sum(ll'l
A
B
6kali
6 kali
6kali
6kali
6kali
1, 2, 3. 4. 5, 6.
c
D
l, 2, 3, 7, 8, 9.
I, 4, 5, 7, 8, 10.
2, 4, 6, 7, 9, 10.
3, 5, 6. 8, 9, 10.
Stratified sampling.
Jika pada simple random sampling proses sampling dilakukan dalam satu tahap, maka
dalam stratified sampling proses sampling dilakukan dalam beberapa tahap atau tingkat.
Pada teknik ini, proses dibagi menjadi dua tingkat, yaitu:
a.
b.
Membagi seluruh elemen populasi menjadi beberapa kelompok atau strata, dengan
memperhatikan aturan tertentu. Misalnya, populasi dikelompokkan berdasarkan jenis
kelamin, laki-laki dan perempuan, dibagi menjadi beberapa kelompok menurut usia dan
lainnya. Masing-masing kelompok tersebut satu dengan lainnya saling asing, sehingga
suatu elemen dari suatu kelompok tidak dapat menjadi elemen kelompok yang lain.
Untuk masing-masing strata, dilakukan pemilihan sampel dengan tekniksimple random
sampling.
Cluster sampling.
Hampir sama dengan stratified sampling, pada cluster sampling, populasi dibagi
menjadi beberapa kelompok. Hanya saja, dalam cluster sampling, pembagian menjadi
beberapa kelompok tersebut dilakukan dengan cara acak. Selanjutnya, dari masing-masing
kelompok dipilih elen ..,u-elemen populasi untuk dijadikan elemen-elemen sampel dengan
cara simple random sampling.
Sistematic sampling.
Pada teknik ini, elemen-elemen yang akan dijadikan elemen-elemen sampel dipilih
dengan memilih elemen-elemen pada urutan tertentu yang tersedia pada suatu kerangka
sampling, setelah titik awal urutan telah ditetapkan. Antara elemen satu yang terpilih
dengan elemen lain yang terpilih memiliki interval urutan yang sama.
21
Contoh 12
Sebuah populasi memiliki ukuran (N) sebesar 100. Dari populasi tersebut diambil
sampel berukuran (n) 10. Misalnya, titik awal urutan ditetapkan pada elemen ke-3. Urutan
elemen berikutnya dapat ditentukan dengan menentukan interval urutan yaitu membagi
urutan populasi dengan ukuran sampelnya.
Interval urutan = 100/10
Interval urutan 10
Area sampling.
Dari teknik-teknik yang telah dibahas, tidak jarang muncul kesulitan-kesulitan dalam
menyusun sebuah kerangka sampling, dalam hal jika elemen-elemen yang akan didaftar
demikian ban yak, misalnya jumlah penduduk Indonesia yang berusia 25 tahun ke atas, data
yang termuat dalam kerangka sampling telah usang, dan lain sebagainya. Kesulitan ini dapat
diatasi dengan membuat daerah-daerah sampling.
Contoh 13
Sebuah perusahaan shampo ingin mengetahui tanggapan konsumen (rumah tangga)
yang tinggal di Kotamadya Yogyakarta terhadap shampo yang dihasilkan. Dalam rangka
menetapkan sampel, perusahaan tersebut mengambillangkah-langkah:
a.
b.
Selanjutnya yang menjadi elemen-elemen sampel adalah seluruh rumah tangga yang
bertempat tinggal di kelurahan-kelurahan yang terpilih sebagai sampel.
2.6 KESALAHAN DALAM SURVEI
Ada dua tipe kesalahan yang dapat terjadi dalam kegiatan penelitian survei yaitu
kesalahan sampling dan kesalahan non-sampling.
Sebagian besar kegiatan penghimpunan data menggunakan sampel. Karakteristikkarakteristik yang dirniliki sampel ini selanjutnyadigunakan untuk menaksir atau mengambil
kesimpulan karakteristik-karakteristik yang dimiliki populasi. Tidak jarang, bahwa antara
karakteristik-karakteristik sampel tersebut terdapat perbedaan dengan karakteristikkarakteristik populasi yang sebenarnya. Perbedaan-perbedaan ini disebut sebagai kesalahan
sampling.
Contoh 14
Sebuah sampel terdiri dari 10 perusahaan yang bergerak di bidang industri mesin. Rataratalaba bersih sesudah pajak untuk tahun 1993 adalah Rp35.500.000,00. Sepuluh perusahaan
22
tersebut diambil dari 60 perusahaan (populasi) yang sejenis. Dari basil sensus terhadap
keenampuluh perusahaan tersebut ternyata rata-rata laba bersih sesudah pajak untuk tahun
1993 adalah Rp42.750.000,00.
Rata-rata merupakan salah satu bentuk karakteristik data. Dari contoh di atas, ternyata
karakteristik sampel, yaitu rata-rata sebesar Rp35.500.000,00 berbeda dengan karakteristik
populasi. Perbedaan tersebut disebut sebagai kesalahan sampling. Sehubungan dengan
kesalahan sampling, ada dua hal yang harus diperhatikan bahwa pertama kesalahan sampling
dapat diukur dan kedua kesalahan sampling akan semakin berkurangjika ukuran sampelnya
semakin besar. Pembahasan kesalahan sampling akan dijelaskan lebih jauh pada bab
distribusi sampling pada buku yang lain.
Bentuk kesalahan penelitian yang kedua adalah kesalahan non-sampling. Berbeda
dengan kesalahan sampling, pada kesalahan non-sampling tidak dapat diukur dan tidak
dapat berkurang walaupun ukuran sampelnya dinaikkan. Ada beberapa bentuk kesalahan
non-sampling, yaitu:
Kesalahan dalam pendefinisian masalah:
Misalnya, seorang manajer pemasaran sebuah perusahaan hendak melakukan suatu
studi ten tang media mix. Jika yang menjadi masalah utama adalah harga, tentu saja basil
studi.tersebut tidak dapat membantunya dalam membuat keputusan.
Ketidaksempurnaan pendefinisian populasi:
Sebagai sasaran suatu penelitian, populasi harus didefinisikan dengan tepat. Misalnya
seorang pengusaha restoran di sebuah bandara ingin mengetahui bagaimana tanggapan
konsumen tentang menu yang diberikan. Sang pengusaha mengidentifikasikan populasi
yang menjadi sasaran adalah seluruh penumpang berusia 18 tahun ke atas yang mendarat
di bandara tersebut. Di sini ada kekeliruan dalam mengidentifikasikan populasi sebab
masih ada orang yang belum tercakup dalam populasi tersebut, yaitu penumpangpenumpang yang melakukan transit di bandara tersebut.
Kerangka sampling yang tidak representatip:
Dalam menetapkan sebuah kerangka sampling, harus sesuai dengan populasi yang telah
diidentifikasi. Ketidaksesuaian tentu saja akan menimbulkan kesalahan survei. Misalnya,
seorang manajer distributor komputer merk tertentu bermaksud mengetahui sejauh
mana komputer pribadi bermanfaat bagi seseorang. Populasi yang telah ditetapkan
adalah semua orang yang berpendapatan rata-rata per bulan sebesar Rp500.000,00 ke
atas. Manajer tersebut menetapkan sebuah kerangka sampling dengan memanfaatkan
buku telepon terbaru. Tentu saja hal ini tidak sesuai dengan populasi yang telah
diidentifikasikan karena masih banyak orang-orang yang berpendapatan lebih dari
Rp500.000,00, namun tidak memiliki nomor telepon.
Kesalahan-kesalahan tanggapan:
Kesalahan-kesalahan ini dapat timbul sebagai akibat dari kesengajaan para responden
dalam memberikan tanggapan. Hal ini dimungkinkan jika, misalnya, pertanyaan yang
diajukan dinilai terlalu pribadi sifatnya.
23
Kesalahan pengukuran:
Di atas telah dijelaskan tentang pengukuran dan skala pengukuran. Ada kemungkinan,
peneliti melakukan kesalahan dalam menetapkan skala pengukuran suatu variabel.
Sebuah variabel yang semestinya merniliki skala pengukuran ordinal namun diperlakukan
merniliki skala pengukuran rasio. Hal ini akan berpengaruh pada alat-alat analisis yang
akan digunakan.
TOTAL
KBSALAHAN
24
KESALAHAN
SAMPLING
KESALAHAN
NON-SAMPLING
Contoh 1
Hingga akhir tahun 1993, pelanggan PT Prima Khasandy yang belum memenuhi
kewajibannya (utang) sebanyak 60 pelanggan. Adapun saldo utang keenampuluh pelanggan
tersebut dapat dirinci sebagai berikut:
Tabel3.1
Rincian Saldo Piutang 60 Pelanggan PT Prima Khasandy
(dalam satuan Rpl.OOO,OO)
59
56
41
83
69
77
67
49
91
71
89
69
75
91
69
52
70
75
45
77
73
73
77
63
62
96
79
65
53
73
77
94
58
81
89
87
93
71'
63
51
73
83
73 ; ~1, :'. ~1
6S ' .' '9+" .t 7:1
I;
SS.
-61,
6i ::. :;.
67
61 .. ' ~- ."fi',
61. ",,9l ::.t,';
65
60' '59
57
>
<,'
'
'r
Data yang disajikan pada tabel 3.1 di atas dikatakan sebagai data mentah (raw data).
Dikatakan demikian, karena data tersebut belum diolah dan disajikan dalam bentuk yang
lebih informatip, sehingga setiap orang yang membutuhkan informasi tentang saldo piutang
tersebut akan dihadapkan pada kesulitan dalam membacanya. Misalnya, berapa saldo
piutang terbesar dan berapa saldo piutang terkecil? Sulit tentunya dalam mencari kedua
angka tersebut, apalagi jika jumlah pelanggannya banyak.
Bentuk penyajian data yang paling sederhana adalah data yang disajikan dalam keadaan
terurut dari angka terkecil hingga angka terbesar atau sebaliknya dari angka terbesar hingga
angka terkecil. Namun demikian, data tersebut seyogyanya disusun dari angka terkecil
hingga angka terbesar. Hasilnya dapat dilihat pada tabel 3.2 berikut:
25
Tabel 3.2
Rincian Saldo Piutang 60 Pelanggan PT Prima Khasandy
(dalam satuan Rpl.OOO,OO)
41
57
65
69
75
83
45
58
65
70
75
83
49
59
65
71
77
87
51
59
67
71
52
60
67
71
77
77
89
89
53
61
67
73
79
92
55
61
67
73
79
92
56
62
69
73
81
93
56
63
69
73
81
94
57
63
69
73
81
96
Kendati masih sederhana, namun ada beberapa informasi yang dapat diperoleh dari
bentuk penyajian data di atas (tabel 3.2), di antaranya:
a.
b.
c.
Persoalannya akan semakin rumit jika data yang disajikan semakin ban yak. Demikian
juga jika akan dilakukan penghitungan-penghitungan berbagai ukuran gambaran data
(dijelaskan pada bab 4 dan 5). Pembacaan data dan perhitungan akan lebih mudah dilakukan
jika data mentah disajikan dalam bentuk yang lebih ringkas. Bentuk penyajian data yang lebih
ringkas yang banyak digunakan adalah distribusi frekuensi.
3.2 DISTRIBUS/ FREKUENSI
26
Tabel3.3
Frckutnsi
20-24
25-29
30~ 34
35-39
8
17
13
7
2
40-44
45-49
----" "''"' ........ ,...
50
Jumlah
Ada beberapa istilah yang perlu diketahui terlebih dahulu berkenaan dengan sebuah
distribusi frekuensi, yaitu:
a.
=1 + 3,322 log n
b.
Interval kelas
Interval kelas adalah jangkauan atau jarak antara kelas yang satu dengan kelas yang
lainnya secara berurutan. Interval kelas tersebut ditentukan dengan menentukan beda
27
---------
an tara batas kelas bawah suatu kelas (jika menggunakan tabel 3.2.1) dengan batas kelas
bawah kelas sebelumnya atau sesudahnya. Ada juga yang menyebut interval kelas
dengan Iebar kelas, yaitu jarak an tara tepi batas kelas bawah dengan tepi batas kelas atas
suatu kelas.
Hampir setiap distribusi frekuensi memiliki interval atau Iebar kelas yang sama seperti
yang terlihat pada tabel 3.3. Namun demikian, pada situasi tertentu, dimungkinkan
adanya interval atau Iebar kelas yang tidak sama. Pada kedua contoh di atas, interval atau
Iebar kelasnya adalah 5.
Dalam menentukan interval kelas, perlu diketahui terlebih dahulu jangkauan atau beda
antara angka data terbesar dengan angka data terkecil. Selanjutnya dapat digunakan
perumusan sederhana seperti berikut ini:
Jangkauan
Interval kelas =Jumlah kelas
c.
Kelas
IV
------0---0------
39
Batas kelas atas
kelas ke empat
40
Batas kelas bawah
kelas ke lima
Gambar 3.1
tepi batas
kelas
I
Kelas
IV
Kelas
------0--0-0-----
39
Batas kelas atas
kelas ke empat
39,5
40
Batas kelas bawah
kelas ke lima
Gambar 3.2
d.
Fnkmnsi
19,5- 24,5
24.5-29,5
29,5-34,5
34,5- 39,5
39,5-44,5
44,5-49,5
8
17
13
7
Jumlah
50
Titik tengah
Jika serangkaian data mentah (termasuk yang sudah diurutkan) sudah disajikan dalam
bentuk terkelompok (dalam bentuk distribusi frekuensi), maka sifat keaslian data tersebut
sudah hilang. Selanjutnya, bagaimanakah cara untuk menaksir data aslinya?
Titik tengah setiap kelas dapat dijadikan sebagai penaksir data asli yang sudah hilang
sebagai akibat proses pengelompokan. Titik tengah ini sebenarnya merupakan rata-rata
hitung suatu kelas yang dihitung dengan membagi hasiljumlah batas kelas bawah dan batas
kelas atas dengan angka 2. Jika digabung antara tabel3.3 dan tabel3.4 akan diperoleh bentuk
seperti berikut:
29
'
,'''
'
Tabel3.5
Gabungan antara Tabel3.3 dan Tabel 3.4
20~24
25-29
30-34
35 ~ 39
40-44
45-49
19,5-24.5
24.5-29,5
29,5-34,5
34,5-39,5
39,5-44,5
44,5-49.5
50
Jumlah
a.
= 1 + 3,322 log 60
= 6,90701845377
Dari hasil perhitungan tersebut, maka jumlah kelas dapat ditetapkan sebanyak 7 kelas.
Dalam contoh selanjutnya, kelas ditetapkan sebanyak 6 kelas.
b.
=55: 6
= 9,16666666667
c.
30
sederhana dalam menentukan batas kelas bawah ini adalah pembulatan ke bawah
terhadap angka data terkecil. Misalnya, angka data terkecil adalah 50,97. Dengan
demikian, maka batas kelas bawahnya adalah 50.
Jika demikian, perlukah angka 41 dibulatkan lagi? Tetap menggunakan angka tersebut
pun dimungkinkan, dan seandainya dibulatkan sehingga diperoleh angka yang "praktis"
pun juga dimungkinkan. Seyogyanyalah angka-angka yang digunakan adalah angka
yang "praktis", sehingga angka data 41 dibulatkan menjadi 40.
40 50
60
70
80
90
100
Berikutnya adalah menyusun batas-batas kelas atas. Angka-angka ini dapat dipastikan
besarnya yaitu lebih kecil dari angka batas kelas bawah kelas berikutnya. Misalnya untuk
kelas pertama, maka batas kelas atasnya adalah lebih kecil dari batas kelas bawah kelas
ke kedua yaitu 50. Berapa? Banyak angka yang dimungkinkan untuk dijadikan angka
batas kelas atas, misalnya 44,99. Namun angka ini kurang "ringkas" dan di samping itu,
tidak ada angka-angka data yang berbentuk pecahan, misalnya 49,3. Jika demikian,
angka 49 sebenarnya sudah dapat dijadikan batas kelas atas untuk kelas pertama. Untuk
kelas-kelas berikutnya dapat ditentukan mengikuti batas kelas yang sudah ada. Adapun
susunan kelas-kelasnya adalah:
Tabel3.6
Batas Kelas Bawab dan Batas Kelas Atas
Batas kelas
ha\\ah
Batas kelas
atas
40
50
60
"70
80
49
59
69
79
90
dst
d.
89
99
dst
Memasukkan data
Langkah terakhir adalah memasukkan angka-angka data ke dalam kelas-kelas yang
bersesuaian. Ada kemungkinan bahwa pada saat memasukkan angka-angka data terdapat angka data yang tidak dapat dimasukkan, misalnya 105. Jika diputuskan jumlah
kelasnya 6 dan batas kelas paling atas sebesar 99, maka angka data sebesar 105 jelas
tidak dapat dimasukkan ke dalam kelas terakhir. Dalam hal ini tentu ada kekeliruan
dalam menetapkan interval kelas atau batas-batas kelas. Untuk itu, satu hal yang perlu
diperhatikan dalam menyusun sebuah distribusi frekuensi, yaitu agar semua angka
31
.Jumltl'h Pdanggan
40-49
50-59
11
17
60-69
70-79
80-89
90-99
16
8
5
60
Jumlah
Perhatikan kelas pertama distribusi frekuensi pada tabel 3.7. Batas-batas kelasnya
adalah 40 dan 49. Sebenarnya, batas atas dapat juga dinyatakan dengan simbul "lebih kecil
dari", yaitu "<50", sehingga distt:ibusi frekuensinya seperti terlihat pad a tabel 3.8 berikut ini:
Tabel3.8
Distribusi Frekuensi Saldo Piutang
60 pelanggan PT Prima Khasandy
Saldo Piutang
Jumlah Pdanggan
40- <SO
S0-<60
60- <70
11
17
16
70- <80
80-<90
90- <100
Jumlah
60
Sebelum sampai,pada tabel3. 7 dan tabel3.8, pemasukan data dapat dipermudah dengan
membuat tally terlebih dahulu seperti pada tabel3.9 berikut ini:
32
Tabel3.9
Ill
IIIII /IIIII
IIIII IIIII IIIII II
11111/llli 11/ll/
IIIII/II
IIIII
40-49
50-59
60-69
70-79
80-89
90-99
',.
11
.,,),1
'
\'
.',::,:~'1
s
60
Jumlah
Namun, perlu diperhatikan sekali lagi bahwa bentuk penyajian terakhir bukan seperti
pad a tabel3. 9. Bentuk penyajian pacta tabel3. 9 merupakan salah satu tahap dalam menyajikan
data dalam bentuk distribusi frekuensi dan juga bentuk tersebut tidak harus dibuat.
3.2.2 Distribusi Frekuensi dengan Interval Kelas Tidak Sarna
Di depan telah dipaparkan bahwa interval kelas tidak harus sama. Hal ini terjadi jika
terdapat perubahan angka data yang ekstrim. Hal ini akan berakibat bahwa pada distribusi
frekuensi yang disusun akan terdapat satu kelas atau Iebih yang tidak memiliki frekuensi data
atau merniliki frekuensi yang demikian kecil dibanding dengan kelas sebelum dan sesudahnya.
Perhatikan contoh berikut ini:
Tabel3.10
l'danggan
11
13
0
12
10
5
60
33
Perhatikan bahwa pacta kelas ke-4 distribusi tersebut, frekuensinya nol. Kelas dengan
frekuensi nol ini sebenarnya bisa dihapus. Penghapusan dilakukan dengan menggabungkan
kelas yang berfrekuensi nol dengan kelas sebelumnya atau sesudahnya. Jika digabung
dengan kelas sebelumnya, maka akan terlihat seperti berikut ini:
Tabel 3.11
Distribusi Frekuensi Pendapatan
60 Pelanggan PT Balapan Supermarket
l'l'ndapatan
Pdanggan
9
11
13
12
10
Jumlah
60
Perhatikan bahwa antara kelas ke-3 dan ke-4, memiliki interval ke1as sebesar 75.000
(= 225.000 - 150.000) dan bukan lagi sebesar 25.000. Jika digabung dengan kelas
34
Pelanggan
150.000-< 175.000
11
13
12
10
Jumlah
60
Tabel3.13
Distribusi Frekuensi Saldo Piutang
60 Pelanggan PT Prima Khasandy
Sal do l'iulang
40-<50
S0-<60
60- < 70
70- <80
80-<:90
90 atau lebih
lumlah
.I umlah l'l'langgan
'
~,
3.
'
:- -~-
''
,' /
11
17
16
8
5
60
Hanya saja, dari penyajian data seperti pada tabel 3.13 tersebut tidak dapat disajikan
kembali bentuk distribusi frekuensi kumulatip, histogram frekuensi, poligon frekuensi, dan
lain sebagainya (dikupas pada sub bah berikutnya).
3.2.4 Distribusi Frekuensi Relatip
Seperti terlihat pada tabel-tabel frekuensi sebelumnya, frekuensi data dinyatakan dalam
bilangan absolut. Sebenarnya, frekuensi data tersebut dapat saja dinyatakan dengan bilangan
relatip yang dihitung dengan membagi frekuensi masing-masing kelas dengan banyaknya
data. Atau dapat juga dinyatakan dalam persentase, dengan membagi frekuensi masingmasing kelas dengan banyaknya data yang selanjutnya dikali dengan 100%. Dari tabel3.13
selanjutnya dapat diubah menjadi distribusi frekuensi relatip seperti berikut ini:
35
Tabel3.14
.Jumlah Ptlanggan
40-<50
50-<60
60 -<70
70-<80
80-<-90
90 atau lebih
0,05
0,18
0,28
0,27
Jumlah
0,99
0,13
0,08
- - > 1,00
.Jumlah Pdanggan
40-<50
50-<60
60-<70
70-<80
5,00%
18,33%
28,33%
26,67%
80-<90
90 ataU lebih
13,33%
8,33%
Jumlah
99,99%
- - > 100%
Jum1ah Pe1anggan
17
16
r---
r----
,--
11
5
3
t--
l
39,5
49,5
59,5
69,5
79,5
89,5
99,5
Sa1do Piutang
Gambar3.3
Histogram frekuensi, seperti yang tersaji pada gambar 3.3 merupakan sekumpulan
empat persegi-panjang yang digambar dalam suatu bagan salib-sumbu. Sumbu tegak
histogram menggambarkan frekuensi data dan sumbu mendatarnya menggambarkan bilanganbilangan data yang dinyatakan dalam kelas-kelas data. Adapun masing-masing bidang
persegi-panjang tersebut memiliki sisi-sisi:
sisi tegak menggambarkan frekuensi kelas, dan
sisi lebar bidang menggambarkan interval kelas atau lebar kelas.
Hal yang perlu diperhatikan dalam membuat skala pada sumbu datar _ pada kasuskasus tertentu juga pada sumbu tegaknya _ antara titik pusat hingga angka skala pertama
untuk kelas harus diberi tanda potong yang dalam diagram di atas diberi tanda "If'. Hal ini
dimaksudkan untuk membedakan skala an tar titik yang menggambarkan batas kelas dengan
titik pusat dengan titik yang menandakan batas kelas terkecil.
Pemilihan angka-angka pada sumbu mendatar, yang menggambarkan batas-batas kelas,
dapat diambil dari tepi-tepi batas kelas (class boundaries) seperti yang terlihat pada gambar
3.3. Di samping itu, dapat pula diambil dari batas-batas kelas (class limits). Gambar 3.4
berikut ini adalah histogram yang dimaksud.
37
Jum1ah Pe1anggan
17
16
;---
11
;---
5
3
0
r-=
40
60
50
70
80
90
100
Sa1do Piutang
Gambar 3.4
13
12
11
10
9
f--r--
r---
100
125
150
200
225
250
275
Sa1do Piutang
Gambar 3.5
13
8
7
22
27
32
37
42
47
Usia
Gambar 3.6
Poligon Frekuensi
3.3.3 Kurva Frekuensi
Mirip dengan poligon frekuensi, kurva frekuensi digambarkan dalam bentuk garis yang
menghubungkan tiap titik tengah untuk masing-masing kelas. Hanya saja,jika pada poligon
frekuensi disajikan dalam bentuk garis-garis patah, maka pada kurva frekuensi, garis
digambarkan secara hal us. Dengan demikian, frekuensi data masing-masing kelas tidak lagi
nampak secara jelas. Tujuan penyajian distribusi frekuensi dalam bentuk kurva frekuensi
sekedar untuk memperlihatkan bagaimana bentuk distribusi data tersebut. Di samping itu,
dari sebuah kurva frekuensi dapat diperoleh kecenderungan memusatnya data (akan dibahas
nanti). Dari gambar 3.6 dapat disajikan kurva frekuensi seperti berikut ini:
39
Jumlah Karyawan
17
13
8
7
22
27
32
37
42
47
Usia
Gambar 3.7
Kurva Frekuensi
Dengan menggambar kurva frekuensinya, bentuk distribusi frekuensi dapat dibedakan
menjadi beberapa bentuk yaitu bentuk miring ke kiri, simetris, dan miring ke kanan.
Perhatikan diagram-diagram berikut ini:
Gambar 3.8
Bentuk-bentuk distribusi frekuensi
Penyajian dalam bentuk kurva frekuensi ini - umumnya, frekuensi dinyatakan dalam
angka relatip dan bukan dalam bentuk absolut - akan ban yak digunakan dalam pembahasan
Statistika Inferensial.
40
'
3.4.1
Distribusi Frekuensi Kumulatip
Dalam distribusi frekuensi kumulatip, frekuensi tidak lagi disajikan untuk tiap kelas,
namun disajikan secara kumulatip ke belakang atau ke depan. Misalnya, frekuensi pada kelas
ke tiga, tidak lagi disajikan hanya untuk frekuensi kelas tersebut, namum meliputi kelas-kelas
sebelumnya atau meliputi kelas-kelas berikutnya. Dengan demikian, distribusi frekuensi
kumulatip dibedakan menjadi dua, yaitu: distribusi frekuensi kumulatip "kurang dari"
dan distribusi frekuensi kumulatip "atau lebih". Tabel-tabel berikut menyajikan proses
pembuatan ke dua distribusi frekuensi kumulatip tersebut.
Tabe13.16
Menyusun Distribusi Frekuensi Kumulatip Tipe "Kurang Dari"
40-49
50-59
60-69
70-79
80-89
90-99
i
'
'
3
11
17
16
8
5
kurang dari
kurang dati
kurang dari
kurang dari
kurang dari
kurang dari
~gdari
0
0+ 3= 3
3+ 11 = 14
14+ 1731
31 + 16=47
40
50
60
70
80
90
100
'
47+ 8=55
55+ 5=60
Fn:kmnsi h.umulatip
Kurang dari 40
Kurang dari 50
Kurang dari 60
Kurang dari 70
Kurang dari 80
Kurang dari 90
Kurang dari 100
0
3
14
:n
47
55
60
41
Pada tiap distribusi frekuensi kumulatip tipe "kurang dari", frekuensi kelas terakhir
senantiasa sebesar banyaknya data. Sedangkan pada kelas pertama, ada yang menyajikan
frekuensi kumulatip sebesar nol seperti pada tabel di atas, ada juga langsung menyajikan
frekuensi kelas pertamanya yaitu sebesar 3.
Perhatikan bahwa angka-angka yang dijadikan batas kelas kumulatip adalah batas-batas
kelas bawah. Di samping dapat disajikan dalam bentuk seperti pada tabel di atas, distribusi
frekuensi kumulatip tipe "kurang dari" dapat juga disajikan. dengan menggunakan simbul
"kurang dari" (<) seperti berikut ini:
Tabel3.18
Distribusi Frekuensi Kumulatip Saldo Piutang
60 Pelanggan PT Prima Khasandy
Saldo Piutang
Frekuensi Kumulatip
. <40
<50
<60
<70
<80
<90
< 100
0
3
14
31
47
55
60
Jika pada distribusi frekuensi kumulatip tipe "kurang dari", frekuensi kumulatip bergerak
dari frekuensi sebesar nol (atau sebesar frekuensi kelas pertama) hingga frekuensi sebesar
banyaknya data, maka pada distribusi frekuensi kumulatip tipe "atau lebih", frekuensi
kumulatip bergerak dari frekuensi sebesar banyaknya data hingga frekuensi sebesar nol atau
frekuensi data pada kelas terakhir. Proses penyusunannya pun tidak berbeda.
Tabel3.19
Menyusun Distribusi Frekuensi Kumulatip Tipe "atau Lebih"
40-49
50-59
11
17
16
60-69
70-79
80-89
90-99
42
8
5
40 atau lebih
50 atau lebih
60 atau lebih
70 atau lebih
80 atau lebih
90 atau iebih
100 atau lebih
60
60- 3 =57
57-11 =46
46-17=29
29-16 ::= 13
13- 8= 5
5- 5= 0
Selanjutnya, basil akhir penyusunan distribusi frekuensi kumulatip tipe "atau lebih"
adalah sebagai berikut:
Tabel3.20
Distribusi Frekuensi Kumulatip Saldo Piutang
60 Pelanggan PT Prima Khasandy
Saldo Piutang
Frd-.uensi Kumulatip
40 atau lebih
50 atau lebih
60 atau lebih
70 atau lebih
80 atau lebih
90 atau lebih
100 atau lebih
60
57
46
29
13
5
0
Seperti halnya pada distribusi frekuensi kumulatip tipe "kurang dari", pada distribusi
frekuensi kumulatip tipe "atau lebih" dapatjuga disajikan dengan menggunakan simbul "atau
lebih" seperti berikut ini:
Tabel3.21
Distribusi Frekuensi Kumulatip Saldo Piutang
60 Pelanggan PT Prima Khasandy
Saldo Piutang
40:5:
50S:
60S:
70s;
80S:
90S:
lOO:S:
Frekuensi Kumulatip
3
14
31
47
55
60
3.4.2 Ogive
Distribusi frekuensi kumulatip, selain disajikan dalam bentuk tabel-tabel seperti di atas,
dapatjuga disajikan dalam bentuk diagram yang dinamakan ogive. Penggambarannyajuga
dilakukan di atas bagan salib-sumbu seperti pada poligon frekuensi. Dari tabel3 .21, masingmasing dapat dibuat ogivenya seperti berikut ini:
43
Jumlab Pelanggan
60
55
47
14
40
50
60
70
80
90
Gambar3.9
60
55
47
31
14
3
40
50
60
70
BO
90
100
Gambar 3.10
Saldo Piutang
Jumlah Pelanggan
60
57
55
47
46
31
29
14
13
5
3
40
50
60
70
80
90
100
Sa1do Piutang
Gambar 3.11
Ogive Saldo Piutang PT Prima Khasandy
45
Rp milyar
12.000 f10.000
8.000
6.000
4.000
t---
2.000
r---0
1984
1985
1986
1987
1988
Gambar 3.12
Perkembangan Aktiva Bank Bumi Daya 1984 - 1987
Beserta Proyeksi untuk Tahun 1988 *)
*)
Pada gam bar di atas, beberapa nilai aktiva tidak disajikan secara jelas. Informasi yang
diperoleh hanyalah pola perkembangan aktiva dari tahun ke tahun saja. Terlihat bahwa
perkembangan dari tahun ke tahun menunjukkan adanya peningkatan. Seberapa besar
kenaikannya, sekali lagi tidak disajikan. Biasanya, penyajian data dalam bentuk tabel akan
diikuti penyajian dalam bentuk diagram. Hal ini, tentu saja untuk memenuhi dua kepentingan
yang berbeda, yaitu informasi yang rinci dan informasi sepintas.
Dalam satu kuadran diagram batang tidak saja dapat memberikan informasi satu obyek
informasi saja, aktiva misalnya, namun dapat juga memvisualisasikan beberapa obyek
sekaligus (dalam satu kuadran). Di samping itu, diagram batang tidak hanya dapat
disajikan secara tegak saja, namun dapatjuga disajikan secara mendatar. Perhatikan contoh
berikut ini:
46
1983
1984
1985
II II
I
I
11111111
11111111
1986
1987
Ill Iilii II
11111111111
5.000
10.000
15.000
20.000
25.000
30.000
35.000
Rp milyar
Gambar 3.13
Perkembangan Dana Masyarakat pada Bank Bumi Daya
dan Perbankan 1983- 1987 *)
*)
[ll]
[ll[]
Perbankan
47
Volume
310;r-------------------------,,-------
274~----------------------------------~
83/84
84/85
85/86
86/87
87/88
Gambar 3.14
Garis Perkembangan Volume Ekspor Kopi
1983/1984 s/d 1987/1988 (Ribuan Ton) *)
*)
Sumber: Bank Indonesia, Laporan Tahunan 198711988, halarnan 91, tabel 8.3.
Contoh 2
Volume produksi sepatu PT Khasandy selama tahun 1989 dapat disajikan sebagai
berikut:
48
Tabel 3.21
Volume Produksi PT Khasandy selama Tahun 1989
Tipe
Sepatu Pria Dewasa
Sepatu Wanita Dewasa
Sepatu Sport Pria Dewasa
Sepatu Sport Wanita Dewasa
Jumlah
\ olunw ( Pasang l
6.500 pasang
4.750 pasang
3.800 pasang
3.500 pasang
18.550 pasang
Penentuan proporsi daerah yang menginformasikan keempat tipe sepatu tersebut dapat
dilakukan sebagai berikut:
a.
~~~5~~
b.
1 ~~5~ 0
3
d.
Hasilnya dapat disajikan pada gambar 3.15 berikut. (Agar satu daerah dengan daerah
yang lainnya dapat dibedakan dengan jelas, masing-masing daerah harus dibedakan
dengan menggunakan arsiran yang berbeda. Agar lebih menarik, penggunaan wama pun
sangat dianjurkan)
49
Gambar 3.15
Volume Produksi PT Khasandy selama Tahun 1989
dengan keterangan:
Dewasa ini, sudah banyak beredar berbagai program untuk komputer yang dapat
digunakan untuk menyajikan data, baik dalam bentuk tabel maupun diagram. Berikut ini akan
disajikan beberapa contoh basil cetak komputer dengan menggunakan program Microstat
dan Lotus 1-2-3.
Contoh 3
Contoh distribusi frekuensi dan histogram frekuensi dengan menggunakan program
Microstat (lihat tabel 3.1).
50
FREQUENCY DISTRIBUTIONS
HEADER DATA FOR: B: SALDO LABEL:
NUMBER OF CASES: 60 NUMBER OF VARIABELS: 1
VARIABLE: I. SALDO
SALDO PIUT ANG 60 PELANGGAN PT PRIMA KHASANDY (RPl.OOO,OO)
CLASS LIMITS
FREQUENCY
PERCENT
3
11
17
16
8
5
5.00
18.33
28.33
26.67
13.33
8.33
TOTAL
60
100.00
CLASS LIMITS
40.00 < 50.00
50.00 < 60.00
60.00 < 70.00
70.00 < 80.00
80.00 < 90.00
90.00 < 100.00
-CUMULATIVEFREQUENCY
PERCENT
3
14
31
47
55
60
5.00
23.33
51.67
78.33
91.67
100.00
FREQUENCY
3
11
17
16
8
5
==================
=====~=======================
===========================
=============
========
Contoh 4
Contoh Diagram Batang dengan menggunakan program Lotus 1-2-3.
51
Tabel3.22
Perkembangan Nilai Ekspor selama 1978-1988 (Juta $)
Tahun
Nilai Ekspur
11.093,5
15.259,8
21.783,8
22.118,8
18.923,7
18.802,1
21.001,8
18.762,2
14.597,5
17.307,6
7.645,3
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988 *)
*)
Gambar 3.16
PERKEMBANGAN NILAI EKSPOR
Tahun 1978 - 1988 (juta$)
24
22
...
18
;;;;;
~"
...
...
16
"'
~~
~
"' 0
"""
fllt:
Iii'i.
~
...
14
12
10
8
6
52
:-
;;-;
... v:;,-.,
...
... ... ...
... ... ...
...
...
... ...
>>
>" > .........
"... ' > ...
,'
...
v' v'
v'
v'...
...
...
...
,"
...
...
...
r:;;""
...
"...
... "...
...
"
... ...
' ...
... "... "... 17'... "...
... ... "... "... "...
... "... "... ... "...
/
'...
"
,.
... ,.
'...
""
/
>
"
...
...
/
/
/
:-";
. ,.' "...
," ...
20
Contoh 5
Contoh Diagram Batang dengan menggunakan program Lotus 1-2-3.
Tabel3.23
Perbandingan Perkembangan Nilai Ekspor Migas dan
Nonmigas selama 1978 - 1988 (Juta $)
I
Tahun
Ekspor \Iigas
Lkspor '\onmiga..,
3.659,3
5.579,1
6.079;4
4.423
4.979,9
4.992,8
5.776
5.983,2
6.626
8.455,7
4.113,8
7.343,2
9.680,7
15.704,4
17.686,8
13.943,8
13.809,3
15.225,8
12.779
7.971,5
8.851,9
3.731,5
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988 **)
*)
**)
Sumber : Bank Bumi Day a, Statistik Ekonomi dan Keuangan Indonesia, 1988, halaman 29 (data diolah)
Gambar3.17
PERBANDINGAN PERKEMBANGAN NILAI EKSPOR MIGAS
dan NO MIGAS Tahun 1978 - 1988 (juta$)
;;;
~
19
18
17
16
15
14
13
12
r...
...
...
...
...
~~II
8. ~ 10
~B._~
3
I
...
...
...
,.
,.
,.
,.
,.
,.
,.
,.
1978
...
...
...
...
...
...
...
...
...
...
...
...
r,
r,
r,
'
1979
'
'
1980
,."'
,.
,.
,.
,. 1-',...-;.
,. I-'
,. v
,.
,. v
,.
,.
,.
,.
,. "'
,. "',.
,. "'
,.
,. "'l.t
,. "'l.t
1981
1982
Ekspor Mtgas
['<
...
...
...
...
...
...
...
...
...
...
...
...
'...
'
1983
,.
,.
,.
,.
,.
,.
,.
,.
,.
,.
,.
,.
,.
,.
1984 1985
...
...
...
...
...
...
...
1986
'
'
'
1987
,.
,.
,.
,.
19P~
53
Contoh 6
Contoh Diagram Garis dengan menggunakan program Lotus 1-2-3.
Tabel3.24
Neraca Perdagangan Indonesia 1978 - 1988 (Juta $)
11.094
15.260
21.784
22.119
18.924
18.802
21.002
18.762
14.598
17.308
11.011
1978
1979
1980
.1981
1982
1983.
1984
1985
1986
1987
1988 *)
*):
6.690
7.202
10.834
13.272
16.859
16.352
13.882
10.259
10.718
12.819
5.092
4.404
8.058
10.950
8.847
2.065
2.450
7.120
8.503
3.880
4.417
Gambar 3.18
NERACA PERDAGANGAN INDONESIA
Tahun 19o/8 - 1988 (juta$)
24
23
22
21
20
19
18
17
16
Vi
15
14
12
5. ~
~~
l3
II
~ '-' 10
TAHUN
-
54
Ekspor - - -
Impor
Surplus
,_,,'
Contoh 7
Contoh Diagram Lingkaran dengan menggunakan program Lotus 12-3.
Tabel3.25
Perbandingan Penerimaan di Luar Minyak Bumi dan Gas Alam
Tahun 1988/1989 (milyar rupiah)
1. Pajak Penghasilan
2. Pajak Pertambahan Nilai
3.BeaMasuk
4.Cukai
5. Pajak Ekspor
6. Pajak Lainnya
7. Pajak Bumi dan Bangunan
3.949.4
4.505,3
1.192,0
1.389,9
155,6
1.568,8
292.1
424,2
Sumber: Pidato Kenegaraan Presiden Republik Indonesia Soeharto di depan Sidang Dewan Perwakilan Rakyat
16 Agustus 1989, ha1aman 196, tabel IV-4.
Gambar 3.19
PERBANDINGAN PENERIMAAN DI LUAR MIGAS
Tahun 1988 1989 (juta$)
Cukai (10,3%)
55
4.1 PENDAHULUAN
Pada bab sebelumnya telah dijelaskan teknik penghimpunan data dan penyajian data
baik dalam tabel-tabel maupun diagram-diagram. Pada bab ini akan dijelaskan ukuran
deskripsi data yaitu ukuran pus at data, baik dari data mentah (data yang belum dikelompokkan
dan termasuk data yang terurut) maupun data yang telah diringkas menjadi distribusi
frekuensi (data yang telah dikelompokkan). Ukuran deskripsi data ini sangat bermanfaat
dalam analisis dan interpretasi data.
Ada tiga bentuk ukuran deskripsi data, yaitu: ukuran pusat data, ukuran variabilitas
data, dan ukuran bentuk distribusi data. Dua ukuran yang terakhir akan dijelaskan pada
bab 5 nanti.
Pada Bab I telah dij elaskan pengertian dan perbedaan statistik dan parameter. Berkaitan
dengan ketiga ukuran deskripsi data terse but di atas, jika ukuran terse but dihitung dari data
sampel, ukuran-ukuran tersebut disebut statistik dan jika dihitung dari data populasi
disebut parameter. Pada bab ini akan banyak ditekankan pada statistik daripada parameter. Alasannya, bahwa dalam praktik, hampir keseluruhan data yang dihimpun adalah
data sampel. Di samping itu, perbedaan pokok dalam menghitung statistik dan parameter
tidak ada. Perbedaan yang ada hanya menyangkut penggunaan simbul dan beberapa hal
yang tidak prinsip.
Ada tiga ukuran pusatdata yang banyakdigunakan, yaitu: rata-rata hitung (selanjutnya
disebut rata-rata), median, dan mode. Sebagai tambahan, akan dijelaskan pula mengenai
kuartil, desil, persentil, rata-rata tertimbang, dan rata-rata geometrik.
4.2 RATA-RATA HITUNG
Rata-rata hi tung, atau lebih dikenal dengan rata-rata, merupakan ukuran pusat data yang
paling sering digunakan, karena mudah dimengerti oleh siapa saja dan penghitungannya pun
mudah. Rata-rata yang dihitung dari data sampel atau sebagai statistik sampel disimbulkan
dengan X (baca: X -bar) dan jika dihitung dari data populasi atau sebagai parameter populasi
disimbulkan dengan huruf Yunani f.l, (baca: myu x).
56
x= x, + x2 + x3 + ... + x"
n
~-X=--'
LX
n
X
: Rata-rata sampel
: Huruf Latin (sigma) yang menunjukkan penjumlahan
:Data ke-i dari variabel acak X
: Ukuran sampel (banyaknya data sampel)
I.
X
n
(4.1)
II
rx
~.
LX
N
:::--'
(4.2)
: Rata-rata populasi
Contoh 1
"Matararn Ray a Group" adalah sebuah perusahaan yang bergerak di bidang industri
perdagangan eceran. Dewasa ini perusahaan tersebut memiliki 20 buah supermarket
yang terse bar di beberapa kota besar. Tujuh di antaranya terdapat di kota Jakarta. Selama
bulan Desernber 1993 ketujuh supermarket tersebut masing-masing mencapai omzet
sebesar:
57
Tabel4.1
Omsl't
Rp 65.000.000,00
Rp 80.000.000,00
Rp 85.000.000,00
Rp 90.000.000,00
Rp '95.000.000,00
Rp 115.000.000.00
Rpt7o.ooo.ooo.oq
Rata-rata omzet penjualan ketujuh supermarket tersebut dapat dihitung sebagai berikut
(dalamjuta rupiah):
X= 65 + 80 + 85 + 90 + 95 + 115 + 170
7
X= 100 atau RplOO.OOO.OOO,OO
Rata-rata cenderung menjadi pusat serangkaian data yang tersedia dan dapat berfungsi
sebagai titik penyeimbang antara data yang lebih kecil dan yang lebih besar. Perhatikan
diagram berikut ini:
60
70
80
I I
90
100
110
120
130
140
150
160
170
Gambar4.1
Contoh 2
Misalnya pada bulan Januari 1994, omzet penjualan yang dicapai ketujuh perusahaan
adalah sebagai berikut:
58
--------------------------
- -
--
Tabel4.2
Omsl'l
Rp 80.000.000.00
Rp 85.000.000,00
Rp 95.000.000,00
RplOO.OOO~OOO,OO
Rptos.ooo.ooo.oo
Rplls.ooo.ooo.oo
Rp120.000.000,00
Rata-rata omzet penjualan ketujuh supermarket tersebut pada bulan Januari 1994 dapat
dihitung sebagai berikut (dalamjuta rupiah):
60
70
I I
80
90
I I I
100
110
I 120I
130
140
150
160
170
Gambar4.2
59
Tabel4.3
Omzet Penjualan 7 Supermarket "Mataram Raya"
selama Bulan Pebruari 1994
Sli(H.'I'Illarkct
Omsct
Rp 90.000.000,00
Rp 95.000.000,00
Rp 100.000.000,00
RpiOO.OOO.OOO,OO
Rpl 00.000.000,00
Rpl05.000.000,00
RpllO.OOO.OOO,OO
Rata-rata omzet penjualan ketujuh supermarket tersebut pacta bulan Pebruari 1994 dapat
dihitung sebagai berikut (dalamjuta rupiah):
I I
60
70
80
90
t.
100
I I
110
120
130
140
150
160
170
Gambar4.3
Rata-rata Sebagai Titik Penyeimbang Antara Data yang Lebih Kecil
dan yang Lebih Besar
Ada empat kriteria atau standar matematikal yang dimiliki oleh rata-rata yaitu:
Pertama: Jumlah beda antara data observasi dan rata-ratanya adalah nol. Atau dapat
dirumuskan sebagai berikut:
(4.3)
60
Rp 100.000.()()(),00
Rp 100.000.000,00
Rp 100.000.000,00
Rp 100.000.000,00
Rp 100.000.000,00
Rp 100.000.000,00
Rp 100.000.000,00
= - Rp35.000.000,00
= - Rp20.000.000,00
= - Rp15.000.000,00
= - Rp 10.000.000,00
Rp 5.000.000,00
= - Rp15.000.000,00
=
= Rp70.000.000,00 +
Rp
0,00
Kedua: Jumlah beda kuadrat antara data observasi dan rata-ratanya adalah minimum, atau:
=
=
=
=
=
=
400
225
25
0
25
225
400
1.300 minimum
Bagaimanajikarata-ratanya lebih besar atau lebih kecil dari 100? Tentu sajajumlah beda
kuadratnya akan lebih besar dari 1.300. Misalnya, rata-rata omzet yang diperoleh adalah 105.
Maka:
61
Tabel4.6
Pembuktian Bahwa Jumlah Bcda antara
Data Observasi dan Rata-ratanya adalah Minimum
,,
( 80- 105)2
( 85 - 105)2
( 95 - 105)2
(100- 105)2
(105- 105)2
(115- 105)2
(120- 105)2
1- ---- ------ ---''
--
=
=
=
=
=
=
=
625
400
100
25
0
100
225
1.475
"
Dapat dilihat bahwa temyata, jumlah beda kuadratnya lebih besar dari 1.300, yaitu
1.475. Demikianjugajika rata-ratanya lebih kecil dari 100, misalnya 80, makajumlah beda
kuadratnya akan lebih besar dari 1.300.
Tabel4.7
Pembuktian Bahwa Jumlah Beda antara
Data Observasi dan Rata-ratanya adalah Minimum
( 80- 80) 2
( 85- 80)2
( 95- 80)2
(100- 80)2
(105 - 80)2
(115 - 80)2
(120- 80)2
=
=
=
0
25
225
400
625
1.225
1.600
----------------- --------
= 4.100
Sarna seperti hasil perhitungan pada tabel4.6, bahwajumlah beda kuadratnya lebih besar
dari 1.300, yaitu 4.100.
Ketiga: Rata-ratadapatdigunakan untukmenaksirnilai total nilai populasi yang dirumuskan:
Total= N.X
62
(4.5)
RplOO.OOO.OOO,OO = Rp2.000.000.000.00
Keempat : Data yang digunakan untuk menghitung rata-rata adalah keseluruhan data yang
ada. Dengan demikian, rata-rata yang berhasil dihitungpun tergantung pada
angka-angka data itu sendiri. Oleh karena angka-angka data dapat bervariasi
besarannya, maka rata-rata sangat peka terhadap angka-angka data ekstrim.
4.2.2 Rata-rata dari Data yang Telah Dikelompokkan
Menghitung rata-rata memang lebih menguntungkan jika dihitung dari data yang bel urn
dikelompokkan, karena hasil hitungannya lebih mencerminkan fakta yang sebenarnya.
Apakah rata-rata dari data yang telah dikelompokkan tidak mencerminkan data yang
sebenarnya? Dalam kehidupan sehari-hari, data yang dibutuhkan seringkali sudah disajikan
dalam bentuk distribusi frekuensi, seperti yang banyak disajikan dalam berbagai terbitan
maupun laporan-laporan. Sehingga, perhitungan rata-ratadari data yang telah dikelompokkan
harus dilakukan walaupun hasilnya tidak mencerminkan fakta yang sebenarnya. Namun,
paling tidak mendekati fakta yang sebenarnya.
Pada sub bab 4.1 telah dijelaskan bahwa rata-rata dihitung dengan melibatkan seluruh
data observasi, baik dari sampel maupun dari populasi. Untuk data observasi yang telah
disajikan dalam bentuk distribusi frekuensi atau yang telah dikelompokkan, sifat keaslian
data observasi telah hilang. Dengan demikian, untuk keperluan penghitungan rata-rata.
diperlukan angka-angka data yang dapat digunakan untuk mengestimasi at au menaksir data
observasi yang asli. Dalam hal ini, titik-titik tengah dapat dijadikan sebagai penaksir data asli
yang tersebar di masing-masing kelasnya.
Ada dua cara yang dapat digunakan untuk menghitung rata-rata data yang telah
dikelompokkan, yaitu metoda defisional dan metoda pengkodean.
a.
Metoda defisional
Untuk menghitung rata-rata, titik-titik tengah masing-masing kelas, sebagai penaksir
data asli, dikali dengan frekuensi masing-masing kelas. HasH perkalian pada masingmasing kelas tersebut selanjutnya dijumlah dan kemudian hasil penjumlahan tersebut
dibagi dengan jumlah data atau jumlah frekuensi seluruh kelas. Metoda defisional dapat
dirumuskan sebagai berikut:
X
X,
f1
n
: Rata-rata sampel
: Titik tengah kelas ke-i
: Frekuensi kelas ke-i
: Ukuran sampel (jumlah frekuensi data sampel)
63
Contoh 4
Selama tahun 1993, PT Asuransi Jiwa Jagat Raya telah berhasil menarik nasabah baru
sebanyak 60 orang yang usianya dapat didistribusikan sebagai berikut:
Tabel4.8
Frekuensi
25-29
30-34
35-39
40-44
45-49
50-54
14
10
18
7
Jumlab
60
Rata-rata usia para nasabah baru tersebut dapat dihitung sebagai berikut:
Tabel4.9
27
32
37
42
47
52
Iumlab
64
FrektH.nsi f,
216
14
10
18
448
370
756
329
156
60
2.275
7
i
X,.f,
X=2.275/60
X= 37,92 atau 37 tahun 11 bulan.
b.
Metode Pengkodean
Seringkali data yang akan dihitung rata-ratanya berbentuk angka-angka yang besar
seperti nilai penjualan, pembelian, piutang, dan lain sebagainya. Jika angka-angka yang
dihitung dalam satuan yang besar, maka penghitungan rata-rata dengan penggunaan
metode defisional akan sedikit lebih menyulitkan.
Pada bab 3 telah dijelaskan bahwa interval kelas sebuah distribusi frekuensi, secara
umum senantiasa sama. Hanya dalam keadaan tertentu, interval kelas dimungkinkan
tidak sama. Interval kelas yang sama ini, salah satunya dapat dilihat beda antar titik
tengah senantiasa sama. Angka-angka berikut menunjukkan titik tengah yang dikutip
dari tabel4.9.
Titik tengah :
27
Interval kelas:
32
37
47
42
52
5
Dengan interval kelas yang sama ini, sebenarnya, angka-angka titik tengah dapat diubah
menjadi suatu skala dengan interval yang sama. Skala titik tengah ini lebih sering disebut
sebagai kode titik tengah.
Langkah pertama dalam memberi kode titik tengah adalah menetapkan kelas yang
nantinya diberi kode atau skala nol. Dalam menentukan kelas yang berkode nol ini
sebenamya tidak ada pedoman yang baku. Akan tetapi, sebaiknya kelas yang akan diberi
kode noI adalah kelas yang berfrekuensi tertinggi. Langkah berikutnya adalah menetapkan
kode-kode untuk kelas-kelas yang lain dengan mengurutkan mulai dari kelas berkode
nol dengan interval yang sama. Interval kelas ini umumnya adalah satu. Dari tabel4.9
di atas, kelas yang akan diberi kode nol adalah kelas ke-4. Dengan dernikian, titik tengah,
frekuensi dan kodenya adalah sebagai berikut:
Titik tengah:
27
32
37
42
47
52
Frekuensi:
14
10
18
Kode:
-3
-2
-1
65
I X = X +t.-'-'
. u .f.
n
(4.8)
Dari contoh berikut dapat dibandingkan tingkat kesulitan dalam menghitung rata-rata
dengan menggunakan kedua metoda di atas.
Contoh 5
Lihat contoh 4. Nilai kontrak asuransi keenampuluh nasabah baru tersebut dapat
didistribusikan sebagai berikut:
Tabel4.10
Distribusi Nilai Kontrak Asuransi 60 Nasabah Baru
PT Asuransi Jagat Raya
Nilai kontrak
Frckucnsi
< Rp 10.000.000,00
< Rp20.000.000,00
< Rp30.000.000,00
< Rp40.000.000,00
< Rp50.000.000,00
< Rp60.000.000,00
< Rp70.000.000,oo
0
5
17
31
46
54
60
Untuk bisa menghitung rata-rata nilai kontrak dengan menggunakan metoda defisional,
bentuk penyajian di atas- bentuk distribusi frekuensi kumulatiftipe "kurang dari"- harus
diubah menjadi bentuk distribusi frekuensi yang biasa. Hasilnya adalah:
66
Tabel4.11
Distribusi Nilai Kontrak Asuransi 60 Nasabah Baru
PT Asuransi Jagat Raya
Nilai kontrak
Frckucnsi
5
12
14
15
8
6
Jumlah
60
X.f
I
Rpl5.000.000,00
Rp25.000.000,00
Rp35.000.000,00
Rp45.000.000,00
Rp55.000.000,00
Rp65 .000.000,00
5
12
14
15
8
6
Rp 75.000.000,00
Rp 300.000.000,00
Rp 490.000.000,00
Rp 675.000.000,00
Rp 440.000.000,00
Rp 390.000.000,00
Jumlah
60
Rp2.370.000.000,00
x= 2.37o.ooo.ooo.oo
60
X= Rp39.500.000,00
Dengan menggunakan metode "pengkodean" penghitungannya disajikan pada tabel
4.13.
67
Tabel4.14
Omzet Penjualan 7 Supermarket "Mataram Raya"
selama Bulan Desember 1993
SLqll'rmarket
Omset
Rp 65.000.000,00
Rp 80.000.000,00
Rp 85.000.000,00
Rp 90.000.000,00
Rp 95.000.000,00
Rp 115.000.000.00
Rp 170.000.000,00
->median
Untuk data ganjil, letak median dapat ditentukan dengan mudah. Berbeda denganjumlah
data genap, maka penentuan letak median tidak dapat ditetapkan begitu saja. Jika jumlah
datanya 10, maka letak mediannya adalah data ke 5,5 yang dihitung dengan (10 + 1)/2.
Contoh 7
Dari keduapu1uh supermarket yang dimiliki "Mataram Raya Group", enam supermarket
yang mencapai omzet penjualan tertinggi pada bulan Maret 1994 secara terurut ada1ah:
Tabel4.15
Omzet Penjualan 7 Supermarket "Mataram Raya"
selama Bulan Maret 1994
Supt:nnarket
Omset
Rp170.000.000,00
Rp179.500.000,00
Rpt92.soo.ooo.oo
Rp 195.500.000,00
Rp215.000.000,00
Rp225. 750.000,00
->median
Letak mediannya adalah (6 + 1)/2 = 3,5 atau pada data ke 3,5. Letak titik ini berada
di an tara data ke-3 dan data ke-4 a tau an tara Rp 192.500.000,00 dan Rp 195.500.000,00.
Nilai titik tersebut dapat ditentukan dengan mencari rata-rata hi tung kedua angka di atas,
yaitu:
70
'(4:tU>'j
" '
Contoh 8
Dari contoh 6 dapat dibuktikan sebagai berikut:
Tabel4.16
f
I
I
I
I
I
.........
_.......
65 -90!
80901
85-901
90-901
95-901
115 90 I
170-901
'""'"'-
=
=
=
25
10
5
0
5
25
80
--~---
150
Minimum
Jika median ditetapkan secara bebas -lebih kecil atau lebih besar dari nilai mediannya
dapat dibuktikan selanjutnya bahwa beda absolutnya akan lebih besardari Rp150.000.000,00.
Sebagai pembanding, jika ukuran nusat data yang digunakan adalah rata-ratanya yaitu
Rp 100.000.000,00.
71
Tabel4.17
Pembuktian Bahwa Jumlah Beda Absolut antara Data Observasi dan Mediannya
adalah Minimum (dalam satuan Rpl.OOO.OOO,OO)
65-1001
80- 100 I
85- 100 I
90-100 I
95- 100 I
115-1001
170- 100 I
=
=
=
=
35
20
15
10
::::
::;;:
15
70
-~-~~---~~-~
170
Jelas babwa basil perbitungan pada tabel 4.17 lebib besar dari basil perbitungan pada
tabel4.16.
4.3.2 Median dari Data yang Telah Dikelompokkan
Langkab pertama dalam menetapkan median dari data yang telab dikelompokkan adalah
menentukan letak sebuab titik yang nilainya akan menjadi median. Titik ini, seperti pada
uraian sebelumnya, membagi deretan angka data yang terurut menjadi dua bagian yang sama
banyak. Jika pada data yang belum diurutkan digunakan perumusan (n + 1)/2, maka untuk
data yang telab dikelompokkan, banyak penulis menggunakan perumusan yang lebib
sederbana yaitu n/2. Akan tetapi, dengan menggunakan perumusan sebelumnya pun bukanlah
suatu kesalaban.
Setelab diketabui posisi titit terse but, langkab berikutnya adalah menentukan kelas yang
didalamnya terdapat titik tersebut. Dari contob 4 misalnya, titik tersebut terletak pada deretan
data ke 30 (= 60/2). Sedangkan kelasnya adalab kelas ke-3. Dengan menggunakan interpolasi
yang sederbana, angka data yang dimiliki titik tersebut dapat diketabui. Perumusannya
sebagai berikut:
md
Bm
n
fkm
fm
72
Median
Tepi batas kelas bawah pada kelas median (lower class boundary)
Interval kelas
Ukuran sampel
Frekuensi kumulatip sebelum kelas median
Frekuensi pada kelas median (atau frekuensi kumulatip kelas median dikurang
frekuensi kumulatip sebelum kelas median).
Contoh 9
Lihat contoh 4. Selama tahun 1993, total (per nasabah) premi yang dibayar keenampuluh
nasabah baru tersebut dapat didistribusikan sebagai berikut:
Tabel4.18
Total Premi yang Dibayar oleh 60 Nasabah Barn
selama Tahun 1993
Total Premi
Freku~:nsi
RplO.OOO,OO- Rp19.990,00
Rp20.000,00- Rp29.990,00
Rp30.000,00- Rp39.990,00
Rp40.000,00- Rp49.990,00
Rp50.000,00- Rp59.990,00
Rp60.000,00 - Rp69.990,00
2
9
20
10
3
Jumlah
60
16
Setelah diketahui titik posisi median, yaitu 30, berikutnya menentukan kelas letak
median yaitu kelas ke-4. Secara rinci, penghitungan median data di atas adalah sebagai
berikut:
I md =39.995 + 10.000 [
30-27
20
(4.11)
md
Perbedaan tersebut akan semakin kecil, dan dapat diabaikan, jika ukuran sampelnya
semakin besar.
Median memiliki beberapa keunggulan daripada rata-rata yaitu:
Pertama : Median tidak dipengaruhi oleh adanya angka-angka ekstrim dalam data yang
tersedia.
Kedua
: Median mudah dimengerti dan mudah menghitungnya, baik dari data yang
belum dikelompokkan maupun dari data yang telah dikelompokkan. Jugadapat
dihitung dari data yang telah dikelompokkan dengan kelas terbuka.
Ketiga
: Median dapat digunakan untuk data kuantitatip maupun data kualitatip.
Di samping keunggulah-keunggulan di atas, median tidak lepas dari beberapa kelemahan:
Pertama : Median hanya dapat ditentukan dari data yang telah diurutkan sehingga hal ini
Kedua
membutuhkan waktu yang tidak sedikit. Di samping itu, jika jumlah datanya
demikian besar, maka pengurutan pun sulit dilakukan.
: Oleh karena median dihitung bukan mendasarkan pada nilai-nilai data
mendasarkan jumlah data- maka median sulit dijadikan sebagai ukuran pusat
data yang dapat menggambarkan rangkaian datanya. Misalnya, dua rangkaian
data berikut memiliki median yang sama akan tetapi median pada rangkaian
kedua jelas tidak representatip jika dijadikan sebagai ukuran pusat data.
6, 9, 12, 14, 17,21
6,9, 12,100,140,500
4.4 MODE
Mode, sebagai ukuran pusat data, berbeda dengan rata-rata hi tung dalam penentuannya.
Mode lebih mirip median dalam penentuannya yang tidak melalui proses aritmatik seperti
halnya penentuan rata-rata.
Mode adalah suatu nilai yangterdapat dalam serangkaian data yang memiliki frekuensi
tertinggi.
4.4.1 Mode dari Data yang Belum Dikelompokkan
Untuk data yang belum dikelompokkan, mode lebih mudah ditentukan jika data yang
tersedia telah disajikan dalam keadaan terurut.
Contoh 10
Lihat contoh 3. Pada tabel berikut ini, mode dapat ditentukan dengan mudah yaitu
RplOO.OOO.OOO,OOkarenanilaiomzetsebesarRplOO.OOO.OOO,OOmemilikifrekuensitertinggi
daripada frekuensi nilai-nilai omzet yang lainnya.
74
Tabel4.19
Omset
'
'
Rp 90.000.000.00
~~~~
~,.
.&"'f"
RplOO.OOO.OOlM>O
mode
Rptoo.ooo.ooo.oo
Rptos.ooo.ooo.oo
RpllO.OOO.OOO,OO
Mode serangkaian data dimungkinkan lebih dari satu, seperti contoh berikut ini:
Contoh 11
Misalnya, omzet penjualan pada bulan Maret 1993 dapat ditunjukkan sebagai berikut:
Tabe14.20
-Mata.raln Raya i
"Mataram Raya 2'
"Mataram Raya 3'
''Ma~ Raya 4..
"Matar;.un Raya 5"
~ "Mataram Raya 6..
''Mataram Raya T
''
Rp
.ft/k;
'
,'
90.000~000;00:,'
Rp 9S.O()(tOoo.(J0,
Rp 95.000.000,00
RplOO.OOO.OOO,OO
Rptos.ooo.ooo.oo
RpllO.OOO.OOO,OO
Rpllo,ooo.ooo.oo
mode 1
mode2
Di samping itu, serangkaian data pun dimungkinkan tidak memiliki mode seperti yang
terlihat pada contoh 1 dan 2.
estimatip mode data yang telah dikelompokkan agaknya berbeda dengan sifat estimatip
untuk rata-rata dan median. Mode data yang telah dikelompokkan dapat berbeda jauh dari
data yang sebenarnya. Berikut dikutip kembali distribusi usia 60nasabah baru dari tabel4.8.
Tabel4.21
Distribusi Usia 60 Nasabah Baru
PT Asuransi Jagat Raya
lisia
Frekuensi
25-29
30-34
35-39
45-49
50-54
14
10
18
7
3
Jumlah
60
~-44
Dari tabel tersebut mode usia diperkirakan terletak pada kelas yang berfrekuensi
tertinggi yaitu kelas ke-4. Akan tetapi mode yang sebenamya mungkin terletak di kelas yang
lain. Misalnya, data asli usia keenampuluh nasabah tersebut dirinci sebagai berikut:
Tabel4.22
Distribusi Usia 60 Nasabah Baru
PT Asuransi Jagat Raya
llsia
Frckucnsi
Rincian usia
~~~~---~~-~----~~--~~~~~~----~~--~--~~----~
25-29
30-34
8
14
------10
f--
., _ _,_,_._ -w
-~-
35-39
0-
50-54
----~--
_ _ ,_ _ ,_,.
!
'
18
7
~"
'"'- --"'-
-- --
''-~"A~
36 37 37 37
37 37 ..
37 37
37 37 38 39
n,,.,_
... ---
- - - ~~4v-- ~----~~n.""
40-44
45-49
25 25 25 26 26 27 27 28
30 30 31 31 31 31 31 31 31 32 32 32 33 34
--~~---.-' v---~~
----~
----
40 40 40 40 40 40 41 41 41 41 41 41 42 42 42 43 43 43 44 44 44 44
45 45 46 46 48 48 48 49 49
50 53 54
Jumlah
60
Dari tabel tersebut dapat dibuktikan bahwa ternyata mode tidak terletak pada kelas ke4 namun pada kelas ke-3. Sebenarnya bukan saja perbedaan kelas mode saja, namun nilai
mode itu sendiri dimungkinkan berbedajauh. Dari rincian data asli tersebut, modenya adalah
76
37 dengan frekuensi terbesar yaitu 9 nasabah dan bukan angka-angka yang berada antara 40
bingga 44 pada kelas ke-4. Selanjutnya akan dibandingkan bagaimana basil perhitungan
mode untuk data yang telah dikelompokkan. Mode data Y.ang dikelompokkan dirumuskan:
J
mo :Mode
Bm : Tepi batas kelas bawah pada kelas mode.
i
: Interval kelas
d 1 : Frekuensi kelas mode dikurang frekuensi kelas sebelum kelas mode.
d 2 : Frekuensi kelas mode dikurang frekuensi kelas sesudab kelas mode.
Dari tabel4.21, mode dapat dibitung sebagai berikut:
Bm : (39 + 40)/2 =39,5
1
: 5
d, :18 10=8
d2 :18-7=11
(4.12)
mo
Ternyata basil perbitungan yang diperoleb berbeda jaub. Dari data yang belum
dikelompokkan, modenya 37 tabun sedangkan dari data yang telah dikelompokkan, modenya
41 tahun 7 bulan.
Mode memiliki beberapa keunggulan:
Pertama : Seperti balnya pada median, mode dapat digunakan untuk datakualitatip sebaik
penggunaannya untuk data kuantitatip.
Kedua
: Juga seperti pada median mode tidak dipengarubi oleb adanya angka-angka
ekstrim pada data yang tersedia.
Ketiga
: Mode juga dapat dibitung untuk data yang telah dikelompokkan dengan kelas
terbuka.
Di samping keunggulan yang dimiliki, mode juga memiliki kelemahan. Dalam kasuskasus tertentu, mode tidak dijumpai dalam serangkaian data. Tentu saja sebagai nilai tunggal
yang bertindak sebagai ukuran pusat data, tidak dapat digunakan. Demikian juga jika mode
yang ada justru lebih dari satu, mode tidak dapat digunakan sebagai ukuran pusat data
(sebagai ukuran pusat data harus merupakan angka tunggal).
77
Hubungan antara rata-rata, median, dan mode dapat diikuti pada gambar 4.4, gambar 4.5,
dan gambar 4.6 secara berturut-turut. Pada distribusi frekuensi yang berbentuk simetris
(gambar 4.4), rata-rata, median, dan mode terletak dalam satu titik. Dengan kata lain, ratarata sama dengan median dan sama dengan mode. Sedangkan pada distribusi yang menceng
ke kanan atau menceng secara positip (gambar 4.5), berturut-turut ketiga ukuran tersebut
akan berurutan mode, median, dan terakhir rata-rata. Dan yang terakhir, jika distribusi
frekuensinya menceng ke kiri atau menceng secara negatif, maka ketiga ukuran tersebut akan
berurutan rata-rata, median, dan mode (gambar 4.6).
Terlihat bahwa rata-rata dapat berubah demikian jauh dibanding dengan kedua ukuran
lainnya. Hal ini tidak ter~epas dari kelemahan rata-rata itu sendiri, yaitu kuatnya pengaruh
angka-angka ekstrim terhadap rata-rata. Berikut dapat diikuti tiga contoh berturut-turut yang
dapat menjelaskan ketiga bentuk hubungan rata-rata, median, dan mode.
X=md=mo
Xmdmo
Gambar4.4
mo
md
x.
Gambar4.5
X=md<mo
md
mo
Gambar4.6
Hubungan Rata-rata, Median, dan Mode
pada Distribusi Frekuensi yang Menceng Secara Negatip
Yang harus diingat bahwa median senantiasa terletak di an tara median dan mode.
Contoh 12
Dari distribusi frekuensi berikut ini, hitunglah rata-rata, median, dan modenya!
Tabel4.23
Distribusi Frekuensi Usia 80
Karyawan PT Cilandung
Kelas
Frekuensi
20- < 30
30- < 40
40-<50
50-< 60
60- < 70
70- < 80
80- < 90
6
9
15
20
15
9
6
Jumlah
80
79
a.
Rata-rata
Tabel4.24
85
9
6
Jumlah
80
4.400
35
'
20
15
15
md=50+ 10
150
315
675
1.100
975
675
510
45
55
65
"
6
9
15
2S
b. Median
X.f
:X= 4.400
80
X=55
t40;030]
md=55
c.
Mode
mo=50+ 10
t5~5
mo=55
Perhatikan bahwa perhitungan rata-rata, median, dan mode memberikan basil yang sama
yaitu 55.
Contoh 13
Dari distribusi frekuensi berikut ini, hitunglah rata-rata, median, dan modenya!
80
Tabel4.25
a.
Kclas
Frckucnsi
20- < 30
30- < 40
40-<50
50-< 60
60- < 70
70- < 80
80- < 90
5
10
25
15
10
Jumlah
80
Rata-rata
Tabel4.26
fI
25
35
45
55
65
75
85
5
10
25
15
10
8
7
Jumlah
80
X.f
I
I
I
'
J
Ii
I
b.
125
350
1.125
825
650
600
595
X= 4.270
80
X= 53,375
4.270
Median
md=40+ 10 [40;515]
md=50
81
c.
Mode
15
]
L15 + 10
mo = 40 + 10 [
mo=46
a.
Kclas
Fn~kucnsi
20-<30
30- <40
40-<50
50- <60
60- <70
70- < 80
80-<90
7
8
10
15
25
10
Jumlah
80
Rata-rata
Tabel4.28
Penghitungan Rata-rata (Mean), Median, dan Mode Usia 80
Karyawan PT Cihampel
X
25
35
45
55
65
75
85
Jumlah
82
X.f
I
175
280
450
825
1.625
750
425
80
4.530
8
10
15
25
10
x = 4.530
80
X= 56,625
b.
Median
md=50+ 10
[40;015]
md=60
c.
Mode
mo = 60 + 10
[10~15]
mo=64
Dapat diketahui dari basil perhitungan di atas bahwa X < md < mo.
4.6 KUARTIL, DESIL, DAN PERSENTIL
Jika tiga ukuran di atas merupakan ukuran lokasi yang cenderung bertindak sebagai
ukuran pusat data, maka ketiga ukuran ini hanya merupakan ukuran lokasi. Kendati bukan
sebagai ukuran pusat data, ukuran ini banyak bermanfaat bagi para pengambil keputusan.
Pada akhir sub-bab akan disajikan satu contoh penggunaan ukuran ini (contoh 18). Tiga
ukuran tersebut ada1ah kuartil, desil, dan persentil. Untuk ketiga-tiganya, pembahasan akan
ditekankan untuk data yang telah dikelompokkan saja. Dalam perhitung~n nanti, ketiga
ukuran ini tidak berbeda dengan perhitungan median.
4.6.1 Kuartil
Jika dalam menentukan titik letak median sederetan data terurut dibagi menjadi dua,
maka kuartil membagi sederetan data terurut menjadi empat bagian yang sama. Dengan
demikian, nantinya akan terdapat tiga kuartil yaitu kuartil pertama (Q 1}, kuartil kedua atau
median, dan kuartil ketiga (Q 3). Titik lokasi ketiga kuartil (untuk data yang telah
dikelompokkan) tersebut secara sederhana dapat dirumuskan_sebagai berikut:
(4.13)
83
'),'+
Q1
Kuartil pertama
Kuartil ketiga
Bq : Tepi batas kelas bawah pada kelas kuartil.
: Interval kelas
n : Ukuran sampel
fkq : Frekuensi kumulatip sebelum kelas kuartil
f q : Frekuensi pada kelas kuartil
Q3
Contoh 15
Lihat contoh 14. Tentukanlah kuartil pertama dan kuartil ketiga!
Kuartil pertama:
Titik kuartil pertama: 80/4 = 20
Bq :40
i
: 10
fkq : 15
fq : 10
Q = 40 + 10.
t201~15]
Ql =45
Kuartil ketiga:
Titik kuartil ketiga : 240/4 =60
Bq :60
fkq
fq
: 10
: 40
:25
Q=60+ 10.
Q3 =68
84
t60~40 j
(4.14)
n/10
2n/10
3nl10
4n/10
Sn/10
6n/10
7n110
8nll0
' 9n/10
<---mectian
85
',',
'<4
'"','
Tabe14.30
Letak Beberapa Titik Persentil
Persentil ke-1
Persentil ke-12
Persentil ke-27
Persentil ke-87 .
Persentil ke-99
n/100
12n/100
27n/100
87n1100
99n1100
Contoh 17
Lihat.contoh 14. Tentukan persentil ke-67!
Letak titik persentil ke-67
Bp (tepi batas bawah kelas persentil)
fkp (frekuensi kumulatip sebelum kelas persentil)
fP (frekuensi pada kelas persentil)
53,625[
(80 X 67)/1 00 = 56
60
40
25
4~lJ
= 65,44
Contoh 18
Perusahaan Baldroc yang bergerak dalam penjualan bahan-bahan bangunan
mempekerjakan 50 tenaga penjual (salesman) yang beroperasi dari rumah ke rumah. Selama
semester pertama tahun 1994, total ni1ai penjua1an masing-masing tenaga penjualan dapat
disajikan sebagai berikut:
Tabel4.31
Total Nilai Penjualan 50 Tenaga Penjual
di Perusahaan Baldroc selama Semester I 1994
86
Nilai Pcnjualan
Tcnaga Pcnjual
4
9
11
15
7
Jumlah
50
~ '
,'"
Pimpinan Perusahaan Baldroc menetapkan bahwa tenaga penjual yang dapat mencapai
nilai penjualan Rp275.000,00 atau lebih akan menerima bonus sebesar 10% dari nilai
penjualan. Perkirakan jumlah tenaga penjual yang menerima bonus tersebut!
Nilai penjualan sebesar Rp275.000,00 memiliki fungsi sebagai ukuran lokasi. Dalam
kasus di atas, ukuran lokasi yang dapat digunakan adalah persentil.
275.000 =250.000 + 50.000.
ro~; 24 J
Contoh 19
Untuk meningkatkan volume penjualan, toko Panen Raya sering memberikan potongan
yang menarik kepada pembeli yang melakukan pembelian dalam jumlah banyak. Pada hari
pertama bulan Juni 1994, jumlah pembeli yang melakukan pembelian pada toko tersebut
adalah ditunjukkan pada tabel 4.32.
Dengan menggunakan perumusan rata-rata hitung (4.2), maka rata-rata hargajualnya
adalah:
-X = Rp250 + Rp225 + Rp260 + Rp260 + Rp220 + Rp265
~----~~--~~--~6~----~----~---
X= Rp246,67
87
Tabel4.32
Harga dan Volume Penjualan Barang X
dari 6 Orang Pembeli di Toko Panen Raya
Pemhtli
llarga/Kg
Yolumc (Kg)
Reimon
Melan
dl.marto
Rp250,00
Rp225,00
Rp260,00
Rp260,00
Rp220,00
Rp265,00
300
500
250
275
550
225
Nining
DoyokSuri
BonyLartus
Pl'll1hl'li
llarga/Kg
\ olumc (Kg)
Reimon
Melan
Rp250,00
Rp225,00
Rp26Q.OO
Rp260,00
Rp220,00
Rp265,00
300
500
250
275
.Gunarto
Nining
:poyokSuri
BonyLartus
550
225
Nilai
penjuala~1
Rp 75.000,00
Rpll2.500,00
Rp 65.000,00
Rp 71.500,00
Rpl21.000,00
Rp 59.625,00
Rp474.625,00
Dapat dilibat bahwa basil pengbitungan tersebut tidak sama. Dalam mengbitung barga
rata-rata, dalam kasus ini barns diperbatikan faktor lainnya yaitu volume penjualan yang
fungsinya sebagai timb<.mgan atau bobot.
88
Tabel4.34
Reimon
Melan
Gunarto
Nining
DoyokSuri
BonyLartus
llaq~a
Rata-rata
\ olullll'
Rp246,67
Rp246,67
Rp246,67
Rp246,67
Rp246,67
Rp246,67
t h~l
NiL1i ptllju;d.
300
500
250
275
550
225
X =
B
~I. I.B
(B, X]
(4.15)
XB :Rata-rata tertimbanglberbobot
B
X
Timbanganlbobot ke-i
:Data ke-i dari variabel acak X
:
1
I
I,(Bi.X) sendiri adalah total nilai penjualan (perhatikan tabel 4.33) yaitu Rp474 625,00.
Dengan demikian, rata-rata harga jual dapat dihitung sebagat berikut:
X= Rp474.625,00
2.100*)
XB = Rp226,01
*) 2.100 = 300 + 500 + 250 + 275 + 550 + 225
Jika digunakan untuk menghitung nilai penjualan, hasilnya harus sama dengan
Rp474.625,00.
89
Tabe14.35
Harga Rata-ntta
Volume (Kg)
Nilai penjualun
Reimon
Melan
Rp226,01
Rp226,01
Rp226,01
Rp226,0l
Rp226,01
Rp226,01
300
500
250
275
556
225
Rp 67.803,00
Rp113.005,00
Rp 56.502,50
Rp 62.152,75
Rpl24.305,50
Rp 50.875,25
..Gunarto
Nining
DoyokSuri
BonyLartus
Rp474.621,00
Hasil perhitungan tersebut memang tidak sama persis. Hal ini disebabkan pengaruh
pembulatan dalam menghitung rata-rata tertimbang di atas yang seharusnyaRp226,011904762
sehinggahasilnya: Rp226,011904762(300+500+ 250+ 275 + 550+ 225)= Rp474.625,00.
Contoh 20
Seorang mahasiswa dari STIE Gadjah Mungkur pada semester kedua tahun akademik
1993/1994 berhasil menyelesaikan ujian-ujiannya dengan nilai-nilai:
Tabel4.36
.\Iatakuliah
1.
2.
Pengantar Akuntansi II
Pengantar Ekonomi II
Pengantar Ekonomi Perusahaan ll
Pengantar Hukum Dagang II
Bahasa Inggris II
Matematika II
3.
4.
5.
6.
SKS
Nilai
4
4
2
2
2
2
A
A
Tabel4.37
1.
2.
3.
4.
5.
6.
\latakuliah
SKS
Pengantar Akuntansi II
Pengantar Bkonomi ll
Pengantar Ekonomi Perusahaan ll
Pengantar Hukum Dagang II
Bahasa Inggris ll
Statistika I
Indek Prestasi
4
4
2
2
2
2
Nilai
Komcrsi
SKS x Kon.\ilai
3
4
4
2
4
12
16
8
4
8
A
A
=52/16 = 3,25
Contoh 21
Perkembangan harga per lembar saham PT Inti Persada selama rninggu terakhir bulan
Juni 1993 di Bursa Saham Surabaya adalah sebagai berikut:
Tabel4.38
Harga
Senin
Selasa
Rabu
Rp 9.900,00
RplO.lOO,OO
Rpl0.200,00
Rpl0.550,00
Rp10.800,00
Rp 11.200,00
Kamis
Jum'at
Sabtu
Terlebib dahulu dibitung rasio faktor pertumbuhan barga saham terse but dari bari ke
bari seperti berikut:
Tabe14.39
Perkembangan Darga per Lembar Saham PT Inti Persada
llari
llar~a
Rasio
Rp 9.900.00
Senin
Selasa RplO.lOO.OO
Rpl0.200,00
Rabu
Rpl0.550,00
Kamis
Rpl0.800,00
Jum'at
.
Rpll.200.00
Sabtu
1,0202
=10.100/9.900
1,0099 = 10.200/10.100
1,0343 == 10.550/10.200
1,0237 = 10.800/10.550
1,0370= 11.200110.200
Rasio pertumbuhannya sendiri adalah rasio faktor pertumbuban dikurang satu. Dari
tabel4.39 di atas, misalnya, rasio pertumbuban pada bari Kamis adalah 0,0343 ( 1,0343 - 1).
Dengan menggunakan perumusan rata-rata bitung, maka rata-rata rasio faktor
pertumbuban barga saham tersebut adalab:
x=
x = 1,02502
Dengan menggunakan perumusan rata-rata bitung, rata-rata pertumbuban harga saham
adalah 0,02502 (1,02502- 1) atau 2,502%. Benar tidaknya basil perbitungan tersebut barns
dibuktikan dengan menggunakan basil perbitungan tersebut untuk menentukan barga sabam
pada akhir periode data (bari Sabtu). Jika basil perbitungannya adalah Rp11.200,00 maka
basil perbitungan tersebut (1,02502) adalah benar. Perbatikan tabel perbitungan berikut ini:
Tabel4.40
Pembuktian Bahwa Darga Rata-rata Pertumbuhan
Darga Saham adalah 0,02502 (1,02502 -1)
9.900,00 X
10.147,70 X
10.400,88 X
10.661,11 X
10.627,85 X
1.02502 = 10.147,70
1,02502 =10.400,88
1,02502 10.661,11
1,025Q2 = 10.927,85
1,02502 = 10.893,76
X.,
=fl x, X X, X X, X X x.
(4.16)
Dengan menggunakan perumusan tersebut, maka rata-rata pertumbuban barga saham adalah
sebagai berikut:
XG = 'f/1,0202
1,0099 X 1,0343
1,0237 X 1,0370
Melalui proses pembuktian seperti pada tabel4.40, maka basil perkalian terakhir (atau
barga saham pada hari Sabtu) adalah Rp 11.200,00 ( sebarusnya 11.200,941307).
Perbitungan rata-rata geometrik dapat juga dilakukan dengan menggunakan perumusan:
+~
~~-l~'l
log 1,0202 +log 1,0099 +log 1,0343 +log 1,0237 +log 1,0370
log G = 0,0107133515098
G =antilog 0,0107133515098
93
5.1 PENDAHULUAN
Pada bab sebelumnya telah dibabas salab satu karakteristik data, yaitu ukuran pusat data
atau ukuran gejala pusat. Karakteristik data yang lainnya adalah variabilitas data. Ada yang
menyebutnya dengan istilah dispersi atau penyebaran data. Karakteristik data ini mengukur
bagaimana data observasi tersebar.
Ukuran variabilitas sangat penting artinya bagi penggambaran serangkaian data, lebiblebib jika seseorang ingin membandingkan dua atau lebib rangkaian data. Dalam usaha
membandingkan beberapa rangkaian data, penggunaan ukuran pusat data saja tidak akan
memberikan basil yang baik, babkan dapat memberikan basil yang menyesatkan. Ada
beberapa kemungkinan yang terjadi jika an tara ukuran pusat data- misalnya rata-rata dan
ukuran variabilitas data dibubungkan satu dengan lainnya.
a. Beberapa rangkaian data memiliki rata-rata yang sama, namun merniliki variabilitas
yang berbeda (gambar 5.1.a).
b. Beberapa rangkaian data memiliki rata-rata yang berbeda, namun memiliki variabilitas
yang sama (gambar 5.l.b).
c. Beberapa rangkaian data memiliki rata-rata dan variabilitas yang berbeda (gambar
5.1.c).
d. Beberapa rangkaian data merniliki rata-rata dan variabilitas yang sama (gambar 5.1.d).
Pada gambar-gambar di atas (gambar 5.1 ), variabilitas ditunjukkan oleb keruncingan
masing-masing poligon frekuensi. Semakin runcing sebuab poligon frekuensi, maka
data yang digambarkan oleb poligon tersebut akan semakin kecil variabilitasnya. Dan
semakin pipib poligon frekuensi data bersangkutan, maka variabilitas data tersebut
semakin besar.
Pada bab ini akan dijelaskan berbagai alat yang dapat digunakan untuk mengukur
variabilitas serangkaian data, dari yang paling sederbana bingga sampai pada uk~ran
variabilitas yang memberikan basil perbitungan yang memuaskan. Alat-alat tersebut adalah:
j angkauan (range), inter-kuartil, deviasi-kuartil, deviasi rata-rata, variasi (varian), simpangan
baku, dan koefisien variasi.
94
Gambar 5.1
Rangkaian Data Ditinjau dari Kondisi
Rata-rata dan Variabilitas
5.2 JANGKAUAN, INTER-KUARTIL, DAN DEVIASI KUARTIL
5.2.1 Jangkauan
Jangkauan atau range, adalah beda antara angka data terbesar dan angka data terkecH
yang dirumuskan:
Jangkauan =Angka terbesar - angka terkecil
(5.1)
Contoh 1
Berikut adalah data penjualan dari sampel tenaga penjual (salesman) CV Berlian Jaya
yang melakukan penjualan di dua kota:
Tabel5.1
Data Penjualan dari 6 Tenaga Penjual CV Berlian Jaya
Tenaga Pcnjual
Emita
Biantoro
Ceceh
Bony
Endro
Fariza
Bandung
Circhon
Rp 90.000,00
RpllO.OOO,OO
Rp220.000,00
Rpl40.000,00
Rp 160.000,00
Rp180.000,00
Rp160.000,00
Rp 140.~0,00
Rp150.000,00
Rp 150.000,00
Rp 170.000,00
Rpl30.000,00
95
Jangkauan nilai penjualan tenaga penjual CV Berlian Jaya di Bandung dan Cirebon
adalah:
Bandung: Rp220.000,00- Rp 90.000,00 = Rp130.000,00
Cirebon: Rp 170.000,00 - Rp 130.000,00 = Rp 40.000,00
Dilihatjangkauannya, nilai penjualan di kota Bandung rnerniliki variabilitas yang lebih
tinggi dibanding dengan nilai penjualan di kota Cirebon. Akan lebih jelas lagi jika angkaangka di atas dituangkan dalarn garis skala seperti berikut ini:
Jangkauan nilai penjualan di kota Bandung
r------------- 130.000-----------,
o--A---o-B--o--o--D---o-E---o-F--o------o---o-C
8
9
10 11
12 13
14
15 16 17
18
19 20
21 22
o--~-o---o---~--F--B---C---A---E---o-o---D---D---D
(5.2)
Q1
Q3
:
:
Kuartil pertama
Kuartil ketiga
Seperti halnya dengan cara pertama, jangkauan, rnaka penghitungan inter-kuartil tidak
melibatkan seluruh data yang ada.
Contoh 2
Lihat contoh 1. Hitunglah inter-kuartilnya!
Bandung:
(n + 1)
96
=7/4 =1 75
'
'
Kuartil ketiga
lnter-kuartil
= 190.000 = 85.000
105.000
Cirebon:
Kuarti1 pertama = 130.000 + (140.000- 130.000)0,75
= 137.500
Kuartil ketiga = 160.000 + (170.000 - 160.000)0,25
= 162.500
= 162.500 = 25.000
Inter-kuartil
137.500
Kesimpulan yang dapat diambil sama seperti pada cara penentuan jangkauan, bahwa
nilai penjualan di kota Bandung memiliki variabilitas yang lebih tinggi dibanding dengan
variabilitas nilai penjualan di kota Cirebon. Jika digambarkan pada garis skala dapat dilihat
sebagai berikut:
Inter-kuartil nilai penjualan kota Bandung
Inter-Kuartil nilai penjualan kota Bandung
, - - - - - - - - - - - 85.000 - - - - - - - - - - - - .
o----A--o-B----{}----{)---D--o-E---<r-F-----o----<>--<
8
10
11
12
13
14
15
16
17
18
19
20
21
22
~~~~r-~~~--F--B---C---A---E--o-~-~-~-~
97
:-
'
'
'
'
(5.3)
Q1
Q3
:
:
Kuartil pertama
Kuartil ketiga
Contoh 3
Perhatikan contoh 1. Hitunglah deviasi kuartilnya!
Bandung:
Deviasi kuartil
=Q 1 ;
Deviasi kuartil
=(190.000- 105.000)/2
= 42.500
Q3
Cirebon:
Deviasi kuartil
=Q 1 ;
Deviasi kuartil
Q3
Tidak berbeda dengan kedua cara sebelumnya, dengan deviasi kuartil, nilai penjualan
kota Bandung menunjukkan variabilitas yang lebih tinggi.
5.3 DEVIASI RATA-RATA
: Rata-rata sampel
: Ukuran sampel
98
Untuk populasi
(5.5)
Perhatikan bahwa basil pengurangan data observasi dengan rata-ratanya berada dalam
tanda dua garis tegak. Tanda ini menunjukkan bahwa basil pengurangan tersebut berbentuk
bilangan absolut (senantiasa dalam bilangan positip). Jika basil pengurangan tersebut -19
misalnya, maka bilangan absolutnya adalah 19. Demikian seterusnya. Dengan sendirinya,
sebelum menghitung deviasi rata-rata, hams dihitung terlebih dahulu rata-ratanya.
Contoh 4
Lihat contoh 1. Hitunglah deviasi rata-rata data nilai penjualan di kedua kota tersebut!
Rata-rata nilai penjualan di kota Bandung:
90.000 + 110.000 + 220.000 + 140.000 + 160.000 + 180.000
6
Rata-rata (X)= Rp150.000
Rata-rata nilai penjualan di kota Cirebon:
160.000 + 140.000 + 150.000 + 150.000 + 170.000 + 130.000
6
Rata-rata (X)= Rp150.000
Perhitungan deviasi rata-rata selanjutnya adalah sebagai berikut:
Tabel5.2
90.000
110.000
220.000
140.000
160.000
180.000
Jumlah
X
l'
Il
;
I
1
I
;
150.000
150.000
150.000
150.000
150.000
150.000
I X I -X I
60.000
4o.ooo
70.000
10.000
10.000
30.000
'220.000
'
Tabel5.3
160.000
140.000
150.000
. 150.000
170.000
l30.ooo .
Jumlah
IX-XI
150.000
150.000
150.000
10.000
10.000
150.000
150.000
0
20.000
20.000
150.000
60.000
f----------------c
A
----------------------~
F
B-------------~
D-
o---A---o-B--o---<r----D-o-----E---o--F--o---o---o---8
10
11
12
13
14
15
16
17
18
19
20
21
22
~~~_,r-~~~---F---B---C---A---E--~--~--4r--~--~
c
A
E
Gambar 5.4
Garis Skala Nilai Penjualan di kota Bandung dan Cirebon
100
Jika dibandingkan, terlihat bahwa untuk data yang memiliki variabilitas tinggi, letakletak data observasi tersebar lebih berjauhan terhadap rata-ratanya dibanding dengan data
yang memiliki variabilitas yang lebih rendah. Dengan kata lain, data yang memiliki
variabilitas kecil, letak-letak data observasinya cenderung mengelompok berdekatan dengan
rata-ratanya.
Untuk sampel
Deviasi rata-rata =
I.IX.-XI.f.
'n
'
X,
f
n
: Rata-rata sarnpel
: Frekuensi kelas ke-i
: Ukuran sampel
(5.6)
Untuk populasi
. .
I.IX.-u l.f
I
rx
l
DeVIaSl rata-rata =
N
X,
f.Lx
f
N
I
(5.7)
Contoh 5
Berikut disajikan data saldo piutang dagang PT Zamrud Katulistiwa yang diambil dari
transaksi penjualan di kedua kantor cabang yang dimilikinya.
101
Tabel5.4
Distribusi Saldo Piutang Dagang PT Zamrud Katulistiwa
Cabang Kediri dan Malang (dalam satuan Rpl.OOO,OO)
Saldo Piutang
Kediri
!\Ia lang
60 atau lebih
70 atau lebih
80 atau lebih
90 atau lebih
100 atau lebih
110 atau lebih
120 atau lebih
55
51
42
26
12
3
0
60
54
46
34
20
9
0
Kediri
!\lalang
60-<70
70-<80
80-<90
90- <100
100- <110
110- <120
4
9
16
14
9
3
6
8
12
14
11
9
Jumlah
55
60
102
Tabel5.6
Penghitungan Rata-rata
65
75
85
95
105
115
Jumlah
600
16
14
9
3
12
14
11
9
1.020
1.330
1.155
1.035
55
4.915
60
5.530
X = 4 915
55
390
260
675
1.360
1.330
945
345
= 5.530 =92 17
=89 ' 36
60
X = Rp89.360,00
'
X = Rp92.170,00
Tabel5.7
65
Deviasi rata-ratanya
IX I
X I .f
75
85
95
105
115
4
9
16
14
9
3
97,44
129,24
69,76
78,96
140,76
76,92
Jumlah
55
593,00
= 593,08/55
10.780
103
Tabel5.8
Penghitungan Deviasi Rata-rata
Saldo Piutang PT Zamrud Katulistiwa Cabang Malang
Saldo piutang, \
_,
Deviasi rata-ratanya
I X- X l.f
I
65
15
85
95
105
115
12
14
11
9
163,02
' 137,36
86,04
39,62
141,13
205,47
Jumlah
60
772,64
=772,64/60
= 12.880
Dari basil perhitungan tersebut, diketahui bahwa variabilitas data saldo piutang dagang
PT Zamrud Katulistiwa cabang Malang lebih tinggi daripada cabang Kediri.
Hasil penghitungan variabilitas dengan menggunakan deviasi rata-rata ini tentu saja
jauh Iebih baik daripada menggunakanjangkauan, inter-kuartil, dan deviasi-kuartil, karena
penghitungan deviasi melibatkan seluruh data observasi. Akan tetapi deviasi rata-rata
masih memiliki kelemahan. Untuk memperoleh nilai-nilai beda data observasi dengan
rata-ratanya yang positip, metode ini mcnganggap sama antara nilai-nilai negatip dan
positip. Secara matematik, kedua sifat bilangan itu, positip dan negatip, harus dibedakan
dengan tegas.
5.4 VARIASI DAN SIMPANGAN BAKU
104
Untuk populasi
{S.8)
cr /
X
I
).l,
: V ariasi populasi
:Data ke-i dari variabel acak X
: Rata-rata populasi
: Ukuran populasi
Untuk sampel
s2
X
X
n
: Variasi sampel
:Data ke-i dari variabel acak X
: Rata-rata sampel
: Ukuran sampel
Untuk populasi
(J
(!, X.)2
2 = N.L, X2I
I
(5.10)~
Untuk sampel
82
s2
XI
n
= N.L, X/ - (L, X/
n (n 1)
(5.11)
~1
: Variasi sampel
:Data ke-i dari variabel acak X
: Ukuran sampel
105
Contoh 6
Lihat contoh 1. Variasi nilai penjualan CV Berlian Jaya di kota Bandung dan Cirebon
dapat dihitung seperti berikut ini:
Tabel5.9
Penghitungan Variasi Nilai Penjualan CV Berlian Jaya di Kota Bandung
Penjualan (X.)
Rata-rata (X)
(X. -X)
(X. - X) 2
X2
90
110
220
150
160
180
150
150
150
150
150
150
-60
-40
-70
0
10
30
3.600
1.600
4.900
0
100
900
8.100
12.100
48.400
22.500
25.600
32.400
11.200
146.200
900
11.200
6- 1
s2 = 2.240
s2 = 2.240.000
s2 = 2.240
s2 = 2.240.000
Tabel5.10
Penghitungan Variasi Nilai Penjualan CV Berlian Jaya di Kota Cirebon
Penjualan (X)
160
140
150
150
170
130
!
900
106
Rata-rata (X)
(X.- X)
150
150
150
150
150
150
10
-10
0
0
20
-20
(X.X)2
I
X2
I
100
100
0
0
400
400
25.600
19.600
22.500
22.500
28.900
16.900
1.000
136.000
s2 = 200
s2 = 2000000
s2 = 200
s2 = 2000000
= l (Xi - 11Y fl
(5.12)
Da~a
.......
Untuk sampel
sz =
I, (Xi - X)2 f,
n-1
s2
XI
: Variasi sampel
: Titik tengah kelas ke-i
X
fI
: Rata-rata sampel
: Frekuensi kelas ke-i
: Ukuran sampel
(5.13)
107
Contoh 7
PT Widuri adalah sebuah perusahaan yang menghasilkan tegel, mempekerjakan 75
karyawan untuk bagian produksi. Gaji yang mereka terima per bulan untuk tahun 1993 adalah
sebagai berikut:
Tabe15.11
Distribusi Gaji per Bulan yang Diterima
Karyawan PT Widuri untuk Bagian Produksi Tahun 1993
Caji
Jumlah Karym\an
9
11
18
20
10
7
Jumlah
75
85.000
95.000
105.000
115.000
125.000
135.000
Jumlah
Jl
= 8.195.000
108
75
Jlx
= 109.266,67
9
11
18
20
10
7
X .. f
I
765.000
1.045.000
1.890.000
2.300.000
1.250.000
945.000
8.195.000
Tabel5.13
Penghitungan Variasi Gaji yang Diterima
Karyawan PT Widuri untuk Bagian Produksi Tahun 1993
85.000
95.000
105.000
115.000
125.000
135.000
9
11
18
20
10
7
Jumlah
5.299.841.456
2.238.916.601,78
327.680.512
657.421.457,78
2.475.376.728,89
4.635.429. 910,22
15.634.666.666,7
=15.634.666.666,7
0' 2 = 208.462.222,22
75
Seringkali angka-angka yang dihadapi tergolong besar sehingga dapat menyulitkan
dalam proses perhitungan. U ntuk itu, perumusan di atas dapat diringkas dengan menggunakan
cara pengkodean yang dirumuskan seperti berikut ini:
0'
Untuk populasi
(5.14)
cr
'
U
f
: Variasi populasi
: Interval kelas
Kode U pada kelas ke-i
: Frekuensi kelas ke-i
: Ukuran populasi
:
Untuk sampel
.,
s2 = 1"
s2
U,
f
n
I
i u2
I
f_<I f/J
I
ulN .
(5.15)
n- 1
Variasi sampel
: Interval kelas
: Kode U pada kelas ke-i
: Frekuensi kelas ke-i
: Ukuran sampel
.:
109
Tabel5.14
Penghitungan Variasi Gaji yang Diterima
Karyawan PT Widuri untuk Bagian Produksi Tahun 1993
dengan Cara Pengkodean
f
u .f
U2
-2
-27
-22
-18
0
10
14
4
1
0
1
4
-3
-43
19
Kodc U
-3
-2
-1
0
1
9
11
18
20
10
7
75
lJ 2.f'
I
81
44
18
0
10
28
181
Untuk populasi
(5.16)
Untuk sampel
s=
110
v!
(X- X)2
n-
(5.17)
-I
s
X
X
n
Contoh 8
Lihat contoh 6. Simpangan baku nilai penjualan di kota Bandung adalah sebagai berikut:
2
s = :2.240.000. s ..J 2.240.000, s = Rp 1.496,66
5A:4 Simpangan Baku dari Data yang Telah Dikelompokkan
Adapun untuk data yang telah dikelompokkan, dengan mudah dapat dirumuskan seperti
berikut:
Untuk populasi
: Interval kelas
: Kode U pada kelas ke-i
: Frekuensi kelas ke-i
: Ukuran populasi
Untuk sampel
s
U
f
n'
Contoh 9
Lihat contoh 7. Simpangan bakunya dapat dihitung sebagai berikut:
2
cr X == 208.462.222,22 cr X = ..J 208.462.222,22
cr, =Rp14.438,22
111
k = 2 simpangan baku, maka persentase jumlah data observasi yang berada dalam jarak
tersebut adalah (1 - 0,25)100% = 75%.
k = 3 simpangan baku, maka persentase jumlah data observasi yang berada dalam jarak
tersebut adalah (1 - 0,11)100% = 88,89%
k = 4 simpangan baku, maka persentase jumlah data observasi yang berada dalam jarak
tersebut adalah (1 - 0,0625)100% = 93,75%
Penggunaan distribusi frekuensi yang simetrik dan berbentuk lonceng akan memberikan
basil pengukuran yang lebih tepat, yang besamya masing-masing:
k = 1 simpangan baku, maka persentase jumlah data observasi yang berada dalam jarak
tersebut adalah (1- 0,32)100% = 68%.
k = 2 simpangan baku, maka persentase jumlah data observasi yang berada dalam jarak
tersebut adalah (1- 0,05)100% = 95%
k = 3 simpangan baku, maka persentase jumlah data observasi yang berada dalam jarak
tersebut adalah (1 - 0,01)100% =99%
Perhatikan diagram berikut:
~--------------99%--------------~
4---------'95%--------.....
~8%_______..,..
/lx
Gambar 5.4
Diagram Penyimpangan Data Invidual dari Rata-ratanya
112
Simpangan baku juga bennanfaat dalam menjelaskan sejauh mana data individual
menyimpang dari rata-ratanya. Ukuran ini disebut sebagai standard score (angka baku).
Jika data observasi individual disimbulkan dengan X, maka angka baku dirumuskan seperti
berikut:
J.l.,
cr,
Contoh 10
Dalam penawaran perdana, saham PT Khasandy Group ditawarkan dengan kurs sebesar
3:25%. Rata-rata kurs saham pada penawaran perdana selama ini diketahui sebesar 345%
dengan simpangan baku sebesar 24%. Maka, angka baku untuk kurs saham PT Khasandy
Group pada penawaran perdana adalah:
324 - 345
A ng ka b a ku = --=--:---Angka baku = -0,83.
5.5 KOEFISIEN VARIASI
Simpangan baku adalah ukuran variabilitas secara absolut yang dinyatakan sama seperti
halnya satuan hitung data observasinya (data asli).
Perhatikan contoh berikut ini:
Contoh ll
Berikut disajikan dua rangkaian data sampel gaji yang dibayarkan PT leal Nusantara dan
CV Ice! Antara (Rp 1.000,00):
PT leal Khasandy:
250
275
290
300
225
325
210
300
290
281,5
350
90
80
IIO
160
99,5
75
100
CV Icel Khasandy:
100
90
110
80
Selanjutnya dapat dihitung bahwa, rata-rata gaji yang dibayar tersebut adalah
Rp28l .500,00 untuk PT leal Khasandy dan Rp99 .500,00 untuk CV Ieel Khasandy. Sedangkan
simpangan bakunya (rumus 5.12) adalah Rp43.143,82 untuk PT leal Khasandy dan
Rp24.545,88 untuk CV Iccl Khasandy.
113
Dari angka-angka di atas dapat disimpulkan bahwa variabilitas gaji yang dibayar tcmyata
lebih tinggi PT leal IDlasandy dibanding variabilitas gaji CV leel Khasandy. Apakah benar
demikian? Dari data yang diketahui terlihat bahwa angka-angka data PT leal Khasandy relatit
lebih besar dibanding angka-angka data pada CV leel Khasandy. Tentu saja angka rata-rata
yang diperoleh pun lebih tinggi PT leal Khasandy. Padahal simpangan baku sebagai pengukur
variabilitas, dihitung dari data observasi dan rata-ratanya yang telah diketahui berbeda jauh.
Dengan demikian alat ukur variabilitas tersebut, simpangan baku, tentu saja tidak layak
digunakan. Alat lain yang dapat digunakan adalah koefisien variasi yang merupakan rasio
antara simpangan baku dengan rata-ratanya yang dirumuskan seperti berikut,ini.
Untuk populasi
Koefisien V ariasi =
~: x- 100%
(5.21)
:Rata-rata populasi
Untuk sampel
Koefisien Variasi =
s
X
~ x 100%
(5.22)
PT leal Khasandy:
Koefisien variasi
= 43.143.,82
281.500
100 ~10
= 15,33%
CV Icel Khasandy:
Koefisien variasi
= 24.545,88
99.500
= 24,67%
Ternyata dengan koefisien variasi, variabilitas gaji yang dibayar lebih tinggi CV leel
Khasandy dibanding dengan PT leal Khasandy.
Demikian, untuk tujuan perbandingan variabilitas, penggunaan simpangan baku masih
dirasa belum cukup. Masih dibutuhkan, atau paling tidak perlu diuji dengan menggunakan
koefisien variasi.
114
Angka indeks adalah nilai relatip dengan angka dasar 100 persen atau perkalian 100
persen. Angka indeks dipakai sebagai indikator perubahan satu atau bermacam-macam hal
tertentu. Angka~angka indeks yang penting untuk kegiatan bisnis dan ekonomi dapat
dikelompokkan dalam 3 jenis:
1.
2.
3.
Indeks harga
Indeks kuantitas
Indeks nilai
Angka indeks dapat disusun untuk suatu komoditi tunggal yang disebut angka indeks
sederhana atau untuk sejumlah komoditi yang disebut angka indeks gabungan. Metode
perhitungan angka indeks sederhana diberikan dalam sub bab 6.1 dan angka indeks gabungan
dalam sub bab 6.2. Ada bermacam-macam rumus untuk menyusun angka indeks ini. Kriteria
yang digunakan untuk menguji sebuah rumus diberikan dalam sub bab 6.3. Seringkali
diperlukan suatu perubahan tahun dasar dari sekelompok angka indeks yang sudah disusun.
Metode pengubahan tahun dasar dari suatu periode ke peri ode lain dijabarkan dalam sub bab
6.4. Metode penyesuaian nilai rupiah dari suatu runtut waktu dengan indeks harga yang
disebut pendeflasian dibahas dalam sub bab 6.5.
6.1 ANGKA INDEKS SEDERHANA (UNTUK KOMODIT/ TUNGGAL)
. Angka indeks sederhana adalah angka indeks yang disusun dari suatu runtut waktu
mengenai komoditi tunggal. Angka indeks sederhana ini disebut relatif sederhana, karena
dinyatakan dalam suatu bentuk perbandingan. Suatu perbandingan mempunyai 2 bagian yaitu:
(a) bagian pertama (atau bilangan yang disebut pemyataan pertama)
(b) bagian kedua (atau dasar yang digunakan sebagai pembanding).
Kedua bagian itu dapat ditulis:
Perbandingan bagian pertama terhadap bagian kedua=w /(b) yang menunjukkan bahwa
(a) adalah bagian pertama dan (b) adalah bagian kedua.
Dengan demikian, apabila harga suatu jenis mobil adalah Rp3.000.000,00 pada tahun
1985 dan Rp3.750.000,00 pada tahun 1986, maka perbandingan harga tahun 1986 terhadap
harga tahun 1985 adalah:
115
hargath 1986=
harga th 1985
Persentase yang diperoleh dalam hasil bagi dengan mengubah koma dua angka desimal
di sebelah kanan menggambarkan nilai relatif bag ian dasar pertama dan 1 atau 100 persen
mewakili bagian kedua atau bagian dasar dari masing-masing kasus. Jika masing-masing
nilai relatif dalam suatu deret dikalikan atau dibagi dengan angka yang sama (selain nol)
hubungan nilai-nilai itu tidak berubah. Angka indeks itu secara berulang-ulang dinyatakan
dalam 100 x tiap-tiap persen dalam suatu deret. Hal ini dapat disederhanakan dengan
membuang tanda persen. Dalam contoh berikut angka dasamya adalah 100 yang menunjukkan
bahwa 100 mewakili 100%.
Secara umum indeks harga sederhana, kuantitas dan nilai relatif untuk suatu komoditi
tunggal dapat dihitung dengan rumus berikut:
Tabel 6.1
Contoh perbandingan angka indeks sederhana
1985
1986
3.000
3.750
100%
125%
100
125
80%
100%
80
100
116
Contob 1:
Misalkan data satuan harga dan jumlah kopi hi tam yang diproduksi di Lampung pada
tahun 197 I dan 1976 disajikan dalam tabel6.2, hitunglah angka indeks dengan menggunakan
tahun 1971 sebagai tahun dasar untuk angka indeks:
(a) harga,
(b) kuantitas.
(c) nilai dalam tahun 1986.
Tabel 6.2
Penyelesaian:
Angka indeks relatif sederhana yang digunakan sebagai angka inde:ks adalah sebagai
berikut:
harga relatif tahun I 986 = Pn/Po = 400/250 = 1.60 atau 160%
kuantitas relatif tahun 1986 = Qn/Qo = 250/200 = 1.25 atau 125%
nilai relatif tahun 1986 = PnQn/PoQo 400/250 250/200 = 2,00 atau 200%
Contoh l menggambarkan metode dasar perhitungan relatif sederhana. Jika runtut
waktu memuat informasi lebih dari 2 tahun. maka ada 3 cara untuk menghitung angka relatif.
Cara perhitungan adalah sama. Metoda perhitungan relatif sederhana tersebut meliputi:
relatif dasar tetap (fixed-base relatives)
relatif penghubung (link relatiles)
perbandingan relatif (chain relatives)
Karena prosedur perhitungan relatif sederhana ketiga cara terse but untuk harga, kuantitas,
dan nilai suatu komoditi tunggal pada dasarnya adalah sam a, maka hanyaruntut waktu satuan
harga sajalah yang dapat digunakan untuk menggambarkan yang dimaksud.
117
berulang-ulang untuk membandingkan dengan data yang dipublikasikan, angka indeks itu
dapat dipilih sebagai periode dasamya sesuai dengan dasar yang dipublikasikan. Secara
umum harga pada periode dasar harus normal apabila dibandingkan dengan harga pada
periode lain.
Harga relatif dasar tetap mudah untuk dihitimg. Dengan cara harga tahunan pada suatu
runtut waktu tersebut dibagi dengan angka dasar yang sama untuk tiap-tiap tahun. Perhitungan
tersebut dijelaskan dalam contoh berikut ini:
Contoh 2:
Misalkan data satuan harga kopi hitam di Lampung dalam tahun 1981 sampai 1986
disajikan dalam kolom 2, tabel 6.3.
Tabel6.3
Data dan jawaban untuk contoh 2
..
1981
1982
1983
1984
1985
1986
Rp250,00
Rp300,00
Rp500,00
'
Rp200,00
Rp220,00
Rp400,00
\!
100%
120%
200%
80%
88%
160%
71,4%
85,7%
142,9%
57,1%
62,9%
114,3%
,.
; 'I
Penyelesaian:
(a) Harga relatif utnuk tiap-tiap tahun dengan menggunakan tahun 1981 sebagai tahun dasar
dihitung menurut rumus, atau
harga tahun tertentu (Pn)
Dengan demikian:
harga relatif tahun 1981 = 250/250 = 1 atau 100%
harga relatif tahun 1982 = 300/250 = 1,2 atau 120%
118
dan seterusnya.
Jawaban itu dapat dilihat pada kolom (3) tabel 6.3.
(b) Rata-rata harga tahun 1981 sampai dengan 1983 diperoleh dengan menggunakan
metode rata-rata hitung atau:
Harga rata-rata= (250 + 300 + 500)/3 = Rp350,00
Harga relatif untuk setiap tahun dengan menggunakan harga rata-rata sebagai tahun
dasar adalah:
Harga tahun tertentu (Pn)
Rasio harga tahun tertentu
Harga rata-rata Rp350,00 (Po)
Dengan demikian:
rasio harga tahun 1981 =250/350 =0,714 atau 71,4%
rasio harga tahun 1982 = 300/350 0,857 atau 85,7%
dan seterusnya.
Jawaban itu dapat dilihat pada kolom (4) tabel6.3.
300
P tahun 1982
P tahun 1981
P tahun 1983
=
P tahun 1982
250
500
300
dan seterusnya.
Jawaban ini dapat dilihat pada kolom (3) tabe16.4.
119
Tabel6.4
(I)
(2)
(3)
1981
1982
1983
1984
1985
1986
250
300
500
200
220
400
120
166,7
40
110
181,8
Contoh 4:
Perhatikan relatif penghubung yang diberikan pada contoh 3, hitunglah perbandingan
rantai tahun 1984 dengan menggunakan tahun 1981 sebagai tahun dasar.
Penyelesaian:
Perbandingan rantai tahun 1984 =relatif penghubung tahun 1984 x relatif penghubung
tahun 1982
=-=----::------:--::-::--:-
tahun 1984
= Harga
Harga tahun 1981
~--=----:-------::-=-=-,-
= rasio dasar tetap tahun 1984, dengan tahun dasar harga pada tahun 1981
Perbandingan rantai tahun tertentu dapat pula diperoleh dengan cara berikut, yaitu
perkalian antara (relatif penghubung tahun tertentu) dengan (perbandingan rantai tahun
terdahulu).
Hal ini dijelaskan dalam contoh 5 berikut:
Contoh 5:
Perhatikan relatif penghubung yang diberikan dalam contoh 3. Hitunglah perbandingan
rantai tahun 1981 dengan menggunakan tahun 1981 sebagai dasarnya.
Penyelesaian:
Perbandingan rantai tahun 1982 = 1 atau I 00%, karena tahun 1981 adalah tahun dasar.
Perbandingan rantai tahun 1982
tahun 1981
= 1,2 X 1
= 1,2 atau 120%
Perbandingan rantai tahun 1983 =relatif penghubung tahun 1983 x perbandingan rantai
tahun 1982
= 1.667 X 1,2
= 2,0004 atau 200%
dan seterusnya.
Jawaban tersebut dapat dilihat pada kolom (4) tabel6.5. Perhatikan bahwa penghubung
relatif pada kolom (2) tabel 6.5 dinyatakan dalam angka desimal untuk memudahkan
perhitungan.
Perbandingan rantai yang diperoleh dari relatif penghubung di atas adalah sama
seperti relatif dasar tetap ( 1981 = 100%) yang diperoleh dari harga asli dalam contoh 2.
Perbandingan rantai berguna apabila data aslinya tidak tersedia tetapi relatif penghubungnya
yang tersedia.
121
Tabel6.5
1,200
1,667
0,400
1,100
1,818
'1,200
2,000
0,800
0,880
1,600
200%
80%
88%
160%
Angka indeks gabungan disusun dari sejumlah runtut waktu dari bermacam-macam
komoditL Angka indeks gabungan digunak:an untuk menunjukkan perubahan harga relatif,
kuantitas relatif, atau nilai relatif komoditi-komoditi yang tercakup dalam susunan itu.
Kebanyakan angka indeks dalam praktiknya adalah angka indeks gabungan. Sebagai contoh,
apabila kita ingin mengetahui perubahan-perubahan relatif (meningkat atau menurun) dari
biaya hidup, kita tidak hanya menyelidiki harga satu barang. Kita harus mencakup harga
sejumlah barang kebutuhan hidup seperti pangan, transportasL sanclang, dan perumahan
dalam perhitungan angka indeks.
Angka indeks gabungan dapat dihitung baik dari data asli atau relatif sederhana. Ban yak
rumus yang sudah dikembangkan untuk perhitungan tersebut Rumus-rumus yang diberikan
berikut beberapa di antaranya bersifat rumus dasar.
L. Po . w
122
L.Pn.Qo
L. Po . Qo
rumus
(l.l
Timbangan angka indeks harga gabungan harus merupakan jumlah (kuantitas) tahun
terpilih. Tahun terpilih, adalah tahun dasar yang menunjukkan bahwajumlah yang dijual atau
diproduksi secara wajar. Kemudian jika tidak ada hal lain yang spesifik kita misalkan w = Qo
dalam rum us 6.1, maka indeks kuantitas ( dengan agregasi tettimbang) adalah:
2: Qn . w
2: Pn . Po
l:Qo.w
I Qo. Po
---=
rumus 6.2
Timbangan indeks kuantitas gabungan haru-. merupakan harga tahun terpilih. Kemudian
kita misalkan w =Po dalam rum us 6.2. Perhatikan apabila timbangan merupakan angka dari
tahun dasar (w = Qo atau w =Po), indeks ter;;ebut di-.;ebut Indeks Laspeyres.
Jika timbangan merupakan angka tahun tertentu (w = Qn atau w = Pn), indeks tersebut
disebut Indeks Paasche. Laspeyeres dan Paasche adalah ahli statistik yang pertama kali
menganjurkan untuk menggunakan angka (kuantitas) tahun dasar dan kuantitas tahun
tertentu sebagai timbangan.
Rumus angka indeks dengan menggunakan metode agregasi adalah:
Pn. Qn
=- - -
I Po. Qo
rumus 6.3
Suatu timbangan tidak ditunjukkan dalam tiap-tiap komoditi untuk indeks nilai. Harga
dan kuantitas masing-masing komoditi telah tertimbang dalam perhitungan indeks nilai,
karena nilai adalah basil kali harga dan kuantitas.
Contoh 6:
Misalkan negara Pendawa akan menyu~un angka indeks gabungan a) harga. b) kuantitas,
dan c) nilai untuk tahun 1986 dari bah an makanan dengan menggunakan 1981 sebagai dasar.
Harga rata-rata per unit kuantitas penjualan. dan nilai dari penjualan makanan yang dipilih
selama tahun 1981 dan 1986 di kota tersebut di~ajik.an dalam tabel 6.6.
Penyelesaian:
(a) menggunakan rumus 6.1
I Pn. Qo
Indeks harga 1986
~---
I Po. Qo
!Rp60.00xl00J+(Rp25.00xl20l+(Rp30,00x10)
=------------------------Rp7.800.00
Rp9.300.00
- - - - - = 1.192 = 119.2\~
Rp7.800.00
123
Catatan bahwajika masing-masing harga tidak tertimbang indeks harga agregatif adalah
sebagai berikut:
Indeks harga 1986
= 2: Pn
I
Po
= 1.045% = 104,5%
Indek harga agregatif tak tertimbang tidak bias a digunakan. lndeks ini, disusun dengan
asumsi bahwa tiap-tiap komoditi adalah sama pentingnya, yaitu apabila satu dosin telur,
satu kuart susu, dan satu pon daging dijual dalam peri ode yang sama. Lebih Janjut apabila
satuan yang berbeda, seperti misalnya susu yang diukur dengan galon (menggantikan
kuart) maka indeks ini akan sangat berbeda.
(b) Menggunakan rum us 6.2
Indeks harga 1986 =
L Qo . Po =
Rp7.900,00
Rp7.800,00
1.013
l:Qn. Po
= ---=--:-:---:--:-
= 101
Tabel6.6
Data dan jawaban untuk contoh 6
Telur
Susu
Daging
Jumlah
Rp50,00
Rp20,00
Rp40,00
100 dosin
120 kuart
lOpon
Rp5.000,00
Rp2.400,00
Rp400,00
Rp60,00
Rp25.00
Rp30,00
90 dosin
140 kuart
15 P0.p
Rp6.400,00
Rp3.500,00
Rp450,00
Rp7.800,00
Rpll5,00
Tidak dapat
dijumlah
Rp9.350,00
Perhatikan bahwa angka indeks agregatif tak tertimbang tidak dapat diperoleh dalam
kasus ini karena agregasijumlah itu tak dapat dihitung. Kita tidak dapat menjumlahkan
dosin, kuart, dan pon bersarna-sama. Jika satuan kelompok pangan yang dipilih itu sama,
misalnya semua bagian yang ada dijabarkan dalarn pon, indeks kuantitas agregatif tak
tertimbangnya dapat dihitung dengan rumus (L Qn I I Qo ). Meskipun demikian model
indeks kuantitas ini tidak biasa digunakan. Indeks ini disusun dengan asumsi bahwa
satuan harga tiap-tiap komoditi adalah sama.
124
Sebagai contoh misalnya apabila jurnlah kobis yang terjual di sebuah toko sayur adalah
500 pon pada tahun 1981 dan 400 pon pada tahun 1986 serta jurnlah daging yang terjual
adalah 1.000 pon pada tahun 1981 dan 1. 100 pon pada tahun 1986. Indeks agregatif tak
tertirnbang tahun 1986 didasarkan tahun 1981 adalah:
I Qn
lndeks harga 1986 =I Qo
1.900 + 110
500 + 1.000
2.010
.
= 2 atau 200%
1 500
Indeks ini menunjukkan bah\vajumlah yang terjual dalarn tahun 1986adalah 200% dari
tahun 1981. Kenyataannya harga daging yang tinggi dan harga kobis yang rendah tidak
dapat diketahui. Dengan dernikian jenis angka indeks ini tidak memberikan informasi
yang cukup dalam analisis perubahan kuantitas sejumlah kornoditi dari suatu periode.
(c) menggunakan rurnus 6.3
Indeks harga 1986
Rp9.350,00
I Pn. Qn
= -:::-''-:::-c::-::-::-:::-Rp800,00
I Po. Qo
Angka indeks yang diperoleh adalah basil kali antara satuan harga dengan kuantitas yang
terjual atau diproduksikan. Angka indeks nilai dengan demikian menunjukkan perubahanperubahan yang dikornbinasikan dari harga dan kuantitas. Angka indeks ini tidak begitu
sering digunakan sebagaimana angka indeks yang dihitung untuk harga dan kuantitas secara
terpisah dalam pengarnbilan keputusan.
I (Pn I Po)
N
.
.
.
I (Qn I Qo)
Indeks kuanhtas (rata-rata relattf tak terttrnbang) = -----'::-:-----"-
rumus 6.4
rumus 6.5
ApabHa nilai relatifnya tertimbang, yang digunakan dalarn proses rnernbuat rata-rata
adalah jumlah tertimbangnya. Misalkan nilai sebenarnya dari tahun dasar tertimbang adalah
Po Qo, rnaka:
.
.
I (Pn I Po x Po . Qo)
Indeks harga (rata-rata relatlf terttrnbang) =
rurnus 6.6
125
.
.,
. l
L(Qn/QoxPo.Qo)
Indeks kuantitas (rata-rata re 1at1f tertun 1ang) = ----.""':=----"-=-----'-
rumus 6.7
Contoh 7:
Harga relatif tahun 1986 ( Pn/Po ). kuantitas relatif tahun 1986 (Qn/Qo ), dan nilai
sebenarnya tahun 1981
satuan dasar (PoQo) diberikan berikut ini (yang diperoleh
dari contoh 6). Hitunglah angka indeks harga dan kuantitas baik tertimbang maupun tak
tertimbang dengan metode rata-rata.
Penyelesaian:
(a) Indeks harga rata-rata relatif tak tertimbang.
Tabe: 6.7
1,20
1,25 25/20
0,75 = 30/40
Rp5.000,00
Rp2.400,00
Rp400,00
3.20
3.567
Rp7.800,00
Jumlah
(Pn/Po) = 3,2~N
3
1.067
106,7%
Contoh indeks harga ini berguna apabila kita mengasumsikan bahwa jumlah masingrnasing kornoditi sama. Bandingkan antara indeks harga tak tertimbang menggunakan
data asli dengan menggunakan perbandingan. Yang disebut belakangan lebih baik dari
yang pertama karena apabila :-.atuan dari bagian yang terpilih (seperti susu yang diukur
dengan gallon sehagai penggami kuart) berbeda, indeksnya tidak akan berpengaruh
dengan menggunakan nilai rdati f.
126
Contoh indeks kuantiras ini berguna apabila kita mengasumsikan bahwa satuan harga
masing-masing komoditi sama. Bandingkan indeks harga tak tertimbang menggunakan
data asli dengan menggunakan nilai relatif. Yang disebut belakangan lebih baik dari
yang pertama sebab jika bermacam-macam satuan jumlah dimuat dalam suatu deret
(seperti dosin, kuart, dan pon) yang tak dapat dijumlahkan secara bersama, nilai relatif
dapat digunakan dalam menyusun angka indeksnya.
(c) In deb harga rata-rata rcldtlf tertimbang.
Pergunakan runms 6.6:
I (Pn/Po x Po Qo)
I (Po Qo)
( 1,20
'
19 ,.,
~
400)
= 1 I 9 2 '7
'
Hasi I yang di peroleh adalah -;am a seperti jaw a ban pada contoh 6 (a) dengan menggunakan
rum us yang 6.1. Perhatikan bahwa pembilang rum us (6.6) dapat disederhanakan untuk
disesuaikan dengan runms (6.1) -,ebagai berikut:
Pn/Po x Po Qo = Pn . Qo
(d) lndeks kuantitas rata-rata relatif tertimbang.
Pergunakan rum us (6. 7)
= I Ol3 = 101
'
'
3910
Hasilnya sama seperti jawaban pada contoh 6 (b) dengan menggunakan rumus (6.2).
Perhatikan bahwa pembi1ang rumus (6.7) dapat disederhanakan untuk disesuaikan
dengan rumus (6.2) sebagai berikut:
Qn/Qo x Po . Qo = Qn . Po
127
Kesempumaan sebuah rumus yaitu apabila dapat diuji kebenarannya. Cara pengujian
secara teoritis yang paling umum untuk angka indeks adalah:
(1) Tes pemb~ikan waktu (Times Reversal Test)
(2) Tes pembalikan unsur (Factor Reversal Test)
Perlu diperhatikan bahwa pemakaian satu atau kedua rumus pengujian ini tidak sesuai
untuk pengujian-pengujian praktis. Hal ini disebabkan adanya beberapa kelemahan. Sekalipun
demikian pengujian secara teoritis memberikan kriteria yang logis dalam pemilihan angka
indeks untuk suatu tujuan khusus.
Contoh 8:
Perhatikan informasi yang diberikan dalam tabel6.6 contoh 6 dan rumus (6.1)
(a) Pergunakan rumus itu untuk menghitung indeks harga gabungan tertimbang tahun 1981
dengan tahun 1986 sebagai dasar!
(b) Apakah rumus tersebut memenuhi syarat test pebalikan waktu?
Penyelesaian:
(a) Pergunakan rumus (6.1).
Indeks harga tertimbang tahun 1987 adalah:
Agregasi harga tertimbang tahun 1981
Agregasi harga tertimbang tahun 1986
~~~~~--~~--~~--~~=
128
I.Pn. Qo
I. Po. Qo
_1
=v
I,PnQn
I,PnQn
I, Po Qo x I, Po Qo
rumus 6.8
129
1
\f
I Qn Po
I Qn Pn
I Qo Po x I Qo Pn
rumus 6.9
Dengan demikian indeks ideal adalah rata-rata ukur dua indeks agregatif tertimbang. w
= Qo dan w = Qn dalam rum us (6.1) untuk harga ideal, dan w =Po dan w = Pn dalam rum us
(6.2) untuk indeks kuantitas ideal.
Contoh 9:
Perhatikan data pada contoh 6.
Hitunglah:
(a) indeks harga ideal tahun 1986, dan
(b) indeks kuantitas ideal tahun 1986 dengan tahun 1981 sebagai tahun dasar.
Penyelesaian:
(a) Pergunakan rumus (6.8)
- unsur pertama: I (Pn. Qn) I I (Po. Qo) = 9.300/7.800
- unsur kedua: I (Pn. Qn) I I (Po. Qo) = 9.350/7.900
lihat contoh 6( a)
Dengan demikian indeks harga ideal tahun 1986: ~ (9.300/7.800) x (9.35017.900) = 1.188
(b) Pergunakan rumus (6.9)
- unsur pertama: I (Qn Po) I I (Qo Po)= 7.900/7.800
- unsur kedua: I (Qn Pn) I I (Qo Pn) = 9.35019.300
Dengan demikian indeks harga ideal tahun 1986: ~ (7.900/7.800) x (9.35019.300) =I ,009
Angka indeks ideal tersebut memenuhi tes pembalikan waktu.
Dari hasil angka indeks di atas:
hasil perkalian (indeks harga ideal tahun 1986 dengan tahun 1981 sebagai tahun dasar)
dengan (indeks harga ideal dengan tahun 1981 dengan tahun 1986 sebagai dasar adalah
sebagai berikut:
[~ (9.300/7.800)
(9.35019.300)] = I
Perhatikan bahwa indeks ideal harga tahun 1981 diperoleh dengan menukar pemasukan
0 dan n dalam P dan Q pada penyelesaian a) di atas. Angka indeks ideal 1ni memenuhi tes
pembalikan unsur, yaitu:
hasil perkalian (indeks harga ideal tahun 1986 dengan tahun 1981 sebagai tahun dasar)
dengan (indeks kuantitas ideal dengan tahun 1986 dengan tahun 1981 sebagai dasar adalah
sebagai berikut:
[~ (9.300/7 .800) X (9.350/7 .900)1 X[~ (7 .900/7 .800) X (9.350/7 .800)] = 93,50/7.800 = I' 199
= 119,9%. Perhatikan contoh 6(c).
130
Sekalipun demikian indeks ideal itu terlalu rumit dalam perhitungan apabila digunakan
untuk penggunaan yang bersifat praktis.
6.4 PERUBAHAN TAHUN DASAR ANGKA INDEKS
Ada beberapa kemungkinan pengubahan pengubahan tahun dasar angka indeks dari satu
periode ke periode lain. Sebagai contoh, mungkin kita menginginkan untuk membuat tahun
dasar dengan tahun dasar yang lebih akhir. Misalnya kita menginginkan mengubah tahun
dasar/periode dasar indeks harga konsumcn dari tahun 1987 1989 = 100 menjadi tahun 1993
= 100. Tahun dasar yang lebih akhir memudahkan analisis perubahan harga yang baru.
Metode tahun dasar itu dijelaskan dalam contoh 10 berikut ini.
Contoh 10:
Misalkan indeks harga kopi hi tam di Lampung tahun 1981 sampai tahun 1986 diberikan
pada kolom (2) tabel6.8. Hitunglah indeks harga yang baru dengan mengubah tahun dasar
dari 1981 == 100% menjadi tahun 1981 - 1983 100%.
Penyelesaian:
lndeks harga baru untuk tiap-tiap tahun terlihat pada kolom (4) tabel yang sama. Ratarata indeks harga tahun 1981 sampai tahun 1983 diperoleh dengan menggunakan metode
rata-rata hitung, atau:
Indeks harga rata-rata=
Indeks harga baru untuk tiap-tiap tahun dengan menggunakan indeks harga rata-rata sebagai
dasar adalah:
Indeks harga baru tahun tertentu
100
140
120
Indeks harga baru tahun 1987 = 14Q = 0,857 atau 85,7%
dan seterusnya. Perhatikan bahwa jawaban itu nampak padakolom (4 ), tabel6.8, sama seperti
yang diperoleh dengan menggunakan harga asli dalam contoh 2. Tanda persen (%) dihilangkan
pada tiap-tiap angka indeks untuk menyederhanakan perhitungan, sebagai contoh:
100%1140% = 1001140 = 0,714 = 71,4%
131
Tabel6.8.
Data dan jawaban untuk contoh 10
1981
1982
1983
1984
1985
1986
0,714
0,857
1,429
0,571
0,629
1,143
100%
120%
200%
80%
88%
160%
71,4%
85,7%
142,9%
57,1%
62,9%
114,3%
Suatu runtut waktu yang dinyatakan dalam nilai rupiah menggambarkan perubahan
kombinasi harga dan kuantitas suatu komoditi tunggal atau sejumlah komoditi. Proses untuk
menghilangkan akibat perubahan harga dalam nilai rupiah itu disebut pendeflasian. Nilai
rupiah yang dideflasikan dengan demikian menggambarkan perubahan dalam jumlahnya.
Pendeflasian itu dapat dilakukan dengan cara yang berikut:
Nilai rupiah yang dideflasikan
-----:-----:--:-___:c_.__ _ _--,-
Dalam beberapa kasus, nilai rupiah dapat dibagi dengan indeks harga yang sesuai.
Sebagai contoh, indeks harga barang bangunan dapat dipakai sebagai faktor pembagi, jika
kita menginginkan nilai rupiah yang dideflasikan, untuk mengetahui perubahan dalam
bidang bangunan.
Meskipun demikian pada beberapa kasus lain, suatu angka indeks yang berhubungan
tidak tersedia. Dengan demikian kita harus memilih suatu indeks harga yang cocok untuk
pendeflasian itu. Sebagai contoh dalam pendeflasian pendapatan upah yang diterima para
pekerja. Kita dapat menggunakan indeks harga konsumen.
Nilai rupiah yang dideflasikan disebut dengan bermacam-macam nama seperti: rupiah
tetap, upah atau pendapatan riil, daya beli rupiah, dan sebagainya.
Contoh 11:
Pendapatan per minggu pekerja suatu industri pertanian untuk tahun 1980 sampai
dengan tahun 1984 disajikan pada kolom (2) tabel 6.9. Hitunglah pendapatan riil yang
didasarkan pada indeks harga konsumen pada kolom (3) tabel berikut. Masing-masing
jawaban pada kolom (4) diperoleh dengan pembagi pendapatan per minggu dengan angka
132
indeks harga konsumen tahun terse but. Dengan demikian upah riil tahun 1980 dalam rupiah
tahun 1977 sebesar:
Rp162,64/l 16,3% = Rp139,85
Tabel 6.9
Upah mingguan
(2)
lndeks harga
konsumen
(3)
(1)
1981
1982
1983
1984
1985
Rpl62,64
Rp171,74
Rpl87,43
Rp200,60
Rp242,66
116,3%
121,3%
125,3%
133,1%
155,4%
Rpl39,85
Rpl41,58
Rp149,58
Rp150,71
Rp156,15
Perhatikan bahwa day a beli rupiah seperti yang dihitung indeks harga konsumen dengan
tahun 1977 = 100% juga dapat dihitung untuk tiap-tiap tahun tertentu dalam contoh 11, seperti
misalnya day a beli Rp I ,00 dalam tahun 1980 yang dihitung dengan indeks harga konsumen
116,3% adalah:
Rp 1.00/116,3%
= Rp0.85985
Dengan dcmikian day a beli Rp 162,64 dalam tahun 1980 adalah ekuivalen dengan
Rp0,85985 x Rpl62,64 Rp139,85 pada tahun 1977.
133
Dalam bab ini dan dua bab berikutnya akan dianalisis perubahan dalam bisnis dan
aktivitas ekonomi pada waktu yang lalu berdasarkan gerakan time series (runtut waktu).
Analisis terhadap masa lampau penting karena hal ini akan memberi kesempatan pada
pengusaha untuk membuat ramalan yang lebih akurat untuk aktivitas yang akan datang. Di
samping itu juga akan meningkatkan keefektipan perbandingan grup data yang berbeda atau
data yang sama dari periode yang berbeda. Hasil dari analisis runtut waktu akan meningkatkan
,efisiensi dalam mengambil keputusan.
7.1 POLA DASAR PERGERAKAN RUNTUT WAKTU
Runtut waktu menunjukkan aktivitas yang penting dari sebuah organisasi, seperti
aktivitas penjualan dalam perusahaan atau dalam industri dan aktivitas ekonomi dalam suatu
negara. Aktivitas ini merupakan hasil interaksi beberapa bentuk faktor-faktor yang
mempengaruhinya. Faktor-faktor tersebut dapat berupa kegiatan ekonomi, politik, dan
pengaruh faktor sosial sebagai suatu faktor alamiah. Faktor-faktor terse but umumnya diteliti
untuk pengambilan keputusan setelah perubahan dari runtut waktu dipisahkan ke dalam 4
pola dasar atau komponen berikut. Gambar dan sket yang ditunjukkan pada gambar 7.1
digunakan untuk menggambarkan komponen tersebut.
Trend Sekuler
Trend sekuler merupakan titik petunjuk dari gerak runtut waktu untukjangka panjang.
Gerak ini dapat turun dan naik. Apabila ditunjukkan dengan grafik biasanya ditunjukkan
dengan garis lurus atau dengan kurva yang halus. Beberapa aktivitas bisnis dan aktivitas
ekonomi mempunyai trend yang meningkat. Sebagai contoh: GNP tahun 1985 - 1990
ditunjukkan pada gambar 7 .l.A. mempunyai trend meningkat.
Penyebab utama kenaikan dan perubahan dalam jangka panjang antara lain karena
pertambahan penduduk, akumulasi kapital yang sangat besar, perubahan dan kemajuan
teknologi, standar hidup yang lebih baik, dan sebagainya.
1 hari. Variasi musim biasanya ditunjukkan dengan angka indeks. Periode rata-rata dari
angka indeks adalah 100%, ditulis 100 pada skala persentase. Sket dari variasi musim
kuartalan ditunjukkan pada gambar 7.l.B. Angka indeks menunjukkan penjualan dalam
kuartal pertama 10 persen di bawah rata-rata tahun.
Penyebab utama variasi musim
adalah iklim (seperti musim hujan yang mempengaruhi penjualan ice cream) dan tradisi atau
kebiasaan (seperti Jdul Fitri menyebabkan perdagangan atau pembelian meningkat), dan
sebagainya.
135
1985
1986
1987
1988
Tahun
Gambar 7.1.A
136
1989
1990
Prosen
B. Varias1 Musim
120 . - - - - - - , - - - - - - - - , - - - - . . . . - - - - . . . . . ,
115
110
105
95
90
85
80
Pert am a
Kedua
Keuga
Keempa
Kwartal
Gambar 7.l.B
C. Gerak Sikhs
Prosen
Prosen Deviasi
120
+20
!-
115
/ _ Puncak
1-
110
105
I
1-
100
95
r\
L
v
I
v
+10
PenJualan Normal
90
-10
85
I I I I I I I I I
80
1989
I I I I I I I I I
1990
I I I I I I I I I
1991
I I I I I I II I
1992
-20
1993
Tahun
Gambar 7.l.C
137
,---------------------
Prosen
--
Prosen Deviasi
120 . . . . - - - - - . - - - - - - . - - - - - - . - - - - - - - - - , + 20
115
110
105
0
95
90
P njua1an Norma
-10
85
80UU~LU~LU~LU~LU~LU~LU~LU-LW-20
1960
1970
1980
1985
1990
Tahun
Gambar 7.1.D
7.2 TREND GARIS LURUS (STRAIGHT LINE TRENDS)
Garis lurus yang digambarkan pada grafik menunjukkan sistem koordinasi persegi
panjang yang dapat dinyatakan dengan persamaan:
Y=a+bX
yang menunjukkan bahwa:
Y : nilai pada garis lurus berdasarkan skala vertikal atau Y aksis (juga disebut variabel
dependen jika Y te,rgantung pada nilai X)
X : nilai pada garis lurus berdasarkan skala horisontal atau X aksis (juga disebut variabel
independen dengan variabel dependen Y)
a: intersep Y, (tingginya ordinat dari titik nol sampai perpotongan antara garis lurus
dan Y aksis), yang sama dengan nilai Y jika X,;, 0
b : slope garis lurus, menunjukkan rata-rata perubahan variabel Y per unit
Hubungan an tara garis lurus dan persamaan ini dilukiskan dalam gambar 7 .2. Dalam gam bar
tersebut disajikan:
h =total perubahan unit dalam variabel Y
g =total perubahan unit dalam variabel X
dengan b = hig
138
''
Nilai masing-masing set g dan h dapat dihasilk:an dari 2 titik pada gar- .urus. Sebagai contoh
2 titik P 1 (dengan X 1 =0 dan Y 1 =4) dan P2 (X 2 5 dan 'Y_2 14) pada garis.
Nilai g adalah selisih antara 2 nilai X yang ditunjukkan dengan 2 titik atau g = X2 - X 1 = 5 0 5, dan nilai h adalah selisihantara2 nilai Y, atau h = Y 2 - Y 1 = 14 -4= 10. Selisih tersebut
juga digunakan untuk memperoleh nilai b.
Titik
Nilai X
Nilai \'
5
0
14
4
g=5
h= 10
Titik
pt
P' I
pt - pt
2
Nilai X
Nilai Y
12
.1
g=3
h=6
Nilai b yang dihasilkan dari titik P 1 dan P2 sama dengan yang dihasilkan dari titik P 11 dan P 12
Jadi persamaan dari garis lurus dapat ditulis:
Y=a+bX=4+2X
Setelah garis lurus diperoleh dalam suatu persamaan, beberapa titik pada garis dapat
diperiksa kembali dengan persamaan yang diperoleh.
Sebagai contoh: jika kit-a menilai titik P pada garis yang ditunjukkan oleh X = 3, kita
dapat menghitung nilai Y untuk ritik itu tanpa meneliti skala Y atau:
y
=4 + 2 (3) =10
139
Gambar 7.3 memberikan tambahan contoh yang menunjukkan hubungan antara garis
lurus dan masing-masing persamaannya. Nilai dari a dan b dapat positip atau negatip. Apabila
garis lurus memotong Y aksis di atas titik 0; a positip (garis I dan III); apabila intersep Y di
bawah titik 0, a negatip (garis II dan IV). Apabila trend variabel Y naik (atau nilai Y naik),
nilai b positip (garis I dan II), apabila trend turun (atau nilai Y menurun), b negatip (garis Ill
dan IV). Apabila persamaan garis lurus digunakan untuk menggambarkan pergerakan trend,
persamaannya dapat ditulis:
Yc =a+bX
y~ng
menunjukkan bahwa:
Yc : nilai trend dari waktu tertentu Y tanpa tanda sub-skrip menunjukkan nilai yang sebenamya
X : angka yang menunjukkan untuk waktu tertentu, misalnya tahun
14
12
10
':::>"
,' 11
4
2
0
0
8X
Gambar7.2
f- 6
1-
=rt
Vo ""'
I
f- -1
yV Pt
r-S Pt
1-
-4
f- -5
f- -6
'- -7
l~-'2./
_........v
2_.......,K4
II
Gans III:
Titik
7 8X
""'
p~- PI
b= 3/J =-I
I"'
"r---.. Pl'r--..
Garts II:
""' llii
7
4
-4
-I
3
Y = 3 + (-l)X
= 3 -X
Tttik
Garis IV
IV
P,
P,
3
0
-4,5
-3
-1,5
3
P,- PI
b=' 51,= -0,5
Y = (:3) 3 (-0.5}X = -3 o.sx
Gambar 7.3
Tltlk
""--!'--..
........
1
6
P,
2
-1
PI
P 2 -P1
g=4
h=2
Y =-2 + 0,5 X
b=3/4 = 0.5
4
4
0
PI
h 3
P,-P 1
g=4
Y= I +0.75 X
b=31, = 0.75
f- 2
Titik
P,
/v
f- "
Gans I:
Pz v
f-\
1-
Terdapat sedikit kesukaran untuk menggunakan nilai yang sesungguhnya dari tahun
dalam runtut waktu sebagai variabel X yang diterapkan dalam suatu persamaan. Dalam
praktik suatu tahun ditetapkan sebagai tahun dasar atau origin dari skala X. Angka-angka
yang menggambarkan tahun lainnya dapat dengan mudah diperoleh. Sebagai contoh, jika
sebuah runtut waktu dari 1980 - 1986, tabun yang paling awal 1980 dipilih sebagai tahun
dasar (atau l Juli 1980- pertengaban tabun- dijadikan nol (0) pada skala X). Angkadari tahun
lain dapat ditulis sebagai berikut: tahun 1982 = 2, dan seterusnya. Jika pertengahan tahun
(tabun 1983) dipilih sebagai tahun dasar (0), angka sebelum tahun 1983 ditulis dengan angka
negatip; atau tahun 1982 = -1, tabun 1981 = -2, dan sesudah tahun 1983 menjadipositip, atau
tahun 1984 = 1, atau tahun 1985 = 2, dan tahun 1983 =3. Dua ilustrasi terse but digambarkan
pada tabel 7 .1.
Tabel 7.1
Penetapan Angka untuk Angka Tahun
Angka pnda tahun
sesungguhny a
1980
1981
1982
1983
198-t
1985
-2
I
I
-1
5
''
l9X6
'""""'
!-
-----
Garis lurus dan persamaan yang digunakan untuk menggambarkan trend sekuler, dapat
menggunakan salab satu dari 3 metode berikut ini:
I.
2.
3.
141
Manfaat metode tangan bebas adalah caranya yang sangat sederhana dan mudah
digunakan. Dengan caraini tidak begitu ban yak waktu yang diperlukan untukmenggambarkan
garis lurus bagi seorang pengambil keputusan. Cara ini biasanya sangat memuaskan jika arah
trend dapat ditunjukkan dari data yang tersedia. Cara ini kurang bermanfaat bagi pengambil
keputusan karena cara ini bersifat subyektif. Garis yang digambar oleh orang yang berlainan
untuk informasi yang sama dapat mempunyai lokasi yang berbeda pada grafik, trutama jika
trend atau arahnya tidak jelas.
Metode tangan beba~dapatdikembangkan lebih lanjut. Pertama, kitacari rata-ratadari
data asli yang dihitumg daci t.itik yaNgliPl~wak;ili titik tet~.gah dari sl!latu periode. Dengan
metode tangan bebas, ditarik sebuah garis yang melalui titik tersebut. Dengan cara ini
hanya slopenya saja yang ditentukan secara subyektif oleh seorang pengambil keputusan.
Metode ini didasarkan pad asumsi bahwa rata-rata data asli adalah sama dengan rata-rata
dari nilai trend. Contoh pertama digunakan sebagai ilustrasi perbaikan metode ini.
Contoh 1:
Tabel7 .2 menyajikan data penjualan Khasandy Department Store untuk penjualan tahun
1974-1988 (15 tahun).
a. Gambarkan garis lurus yang paling sesuai dengan metode grafik tangan bebas!
b. Gunakan tahun pertama 1974 sebagai tahun dasar, X unit= 1 takuPI, Y unit= Rp 1.000,00,
untuk memperoleh persamaan garis lurus!
c. Taksirlah nilai trend tahun 1984!
Penyelesaian:
a. Data asli digambarkan pada gambar 7 .4. Data tersebut menunjukkan trend yang baik.
Sebuah garis lurus menunjukkan trend, digambar m~lalui rata-rata Rp15.400,00 yang
terletak pada pertengahan periode runtut waktu 1 Juli 1981.
b. Persamaan garis lurus digambarkan berdasarkan dua titik pada garis tersebut, yaitu:
Rp15.400,00 (rata-rata) dan Rp5.000,00 (intersep Y, yang menunjukkan tahun dasar
l Juli 1974). Dua titik tersebut menunjukkan kenaikan sebesar Rp10.400,00
(Rp15.400,00- Rp5.000,00 seperti terlihat pada skala Y), untuk 7 tahun unit jarak
seperti yang ditunjukkan pada skala X.
Jadi:
142
Angka yang menunjuk pada tahun 1984 adalah 10, jika tahun dasarnya (0) adalah tahun
1974. Nilai trend tahun 1984 dapat dihitung sebagai berikut:
-----------
Tabel 7.2
Data PeDjualaB mtasandy Department Store Tahun 1974-1988
O)ata daB perldtungan untuk contoh 1 dan 2)
.('j ...
~-~
~-;;.--
Tahun
Penjualan I Rupiah)
1974
1975
1976
1977
1978
1979
1980
7.000,00
6.000,00
2.000,00
4.000,00
8.000,00
16.000,00
13.000,00
=
Rp56.ooo,oon =Rps.ooo.oo
1981
14.000,00
Pertengahan tahun
1982
1983
1984
1985
1986
1987
17.000,00
20.000,00
23.000,00
19.000,00
25.000,00
28.000,00
29.000,00
1~88
Ketenmgan
Sub total penjualan
selama 7 tahun
(1974-1980) Rp56.000,00
Rata-rata penjualan adalah
Totaol
Rp 231.000,00
143
1.
2.
3.
Membagi data asli ke dalam 2 group yang sama dan menghitung rata-rata dari setiap
group. Jika banyaknya tahun dari setiap data asli ganjil, ada dua metode untuk
menyesaikannya, yaitu:
a. Nilai pertengahan tahun dihitung dua kali dan dimasukkan baik dalam group I
maupun group II.
b. Nilai tahun pertengahan tidak dicantumkan. Metode ini sering digunakan karena
sederhana.
Gambarkan dua rata-rata pada grafik dan tarik garis lurus melalui 2 rata-rata tersebut.
Metode ini didasarkan pada asumsi rata-rata dari data asli suatu periode sama dengan
rata-rata nilai trend pada periode tersebut.
Mencari persamaan trend yang didasarkan dua titik pada garis.
Contoh2:
Dengan menggunakan data yang disajikan pada tabel 7.2:
a. Gambarkan garis lurus yang paling sesuai dengan metode semi rata-rata!
b. Tentukan persamaan trend garis lurus!
c. Hitunglah nilai trend, dengan tahun 1984 sebagi tahun dasar persamaan!
Penyelesaian:
a. Data asli dibagi dalam dua group yang sama.
Group I merupakan data penjualan tahun 1974- 1980 (7 tahun).
b.
144
Persamaannya adalah:
Y::::
8 + 1.875 X
c
Tahun dasar: 1 Juli 1977
unit X: 1 tahun
unitY: Rpl.OOO,OO
c.
Y(.OOO Rupiah)
Prosen Deviasi
0
1974 75
I
II
-3
"
-<-
77
78
79
80
81
-1
76
82
87
88
12
13
14 X(l970
10
11 X(1977 = 0)
83
84
85
86
10
ll
=0)
Gambar 7.4
1
4
1
Total Y =15
Rata-rata Total = 15/3 = 5
,Ji,I~I .tl~l
-4
-1
5
0
(sebagai ciri pertama)
16
l
25
42
(sebagai ciri kedua
(kuadrat terkedl)
..
Konsep ini digunakan untuk mencari sebuah garis lurus yang harus Eli]!Jilim r>engetrapan
yang terbaik. Penarikan garis lurus di sini harus dapat mewakili titikHitik sebarag. y~~X
dan variabel Y pada grafik. Garis lurus untuk dependen variabel' Y &@iiasar.ka.i metode
kuadrat terkecil, juga memiliki 2 ciri matmatik :
1. Jumlah aljabar deviasi nilai masing-masing data terhadap masing-masing nilai yang
ditunjukkan oleh garis adalah nel atau I (Y - Y) = 0
2. Jumlah deviasi kuadratnya adalah paling kecil atau _ (Y-YY =minimum.
Untuk memperoleh konstanta a dan b yang tidak tliketahui dalam persamaan garis lurus:
Yc =a+bX
dengan metade kuaarat terkecil diperlukan 2 persamaan normal sebagai berikut:
I. na + biX = IY
prsamaan 7.1
2
II. ai,X + biX =I XY
persamaan 7.2
yang menunjukkan bahwa n adalah banyaknya pasangan dari nilai X dan Y (titik pada
grafik).
146
Catatan:
Dua persamaan normal dibasilkan sebagai berikut:
Misal Yl, Y2, ...... , yn dan XI, X2, ...... , xn yang menunjukkan variabel X dan Y, dan
Y 1 =a+ bX 1; Y2 =a+ b ~ ........ .
Kemudian kalikan setiap persamaan dengan n ke dalam persamaan Y = a + bX dengan
koefisien pertama yang tak diketahui dari persamaan dan jumlah basil persamaan. Faktor
pertama yang tidak diketahui dalam setiap persamaan yaitu a dan koefisiennya 1. Jadi
persamaan tidak berubah setelah dikalikan dengan 1. Jumlab dari basil persamaan tersebut
adalah:
Y 1 =a+ bX 1
Y2 =a+ bX2
... = .. + ..
Yn=a+ bXn
I.Y=na+b:LX
(persamaan normal 1)
Sekarang kalikan setiap persamaan dengan n dalam =a+ bX dengan koefisien pertama
yang tak diketahui dari persamaan ke 2 yang tidak diketahui dan jumlahkan persamaan
tersebut. Faktor kedua yang tidak diketahui dalam setiap persamaan adalah b dan koefisiennya
I.x
(persamaan normal2)
Apabila ada lebih dari 2 faktor yang tidak diketahui, prosedur yang ditunjukkan di atas
dilanjutkan dengan cara seperti itu. Sehingga koefisien ketiga, keempat ... .. yang tidak
diketahui digunakan dalam perkalian setiap persamaan dengan n yang terakhir.
Penggunaan ini ditunjukkan dalam tabel6.4. Bagian A tabel tersebut menunjukkan basil
yang dikebendaki untuk memperoleh nilai a dan b yang tidak diketahui dengan dua
persamaan normal. Bagian B tabel tersebut menunjukkan ciri matematika dari persamaan
garis lurus. Ilustrasi ini juga ditunjukkan dalam gambar 7.5.
"~.ubsj,tesi nil~ yang dibasil'kan tabel7.4.A. dalru:n2 persamaan normal'dengan rumus a!X
.fb!;X2 =I. ~Y.
3a + 18b
(a) x 6:
(2)- (3):
=15
18a + 116b:;;: 96
18a + lO~b = 90
0 + 8b =@
Jli)
.. (Zi)
(3)
147
b = 6/8 = 0,75
Subsitusi nilai b dalam (1 ):
3a + 18(0,75) :;= 15
3a= 15-13,5 = 1,5
a= 1,5/3 = 0,5
Persamaan garis 1urusdengan metode kuadrat terkecil:
Yc =a+ b X= 0,5 + 0,75 X
Nilai Yc dihitung dari persamaan:
apabila
X= 4, Yc = 0,5 + 0,75(4) = 3,5
X= 8, Yc = 0,5 + 0,75(8) = 6,5
X= 6, Yc = 0,5 + 0,75(6) = 5
Berdasarkan persamaan, ciri matematik dari garis lurus adalah:
1.
2.
Jika beberapa garis lain ditarik berdasarkan titik A, B dan C pada gambar,jumlah deviasi
nilai masing-masing data terhadap garis akar nol, tetapi jumlah deviasi kuadratnya akan lebih
besar dibanding dengan metode kuadrat terkecil. Sebagai contoh, garis lurus yang dipilih
dengan persamaan:
Yc = 2 + 0,5X
meskipun jumlah deviasi masing-masing nilai terhadap dari garis adalah 0, jumlah
deviasi kuadratnya adalah 38, yang lebih besar dari 37,5 berdasarkan metode kuadrat terkecil.
Hal ini ditunjukkan dalam tabel7.4.C dan dalam gambar 7.5. Nilai-nilai Y. adalah sebagai
berikut:
JikaX=4, Y.=2+0,5(4)=4
Jika X = 8, Ya = 2 + 0,5(8) = 6
Jika X= 6, Y. = 2 + 0,5(6) = 5
Metode kuadrat terkecil biasa digunakan untuk mencari garis trend yang paling sesuai
dalam sebuah runtut waktu. Dalam praktiknya, rumus aiX + b'LX2 = I XY biasanya
disederhanakan lebih dahulu sebelum digunakan untuk menemukan konstanta yang tidak
148
diketahui, a dan b. Penyederhanaan ini dilakukan dengan membuat jumlah nilai X, yang
mewakili banyaknya tahun dalam sebuah runtut waktu menjadi nol, atau :LX = 0.
Tabel7.4
XY
X2
y
~
16
32
64
10
60
36
3,5
6,5
5,0
Total(!), 18
15
96
116
ts,o I
A
B
Y-Yc
Y.
-2,5 6,25
-2,5 6,25
5,0 25.00
6
5
0,0
15
Y-Ya (Y..Y,)'t
-3
-2
37,00
9
4
25
38
12
Metode kuadrat terkecil
(Y - Y)2 = 6.25 + 6.25 +
25 3750, minimum Yc =
0,5 + 0,75 X
1l
lO
9
8
7
6
5
4
3
2
I
Sumber: Tabel7.6.
10
ll
12
Gambar7.5
persamaan 7.3 .a
persamaan 7.3.b
Aturan membuat .LX = 0, tahun dasar variabel X harus diletakkan dalam pertengahan
pada periode yang terkandung dalam runtut waktu. Hal ini digambarkan dalam dua kasus:
a). Runtut waktu yang mempunyai jumlah tahun gasal.
b). Runtut waktu yang mempunyai tahun genap.
Contoh 3:
Dengan menggunakan data penjualan selama tahun 1974 - 1988 (15 tahun) yang
disediakan pada tabel7.5.
a). Misalkan unitY= Rpl.OOO,OO. Carilah persamaan trend garis lurus dengan metode
kuadrat terkecil.
b). Hitunglah nilai trend tahun 1974, 1981, dan 1988.
c). Gambarlah tiga nilai trend itu, kemudian tariklah garis lurus pada grafik tersebut.
Penyelesaian:
a). Tabel 7.5 digunakan untuk menghitung persamaan trend garis lurus pada contoh 3.
Substitusikan nilai-nilai yang diperoleh dalam tabel dari rumus 7.3 sebagai berikut:
a= .LY/n=231115=15,4
,,
(Y titik potong pada origin. Pada kasus sekarang sama dengan rata-rata penjualan
tahunan, Rp15.400,00).
1b
150
1974-X = -7
1981-X = 0
1988-X = 7
c). Tiga titik mewakili tiga nilai trend yang dihitung pada tabel 7.5, digambarkan pada
gam bar 7 .6. Garis lurusnya ditarik melalui tiga titik pada grafik (garis 1).
Y(.OOO Rupiah)
L-----~-----L--L-~--~~---L--L-~--~~--~
1974 75
76
77
78
79
80
81
82
83
84
85
86
87
88
Tahun
(1981 = 0)
Gambar7.6
Trend Garis Lurus dan Trend Parabola Pangkat Dua yang Dihitung
dengan Metode Kuadrat Terkecil untuk Data Penjualan
Khasandy Departement Store (1974-1988)
151
Catatan dalam menghitung nilai trend dengan menggunakan persamaan trend, dapat
dicari dengan jalan menambah nilai b (1,85) berturut-turut pada nilai trend pada tahun
pertamaderetan itu. Nilai trend pada tahun pertama (1964) adalah 2,45 (sebelum dibulatkan).
Dengan demikian nilai trend:
14
17
20
23
19
25
28
29
-49
-396
-10
-8
-24
-32
-13
0
34
40
69
76
125
168
203
4
9
16
25
36
49
2,9
4,3
6,2
8,0
9,8
11,7
13,6
15,4
17,2
19,1
21,0
22,8
24,6
16,5
28.4
231
518
280
231,0
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
-7
-6
-5
-4
-3
-2
-1
0
1
2
3
4
5
6
Total (l:)
152
7
6
2
4
8
16
13
49
36
25
16
9
4
1
0
I
Contoh 4:
Dengan menggunakan data penjualan selama tahun 1975-1988 ( 14 tahun) yang tersedia
pada tabel 7 .2.
a). Misalkan unit Y adalah Rpl.OOO,OO. Carilah persamaan trend garis lurus dengan
menggunakan metode kuadrat terkecil.
b). Hitunglah nilai trend untuk tahun 1975, 1981, dan 1988.
Penyelesaian:
a). Tabel 7.6 digunakan menghitung persamaan trend garis lurus dalam contoh 4.
Substitusikan ni1ai-ni1ai yang dipero1eh dalam tabel dari rumus 7.3 sebagai berikut:
a= IY/n = 224114 = 16
b = L(XY)/IX 2 = 910/910 = 1
Persamaan trendnya adalah:
Y = 16 +IX (dengan tahun dasar 1 Januari 1982)
unit X = 112 tahun
unit Y = Rp 1.000,00
b). Nilai trend yang dikehendaki dihitung dari persamaan trend:
1975-X = -13
Yc = 16 + 1(-13) = 3
1981-X = -1
Yc = 16 + 1(- 1) = 15
1988-X= 13
Yc= 16+ 1 ( 13)=29
Jika tiga ni1ai trend gambar da1am grafik, garis lurus akan tergambar melalui tiga nilai
tersebut. Skala X pada tabel dalam contoh 4 akan terlihat sebagai berikut:
(a) Y
II I I I I I I I I I I
I
1975 76 77 78 79
80 81
-13 -I I -9
-3
-7
-5
-1
(1/1
82
0 I
83
84 85
86 87 88 Tahun
11
13 X
82 == Dasar)
153
Catatan:
Karena b (=1 atau Rpl.OOO,OO) mewakili rata-rata kenaikan per 112 tahun (unit X), ratarata tabunan akan naik (bertambah) menjadi 2b = 2(1) = 2 atau Rp2.000,00. Nilai trend yang
lain dapat diperoleh dengan menambah kenaikan rata-rata tahunan secara berturut-turut pada
nilai trend pada tahun pertama pada runtut waktu tersebut. Nilai trend pada tahun pertama
(1975) adalah 3. Dengan demikian nilai trend (dalam Rpl.OOO,OO) adalah:
1976:3+2=5
1977:5 + 2 = 7
1978: 7 + 2 = 9, dan seterusnya.
Nilai trend lainnya dibuat dalam kolom (6) pada tabel7 .6. yang diperoleh dengan metode
sama. Unit X dapat memakai satuan 112 tahun. Tetapi cara ini akan menyulitkan di dalam
perhitungannya. Jika dipakai 1 tahun untuk variabel X dalam contoh 4 akan dapat digambarkan
dalam diagram berikut:
(b) y
1~
16
1979
1980
1981
-2,5
-1,5
-0,5
1982
1983
1,5
0
0,5
(1/1 82 = Dasar)
1984
Tahun
2.5
Garis lurus dalam skala perhitungan menunjukkan kenaikan atau penurunan sebuah
runtut waktu dengan jumlah konstan. Ini adalah bentuk sederhana untuk melukiskan
gerakan trend sekuler. Diskripsi frekuensi pada trend adalah tepat. Tetapi dalam
beberapa kasus, garis lurus tidak sesuai untuk data tertentu. Sebagai contoh, sebuah
runtut waktu dapat mempunyai kecepatan (kelambatan) kenaikan pada awal dan
mempunyai kelambatan (kecepatan) kenaikan yang lebih pada waktu berikutnya. Dalam
beberapa kasus, kurva non linear dapat menunjukkan trend runtut waktu lebih baik
dibanding dengan garis lurus.
Ada beberapa tipe trend non linear. Sebuah kurve yang hal us (smooth) dapat digambarkan
dengan metode tangan be bas. Akan tetapi faktor subyektif akan menyebabkan kurva terse but
tidak begitu akurat dalam pengambilan keputusan. Pada umumnya trend non linear diperoleh
dengan metode sebagai berikut:
1.
2.
154
Sebuah trend parabola dengan persamaan polinomial pangkat dua yang diperoleh
dengan metode kuadrat terkecil.
Sebuah trend smooth curve diperoleh dengan metode rata-rata bergerak.
Tabel706
1975
1976
1977
1978
1979
1980
1981 (7/1)
Dasar 1/1/82
1982 (7/1)
1983
1984
1985
1987
1987
1988
-7
-5
-3
-1
0
1
3
5
7
9
11
13
4
8
16
13
14
-78
-22
-36
-56
-80
-39
-14
17
20
23
19
25
28
29
17
60
115
113
225
308
377
1
9
25
49
81
; 121
! 169
17
19
21
23
25
27
29
Total (2,)
224
910
1910
224
3
5
7
9
11
13
15
persamaan 7.4
155
yang disebut persamaan polinomial pangkat dua,juga sering disebut dengan parabola. Nama
pangkat dua menunjukkan bahwa pangkat tertinggi variabel X dalam persamaan adalah dua.
Karena di sini ada tiga konstanta yang tidak diketahui nilainya dalam persamaan, yaitu; a, b,
dan c, maka perlu dibuat tiga persamaan untuk memecahkannya. Tiga persamaan normal
yang dibuat dengan metode kuadrat terkecil adalah :
na + b L (X) + c L (X2) = L (Y)
a L(X) + b I,(X2) + c (X3) = L (XY)
Ill a L(X2) + b L ()\3) + c I,(X4) = I,(X2Y)
I.
II.
persamaan 7.5
I. na + c L (Xl) = I,(Y)
II. b L (X2) = L (XY)
III. a L (X2 ) + c I (X4) =I(X 2 Y)
Pemecahan persamaan I dan III akan mendapatkan nilai a dan c. Pemecahan persamaan
II, akan mendapatkan nilai b atau:
I(Y)- ci,(X2)
a=----n.
persamaan 7 .6.a
b= L(XY)
I(X2)
persamaan 7 .6.b
L(X2Y)-L(X2) L(Y)
n I,(X4)-(I,X2)2
c=
persamaan 7 .6.c
Aturan untuk membuat IX= 0 (sehingga IX3 = 0) tahun dasar variabel X harus
diletakkan dalam pertengahan periode-periode yang ada dalam runtut waktu. Jika runtut
waktu mempunyai jumlah tahun ganjil, nilai X dari deret itu: 1, -1, -2, .... 1, 2, .... yang
ditunjukkan bahwa X dalam 1 tahun. Jika runtut waktu mempunyaijumlah tahun genap, nilai
X nya: -1, -3, -5, ..... 1, 3, 5, ..... yang ditunjukkan bahwa X mewakili 1/2 tahun. Cara
penghitungannya adalah sama. Runtut waktu dengan jumlah tahun ganjil diilustrasikan
dalam contoh 5.
Contoh 5:
Dengan menggunakan data penjualan untuk tahun 1974 - 1988 (15 tahun) yang
ditunjukkan dalam tabel 7.2:
a). Misalkan unit Y dalam Rpl.OOO,OO. Dapatkan persamaan polinomial pangkat dua
dengan metode kuadrat terkecil.
156
a=
b=
~!~ = 1,85 (sama dengan slope b pada garis lurus pada contoh 3)
Catatan:
Penyelesaian dan nilai pada lima kolom pertama tabel 7. 7 sarna dengan tabel 7.5 untuk
trend garis Iurus. Tetapi tabel 7.7. mempunyai dua kolom tambahan yaitu X 2Y dan X4
b). Nilai trend (Y) ditunjukkan dalamkolom (8) pada tabel7.7 dihitung dari persamaan di
atas dengan cara berikut:
1974-X=-7
1975- X= -6
Yc =
=
=
yc=
=
=
dan seterusnya.
c). Nilai-nilai trend digambarkan pada grafik 7.6. Parabola pangkat dua digambarkan
melalui ti tik yang tergantung dalam nilai-nilai trend (garis II). Trend garis lurus dan trend
parabola pada grafik semuanya diperoleh dengan metode kuadrat terkecil.
Dengan demikian jumlah deviasinya nol, atau l:(Y-Y) = 0, berarti sama untuk dua kasus
tersebut. Tetapi jumlah deviasi kuadratnya atau I,(Yhanya 96.28 (dengan dasar nilai
YY
157
Yc dalam tabel7.7) untuk trend parabolanya 103,80 (dengan dasar nilai Yc dalam tabel 7.5)
untuk trend garis lurus. Nilai '.L.(Y - Y )2 dihitung dengan cara yang sama seperti dalam tabel
i4. (Perhitungan yang detail tidak di,cantumkan di sini).
Dengan demikian trend parabola, yang mempunyai jumlah deviasi kuadrat lebih kecil,
berarti lebih baik dibanding trend garis lurus karena lebih sesuai dengan data aslinya.
3 =5 (dalam Rp 1.000,00)
Tiga tahun yang ke dua gerak total dihitung dari ni1ai pada tahun 1975, 1976, dan 1977:
6 + 2 + 4 = 12
Pertengahan tahun pada group II adalah tahun 1976.
Dengan demikian rata-rata bergerak tahun 1976 ada1ah:
158
Tabel7.7
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
-49
-36
-4
-3
-2
-1
0
l
2
3
4
5
6
7
Total (I,)
2.401
1.296
625
256
81
16
l
0
1
16
81
256
625
19
25
28
29
-13
0
17
40
69
76
125
168
203
4
1
0
1
4
9
16
25
36
49
17
80
207
304
625
:1.008
'1.421
2.401
3,7
5,0
6,4
7,9
9,4
11,1
12,8
14,6
16,5
18,5
20,5
22,7
24,9
27,2
29,6
231
518
280
!4.484
9.352
230,8 *)
-10
-16
-24
16
-32
13
14
17
20
23
~.296
12
=4
Rata-rata bergerak 3 tahun yang lainjllga didapatkan dengan cara ini. Tetapi di sini tidak
ada rata-rata bergerak untuk tahun pertama, 1974 dan tahun terakhir, 1988.
b). Dengan cara yang sama rata-rata bergerak untuk 5 talmn dapat dihitung.
Catatan: Kita dapat menggunakan metode pendek untuk menghitung gerak total jika
jumlah tahun yang terkandungjumlahnya besar. Dengan menggunakan metode pendek,
setiap gerakan total, kecuali yang pertama, dihitung lel)ih dahufu gerakan total dengan
159
satu pengurangan (pengurangan nilai pertama pada group tahun yang mendahului) dan
satu tambahan (penambahan nilai terakhir pada group tahun yang berlaku).
Sebagai contoh, gerak total tahuh ke dua dan tahun ke lima dalam tabd 7.8 dapat dicari
dengan metode yang biasa atau metode pendek seperti-ditunjukkan dalam tabel 7.9.
Tabel7.8
Plnjualan
(dalam
Rpi.OOO,OO)
3 tahun
Bt'rgt'rak
Total
(I)
(2)
(3)
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986'
1987
1988
7
6
2
4
8
16
13
14
17
20
23
19
25
28
29
3 tahun
Rata-rata
Bt'rgcrak
Kolom (3):3
(4)
44
5
4
42/3
9113
12 1/3
14113
142/3
6
2
4
8
16
13
14
51
17
17
60
20
202/3
22 1/3
24
27 1/3
20
23
19
25
28
29
15
12
14
28
37
43
62
67
72
82
''
I
'.
3 tahun
Rata-rata
Hcrgcrak
Koli1m (6):3
(6)
(7)
27
36
43
5 2/5
7 115
8 3/5
55
68
80
87
93
104
' 115
!
124
11
13 3/5
16
17 2/5
18 3/5
204/S
244/5
Rata-rata bergerak 3 tahun (kolom 4), rata-rata bergerak 5 tahun (kolom 7), dan data
aslinya digambarkan pada gambar 7.7. Dua kurva berdasarkan metode rata-rata bergerak
menunjukkan arah trend yang menaik dalam runtut waktunya. Perhatikan bahwa data aslinya
berfluktuasi. Rata-rata bergerak 3 tahun fluktuasinya diperhalus ke tingkat yang lebih kecil
dengan rata-rata bergerak 5 tahun. Pada umumnya,lebih panjang runtut waktunya kurva yang
diperoleh akan semakin halus (smooth).
160
Tabel7.9
Perhitungan Gerak Total 5 Tahun dengan
Metode Biasa dan M~tode Pendek
27 (m.tl)
1974
1975
1976
2
4
1977
1978
1979
1980
27
Total
36(m.t2) .
-7
-6
6
2
4
8
16
36
4
8
+16
36
16
13
+13
43
43
Penjualan
(Rp 1000)
30
25
20
15
10
~974
75
Tahun
Gambar7.7
Trend Rata-rata Bergerak untuk Data Penjualan
Khasandy Department Store, 1974 - 1988
161
Catatan:
Trend yang diperoleh dengan metode rata-rata bergerak tidak selalu dapat ditunjukkan
dengan persamaan matematika. Metode ini akan menunjukkan basil yang paling efektif
pada trend,jika periode perhitungan rata-rata adalah sama atau kelipatan dari panjang ratarata siklis dalam fluktuasi runtut waktunya. Sebab jika rata-rata bergerak dihitung dari ratarata yang panjang, tingkat fluktuasinya dapat dijadikan minimum. Dalam kenyataannya,
jika siklis fluktuasi itu sama panjangnya (banyaknya tahun) dan amplituda Uumlah
kenaikan dan penurunan) rata-rata bergerak dari periode yang sama atau kelipatan panjang
sama dari masing-masing siklis akan terbentuk garis lurus. Dengan demikian fluktuasi
dalam runtut waktu telah dieliminir dengan sempurna. Hal ini diilustrasikan dalam tabel
7.10 dan gambar 7.8. Tabel dan gambar tersebut menunjukkan penjualan pada Ajie
Clothing Store dari tahun 1978 sampai dengan tahun 1987 dengan siklis 3 tahun. Kenaikan
dan penurunanjumlah setiap siklis 3 tahun adalah sama 1, 4, dan -2 (dalam Rpl.OOO,OO).
Jikarata-rata bergerak 3 tahun dibuat gambarnya, garis lurus dapat ditarik melalui titik-titik
pada gambar tersebut. Metode rata-rata bergerak dapat dipakai untuk menghaluskan
fluktuasi suatu runtut waktu yang panjangnya selain satu tahun. Dalam dua bab berikutnya
kita akan menggunakan metode rata-rata bergerak untuk menghaluskan fluktuasi dari
variasi musim dan gerak siklis.
Tabel 7.10
Perhitungan Nilai Trend dengan Metode Rata-rata Bergerak
untuk Data Penjualan Ajie Clothing Store, 1978 - 1987
(Periode setiap gerak total =3 tahun =lamanya setiap periode, siklis mempunyai
amplitudo yang sama, kolom 3)
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
Sumber: Data hipotetis.
162
2
7
++1 putaran
+4pertama
5
6
-2
+1
10
8
9
11
12
15
5
6
18
+4 putaran
21
24
-2kedua
27
+1
+4 putaran
30
33
10
11
-2 ketiga
Penjua1an
(Rp 1000)
1982
1983
TallUn
1984
1985
1986
1987
Sumber : Tabel 7 .I 0
Gambar7.8
Trend yang dibahas pada sub bab sebelumnya dibuat gambarnya dengan skala aritmatik.
Trend dapat juga dibuat dengan gambar semi logaritma (semilog) dalam bentuk garis lurus
atau kurva non linear. Jika trend tersebut merupakan garis lurus pada gambar semilog, trend
menunjukkan kenaikan harga Y dari runtut waktu dengan laju konstan (garis lurus pada
gambar aritmatik menunjukkan pertambahanjumlah yang konstan). Jikakurvanya non linear
pada gambar semilog, kurva naik menunjukkan laju pertumbuhan pada beberapa tingkatan
tergantung pada bentuk slopenya. Semakin curam bentuk slope, semakin tinggi laju
pertambahannya, seperti ditunjukkan pada kurva gambar 7.9.
Sub bab ini akan membahas dua macam trend yang biasanya dihitung dengan logaritma:
( 1). Trend eksponensial, dan
(2). Kurva pertumbuhan
Trend Eksponensial
Trend eksponensial dapat berupa garis lurus pada gambar semilog dan dapat berupa
kurva pada gambar aritrnatik. Persamaan eksponensial yang digunakan untukmenggambarkan
trend sekuler ditulis:
Y c =ab
persamaan 7.7.a
163
Buat LX =0 dengan menggunakan metode kuadrat terkecil. Dua konstanta yang tidak
diketahui, yaitu log a dan log b dapat dihitung dengan menggunakan rumus berikut:
Llog Y
I oga= - = - n
persarnaan 7.8.a
Tabel7.11
l>ata
X (unit:
asli
(I)
I tahunl
RJ> 1.111101
logY
(2)
(3)
(4)
1974
1975
1976
1977
1
2
3
4
5
6
7
8
16
13
14
17
20
23
19
25
28
.29
231
19'78
1979
-3
.. 1980
-1
0
1981
. 1982
1983
. 1984
1985
1986
1987
1988
Total(L)
-2
164
Trend
Pen,jualan
Penjualan
Sesu nggu hnya Y
(dalam
y ,.
(dalam
0,8451
0,7782
0,3010
0,6021
0,9031
1,2041
1,1139
1,1461
1,2304
1,3010
1,3617
1,2788
1,3979
1,4472
1,4624
X logY
(5)
X2
logY,
Rpl.OOO,OOI
(6)
(7)
(Nl
-5,9157
-4,6692
-1,5050
-2,4084
-2,7093
-2,4082
-1,1139
0
1,2304
2,6020
4,0851
5,1152
6,9895
8,6831
18,2125
4
9
16
25
36
49
0,6365
0,7015
0,7665
0,8315
0,8965
0,9615
1,0265
1.0915
1,1565
1,2215
1,2865
1,3515
1,4165
1,4815
1,5465
18,2125
280
16,3725
4
1
0
l
4,3
5,0
5,8
6,8
7,9
9,2'
10,6
12,3
14,3
16,7
19,3
22,5
26,1
30,3
35,2
226,3
Penjualan
(Rp 1000)
100
f-
90
80 f70 ff60
f50
r-
40
30
25
r-
Da
-~
<;;~ ~
....._ Dala
aasli
~ /
.F
15
10
9
8
7
6 ~
4
Exponen al
In SkalaLc garitma
-
/J. v
/_//{
""\ /
f-
l\
I
V\/
./
\I
r-1
I;
0-
31.8
~
F---Batas atas
Curve G
~-
'I /
f-
3
2,5
KurvaG mpertz
20
1,5 rI
1974 75
76
77
78
79
80
81
82
83
84
85
86
87
-6
-5
-4
-3
-2
-1
7 X (Contoh 7)
10
11
12
13
14 X (Contoh 8)
-7
88 Tahun
Gambar 7.9
Trend Eksponensial dan Kurva Gompertz Dihitung dari
Data Penjualan Khasandy Department Store, 1974- 1988
(dalam skala logaritma)
Tahun 1988, X = 7
Log Yc, untuk setiap perubahan tahun setelah tahun 1974 dapat diperoleh dengan
menambah 0,0650 (=log b) ke log Yc dari tahun sebelumnya (log Yc tahun 1974 = 0,6364),
seperti:
165
c.
1975
log Yc = 0,6365 + 0,0650 = 0,7015
1976
log Yc = 0,7015 + 0,0650 = 0,7665
dan seterusnya.
Nilai trend ditunjukkan pada kolom 8 dari tabel 7.11 dan digambarkan pada gambar
semilog dalam bentuk garis lurus seperti yang terdapat dalam gambar 7.9. Apabila nilai
trend digambarkan pada grafik aritmatika bentuknya akan berupa kurva non linear.
Gambar 7.10.
y
Penjualan
(Rp 1000)
I
30 .-----~-----.-----.-----,------r-----~~--~
25
~----~-----r--~~Am~rlrl------~----~~--~
31,8
Batas atas
dariKuiTa
Gompertz
0
1974 75
76
77
78
79
80
81
82
83
84
85
86
87
-7 -6
-5
-4
-3
-2
-1
7 X (Contoh 7)
10
ll
12
13
14 X (Contoh 8}
88 Tahun
Gambar 7.10
Trend Eksponensial dan Kurva Gompertz Dihitung dari
Data Penjualan Khasandy Department Store, 1974- 1988
(dalam skala aritmetik)
Catatan:
Bahwa persamaan eksponensial untuk trend dapat dihasilkan sebagai berikut:
166
Yc
= 12,3 (1,16)'
Berarti, tingkat kenaikan untuk setiap tahun adalah 0,16 atau 16%. Nilai trend Yc dapat
diperiksa kembali seperti berikut:
1974
1975
1976
'
4,33
0,69
5,02
0,80
(4,33 X 16%)
atau dibulatkan 5,0
(5,021 X 16%)
5,82
+
c
+
c
dan seterusnya.
Jika b nilainya positip, lebih kecil dari satu (1 ), pertumbuhan menurun pada tingkat konstan
( I b). Batas dari penurunan nilai trend adalah nol (0). Sebagai contoh: Jika b = 0,8 ; tingkat
penurunannya adalah 1 0,8 = 0,2 atau 2%. Persamaan eksponensialnya dapat ditulis:
Yc =a b' =a (0,8)'
(1
0.2)'
Kurva-kurva Pertumbuhan
Beberapa bentuk time series (runtut waktu) mengenai kegiatan bisnis dan aktivitas
ekonomi dapat digambarkan dalam 3 tahap perkembangan. Misalnya dalam aktivitas
penjualan suatu basil industri seperti industri radio. Pada tahap permulaan atau apabila hasil
produksi baru diperkenalkan di pasar, besamya pertumbuhan dalam penjualan produksi naik
dengan lambat. pada tahap tengah. atau apabila produksi telah diperkenalkan pada masyarakat,
pertumbuhan akan naik lebih besar, dan pada tahap terakhir atau produksi dijual pada pasar
yang sudah jenuh, pertumbuhannya menjadi stabil. Kurva yang menggambarkan bentuk
pertumbuhan biasanya ditunjukkan oleh kurva-kurva pertumbuhan.
Ada 2 kurva pertumbuhan yang terkenal dan penggunaannya dalam analisis trend
untuk kegiatan bisnis dan aktivitas ekonomi sejak tahun 1920-an. Kedua kurva tersebut
adalah kurva Gompertz dan kurva Logistik atau kurva Pearl-Reed. Kurva Gompertz
adalah dasar yang digunakan oleh Benyamin Gompertz dalam tabel konstruksi kematian,
untuk harapan hidup seseorang. Kurva Logistik pertama kali digunakan oleh Raymond
167
dan L.J. Reed dalam analisis pertumbuhan penduduk. Jika kedua bentuk kurva tersebut
digambarkan pada sebuah gambar skala aritmatik, seperti pada gam bar 7.10 kurvanya
akan mempunyai bentuk seperti huruf S. Bentuk S menunjukkan pol a pertumbuhan yang
sesungguhnya, kecil dalam tahun permulaan, naik lebih besar pada tahun pertengahan,
dan besar tetapi tetap pada tahun yang berikutnya. Jika kurva-kurva digambarkan pada
sebuah gam bar semi logaritma seperti gam bar 7. 9 kurva akan menunjukkan pertumbuhan
yang meningkat dengan cepat dalam peride permulaan, tetapi menurun pada periode
selanjutnya dalam suatu runtut waktu. Kedua kurva mempunyai bentuk serupa. Dalam
bab ini hanya kurva Gomportz yang diberi penjelasan dengan absout. Persamaan kurva
Gompertz adalah:
y =a b
c
(c)
persamaan 7.9.a
persamaan 7. 9. b
(Simbol c pada Yc adalah tanda yang berarti nilai perhitungan, sedangkan simbol c di
sebelah kanan adalah konstanta yang tidak diketahui nilainya).
Nilai-nilai dari 3 konstanta yang tidak diketahui, yaitu: log a, log b, dan c dalam rumus
7.9 .b tidak dihitung dengan metode kuadrat terkecil tetapi dapat dihasilkan dengan beberapa
cara yang berbeda.
Metode obyektif yang paling sederhana adalah dengan menggunakan 3 sub kelompok
dari logaritma nilai Y dalam serial tersebut. Ambil I., logY, L. 2 log Y, dan L.3 log Y. Jumlah
logaritma dari nilai Y penama, kedua, dan ketiga masing-masing sub kelompok ukurannya
sama dengan m (jadi, 3n = n, ukuran serial tersebut).
Kemudian hitung :
1
log a =- - (L 1 log Y m
1og
b _ 0 1 (c- 1)
- (em- 1)2
168
Catatan:
Rum us 7.10 dapat dihasilkan dengan cara sebagai berikut:
Asumsi bahwa ada 15 pasang data X dan Y, seperti dalam contoh 8. Misalkan nilai trendY
adalah Y0 Y,, ... , Y 14 yangmenunjukkan bahwaX=O, 1,2 ........ 14. Bagilahnilai 15 Ykedalam
3 sub group atau 5 nilai dalam setiap group. Kemudian berdasarkan persamaan log Yc =log
a+ (log b)c', kita dapat membuat persamaan untuk setiap nilai dari 15 Yc berikut ini:
log Y0 =log a+ (log b) c0
log Y 1 =log a+ (log b) c 1
= ~
Juml.l,
subgrup I
(m
= 5)
..
= ................. .
Juml.L, 2
subgrup II
- log a + (log b) c2
logY= Slog a+(log b)c 5(l+c 1+c 2+c 3+c 4 )
....
(m = 5)
= .................. ,.
Juml.l 3
subgrup III
(m=S)
Rumus (7.10) dipakai untuk menyelesaikan persamaan (1), (2), dan (3).
Contoh 8:
Dengan menggunakan data penjualan dari tahun 1974 sampai 1978, dalam tabel6.2:
a.
b.
c.
Penyelesaian:
a.
Tabel (6.12) disusun untuk menghitung persamaan trend kurve Gompertz dan nilai
trend.
Tahun pertama ( 197 4) dipilih sebagai tahun dasar. Substitusi nilai tabel dalam rumus
(7.10) adalah sebagai berikut:
169
=2,5660
=0,9525
= 3,4295
m=-1 = 15tahun
3 3 (subgrup)
=5
'
Nilai yang dihitung dengan menggunakan logaritma seperti tertera berikut ini (juga, kita
dapat menghitung nilai c~ dalam tabel 6.12. dengan logaritma atau dengan metode
perkalian biasa). Nilai c digunakan perhitungan lebih lanjut. Tabellog 6 desimal di sini
digunakan untuk menghindari proses interpolasi dari tabellog 4 desimal.
log a=
(log 0,3712)
( -1 + 0,569608)
= -0,06078 = 9,913922- 10
I
og
1
log a = T (3,4295-
'
2,5660
_
0 3712 1
=1,5021
Nilai trend tahun 1974 (X=O) dapat dihitung dengan persamaan trend:
log Yc = 1,5021- 1,1669 (0,8202)
= 1,5021 - 1,1669 (1) =0,3352
Cari anti log (0,3352)
Yc = 2,16, atau dibulatkan 2,2
170
c.
Metode interpolasi tidak digunakan di sini dalam menemukan anti log dari tabel log
karena Yc tidak dibitung lagi untuk perbitungan lebib lanjut dan dibulatkan menjadi satu
desimal. Nilai Yc yang lain dibitung dengan cara yang sama. Perbitungan ditunjukkan
dalam kolom (5) sampai (8) dari tabel 6.12.
Nilai trend digambarkan pada gambar 7.9. (gambar semi log) dan pada gambar 7.10
(garis aritmatik).
Catatan:
Babwa basil c biasanya lebib kecil dari 1, atau D2 <D 1 seperti basil dalam contob 8. Jika
X sangatbesar, c' (c < 1) mendekati 0. Kemudian (log b)c' mendekati 0. Jadi log Yc =log a
+ 0:::: log a, dan Yc =a, karena itu a merupakan batas atas dari kurva Gompertz. Batas atas
un~ contob 8 sama dengan 31 ,8 ( sama dengan a jika log a = I ,5021 ). Cara lain, jika c > 1,
atau 0 2>0 1, tingkat pertumbuban runtut waktu rendab dalam tahun pertama, tetapi tinggi
dalam tabun berikutnya. Bentuk pertumbuban ini biasanya jarang dalam bidang bisnis dan.
aktivitas ekonomi.
Trend Historis
Kita dapat mengetabui trend dari aktivitas tertentu selama periode tertentu. Jika kita
membutuhkan jawaban yang cepat dan perkiraan kasar dari trend, metode grafik tang an bebas
dengan garis lurus dapat digunakan. Untuk penggambaran grafiknya dapat diserahkan pada
abli statistik yang berpengalaman. Jika tidak berpengalaman metode semi rata-rata atau
metode rata-rata bergerak dapat digunakan.
Jika kita menginginkan trend yang sesuai dengan data, metode kuadrat terkecil untuk trend
garis lurus, atau untuk kurva parabola pangkat 2, atau kurva non linier dengan persamaan yang
pangkatnya lebib tinggi, dapat digunakan. Jika pangkat persamaan trend lebib tinggi, jumlah
deviasi kuadrat dari garis trend menjadi lebib kecil atau L,(Ymenjadi lebib kecil dan garis
trend lebib mendekati datanya. Tetapi jika ada beberapa konstanta dalam persamaan trend sama
dengan nilai Y, garis trend akan melalui setiap titik yangmenunjukkan nilai Y yang sesungguhnya
pada grafik. Dalambal ini persamaan trend menjadi tak berarti jikakita tidak dapatmengeliminir
bc.\\berapa bagian dari runtut waktu yang berfluktua<:>i.
YY
Jika kita akan memeriksa tingkat perubaban dari suatu jumlab yang berubah, grafik
logaritma yang sebarusnya digunakan. Pertama data digambar dulu ke dalam grafik,
kemudian kita pilib garis lurus atau kurva Gompertz untuk metode trendnya.
171
Membandingkan Trend
Kita dapat rnembandingkan trend dari rnacam-rnacarn grup data. Jika ingin
rnernbandingkan jurnlah perubahan, kita dapat rnenggunakan trend garis lurus (aritrnatik)
dengan rnetode kuadrat terkecil. Perbandingan ini dibuat dengan rnelihat nilai b dari grup data
yang berbeda. Kita rnenyarankan rnetode trend ini karena ketepatannya (jurnlah kuadrat
deviasinya paling kecil bila dibandingkan dengan bentuk lain dari trend garis lurus),
disamping itu juga sederhana lebih sederhana dalam perhitungan dibanding dengan kurva
non linier). Sebagai ~ontoh persarnaan trend garis lurus dengan metode kuadrat terkecil,
dalam contoh 3:
Yc = 15,4 + 1,84 X
Tahun dasar 1 Juli 1981
Unit X= 1 tahun
unit Y = Rp 1.000,00
unit b = 1,85 dalarn satuan Rpl.OOO,OO
Persamaan ini menunjukkan kenaikan jumlah dalarn setiap tahun yaitu: Rp1.850,00.
Persarnaan lain dapat dihasilkan dengan rnetode yang sama untuk runtut waktu yang lain
rnisalnyarnenunjukkan nilai b yang lebih tinggi; katakan kenaikannya Rp2.000,00 tiap tahun.
Perbandingan dari 2 jurnlah kenaikan akan rnernperlihatkan perbedaan rata-rata Rp150,00
(Rp2.000,00 - Rp 1.850,00) per tahun.
Jika kita tertarik dengan tingkat perubahan, persamaan trend logaritrna garis lurus dan
metode kuadrat terkecil dapat digunakan, kesirnpulannya dapat dihasilkan dengan
perbandingan nilai b dari masing-rnasing grup data.
Sebagai contoh: persamaan trend logaritrna garis lurus dengan metode least square
dalarn contoh 7.
log Yc = 1,0915 + 0,0650 X
dengan tahun dasar: 1 Juli 1981
unit X = 1 tahun
unitY= Rpl.OOO,OO dan
log b = 0,0650 dalam suatu b
Rp 1,16
Persarnaan ini akan menunjukkan peningkatan setiap tahun 86% (2,76 - 12). Jika
persamaan lain dihasilkan dengan metode yang sarna untuk runtut waktu yang lain rnisalnya
menunjukkan nilai b yang lebih tinggi, katakan b = 1,20 atau tingkat kenaikan tahunan 20 %.
Perbandingan dari dua rata-rata kenaikan menunjukkan perbedaan rata-rata 4% (20%- 16%)
setiap tahun. Prosedur yang sama dapat digunakan untuk rnembandingkan trend-trend dari
periode yang berbeda untuk data yang sama.
172
Catatan:
Pemilihan persamaan trend mempunyai efek yang besarpada peramalan dengan metode
ekstrapolasi, khususnya jika peramalan ini mempunyai jarak waktu yang lama dengan data
terakhir dalam suatu runtut waktu. Trend garis lurus (aritmatik) menunjukkan ramalan untuk
tahun 1989 sebesar Rp30.200,00 dan tahun 1994 = Rp30.200,00 dantahun 1994 menunjukkan
sebesar Rp39.450,00. Sedang trend garis lurus menunjukkan ramalan untuk tahun 1989 =
173
Rp40. 900,00 dan pacta tahun 1994 sebesar Rp86.400,00. J adi ramal an yanj fepat tidak dttpat
dicapai jika hanya berdasar pada metode ekstrapolasi. Faktor lain yang berpengarult pada
aktivitas yang akan datangjuga harus dipertimbangkan baik-baik dalam pem.malan bebebrapa
aktivitas.
7.6 PERUBAHAN PERSAMAAN TREND
Dalam penggunaan persamaan trend harus diberi batasan mengenai 3 faktor: tahun
dasar, unit X, dan unitY. Setiap faktor dapat diberi batasan kembali untuk menghitung nilai
trend. Perubahan ini seharusnya tidak mempengaruhi nilai trend. Umuk memudahkan
persamaan linier (berpangkat satu) yang digunakan dalam contoh.
Mengnbah Unit X
Gerakan trend jangka panjang (sekuler trend) biasanya menggunakan data tahunan.
Garis trend berdasarkan data tahunan dapat diubah untuk menggambarkan basil trend
kuartalan atau bulanan. Untuk mengubah ini harus dibuat lagi batasan unit X dan perubahan
174
I-
persamaan trend. Batasan unit X dalam satu tahun, kita ubah menjadi unit waktu dalam
kuartal (1/2 tahun) atau satu bulan (1112 tahun). Metode perubahan persamaan trend data
tahunan, menjadi data kuartalan atau bulanan diberikan dalam dua contoh yang berbeda.
15
10
; a= 15,4
0 ~--~--~----~--~--~----~------~
1974 1975 1976 1977 1978 1979 1980 1981 1982
o.--------------------- (7 tahun) ----------------0
1987
(dasar lama)
(dasar baru)
Gambar 7.11
175
Yc =3,85 +
1,85 X
atau Yc
16
=3,85 + 0,115625 X
Yc = 3,9078115 + 0,115625 X
tahun dasar: 15 Agustus 1981
unit X= kuartalan
unit Y = Rp 1.000,00
Sebagai contoh, basil trend tanggal15 Mei 1982 (atau 3 kuartalan sesudah tahun dasar,
15 Agustus 1981) yang dihitung dari persamaan yang diperbaiki:
X 3 kuartal
y c = 3,9078125 + 0,115625 (3)::: 4,2546875
atau Rp4.254,6875
2.
Yc = 1,2833 +
\~x
atau
y c = 1,2833 + 0,01284722
176
10 5
= 0 875
12
'
(15 Mei 1982 adalab 10,5 bulan sesudab l Juli 1981 sebagai tahun dasar persamaan).
Y c = 15,4 + 1,85 (0,875) = 17,01875 atau Rp17.018,75
Ilustrasi untuk mengubab unit X dari satu tabun ke kuartalan dan bulanan digambarkan
pada gambar 7.12.
petpbahan unit waktu. Jika I!lta-ratariy<\ !iata.ku~al;m, urtiiX tahunan dibagi dengan 4; jika
rata-ratanya ada}ah data bulanan, dibagi dengan 12.
Sebagai contoh, jika persamaan aslinya adalah:
Y c :4,36 + 12,72X
tahun dasar 1 Juli 1981
unit X: 1 tahun
unitY: Rp1.000,00 (rata-rata bulanan)
Persamaan
baru dan unit waktu bulanan adalah:
.
X
Catatun:
Bahwa nilai b (slope) adalah tidak dipengaruhi oleh perubahan persamaan aslinya. Slope
menunjukkan angka 12,72 (dalam Rpl.OOO,OO) kenaikkan tiap tahun dalam persamaan asli.
Da.P ini akan sama dengan slope sebesar 1,06 ( kenaikkan per bulan) dalam persamaan baru.
Lihat diagram pada gambar 7.13.
Jika tahun dasar dari persamaan baru diubah ke pertengahan bulan atau 15 Juli
maka:
198~,
Perubahan Unit Y
Unit Y dari persamaan trend dapat diubah menjadi unit Y yang diinginkan dengan
mengalikan konstanta a dan b dengan rasio dari unitY asli menjadi unitY yang diinginkan.
Sebagai contoh unitY dari Rp1.000,00 dalam persamaan:
Yc = 15,4 + 1,85 X
tahun dasar: 1 Juli 1981
unit X: 1 tahun
unitY: Rpl.OOO,OO
178
1.85
16
]4
12
- - 1,4375
(bulanan)
Dasar
Gambar7.12
llustrasi Pernbaban Unit X dari Tabunan ke Kuartalan dan Bulanan
untuk Nilai Y Sesungguhnya Dinyatakan dalam Total Tahunan
y
(Rp 1.000)
20r-----------------------------------.20
Yc=4,36+ 12,72 17,08
18
16
14
12
10
14
1517
18
16
12
10
1518
4 --_-_-.-. 01 I
2
117/81
0
Dasar
2 3
""a= 4,36
(unit X I
ulan)
ln/82
(umtX: I
tahun)
2
117183
Gambar7.13
Ilustrasi Perubahan Unit X dari Tabunan Menjadi Bulanan
untuk Nilai Y Sesungguhnya Dinyatakan dalam Rata-rata Bulanan
179
. _
UnitY (asli)
asJO- UnitY. (yang diinginkan) =
= 15,4(10) + 1,85(10)X
= 154 + 18,5 X
Tahun dasar: 1 Juli 1981
Y~
unit X: 1 tahun
unitY: Rp100,00
180
Rp. 1.000,- = l O
Rp. 100,-
Runtut waktu yang diklasifikasikan ke dalam periode-periode kurang dari satu tahun
seperti kuartalan, bulanan, atau harlan, mungkin mempunyai gerakan periodik yang berulang.
Gerakan tersebut disebut variasi musim. Sebagai contoh, kegiatan bisnis tertentu yang
diklasifikasikan ke dalam bulanan secara terus menerus menunjukan jumlah kegiatan yang
paling tinggi pada bulan J uli dan paling kecil bulan Mei pada tiap-tiap tahun selama 15 tahun.
Metode penentuan adanya variasi musim dalam suatu seri dibicarakan dalam sub bab 8.1.
Ukuran variasi musim disebut indeks musim (persentase). Metode untuk mencari indeks
rnusim disajikan dalam sub bab 8.2 sampai sub bab 8.5. Dalam praktik, data kuartalan atau
bulanan biasanya digunakan untuk pengukuran variasi musirn. Untuk penyederhanaan, data
kuartalan digunakan dalam penggambaran prinsip-prinsip dasar untuk rnenghitung indeks
rnusim dalam bab ini. Data bulanan hanya digunakan untuk penggambaran tarnbahan.
Penerapan-penerapan dan pemakaian-pemakaian indeks musim disajikan dalam bagian
akhir dari bab ini (8.6).
8.1 PENENTUAN VARIASI MUSIM
Sebuah runtut waktu dapat mempunyai atau tidak mempunyai variasi musim. Oleh
sebab itu, sebelum perhitungan, indeks runtut waktu harus diuji terlebih dahulu variasinya
dengan tujuan penghematan waktu. Metode yang sederhana untuk menguji variasi adalah
mernbandingkan nilai individual dengan nilai rata-rata untuk tiap tahun. Ini dapat dilakukan
dengan tabel atau grafik. Tabel8.1 dan gambar 8.1 menunjukkan penjualan kuartalan dari
Khasandy Department Store tahun 1984 sampai 1988. Tabel dan grafikjuga rnenunjukkan
perbandingan penjualan kuartalan secara individual dengan penjualan rata-rata kuartalan
untuk tiap tahun. Penjualan untuk kuartal pertama ada di bawah rata-rata, penjualan untuk
kuartal kedua dan keempat dekat dengan rata-rata, penjualan pada kuartal ketiga agak jauh
di atas rata-rata. Hal ini dengan jelas menunjukkan adanya variasi musim dalam runtut waktu.
Banyak runtut waktu dipengaruhi oleh jumlah tanggal atau jumlah hari -hari kerja dalam
satuan waktu (seperti Januari mempunyai 31 hari dan Februari 28 hari). Dalam kasus seperti
ini runtut waktu harus disesuaikan dengan variasi tanggal atau hari kerja sebelum diputuskan
apakah ada variasi musim dalam runtut waktu tersebut. Penyesuaian boleh dilakukan dengan
mengklasifikasikan serialnya ke dalarn rata-rataharian seperti dalam tabel8.2. Tabel tersebut
menunjukkan produksi PT Rodenso setiap bulannya dalam tahun 1988.
181
Tabe18.1
Data Penjualan Khasandy Department Store
untuk Setiap Kuartal Tabun 1984-1988
.. Total
'
~~ta Y.
13 (SB'S)
(2A'S)
20(3B'S)
29(5A'S)
(4A'S)
23(1B)
85
21,25
2.6
5.8
4,6
17
4,25
Qatatan:
Jika tidak ada variasi hari kerja, ada 21 hari kerja selama Januari. Maka produksi
disesuaikan menjadi:
2-3,64 x 21
Jika perhitungan ini dikombinasikan produksi yang telah disesuaikan dapat dihitung
sebagai berikut:
(520/22) x 21
182
~
Penjualan
(Rp 1.000)
10~----r-----~-----.-----,------,10
9
8
8
7
6
1
01234
1984
1234
1985
1234
1986
1234
1987
1234
1988
Tahun
Gambar8.1
Data Penjualan dan Rata-rata kuartal per tahun
Khasandy Department Store Tahun 1984-1988
Faktor,
~
Jumlah rata-rata kerja per bulan/Jumlah hari kerja sebenamya dalam bulan Januari
= 21122 = 0,9545
disebut dengan penyesuaian untuk produksi bulan J anuari, terdapat di kolom 4 tabel8.2 untnk
penyederhanaan penghitungan.
Bandingkan unit yang diproduksikan sesungguhnya dengan unit-unit yang disesuaikan
untuk bulan Januari dan Februari. Produksi sesungguhnya bulan Februari (480.000 unit).
Produksi yang rendhh dalam bulan Februari disebabkan jumlah hari kerja yang lebih kecil
(19). Apabila produksi tidak dipengaruhi oleh variasi hari kerja, produksi yang diharapkan
dalam bulan Februari (532.000 unit) lebih tinggi dari bulan Januari.
Data penjualan dipengaruhi oleh tanggal dan variasi hari kerja dengan tingkat yang lebih
kecil dari data produksi. Meskipun dalam beberapa kasus penyesuaian untuk variasi pada
data penjualan diinginkan untuk analisis musiman, penyesuaian dihilangkan di dalam contob
berikut untuk penyederhanaan.
Pola-pola variasi musim dapat diklasifikasikan ke dalam dua bentuk, yaitu spesifik dan
tipical. Pola spesifik menunjukkan varial?i musim dalam periode khu~us seperti vari~i
penjualan kuartalan tahun 1984 dalam tabel 8, 1. Pola tipical melukiskln rata; rata variasi
musim dalam sejumlah periode, seperti 5 tabun ( 1984-1988) dalam tabel YaoJ~a. Apabiht
pola-pola spesifik musiman selama periode tertentu dapat dipercaya, maka nilainya akan
mendekati nilai indeks untuk pola tipical. Akan tetapi, jika variasi di antara pola spesifik
musim besar, nilainya kurang dapat dipercaya sebab tidak ada perubahan musim yang khas.
Dalam hal demikian, lebih baik untuk menggunakan indeks musim spesifik jangka waktu
tertentu dalam penganalisisan variasi musim.
Tabel8.2
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
Nopember
Desember
Total
Rata--rata (Y)
520
480
500
550
500
600
450
580
490
510
560
470
22
19
21
21
22
20
21
23
20
22
21
20
0,9545
1,1053
1,0000
1,0000
0,9545
1,0500
1,0000
0,9130
1,0500
0,9545
1,0000
1,0500
496
531
500
550
477
630
450
530
514
487
560
494
252
21
V ariasi musim dari runtut waktu diukur sesudah efek trend, siklis, dan gerak yang tidak
beraturan pada runtut waktu tersebut dihilangkan. Didasari pada ide tersebut, terdapat
bermacam-macam metode menghitung indeks musim runtut waktu tertentu. Tiga metode
yang biasa dipergunakan adalah:
( I) Metode rata-rata sederhana dari data asli
184
(2) Metode rata-rata sederhana yang disesuaikan dengan perubahan trend, dan
(3) Metode rasio rata-rata bergerak.
Metode yang pertama akan dijelaskan dalam bagian ini. Dua metode lainnya disajikan
di dua bagian lain secara terpisah. Metode rata-rata sederhana dari data asli adalah cara
yang paling sederhana untuk menghitung indeks variasi musim. Dengan metode ini,
perubahan trend diasumsikan mempunyai pengaruh kecil dalam runtut waktu. Juga
diasumsikan bahwa naik dan turunnya siklis dalam runtut waktu diseimbangkan, sehingga
siklis mempunyai jangka waktu dan amplitudo yang sama. Jika sejumlah sikHs cukup
untuk dibuat rata-rata dalam tiap satuan waktu (kuartal atau bulan), fluktuasi siklis dapat
dihapuskan. Demikianjuga proses penghapusan efek-efek dari gerak yang tidak beraturan
dengan mengasumsikan bahwa efek-efek di atas periode diseimbangkan dalam suatu
runtut waktu. Asumsi ini tidak selalu benar. Akan tetapi indeks yang diperoleh dengan
metode-metode yang sederhana ini biasanya menghasilkan penaksiran yang kasar mengenai
pola variasi musim.
Prosedur penghitungan indeks variasi musim untuk runtut waktu dengan metode ini
sebagai berikut:
1) Carilah rata-rata untuk tiap kuartal (pertama, kedua, dan seterusnya) untuk data kuartalan
atau tiap bulan (Januari, Februari, dan seterusnya) untuk data bulanan.
2) Hitunglah indeks musim dari rata-rata kuartalan atau bulanan, indeks musim
biasanya dinyatakan dalam bentuk persen (%). Jumlah = 400% untuk prosedur
indeks musim kuartalan dan 1.200% untuk indeks musim bulanan. Prosedur ini
dijelaskan dalam contoh:
Contoh 1:
Dengan menggunakan penjualan kuartalan dari Khasandy Department Store untuk
tahun 1984 sampai 1988 yang tercantum dalam tabel 8.1, hitunglah indeks musim dengan
metode rata-rata sederhana dari data asli.
Penyelesaian:
1. Carilah penjualan rata-rata untuk tiap kuartal. Rata-rata (Y.) dihitung dalam tabel8.1.
Rata-rata kuartal pertama diperoleh dengan membagi total penjualan kuartal-kuartal
pertama diperoleh dengan membagi total penjualan kuartal-kuartal pertama 13 : 5 =2,6
(dalam ribuan unit). Pengaruh gerak siklis dan gerak tak beraturan dihilangkan dengan
proses rata-rata. Efek perubahan trend diabaikan. Rata-rata dipakai sebagai nilai-nilai
dari pola musiman tipical. Nilai tipical sekarang digunakan untuk menghitung indeks
dari runtut waktu.
2. Perhitungan dan indeks disajikan dalam tabel8.3. Rata-rata untuk setiap kuartal terdapat
dalam kolom (2) dari tabel. Indeks dalam bentuk desimal, (kolom 4) dapat dihitung
dengan salah satu dari dua cara.
,
185
Tabel8.3
Perhitungan Indeks Musiman dengan Metode Rata-rata Sederhana dari Data Asli
untuk Penjualan Kuartalan Khasandy Department Store
Tahun 1984-1988
Rata-rata
Penjualan
Kuartal ', dalam Kuartal
I
J{asio dengan
Total
Kolom !2):17
lndeks dalam
desimal
Kolom (2):4,24
lndeks
dalam
)ll'J"Sl'll
( I{ p I.IHHl,OO l
lndeks di alas
(+)ataudi
hawah (-)
IOOC'k
(I)
(2)
(J)
(4)
(5)
(6)
Pertama
2,6
4,0
0,153
0,235
0,341
0,271
0,612
0,940
1,084
61,2
94,0
136,4
108,4
-38,8
--6,0
+36,4
+8,4
1,000
4,000
1,000
400,0
100,0
0,0
0,0
Kedua
Ketiga
5,8
Keempat
4,6
Total
17,0
4,25
Rata-rata
1,364
Persen Deviasi
dari rata-rata
140.---------------~--------.+40
130
+30
120
+20
110
+10
0
90
80
70
-10
'~~,,',','
-20
(c)II ~/
(c)l '(a)
-30
-40
60
Pertama
Kedua
Ketiga
Keempat
Gambar 8.2
lndeks Musim Dihitung dengan Beberapa Metoda
untuk Penjualan Kuartalan Tahun 1984-1988
Sumber:
(a) Contoh 1, Tabel 8.3
(b) Contoh 2, Tabel 8.4.
(c) Contoh 3, Tabel 8.10 untuk I dan Tabel 8.12, untuk II.
186
Prosedur perhitungan indeks musim dengan metode rata-rata sederhana yang disesuaikan
dengan perubahan trend pada dasamya sama dengan metode yang disajikan dalam sub bab
8.2. Efek-efek sikhs dan gerak tak beraturan dihilangkan dengan proses rata-rata data untuk
tiap satuan waktu (seperti dalam metode sebelumnya). Sekali lagi diasumsikan bahwa gerak
siklis dan gerak tak beraturan dalam runtut waktu diseimbangkan sehingga dapat diabaikan
dengan memasukkan jumlah tahun yang cukup dalam proses pengrata-rataan. Akan tetapi
efek perubahan trend tidak dihilangkan dalam metode ini. Diasumsikan bahwa pengaruh
yang bermacam-macam pada runtut waktu didasarkan pada metode penambahan:
Y=T+S+C+I
Sesudah penghilangan siklis (C) dan gerak tak beraturan (I) dengan proses pengratarataan, model dapat ditulis:
Y=T+S=Y-T
a
a
a
a
a
187
yang rnenunjukkan bahwa Y. adalah rata-rata sederhana dari nilai-nilai Y untuk satu kuartal
(pertarna, kedua, dan seterusnya) dan T. adalah deviasi rata-rata yang naik atau turun. Hasil
pengurangan (Sa= Ya - T .) adalah rata-rata yang disesuaikan dengan perubahan trend. Nilainilai s. dipakai untuk rnenghitung indeks rnusirn.
Deviasi rata-rata T. dihitung dari persarnaan trend. Persamaan trend dapat dicari dengan
berrnacam-rnacarn rnetode seperti yang dicanturnkan dalarn bab yang rnernbahas tentang
trend. Dalarn penjelasan berikut, hanya persarnaan trend garis lurus dengan rnetode kuadrat
terkecil yang digunakan. Deviasi rata-rata untuk tiap kuartal dihitung dari nilai b dalam
persarnaan Yc =a +bX.
Asurnsi-asurnsi yang berkaitan dengan gerak siklis dan gerak tak beraturan dalarn
suatu runtut waktu tidaklah tepat benar. Lebih lanjut, rnetode ini hanya terbatas untuk
perubahan trend dalarn bentuk linier. Indeks yang diperoleh dengan rnetode ini biasanya
nilainya rnendekati nilai indeks yang diperoleh dengan metode yang paling tepat, apabila
dibandingkan dengan rnetode rata-rata yang telah didiskusikan sebelurnnya. Metode ratarata sederhana yang disesuaikan dengan trend dijelaskan dalam contoh 2.
Contoh 2:
Dengan rnenggunakan penjualan kuartalan dari Khasandy Department Store tahun 1984
sarnpai dengan 1988 yang ada dalarn tabel8.1, hitunglah indeks musim dengan rnetode ratarata sederhana yang disesuaikan dengan perubahan trend.
Penyelesaian:
Tabel 8.1 menunjukkan perhitungan indeks musim dengan rnetode ini.
Perhitungannya adalah sebagai berikut:
1. Carilah penjualan rata-rata tiap kuartal. Rata-rata (Y) diperoleh dari tabel 8.1 dan
disajikan dalarn kolom 2. Pengaruh gerak siklis dan gerak tak beraturan kernudian
dihilangkan dengan proses pengrata-rataan. Kemudian rata-rata yang diperoleh dibentuk
pola musim tipikal sebelum disesuaikan dengan perubahan trend.
2. Carilah variasi rata-rata untuk tiap kuartal akibat perubahan trend. Pertama menentukan
persamaan garis lurus trend untuk data kuartalan dari tahun 1984 sampai 1988 dengan
rnetode kuadrat terkecil seperti yang ditunjukkan dalam tabel 8.5.
Persarnaan trendnya adalah:
Yc =4,25 + lX
dengan tahun dasar 1 Juli 1986
X unit: 1 Tahun
Y unit: Rpl.OOO,OO (untuk data kuartalan)
Nilai b rnenunjukkan kenaikan tahunan sebes::rr X unit di dalarn satu tahun sehingga
kenaikan per kuartal adalah 250 atau 1/4 = 0,25 dari Rpl.OOO,OO. Kenaikan rata-rata
188
3.
4.
kuartalan untuk perubahan trend (T) dapat dilihat dalam kolom 3 dari tabel 8.4.
Penjualan rata-rata untuk kuartal pertama (dipakai sebagai tahun dasar) adalah 0,25.
Rata-rata penjualan untuk kuartal selanjutnya terdapat kenaikan 0,25 per kuartal atau 2
(0,25) = 0,50 untuk kuartal ketiga, dan 3 (0,25) = 0, 75 untuk kuartal keempat.
Kurangkan Y .. dengan T" untuk memperoleh S,. Hasil pengurangan ini dapat dilihat dari
kolom (4). Nilai dalam kolom menunjukkan pola variasi musim tipikal sesudah trend,
gerak siklis, dan gerak tak beraturan dihilangkan. Rata-rata variasi musim adalah 15,50/
4 == 3,875 per kuartal (dalam ribuan rupiah).
Membagi setiap penjualan rata-rata yang disesuaikan dengan 3,875. Hasilnya adalah
seperti yang terlihat dalam kolom (5) yang merupakan indeks musim dalam bentuk
desimal. Desimal tersebut diubah dalam bentuk persentase dalam kolom (6). Indeks
dalam persentase di atas a tau di bawah rata-rata 100% dapat dilihat dalam kolom (7) dari
tabel dan juga ditunjukkan dalam gambar.
Tabel8.4
0,25
0,50
0,75
Ketiga
Keempat
Total
Rata-rata
17,0
1,50
3.875
1,3687*
0,994
15,50
1,000
4,001 *
100,0
400,0
0,0
4.000.
189
Tabel8.5
Perhitungan Persamaan Trend Garis Lurus dengan
Metode Kuadrat Terkecil Didasarkan pada Rata-rata
Penjualan Kuartalan di Khasandy Department Store Tahun 1984-1988
a= I,Y/n = 21.25/S =
=4,25
b = 2.(XY)/2,(X2) =
10/10;;:: 1
1
0
1
2
1
4
Yc=4,25+ IX
dengan tahun dasar
1 Juli 1982
X unit: 1 tahun
Y unit: Rp 1.000,00
0
21,75
10,00
10
21,25
Metode ini berdasarkan asumsi bahwa pengaruh keempat proses dalam sebuah runtut
waktu adalah sebuah perkalian bukan penambahan. Hasilnya ditulis dalam model sebagai
berikut:
Y=TxSxCxi
Indeks musim dapat ditentukan dengan eliminasi T, C, dan I. Bentuknya seperti berikut:
TxSxCxi
----:T=--x--:::c=-x----=-1- == S
yang menunjukkan bahwa S adalah nilai relatif. Nilai relatif S digunakan dalam menentukan
indeks musim. Metode perhitungan indeks musim didasarkan pada nilai absolut dari data,
seperti yang dijelaskan di bagian muka. Beberapa nilai yang besar di dalam deret (series),
mungkin mempunyai efek yang tidak sebanding dengan pola variasi musim yang diperoleh
190
dengan proses pengrata-rataan. Indeks yang dihasilkan dari nilai relatif akan lebih
menggambarkan pola variasi musim tipikal.
Eliminasi dari T x C x I dapat dilakukan dengan berbagai metode. Metode yang paling
baik dari berbagai jenis metode tersebut yang digunakan dalam statistik adalah metode rasio
dari data orisinil (nilai Y) dengan rata-rata bergerak, atau metode rata-rata bergerak.
Panjangnya waktu penentuan setiap rata-rata bergerak adalah setahun, yaitu 4 kuartal untuk
data kuartalan dan 12 bulan untuk data bulanan.
Seperti yang dijelaskan dalam bab sebelumnya, metode rata-rata bergerak mempunyai
fluktuasi yang halus. Yang paling efektif jika periode dari perhitungan rata-rata bergerak
adalah sama. V ariasi musim berf.luktuasi secara teratur tahun demi tahun dengan kemungkinan
berbagai jenis variasi untuk setiap tahun. Oleh sebab itu, 4 kuartal atau 12 bulan rata-rata
bergerak akan menghapuskan variasi musim.
Telah dijelaskan di bagian muka bahwa gerak tak beraturan (irregular movements) dapat
dihilangkan pengaruhnya, jika unit waktu dari data ditambah seperti perpanjangan 1 kuartal
atau 1 bulan ke periode yang panjang misalnya 1 tahun. Sehingga sebagian besar tak
beraturan dihilangkan rata-rata bergerak (4 kuartal atau 12 bulan).
Jika lamanya perputaran tidak begitu panjang atau hanya dalam periode satu tahun, ratarata bergerak akan menghilangkan sebagian besar gerak siklis. Akan tetapi siklis bisnis
biasanya adalah lebih dari satu tahun. Dalam keadaan normal rata-rata bergerak dapat
ditunjukkan oleh basil kali trend dan gerak siklis.
Rata-rata bergerak =T x C
TC
Penggunaan TC untuk rata-rata bergerak dapat dilihat dalam gambar 8.3. Perlu
diperhatikan smoth curve dalam gambar 8.3 menunjukkan fluktuasi rata-rata bergerak yang
mengarah ke atas. .
Setelah rata-rata bergerak didapat, rasio dari Y (nilai asli) untuk rata-rata bergerak dalam
waktu tertentu (umumnya dalam pertengahan kuartal atau bulan) dapat dicari. Dengan
demikian rasio yang menunjukkan variasi musim dan gerak tak beraturan dapat dirumuskan
sebagai:
Rasio dari Y untuk rata-rata bergerak = TSCI
=SI
Dengan rumus itu, hasil dari gerak tak beraturan (I) tidak dapat dicari. Sebagai pengganti
I (atau bagian kecil dari I) dieliminasi dengan proses pengrata-rataan dengan rasio setiap
bulan atau kuartal. Rata-rata dari rasio dapat berupa rata-rata hitung, rata-rata tertimbang,
atau median. Rata-rata dari rasio ini digunakan untuk memperoleh indeks.
Contoh 3:
Dengan menggunakan penjualan kuartalan dari Khasandy Department Store untuk
191
tahun 1984-1988 seperti dalam tabel8.1, hitunglah indeks musim dengan metode rasio untuk
rata-rata bergerak (metode rata-rata bergerak).
Penyelesaian:
1. Kita cari nilai dari sikliskal trend (TC) untuk setiap kuartal dengan metode rata-rata
bergerak. Rata-rata bergerak untuk 4 kuartal dapat dilihat dalam kolom (5) tabel8.6 dan
digambarkan dalam gambar 8.3. Metode rata-rata bergerak untuk angka-angka ganjil,
seperti 3 tahun dan 5 tahun rata-rata bergerak telah disajikan dalam bab terdahulu.
Sekarang kita menyusun unit waktu (4 kuartal) dalam perhitungan rata-rata bergerak.
Rata-rata dari 4 kuartal pertama penjualan di dalam deret (didasarkan penjualan pacta
1984) adalah:
10
1+2 +3 +4
- - -- - =- 4
4
2.
3.
192
yang menunjukkan bahwa nilai trend siklis (TC) kuartalan dengan menggunakan tahun
dasar 1 Juli 1984, atau tengah antara 4 kuartal pertama. Tetapi angka 2,5 dari TC tidak
sama angka 2 pada penjualan kuartalan kedua dengan tahun dasar pertengahan tahun
kedua, atau 15 Mei 1984. Juga berbeda dengan angka 4 pada penjualan kuartal ketiga
(dengan tahun dasar 15 Agustus 1984).
Oleh karena itu diperlukan suatu cara baru untuk mencari penyesuaian nilai TC untuk
setiap kuartal. Suatu metode yang lazim yang digunakan dengan cara mencari jumlah
dari 112 penjualan kuartal yang pertama, seluruh penjualan kuartal kedua, ketiga,
keempat, dan 112 penjualan kuartal kelima untuk mencari rata-rata bergerak untuk
pertengahan dari lima kuartal, atau dipusatkan pada kuartal ketiga, sehingga rata-rata
bergerak akan sesuai dengan angka pada penjualan kuartal. Hal ini dapat dilihat pada
tabel8.7.
Penggunaan metode sederhana akan mendapatkan basil yang sama. Metode sederhana
dihasilkan dari penjumlahan 1 x penjualan pertama, 2 x kedua, 2 x ketiga, 2 x
keempat, dan 1 x penjualan kuartalan kelima (lihat tabel8.8 ). Perhatikan bahwa ratarata bergerak untuk kuartal ketiga tahun 1984 dengan menggunakan kedua metode
di atas akan menghasilkan angka yang sama yaitu 2,625. Perubahan total untuk 4
kuartal adalah 10,5 yang untuk rata-rata bergeraknya dibagi dengan 4. Begitu juga
untuk 2 kali 4 kuartal rata-rata bergerak jumlahnya sama dengan 21 dibagi dengan
8. Rata-rata bergerak dalam tabel 8.6 dihitung dengan metode sederhana (simplified
method).
Mencari rasio untuk penjualan kuartalan dengan rata-rata bergerak (SI). Sebagai contoh
pacta penjualan kuartalan ketiga tahun 1984 rasio dihitung dengan membagi nilai Y pacta
penjualan kuartal dengan rata-rata bergerak 4: 2,625 = 1,524. Rasio-rasio yang dihitung
ini dapat dilihat pacta kolom 6 tabel 8.6.
Menghitung indeks musim. Pertama mencari ratio rata-rata (SI). Kemudian menghitung
indeks dari rata-rata. Rata-rata ini dapat berbentukrata-rata hi tung, rata-rata disesuaikan,
Tabel8.6
Kuartal
Tahun
(Ia)
(lb)
Penjualan
Kuartalan
(dalam
Rpl.OOO,OOl
Y=TSCI
12)
4
4
1985
10
ll
2
3
3
5
14
14
2
2
15
15
14
15
1986
1987
12
l3
1,524
23
25
27
28
2,875
3,125
3,375
3,500
0,640
0,889
1,429
29
30
29
29
3,625
3,750
3,625
3,625
1,103
0,553
1,103
1,379
30
32
37
42
3,750
4,000
4,625
0,800
0,750
0,865
1,333
5,875
6,375
6,625
IS
17
3
4
20
22
5
7
25
26
47
27
53
')
<..
16)
2,625
1988
Knlt2l:
Koli.Sl=SI
21
4
7
1
2
Rasin dari \
ttrlmdatJ
Rata-rata
Brrgl'rak
51
5,250
1,043
1,021
0,784
1,057
a.
b.
atau median. Perhitungan indeks berdasarkan bentuk rata-rata yang berbeda tersebut
akan dibicarakan berikut:
Indeks musim berdasarkan rata-rata hi tung dihitung dalam tabel 8.9 dan tabel 8.1 0.
Perhitungannya juga dapat dilihat pada gambar 8.2.
Indeks musim berdasarkan rata-rata disesuaikan dihitung pad a tabe18.11 dan tabel8.12.
Perhitungan ini juga terlihat pada gam bar 8.2. Untuk rata-rata disesuaikan didapat tidak
193
Penjualan
(Rp 1.000)
10.-----.------.------.-------,-----,
TC ==Rata-rata
bergerak
5
4
3
01234
1984
1234
1985
1234
1986
1234
1987
1234
1988
Tahun
Gambar 8.3
Rata-rata Bergerak 4 Kuartalan dari Penjualan Kuartalan
Data Khasandy Department Store Tahun 1984-1988
Tabel8.7
Perhitungan 4 Kuartal Pertama Rata-rata
Bergerak dalam Tabel 8.6 dengan Metode Biasa
1984
1985
1
2
3
4
1
1
2
4
(112) 1=1/2
2
4
(1/2) 2 = 1
10,5
2,625
dari rasio yang terendah maupun tertinggi. Sebagai contohjika ada 7 angka rasio dengan
rasio tertinggi dan 2 rasio terendah.
Rata-rata disesuaikan akan dicari pertengahan di antara 3 rasio yang tersisa. Di dalam
contoh, rata-rata disesuaikan dihitung dari rasio selain rasio yang terendah atau tertinggi
untuk setiap kuartal. Rasio-rasio untuk setiap kuartal mula-mula diatur dalam suatu deret
194
Tabe18.8
Perhitungan 4 Kuartal Pertama Rata-rata
Bergerak dalam Tabel 8.6 dengan Metode Disederhanakan
2
4
3
2
1985
c.
10
11
21
2,625
menurut tingkatan ni1ai, seperti terlihat pada tabe1 8.11. Langkah berikut ia1ah
menge1iminir rasio tertinggi dan rasio terendah. Indeks musim yang didasarkan pada
rata-rata disesuaikan, perhitungannya nampak pada tabe1 8.12.
Indeks musim yang didasarkan atas median dihitung pada tabe1 8.11 dan 8.12 serta
terlihat pada gambar 8.2. Median yang didapat dari tabel8.11 adalah sama dengan ratarata disesuaikan. Rata-ratanya diperoleh dari rasio tengah pada tiap kolom. Dengan
demikian indeks musim yang diperoleh dengan median menghasilkan nilai yang sama
dengan metode yang didasarkan pada rata-rata disesuaikan.
Tabel8.9
Perhitungan Rasio Rata-rata Hitung untuk 4 Kuartal
Rata-rata Bergerak Ditunjukkan Dalam Persen (%)
Kuartal
t-
Tahun
--
---
--
---~
-~-----
------
152,4
142,9
137,9
133,3
104,3
110,3
80,0
102,1
566,5
141,6
396,7
99,2
1984
1985
1986
1987
1988
i
I
64,0
53,3
75.0
78,4
I
I
I
I
!
i
88,9
110,3
86,5
105,7
!
I
I
'
Total
Rata-rata
270,7
67,7
I
i
391,4
97,8
195
Tabel 8.10
Perhitungan lndeks Musim, Didasarkan pada Rasio
Rata-rata Hitung pada Khasandy Department Store Tahun 1984-1988
Kuartal
(l)
67,7
97,8
141,6
99,2
66,7
96,3
139,3*)
97,7
2
3
4
''>
'Total
*)
406,3
"""'"~-"'-o_o_
>o""
o~~
....
-~
400,0
Total bergerak untuk 12 bulan pertama dalam tahun 1987 dari runtut waktu tersebut
adalah 36,36 yang didasarkan pada pertengahan tahun yaitu 1 Juli 1987. Total bergerak
berturut-turut dapat dihitung dari total dengan cara yang pendek.
Tabel8.12
Perhitungan Indeks Musim Didasarkan Rasio Rata-rata yang
Disesuaikan pada Khasandy Department Store, Tahun 1984-1978
I
2
3
4
Total
Rata-rata
.
Faktor Penyesuman
196
4
=41400
OA =97 7
69,5
97,3
140,4
103,2
67,7
94,8
136,9
100,6
410,4
400,0
100,0
Jika indeks musim tipical digunakan untuk menjelaskan variasi musim suatu runtut
waktu, diasumsikan tidak ada perubahan yang timbul dalam pola musim. Namun suatu pola
musim dapat berubah baik secara drastis maupun secara bertahap, karena perubahan praktikpraktik usaha, kebiasaan membeli yang dilakukan oleh para pelanggan, penemuan teknologi,
dan kegiatan pemerintah. Sebagai contoh, kampanye promosi kusus dan perubahan waktu
untuk memperkenalkan model-model baru di dalam industri televisi dan mobil dapat
mengubah pola-pola musim dari permintaan.
Jika pola musim dari suatu runtut waktu berubah secara drastis akan lebih baik
menggunakan indeks musim spesifik untuk waktu tertentu dalam analisis variasi musim. Jika
variasi musim berubah secara bertahap biasanya ada dua cara untuk menjelaskan variasi
terse but:
197
Tabel8.14
Perhitungan Rasio Tenaga Bulanan dalam
Industri Kontruksi dengan 12 Bulan Rata-rata
Bergerak Tahun 1987-1988
Tahun
Bulan
(Ia)
(lh)
- I
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
Nopember
Desember
1988
198
'
Kerja
12 bulan: Jumlah
Kerja
Bcrgerak: Dua Kali
Total
12 Bulan
: (000 orangl
I
Y=TSCI:
' Bergerak
Total
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September!
Oktober i
Nopernber
Desember
(2)
2,58
2,47
2,56
2,86
3,05
3,23
3,36
3,44
3,38
3,33
3,18
'2,93
2,63
2,68
2,76
2,98
3,29
3,37
12 bulan
Rata-rata
Bergerak
Kol (4):
24=TC
rasio Y
terh:1dap
Rata-rata
Bcrgl'rak
(Srwsitlk
Muslim)
Kol (2):
Kol (5) = SI
(3)
(4)
(5)
(6)
36,36
36,41
36,62
36,82
36,95
37,09
72,77
73,03
73,44
73,77
74,04
74,32
3,032
3,043
3,060
3,740
3,085
3,097
1,108
1,130
1,130
1,083
1,031
0,946
37,23
37,36
37,47
37,54
37,74
37,74
3,49
74,59
74,83
75,01
75,18
75,38
75,58
37,84
3,108
3,118
3,125
3,132
3,141
3,149
0,846
0,860
0,883
1,019
1,073
1,108
Total
12,~92"
3,55
3,45
3,43
3,28
3,03
(1) Menghitung kembali indeks musim tipical agar supaya mendekati indeks musim
spesifik.
(2) Menghitung perubahan indeks musim yang didasarkan pacta garis trend sebagai ganti
dari rata-rata tunggal dari musim spesifik untuk tiap unit waktu. Cara menghitung
perubahan indeks musim diberikan pacta contoh 4 berikut.
Contoh:
Dengan menggunakan data penjualan kuartalan Khasandy Department Store untuk
tahun penjualan 1984-1988 dalam tabel 8.1, hitunglah perubahan indeks musim tiap tahun.
Penyelesaian:
( 1). Kita susun indek musim spesifik relatif (a tau ratio rata-rata gerak 4 kwartal), untuk tiap
kwartal kedalam deret individual. Langkah ini ditunjukkan dalam tabel8.15. dan gambar
8.4. Tabel 8.15. merupakan ulangan dari tabel 8.4. kecuali relatif kwartal pertama dan
kwartal kedua tahun 1974 dan kwartal ketiga dan keempat tahun 1978. Pengecualian
tersebut diperkirakan sebagai berikut dan disajikan dalam tabel 8.16.
Tabel 8.15
Penyusunan Indeks Musim Spesifik Relatif (Rasio
Rata-rata Bergerak 4 Kuartal) dengan Kuartalan dan Tahunan
Kuartal ( c1c)
-
Tahun
1984
1985
1986
1987
1988
50,0
64,0
53,3
75,0
78,4
Total
Rata-rata
320,7
64,1
I
I
I
'
--
--
...
87,0
88,9
110,3
86,5
105,7
152,4
142,9
137,9
133,3
118,0
104,3
110,3
80,0
102,1
97,0
478,4
95,7
684,5
136,9
493,7
98,7
Pertama, memperpanjang garis rata-rata bergerak pacta gambar 8.3 dengan garis titiktitik pacta ujungnya. Perkirakan rata-rata bergerak dari garis titik-titik tersebut. Kemudian,
hitunglah rasio data asli terhadap 4 kuartal rata-rata bergerak yang diperkirakan.
Kedua, mencari garis trend yang bersesuaian dengan spesifik relatif untuk tiap kuartal.
Beberapa metode dalam bab di muka dapat digunakan untuk menghitung nilai trend relatif.
Untuk penyederhanaan, metode grafik tangan bebas yang digunakan untuk garis trend dalam
gambar 8.4.
199
Tabel8.16
Perhitungan untuk Rasio Perkiraan 4 Kuartal
Rata-rata Bergerak
1984
1988
:2,00
2,30
6,80
7,20
1
2
8
7
1
2
3
4
0,500
0,870
1,180
0,970
80
120
70
110
60
100
50
90
40
1984
1985
1986
1988
1987
80
1984
1986
1987
1988
Kwartal Kedua
Kwartal Pertama
%
155
115
145
105
135
95
125
115
1984
1985
"'-
1985
1986
1987
Kwartal Ketiga
1988
85
75
1984
1985
1986
1987
1988
Kwartal Keempat
Gambar 8.4
Analisis Perubahan Pola Musim untuk Penjualan
Kuartalan Tahun 1984-1988 pada Khasandy Department Store
(unit: Rasio Persentase 4 Kuartal Rata-rata Bergerak)
200
Ketiga, membaca nilai trend garis trend. Nilai trend untuk tiap-tiap kuartal ditabulasikan
pacta tabel 8.17 dan digunakan sebagai perubahan indeks musim untuk tahun-tahun yang
berbeda tahun 1984-1988. Total indeks untuk tiap tahun adalah adalah 400%. Perhatikan,jika
total untuk tiap tahun tidak tepat sama dengan 400%, garis trend dapat disesuaikan sedikit ke
atas atau ke bawah agar totalnya sama dengan 400%.
Tabel8.17
1
2
3
4
49
91
154
106
65
97
138
100
73
100
130
97
81
+8
94
146
103
103
122
94
-8
Total
Rata-rata
400
100
400
100
400
100
400
100
400
100
57
+3
-3
0
0
Indeks musim dapat digunakan dalam tiga hal yang penting, yaitu:
(1) Menunjukkan jalannya operasi yang sedang berjalan
aktifitas musim. Apabila ada perubahan yang mendadak dalam pola musim, indeks tipical
tidak dapat digunakan dalam peramalan. Faktor-faktor lainnya yang mempengaruhi aktifitas
musim harus diteliti dengan cermat. Jika pola musim diharapkan berubah secara bertahap,
indeks yang paling baru seharusnya digunakan sebagai forecast dari pola musim tahun
berikutnya. Penerapan indeks musim dalam meramal aktifitas yang akan datang diberikan
dalam contoh 5.
Contoh 5:
Khasandy Department Store membuat suatu forecast tahunan untuk penjualan dalam
tahun 1989 sebesar Rp30.000,00. Dengan menggunakan perubahan indeks tahun 1988 dalam
tabel8.17, hitunglahforecast atas dasar kuartalan.
Penyelesaian:
Perhitungan forecast disajikan dalam tabel 8.18. Penjualan rata-rata kuartalan dari
forecast adalah Rp7.500,00. Estimasi penjualan kuartalan bermacam-macam sesuai dengan
indeks estimasi tahun 1989.
Tabel8.18
Perhitungan untuk Forecast Penjualan Kuartalan
Khasandy Department Store Tahun 1989
(Forecast Penjualan Tahun Rp30.000,00)
Kuattal
Forecast Pcnjualan
Kuartalan
Rp7.500,00 x Kol (2)
(I)
(2)
(3)
1
2
3
81%
103'%
122%
94%
6.075
7.725
9.150
7.050
Total
400%
30.000
Rata-rata
100%
7.500
Sumber: Contoh 5.
disesuaikan dengan variasi musim menunjukkan apakah aktifitas usaha akan ada jika
dipengauhi oleh trend, siklis, dan gerak tak beraturan. Secara simbolis ini dapat dinyatakan
sebagai berikut:
Data musim yang disesuaikan =
Data asli
=
Index musim
TSCI
S
= TCI
Jika suatu runtut waktu benar-benar dipengaruhi oleh variasi musim dengan penyesuaian
rata-rata musim, pengaruh trend yang sedang berjalan dan gerak siklis atas runtut waktu dapat
diukur dengan tingkat ketelitian yang tinggi. Metode pengukuran pengaruh siklis terhadap
runtut waktu dengan menggunakan data yang disesuaikan dengan variasi musim akan
dibahas dalam bab selanjutnya. Manfaat pengukuran trend yang sedang berjalan di dasarkan
atas data musim yang disesuaikan akan diberikan dalam contoh 6.
Contoh 6:
Penjulan kuartal pertama I 978 pada Khasandy Department Store adalah Rp5.000,00
(tabel8.1). Gunakan penjualan kuartalan untuk mengestimasikan penjualan tahun 1988.
Penyelesaian:
1. Gunakan penjualan aktual kuartal pertama sebagai penjualan rata-rata kuartalan tahun
1988 dalam estimasi. Tingkat penjualan tahunan diperkirakan Rp20.000,00 atau
Rp5.000,00 x 4 kuartal = Rp20.000,00.
2. Gunakan penjualan kuartal pertama yang disesuaikan dengan variasi musim sebagai
penjualan rata-rata kuartalan tahun 1988 dalam estimasi. Tingkat penjualan tahunan
diperkirakan Rp27 .396,00. Estimasi dihitung sebagai berikut; Perubahan indeks kuartal
pertama tahun sebelumnya 1987, yaitu 73% atau 0,73 diterapkan untuk penyesuaian
musim. Penyesuaian musim:
Rp5.000,00/0,73 = Rp6.849,00 (rata-rata kuartalan)
Estimasitingkatpenjualantahunan=Rp6.849,00x4=Rp27.396,00yangmenunjukkan
bahwa angka terse but lebih mendekati penjualan tahunan sesungguhnya dibanding estimasi
yang didasarkan atas penjualan sesungguhnya pada kuartal pertama. Perhatikan bahwa
penjualan sesungguhnya untuk tahun 1988 sebesar Rp27.000,00 (tabel 8.1).
203
'.
V ariasi musim menunjukkan periode fluktuasi yang berulang-ulang dari tahun ke tahun.
Apabila runtut waktu dikelompokkan dalam tahun maka variasi musim akan hilang. Juga
efek gerak tak beraturan umumnya dieliminasi apabila data untuk waktu dikelompokkan
dalam tahunan. Model perkalian runtut waktu dari data tahunan kemudian menjadi:
Y=TxC
Efek gerak siklis diukur dengan menggunakan rasio antara Y (data sesungguhnya) dan
T (nilai trend), menjadi:
y
C=T
Perbandingan tersebut disebut penyesuaian data dengan trend sekuler. Nilai trend (T)
didapat dari bermacam-macam metode yang disajikan dalam bah 2. Sebagai contoh kita
gunakan metode trend kuadrat terkecil untuk garis lurus.
Contoh 1:
Kita gunakan data penjualan tahunan dari tahun 1984 sampai 1988, dari Khasandy
Department Store yang ditunjukkan dalam kolom 2 tabel9.1.
204
(a). Carilah nilai trend untuk masing-masing tahun dengan metode trend kuadrat terkecil
untuk garis lurus.
(b). Gambarkan dalam grafik, untuk menunjukkan akibat gerak siklis dengan menggunakan
data tersebut.
Penyelesaian:
7
24
Perbandingan dalam bentuk desimal ditunjukkan dalam kolom 4 dan bentuk persentase
dalam kolom 5 tabel 9 .1. Rasia persen juga terdapat dalam bagian b gambar 9.1. Pengamatan
ten tang trend garis pada bagian a ~i atas dig anti nilai yang terdapat pada bagian b dengan dasar
100% untuk masing-masing tahun.
Gerak siklis dapat juga diukur dengan dasar model penambahan,
Y=T+C
atau
C=Y -T
yang akan menunjukkan hasil sama. Penyimpangan data yang sesungguhnya dari nilai trend
dapat ditunjukkan dengan angka mutlak atau relatif. Sebagai contoh, penyimpangan dalam
jumlah mutlak untuk tahun pertama ( 1984) dihitung sebagai berikut:
Y = Y- T = 7-2,4 = 4,6 (dalam Rp1.000,00).
Penyimpangan relatif didasarkan pada nilai trend.
~:~
205
Tabel9.1
Tahun
Penjualan
Sesungguhnya Y
(dalam
Rp 1.000,00)
Trend
Penjualan
T atau Y c
(dalam
Rp 1.000,00)
----
dalam
I
,-------,---desimal
persen
(4)
(5)
--
(I)
(2)
(3)
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
7
6
2
4
8
16
13
14
17
20
23
19
25
28
29
2,4
4,3
6,2
8,0
9,8
11,7
13,6
15,4
17,2
19,1
21,0
22,8
24,6
26,5
28,4
Total
231
231,0
2,92
1,40
0,32
0,50
0,82
1,37
0,96
0,91
0,99
1,05
1,10
0,83
1,02
1,06
1,02
292
140
32
50
82
137
96
91
99
105
110
83
102
106
102
Persentase
DeYiasi
Trend
(Trend::::
I 00 '!( l
-1
I
(6)
+192%
+40%
-68%
-50%
-18%
+37%
-4%
-9%
-1%
+5%
+10%
-17%
+2%
+6%
+2%
sama dengan perbedaan antara data yang disesuaikan untuk trend (Yrr = 292%) dl).n nilai
trend (100% atau nilai dasar). Deviasi absolut dapat dilihat pacta bagian a dan yang dalam
persen dapat dilihat pacta bagian b dari gambar 9.1 dan kolom (6) tabel9.1.
9.2 PENGUKURAN GERAK SIKLIS DAR/ DATA YANG KURANG DAR/1 TAHUN
Apabila runtut waktu (time series) dikelompokkan dalam periode kurang dari 1 tahun,
misall/4 bulan atau 1 minggu, maka akan dipengaruhi oleh trend (T), musim (S), s4klis (C),
dan gerak yang tak beraturan (I). Jika kita asumsikan bahwa trend dan dan variasi musim dari
206
- - - - - - -
Y (000 rupiah)
30
D~
25
\ <1
/-
-/
20
15
'
VA
v'>'
,
T
end gru 's lurus
/:
10
'-,, /
a asli
V',,
'
0
1974 75 76 77 78 79 80 81 82 83 84 85 86 87 88
Sumber: Tabel9.1
Persentase trend
Persentase deviasi
dari trend
+200
300
280
160
140
120
100
80
60
40
+180
'?-,
''
''
,Jf
'
'
'
'
''
'
'
'
'
'
'
''
Trend P,'enjil{t an Non ral).--,
'
,
,
'
''
20
--- -- --
''
'
',-
"
---- -
+60
+40
+20
0
-20
-40
-60
-80
0
-100
1974 75 76 77 78 79 80 81 82 83 84 85 86 87 88
Sumber: Tabel9.1
Gambar 9.1.b
Efek Gerak Siklis dalam Penjualan Khasandy Department Store Tahun 1974-1988
(Diukur dari Data yang Disesuaikan dengan Trend)
207
tahun ke tahun dalam keadaan normal, maka kita meneliti efek gerak siklis di atas atau di
bawah kegiatan normal. Sebagai dasar asumsi, gerak siklis akan diukur dengan 3 tipe data
sebagai berikut:
(1). Pengukuran data yang disesuaikan dengan variasi musim (TCI).
Setelah efek variasi musim dihapuskan dengan data yang sesungguhnya, maka efek
gerakan trend dipakai sebagai operasi normal. Gerakan trend (di atas, di tengah, atau di
bawah) biasanya dapat dilihat pada grafik. Sedangkan gerakan yang tak beraturan dapat
diabaikan atau diobservasi dari grafik. Beberapa data yang disesuaikan untuk variasi
musim, dapat beiupa nilai mutlak atau relatif, dipakai untuk mengukur gerak siklis
maupun gerakan trend. Contoh dari beberapa data yang dipakai tampak dalam gambar
9.2. Ilustrasi yang lebih rinci dari pengukuran gerak siklis dengan data yang disesuaikan
dengan variasi musim disajikan dalam contoh 2 (lihat gambar 9.3.a). Trend garis dalam
gambar dipakai untuk membantu di dalam mengobservasi gerak siklis di atas atau di
bawah penjualan normal dalam sesuatu runtut waktu.
(2). Pengukuran data yang disesuaikan dengan variasi musim dan trend (CI).
Efek gerak yang tidak beraturan dapat diabaikan atau dapat diperoleh dalam grafik data
yang disesuaikan.
Ada 3 metode untuk memperoleh data yang disesuaikan dengan variasi musim dan trend.
Ide dasarmetode ini adalah untuk mengeliminasi efek trend (T) dan musim (S) dari data
yang sesungguhnya (TSCI) untuk mendapatkan gerak siklis (C) dan gerakan tak
beraturan (1).
Metode A.
Pertarna, cari data yang disesuaikan dengan variasi musim, atau:
Cl= TCI
T
(Nop) (Nop)
Jam
41
40
39
38
42
~~
m_f1\
v-v
L)'- ~ V'v
~ 1'--V
IV )
Gambar 9.2.a
140%
130
120
110
100
90
80
1--
-----
I~
~
~
---- ~ r---
~--~
~
~
Gambar 9.2.b
110
~
~
100
90
80
70
60
50
40
30
I/
_,)
lt:
t-'"
J I'
)_
Li_
t-'"
~ _/
lL ~
~
~
II I I II I I II I I II I I II I I II I I II I I II I I II I I II I I II I I II I I II I I II I I I
1972 73 74 75 76 77 78 79 80 81 82 83 84 85
Gambar 9.2.c
209
10.---~----~----~----~-----,
01234
1984
1234
1985
1234
1986
1234
1987
1234 0
1988
Gambar 9.3.a
TS
01234
1984
1234
1985
1234
1986
1234
1987
1234 0
1988
Gambar 9.3.b
Efek Gerak Siklis dan Gerak Tak Beraturan pada Penjualan Kuartalan
dari Khasandy Department Store, Tahun 1984 - 1988
Diukur dari Data yang Sesungguhnya (TSCI) dengan Nilai Trend Musin (TS)
120% ..-----.....------.------.------.----~
110
TS - 100 1--':........-+--"""'~,.......,._.-+----h-'-+----~
90
80
70
601234
1984
1234
1985
1234
1986
1234
1987
1234 60
1988
Gambar 9.3.c
Efek Gerak Siklis dan Gerak Tak Beraturan pada Penjualan Kuartalan
dari Khasandy Department Store, Tahun 1984 - 1988
Diukur dari Data yang Disesuaikan dengan Variasi Musim dan Trend (Cl)
dengan Nilai Trend Musiman =100%
Sumber gambar 9.3.a sampai dengan gambar 9.3.c adalah tabel 9.2 dan 9.3.
210
Metode B.
Metode C.
Pertama, cari data yang disesuaikan dengan trend atau
SCI= TSCI
T
Kemudian, cari data yang disesuaikan dengan trend dan variasi musim, atau
CI=-s_c_I_
Indeks musim dapat diperoleh dari rasio rata-rata data yang sesungguhnya dengan nilai
trend (atau SCI), termasuk rata-rata bergerak (SI). Hal ini digunakan jika efek siklis dan gerak
yang tak beraturan diabaikan dalam perhitungan indeks. Metode ini tidak diberikan contohnya
dalam contoh 2, karena hanya sedikit berbeda dengan 2 metode sebelumnya (Metode A dan B).
Jawaban yang diperoleh dari 3 metode di atas adalah sama, mungkin perbedaannya
hanya pada pembulatan angka desimalnya.
(3). Diukur dengan data setelah trend, variasi musim, dan gerak yang tidak beraturan
dielirninasi.
Metode ini hanya teoritis saja. Bagaimanapun tidak ada cara yang sempuma dalam
menghapus efek gerak yang tak beraturan. Metode mengelirninasi efek gerak yang tak
. beraturan dari data yang disesuaikan dengan variasi musim dan trend dipakai dalam
contoh 2 (lihat kolom 5 tabel9.3).
Contoh 2:
Dengan menggunakan penjualan kuartalan dari tahun 1984-1988 di Khasandy Department Store dalam kolom 2 tabel 9 .2. Carilah efek gerak siklis dengan menggunakan:
211
Penyelesaian:
(a) Dengan data yang disesuaikan dengan variasi musim.
Rangkaian ini sama dengan rangkaian yang disajikan dalam tabel8.1. Perubahan indeks
musim, ditunjukkan dalam kolom 3 tabel9 .2. Rangkaian ini digunakan untuk menghitung
data yang disesuaikan dengan variasi musim.
Sebagai contoh, nilai yang disesuaikan dari kuartal pertama tahun 1984 dihitung sebagai
berikut:
TSCI
1
1
TSCI = - - = - - = - - = 2,041 (dalam Rp1.000,00)
s
49%
0,49
Data yang disesuaikan dengan variasi musim pada kuartal-kuartal yang lain dihitung
dengan cara yang sama dan ditunjukkan dalam kolom 5 tabel 9.2 dan pada bagian a
gambar 9.3. Nilai trend dari data yang sesungguhnya ditunjukkan dalam kolom 4 (lihat
catatan di bawah) dan pada gambar. Dengan mengobservasi garis terputus-putus
(mewakili data yang disesuaikan dengan variasi musim) dan garis trend yang tebal
(menggambarkan penjualan normal), maka kita dapat melihat dengan jelas efek siklis
dan gerak yang tak beraturan.
(b). Dengan data yang disesuaikan dengan variasi musim dan gerak yang tak beraturan.
Data yang disesuaikan dihitung dengan 2 metode berikut ini:
MetodeA:
Contoh, nilai yang disesuaikan dari kuartal pertama tahun 1984 adalah dihitung sebagai
berikut:
TSCI
1
1
TCI = - - = - - = - - = 2,041 (dalam 1.000 Rp.)
s
49%
0,49
TCI
2,041
CI = - - = - - = 1,08853 dibulatkan 1,09 = 109%
1,875
T
Perhitungan data CI ditunjukkan dalam kolom 6 tabel 9.2 dan pada gambar 9.3.c.
212
Tabel9.2
Perhitungan Gerak Siklis (C) dan Gerak Tak Beraturan (I) dengan Data yang
Disesuaikan dengan Variasi Musim dan Trend Penjualan Kuartalan
pada Khasandy Department Store Tahun 1984-1988 (unit: Rp1.000,00)
Talnm
dan
Kuartal
'
Data ScPcruhahan
sungguh- ' lndcks
i\lusim( cit)
nya
Y=TSCI
s
(Rupiah)
!\jilai
Trend
T
!Rupiah)
-,
Pcn~l'-
suaian
dcngan
"usim
TCI =
TSCI/S
ill
\ll'lock II
"l'lock .\
--
Plnycsuaian
dcngan
\lusim
dan
Tnnd
Cl=
TCIIT
'\ilai
~uaian
"usim
dt:ngan
Trl'nd
dan
T'\S
\ltl\illl
I'< I
l'l=
!Rupiah)
( '!( )
(50
(6)
(7)
2,041
2,198
2,597
2,830
109
103
109
108
0,91875
1,93375
3,657$0
2,78250
3,509
3,191
3,425
3,883
122
102
107
1,63875
2,93750
4,92750
3,73375
101
107
3,077
4,124
3,623
3,000
79
100
83
65
2,51875
4,00125
6,03750
4,62500
79
100
83
65
84
78
TS< '1/TS
(3)
pertama
kedua
ketiga
keempat
1
2
4
3
49
91
154
106
1985,
pertama
kedua
ketiga
keempat
2
3
5
4
57
94
146
103
1986,
pertama
kedua
ketiga
keempat
2
4
5
3
65
97
138
100
1987,
pertama
kedua
ketiga
keempat
3
4
7
6
73
100
130
97
4,875
5,125
5,375
5,625
4,110
4,000
5,385
6,186
84
78
100
110
3,55875
5,12500
6,98750
5,45625
1988,
pertama
kedua
ketiga
keempat
5
7
8
7
81
103
122
94
5,875
6,125
6,375
6,625
6,173
6,796
6,557
7,447
105
111
103
112
4,75875
6,30875
7,77750
6,22750
.
:
l'l'lll l'-
Tnnd
12)
(-I)
tSI
2,875
3,125
3.375
3,625
101
109
103
109
108
122
102
100
liO
105
111
103
112
Sumber: Kolom (2) tabe18.1, kolom (3) tabel8.17, dan kolom (4) tabel8.5.
213
Metode B:
Contoh, nilai yang disesuaikan dari kuartal pertama tahun 1984 dihitung sebagai berikut:
T x S = 1,875 x 49% = 0,91875 (dalam Rpl.OOO,OO)
CI =
T~~I
Perhitungan nilai TS ditunjukkan dalam kolom 7 tabet 9.2 dan dalam gambar 9.3.b
dengan data yang sesungguhnya. Perkalian gerak siklis didasarkan pada data yang
sesungguhnya dan pada penjualan normal, sekarang menjadi garis lurus. Nilai relatif pada
bagian c lebih baik dibandingkan nilai absolut yang ditunjukkan pada bagian b dalam
mengukur fluktuasi.
(c). Dengan data setelah trend, variasi musim, dan gerak tak beraturan dieliminasi.
Data yang disesuaikan dihitung dengan metode rata-ratakuartalan bergerak. Perhitungan
data(C ataurata-rata3 kuartalan bergerak) ditunjukkandalamkolom4 tabel9.3 dan pada
gambar 9.3.c.
Kurva C yang dihaluskan menggambarkan siklis bisnis setehih efek gerak yang tak
beraturan dieliminasikan dari data yang disesuaikan dengan variasi musim data trend.
Catatan:
Nilai trend dalam kolom 4 tabel 9.4 dan gambar 9.3.a, diperoleh dengan persamaan
trend:
Yc =4,25 +IX
dengan tahun dasar: 1 Juli 1986
Unit X = 1 tahun
UnitY= Rpl.OOO,OO
(lihat tabel 8.5).
Cara terbaik untuk menghitung nilai trend adalah dengan persamaan. Kita dapat
mengubah unit X dalam persamaan dari 1 tahun ke kuartalan dengan mengubah dasar
pertengahan kuaital, Juli-September 1986. Apabila unit X diubah dari 1 tahun menjadi
seperempat tahun (kuartal), dengan dasar yang sama dan Y unit, maka persamaannya
menjadi: (lihat juga sub bab 7 .6).
Yc = 4,25 + 114 (X)= 4,25 + 0,25 X
Apabila dasarnya diubah ke pertengahan kuartal, maka persamaannya menjadi:
Yc = 4,25 + 0,25 (112) + 0,25 X
= 4,375 + 0,25 X
214
Tabel9.3
Perhitungan Gerak Siklis (C) dan Gerak Tak Beraturan (I)
Tahun dan
Kuartal
.
:
3 Kuartal
( ;er.tk ., ak
Bergttak
Total
lkrgerak
Rata-ntta ( (')
Blratur<ttl
I=CJ/(.
(2)
n)
(-')
(5)
109
103
109
108
321
320
339
107
107
113
102
96
122
102
101
107
332
325
310
287
111
108
103
96
79
100
286
262
115
83
65
248
95
87
83
232
77
84
227
262
288
316
76
87
96
105
111
326
319
326
106
lOS.
109
94
pertama
kedua
ketiga,
keempat
~
3 Kuartal
Penjualan
Disesuaikan
dengan Yariasi
dan Tnnd (('I)
96
1985,
pertama
kedua
ketiga
keempat
.,,
110
94
.<98
111
1986,
pertama
kedua
ketiga
keempat
83
100
1987,
pertama
kedua
ketiga
keempat
84
78
100
HO
90
104
105
1988,
pertama
kedua
ketiga
keempat
105
111
103
112
109
96
215
dengan tahun dasar: 15 Agustus 1986 (pertengahan kuartal ketiga tahun 1986)
X unit= 1 kuartal
Y unit = Rp 1.000,00
Nilai trend kuartal pertarna dari tahun pertarna dalarn rangkaian (15 Pebruari 1984)
adalah Rpl,875 (dalarn Rpl.OOO,OO) atau:
X=- 10 kuartal, dari 15 Februari 1984-15 Agustus 1976).
Bulan
8
.(-) 2
6 bulan+
Hari
15
15
0 hari +
Tahun
1986
1984
2 tahun = 10 kuartal
1984 = 1,875
1984 = + 0.25
2,125
1984 =+ 0.25
2,375 dan seterusnya.
Untuk rnernisahkan akibat gerakan tak beraturan dari suatu runtut waktu, kita harus
rnengelirninasi efek gerak siklis (C) dari perhitungan nilai gerak tak beraturan (CI) suatu runtut
waktu. Nilai CI dihitung setelah nilai T danS ditentukan. Penentuan T danS lebih bebas. Ada
beberapa rnetode yang berbeda yang dapat digunakan untuk rnenghitung nilai T danS. Seperti
bermacarn-rnacarn rnetode untuk rnernperoleh trend garis lurus (straight line trend) dan kurva
non linear. Juga bermacarn metode untuk mernperoleh tipe indeks rnusim dan rnengubah indeks
rnusirn. Nilai CI dipengaruhi oleh pernilihan rnetode penghitungan nilai T danS. Panjang suatu
periode dalarn runtut waktu akan rnengubah gerakan T danS. Lagi pula, gerakan tak beraturan
biasanya disebabkan oleh kekuatan random dan tak terkontrol. Sehingga tidak ada metode yang
sernpurna untuk rnernisahkan efek gerakan tak beraturan dari nilai CI.
Pernisahan gerak siklis dalarn contoh 2, diperoleh dengan rnetode rata-rata 3 kuartalan
bergerak. Periode pendek, panjangnya 3 kuartal atau kurang dari 1 tahun. Untuk data bulanan,
3 bulan, atau 5 bulan rata-rata bergerak sering digubahkan untuk rnernisahkan gerak siklis.
Metode pernisahan gerak sikHs dengan rnetode rata-rata bergerak rnerupakan salah satu
rnetode yang tidak sernpurna. Akan tetapi rnetode ini adalah rnetode yang logis dan
dipergunakan secara luas dalarn statistik.
216
':~
,,, '
Pada nilai CI, jika nilai C dipisahkan atau ditentukan, nilai I dapat dipisahkan atau
dihitung sebagai berikut:
I=_Q_
Contoh:
Efek gerakan tak beraturan untuk kuartal kedua tahun 1984 adalah:
I=~=
103
% =0,96=96%
107%
217
Komponen gerak siklis dan gerak tak beraturan (CI) biasanya digunakan untuk mengukur
gerak>siklis runtut waktu. Komponen gerak siklis yang disempumakan (C) yang diperoleh
dengan metode penjumlahan waktu (time consuming method) dari rata-rata bergerak sering
tidak digunakan dalam praktik. Pengukuran siklis dan gerak tak beraturan dapaf digunakan
dalam 3 hal yang penting, yaitu:
'',
Slklis darilberbagai usaha dan rangkaian ekonomi dapat diperbandingkan dengan siklis
dari total kegiatan e1conomi. IJntuk itu suatu runtut waktu dibedakan menjadi 3 tipe, yaitu
"'
sebagai berikut:
(a). Leading indimtor (indikator utama).
Rangkaian ini bias~nya'mencapai puncak atau terendah diukur sebelum total kegiatan
ekonomi. Cont@il indikator utama adalah rata-rata kerja mingguan dari karyawan
produksi, perusahaan (gambar 9.2.a), pesanan baru,industri, dan seterusnya.
(b). Roughly coincident indicators
Rangkaian ini diukur langsung dari total kegiatan ekonomi.
Contoh, produksi industri (gambar9.2.b ), tenagakerjadi luarpertanian, GNP, pendapatan
individual, penjualan eceran, dan sebagainya.
(c). Lagging indicator
Rangkaian ini biasa!J.ya mencapai titik balik diukur setelah total kegiatan ekonomi.
Contoh perluasan usaha, peralatan barn (gambar 9.2.c), biaya tenaga kerja per unit dari
. output, nilai buku persediaan, piutang penjualan cicilan, tingkat bunga bank dalam
hutang jangka }l>endek, dan sebagainya.
Lagging indicator dapat digunakan dalam perkiraan titik balik dari kenaikan dan
penurunan siklis total kegiatan ekonomi.
I!Jiflus"ion f.Nie!Xes
.Di}rusif9n,_i~dex seringkali digunakan sebagai pelengkap dalam memperkirakan titik
balik dan siklis total kegiatan ekonomi. Diffusion index adalah persentase kenaikan usah atau
keq;iatan (6isebut komponen) suatu group di atas waktu yang tersedia. Sebagai contoh,
diffusion 'index dari rata-rata kerja mingguan suatu kelompok pabrik dihitung dari 21
komponen, termasuk peralatan dan supplies listrik, Pt1ralatan transportasi, mencetak
mempvblikasikan, dan sebagainya. Perubahanjam rata-rata per minggu kerja dari Pebruari
ke Maret 1985, adalah sebagai berikut (data hipotesis).
219
Ada 4 kenaikan komponen, pada Pebruari dari 39,9 jam menjadi 40,3 jam pada Maret.
Ada 15 penurunan komponen, dari 40,5 jam pada Pebruari menjadi 40,4 jam pada Maret.
Ada 2 komponen tak berubah, yaitu 39,0 jam Pebruari tetap 39,0 jam pada Maret.
Ada 2 komponen tak berubah, yaitu 39,0 jam pada Pebruari tetap 39,0 jam pada Maret.
Persentase kenaikan komponen, atau diffusion index, Maret 1985 adalah (Pebruari Maret, indeks bulan pertama terletak dalam bulan terak.hir): 23,8% atau
5 (4 kenaikan komponen dan 2 komponen tak berubah)
21 (21 komponen kegiatan)
Penyebaran kenaikan indeks sering tergantung kecepatan pertumbuhan dalam total kecepatan
ekonomi, demikian juga pada penurunan juga tergantung dari total kegiatan ekonomi.
A. Rata-rata'minggu kerja dari karyawan produksi suatu perusahaan -21 kegiatan (leading
indicator).
p
Gambar 9.4.a
Seleksi Diffusion Index, 1972-1985 *)
Gambar 9.4.b
Seleksi Diffusion Index, 1972-1985 *)
220
75~~~~~~~--+-~~~d-~~~~~~
50~H--+--~~~r4~~1P~~~~~~-4--4
zsr-,_-+--+-~_,~+--+--~N--+--~~-4--4
oL-~~--~-L~--~~--~~~--L--L~~
Gambar 9.4.c
SeleksiDiffusion Index, 1972-1985 *)
*)
Data hipotetis.
221
Analisis regresi dan korelasi mengenai dua variabel yang didasarkan pada garis lurus
akan dibicarakan dalam dua bagian, yaitu bagian pertama analisis secara umum dan bagian
kedua analisis dengan sampel. Pada bab ini dibicarakan analisis secara umum yang
menggambarkan hubungan antara dua variabel tertentu. Dalam analisis sampling, data
tertentu digunakan sebagai sampel untuk mengestimasi parameter populasi dan testing
hipotesis. Tehnik sampling akan diberikan pada bab 11.
Dua variabel sering ber-relasi atau ber-asosiasi dalam beberapa cara atau tingkatan.
Contoh relasi dua variabel misalnya antcra berat dan tinggi para pegawai, jumlah penerimaan
dan besarnya uang yang dibelanjakan untuk rekreasi, dan sebagainya.
Beberapa istilah baru yang biasanya digunakan dalam analisis relasi diterangkan pada
sub bab 10.1. Metoda untuk memperoleh persamaan garis lurus dan ukuran dispersi di sekitar
garis lurus disajikan pada sub bab 10.2. dan sub bab 10.3. Tingkat keeratan hubungan
berdasarkan garis lurus disajikan pada sub bab 10.4. Dan metoda untuk data yang
dikelompokkan disajikan pada sub bab 10.5.
10.1 STILAH DALAM ANAL/SIS HUBUNGAN DIAGRAM PENCARAN (SCATTER
DIAGRAM)
Jika dua variabel berhubungan, disebut data bivariat. Apabila data bivariat disusun
dalam grafik dengan bentuk titik-titik dan angka -angka, grafik tersebut disebut diagram
pencaran, seperti ditunjukkan dalam gambar 10.1.
Tiap titik dalam gambar menunjukkan sepasang nilai, satu didasarkan pada skala X dan
yang lain didasarkan pada skala Y. Diagram semacam ini biasanya dibuat sebagailaN~~ah
pertama dari penyelidikan hubungan antara dua variabel, sebab dengan diagram ini dapat
diperkirakan tingkat keeratan hubungan antara dua variabel.
Sebagai contoh, diagram A dan B dalam gambar 10.1 menunjukkan garis lurus dan
indikasi bahwa dua variabel berhubungan. Diagram C menunjukkan hubungan berupa garis
lengkung. Diagram A dan B menunjukkan tingkat keeratan hubungan yang tinggi. Diagram
C menunjukkan hubungan yang berbentuk garis lengkung, sedang diagram D menunjukkan
222
tidak ada hubungan karena tidak ada garis lurus ataupun lengkung untuk menjelaskan antara
dua variabel.
Diagram pencaran juga menunjukkan apakah hubungan antara dua variabel positip atau
negatip. Jika dalarn pasangan an tara besarnya nilai Y dan nilai X searah (apabila X bertambah
besar maka akan diikuti Y yang bertambah besar pula) seperti ditunjukkan diagram A maka
hubungan antara variabel X dan variabel Y disebut positip. Sebaliknyajika tendensi variabel
X bertambah besar sedang variabel Y bertambah kecil seperti ditunjukkan diagram B, maka
hubungan antara variabel X dan variabel Y dikatakan negatip.
Y (Nilai dependent)
Y (Nilai dependent)
B = Hubungan Liner
Negatif
A= Hubungan Liner
Positif
X (Nilai independent)
y
y
B = Tak ada Hubungan
. -~.
Gambar 10.1
Analisis Regresi
Analisis regresi dapat digunakan untuk dua hal pokok yaitu untuk memperoleh suatu
persamaan dan garis yang menunjukkan persarnaan hubungan antara dua variabel. Persamaan
dan garis yang didapat disebut dengan persamaan regresi, yang berbentuk linear maupun non
linear. Di samping itu dapat juga digunakan untuk menaksir satu variabel, yang disebut
dependent variabel, yang dalam bab ini adalah variabel Y, dengan variabellain yang disebut
independentvariabel atau variabel X, berdasarkan hubungan yang ditunjukkan oleh persamaan
regresi.
223
Analisis Korelasi
Analisis korelasi merupakan alat yang dipakai untuk mengukur keeratan hubungan
antara dua variabel. Perhitungan dari derajad keeratan didasarkan pada persamaan regresi.
Akan tetapi analisis korelasi dapat dilakukan tanpa adanya persamaan regresi. Suatu catatan,
bahwa tingginya tingkat korelasi tidak menunjukkan hubungan sebab akibat an tara variabel.
Mungkin diperoleh korelasi yang tinggi antara dua variabel tetapi tidak menunjukkan
hubungan antara dua variabel tersebut. Sebagai contoh naiknya produksi telur dihubungkan
dengan naiknya jumlah kecelakaan. Kita tidak dapat menyimpulkan naiknya produksi telur
sebagai penyebab nailffiyajumlah kecelakaan. Tingkat korelasi yang tinggi hanya menunjukkan
hasil matematis. Kitaharus menarik kesimpulan berdasarkan pandangan yang logis berdasarkan
penelitian ~lmiah.
Analisis regresi dan korelasi dapat sederhana, berganda, dan parsial. Analisis sederhana
menunjukkan hubungan 2 variabel, yaitu antara variabel dependen dan variabel independen.
Analisis berganda dan analisis parsial, menggunakan tiga atau lebih variabel, yaitu antara
satu variabel dependen dan dua atau lebih variabel independen.
10.2 PERSAMAAN DAN GARIS REGRESI
Dalam bab ini hanya garis lurus yang digunakan sebagai garis regresi untuk menerangkan
bentuk hubungan an tara dua variabel. Garis lurus dapat dinyatakan dalam persamaan linear:
Y c =a+ bX
Metoda untuk memperoleh persamaan regresi dan garis regresi analog dengan analisis
runtut waktu yang menggunakan trend sekuler. Kita dapat menyatakan analisis regresi.
V ariabel independen (X) dalam analisis trend menunjukkan unit waktu, sedang analisis
regresi menunjukkan unit yang dipakai (bukan variabel waktu).
Suatu garis lurus dapat dip~.-. 'lleh dengan beberapa macam cara. Sebagai contoh, garis
lurus yang digambarkan pada diagram 1O.l.a diperoleh dengan "metoda tang an be bas"
(free hand graphic method). Metoda yang terbaik untuk memperoleh persamaan linear
adalah menggunakan metoda "least squares" atau jumlah kuadrat terkecil. Persamaan ini
merupakan petunjuk yang terbaik untuk menerangkan diagram pencaran data. Seperti
dapat dilihat dalam diagram pencaran, setiap garis yang ditarik belum tentu melalui semua
titik dalam diagram pencaran. Apabila garis lurus tadi tidak tepat pada titik-titik diagram
pencaran, akan terdapat deviasi antara tiap-tiap nilai Y dan nilai yang ditunjukkan oleh
garis Yc. Garis regresi yang didasarkan metodakuadrat terkecil, menunjukkan penyimpangan
tiap nilai dengan garis regresi sama dengan rata-rata hitungnya. Penyimpangan ini dapat
ditunjukkan:
1. Jumlah penyimpangan dari tiap-tiap nilai Y dari garis regresinya Yc adalah nol, kecuali
kalau ada kekeliruan dalam pembulatan angka desimal.
I,(Y- Y)
=0
c
224
2.
Jumlah deviasi kuadrat tiap-tiap data terhadap garis regresi paling kecil.
L,(Y- Y/ < L,(Y- nilai garis lurus yang lain)2 = 0
Dua persamaan normal garis lurus dengan metode kuadrat terkecil adalah:
I. L.Y=na+bL.X
II. L,(XY) = a L,X + b L,X2
Penyelesaian kedua persamaan secara simultan, akan didapat konstanta a dan b yang
disebut koefisien regresi.
L,X 2 L,Y - L,X L,(XY)
a = --n-;L.=x=2=-_-(=L,=x""")2,-----
persamaan lO.l.a
persamaan 10.2.a
Aplikasi dari persamaan untuk menemukan persamaan dan garis regresi diberikan dalam
contoh 1. Contoh 1 juga memberikan cara estimasi variabel dependen memakai variabel
independen berdasar persamaan yang diperoleh.
Contoh 1:
Tiga kolom pertama tabell 0.1 menunjukkan jumlah penjualan (Y) dari 8 orang penjual
selama periode waktu tertentu dan pengalaman dalam berjualan (X) dari tiap penjual.
a). Buatlah diagram pencarannya.
b). Hi tung persamaan regresi linear dengan metoda kuadrat terkecil.
c). Gambarkan garis regresinya.
d). Taksirlah jumlah penjualan jika penjual mempunyai pengalaman berjualan selama 4
tahun.
Penyelesaian:
a). Diagram pencaran dapat dilihat dalam gambar 10.2. Tiap titik (n = 8) menunjukkan
jumlah penjualan dan pengalaman berjualan setiap penjual.
b). Dari kolom 4 dan 5 tabel1 0.1 dapat diperoleh :L (XY) dan :L(X)2. Dengan menggunakan
persamaan tersebut diperoleh:
b=8(178)-30(40) = 4576
8(136)- (30) 2
=1,19
(persamaan 10.2.b)
225
TabellO.l.
Ptnjual
Pcngalaman
.I umlah
Ptnjualan ; lkrj ualan
(dalam
(dalam
l"i huan
tahun;
rupiah 1
y
X
XY
x~
Y'
(I I
(21
(3)
(4)
(5)
\6)
6
4
5
3
l
4
3
6
30
25
9
1
16
9
36
4
36
16
9
9
25
64'
4
244
12
D
B
F
G
.H
3
12
15
48
4
Jumlah
'40
30
178
a=
3
3
5
'
136(40)- 30 (1781~= 0 53
8(136)- (30) 2 47
'
(persamaan lO.l.a)
atau:
IY
IX
d). Estimasijumlah penjualan untuk penjual yang mempunyai pengalaman 4 tahun berjualan
didapat dengan memasukkan nilai X = 4 ke dalam persamaan regresi.
Yc = 0,53 + 1,19 (4) = 5,29
Rstimasi jumlah penjualan berdasarkan persamaan regresi sebesar Rp5.290,00
C!:at:atan:
Persamaan regresi dari niali X terhadap nilai Y ditulis:
X=a+bY
C
ll
X
226
y
Penjualan
(Rp 1000)
10
r-
Xc .57+ .64 y
F~
.// c
4
D
3
2
//
(X=3. 5, Y=5)
~
"/
//
vo/
~/ /~
7
6
//
L/
Gambar 10.2
b = n I(YX) - IY LX
x
n IY 2 - (LY)2
!:X
ax =- n
8( 178) - 40(30)
8(244)- (40)2
=70/11 = 0 64
'
- bx - IY
= X - bY =30/8 - 7/11 (40/8) =0,57
n
XC = 0,57 + @,64Y
C!Jafis
FIJ!!:ssi-~'
yaNg m~~l.utjl:MianpeFsimaaaXC EligMR@arkan
da:J.UR.gam'bar 1@.2 sebagai
.,-"'"-1:,.~.'-w
~
~rlPandhtgan. Garis regresi- X: terhadap Y dip~roleh deagan meteda kuach:at ter:kecil s<dalu
..,.....
''
.... ,;
melalui rata-ratanilai X.
D~mikian juga dengan garis Y ter-hadap X ~) selalu melalui r-am-ra~_!rl~ Y. K~RS8f>
ini akan sangat membantu untuk menarik garis regresi berdasarkan "metoda bebas".
Dua garis regresi Yc dan Xc dalam gambar 10.2 saling berpotongan pada (X= 3,75 dan Y = 5).
227
Standar deviasi nilai Y terhadap garis regresi (Y c) disebut standar deviasi regresi, atau
sering disebut juga "standard error of estimate", karena digunakan untuk mengukur
kesalahan dari setiap nilai Y terhadap garis regresi. Standar deviasi dari nilai yang dihitung
(atau distribusi sampling) disebut standard error. Apabila nilai Y merupakan nilai yang asli,
bukan nilai yang dihitung, istilah standard error of estimate akan bertentangan dengan
pemyataan di atas. Untuk menjaga konsistensi kita akan gunakan standar deviasi regresi, dan
juga istilah-istilah berikut ini menunjukkan:
SY
Sx
Syx
sxy
Standar deviasi nilai Y dari garis regresi Yc dapat dihitung dengan cara seperti
menghitung standar deviasi nilai Y terhadap rata-ratanya Y. Perhitungan ini didasarkan pada
penyebaran titik-titk nilai Y di sekitar garis regresi. Semakin dekat titik-titik tersebut
terpencar di sekitar garis regresi, semakin kecil pula nilai standar deviasi regresi. Berarti
estimasi dari Y berdasarkan garis regresi semakin reliable. Sebaliknya semakin besar
pencaran titik-titik menjauhi garis regresi, semakin besar pula standar deviasi regresi. Berarti
semakin kecil realibilitas garis regresi.
Persamaan umum standar deviasi garis regresi nilai Y terhadap X adalah:
S = .../
yx
I,(Y- y )2
n
persamaan (10.3.a)
persamaan (10.3.b)
YY apabila
Contoh 2:
Hi tung standar deviasi regresi nilai Y berdasarkan data dalam contoh 1.
Penyelesaian:
Berdasarkan persamaan (10.3.a) yang perhitungannya dapat dilihat dalam tabel10.2.
Catatan:
Jumlah nilai Y seharusnya samadenganjumlah nilai Yc atau I.Y = I.Yc =40, hal ini dapat
dilihat dalam persamaan normal:
Yc =a+ bX
I,Yc = na + b I,X =I,Y
Tabell0.2
Data dan Perhitungan untuk Contoh 2
Penjual
(I)
'
\
(11
(Jj
\
I
'
=11,5J+ 1.19.\
-\
(5)
(..J)
'
{\ - \ y
( (})
A
B
c
D
E
F
G
H
Jumlah
''
'
:
'
:
9
6
4
3
3
5
.I
I
I
8
2
40
3
1
4
3
6
2
30
''
7,67
6,48
4,10
1,72
5,69
4,10
7,67
2,91
39,94
i
!
;
I
'
I'
i'
:
1,33
-0,48
-0,10
1,28
-2,29
0,90
1,77
0.23
0,01
1,64
5,24
0,81
0,91
0,11
0,83
0,06
10,64*)
0,33
229
=-../
=-../
yx
= 1 15
'
y
Penjualan
(Rp 1000)
10
/
/
fr//
8
Yc + 1 Sy
/
/
5
/
~~f
;):
1
j
v
/
/-i
'
,/
..
4
3
//
/.:;;
/
~=
'
7/
~J
:><
./
,a/
/
k:~53 + 1.1
/'fc Iris
Regresi
~X
/ / (gl
~
y - Sux
C/'
/
-:
//
//
/
/
//
'1
X(Pengalaman berjualan
dalam tahun)
Gambar 10.3
Diagram Pencaran, Garis Regresi Yc, dan Standar Deviasi Regresi Sp
230
Nilai Syx menunjukkan "jarak kesalahan" estimasi dari tiap-tiap nilai Y. Interpretasi dari
S yx terhadap garis Y c adalah sama dengan S yterhadap rata-rata Y. Jika nilai Y didistribusikan
secara normal, 68 persen dari nilai akan terletak pada jarak 1 standar deviasi dari regresi atau
1 Syx di atas atau di bawah garis, atau kira-kira 99% atau 3 standar deviasi dari garis. Luas 68
persen dalam contoh 2 digambarkan dalam gambar 10.3, dengan garis titik-titik. Garis titiktitik menunjukkan Yc + I Syx dapat ditemukan dengan mencari dua titik untuk setiap garis.
Untuk garis yang menunjukkan Yc + I Syx
untuk K = I ' Yc + S yx = 1' 72 = I ' 15 = 2 ' 87
untuk X= 4, Y c + S yx = 5,29 + 1,15 = 6,44
Untuk garis yang menunJ"ukkan Yc - I S yx
untukX= LY c -S yx = 1,72-1,15=0,57
untuk X= 4, Yc - S Y' = 5.29- 1,I5 = 4,14
Catatan:
Dalam kenyataan ada 5 (B, C, F, G, H) titik dari 8 atau 5/8 = 62,5% di dalam range Yc
+ 1 Syx Ketepatan (akurasi) 62,5% adalah mendekati akurasi teori sebesar 68%. Jikajumlah
titik ditambah, persentase dari ketetapan yang diharapkan mendekati nilai teoritis jika
distribusinya normal.
Standar deviasi regresi dihitung dari titik-titik yang mewakili nilai Y yang berpencar
di sekitar garis regresi. Jadi nilai SY, dapat dipakai sebagai ukuran tingkat keeratan
hubungan an tara 2 variabel. Sebagai contoh, standar deviasi regresi yang tinggi, menunjukkan
lebarnya pencaran dari garis regresi ?an menunjukkan rendahnya tingkat keeratan hubungan.
Penggunaan standar deviasi regresi sebagai pengukur tingkat keeratan hubungan akan
lebih sulit apabila ditunjukkan dalam satuan asli seperti rupiah, kilometer. Cara yang Iebih
cocok untuk mengukur tingkat keeratan hubungan adalah dengan menggunakan angka
relatif seperti diterangkan dalam bagian berikut.
10.4. KOEFISIEN DETERMINASI (p2) DAN KOEFIS/EN KORELASI (p)
Tiqgkat keeratan hubungan antara g~a variabel dapat dihitung dengan suatu nilai relatif
yang dapat berbentuk:
( 1) koefisien determinasi dengan simbol r2
(2) koefisien korelasi dengan simbol r (akar dari r 2)
Konsep dasar dari dua ukuran relatif dapat diterangkan sebagai berikut:
231
,,
,,
'
y
10
(Total Deviasi)
Y- Yc = 9-7,67 = 1,33
(tidak dijelaskan)
8
Yc=7,67} y c - y = 7,67 - 5 = 2,67
_
(dijelaskan dengan
variabel X)
Y =5
4
2
2
3
4
5
Sumber : Didasarkan titik A, contoh 1 dan 2.
Catatan : 40/8 =5
Gambar 10.4
Koefisien Determinasi dan Korelasi Korelasi
Diagram Total Deviasi (Y- Y) yang sama dengan deviasi yang tidak dijelaskan (Y- Y)
ditambah deviasi yang dijelaskan (Yc- Y).
Y- merupakan rata-rata hi tung dari nilai Y =(I,Y)/n, diperoleh tanpa ditentukannya nilai X.
Yc yang menunjukkan garis regresi dari regresi dari nilai Y - a+ bX diperoleh dengan
memasukkan nilai X.
Jika nilai Y dihubungkan dengan nilai X pada tingkat yang sama deviasi nilai Y terhadap
Y merupakan penjumlahan penyimpangan nilai Yc terhadap Y dan Y terhadap Yc seperti
ditunjukkan oleh gambar 10.4. Gambar tersebut menunjukkan apabila nilai X tertentu
diberi simbul Xg , total deviasi dari Y terhadap Y dibagi dalam 2 bagian:
Total deviasi = deviasi yang tak dijelaskan + deviasi yang dijelaskan
Y - Y = (Y-Yc) + (Y c-Y)
Istilah "dijelaskan" dan "tidak dijelaskan" di sini untuk menunjukkan ada tidaknya
bagi~n dari total deviasi (Y- Y) yang dijelaskan oleh garis regresi. Deviasi yang dijelaskan
(Yc-Y) apabila dijumlahkan deviasi dapat diterangkan oleh garis regresi. Sedang deviasi yang
tidak dijelaskan (Y-Y) merupakan jumlah deviasi yang tidak dapat dijelaskan oleh garis
regresi. Lebih lanjut hubungan ini dapat ditulis:
Total variasi = variasi yang tidak dijelaskan + variasi yang dijelaskan.
persamaan (10.4)
232
=2Y- (nY-) =2 n Y
Jadi:
L,(Y- Yc2) + L, (Yc- Y)2
persamaan (10.5.a)
Jika titik Y semuanya terletak dalamgarisregresi, berarti, yc= Yatau(Yc- Y-)2 = I,(YY)2, nilai dari r2 = 1, yang menunjukkan "korelasi sempuma". Sebalikknya jika nilai Y
terpencar jauh dari garis regresi Yc' sehingga L,(Y - Yy menjadi sangat besar. Apabila total
variasi tetap, I. (Yc- Y) akan menjadi sangat kecil. Nilai rata-rata r2 akan mendekati 0, yang
menunjukkan tidak adanya korelasi yang didasarkan pada garis lurus. Range r2 berkisar
an tara 0 sampai 1. Dengan kata lain apabila r2 mendekati 1, nilai Y sangat dekat dengan garis
233
regresi. Jadi total variasi dari Y lebih dijelaskan oleh garis regresinya dan nilai varibel Y
berhubungan erat dengan variabel X. Apabila r mendekati 0, nilai Y tidak dekat dengan.garis regresi. Jadi total variasi nilai Y tidak dijelaskan oleh garis regresinya dan variabel~Ci~ ~",
berhubungan erat dengan variabel X.
Nilai r selalu positip, sehingga tidak dapat untuk menerangkan hubungan antara 2
variabel positip atau negatip. Oleh sebab itu akar r atau .Vr = + r , sering dihitung untuk
menunjukkan arah dan tingkat keeratan hubungan. Apabila range r2 berkisar antara 0 sampai
1, koefisien korelasi r bervariasi di antara range .Vo sampai "-1 1, atau dari 0 sampai + 1. Tanda
+ (positip) r menunjukkan korelasi positip, sedang tanda- (negatip) menunjukkan korelasi
negatip. Tanda r adalah sama dengan tanda koefisien b (slope) dari persamaan regresi.
Koefisien determinasi r 2 dapat juga ditulis dalam istilah varians (atau standar deviasi)
sebagai pengganti variasi, yang persamaannya:
. . _ V arians yang Dijelaskan
. d
Koefitsten etermmas1 T
V .
ota1 anans
Persamaan ini diturunkan dari rumus (1 0.5.a). Apabila pembilang dan penyebut masingmasing dibagi dengan n, variasi yang dijelaskan dan total variasi berubah menjadi varians
yang dijelaskan dan total varians.
l:(Y - Y)2
n
r2=(Y-Y)2
n
Simbol ~y(cJ ~enunjukkan varians nilai Yc Rata-rata nilai Y adalah sama dengan rat-rata
nilai Y, atau Yc Y- apabila l:Yc l:Y. Lebih lanjut, apabila tiap sisi dalam persamaan atau
persamaan (10.4) dibagi dengan n, basil baginya dapat ditulis:
sz = sz
y
yx
+ S2y(c)
Yang menunjukkan total varians = varians yang tidak dijelaskan + varians yang
dijelaskan.
Jadi:
r2
L(Y - Y)2
n
l:(Y- Y)2
n
S2
szll!il
y
sz - S2
sz
~
234
~~
sz
sz
=1-__n_
y
L(Y - Y )2
1
= - L(Y - Y) 2
Tabel10.3
'
Pt'njual
(I)
' -y
L\l
(2)
I
6
4
3
3
5
1
-1
D
E
F
0
H
,,
!
Total
-2
-2
8
2
0
3
-3
40
I
I
I
I
I
(Y-' l'
(-l)
16
1
1
4
4
0
9
9
44
Y=4018 =5
Rasio antara S2 (varians yang tidak dijelaskan) dan S2y (total varians) dalam persamaan
(5.5.b) sering disebut koefisien non determinasi yang diberi simbul k2 atau k2 =S2yx I S2Y
~
. ..
~-""'O.,o_!C?,Il ~:.
, .. ,.Hitung koefisien . deterniinasi r2 dan koefisien korelasi n dari data yang diberikan pada
contoh 1.
235
'1
Penyelesaian:
Dengan menggunakan persamaan (10.5.a).
Nilai I.(Y-
Y) 2 =44
I,(Y - Y) 2
r= I,(Yc- Y) 2 = 33,36/44 = 0,7582
r = -../r = -../0,7582 = 0,87
Dengan menggunakan persamaan (10.5.b), r2 dapat diperoleh dengan cara: varians
regresi Y terhadap X sudah dihitung dalam contoh-contoh: S2yx = 1,33.
V arians nilai Y:
= 44/8 = 5,5
r = 1 - 1,33/5,5 = 0,7582 dibulatk'an menjadi 76%.
Jadi, 76% variasi nilai Y telah diterangkan atau dijelaskan oleh garis regresi. Atau
dengan kata lain 76% variasi dalam jumlah penjual (Y) dihubungkan secara linear dengan
variasi pengalaman berjualan (X) para penjual. Tanda b dalam persamaan regresi Yc = 0,53
+ 1,119 X adalah positip (b= + 1, 119), maka nilai r, atau penunjuk korelasi harus positip.
Metode ketiga untuk menghitung r2 dan r, adalah menggunakan persamaan product
moment untuk r.
I,(XY)
r=-=-=n s,
sy
persamaan (10.5.c)
236
2- l(Yc- Y)2
r - l(Y- Y) 2
dan r= bS XIS y
Dari persamaan normal II: lXY = a lX + b lX2
dengan origin baru: lxy =a lx + b lx2
Jika lx =dan a lx =0, maka:
lxy =blx2
b = lxy/lx2
Oleb karena itu:
_ lxy Sx _ lxy Sx _ lxy
r- lx2 -S-- nS 2 -S-- nS S
y
Y=Y-Y
(Origin lama)
(Origin lama)
Gambar 10.5
Pembuktian persamaan atau rumus lO.S.c
Rata-rata basil [l(xy)/n], yang menunjukkanjumlab basil dari pasangan nilai x dan
y dibagi jumlab pasangan n disebut kovarians dari distribusi bivariat variabel X dan Y.
Kovarians juga diberi istilabfirst product moment dari suatu distribusi dengan rata-rata
Y dan Y.
237
Persamaan product moment dapat ditunjukkan lebih rinci dengan prosedure perhitungan
sebagai berikut:
n l(XY)- (LX) (L.Y)
persamaan (10.~.d)
L,(xy)
L.xy
n (L.XY- n XY)
2/n--c=L.=Y::-:-/n-:-)=
2]r =-S-S =-n~[\f"'L.=x=2:-:-/n----,(=l=X/:-:-n""""'"')2::-\f""'"'L.=Y=-::::;-:x
n (L.XY- n XY)
r =-n-[\f..,.,L.=X"'2"!-n
"' -_-=cl=X/,--n)"""""2]_n_[\f..--::L.=-Y-,2::-/n---(=L.,_Y-/n-----=)2]
nL,XY -L.XL.Y
r =----,-\1-[n--=L.=-x--:2:-_-:(L,=-X-)~2]-[-n=L.:-Y-2-_(-=L,=---Y-)2=-]
Persamaan (10.5.d) menghindari perhitungan dengan menggunakan deviasi x dan Y.
Persamaan ini memberikan metoda lang sung untuk menghitung nilai r. Tanda r yang dihitung
dengan persamaan ini mempunyai kesamaan dengan tanda koefisien b dalam persamaan
regresi. Nilai-nilai yang diinginkan sama dengan nilai yang digunakan untuk menghitung
persamaan regresi kecuali penjumlahan nilai Y2 untuk L.Y 2.
Catatan:
Pembilang dan faktor pertama pada penyebut dari persamaan (lO.S.d) smna dengan
persamaan (10.2.a) untuk koefisien b.
Contoh 3, dapat dihitung dengan persamaan (lO.~.d.). Nilai-nilai yang diinginkan dapat
diperoleh dalam tabel 10.1.
r=
8 (178)- 30 (40)
\1 I 8(136)- 302 ] [ 8(244)- 402
224
\1 [ 188] [352]
=0 87
= 0,7582
Dari persamaan (1 0.5.b) kita dapat memperoleh rumus barn untuk standardeviasi regresi
dari Y terhadap X:
s =s
yx
-J1-r
persamaan (10.3.c)
=0,7582
s2
= 5,5
Sy = -J5,5
Syx
Contoh 2 apabila
= 2,35
xy
= sx -J1-r
Hal ini je1as, karena S yx adalah berbeda dengan Sxy apabila Sy berbeda dengan S x . Dalam
kasus korelasi linear nilai r akan tetap sama, tanpa terpengaruh variabel X dan Y yang menjadi
variabel dependen atau indenpenden. Kenyataan ini dapat dilihat dari persamaan product
moment. Persamaan denganjelas menunjukkan kesamaan antara nilai x dan y.
Makar (atau r) dapat dilihat sebagai ukuran tingkat keeratan hubungan an tara X dan Y dalam
dua cara, yaitu:
1.
2.
239
Persamaan yang digunakan untuk menghitung beberapa ukuran data yang dikelompokkan,
disusun sebagai berikut:
A = n I fd X d y - (IfX d X ) (Ify d y )
Rumus untuk koefisien b dari persamaan regresi, persamaan (10.2.a) dapat ditulis:
b =AlB iii
y X
persamaan (10.2.b)
yang menunjukkan bahwa iY dan ix adalah angka yang menunjukkan besarnya kelas interval
variabel Y dan variabel X.
Rumus untuk koefisien a dari persamaan regresi, persamaan (lO.l.b) dapat ditulis:
dan
X-= A + ( Ifx dx ) i persamaan (10.5.c)
X
n
X
A adalah rata-rata diasumsikan:
Persamaan product moment untuk koefisien korelasi, persamaan ( 10.3.c) dapat ditulis:
r =A I ...JBC persamaan (10.5.e)
Rumus untuk standar deviasi regresi, persamaan (10.3.c) dapat ditulis:
i ...J co-r)
Syx = -...~:..____:____;~
n
240
persamaan (10.3.d)
Untuk memudahkan perhitungan data yang dikelompokkan, dibuat terlebih dahulu tabel
korelasi. Tabel korelasi ini sering disebut dengan tabel frekuensi bivariat (bivariate frequency table). Tabel ini menunjukkan distribusi frekuensi dari dua variabel. Pemakaian tabel
ini dapat dilihat dalam contoh berikut.
Contoh 4:
Perhitungan "tally" dalam tabell 0.4 menunjukkan jumlah penjualan (Y) yang dihasilkan
oleh 40 orang penjual selama periode tertentu dan lamanya pengalaman berjualan (X) tiap
penjual. Dari data tabell0.4, hitunglah:
(a) Persamaan regresi dan buatlah garis regresi dalam tabel berdasarkan persamaan tersebut
(b) Koefisien korelasinya, dan
(c) Standar deviasi regresi
Tabel10.4
16- 18
13-15
10-12
7-9
4-6
1-3
I
I
I
(p)
(o
(o
(l (a
(u
mn
m
nrn
mni
16
I
Illll
IIDI
.lumlah
P~..nj ual ( f, i
1
5
7
21
I
2
II
Ill
Jumlah
Penjual
(f)
10
40
241
--------
Penyelesaian:
1.
Tabell0.5 disusun menurut data yang disajikan pada tabel10.4. Jumlah tally dalam tiap
sel dihitung dan dimasukkan ke dalam sel tabel10.5 dan diberi simbol huruf f.
2.
3.
Nilai fdX dy dihitung untuk masing-masing sel. Hasil dari dX dan dy diletakaan dalam baris
pertama tiap sel. Hasil dari f, dx, dan dY ada dalam baris ketiga. Sebagai contoh angkaangka pada sel terakhir kolom pertama nilainya adalah sebagai berikut:
baris pertama
[ -2 (dX dalam kelas X antara 0- kurang 2] [ -2 (d y dalam kelas Y antara 1 -3] = 4.
atau dX dy = 4.
baris kedua
2 = frekuensi dalam pasangan kelas X antara 0- kurang 2 dari kelas Y (kelas 1 - 3).
atau f= 2.
baris ketiga
8=4. 2
fd X d y = 8
n=f =fy =f=40
X
~ f d = 12.'yy
f d 2 = 48.' fxd y
d = 3.2
"-yy
Penjumlahan dari basil tiap-tiap baris dimasukkan ke dalam kolom terakhir (paling
kanan), denganjudul fd Xd.y Angka kedua dalam kolom fd Xd y adalah 14 = 0 + 2 + 12.
Catatan:
Nilai fdxdy pada tiap sel dalam baris atau kolom adalah dengan asumsi bahwa rat-rata kelas
selalu sama dengan nol apabila dx dandY= 0 di dalam kelas. Perhitungan di dalam bris atau
kolom untuk suatu nilai tidak begitu penting, hanya untuk menunjukkan maksudnya.
4.
242
=1.208
a.
=A.+<
rr.n d.
) i = s + r (6t40)t2 1= s,3
Yc -= 3,1 + 1,1 X
Dua titik di bawah ini dihitung dari persamaan untuk menggambarkan garis regresi
dalam tabel 10.4.
Jika X = 0, batas kelas bawah dari kelas X pertama "0 sampai kurang dari 2".
yc
Jika X= 10, batas kelas atas dari kelas X terakhir "8 sampai kurang dari 10".
yc
b.
y~
Syx = Rp2.226,00
243
Tabel5.5
Tabel Korelasi
Data dan Perhitungan untuk Contoh 4
'
Kdas
lntl'n ul
'
I
1
lla!
1a-l
'
-l a fl
H a HI
6aR
'
r,
'
16 18
;'
10-12
xl
2
x3
12
x5
0
-l. 0=0
xiO
x6
fd \ d
'
2 ! 10
'
20
14
-4
-4
'!
5
!
;
'
1 'l
'
0.0=0 '1.0=0
x5
0
7-9
Ay :::8
x2
2
rd 2
I
3
0.1=0 11.1=1
:
r,d,
'
2. 2='4
0.2=0 !t.2=2
xi
2 3 6
xl
13 ~ 15
'
'
'
21
i
I
I
I
46
1-3
~1.-1=-11
: x1
'
-I. -1 = 1
x3
3
-2. 2=4
-1
-1
'
x2
8
d,
-2
8
-1
I'
16
-2
40
- I
-4
f,d/
244
f,d,
10
i
i
10
10
16
42
12 : 48 1 22
I
I
Ada beberapa tipe model populasi untuk analisis regresi. Untuk menyederhanakan, kita
batasi untuk populasi yang dapat dijelaskan dengan garis regresi linier atau model regresi
linier. Model regresi ini ditunjukkan dalam gambar 11.1, dan dapat digeneralisir dengan
asumsi-asumsi sebagai berikut:
( 1) Nilai variabel independen X diketahui atau tetap. Nilai variabel dependen Y untuk setiap
nilai X ada beberapa dan didistribusikan secara normal. Distribusi nilai Y untuk setiap
nilai X dianggap sebagai sub populasi. Populasi terdiri atas semua sub populasi.
~Yx=A+BX
(Garis regresi
....- populasi)
~.U>,---
't---r--
.._
0
_...
.......
Xt
X2
....
X3
X (Nilai independen)
Gambar 11.1
Model Regresi Linier (Model Populasi)
245
(2) Setiap sub populasi dari nilai Y untuk X tertentu mempunyai rata-rata hitung (mean)
yang ditunjukkan oleh flyx Nilai flyx terletak dalam garis lurus, dan disebut garis regresi
populasi. Garis tersebut dapat ditunjukkan dengan persamaan regresi linier:
J.1yx =A+ BX
yang menunjukkan bahwa A dan B adalah koefisien regresi populasi. Nilai flyx adalah
nilai yang diharapkan dari setiap nilai Y.
Misalkan setiap penyimpangan nilai Y dari flyx adalah E (epsilon).
Maka:
Kita asumsikan bahwa distribusi nilai E adalah normal dan rata-rata nilai E adalah 0 (nol).
(3) Setiap sub populasi dari nilai Y untuk X tertentu mempunyai varians cr2 dan standar
deviasi cr. Nilai cr adalah sama untuk semua sub populasi. Dengan demikian standar
deviasi cr sama dengan standar deviasi dari nilai Y di sekitar garis regresi dan diberi
simbol cry, Nilai cryx juga disebut standar deviasi regresi populasi.
Misalkan kita beri subskrip 1, 2, 3 ... untuk menunjukkan sub populasi.
Catatan:
Asumsi dari model populasi mungkin tidak tepat benar untuk data bisnis aan ekonomi.
Akan tetapi model tersebut memberikan basil yang memuaskan jika hubungan antara nilai
X dan Y mendekati linier. Aplikasi dari model di atas diberikan dalam con_~~,b(!ri~ut.
Sebagai pengganti nilai Y yang banyak untuk setiap sub populasi, hanya dig-l!~aka:fi.4.nilai
Y untuk setiap nilai X sebagai penyederhanaan.
,.,~.
Contoh 1:
Mtult.an nflai (Y) tlari 20 mahasiswa dalam tes matematika merupakan fungsi dati
lamanya jam semester mahasiswa tersebut menempuh kuliah matematika (X) seperti yang
ditunjukkan dalam tabelll.l. Kalau nilai dari 20 mahasiswa tadi sebagai populasi, hitunglah:
a.
b.
Penyelesaian:
a) Persamaan regresi populasi yang didasarkan pada rata-rata nilai Y untakrsetiap nilai
atau nilai fl,y Diagram pencaran (scatter diagram) dalam gambar 11.2 menunjukkan
nilai Y untuk setiap X yaitu rata-rata flyx Jika titik yang menunjukkan flyx terletak dalam
garis, persamaan regresi linier dapat ditunjukkan oleh persamaan:
J.1yx = A + BX = 2 + lX
246
Tabel11.1
--
'
'
'
-~
-l
;:"
'
4
2
Y(NILAI)
l
!
i
I
['
!'
6
5
3
2
7
6
4
3
9
8*
6
5
12
16
20
24
28
'
Nilai Y yang diberi lingkaran adalah sampel yang dipilih untuk contoh 2.
Konstanta A adalah ordinat Y pada X = 0. Koefisien B merupakan slope, atau B = 1 nilai
per 1 jam semester = 1.
~-12
10
8
6
4
2
JlYX = 2 +IX
4
3
X - Jam Semester
Gambar 11.2
Catatan:
Nilai A dan B dapat diperoleh juga dari metode least square (kuadrat terkecil) dari
seluruh nilai Y.
b)
Standar deviasi regresi populasi (standar error estimasi populasi) adalah sama dengan
standar deviasi nilai Y untuk tiap X dari rata-rata llyx' Juga varians populasi 0'\x sama
dengan varians biasa Jl2 sehingga:
I
I
Y-p"': (Y-p"/
I
Total
5
4
2
1
2
1
-1
-2
4
1
1
4
12
10
0'1
N1
= .Y2,5 = 1,58
Jadi:
cr2yx =25dan
'
0'
yx
= 1' 5
Catatan:
Varians regresi populasi dapat juga dihitung dari kelima sub populasi, seperti yang
ditunjukkan berikut:
248
I
I
Banyaknya nilai Y di dalam 5 sub populasi hanya 4 dalam contoh 1. Jika kita mempunyai
sejumlah besar nilai Y dalam tiap sub populasi dan nilai Y ini berdistribusi normal
dengan Gyx = 1,58 kita dapat menarik kurva normal untuk setiap sup populasi sama
seperti yang ditunjukkan dalam gam bar 11.1. Dan kita dapat menyatakan apabila X= 1,
maka68% dari nilai Y akan terletakdi antara11l""'yx + lGyx atau samadengan 3 1,58 =1,42
sampai 4,58 nilai, dan seterusnya.
11.2 EST/MAS/ GARIS REGRESI POPULASI (EST/MAS/ T/TIK Jlyx DENGAN YJ
Estimasi titik untuk parameter populasi ditunjukkan oleh statistik sampel, seperti
ukuran-ukuran yang ditunjukkan dalam tabelll.2. Estimasi interval menggunakan batas atas
dan batas bawah selang kepercayaan (confidence interval), yang dihitung dari statistik
sampel dan standar error statistik.
Con vidence interval= statistik sampel Z (atau t untuk sampel kecil) dikalikan standar
error statistik
Estimasi garis regresi populasi diperoleh dari garis regresi sampel.
Persamaan regresi populasi dapat ditulis:
II
l""'
yx =A+BX
Tabel11.2
likuran:
A
B
a
b
249
Contoh 2:
Misalkan suatu sampel diambil dari populasi yang diberikan dalam contoh 1 (lihat nilai
Y yang dilingkari dalam tabelll.1) dan ditunjukkan dalam tabe111.3.
b = ni(XY)- IX IY = 5(92)- 15(26) = .:!!}__ = 1 4
niX 2 - (LX) 2
5(55)- 15 2
50
'
a= IY -b IX =l_L-1,4(_!1_)=1
n
n
5
5
Penyelesaian:
Koefisien regresi sampel a dan b dihitung dengan menggunakan rumus (lO.l.b) dan
(10.2.a) sebagai berikut:
Tabe111.3
Semester X
Nilai Y
'
'
XY
I
I
X2
2
3
4
5
5
4
7
10
12
28
16
40
25
Total= 15
26
92
55
1
4
Yc = 1 + 1,4X
yang digunakan untuk mengestimasi persamaan regresi populasi, atau Y c merupakan
estimator dari llyx Garis 1 ~gresi populasi yang diestimasi berdasarkan persamaan ditunjukkan
dalam gambar 11.3 bet .ama dengan garis regresi populasi yang sesungguhnya untuk
diperbandingkan. Tentu ~ ija dalam praktik garis regresi populasi yang sesungguhnya tidak
diketahui dan hanya dipetkirakan.
250
Y (Nilai)
14
12
10
8
./
J.lyx =2+ lX
/
o~----~----,-----~------~----~----~
X(jam semester)
Gambar 11.3
Estimator yang tidak bias untuk varians regresi populasi (0'2Y.) yang didasarkan sampd
adalah:
s2 = I.(Y - y
Y'
)2
(n- m)
Estimator untuk standar deviasi regresi populasi (0' y) dengan demikian dapat ditulis:
y )2
s ==}I.<Y.
(n- m)
A
(ll.l.a)
yx
yang menunjukkan bahwa m adalah banyaknya konstanta dalam persamaan estimasi. Dalam
persamaan regresi linier, terdapat konstanta a dan b, jadi m 2.
Rumus (ll.l.a) mirip denganrumus (10.3.a) untuk S:r, k~ali n diganti dengan (n- m)
untuk penyebutnya di dalam rumus ( I-l.l.a). Sehingga rumus S Y' kalau dinyatakan deagan
rumus Syx meniadi:
:J
251
=V 2-(Y - Y ) x -n 2
S
A
yx
n-m
Diagram Pencaran Data Sampel, Estimator Garis Regresi Populasi (Y) dibandingkan
dengan Garis Yang Sesungguhnya (!1y) dengan Interval Estimate dari llyx
atau
Nilai dari Syx dengan mudah dapat dihitung dengan rumus (10.3.b).
Contoh 3:
Perkirakan (estimasi) standar deviasi regresi populasi dengan menggunakan sampel
yang diberikan dalam contoh 2.
Penyelesaian:
Tabel 11.4 dibuat untuk menghitung dengan menggunakan rumus (ll.l.a). Nilai Yc
dihitung dari perkiraan persamaan regresi populasi, Yc = 1 + 1,4X. Sebagai contoh, apabila
X= 3, Yc = 1 + 1,4(3) = 5,2. Jawaban yang sama dapat diperoleh apabila digunakan rumus
(1l.l.b) dan (10.3.b).
Tabel11.4
Lama Semestl'r X
;
1
Nilai Y
:
I
= I + I ,4X
'
l
2
3
4
2;4
3,8
5,2
4
7
8
6,6
8,0
Total= 15
26
26,0
0,0
( Y - Y )2
l
'
0,4
1,2
-1,2
0,4
0,0
Y )2 3,20
2 yx = 2-(Y=...:_n__-:2:-=-- x -S---2-
252
Y-Y
0,16
1,44
1,44
0,16
0,00
3,20
r
11.4 INTERVAL EST/MAS/ UNTUK arx
Nilai Yc merupakan estimator titik dari llyx pada X tertentu. Nilai ini merupakan statistik
sampel untuk setiap sampel. Standar error dari Yc diberi simbol dengan ayc , atau disebut
standar deviasi distribusi sampling dari statistik YC pada X tertentu, yang berbantung pada
standar deviasi regresi populasi a~ . Apabila a~ diestimate dengan S ~ estimasi standar error
Yc dituniukkan
oleh S~ , dan dapat ditulis:
~
A
S =S
yx
yx
(X- X) 2
I(X - X) 2
(11.2.a)
-X--'---
*)
Jika a= Y- bX
maka Yc = a = bX =(Y - bX) = bX =Y =b(X - X)
Varian Yc =Varian (Y = b(X- X)]= VarY+ Var B(X- X).
Faktor (X -X) merupakan angka tetap. Jika setiap nilai (b) suatu distribusi dikalikan dengan
angka tetap, varians dari distribusi dikalian dengan kuadrat angka tetap sehingga persamaan
di atas dapat ditulis :
0
=a y z + (X _X)2 0 b2
X atau ax2 =
02
0' 2
0'
2=~
Karena varian dari Y= varians dari (IY/n), di mana n adalah angka tetap, atau ukuran sampel.
Vaiians Y = (1/n 2)(Varians IY) atau:
a
2
v
= _1_ (a 2 (X = 1) + a 2 (X = 2 + ... + a 2 (X = n)
n2
az
az
n2
=n~=~
Catatan:
Estimasi stand~ error Yc atau Syx juga bergantung pada nilai ukuran sampel n, nilai X
tertentu (untuk(X- Xf) danjumlah variasi I(X- X) 2
Distribusi dari nilai Yc yang didasarkan pada persamaan garis lurus berdistribus.i t
dengan (n - 2) derajad kebebasan. Rata-rata atau nilai yang diharapkan dari distribusi
253
sampling Yc adalah ~~
11 **. Berdasarkan hal tersebut dapat dikatakan, interval estimasi J.l dari
~
Y.c berdasarkan distribusi t adalah:
Batas kepercayaan (confidence limits)= Y c + t.S yc
Contoh 4:
Kembali ke contoh yang diberikan untuk contoh 2. Taksirlah (Estimate) rata-rata nilai
untuk setiap semester dengan interval kepercayaan 95%.
Penyelesaian:
( 1) Kita carl standar error estimasi dari Y c atau Syc dengan...., menggunakan rumus ( 11.2.a).
Perhitungan
ini ditunjukkan dalam..... tabel11.5. Setiap Syc diperoleh dengan mengganti
.....
Syx = 1,03 (Contoh 3) n =5, (X- X?= 4, 1, 0, 1, 4 berturut-turut ditunjukkan dalam
kolom (3) dan dan L(X- X)2 = 10.
(2) Kemudian, tentukan batas atas dan batas bawah kepercayaan untuk Yc. Batas ini
tergantung pada koefisien kepercayaan t. Pada 95% interval kepercayaan, nilai t
dengan derajad kebebasan 3 (= n- 2 =5-2= 3) adalah 3,182 (5% atau 0,05 untuk dua
sisi atau 0,025 untuk tiap sisi). Nilai batas dihitung dalam tabel 11.6 dan digambar
dalam gambar 11.3.
A
s2
b
cr2
x
L(X- X) 2
Sehingga:
02
= cr2
cr2yc
=cr\c (n +
yc
(X _ X)2 .
cr2
yx
L(X- X) 2
(X-X)
L(X- X)2 )
**) Rata-rata atau nilai yang diharapkan dari distribusi sampling Yc adalah:
Yc
LY
L(a+ bX)
N
LY
LbX
=N=
=~=--=A+
BX = J.lYX
254
Tabel11.5
Data dan Perhitungan untuk Contoh 4
I
I
I
s 1/
: (X- X)
1 -:-(\_-_:\I'_
' " ,I n
Y (X - :\ 12
( :\ - X 12
=S
"
'
1
2
3
4
I
I
l
I
Total= 15 !
2
1
0
1
2
4
1
0
1
4
10
=
=
X= 15/5 = 3
Tabel11.6
Data dan Perhitungan untuk Contoh 4
I
1
2
3
4
5
: y :::)
'
'
2,4
3,8
5,2
6,6
8,0
'
t.S
"
3,182(0,80)
3,182(0,56)
3,182(0,46)
3,182(0,56)
3,182(0,80)
'
2,05
3,74
4,85
5,45
Batas atas ) + t
'
"
'
4,95
5,55
6,66
8,35
10,55
*) Tabel 11.4
Daerah interval kepercayaan ditunjukkan dengan garis titik-titik dalam gambar 6.3
yang dibuat dari sampel tunggal. Apabila kita mengambil beberapa sampel dari populasi
yang besar, kita dapat membuat daerah interval kepercayaan untuk tiap sampel. Interpretasi
dari daerah interval kepercayaan katakan (95%) adalah 95 dari 100 kemungkinan garis
regresi populasi (j..ty) akan terletak dalam daerah batas kepercayaan yang didasarkan
sampel. Dengan kata lain, jika kita membuat 100 sampel daerah interval kepercayaan,
kita mengharapkan 95 dari daerah tersebut memuat (mengandung) garis regresi populasi
yang betul.
Apabila ukuran sampel besar, katakan n = 1000 atau lebih, rasio dari (X- X)ldengan
(X- X) 2 akan menjadi kecil. Demikian pula apabila n besar, Syx akan mendekati Syx , rumus
( 11.2.a) dapat ditulis:
255
Syc =S yx'l./n
fl=~
--./n
(11.2.b)
Juga, apabila ukuran sampel besar, nilai dari t akan mendekati deviasi normal Z, seperti
pada 95% interval kepercayaan (Z =1,96) yang mana merupakan batas dari t dengan derajat
kebebasan tak terbatas. Jadi interval estimate l""yx
11
untuk sampel besar dapat ditulis:
Batas kepercayaan =Yc Z.S yc
s
=Yc Z. -+
~\Ill
Perhitungan dari rumus di atas didasarkan pada tabel daerah di bawah kurva normal.
11.5/NTERVAL EST/MAS/ UNTUK NILAI Y INDIVIDUAL
Apabila varians Y dan Yc diestimate dari sampel. persamaan di atas dapat ditulis:
s2(y-yc) = 2 yx + s2 yc
Jadi varians dari perbedaan (Y- Yc) diperoleh dengan mengkombinasikan varians dari
regresi dan varians dari estimasi rata-rata Y pada X tertentu (S 2Y). Dengan memasukkan nilai
S2yc dari rumus (11.2.a) ke dalam rumus (11.3.a) diperoleh:
S2
<y-yc>
= S2 + 2
yx
yc .
G_!_
+
n
2
(X - X)
I,(X - X)z
(X-XY
I,(X- X) 2
256
Contoh 5:
Lihat sampel yang diberikan pacta Contoh 2. Perkirakan nilai individual untuk setiap jam
semester dengan interval kepercayaan sebesar 95%.
Penyelesaian:
( 1) Kita tentukan standar error estimate (Y- Yc ), atau S<y-yc >" Nilai dari S 2yc dapat dihitung dari
contoh 4, dengan rumus (11.3.a) dapat kita selesaikan masa1ah ini.
Hasilnya ditunjukkan dalam tabel 11.7.
Tabel11.7
'
())
'
'
S2
"
( contoh J)
(2)
S2
"
( contoh -')
(J)
S2
\
\{1
=(2)+(J)'
(..J)
'"
1-Ji
(.::;I
'
1
2
3
4
1,07
1,07
1,07
1,07
1,07
(0,80)2 =0,64
(0,56)2 = 0,64
(0,46) 2 =0,64
(0,56)2 =0,64
(0,80)2 =0,64
1,71
1,38
1,28
1,38
1,71
1,31
1.17
1.13
1.17
1,31
(2) Kita tentukan batas atas dan batas bawah, batas kepercayaan untuk Y. Sekali lagi batasbatas ini tergantung pacta koefisien kepercayaan t. Pacta 95% interval kepercayaan, nilai
dari t dengan 3 (=n-2 =5-2) derajad kebebasan adalah 3,182. Batas ini dihitung dalam
tabel 11.8 dan digambarkan dalam gambar 11.4.
Catatan:
Interval kepercayaan untuk nilai Y individuallebih Iebar bila dibanding dengan interval
kepercayaan rata-rata nilai Y untuk X tertentu. Hal ini disebabkan interval estimate dari nilai
Y spesifik harus mempertimbangkan standar deviasi distribusi Y (Sy) di samping standar
error distribusi Y c (S yc ).
Jadi, perkiraan nilai mahasiswa yang menempuh 3 jam semester semester berkisar antara
1,60 sampai 8,80. Apabila kita mengambil beberapa sam pel dari populasi yang besar, kita
dapat membuat daerah interval kepercayaan dari Y untuk tiap sampel. Apabila kita membuat
100 daerah interval kepercayaan, kita akan menerima bahwa 95 di antaranya mengandung
nilai Y pacta X tertentu.
257
, ......
, ,, ,','
Tabel11.8
Data dan Perhitungan untuk Contoh 6
''
.\
I
I
'
t.S ,,
Batas Ba\\ ah
I
I
'
- t.S
'
;
2,4
3,8
5,2
3
4
6,6
8,0
3,182(1.31) =4.17
3.182(1,17) 3,72
3,182(1,13) =3,60
3.182(1,71) 3,72
3,182(1,31) 4,17
Bahls atas
I
"
'
-1,77
0.08
1,60
' 2,88
3,83
=
=
=
+I "
5.67
7.52
8,80
10,32
12,17
*) Tabel 11.4
Catatan:
Apabila ukuran sampel sangat besar, varians Yc atau S\c S\x~n (rumus 11.2.b), akan
menjadi
sangat kecil. Dan apabila n sangat besar 2p akan mendekati S2p (Rumus ll.l.b).
.
2
Apabila diabaikan dan 2p diganti dengan S2p , rumus (6.1.a) dapat ditulis:
~
S2(y-yc)
=S2
yx
Y(Nilai)
95% Interval keyakinan
untuk nilai Y yang
sesungguhny~ _.
12
10
8
6
4
2
--
..- ----- --
------ -- -
-- -- --
------ -- --
3
4
X (Jam Semester)
Gambar 11.4
. Interval Estimate Nilai Y Individual pada X Tertentu,
Dibandingkan dengan Nilai Y yang Sesunggubnya
258
Apabila ukuran sampel sangat besar, nilai dari t akan mendekati deviasi normal Z. Jadi
interval estimate dari Y untuk sampel besar dapat didekati dengan:
Batas kepercayaan = Yc Z S yx
Perhitungan pemyataan di atas didasarkan pada tabel daerah di bawah kurva normal.
Jika batas atas dan batas bawah pacta 68% batas kepercayaan digambar, titik-titik yang
menunjukkan batas tadi akan berupa dua buah garis terputus-putus seperti yang
digambarkan pada gambar 10.3.
11.6 EST/MAS/ KOEF/SIEN DETERM/NASI p2 DENGAN
Koefisien korelasi populasi dari distribusi normal bivariat diberi simbul dengan p (rho).
Koefisien determinasi populasi merupakan kuadrat dari koefisien korelasi populasi dan
diberi simbol p2, dapat dicari dengan cara yang sama seperti mencari r2 (rumus 10.5.b).
Biasanya ditulis sebagai berikut:
0'2
p2 = 1--;;?
cry
(11.4)
= 1- ----YL
(11.5.a)
atau
i
(~)
n-m
= 1 - (1 - R2)
(11.5.b)
Contoh 6:
Perkirakan koefisien determinasi populasi dan koefisien korelasi populasi berdasarkan
sampel yang diberikan pada contoh 2.
Penyelesaian:
Dengan menggunakan rumus (11.5.a)
3 20
2 yx = 5-2
i\x = 1 *)
80
= 5 7 (tabel11.9)
S2 = 225-2
'
= 1'07
yx
Bukti:
S2 (n/(n-m))
i =1 - ~
=
1
yx
= 1 - (1 - r)
S2
S2 (nl(n-m))
1 = 1 - (1 r)
n- {
n-1
n-m
\_n-m)
259
Tabel11.9
Data dan Perhitungan untuk Contoh 6
\
(\'-\I'
- \ I
t\
'
4
7
8
-3,2
-0,2
-1,2
1,8
3.24
2,8
7,84
IY = 26,Y=5,2
22,80
10,24
0,04
1,44
;
I
S2yx
~-
1
-
'
'
;~~ J
= 0,81
Untuk sampel kecil faktor (n-1)/(n-2) dalam rumus (11.5.b) penting artinya, dalam hal
penyesuaian r2 untuk r, seperti r2 = 0,86 dan 2 = 0,81 dengan r = 0,93 dan= 0,90 dalam contoh
6 untuk n = 5. Untuk sampel besar faktor ini biasanya diabaikan karena nilainya akan
mendekati 1. Bila faktor tersebut diabaikan, 12 sama dengan r2 , yaitu apabila i 2 = 1 - (1-r2 ) =
r2 yang dihitung dengan rumus (11.5.b).
Contoh 7:
Taksirlah koefisien determinasi populasi jika koefisien determinasi sampel adalah 0,64
dan banyaknya sampellOl.
Penyelesaian:
Dengan menggunakan rumus (11.5.b), r2 = 0,64; n = 101.
1A2
= 1- (1 -0 64)
r:cw1-2
101-1 )
Jadi:
r2 = i 2 = 0,64
dan
1 = 1 = ..J0,64 = 0,80
260
Standar error dari korelasi r dapat diperkirakan dengan sampel besar yang didasarkan
pada rumus berikut:
S= 1-r
r
..JnT
Dalam rumus ( 11.6), r2 dipakai sebagai pengganti 12 jika sampelnya besar, merupakan
koefisien determinasi populasi yang diperkirakan.
Catatan:
Distribusi sampel dari r hanya mendekati normal untuk sampel yang besar. Sehingga
rumus di atas tidak sesuai untuk sampel kecil. Untuk sampel besar, distribusi dari r adalab
menceng sedikit apabila nilai sesungguhnya dari koefisien korelasi mendekati 1. Hal ini
jelas, karena batas dari p adalab -1 sampai + 1. Apabila p mendekati + 1, misa1nya +0,99
sampel r akan mempunyai maksimumjarak (range) hanya 0,01 ke arab batas atas dan 1,99
ke arab batas bawab.
Contoh 6 dan 7 memberikan cara memperoleh estimasi titik untuk p 2 dan p, sedang
contoh 8 berikut akan memberikan contoh cara menemukan interval estimate dari p.
Contoh 8:
Berdasarkan contoh 7 carilab interval estimate koefisien korelasi populasi dengan 95%
interval kepercayaan.
Penyelesaian:
Dengan menggunakan rumus ( 11.6):
= 1 - 0,64
rtol-1
= 0,036
Hal ini menunjukkan babwa 95 dari kemungkinan koetlsien korelasi populasi yang
sesungguhnya p terletak di antara angka 0, 73 sampai 0,87.
261
= Po
DENGAN
Distribusi r mendekati normal hanya untuk sampel besar dan tidak normal untuk sampel
kecil. Fisher mentransformasikan r menjadi Z dengan menggunakan logaritma, sebagai
berikut:
O'z
= 1,1513log 10
l+r j
( 1-r)
(11.7) 1
Contoh 9:
Koefisien korelasi yang didasarkan pada sampel sebanyak 101 sudah dihitung dalam
contoh 7, mendapatkan r = 0,80. Dapatkah kita menerima suatu hipotesis yang menyatakan
bahwa koefisien populasinya p adalah;::: 0,85 dengan level of significance (a)= 5%.
Penyelesaian:
( 1) Ho : Tidak ada perbedaan antara koefisien korelasi populasi yang diasrimsikan po = O;S~
dan koefisien korelasi sampel r = 0,80. r merupakan nilai estimate dari p (kOefisien
korelasi populasi sesungguhnya).
(2) Tentukan nilai Z, Standar deviasi normal.
Transformasikan r ke Z dengan rumus ( 11. 7)
(.1+0 80
J =1,1513log (9)
Z, =1,1513log ~ l-O,S )
z, = 1,1513 (0,954243)
z, =1,0986
Transformasikan po ke Z juga dengan rum us ( 11. 7)
log e. (
Logaritma biasa dengan bilan.gan pokok 10 dapat diubah dengan logaritma natural
dengan bilan:gan pokok e dengan cara dikalikan dengan faktor 2,3026.
Sebagai contoh, 2,3026log 10 X= loge X di mana X menunjukkan bilangan positip. Kita
men.ggunakan (1/)(2,3026) = 1,513 yang ditulis dengan rumus (11. 7) di atas adalah
untuk memudahkan perhitungan. Rumus ini dapat digunakan untuk korelasi parsial akan
tetapi tidak dapat untuk korelasi berganda. Akan tetapi rumus Standar error tmtuk ,
koefisien korelasi parsial berbeda yaitu :
0'
262
-FE
z 12.J -
--
3n-l
l+0,85j
= 1,1513log (12,3)
1
_ = 0,1010
101 3
(11.8)
Z-Z
r
po
O"z
(3) Mengambil keputusan. Pada a= 5% untuk tes satu sisi sebelah kiri, nilai kritis Z adalah
-1 ,64. Kita akan menolak hipotesis hanya jika Z lebih kecil dari -1 ,64. Nilai hitung Z =
-1,55 lebih besar dari -1 ,64. Jadi kita menerima hipotesis bahwa koefisien korelasi
populasi adalah lebih besar atau sama dengan 0,85. Atau dengan kata lain perbedaan
antara po dan r adalah tidak signifikan. Untuk lebih memperjeJas contoh di atas dapat
digambarkan sebagai berikut:
z =-1.64
-1.55
Gambar 11.5
tidak ada hubungan antara dua variabel. Hipotesis ini dapat diterima atau ditolak dengan F
tes atau t tes.
Kita tabu kalau sampel ditarik dari populasi bivariat akan diperoleh:
Total Variasi = Variasi yang tidak dijelaskan + Variasi yang dijelaskan.
Variasi yang tidak dijelaskan dan variasi yang dijelaskan merupakan penaksiryang tidak
bias bagi varians populasi, oleh sebab itu kita dapat menulis rasio F sebagai berikut:
F=
2;(Yc- Yf
m-1
F = L(Y- y c)z
n-m
Kalau disederhanakan:
F=
zy(c)
(11.9)
yx
=
=
Catatan:
Simbul Sy<c> dalam rumus (11.9) (lihat juga rumus 10.5.a dan 10.5.b) dan simbul Syc dalam
rumus (11.2.a) menunjukkan pengertian yang berbeda.
V arians sampel tidak dapat ditambahkan, tetapi derajad kebebasan dapat ditambahkan:
total (n- 1) =yang tidak dijelaskan (n - m) +yang dijelaskan (m - 1)
Jika varians yang dijelaskan tidak berbeda secara signifikan dengan varians yang tidak
dijelaskan, dua penaksir yang idependen dari varians populasi cenderung untuk sama. Berarti
F akan mendekati 1, hal ini teljadi apabila derajad korelasinya lemah. Jika varians yang
*)
264
Teknik analisa varians dengan rasio F yang digunakan dalam korelasi sederhana untuk
menguji signifikasi, dapat digunakan dalam korelasi parsial dan korelasi berganda, juga
dalam koefisien persamaan regresi.
dijelaskan berbeda secara signifikan dengan varians yang tidak dijelaskan, nilai dari F dapat
terjadi dengan salah satu dari dua kemungkinan berikut:
( 1) Rasio F kurang dari satu atau mendekati nol berarti varians yang dijelaskan (pembilang)
lebih kecil bila dibanding dengan varians yang tidak dijelaskan (penyebut). Hal ini
berarti hipotesisnya betul, tidak ada korelasi an tara dua variabel. Jika tidak ada korelasi
Yc akan mendekati atau sama dengan Y. Variasi yang dijelaskan I,(Yc Y )2 mendekati
atau sama dengan noI. Akibatnya ~ariasi yang tidak dijelaskan I,(Y- Y/ menjadi relatif
besar jika total variasinya I,(Y - Y) tetap. Varians dihitung dari variasi, sehingga rasio
F akan mendekati atau sama dengan nol apabila korelasinya rendah atau tidak ada
korelasi.
(2) Rasio F lebih besardari satu, berarti varians yang dijelaskan (pembilang) lebih besardari
varians yang tidak dijelaskan (penyebut).
Hal ini menunjukkan hipotesisnya tidak betul, berarti ada korelasi yang tinggi antaradua
variabel. Apabila korelasinya tinggi, variasi yang dijelaskan menjadi besar jika Yc
berbeda j auh dari Y. Implikasinya variasi yang tidak dijelaskan relatif kecil. Sehingga
nilai F, diharapkan menjadi besar jika korelasinya tinggi.
Di dalam pengujian hipotesis, kita tertarik untuk mengetahui benar atau tidaknya nilai
F terse but signifikan berdasarkan F tabel pada tingkat signifikan tertentu. Jika besarnya nilai
F signifikan, kita tolak hipotesis yang menyatakan tidak ada korelasi. Altematifnya kita
menerima hipotesis yang menyatakan ada korelasi yang tinggi antara 2 variabel. Jika
besamya nilai F tidak signifikan, kita menerima hipotesis, atau mungkin ada korelasi tetapi
sangat lemah. Jika F sangat kecil atau mendekati nol, kita dapat menerima hipotesis tanpa
ragu-ragu.
Banyaknya konstanta dalam persamaan regresi tinier adalah 2 atau m = 2 (konstanta a
dan b). Sehingga, D 1 =m- 1 =2- 1 danD 2 =n- m n- 2. JikaD 1 1, padatingkatsignifikasi
tertentu nilai t adalah:
(ll.lO.a)
yang menunjukkan bahwa t merupakan tes dua sisi dengan n- 2 (atau D 2) derajad kebebasan.
*)
t test tidak dapat digunakan untuk koefisien korelasi berganda karena banyaknya
konstanta (m) di dalam persamaan regresi berganda adalah 3 atau lebih dan D 1 = m- 1
tidak sama dengan 1. Akan tetapi t test dapat digunakan untuk koefisien korelasi parsial
Rumus untuk koefisien korelasi parsial antara XI = x3 dengan x2 konstant adalah
265
Rumus di atas juga dapat ditulis dalam bentuk lain, yang dapat dilihat hubungan antara t, r,
dan r2 sebagai berikut;
/i1T
= r V--r::rz
(ll.IO.b)
Sekarang kita dapat menggunakan tabel t dengan n- 2 derajad kebebasan untuk memperoleh
basil yang sama sebagai pengganti tabel F dalam analisis varians. Tabel t mempunyai
faedah Iebih banyak karena mempunyai ban yak "entries" dan tingkat kepercayaan dibanding
tabel F.
Contoh 10:
Dengan menggunakan sampel yang diberikan dalam contoh 2:
(a) Hitung nilai F.
(b) Dengan menggunakan rasio F, tentukan benar tidaknya variabel Y berhubungan dengan
variabel X dalam populasi dengan a= 5%.
Penyelesaian:
a)
Penaksir yang tidak bias untuk varians populasi dapat diperoleh dalam tabelll.IO.
Tabelll.IO
Data dan Perhitungan untuk Contoh 10
\hu:am \ ariasi
I
I
Vmiasi
'
I
I
'
!(Y-Y)2 22,80
Total
Perhitungan
\'ariasi
Contoh6
n-1 =5-1 =4
Tidak. dijelaskan
I.(Y-Y/-=3,20
Contoh3
Dijelaskan
!(Yc-Y)l= 19,60
Total dikurangi
yang tidak
dijelaskan
D1 =m-1=2-l=l
2
F=~=19,60 =1832
2
1,07
'
; s2-}'{l
=19,611 = 19,60
(rumus 11.9)
yx
b)
266
Y. Oleh karena itu hubungan antara dua variabel yang dinyatakan dengan koefisien
korelasi r signifikan pada a= 5%.
Akan tetapi jika kita gunakan a= 1% besarnya nilai F signifikan apabila lebih besar dari
34, 12. Berarti kita menerima hipotesis. Oleh karena itu kesimpulan terbaik yang dapat
ditarik dalam contoh 10 adalah menyatakan bahwa korelasinya "mungkin" (probably)
signifikan. Contoh 10 juga dapat dikerjakan dengan t tes sebagai berikut:
t=
(rumus ll.lO.a)
a tau
t=r"
{0:2
= 0,927
5-2
1-0,8596
= 4,28
(rumus ll.lO.b)
=0
Koefisien regresi populasi B, atau slope dari garis regresi populasi, juga menunjukkan
hubungan antara variabel X dan variabel Y. Sebagai contoh B = 1 dalam persamaan regresi
populasi Contoh 1,
Jlyx =A+ BX = 2 + IX
menunjukkan kenaikan dalam rata-rata nilai Jly,jika jam semester yang diambil dalam kuliah
matematika bertambah. Jika B = 0, garis regresi populasi menjadi mendatar karena:
sb--
)2
Untuk varians distribusi sampling dari b, lihat catatan kaki rumus (11.2.a)
267
Contob 11:
Berdasarkan koefisien regresi sampel b = 1,4 dalam contoh 2, tentukan apakah Y
berhubungan atau tidak dengan variabel X, dengan menggunakan a= 5%.
Penyelesaian:
1) Menentukan hipotesis nol.
Ho: B = 0 tidak ada hubungan antara variabel X dan variabel Y.
2) Tunjukkan perbedaan antara statistik sampel b dan parameter populasi B dalam unit
standar error dari'Statistik, atau:
b -B
t. = sb
rsz::
bv~2
t=
=)
1 07
10
= 0,327
14-0
0,327 = 4,281
Mengambil keputusan. Pada a= 0,05 nilai kritis dari t dengan n-2 (=5-2= 3) derajat
kebebasan adalah 3,1982 (dua sisi). Nilai t hitung = 4,281lebih besar dari nilai kritis
3, 182. Berarti kita tolak hipotesis bahwa B = 0. Kita dapat menarik kesimpulan jika
B -:t 0 ada hubungan antara variabel X dan variabel Y.
Catatan:
Jika ukuran sampel besar, kita dapat menggunakan distribusi normal sebagai pengganti
distribusi t dalam langkah ke 2 dari Contoh 11, atau t didekati dengan Z dan dapat ditulis:
Kesimpulan yang sama dapat diperoleh dengan mencari interval estimate dari :8
didasarkan pada sampel b. Pada interval kepercayaan sebesar 95%, atau a= 5%, interval
estimasi B untuk contoh 11 adalah sebagai berikut:
Batas kepercayaan = b t.Sb = 1,40 + 3,182(0,327)
= 1,40 1,04 = 0,36 sampai 2,44
Sehlngga nilai B tidak sama dengan nol, akan tetapi di antara angka 0,36 sampai 2,44. Kita
dapat menarik kesimpulan bahwa terdapat hubungan antara variabel X dan variabel Y. Nilai
B sesungguhnya adalah sama dengan 1 (Contoh 1). Kemungkinan dalam praktik kita tidak
dapat memperoleh koefisien regresi populasi B yang sesungguhnya sebagai pembanding.
**) Kita dapat membuktikanjika D 1 = m- 1 = 2- 1, t yang diperoleh dari --.IF (rumus 6.9 dan
6.10.a) akan sama dengan yang diperoleh dari (b-0)/Sb sehingga t =--.IF= b/Sb.
268
','
Analisis yang disajikan dalam Bab 10 dan Bab 11 didasarkan pada anggapan bahwa
hubungan rata-rata antara dua variabel dapat dilukiskan dengan garis lurus. Akan tetapi,
anggapan ini boleh jadi tidak sesuai untuk beberapa data. Kerap kali hubungan dalam dunia
bisnis dan kegiatan ilmu ekonomi dapat diterangkan secara lebih baik dengan kurve
dibanding dengan garis lurus.
Pada bagian satu sampai tiga dari bab ini akan disajikan analisis regresi dan korelasi non
linier yang didasarkan pada:
( 1) Sebuah kurve parabola yang ditentukan oleh persamaan po1inomina1 pangkat dua.
(2) Menggambar smooth curve dengan metodefreehand graphic.
(3) Sebuah garis yang terputus-purus dihitung dari kelompok data dari tabel korelasi.
Penerapan dari matriks aljabar terhadap bidang statistik, akhir-akhir ini semakin
meningkat. Matriks aljabar terutama digunakan di dalam mempelajari lebih lanjut terhadap
masalah analisis korelasi. Sub bab 12.4 pertama akan mengemukakan istilah dasar dan
operasi dari matriks. Selanjutnya akan disajikan metode yang dipilih untuk menyelesaikan
persamaan linier dengan matriks aljabar.
12.1 KURVA PARABOLA PANGKAT DUA
Kurva regresi yang didasarkan pada persamaan polinominal pangkat dua adalah set Jai
berikut:
Y c =a+ bX + cX 2
(rumus 7.4)
Karena dalam persamaan ada tiga bilangan tetap a, b, dan c yang tidak diketahui, maka
untuk menyelesaikannya perlu dibuat tiga persamaan. Untuk mempermudah penyelesaian,
dibuat tiga persamaan normal didasarkan pada metode kuadrat terkecil (rumus 7.5) sebagai
berikut:
I. I(Y) = na + b I( X) + c I(X2)
II. I(XY) = a I,(X) + b I(X 2) + c I(X 3 )
III. I(X 2Y) = a I(X 2) + b I(X3) + c I(X 4)
269
I(Y- y )2
(Rumus 10.3.a)*
(e) Menghitung koefisien determinasi r 2~ dan koefisien korelasi r~ (dengan rumus 10.5.a)
yang dapat ditulis
2
r yx -
*)
syx
270
Total variasi
=J
IY 2 - aiXY - ciX2 Y
n
= L,(Y
r2
- Y)2
L,(Y- Yf
yx
C 2.l.a)
yx
S2
= 1. _____u.
S2
y
Contoh 1:
Tiga kolom pertama dari tabel 12.1. menunjukkan jumlah penjualan (Y) dari 8 orang
penjual selama peri ode waktu tertentu dan pengalaman dalam berjualan (X) dari tiap penj ual.
Buatlah analisis regresi dan korelasi dengan regresi dan korelasi non linier.
(Catatan: contoh ini menggunakan data yang sama seperti contoh 1, 2, dan 3 dalam Bab 10).
Tabel 12.1
Data dan Perhitungan untuk Persamaan Polinomial Pangkat Dua
dengan Menggunakan Metoda Kuadrat Terkecil
untuk Contoh l(b)
Penjual
.Jumlah
Penjualan
, (dalam Rpl.OOO,OO)
Pengalaman
Berjualan
(dalam tahun)
(1)
(2)
(3)
G
H
9
6
4
3
3
5
8
2
6
5
3
1
4
3
6
2
11
16
9
36
4
27
216
8
81
1
256
81
1.296
16
n=8
Total
40
30
136
684
3.652
c
D
E
xz
xz
(4)
(5)
XY
xzy
(6)
(7)
125
27
I
64
'
. .
902
Penyelesaian:
(a) Scatter plot diagram dibuat dalam gam bar 12.1
(b) Persamaan regresi parabola dihitung dengan metode kuadrat terkecil.
Nilai yang diperoleh dari penerapan tiga persamaan normal adalah sebagai berikut:
271
I. 8a + 30b + 136c = 40
II. 30a + 136b + 684c = 178
Ill. 136a + 684b + 3.652c =902
Tiga persamaan ini dapat diselesaikan bersama dengan metode eliminasi seperti yang
dibicarakan pada bab sebelumnya atau dengan menggunakan matriks aljabar (yang disajikan
dalam sub bab 12.4 contoh 10). Perhitungan dapat disederhanakan jika masing-masing
persamaan dikurangi, sampai terendah. Sebagai contoh, persamaan pertama dibagi dengan
dua, sehingga kita peroleh persamaan I yang sederhana.
I. 4a + 15b + 68c = 20
y
Penjua1an
(Rp 1000)
10
9
8
7
6
5
4
Yc == .5914-9.1 7 X+ .28
(Garis Lurus Regr si)
x2
~-----L------L-----~------~----~-------~----~
X (Penga1aman berjua1an)
Sumber: Contoh 1 dan gambar 10.3
Gambar 12.1
Diagram Pencar dan Garis Regresi Parabola dengan
Perbandingan Garis Regresi Lurus
272
Tabel12.2
Pcrhitungan
untuk Y dan Standar Deviasi Regresi S
.
untuk Contoh 1 (C) dan 1 (D)
Penjualan
y ,.
Y-Y ,.
IY- Y,. )2
(4)
(5)
( 6)
0,65
-0,13
0,59
0.42
0,02
0,35
= 3,5914- 0,9127X
I
I.
+ 0,2842X
I
(1)
(2)
D
E
3
,
..)
F
G
5
8
8,35
6,13
3,41
2,96
4,49
3,41
8,35
')
2,90
-90
0,12
0,81
Total
40
30
40,00
0,00
6,41
(3)
3
I
4
3
0,04
0,00
-1,49
1,59
-6,35
2,22
2,53
Penyelesaian:
a==3.59!4:b
-0.9127: c
0.2841
(1)
Y -Y
(2)
Nilai yang diperlukan untuk dua persamaan ditunjukkan bahwa di bawah dan dapat
diperoleh dari Tabel 12.1.
136
Ixv
= 2:.XY-
2:.X.2:.}'_
n
~ = 23,5
3 2
= 178
30 (40>
8
= 28
(bersambung ... )
273
( ...bersambung)
62
Ity =I.X2Y-
IX~IY =902-
136 0
=22222
Penyelesaian
Membagi persamaan normal I dengan n
a = IY _b IX _c 2:X
n
= ~0
1 6
3
- (-0,912689) ( 8)- 0,284185 ( : )
= 3,591439
Kelima persamaan di atas dapat dibuktikan dibawah ini:
=IX2
=l,XT- X.IT - T.I.X + nXT =IXT - X.nT- TnX + nXT =I.XT - nXT
Bila T=X 2
Dengan cara yang sama kita bisa membuktikan untuk Ixy ; t2 dan Ity.
274
(1)
(2)
(c) Garis regresi yang didasarkan pada persamaan yang dihitung juga digambarkan pada
gambar 12.1.
Titik pada garis yang ditentukan oleh nilai Yc diperoleh sebagai berikut:
Untuk penjual A, X= 6
Yc = 3,5914- 0,9127(6) + 0,2842(62)
= 3,5914- 5,4762- 10,2312
= 8,3464 dibulatkan menjadi 8,35
Dalam cara yang serupa, nilai Yc dari penjuallain dihitung dan disajikan dalam kolom
(4) dari tabel 12.2.
Nilai Yc menunjukkan taksiran jumlah penjualan. Sebagai contoh taksiran jumlah
penjualan dari penjual yang mempunyai pengalaman 4 tahun (X= 4) dalam berjualan
adalan Rp4.490,00 (4,49 x Rpl.OOO,- tiap Y unit).
Catatan:
Dari regresi garis lurus memberi perkiraan kepada penjual yang mempunyai pengalaman
berjualan selama 4 tahun adalah Rp5.290,00. Regresi garis lurus yang dihitung dalam
contoh 1 pada Bab 10 juga digambarkan pada gambar sebagai pembanding.
(d) Standar deviasi dari regresi dihitung dengan menggunakan rumus (10.3.a):
S =JI(Y- Y)
yx
=J 6,478
r2
yx
S
= 1- __
yx_ =S2
yx
0,80875
55
= 1-0,14705
'
Nilai r2yx dan ryx dapat ditafsirkan dalam cara yang sama, masing-masing seperti dan
r. Dengan demikian 85% dari variasi jumlah penjualan (Y) adalah saling berhubungan atau
275
dijelaskan oleb variasi dari pengalaman berjualan (X) yang didasarkan garis regresi yang
berbentuk parabola.
Perbandingan dua ukuran dari tingkat korelasi yang didasarkan pada persamaan parabola dengan garis lurus dari data yang sama dalam contoh I, r2yx menunjukkan bahwa kurve
parabola memberikan -pengetrapan yang lebib baik daripada dengan garis lurus. Hal ini
didukung kenyataan bahwa basil SY, semakin kecil, sedangkan basil koefisien r 2Y, semakin
tinggi (juga koefisien korelasi rYJ
Apabila data yang diberikan dianggap sebagai sampel untuk perkiraan parameter
populasi, perkiraan parameter yang tidak bias barus digunakan. Rum us umum dari perkiraan
itu dapat diperoleb dengan cara yang sama seperti yang disajikan dalam Bab 11.
Sebagai contoh, rumus (didasarkan pada rumus 11. 1) dan perhitungannya (didasarkan
pada data yang diberikan pada contob 1) untuk menaksir standar deviasi dari regresi populasi
adalah sebagai berikut:
syx
=Jn~m =0,90)8~3
=0,90.V1,6=1,14
m=3
Karena di dalam persamaan parabola ada tiga bilangan tetap a, b, dan c. Menurut rumus
( didasarkan pada rumus 11.5) dan perbitungannya (didasarkan pada data yang sama seperti
di atas) untuk menaksir koefisien determinasi populasi sebagai berikut:
S2
12
yx
l:(Y Y)z
n-1
44
TT
S2
1,2940
1 - ___}'_'<_ = 1
S2
6,2857
yx
6,2857
= 1-0,2059
yx
1 (l- r2
yx
)(~)
n- m
1
= 1 (1 - 0,85295) (JL_8) =0,7941
-3
Estimasi koefisien korelasi populasi adalab:
i yx = -v 0,7941 = 0,89
276
Perhitungan dan persamaan polinomial derajat pangkat dua atau lebih didasarkan pada
metode kuadrat terkecil sangat sulit untuk beberapa data. Sebagai gantiny.a gambar sebuah
smooth curve dengan metode freehand graphic sering dipakai dalam praktik untuk analis::;
regresi dan korelasi. Selanjutnya bermanfaat atau tidaknya sebuahfreehand regression curve
dapat dilihat dari besarnya dispersi di sekitar kurve regresi.
Prosedur untuk mendapatkan ukuran-ukuran yang penting dari analisis regresi dan
korelasi dengan metode freehand graphic secara garis besar sebagai berikut:
(1) Menggambar smooth curve pada scatter plot diagram sesuai dengan data yang ada.
Kurva ini dapat menyerupai kurva parabola seperti gambar 10.1 dan garis regresi yang
diinginkan.
(2) Membaca nilai Yc dari smooth curve dari masing-masing nilai X yang ada.
(3) Menghitung masing-masing (Y - Y0 ) perbedaan antara masing-masing Y dan Yc pada
nilai X tertentu. Kalau perbedaan itu dikuadratkan dan ditambahkan atau I.(Y- Yc) 2,
Standardeviasi dari regresi Syx' koefisien determinasi r2yx' dan koefisien korelasi ryx dapat
dihitung seperti pada bagian terdahulu.
12.3 DATA YANG 0/KELOMPOKKAN
Prosedur penerapan dari kurva parabola dengan metode kuadrat terkecil untuk data yang
tak dikelompokkan dapat diperluas untuk data yang dikelompokkan. Akan tetapi nilai data
tersebut akan mempersulit dan tidak dapat digunakan secara praktis. Prosedur rinci untuk
data yang dikelompokkan tidak dibicarakan dalam bagian ini. Metode freehand graphic
untuk data yang dikelompokkan mempunyai kelemahan subyektif dalam penggambaran
kurva yang sesuai.
Cara praktis untuk mengukur korelasi non linier dari susunan data tertentu adalah
menggunakan tabel korelasi yang disajikan dalam data bivariat yang dikelompokkan. Garis
yang terputus-putus sebagai pengganti smooth curve digunakan untuk menggambarkan
hubungan rata-rata antara dua variabel. Tidak diperlukan persamaan regresi, untuk garis yang
terputus-putus tersebut ditentukan dengan titik pusat kolomkelas \nterval X. Yang ditunjukkan
bahwa untuk setiap titik untuk masing-masing kolom ditunjukkan d;llam tabel korelasi (tabel
12.3). Masing-masing titik di dalam kolom mewakili nilai Y rata-rata dalam kolom X, yan
ditunjukkan dengan Y. Dengan demikian jumlah angka akan sama dengan jumlah koiJffi
yang mempunyai nilai Y.
Koefisien determinasi ditunjukkan dalam korelasi untuk data yang dikelompokkan,
yang menunjukkan bahwa Y adalah variabel dependen dan X variabel independen, diberi
simbol T) 2 Tulisan Greek Tl (eta) disebut sebagai rasio korelasi dan ditafsirkan sama seperti
koefisien korelasi yang didasarkan pada hubungan garis lurus.
Cara yang sederhana untuk menghitung T) 2 adalah sebagai berikut:
. d
. . Viasi yang dijelaskan
Koe fiISien etermmast =
. .
T
ota1vanas1.
277
Karena garis regresi dalam bentuk garis yang terputus-putus melalui setiap titik yang
menunjukkan nilai Y. di dalam tabel korelasi, maka rumus (10.5.a) untuk data yang
dikelompokkan dapat ditulis sebagai berikut:
(12.2.a)
f.
. .xyf
(12.2.b)
nS 2 y
Karena Ify (Y- Y)2 = nS 2y , maka variance nilai Y, S 2y dapat dihitung dengan rumus terdahulu.
Untuk data yang dikelompokkan ditulis sebagai berikut:
S'' =i'' . [
Lf~d', _ tLf~d',j J
(12.3)
Contoh 2:
Tabel 12.3 adalah tabel korelasi yang menunjukkan jumlah penjualan (Y) dari 40 penjual
selama periode tertentu dan pengalaman berjualan (X) (sama seperti contoh 4).
Hitunglah koefisien determinasi dan rasio korelasi.
Penyelesaian:
(1) Menghitung Y. nilai rata-rata Y dalam masing-masing kolom X, dari tabel korelasi.
Total dari nilai Y ditulis dalam masing-masing kolom. Masing-masingjumlah diperoleh
dengan mengalikan midpoint dari klas interval Y pada baris dengan frekuensi dalam
kolomjumlah nilai Y masing-masing kolom kemudian ditambahkan. Setelah dijumlah
dibagi dengan frekuensi di dalam kolom untuk memperoley Y .- Sebagai contoh Yx dalam
kolom X dari klas "2@4" dihitung sebagai berikut:
Y dalam kolom "7-9" = 8 (Midpoint) x 5 (frekuensi) = 40
Y dalam kolom "4-6" =5 (Midpoint) x 3 (frekuensi) = 15
Jumlah nilai Y dalam kolom = 55
278
Tabell2.3
Kclas Y
1
--
~--
2<u .t
.teo 6
MaS
I'
S(n Ill
'
(17)
1
(42)
16-18
17
14
11
1315
10-12
(40)
7-9
8
5
2
4-6
13
X
Y
(14)
1
5
(80)
10
(14)
I
2
(48)
21
Yx
(11)2
Jumlah dari
nilai y
(4)
(55)
(140)
(89)
(59)
(356)=t\'
fx
16
10
n=40
Yx
6,87
9,312
8,9
14,7
Y=8,9
Y, =
i=
(2) Menghitung variasi yang dijelaskan. Variasi yang dijelaskan, l:f,(Y, Y) 2 = 269,02
dihitung dari tabel 12.4. Tabel ini didasarkan pada tabel korelasi (tabel 12.3).
(3) Menghitung total variasi. Total variasi sebesar 399,60 dapat dihitung dengan dua cara:
(a) Dengan menggunakan l:f.(Y -Y)2 seperti ditunjukk:an dalam rumus (12.2.a).
Penggunaan rumus tersebut ditunjukk:an dalam kelas (12.5). Nilai dalam tabel
mewakili midpoint dari masing-masing kelas interval Y.
279
S',
i', . [ :Ef~d',-
Fnkuensi
d:ui kolom
X
I penjual 1
f
Rata-rata
nilai \'
dalam
lwlom X
.
.
8@ 10
(4)
(Y - Yl 2
'(5)
4@6.
Total
(])'
0@2
2@4
6@8
Rata-rata
dcviasi
kolom dad
: gmnd m~~m
(l{p I.OOO.OU) I ( \' == 8,9 J*
I
y
y
'
(2)
(I I
>
40
f (\' - Y)"
\_
\_I
(6)
2.56
0,00
139,24
269,02
Sumber: Tabell2.3.
* grand mean dari semua nilai Y = 36
g=8,9 =Y
(4) Menghitung koefisien deterrninasi dari variasi yang diperoleh dari (2) dan (3) di atas:
Total
280
399,60
(Rumus 12.2.a atau 12.2.b)
Tabel12.5
Data dan Perhitungan untuk Variasi yang Dijelaskan
Contoh 2 (2)
1~3
4-6
9-9
10- 12
13- 15
16-18
14
17
Total
40
-0,9
2,1
8.1
8.1
40
11
*)
Jika data contoh 2 dianggap sebagai sampel yang dapat dipakai untuk menaksir koefisien
determinasi populasi, perhitungan untuk penaksiran didasarkan pada rumus (10 5.b)
adalah:
11 2
= 1 - (1 -11 2).
1
n- ) = 1 - (1 - 0,6732). (
n-m
:~
!)
=0,6359
atau 64% di mana m = jumlah dari kolom X dalam tabel korelasi
=5.
Tl 2 = "
0,6359 = 0,80
Estimasi 11 2 dan
y,
*)
Karena garis regresi dalam bentuk yang terputus-putus merupakan rata-rata Yx, kita
harus mengganti Yc dalam rumus (1.3.a) menjadi:
syx =
=
J
J
Di mana f = frekuensi nilai Y dalam masing-masing sel tabel korelasi. Variasi yang
tidak dijelaskan dapat diperoleh dengan menyusun sebuah tabel yang menunjukkan
I,f(Y- Yy.
Akan tetapi, cara yang sederhana untuk menghitung variasi yang tidak dijelaskan adalah
dengan menggunakan perhitungan variasi yang ditunjukkan pada tabel12.4 dan 12.5.
Variasi yang tidak dijelaskan
=Total Variasi- Variasi yang dijelaskan
= 399,60 - 269,02
= 130,58
maka, Syx = ..J 130,58)/140 = ..J3,2645 = 1,81
282
dari tabel korelasi. Total variasi adalah tetap atau tidak dipengaruhi variabel X. Jika
variasi yang dijelaskan dipengaruhi oleh variabel X sangat besar, maka 11 2, rasio dari
variasi yang dijelaskan dengan total variasinya juga akan besar.
(2) Jika kolom rata-rata Y, jatuh pada garis lurus, 11 2 akan sama dengan r, seperti
hubungan antara variabel X dan Y dalam barian yang linear. Akan tetapi nilai 11 2
berbeda dengan r2, 11 2 lebih besar dari r. Perbandingan 11 2 (= 67%) dan r (=50%)
untuk data yang sama yang diberikan dalam contoh 2. Dalam kenyataan koefisien
determinasi yang didasarkan pada garis yang terputus-putus, 11 2 adalah jauh lebih
besar daripada yang didasarkan pada garis lurus, r. Begitu pula,jika kolomrata-rata
,jatuh pada sebuah Curve, 11 2 akan sama dengan ryx Seperti hubungan antara dua
variabel yang merupakan bagian dari Curve linear, 11 2 akan lebih besar daripada r yx
(3) Jika nilai Y dalam masing-masing kolom X hanya dipusatkan pada satu kolom,
Y =Y. Garis yang terputus-putus akan melalui semua nilai Y pada tabel
korelasi. Karena tidak ada scatter di sekeliling garis yang terputus-putus itu,
maka korelasi itu adalah serrq)Urna, atau 11 2 = 1. Akan tetapi, dalam ilmu
ekonomi korelasi yang sempuma jarang sekali terjadi dalam hubungan antara
dua variabel. Menurut pengalaman menunjukkan, kita selalu dapat menggambar
garis yang terputus-putus yang melalui atau mendekati setiap titik pada scatter
diagram. Maka dari itu kita dapat memilih garis lurus atau kurva yang sesuai,
untuk analisis regresi dan korelasi.
12.4MENYELESAIKAN PERSAMAAN LINIER DENGAN MATRIKS AWABAR
Sistern dari n Persamaan Linier untuk n yang tidak diketahui dapat diselesaikan dengan
metode aljabar biasa. Akan tetapi, sistem penyelesaian dari tiga a tau lebih persamaan menjadi
bertambah sulit dengan metode aljabar biasa. Matriks aljabar merupakan cara yang sederhana
dan sistematis yang memudahkan dalam penggunaan komputeruntuk memecahkan persamaan
terse but.
n. E=[H] 'I=[ ~ ! ~l
283
Dalam penambahan, dua matriks harus mempunyai jumlah baris dan kolom sama.
Elemen dari dua matriks ditambahkan untuk mendapatkan jumlah elemen.
Contoh 3:
Penjumlahan dua matriks: matriks ordo 2 x 2.
Penyelesaikan:
Pengurangan
Dalam pengurangan, dua matriks harus mempunyai jumlah baris dan jurnlah kolom
sama. Pengurangan ditunjukkan oleh hubungan elemen-elemen dari dua matriks agar
diperoleh sisanya.
Contoh 4:
Mengurangkan matriks 2 x 2 dengan matriks 2 x 2.
Penyelesaikan:
2 1]
[1 3 ]
[ 3 -2 - 2 4
284
= [23-- 11
1-3] [1 -2 ]
(-2)- 4
1 -6
Perkalian
Apabila sebuah matriks dikalikan dengan sebuah angka (skalar) maka setiap elemen
matriks harus dikalikan dengan angka tersebut.
Contoh 5:
Mengalikan matriks 2 x 3 dengan 2.
Penyelesaian:
Dua vektor dengan jumlah elemen yang sama dapat dikalikan jika, pertama (bilangan
yang harus dikalikan) adalah sebuah vektor baris dan yang kedua (angka yang harus
dikalikan) adalah sebuah vektor kolom. Masing-masing elemen dari vektor baris dikalikan
dengan elemen vektor kolom sehingga diperoleh hasil parsial. Jumlah seluruh hasil parsial
adalah hasil dari perkalian, hasilnya merupakan sebuah angka bukan sebuah vektor.
Contoh 6:
Mengalikan vektor baris (3 elemen) dengan vektor kolom (juga 3 elemen)
(2 [ 3}. [
= (2 X 3) + (l
4) + (( -3)
[j
=7
Penyelesaian:
Dalam perkalian dua matriks, jumlah kolom matriks pertama harus sama denganjumlah
baris matriks kedua. Masing-masing baris dari matriks pertama dikalikan dengan masingmasing kolom dari matriks kedua sehingga diperoleh hasilnya. Hasilnya jumlah baris sama
dengan baris matriks pertama se.dang jumlah kolomnya sama dengan kolom matriks kedua.
Contoh 7:
Mengalikan matrix 2 x 2 dengan matriks 2 x 3.
Penyelesaian:
[; -~ l [~ 0}
3
1 -
[2
1] . [
[3 -2]
~]
.[~]
[2
[!]
.[!]
1] .
[3 -2]
[2 1]
[~]
[3 -2]
.[~]
285
40 1]
= l2 + 2 6 +
+
l_3-4 9-8 0-2
r~ ~~ -~J
Ordo dati masing-masing matriks dalam perkalian itu dituliskan (ditunjukkan) pada
sudut kanan bawah dati matriks itu. Misalnya perkalian matriks 2 x 2 dan matriks 2 x 3,
basilnya adalah matriks 2 x 3. Seperti ditunjukkan diagram di bawah ini:
Perkalian Dua Matriks
Matriks Pertama
Baris Kolom
2 X 2
Matriks kedua
Baris Kolom
2 X 3
L=~
2x3 _j
(Hasil matriks yang barn)
Contoh 8:
Matrik A= [
2 1
]
3 -2
dan matrik A
=[
217 7
11 ]
317-2/7
Penyelesaian:
A.A'
=[; -~ ] [~ -~ = ; -[;
l[; ;j
=H~ ~w ~1
Hasilnya adalah matriks identitas 2 x 2, yang mempunyai ordo yang sama dengan
matriks A dan matriks A 1, disebut juga sebagai invers dati matriks bujur sangkar A karena
basil dati dua matriks tersebut adalah matriks identitas.
286
Dapat dituliskan:
Mengalikan dua matriks pada sisi kiri dari persamaan hasilnya adalah sarna dengan
seperti yang dinyatakan sisi kiri dari dua persamaan yang diberikan.
Catatan:
Bahwa matriks pertarna pada sisi kiri dari persamaan di atas ditunjukkan oleh koefisien
x dan y yang tidak diketahui, dan matriks pada sisi kanan adalah konstan.
A= Koefisien matriks, atau dan A = [; _;
A
Jdan
Dengan demikian :
287
_, [5]- ~17
j2n 111] [ 5]- j1on + tl/7] _[3]
-217 11 - L3/7 - 217 - -1
A . 11 atau:
Elemen dalam dua matriks adalah sama. Maka diperoleh basil nilai
X= 3; dan y = -1
Pacta umumnya, X adalah bentuk matriks yang tidak diketahui, dan C adalah matriks konstan.
Sistem penyelesaian persamaan itu dapat ditulis:
X=A 1 .C
Oleh sebab itu penyelesaian sistem persamaan linear dapat dipergunakan untuk memeriksa
basil matriks (A) dan matriks Constan (C).
Metode Gauss
Metode Gauss dipergunakan untuk memperoleh invers dan sistem penyelesaian persamaan
dengan simultan.
Langkah-langkahnya:
(1) Menyusun bentuk matriks A dan matriks identitas dari order yang sama seperti A dan
matriks konstan C, atau:
[2 11 0~
[A I I I C] = 3 -2
5]
o1 I 11
(2) The elementary row operations (lihat bagian bawah) pacta tiga matriks dalam bagan
sehingga matriks A menjadi matriks I.
Matriks I dan C yang lama, sekarang masing-masing disubstitusikan dengan A atau A- 1dan
penyelesaiannya ditunjukkan dengan X, dengan demikian kita dapat mengubah bentuk
bagan pertama:
[A I I I C] ke dalam bagan akhir [I I A 1 I X]
288
~-------------------------
2
[3
oI
1
--
5]
11
1 0 1217 1/71 3
[ 0 1 317 -2/7 -1
(b) Sebuah baris boleh ditambah atau dikurangi dengan basil dari angka riil, yang
dikalikan dengan baris lainnya. Baris kedua dalam bagan pertama:
3, -2, 0, 1, 11, boleh diubah menjadi baris baru dengan mengurangkan basil dari
angka rill 3 dikalikan dengan baris baru yang kesatu (baris lama yang ke satu jika
diinginkan), atau:
..... (1)
3
-2
0
1
11
Baris ke dua yang lama
3(1) 3( 112) 3(1/2) 3(0) 3(5/2)
3 x baris ke satu yang baru
..... (2)
Baris kedua yang baru
-712
-312
7/2
Cara mengubah bentuk matriks bujur sangkar ke dalam matriks identitas (I) telah
diselesaikan secara sistematik. Sistem untuk mengubah elemen matriks A dari kolom ke
kolom, dari kiri ke kanan. Dalam masing-masing kolom.
Pertama mengubah elemen-elemen yang sesuai untuk mempero1eh diagonal utama dari
matriks identitas menggunakan row operation (a). Selanjutnya semua elemen yang lain
dijadikan 0 dengan menggunakan row operation (b).
Contoh 9:
Misalkan sistem dari dua persamaan:
2x +y = 5
3x- 2y = 11
Koefisien matriks
Penyelesaian:
( 1) Bagan pertama ditulis:
289
[A I I I C] = [ 3 -2
o1 I 115]
.... (1)
..... (2)
b.
1
2
5
2
.... (1)'
7
2
3
2
7
2
.... (2)'
i.
j_ 0
2
menjadi
7
-2
a.
1
Mengubahelemenkeduayaitu(-7/2)kedalambaris(2)' menjadi 1 menggunakan
operasi (a).
Baris (2)' x (-7/2) atau Baris (2)' x (-217}:
0 1 317 -217 -1 ........ (2)"
b.
290
,--------------
--
Malca:
A-1=
2
7
1
7
3
7
2
7
291
Penyelesaian:
(1) Bagan pertama ditulis:
[AIC] =
8a 30h 136c I 40
30a 136h 684c I 178
136a 684h 3652c 1902
l ..
(1)
.... (2)
.... (3)
3,75
23,50
174,00
17
174
1340
5l
28
222
..... R(l)'
..... R(2)'
.....R(3)'
30 136,00
30 112,50
684
510
178
150
23,50
174
28
--0
2.
R(3)
136xR(l)'
136
136
684
510
3652
2312
902
680
Kurangkan
174
134
222
292
------------
-10,765956
7,404255
51,659630
0
1
0
0,531916
1,191489
14,680914
.....R(l)"
.....R(2)"
..... R(3)"
R(1)'
3,75 x R(2)"
1
0
3,75
3,75
17
27,765956
4,468084
Kurangkan
-10,765956
0,531916
3.
R(3)'
174 x (R2)"
0
0
174
174
1340
1288,340370
222
207,319086
Kurangkan
51,659630
14,680914
0
0
1
menjadi
[1
0
1
0
0
0
0
0
1
3,591439]
-0,912689
0,284185
.....R(l)"'
.....R(2)"'
.....R(3)"'
1
0
0
0
-10,765956
-10,765956
0,531916
-3,059523
Kurangkan
3,591439
293
0
0
1
1
7,404255
7,404255
1,191489
2,104178
Kurangkan
-0,912689
a
Bagan akhir mempunyai: X= b
[c
l[
3,591439]
= -0,912689
0,284185
294
Dalam bab ini kita teruskan pembahasan tentang analisis korelasi dan regresi. Suatu
variabel dependen mungkin bertalian atau dihubungkan tidak hanya dengan satu variabel
independen tetapi juga dengan dua atau lebih variabel independen.
Analisis hubungan antara dua atau lebih variabel yang menyangkut korelasi berganda
dan korelasi parsial, dijelaskan pada sub bab 13.1 dan 13.2. Sebagai tambahan, hubungan dua
variabel dinyatakan dalam jenjang nilai diberikan dalam bab ini. Penjelasan korelasi jenjang
dibicarakan di sub bab 13.3.
13.1 REGRESI DAN KORELASI LINtER BERGANDA
Pada bagian ini akan dibicarakan metode-metode untuk menghitung hubungan linier
tiga atau lebih variabel. Jika variabel dependen dihubungkan dengan dua variabel independen
atau lebih, akan banyak hal yang dapat dicapai (dijabarkan) dari analisis bersama variabel
tersebut pada waktu bersamaan.
Dalam analisis regresi dan korelasi sederhana, hanya dua variabel di dalamnya, yaitu
variabel dependen dinyatakan dengan Y dan variabel independen dinyatakan dengan X.
Dalam analisis berganda, akan digunakan X yang menggambarkan seluruh variabel yang
tenp.asuk di dalam analisis. Hanya ada satu variabel dependen tetap yang dinyatakan dengan
XI. Variabel independen dinyatakan dengan X2, X3, x4, ... ,dan seterusnya.
Berdasar simbul yang baru, regresi linear sederhana:
Yc =a+ bX
dapat ditulis:
Untuk menyederhanakan dalam ilustrasi, hanya hubungan tiga variabel saja yang
dibahas dalam analisis berikut. Persamaan regresi dari X 1 pada dua variabel independen ~
dan x3 adalah:
295
..
..:~~ttrtentU.
'
'
I'
't
>
'''
'
Hl Bl"NG \N \ \RL\BEL
INI>EPENDEN
1X~ X,. X J' l
"
*)
Persamaan regresi ini dapat dengan mudah diperluas pada dua independent variabel atau
lebih. Sebagai contoh, persamaan regresi berganda dari X 1 dan variabel-variabel
independen x2, x3 dan x4 dapat ditulis :
x,c =a+ b
X2 + b 3 X 3 dan b 4 X4
Empat persamaan normal untuk memecahkan empat konstanta yang tak diketahui a, b2 ,
b3 , dan b4 , dapat ditulis sebagai berikut:
I. L(X 1)
= na + b2 L(~) + b 3 I,(X3) + b4 2:(X4 )
II. 2:(X 1 X2)
= a2:(X2) + b 2 I,(X 22) + b 3 I,I,(X2 X3) + b4 I,(X2X4 )
ill. I,(X 1 X 3)
=ai,(X3) + b2 I,(X2 X 3) + b 3 I,(X\) + b4 2:(X3 X4)
IV. I,(X 1 X4 )
= ai,(X4 ) + b2I,(X 2 X4) + b3I,(X3 X4 ) + b4 I,(X24)
Atau J.L1 =X, - X2 ; J.L2 = ~- X2 ; Jl3 =~ - ~; dan Jl4 =X4 - X4
Kemudian pemecahan tiga persamaan secara simultan untuk konstanta b 2, b 3, dan b 4
(Persamaan normal I menjadi 0 = 0)
Dari II
-- I,(x 1x 2) = b 22:(x\) + b 3 L(Xz x3) + b42:(x2 X4)
..... (1)
2
..... (2)
Dari
L(XIX3) = b2I,(x2x3) + b3 I,(x 3) + b4I,(x3 x4)
Dari IV
-- I,(x x) = b2 2:(x x) + b I,(x x) + b I,(x2)
..... (3)
m --
(bersambung ... )
296
Dari rumus di atas notasi variabel dependen X dan konstanta 'a' adalah sama. Huruf 'c'
menunjukkan nilai terhitung, sama seperti yang ditunjukkan oleh 'Y/. Angka dalam kurung
(23) menunjukkan (mewakili) variabel independen X2 dan X3 dalam analisis berganda.
Notasi dari koefisien b dipisahkan ke dalam dua kelompok yang terinci. Dua angka di
sebelah kiri titik disebut dengan notasi utama dan digunakan untuk menunjukkan variabel
dependen dan variabel independen yang berkoefisien b. Beberapa angka yang terletak di
sebelah kanan titik disebut notasi kedua dan digunakan untuk mengetahui variabel-variabel
independen yang lain yang termasuk di dalam persamaan regresi ganda.
Dengan demikian b 12 3 merupakan koefisien dari variabel independen X 2 yang
menunjukkan bahwa variabel dependennya adalah X 1 dan variabel independen yang lain
dalam persamaan adalah X 3 Jika ada dua variabel independen, X 3 dan X4 , di dalam
persamaan, koefisien dari X2 akan ditulis h 12.34 Seperti halnya h 13 .2 menunjukkan koefisien
dari variabel independen X3, variabel independen lainnya dalam persamaan adalah X2. Kita
akan menggunakan simbul yang disederhanakan agartidak menimbulkan kekacauan. Untuk:
bt23 = b2 dan bt32 = bJ.
Apabila konstanta a, b2 , dan b3 dalam persamaan (rumus 13.1), belum/atau tidak
diketahui, kita memerlukan tiga persamaan untuk pemecahannya. Tiga persamaan normal
berdasar pada metode least square dapat dikembangkan dengan cara yang sama seperti pada
kurva pangkat dua.
Misalkan:
XI= Y,
= na + b 2 _L(X2) + b3 L(X3)
L(X 1)
III. 1:(X 1 X 3)
(13.2)
(... sambungan)
14
24
34
Penjumlahan tiga di atas dihitung dari dua persamaan umum sebagai berikut :
1:(x2 ) = 1:(X2 )
I
.Lcxy
dan l:(x
n '
x) = .Lex
I
x)J - l:Xil:Xi
n
Standar deviasi (nilai) X 1 dari nilai terhitung X 1c dinyatakan dengan simbol S 1 23 , yang
menunjukkan bahwa angka pertama menunjukkan variabel dependen dan yang kedua
menunjukkan variabel independen. Nilai tersebut dihitung seperti cara menghitung deviasi
standar pada regresi sederhana, atau:
(13.3.a)
Ada metode lebjh mudah untuk menghitung standar deviasi tanpa perhitungan nilai (X 1
Metode ini diasajikan dalam rumus (10.3.b) dan dapat dinyatakan seperti berikut:
~X,/
S
1.23
(l3.3.b)*
Koefisien determinasi untuk korelasi berganda dapat dihitung dari varians S2 1 23 dengan
cara yang sama seperti untuk korelasi sederhana.
Biasanya dinyatakan dengan hurufbesar R dengan notasi yang sama seperti pada varian.
Standar deviasi nilai X 1 dari rata-rata X 1, dinotasikan dengan simbul S 1. Dengan demikian:
=l _
s2
1.23
sz t23
(1 3.4)
s2
I
Standar deviasi atau varian regresi berganda, selalu digunakan sebagai alat pendekatan
estimasi (taksiran) yang didasarkan pada persamaan regresi. Nilai L(X 1 - X 1Y menunjukkan
variasi yang tidak dapat dijelaskan atau tidak dapat diterangkan dengan memasukkan variabel
independen. Koefisien determinasi korelasi berganda sebagai halnya dalam korelasi sederhana
merupakanrasiodari variasiyangdijelaskanl:(X 1cX 1)2dari total variasinya.l:(X 1 X l seperti
ditulis dalam rumus (13.4). Dengan demikian semakin kecil deviasi standar nilai X 1 dari nilai
terhitung xlc berarti semakin kecil pula standar deviasi s I 23' Akan tetapi koefisien determinasi
R2 123 akan semakin besar, demikian pula koefisien korelasinya R 123
Contoh 1:
Empatkolom pertamadari tabel13.1 menunjukkanjumlah penjualan (X), pengalaman
betjualan (X2 ) dan IQ test (X3) dari 8 orang penjual pada suatu periode waktu tertentu.
Hitunglah:
(a) Persamaan regresi berganda.
(b) Standar deviasi dari regresi.
(c) Koefisien determinasi dan koefisien korelasi.
*)
Jika diperluas dengan memasukkan lebih dari satu variabel independe X4, standar
deviasinya adalah :
298
Catatan:
X 1 dan X 2 dalam contoh ini sama seperti variabel-variabel X dan Y dalam contoh 1 bab 12).
Tabel 13.1
II I
Tatum
PengI ala man
, \lenjual
IQ
test
XI
x2
X,
X'
. I
12)
(3)
(~)
(5)
l
1
.Jumlah
(Rp
)_1)()0,0()
3
3
5
8
Total
3
3
3
6
2
9
9
25
64
4
40
30
16
224
'
I
I
x,z
xzJ
XIX,
XIX\
X", X,
(6)
(7)
(Xi
I ')I
I lUi
36
54
16
9
36
4
136
1
1
9
9
38
18
!j.
10
' 6
,\ 1
4 ,'
12
15
48
18
2 ...
178
94
68
Penyelesaian:
Subtitusikan jumlah yang diperoleh pada tabel (13.1 ), ke dalam tiga persamaan normal,
rumus (13.2) sebagai berikut:
I. 8a + 30b2 + 16b3 = 40
II. 30a + 136b2 + 68b 3 = 178
III. 16a + 68b2 + 38 b 3 = 94
Tiga persamaan di atas dapat dipecahkan dengan metode eliminasi seperti yang
dibicarakan pada bab terdahulu atau dengan matrik aljabar. Penyelesaiannya adalah:
Jawaban untuk mencari b 2 dan b 3 dapat dipecahkan dengan memasukkan dua persamaan
berikut:
2,(x 1 x 2) = b2 (x\) + b3 (x 2 x 3) ..... (1)
2,(x 1 x 3) = b 2 (x 2 x 3) + b 3 (x\) ..... (2)
xl
Nilai yang diminta ditunjukkan dari dua persamaan dan terdapat pada tabel 13.1.
LX22 = LX22
L(X
X )
1
(LX/=
136
n
302
= 178 -
= L(X X ) - LXz-LX2
n
= 23 ,5
40(30)
8
= 28
8
4
b2 =-11 =0,7273; b = 111 = 1,3636
Bagilah persamaan normal I dengan n.
a
40
30
15
=s--u(g-)-Tf.
=a
16
= -0,4545
=- 0,4545; b2 =0, 7273; b3 = 1,3636
X2
xlc
300
= 6, dan X3 = 3
= -0,4545 + 0,7273(6) + 1,3636(3)
Dengan cara yang sama nilai X 1c untuk salesman yang lain dapat dihitung dan tampak
dalam kolom (5) tabel 13.2.
Standar deviasi dari regresi dihitung dari variasi seperti terlihat pada kolom (7) tabel 13.2.
Tabel8.2
Data dan Perhitungan untuk X1c dan Standar Deviasi
dari Regresi S 1.23- Contoh 1 (b)
Penjual
'
x,
IIl
(2)
A
B
9
6
4
3
3
5
G
H
8
2
Total.
40
D
E
'I
X,
!3)
xl
("')
-0,-'5-15 + 0, 727 J X2 +
1,."\636 X,= X 1,
!5)
x,-( (J)'"
i\: 1
- \<I
ill
'
6
5
3
1
2
l
1
8,00
5,91
4,45
1.64
1.00
0,09
-0,45
1,36 '
-0,82
-0,82
0,00
3
1
3,82
5,82
8,00
2,36
30
16
40,00
0,00
3
6
-0,36
1,00
0,01'
0.20
1,85
,,
0,67''
0,67
'0;00. ,,
0,13, "
'
4,53
J
=J
SJ 23 =
4 5 22
:
=,; 0,56778 = 0,75
301
Ini merupak:an ukuran dispersi yang berdasarkan pada hubungan linier antara penjualan
dan dua variabel independen, yaitu lama (tahun) pengalaman berjualan dan tingkat kecerdasar
(IQ) para penjual. Nilai (S 1 23 =0,75) lebih kecil dari hubungan linear yang didasarkan pacta
satu variabel, antara jumlah penjualan dengan pengalaman berjualan (Syx = 1,15). Pacta
umumnya persamaan regresi berganda memberikan penafsiran yang lebih baik daripada
persamaan regresi sederhana.
Lebih lanjut kita bandingkan individual deviasi kuadrat (X 1 - X 1 yang didasarkan pada
regresi berganda pada tabel 13.2 dengan deviasi kuadrat yang didasarkan pacta regresi
sederhana pacta tabel 10.2. Estimasi menggunakan Yc untuk salesman C dan D, lebih
mendekati kenyataan penjualan (Y atau XI) daripada estimasi dengan xlc Akan tetapi
estimasi dengan X 1c untuk keenam salesman yang lain lebih mendekati kenyataan dibanding
dengan Yc. Sebagai contoh, perkiraan jumlah salesman E yang mempunyai 4 tahun pengalaman
berjualan (X2 = 4) dan nilai tes kecerdasan IQ (X3 = 1) adalah Rp3.820,00 (Xlc 3,82 x
Rpl.OOO,OO X unit). Taksiran/estimasi ini mendekati kenyataan penjualan salesman E (X 1 =
Rp3.000,00) daripada estimasi yang dibuat pada Bab 10 (Yc 5,29 = Rp5.290,00) tanpa
memasukkan nilai tes kecerdasan ke dalam persamaan.
$2
=~
::= 1 !.23
S2,
0,56625
5,5
="
Nilai R 123 2 dan R 1 23 dapat ditafsirkan sama sebagai r2 dan r untuk korelasi sederhan a. J adi
variasi 90% dari jumlah penjualan (X 1) berhubunganldijelaskan oleh variasi pengalaman
berjualan (X 2) dan nilai tes kecerdasan (X3) penjual berdasarkan persamaan regresi berganda.
Hubungan linier antara X 1 dan dua variabel independen X2 dan X 3 untuk contoh 1
(digambarkan pada diagram 1). Bagian I dari diagram terlihat satu porsi dari variabel X 1c
dua syarat utama persamaan regresi atau -0,4545 + 0,7273 X 2 (= X 1c- 1,3636 X 3 ) di mana
variabel X2 menunjukkan 0, 1, 2, 3, 4, 5, dan 6.
Sebagai contoh:
Jika
x2 =0
X2 1 _
X2 = 6 _
x3.
302
Jika X 3
= 3,9093 + 1,3636(3)
= 3,9093 + 4,0908
= 8,0001 atau dibulatkan menjadi 8.
=8 atau X
Apabila data tertentu dipakai sebagai sampel untuk estimasi parameter populasi,
estimator yang tidak bias dari parameter dapat digunakan. Juga rumus umum untuk estimator
yang tidak bias akan diperoleh dalarn cara yang sama seperti tertera pada Bab 11.*)
*)
Sebagai contoh, rumus (yang didasarkan pada rumus 11.1) dan perhitungan (berdasarkan
data yang diberikan contoh 1 sebagai sampel) sebagai estimator standar deviasi populasi
dari regresi berganda adalah :
l<Xl - xly =
n- rn
J n~m J 8 ~ 3
4,53 = o906 = o 95
8-3
'
'
=0,75.v'1,60=0,95
m=3
bilamana konstantan dalarn persamaan regresi (a, b2 dan b). Rumus (yang didasarkan
pada rumus 11.5) dan perhitungan (berdasar pada data di atas) untuk mengestimate
koetisien determinasi populasi pada korelasi berganda adalah :
A
S2 L23 = 1 -
S2
s~
23
0,906
= 1- 6 2857
'
2
1 23
44 - 6 2857 (h 1 d
- ,
a .... engan X 1 -- Y)
= v'0,85586 = 0,93
szt23
n- 1
3
2
X2
Bagan II_ menyajikan seluruh nilai X,c (pengaruh dari X3 termasuk) atau X,c = (-0,4545 +
0,7273X2 + 1,3636X3 =Bag. I+ 1,3636X).
x,
8 ,----,----,-------,
x,
Xi
6 X2=6
eA
8 ,------,,-----,,-----,.
8 ,----,--,-----,
(... sambungan)
Untuksampel besar, standar kesalahan taksiran koefisien korelasi adalah Uuga lihat
rumus 11.6).
1- R2
SR = n _ mdi mana R menunjukkan Rl.23 dan m = 3.
304
Apabila tiga atau lebih variabel terlibat dalam analisis korelasi, korelasi antara varibel
dependen hanya dengan satu variabel independen khusus disebut korelasi parsial atau
korelasi neto. Pengaruh variabel independen yang lain bersifat konstanta dalam analisis
korelasi parsial.
Koefisien deterrninsai parsial untuk pengukuran korelasi antaraX 1 dan X3, dan X 2 adalah
konstan, dinotasikan dengan simbol r2 13_2 Hasil dari pengakarannya disebut dengan koefisien
korelasi parsial atau r 13 2 Suku pertama menunjukkan variabel-variabel untukkorelasi parsial
yang dihitung, dan suku ke dua menunjukkan variabel yang (dianggap) konstanta. Rumusnya
adalah:
r 2 132
S2
=1- ~
sz
(13.5)*
12
= 1_
sz 1.2 - S2 t.23
sz
1.2
*)
12.3
=1-
sz
123
sz
r 12 34 =1- sz1.234
134
305
berganda. Dalarnhal ini korelasi parsial sempurna antara X 1 dan X 3 dan nilai X 2 konstan. Jika
varian yang tidak dijelaskan X 2 12 besar, memasukkan X 3 mempunyai harapan tinggi
(sepanjang dapat dikontribusikan) untuk dapat menerangkan varian X1 dalam analisis
korelasi berganda.
Contoh 2:
Berdasarkan data yang diberikan pada contoh 1, hitunglah korelasi parsial antara X 1
(jumlah penjualan) dan~ (tingkat kecerdasan) apabila (pengalaman beijualan) merupakan
konstanta.
x2
Penyelesaian:
S\_23 = 0,56625 dan S\_2 = 1,33
Substitusikan rumus di atas (13.5)
2,33
*)
8-3
Pengujian dengan alfa (5%) t =2,571 di mana D =n- 3 =5. Nilai t hitung =2,605 lebih
besar dari nilai t tabel. Dengan demikian koefisien dari korelasi parsial r 13 2 = 0, 76
signifikan. Dapat ditrik kesimpulan variabel X 3 (nilai IQ) dapat dimasukkan untuk
mengestimasi jumlah jumlah penjualan dari tiap-tiap penjual.
Standar error dari koefisien korelasi parsial yang didasarkan rumus ( 11.6) dapat ditulis
sebagai berikut :
Sr
13.2
Jt -
r2!32
n _2
306
Tanda koefisien korelasi parsial r diambil dari tanda hubungan koefisien regresi b. Tanda
r 13 .2 sama dengan b 13 .2 atau b 3 dan tanda positip seperti contoh ini (b 3 = +1,3636), seperti halnya
tanda r 12 3 akan sama seperti b 12 3 atau bzKoefisien determinasi parsial dapat dihitung dengan cara yang berbeda, sebagai berikut:
r 213.2 =
1,33 - 0,56625
1,33
0 6 6 25
=atau dibulatkan menjadi 57%
33
'
Nilai0,76375adalahpenguranganjumlahvarianyangtidakdijelaskandenganmenambah
variabel X 3 pada regresi ganda. Dengan kata lain, bagian varian X 1 yang tidak dijelaskan oleh
X 3 , apabila X 2 konstan atau tidak berubah dalam analisis berganda. Kemudian, interpretasi
dari r\ 3.2 adalah 57% dari jumlah varian penjualan, dijelaskan oleh tingkat kecerdasan (IQ
test) dari penjual dan bukan oleh lama pengalaman berjualan.
13.3 KORELASI JENJANG
Hubungan an tara dua variabel dapat dianalisis dengan mencatat jenjang dari nilai-nilai
setiap variabel. Penilaian dapat diukur berdasar kuantitas, kualitas, atau standar keselarasan
masing-masing. Keuntungan menggunakan data yang diurutkan dalam analisis hubungan
antara lain:
(1) Cara perhitungan untuk hubungan data yang diurutkan dinamakan Koefisien Korelasi
n(n2- 1)
(13.6)*
Distribusi sampling dari rk simetris di sekitar nol dan an tara -1 dan +1. Untuk sampel
kecil, distribusinya tidak normal. Akan mendekati kurve normal, apabilajumlahjumlah
(bersambung ... )
sampel (n) diperbesar. Standar error dari rk adalah:
307
Contoh 3:
Tabel berikut ini menunjukkan basil tes pertama dan kedua dari tujub mahasiswa yang
menempub ujian statistika ekonomi (diberikan pada kolom 2 dan 3 pada tabell3.3). Urutan
nilai dari dua tes diberikan dalam kolom 4 dan 5, diurutkan dari nilai tertinggi ke nilai
terendab. Hitunglah koefisien korelasi jenjangnya.
Tabell3.3
Crutan Nilai
..
~-~--~~---
-----~
Pel ajar
Tes I
I
Pertama,
y
Tes
Kcdua
X
Tes
Pcrtama
y
(4)
Tcs
Kcdua
X
(5)
d=Y-X
= (4)- (5)
d2
(6)
(7)
4.
-2
l
2
4
1
4
-2
-1
0
1
0
18
{I)
(2)
(3)
90
81
65
69
94
97
60
94
66
69
87
72
89
4
6
5
2
1
6
5
3
4
64
c
0
E
F
G
Total
Penyelesaian:
Nilai basil perbitungan didapat dari tabel 13.3. Besarnya .l,d2
(13.6):
rk = 1 -
1
~
\
7 7 ~)1 ) = 1 - 0,32 =0,68
Nilai rk adalab an tara+ 1 dan -1. Apabilarangking dari basil nilai ujian pertama dan kedua
identik bagi setiap mabasiswa, atau d = Y - X = 0, _d 2 akan nol, dan rk = + 1. Berarti rk
menunjukkan korelasi positif sempurna an tara dua kelompok jenjang nilai. Apabi!a jenjang
yang dapat digunakan analisa sampling apabila n besar, katakan 20 atau lebib.
308
Contoh 4:
V ariabel Y dan X dalam kolom (2) dan (3) pada tabel di bawah menunjukkan data yang
sama pada contoh 1, Bab 12. Hitunglah koefisien korelasi jenjangnya.
Tabel13.4
.)umlah
J>cnjualan
.Jumlah
Pcnjualmi
y
())
(2)
(J)
(.tl
A
B
Rp9.000
6.000
4.000
3.000
3.000
5.000
8.000
2.000
5
3
1
4
3
c
D
E
F
H
*)
**)
***)
1,0
3,0
5,0
6,5*
6,5*
4,0
2,0
8,0
Pcngalanmn
Berjualan
(5)
Y-\
(.ti-
d'
(5)
1,5**
3,0
5,5***
8,0
4,0
5,5***
1,5**
7,0
((l)
OJ
-0.5
0,0
0,2S
0,00
-0,5
0,25
-1,5
2,5
-1,5
0,5
1,0
2,25
6,25.
2,25
0,25
1.00
Penyelesaian:
Substitusikan 2.d 2 = 12,5 dan n
14.1PENYAJIAN DATA
1.
Pemeriksaan yang dilakukan terhadap 100 bukti transaksi penjualan PT Mrican Berdikari
yang dipilih secara acak dihasilkan data yang dapat dirinci seperti berikut:
45
22
~22
35
41
20 ..
. 34
. 33
37
. 23
21
48
39
20
18
53
32
30
15
40
43
23
22
45
21
22
33
27
16
29
22
17
25
12
17
15
34
23
29
14
19
36
11
12
24
19
24
16
31
21
20
18
9
7
27
10
19
24
30
24
27
49
22
23
24
20
21
10
44
13
31
47
25
52
28
23
23
28
44
17
23
38
24
27
32
42
13
37
20
28
21
21
38
59
36
22
40
25
35
27
310
Hingga tanggal31 Desember 1993, jumlah pelanggan PT Buana Lang-lang yang belurn
memenuhi kewajibannya (hutang) berjumlalr-25 pelanggan. Nilai sal do piutang dari para
pelanggan tersebut dapat dirinci seperti berikut ini: .
195.000
127.000
78.000
143.000 .
156.000
205.000
154.000
169.000
134.000
. 88.000
a.
b.
c.
3.
184.000
168.000
170.000
118.000
92.000
126.000
286.0()()
54.000
233.000
192.000
208.000
241.000
:,
221.000
99.000
159.000
Dengan menggunakan batas kelas paling bawah sebesar 50.000 dan interval kelas
sebesar 40.000 susunlah distribusi frekuensi yang dilengkapi dengan frekuensi
relatipnya.
Susunlah distribusi frekuensi kumulatip "kurang dari"
Gambarkan ogivenya (lihat jawaban pertanyaan b).
.Jumlah
59.500
69.500
79.500
89.500
99.500
109.500
119.500
Kar~a\\an
3
10
20
25
15
12
88
Jurnlah
1.
57
86
13
10
35
26
21
20
28
104
40
45
14
19
19
11
42
21
7
12
38
72
32
20
311
Limapuluh rekening tabungan harlan pada PT Bank Artha Rodeo yang dipilih secara
acak diperoleh saldo yang qitunjukkan melalui diagram berikut ini:
25
12
4
0
99,5
312
109,5
119,5
129,5
139,5
149,5
159,5
Suatu sampel yang terdiri dari 20 karyawan unit produksi perusahaan Balapanos.
menerima gaji per bulan seperti yang ditunjukan berikut ini:
112.000
112.000
112.000
112.000
112.000
112.000
112.000
112.000
124.000
124.000
132.000
132.000
144.000
144.000
152.000
160.000
164JJOO ->
180.000 -_-
184.000 ,,
192.0
Distribusi usia 60 pelamar karyawan PT Seturan Indah dapat diringkas sebagai berikut:
.lumlah Pdamar
18 ~ 19,5
20-21,5
22-23.5
24-25,5
26-27,5
28-29,5
10%
Jumlah
lS~
20%
''
'
25%
20%
10%
100%
313
5.
Selama semester pertama tahun 1993, 70 tenaga penjual jasa pada PT Asuransi
Selayang Pandang berhasil menarik sejumlah nasabah yang menandatangani kontrak
asuransi. Total nilai kontrak yang diraih keenampuluh tenaga penjual tersebut
ditunjukkan berikut ini:
Tenaga Penjual
6
11
15
5.000.000- 14.500.000
15.000.000- 24.500.000
25.000.000- 34.500.000
35.000.000 - 44.500.000
45.000.000- 54.500.000
55.000.000 - 64.500.000
16
15
7
~--------~--~-------4~
Jumlah
6.
PT Globe Dunia adalah sebuah perusahaan yang bergerak di bidang jasa pengiriman
barang (paket) internasional. Dalam menentukan tarip per kilogram kiriman, PT Globe
Dunia mengklasifikasikan menurut kelas pengiriman. Berikut disajikan data kelas
pengiriman, tarip berat, dan berat kiriman selama tahun 1993:
Tarip
Berat
Kelasiii
Rp 1.500,00/kg
4.500kg
Kelasll
Rp2.200,00/kg
7.650kg
Kelasl
Rp2.900,00/kg
4.100 kg
PaketUdara
Rp5.300,00/kg
2.900kg
Rp6.300,00/kg
1.300kg
Rp9.600,00/kg
970kg
Kdus
314
70
1-.."-"-"""~""""""~
2.000 ton
a.
b.
c.
rsssss':'ssss".......SSSSSSSSSSSSSSJ
3.700 ton
14.3UKURAN VARIABILITAS
1.
315
Cabang Bandung:
260.000
. 726.500
870.000
826.500
400.000
795.000
1.600.000
505.000
980.000
1.960.000
797.500
885.500
1.152.500
856.000
797.000
Cabang Surabaya:
785.000 . 826.000
810.500
896.000
879.500
2.
Suatu survei dilakukan untuk mengetahui rata-rata pengeluaran per bulan sekelompok
keluarga yang menempati kompleks perumahan Graha Pogung. Penelitian dilakukan
terhadap 50 keluarga dan hasilnya dapat dirinci seperti berikut:
.Jumlah Kelumga
so
46
39
29
14
Jumlah
so
316
3.
Perhatikan Soal 1. Dari soal tersebut Anda diminta menentukan deviasi standar untuk
kedua rangkaian di atas.
4.
Sebuah penelitian dilakukan untuk mengetahui variabilitas gaji yang dibayarkan kepada
100 karyawan di dua perusahaan. Ringkasan datanya ditunjukkan pada tabel.
Dari ringkasan data tersebut:
a. Dengan menggunakan metode pengkodean, tentukan rata-rata gaji di kedua
perusahaan tersebut.
b. Dengan menggunakan titik-titik tengah sebagai penaksir data asal, tentukanlah
variasi, dan deviasi standar ringkasan data di atas.
c. Lihat jawaban pertanyaan b di atas. Manakah yang lebih merata antara gaji
karyawan PT Arum Manis dan PT Pring Indah? Jelaskan.
Distribusi Frekuensi Gaji yang Diterima
100 Karyawan PT Arum Manis
Gaji
.Jumlah
Kar~<man
50.000- 59.900
60.000- 69.900
70.000- 79.900
80.000- 89.900
90.000- 99.900
100.000- 109.900
110.000- 119.900
30
Jumlah
100
12
18
18
12
5
2
9
50.000- 59.900
60.000- 69.900
70.000- 79.900
80.000- 89.900
90.000- 99.900
100.000- 109.900
110.000- 119.900
38
Jumlah
100
20
20
9
2
317
5.
PT Otista Swalayan adalah sebuah perusahaan besar yang bergerak di bidang pengelolaan
pasar swalayan. Untuk keperluan strategi penjualan, rnanajer pernasaran PT Otista
Swalayan ingin rnengetahui besar pengeluaran pelanggan Pasar Swalayan Otista cabang
Yogyakarta dan Malang. Hasil penelitiannya ditunjukkan pada tabel.
Berdasarkan dua tabel tersebut:
a. Tentukan rata-rata pengeluaran pelanggan di kedua pasar swalayan tersebut.
b. Tentukan deviasi standar kedua ringkasan data tersebut.
c. Dari jawaban pertanyaan b di atas, rnanakah ringkasan data yang lebih rnerata?
Jelaskan.
d. Tentukan koefisien variasi kedua ringkasan data di atas. Apa kesirnpulan basil
perhitungan Anda?
Bcsar Pcngduaran
.Jumlah Pelanggan
I
10.000- 19.900
20.000-29.900
30.000-39.900
40.000- 49.900
50.000 - 59.900
60.000- 69.900
4
9
11
13
9
4
Jumlah
50
Besar Pcngeluaran
318
.Jumlah Pelanggan
30.000- 39.900
40.000-49.900
50.000- 59.900
60.000- 69.900
70.000- 79.900
80.000- 89.900
2
4
16
19
6
4
Jumlah
50
14.4ANGKA INDEKS
1.
Dari catatan PT Indah Kopi Manis, produsen kopi bubuk cap Indah Manis, berhasil
diperoleh data perkembangan harga dan volume penjualan kopi bubuk kemasan 1
kilogram selama tujuh tahun terakhir ( 1987 - 1993 ). Perkembangan harga dan volume
disajikan berikut ini:
1987
1988
.1989
1990
1991
1992
1993
12,000,00
11500,00
12.000,00
13.500,00
15.600,00
17.250,00
20.500,00
10.200
11.600
10.100
12.670
14.100
13.900
14.000
Harga em pat merk teh yang dijual Fa. Teh Sedap selama empat tahun terakhir disajikan
pada tabel berikut ini:
l\lerk
1990
1991
191J2
199.~
DandanPeni
450
425
475
550
Kembang Indah
375
375
425
400
Apelanis
400
425
400
475
Bentang Indah
525
625
600
575
319
3.
Berikut disajikan informasi perkembangan harga dan volume penjualan kopi bubuk
(k.ernasan 500 gram) yang dijual Pasar Swalayan Hera:
1991
\lui,
-
1992
t
---~
--
----~
t9'H
-
-~
----
Barga
\ olume
Haq~a
Volume
llarga
\ olunw
Maracana
2.200
8.270
2.200
10.100
2.600
9.850
Robistana
1.800
9.800
2.100
9.700
2.300
10.000
Khaliana
2.300
6.200
2.200
9.200
2.400
8.900 '
4.
Dari catatan Balapan Stationary, perkembangan harga dan volume penjualan ditunjukkan
sebagai berikut:
19X7
19SX
19X9
1990
HVS 40 miligram
800
1.050
1.150
1.550
HVS 60 miligram
1.050
1.250
1.600
1.950
HVS 80 miligram
1.400
1.600
2.000
2.400
320
19X7
1988
19X9
1990
HVS 40 miligram
4.600
3.950
4.300
4.600
HVS 60 miligram
5.200
5.000
5.500
5.400
HVS 80 miligram
6.100
7.200
7.100
8.000
Berikut ini disajikan serangkaian data rata-rata gaji yang diterima karyawan PT Nirwana
per bulan dan indeks harga konsumen selama enam tahun:
Tahun
trupiahJ
(19XS:::IOOJ
126.500,00
132.600,00
140.500,00
182.200,00
185.700,00
189.500,00
100
108
1988
1989
1990
1991
1992
1993
118
ll6
120
127
Dengan menggunakan tabel tersebut, tentukan rata-rata upah nyata (upah riil) yang
diterima karyawan PT Nirwana.
14.5ANALISIS RUNTUT WAKTU, REGRESI, DAN KORELASI
1.
1981
1982
1983
1984
1985
1986
1987
1988
1.200
1.100
1.400
1.750
1.600
1.700
1.850
2.100
321
2.
Untuk memprediksi volume penjualan, salah satu data penting yang harus diketahui
adalah perkembangan permintaan produk tersebut. Dari catatan BAPPEDA suatu
kabupaten diperoleh informasi bahwa perkembangan permintaan rumah sederhana tipe
RSS 21 selama tujuh tahun terakhir seperti yang di:;ajikan pada tabel berikut ini:
1982
1983
1984
1985
1986
1987
1988
4.250
5.260
. 5.100
5.400
5.700
5.600
5.950
Dari data perkembangan permintaan rumah tipe RSS 21, prediksilah permintaan rumah
tahun 1989.
3.
Berikut disajikan data perkembangan deviden yang dibayarkan kepada para pemegang
saham oleh PT Wulansari:
1990 - 1.890
1985 - 1.800
1980 - 1.650
1986 - 1.850
1991 - 1.880
1981 - 1.760
1992 - 1.830
1982 - 1.700
1987 - 1.950
1988
1.900
1993 - 1.800
1983 - 1.780
1989 - 1.980
1984 - 1.880
Semakin banyak data yang digunakan untuk memprediksi, seperti yang terlihat pada
rincian deviden yang dibayarkan tersebut, maka kecenderunagan linier akan semakin
berkurang. Kecenderungan tersebut berubah menjadi secaranonlinier, misalnyakuadratik
yang memiliki bentuk umum persamaan Y =a+ bX + c.X2
a. Ada tiga persamaan normal yang digunakan untuk menentukan konstanta a, b, dan
c. Tulislah ketiga persamaan tersebut.
b. Jika X dalam ketiga persamaan normal tersebut adalah skala kode tahun yang
jumlahnya sama dengan nol (0), maka tentukan perubahan yang terjadi pada ketiga
persamaan normal tersebut di atas.
c. Dari jawaban b, tentukan ketiga konstanta tersebut, dan susunlah persamaannya.
4.
Ada anggapan sementara bahwa jumlah lembar karcis gedung bioskop Balapan Theatre
dipengaruhi oleh masa-masa ujian bagi mahsiswa, karena sebagian penonton Bapalan
Theatre adalah mahasiswa. Hal ini dibuktikan dengan pola perkembangan penjualan
lembar karcis seperti berikut:
Tl'i\\ ulan
1985
1986
1987
1988
21.500
13.600
26.750
12.100
21.700
15.850
27.000
14.450
24.120
16.600
30.900
16.650
26.550
18.800
33.750
18.450
n
m
IV
322
--------------------------
--
' '
' '
,,
'
''
Untuk keperluan perencanaan dan pengendalian laba dimas a yang akan datang, manajer
Bapalan Theatre memutuskan untuk menggunakan Metode Rasio untuk Rata-rata
Bergerak selama tiga triwulanan. Dari informasi-informasi di atas:
a. Tentukan rasio (persentase) data asli terhadap rata-rata bergerak 3 triwulan.
b. Dengan menghilangkan rasio tertinggi dan terendah, tentukan rata-rata persentase
per triwulannya.
c. Jumlah rata-rata persentase per triwulan tersebut harus sama dengan 400%. Jika
tidak, sesuaikanlah agar jumlahnya menjadi 400%.
5.
6.
c
D
E
F
G
H
I
J
K
L
M
N
0
'
Pcnghasilan
1\ilai Pcmlwlian
(rupiahl
'
(ntpiahl
312.000
164.000
280.000
190.000
200.000
288.000
146.000
361.000
361.000
149.000
252.000
48.000
32.000
40.000
34.000
30.000
50.000
26.000
50.000
48.000
22.000
43.000,
187.000
202.000
29.000
235.000
41.000
289.000
40.000
35.000
323
Dari pengamatan manajer pemasaran PT Mataram Raya, biaya iklan yang dikeluarkan
berhubungan dengan nilai pembelian yang diperoleh. Untuk nieyakinkan pengamatan
manajer tersebut, dikumpulkanlah data historis tentang biaya iklan dan nilai penjualan
selama sepuluh tahun seperti berikut ini:
l'ahun
Bia~
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
3.600.000
2.600.000
1.200.000
4.000.000
2.400.000
1.800.000
3.000.000
3.000.000
1.400.000
16.000.000
a I klan
(rupiah)
1\ilai Pl'njualan
(ntpiah)
54.000.000
30.000.000
28.000.000
40.000.000
36.000.000
30.000.000
38.000.000
46.000.000
3.400.000
42.000.000
324
OAFTAR PUSTAKA
1.
2.
3.
4.
Mendenhall, William, etc., Statistics for Management and Economics, Sevent Edition,
Duxbury Press, Belmont, California, 1993.
Sanders, Donald H., Statistics: A Fresh Approach, Fourth Edition, McGraw-Hill Book
Company, Singapore, 1990.
Spiegel, Murray R., Theory and Problems of Statistics in Sf Units, Me-Hill Book
Company, Singapore, 1972.
Triola, Mario F., Elementary Statistics, The Benjamin/Cummings Publishing Company
Inc., Menlo Park, California, 1980.
325
(Lampiran)
.00
.01
.02
.03
.04
.05
.06
.o7
.08
.09
0.0
0.1
0.2
0.3
0.4
.0000
.0040
.0438
.0832
.1217
.1591
.0080
.0478
.0871
.1255
.1628
.0120
.0517
.0910
.1293
.1664
.0160
.0557
.0948
.1331
.1700
.0199
.0596
.0987
.1368
.1730
.0239
.0636
.1026
.1406
.1772
.0279
.0675
.106
.1443
.1808
.0319
.0714
.1103
.1480
.1844
.0359
.0745
.1141
.4512
.1879
0.5
0.6
0.7
0.8
0.9
.1915
.2257
.2881
.3159
.1950
.2291
.2612
.2910
.3186
.1985
.2324
.2642
.2939
.3212
.2019
.2357
.2673
.2967
.3258
.2054
.2389
.2704
.2995
.3264
.2058
.2423
.2734
.3023
.3289
.2125
.2434
.2764
.3051
.3315
.2157
.2486
.2794
.3078
.3340
.2190
.2518
.2823
.3106
.3365
.2224
.2549
.2852
.3133
.3389
1.1
1.2
1.3
1.4
.3413
.3645
.3849
.4052
.4192
.3458
.3665
.3869
.4049
.4207
.3461
.36865
.3888
.4222
.3485
.3708
.3907
.4082
.4236
.3508
.3729
.39235
.4098
.4251
.3331
.3749
.3944
.4115
.4265
.3554
.3770
.3962
.4131
.4239
.3577
.3790
.3941
.4147
.4292
.3399
.5810
.3991
.4162
.4306
.3671
.3830
.4015
.4177
.4319
1.5
1.6
1.7
1.8
1.9
.4332
.4452
4534
.4641
.4713
.4345
.4463
.4564
.4649
.4719
.4357
.4474
.4457
.4346
.4726
.4370
.4484
.4582
.4664
.4732
.4382
.4495
.4391
.4671
.4738
.4394
.4305
.4399
.4678
.4744
.4406
.4515
.4608
.4686
.4730
.4418
.4325
.4616
.4693
.4736
.4429
.4335
.4625
.4699
.4761
.4441
.4545
.4633
.4706
.4767
2.0
2.1
2.2
2.3
2.4
.4772
.4821
.4861
.4893
.4918
.4778
.4826
.4864
.4896
.4920
.4783
.4830
.4868
.4898
.4922
.4788
.4834
.4871
.4901
.4923
.4795
.4838
.4875
.4904
.49227
.4798
.4842
.4878
.4906
.4929
.4803
.4846
.4881
.4909
.4931
.4808
.4830
.4884
.49ll
.4932
.4812
.4834
.4887
.4913
.4954
.4817
.4857
.4890
.4916
.4936
2.5
2.6
2.7
2.8
2.9
3.0
.4938
.4953
.4965
.4974
.4981
.4987
.4940
.4955
.4966
.4975
.4982
.4987
.4941
.4956
.4967
.4976
.4982
.4987
.4943
.4957
.4968
.4977
.4983
.4988
.4945
.4959
.4969
.4977
.4984
.4988
.4946
.4960
.4970
.4978
.4984
.4989
.4938
.4961
.4971
.4979
.4985
.4989
.4949
.4962
.4972
.4979
.4985
.4989
.4951
.4963
.4973
.4980
.4986
.4990
.4952
.4964
.4974
.4981
.4986
.4990
.0398
.0793
.1179
.1334
1.0
.2540
.4066
Sumber: Paul G. Hoel and Raymond T. Tessen: Basic Statistics for Business and Economics Table IV: Areas of
a Standard Normal Distribution.
326
Luas
)l-4.763 Q
J.1-3.090Q
J.l- 2.576Q
J.1-2.326Q
.0001
.0001
.001
0.05
.01
-2.054
- 1.960
- 1.881
- 1.751
- 1.643
J.1-2.034Q
J.1-1.960Q
J.l-1.881 Q
J.l-1.751 Q
J.l- 1.645 Q
.02
.025
.03
.04
.05
).!).!).!).!).!-
.06
Luas
1.05
1.10
1.16
1.20
1.25
Jl + 1.05 Q
Jl+ l.IOQ
J.1+1.15Q
J.l+ 1.20Q
J.l+ 1.25 Q
.8531
.8643
.8749
.8849
.8944
-4.265
-3.719
-3.090
-2.576
-2.326
1.30
1.35
1.40
1.45
1.50
Jl+ 1.30Q
Jl + 1.35 Q
Jl + 1.40 Q
J.l+ 1.,45 Q
Jl +' 1.50 Q
.9032
.9115
.9192
.9265
.9332
1.55
1.60
1.65
1.70
1.75
Jl +
Jl+
Jl +
Jl+
Jl +
1.55 Q
1.60Q
1.65 Q
1.70Q
1.75 Q
.9394
.9452
.9505
.9554
.9599
1.80
1.85
1.90
1.95
2.00
Jl+ 1.80Q
Jl + 1.85 Q
Jl+ 1.90Q
Jl + 1.95 Q
).!+2.00Q
.9641
.9678
.9713
.9744
.9772
2.05
2.10
2.15
2.20
2.25
Jl+ 2.05 Q
Jl+ 2.10Q
)l+2.15Q
Jl+ 2.20 Q
Jl + 2.25 Q
.9798
.9821
.9842
.9861
.9878
.253
.126
0
.126
.253
Jl
Jl+ .126Q
Jl + .253 Q
.40
,45
.50
.55
.60
2.50
2.35
2.40
2.45
2.50
Jl + 2.30 Q
Jl + 2.35 Q
Jl + 2.40 Q
Jl + 2.45 Q
Jl+ 2.50 Q
.9895
.9906
.9918
.9929
.9938
.385
.324
.674
.842
1.036
Jl + .385 Q
Jl + .324 Q
Jl+ .674Q
Jl+ .842 Q
Jl + 1.036 Q
.65
.70
.75
.80
.85
2.55
2.60
2.65
2.70
2.75
Jl + 2.55 Q
Jl + 2.60 Q
Jl + 2.65 Q
Jl + 2.70 Q
)l+2.75 Q
.9946
.9953
.9960
.9965
.9970
1.282
1.341
1.405
1.476
1.555
Jl +
Jl +
Jl +
Jl +
Jl +
.90
2.80
2.85
2.90
2.95
3.00
Jl + 2.80 Q
Jl + 2.85 Q
)l+2.90Q
Jl+ 2.95 Q
)l+3.00Q
.9974
.9978
.9981
.9984
.9987
1.645
1.731
1.881
1.960
2.054
Jl+l.645Q
ji+ 1.751 Q
Jl + 1.881 Q
Jl + 1.960 Q
J.!+2.054Q
3.05
3.10
3.15
3.20
3.25
Jl+ 3.05 Q
)l+3.10Q
Jl+ 3.15 Q
Jl+3.20Q
)l+3.25Q
.9989
.9990
.9992
.9993
.9994
2.326
2.576
3.090
3.719
4.265
Jl+ 2.326Q
Jl+ 2.576Q
Jl+3.090Q
J.!+3.719Q
Jl+4.265Q
1.555
1.476
1.405
1.341
1.282
- 1.036
.842
- .674
- .524
.385
'
1.1- 3.719Q
1.555 Q
1.476 Q
1.405 Q
1.341 Q
1.282 Q
1.1- 1.036Q
1.1- .842 Q
).!- .674 Q
).!- .524 Q
).!- .385 Q
).!- .253 Q
JL- .126Q
1.282 Q
1.341 Q
1.405 Q
1.476 Q
1.555 Q
.07
.08
.09
.10
.15
.20
.25
.30
.35
.91
.92
.93
.94
.95
.96
.97
.975
.98
.99
.995
.999
.9999
.99999
327
(Lampiran)
Luas
-3.25
-3.20
-3.15
-3.10
-3.05
jl- 3.25 Q
jl- 3.20Q
ll- 3.15 Q
jl-3.10Q
jl- 3.05 Q
.0006
.0007
.0008
.0010
.0011
-3.00
-2.95
-2.90
-2.85
-2.80
jl- 3.00 Q
jl- 2.95 Q
jl- 2.90 Q
jl- 2.85 Q
jl- 2.80 Q
-2.75
-2.70
-2.65
-2.60
-2.55
Luas
- 1.00
.95
.90
- .85
- .80
jljljljljl-
1.00 Q
.95Q
.90Q
.85Q
.80Q
.1587
.1711
.1841
.1977
.2119
.0013
.0016
.0019
.002
.0026
.75
.70
.65
.60
.55
jljljljljl-
.75Q
.70Q
.65Q
.60Q
55Q
.2266
2420
.2578
.2743
2912
jl- 2.75 Q
jl-2.70Q
jl- 2.65 Q
jl- 2.60 Q
jl- 2.55 Q
.0030
.0035
.0040
.0047
.0054
.50
.45
.40
.35
.30
jljljljljl-
.50Q
.45 Q
.40Q
.35Q
.30Q
.3085
.3264
3445
.3632
3821
-2.50
-2.45
-2.40
-2.35
-2.30
jl- 2.50Q
jl- 2.45 Q
jl- 2.40Q
jl- 2.35 Q
jl- 2.30Q
.0062
.0071
.0082
.0094
.0107
.25
- .20
.15
- .10
- .05
jljljljljl-
.25Q
.20Q
.15Q
.lOQ
.05Q
.4013
.4207
.4404
.4602
.4801
-2.25
-2.20
-2.15
-2.10
-2.05
jl- 2.25 Q
jl- 2.20 Q
j.1-2.15Q
jl-2.10Q
jl- 2.05 Q
.0122
.0139
.0158
.0179
.0202
00
ll
5000
-2.00
- 1.95
- 1.90
- 1.85
- 1.80
jl- 2.00 Q
jl- 1.95 Q
jl- 1.90Q
jl- 1.85 Q
j.1-I.80Q
.0228
.0256
.0287
.0322
0359
.05
.10
.15
.20
.25
jl+
jl+
jl+
jl+
jl+
.05Q
.IOQ
.15Q
.20Q
.25Q
.5199
.5398
.5596
.5793
.5987
1.75
1.70
1.65
1.60
1.55
jl- 1.75 Q
j.1-I.70Q
jl- 1.65 Q
jl- 1.60 Q
jl- 1.55 Q
.0401
.0446
.0495
.0548
.0606
.30
.35
.40
.45
.50
jl+
ll +
jl+
ll +
ll +
.30Q
.35 Q
.40Q
.45 Q
.50 Q
.6179
.6368
.6554
.6736
.6915
1.50
1.45
1.40
1.35
1.30
jl- 1.50 Q
jl- 1.45 Q
jl- 1.40 Q
jl- 1.35 Q
jl- 1.30Q
0668
.0735
.0808
.0885
.0968
.55
.60
.65
.70
.75
ll +
jl+
jl+
jl+
ll +
.55 Q
.60Q
.65Q
.70Q
.75 Q
.7088
.7257
.7422
.7580
.7734
1.25
1.20
1.15
1.10
1.05
jl- 1.25 Q
1.20Q
j.1-I.I5Q
jl-I.IOQ
ll- 1.05 Q
.1056
.1131
.1251
.1357
.1469
.80
.85
.90
.95
1.00
ll + .80 Q
ll + .85 Q
jl+ .90Q
jl+ .95Q
ll + 1.00 Q
.7881
.8023
.8139
.8289
.8413
jl-
Sumber: Willred J Dixon and Frank J Massey. Jr Introduction to Statistic a Analysis. Tahun A-4 : Cummulative Normal D1stributwn
328
TABEL III
.01
.05
.10
.9801
.9025
.8100
.7225
.6400
.5625
.0198
.0950
.1800
.2550
.3200
.3750
.0001
.0025
.0100
.0225
.0400
.0625
.9703
.8574
.7290
.6141
.5120
.4219
.0294
.1354
.2430
.3251
.3840
.4219
.0003
.0071
.0270
.0574
.0960
.1406
.0000
.0001
.0010
.0034
.0080
.0156
.9606
.8145
.6561
.5220
.4096
.3164
.4219
.15
.20
.25
.0388
.1715
.2916
.3685
.4096
.0006
.0135
.0486
.0975
.1536
.2109
.0000
.0005
.0036
.0115
.0256
.0469
.0000
.0000
.0001
.0005
.0016
.0039
.9510
.7738
.5905
.4437
.3277
.2373
.0480
.2036
.3280
.3915
.4096
.3955
.0010
.0214
.0729
.1382
.2048
.2637
.0244
.0512
.0879
.0000
.0011
.0081
.0000
.0000
.0004
.002
.0064
.0146
.0000
.0000
.0000
.0001
.0003
.0010
.9415
.7351
.5314
.3771
.2621
.1780
.0571
.2321
.3543
.3993
.3932
.3560
.0014
.0305
.0984
.1762
.2458
.2966
.0000
.0021
.0146
.0415
.0819
.1318
.0000
.0001
.0012
.0055
.0154
.0330
.0004
.0015
.0044
.001
.0003
.0000
.0000
.0001
.0000
.0000
.0000
.0000
.9321
.6983
.4783
.3206
.2097
.1335
.0659
.2573
.3720
.3960
.3670
.3115
.0020
.0406
.1240
.2097
.2753
.3115
.0000
.0036
.0230
.0617
.1147
.1730
.0000
.0002
.0026
.0109
.0287
.0577
.0115
.0000
.0000
.0002
.0012
.0043
.0000
.0000
.0000
.0001
.0004
.0013
.0000
.0000
.0000
.0000
.0000
.0001
329
.30
1/2
.35
.40
.45
.50
0
-1
.4900
.4444
.4225
.3600
.3025
.2500
.4200
.4444
.4530
.4800
.4950
.5000
.0900
.1111
.1225
.1600
.2025
.2500
.1250
.3430
.2963
.2746
.2160
.1664
.4410
.4444
.4436
.4320
.4084
.3750
.1890
.2222
.2389
.2880
.3341
.3750
.0270
.0370
.0429
.0640
.0911
.1250
.2401
.0975
.1785
.1296
.0915
.0625
.4116
.3951
.3845
.3456
.2995
.2500
.2646
.2963
.3105
.3456
.3567
.3750
.0756
.0988
.1115
.1536
.2005
.2500
.0081
.0123
.0150
.0256
.0410
.0625
.1681
.1317
.1160
.0778
.0503
.0312
.3602
.3292
.3124
.0592
.2059
.1562
.3369
.3125
330
(Lampiran)
.3087
.3292
.3364
.3456
.1323
.1646
.1811
.2304
.2757
.3125
.0284
.0412
.0488
.0768
.1128
.1562
.0024
.0041
.0053
.0102
.0185
.0312
'.1176
.0878
.0754
.0467
.0277
.0156
.3025
.2634
.2437
.1866
.1359
.0933
.3241
.3292
.3280
.3110
.2780
.2344
.1852
.2195
.2355
.2765
.3032
.3125
.1861
.2344
.0595
.0823
.0951
.1382
.0102
.0165
.0205
.0369
.0609
.0938
.0007
.0014
.0018
.0041
.0083
.0156
.0824
.0585
.0490
.0280
.0152
.0078
.2471
.2048
.1848
.1306
.0872
.0547
.3177
.3073
.2985
.2613
.2140
.1641
.2269
.2561
.2679
.2903
.2918
.2734
.2388
.2734
.0972
.1280
.1442
.1935
.0250
.0384
.0466
.0774
.1172
.1641
.0036
.0064
.0084
.0172
.0320
.0547
.0002
.0005
.0006
.0016
.0037
.0078
.01
.OS
.10
.15
.9227
.6634
.4305
.2725
.1678
.1001
.0746
.2793
.3847
.3355
.0026
.0515
.2376
.2936
.2670
.3115
3
4
.0001
.0054
.0331
.0839
.1468
.2076
.0000
.0046
.0185
.0459
.0865
.0000
.0002
.0092
.0011
.0231
.0000
.0000
.0000
.0001
.0000
.0004
.0000
.0000
.0000
.0026
.0004
.0000
.0000
.0000
.0000
.0000
.0000
.0038
.0004
.0000
0
1
.9135
.3874
.2316
.1342
.0751
.0034
.0001
.6302
.2985
.0629
.3874
.1722
.3679
.2597
.3020
.3020
.2253
.3003
.0077
.1069
.1762
.0000
.0006
.0283
.0661
.2336
.1168
.0000
.0000
.0000
.0050
.0165
.0028
.0000
.0000
.0000
.0000
.0000
.0446
.0074
.0008
.0001
.0000
.0000
.0000
.9044
.0914
.0042
.5987
.3151
.0746
.0001
.0105
.0010
.0000
.0000
6
7
.0000
.0000
.0000
.0000
.0000
6
7
8
9
0
1
2
3
4
.25
.3826
.1488
3
4
10
.20
10
.0830
.0000
.0000
.0001
.0000
.0000
.0000
.0000
.0000
.0006
.0000
.0389
.0087
.0012
.0000
.0003
.0000
.0001
.0000
.0000
.0000
.1074
.2684
.0563
.1877
.3487
.1969
.3874
.3474
.1937
.0574
.2759
.1298
.3020
.2816
.201-3
.2503
.0112
.0015
.0401
.0085
.0881
.0264
.1460
.0584
.0001
.0001
.0012
.0055
.0055
.0162
.0000
.0000
.0000
.0000
.0000
.0000
.0012
.0001
.0000
.0000
.0031
.0004
.0000
.0000
331
.60
0
1
I
4
332
(Lampiran)
.90
.95
.99
.70
.80
.160
.090
.040
.010
.002
.000
.480
.420
.320
.180
.095
.020
.360
.490
.640
.810
.902
.950
.064
.027
.008
.001
.000
.000
.288
.189
.096
.027
.007
.000
.432
.441
.384
.243
.135
.029
.216
.343
.512
.729
.857
.970
.026
.008
.002
.000
.000
.000
154
.076
.026
.004
.000
.000
.346
.265
.154
.049
.014
.001
.346
.412
.410
.292
.171
.039
.130
.240
.410
.656
.815
.961
.010
.002
.000
.000
.000
.000
.077
.028
.006
.000
.000
.000
.230
.132
.051
.008
.001
.000
.346
.309
.205
.073
.021
.001
.259
.360
.410
.328
.204
.048
.078
.168
.328
.390
.774
.951
.000
.004
.001
.000
.000
.000
.037
.010
.002
.000
.000
.000
.138
.060
.015
.001
.000
.000
.000
.276
.185
.082
.015
.002
.3ll
.3245
.246
.098
.051
.001
.187
.303
.393
.354
.232
.057
.047
.118
.262
.531
.735
.951
.002
.000
.000
.000
.000
.000
.017
.004
.000
.000
.000
.000
.077
.025
.004
.000
.000
.000
.194
.097
.029
.003
.000
.000
.290
.227
.115
.023
.004
.000
.261
.318
.275
.124
.041
.002
.131
.247
.367
.372
.257
.066
.028
.082
.210
.475
.695
.932
M' 111- , . . .
r'itt'(fUJM
II
.30
l/2
.35
.0576
.0390
.1977
.1561
.2965
.40
.45
.50
.0319
.0168
.0084
.0039
.1373
.0896
.0548
.0312
.2731
.2587
.2090
.1569
.1094
.2541
.2731
.2786
.2787
.2568
.2188
.2734
.1361
.1707
.1875
.2322
.2627
.0467
.0685
.0808
.1239
.1719
.2188
.0100
.0171
.0217
.0413
.0703
.1094
.0012
.0024
.0033
.0079
.0164
.0312
.0001
.0002
.0002
.0007
.0017
.00399
.0404
.0260
.0207
.0101
.0046
.0020
.1556
.1171
.1004
.0605
.0339
.0176
.2668
.2341
.2162
.1612
.llO
.0703
.2668
.2731
.2716
.2508
.2119
.1641
.1715
.2048
2194
.2508
.2600
.2461
.0735
.1024
.ll81
.1672
.2128
.2461
.0210
.0341
.0424
.0743
.1160
1641
.0039
.0073
.0098
.0212
.0407
0703
.0004
.0009
.0013
.0035
.0083
.0176
.0000
.0001
.0001
.0003
.0008
.0020
10
0
.0282
.0173
.0135
.0060
.0025
.0010
.1211
.0867
.0725
.0403
.0207
.0098
.2335
.1951
.1757
.1209
.0763
.0439
.2668
.2601
.2522
.2150
.1665
.1172
.2001
.2276
.2377
.2508
.2384
.2051
.1029
.1366
.1536
.2007
.2340
.2461
.0368
.0569
.0689
.1115
.1596
.2051
.0090
.0163
.0212
.0425
.0746
.1172
.0014
.0030
.0043
.0106
.0229
.0439
.0001
.0003
.0005
.0016
.0042
.0098
10
.0000
.0000
.0000
.0001
.0003
.0010
333
.001
.008
.041
.124
.60
(Lampiran)
OX
.80
.90
.95
.000
.000
.000
.000
.000
.001
.000
.000
.000
.000
.010
.001
.000
.000
.000
.047
.009
.000
.000
.000
.000
.70
.95
.232
.136
.046
.005
.000
.279
.254
.147
.033
005
000
.209
.296
.294
.149
.051
.003
.090
.198
.336
.383
.279
.075
.017
.058
.168
.430
.663
.923
.000
.000
.000
.000
.000
.000
.004
.000
.000
.000
.000
.000
.021
.004
.000
.000
.000
.000
.074
.021
.003
.000
.000
.000
.167
.074
.017
.001
.000
.000
.251
.172
.066
.007
.001
.000
.251
.267
.176
.045
.008
.000
.161
.267
.302
.172
.063
.003
.060
.156
.302
.387
.299
.083
.010
.040
.134
.387
.630
.914
:000
.000
.000
.000
.000
.000
.002
.000
.000
.000
.000
.000
.Oil
.001
.000
.000
.000
.000
10
334
.042
.009
.001
.000
.000
000
.Ill
.037
.006
.000
.000
.000
.201
.103
.026
.001
.000
.000
.251
.200
.088
.011
.001
.000
.215
.267
.201
.057
.010
.000
.121
.233
.302
.194
.o75
.004
.040
.121
.268
.387
.315
.091
10
.006
.028
.107
.349
.599
.904
I~
II
0
I
2
3
4
12
I
I
.01
.05
.10
.20
.30
40
.50
.60
.70
.80
.90
.95
.99
.895
.099
.005
.314
384
.213
07
.016
.086
.235
.295
.221
.Ill
020
.093
.200
.257
.220
.004
027
049
.177
.236
.000
.000
.005
.027
.081
161
.001
.005
023
.070
.000
.000
.000
.000
.569
.329
.087
.014
001
.001
.004
.017
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
000
.002
.000
.000
.039
.010
.002
.000
.000
.132
057
.017
.004
.001
.221
.147
.070
.023
.005
.226
.226
.161
.081
.027
.147
.221
.236
.177
.089
.057
.132
.220
.257
.200
.010
.039
.Ill
.221
.295
.000
.002
.016
.071
.213
.000
.000
.000
.000
.000
.000
.000
.000
.005
.005
.027
.004
.093
.020
.236
.086
.384
.314
.099
.895
.099
.895
.000
.000
.002
.012
.042
.000
.003
.016
.054
.121
.000
.000
.000
.000
.000
.000
.000
.000
.001
.000
.000
.000
.000
.000
.000
.000
.000
000
.000
.193
079
.193
.121
.054
.016
.003
000
.101
.016
.227
.213
.142
.064
.017
.002
.029
.003
.000
.000
.000
.158
.231
.240
168
.071
.014
.053
.133
.236
.283
.206
.069
.000
.004
.021
.085
.230
377
.282
.000
.000
.000
.000
.000
.000
.000
.002
.010
.035
.087
.157
.209
.209
.157
.087
.035
.010
002
.000
.000
.001
.006
.024
000
.000
.000
.000
.000
.000
.000
5
6
7
8
9
.000
.000
.000
.000
000
.000
.000
.000
.000
.000
10
II
.000
.000
.000
.000
.000
.005
.000
000
.000
.001
000
.000
.000
0
I
.886
107
.006
.000
.540
.341
.099
.017
002
282
377
.230
.085
.021
.069
.206
283
.236
.133
014
071
.168
.240
.231
.002
.017
.064
142
.213
.000
800
.004
.000
.000
.000
.000
.053
.016
.003
.001
.000
.000
.000
.000
.158
079
029
.008
.001
.000
.227
.177
.101
.042
.012
.002
000
000
.000
.000
.055
.179
.268
.246
.154
.069
.023
.006
.001
.000
.000
000
000
.000
.010
.054
.139
.218
.234
.180
103
.044
.014
.003
001
000
000
.000
.001
.011
.045
.Ill
.184
.221
.197
131
.066
.024
006
.001
.000
.000
13
n-'
3
4
.000
5
6
7
8
9
10
II
12
.000
.000
.000
.000
.000
.000
000
.000
0
I
2
3
4
5
6
7
8
9
10
II
12
13
.878
.115
.007
.000
.000
.000
.000
.000
.000
.000
000
.000
.000
.000
000
.000
.000
000
000
000
.000
.000
.000
.000
.000
.000
000
.513
351
Ill
021
.003
.000
.000
254
.367
.245
.100
028
.006
001
.000
.000
.000
.000
.000
000
.000
.000
.000
.000
000
.000
.000
.000
.066
.131
.197
.221
.184
Ill
.045
.011
.001
.000
000
001
008
.001
.003
.014
.044
.103
.180
234
.218
.139
.054
.010
.002
.001
.006
.023
.069
!54
.246
.268
.179
.055
.000
.000
.000
.000
.000
.00<.1
.000
.001
.006
.028
.100
.245
.367
.254
000
.000
.006
107
.886
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.007
115
.878
.000
.000
.000
.000
.000
.006
.107
.886
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.007
115
.878
335
---------------------l"'!!""oi!OIIt:t~!~JbtiOIII&~~s~~--~\Sll!ta
(Lampiran)
I~
14
'
0
1
2
3
4
5
6
7
8
9
10
11
12
l3
14
15
0
I
2
3
4
336
.01
.05
.10
.20
.30
.40
.50
.60
.70
.80
.90
.95
.99
.869
.123
.008
.488
.359
.123
.026
.004
.229
.356
.257
.114
.035
.044
.154
.250
.250
.172
.007.
041
.113
.194
.229
.001
.007
.052
.085
.155
.000
.001
.006
.022
.061
.000
.000
.001
.005
.014
.000
.000
.000
.000
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.008
.001
.000
.000
.000
.000
.000
.086
.032
.009
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.207
.207
.157
.092
.041
.014
.003
.001
.000
.000
.122
.183
.000
.196
.126
.062
.023
.007
.001
.000
.000
.000
.000
.041
.092
.209: .157
.183 .207
.122 .207
.155
.061
.022 .085
.006 .032
.001 .007
.000 .001
.007
.023
.062
.126
.196
.229
.194
.113
.041
.007
.000
.002
.009
.032
.086
.132
.250
.250
.154
.044
.000
.000
.000
.001
.008
.035
.114
.257
.356
.229
.000
.000
.000
.000
.000
.004
.026
.123
.359
.488
.000
.000
.000
.000
.000
.000
.000
.001
.125
.865
.463
.366
.135
.051
.005
.206
.343
.267
.129
.043
.035
.132
.231
.250
.188
.005
.051
.092
.170
.219
.000
.005
.022
.063
.127
.000
.000
.003
.014
.042
.001
.000
.000
.002
.007
.000
.000
.000
.000
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.010
.002
.000
.000
.000
.105
.043
.014
.003
.001
.206
.147
.081
.055
.012
.186
.207
.177
.118
.061
.092
.153
.196
.196
.153
.024
.061
.118
.177
.207
.003
.012
.035
.081
.147
.000
.001
.003
.014
.043
.000
.000
.000
.000
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.003
.001
.000
.000
.000
.024
.007
.002
.000
.000
.092
.042
.014
.003
.000
.186
.127
.063
.022
.005
.206
.219
.170
.092
.031
.103
.188
.250
.231
.132
.010
.043
.129
.267
.343
.001
.005
.031
.135
.366
.000
.000
.000
.005
.30
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.860
.130
.009
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
10
11
12
l3
14
.000
.000
.000
.000
.000
.000
.000
15
.000
.000
.000
.000
.000
.000
.000
.000
.005
.035
.206
.465
.860
0
I
2
3
4
.851
.138
.010
.000
.000
.440
.371
.146
.036
.006
.185
.329
.275
.142
.051
.028
.113
.211
.246
.200
.003
.023
.073
.146
.204
.000
.005
.015
.047
.101
.000
.000
.002
.009
.028
.000
.000
.000
.001
.004
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
5
6
7
8
9
.000
.000
.000
.000
.000
.001
.001
.00
.000
.000
.014
.003
.000
.000
.000
.120
.055
.020
.006
.001
.210
.165
.101
.049
.019
.162
.198
.189
.142
.084
.067
.122
.175
.196
.175
.014
.039
.084
.142
.189
.001
.006
.019
.049
.101
.000
.000
.001
.006
.020
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
10
II
12
13
14
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.006
.001
.000
.000
.000
.039
.014
.004
.001
.000
.122
.067
.028
.009
.002
.198
.162
.101
.047
.015
.165
.210
.204
.146
.073
.055
.120
.200
.246
.211
.003
.014
.051
.142
.275
.000
.001
.006
.036
.146
.000
.000
.000
.000
.010
15
16
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.003
.000
.023
.003
.113
.028
.329
.185
.371
.440
.138
.851
5
6
7
8
9
16
!1!$i!1ii'
.000
.000
.000
.000
17
18
.01
.05
.10
0
I
2
3
4
.843
.145
.012
.001
.167
.315
.280
.156
.000
.418
.374
.158
.041
.908
5
6
7
8
9
10
11
12
13
14
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
15
16
17
.000
.000
.000
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
.001
.060
.017
.004
.001
.20
.30
.40
.50
.60
.70
.80
.90
.95
.99
.025
.002
.096
.017
.058
.125
.187
.000
.002
.000
.000
.010
.034
.080
.001
.005
.018
.000
.000
.000
.000
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.008
.024
.057
.107
.161
.193
.184
.138
.080
.034
.001
.003
.000
.000
.000
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.191
.239
.209
.136
.068
.027
.008
.208
.178
.120
.138
.184
.193
.161
.107
.057
.024
.047
.094
.094
.148
.185
.185
.148
.000
.000
.000
.000
.000
.000
.000
.002
.000
.000
.000
.000
.000
.000
.000
.008
.002
.000
.047
.018
.005
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.010
.000
.000
.002
.000
.835
.152
.013
.001
.397
.376
.168
.047
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.013
.046
.105
.168
.202
.187
.138
.081
.039
.015
.005
.001
.000
.000
.000
.009
.018
.081
.172
.250
.215
.151
.082
.035
.012
.003
.001
.000
.000
.000
.000
.000
.150
.300
.284
.168
.070
.022
.005
.001
.000
.000
.000
.000
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.377
.377
.179
.053
.011
.135
.285
.285
.180
.080
.014
.068
.154
.218
.218
.002
.027
.007
.001
.164
.095
.044
.000
.000
.017
.005
.000
.000
0
1
2
3
4
.826
.159
.014
.001
5
6
7
8
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.064
.028
.009
.003
.001
.000
.001
.007
.025
.061
.115
.166
.189
.173
.128
.077
.037
.015
.004
.001
.001
.003
.012
.033
.71
.121
.167
.185
.167
.121
.071
.033
.012
.000
.000
.000
.000
.000
.000
.000
.003
.001
.001
.000
.009
.036
.087
.149
.001
.005
.017
.047
.000
.000
.000
.002
.007
.192
.192
.153
.098
.051
.093
.145
.180
.180
.146
.000
.000
.000
.022
.052
.096
.144
.175
.009
.028
.064
.060
.008
.000
.000
.000
.000
.000
.000
.000
.000
.000
.156
.141
.001
.023
.280
.315
.167
.158
.374
.418
.012
.145
.843
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.003
.012
.035
.082
.151
.215
.000
.000
.000
.001
.005
.022
.070
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.009
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.168
.284
.300
.150
.047
.168
.376
.397
.001
.013
.152
.835
.120
.178
.208
.187
.125
.808
.027
.068
.136
.209
.239
.058
.017
.096
.002
.000
.000
.000
.000
.001
.001
.004
.015
.037
.077
.128
.173
.189
.155
.115
.061
.001
.005
.015
.039
.081
.138
.187
.202
.168
.025
.007
.001
.105
.046
.013
.000
.002
.230
.172
.081
.018
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.008
.000
.000
.000
.000
.022
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.002
.008
.024
.053
.098
.00
.191
.001
.004
.017
.000
.001
.000
.000
.000
.000
.000
.000
.001
337
19
20
21
338
(Lampiran)
-01
.05
.10
.20
.30
.40
.50
.60
.70
.80
.90
.95
.99
10
11
12
13
14
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.000
.000
.000
.000
.022
.008
.002
.001
.000
.098
.053
.024
.008
.002
.176
.144
.096
.052
.022
.146
.180
.180
.145
.097
.051
.098
.153
.192
.192
.005
.017
.044
.095
.164
.000
.000
.001
.007
.027
.000
.000
.000
.000
.002
.000
.000
.000
.000
.000
15
16
17
18
19
0
I
2
3
4
.000
.000
.000
.000
.000
.818
.165
.016
.001
.000
.000
.000
.000
.000
.000
.358
.877
.189
.060
.013
.000
.000
.000
.000
.000
.122
.270
.285
.190
.090
.000
.000
.000
.000
.000
.012
.058
.137
.205
.218
.001
.000
.000
.000
.000
.000
.000
.005
.012
.055
.001
.000
.000
.000
.000
.000
.000
.005
.012
.055
.007
.002
.000
.000
.000
.000
.000
.000
.001
.005
.047
.017
.,005
:oo1
.000
.000
.000
.000
.000
.000
.149
.087
.036
.009
.001
.000
.000
.000
.000
.000
.218
.218
.154
.068
.014
.000
.000
.000
.000
.000
.080
.180
.285
.285
.135
.000
.000
.000
.000
.000
.011
.055
.179
.377
.377
.000
.000
.000
.000
.000
.000
.001
.014
.159
526
.000
.000
.000
.000
.000
5
6
7
8
9
.000
.000
.000
.000
.000
.002
.000
.000
.000
.000
.032
.009
.002
.000
.000
.175
.109
.055
.022
.007
.075
.124
.166
.180
.160
.075
.124
.166
.180
.160
.015
.037
.074
.120
.160
.001
.005
.015
.055
.071
.000
.000
.001
.004
.012
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
10
II
12
13
14
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.000
.000
.000
.000
.117
.071
.055
.015
.005
.117
.071
.055
.015
.005
.176
.160
.120
.074
.037
.117
.160
.180
.166
.124
.031
.065
.114
.164
.192
.002
.007
.022
.055
.109
.000
.000
.000
.002
.009
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
15
16
17
18
19
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.000
.000
.000
.000
.001
.000
.000
.000
.000
.015
.005
.001
.000
.000
.075
.035
.012
.003
.000
.179
.130
.072
.028
.007
.175
.218
.205
.137
.058
.032
.090
.190
.285
.270
.002
.015
.060
.189
.377
.000
.000
.001
.016
.165
20
.000
.000
.000
.000
.000
.000
.000
.000
.001
.012
.122
.358
.818
0
I
2
3
4
.810
.172
.017
.001
.000
.341
.376
.198
.066
.016
.109
.255
.284
.200
.100
.009
.048
.121
.192
.216
.001
.005
.022
.058
.113
.000
.000
.002
.009
.026
.000
.000
.000
.001
.005
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
5
6
7
8
9
.000
.000
.000
.000
.000
.003
.000
.000
.000
.000
.038
.011
.003
.001
.000
.183
.122
.065
.029
.010
.164
.188
.172
.129
.080
.059
.105
.149
.174
.168
.010
.026
.055
.097
.140
.001
.003
.009
.023
.050
.000
.000
.000
.002
.006
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
10
11
12
13
14
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.003
.001
.000
.000
.000
.041
.018
.006
.002
.000
.134
.089
.050
.025
.009
.168
.168
.140
.097
.055
.089
.134
.168
.174
.149
.018
.081
.080
.129
.172
.001
.003
.010
.029
.065
.000
.000
.000
.001
.003
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
21
22
23
n-x
,01
.05
.10
.20
.30
.40
.50
.60
.70
.80
.90
.95
.99
15
16
17
18
19
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.003
.001
.188
.164
.113
.058
.022
.122
.183
.216
.192
.121
.011
.038
.100
.200
.284
.000
.000
.000
.000
.105
.059
.026
.009
.002
.000
.000
.000
.000
.026
.010
.003
.001
20
21
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.005
.001
.048
.009
.255
.109
.376
.341
.172
.810
0
I
2
.007
.041
.107
.178
.211
.004
.017
.047
.096
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.006
.019
.000
.000
.000
.000
.002
.000
.000
.000
.000
.000
.000
.000
.000
.098
.241
.281
.208
.110
.000
.000
.324
.375
.207
.073
.018
.000
.802
.178
.019
.001
.000
.000
.000
.000
.000
.003
.001
.149
.181
.177
.142
.095
.000
.086
.131
.164
.170
.018
.041
.076
.119
.001
.005
.014
.034
.000
.000
.000
.190
.134
.077
.036
.014
.006
.000
.000
.000
.044
.014
.004
.001
.046
6
7
8
9
.000
.000
.000
.000
.000
.000
.000
.000
.000
10
II
12
13
14
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.005
.001
.000
.000
.000
.053
.025
.010
.003
.001
.148
.107
.066
.034
.014
.154
.168
.154
.119
.076
.066
.107
.148
.170
.164
15
16
17
18
19
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.005
.001
.131
.086
.000
.000
.000
.041
.018
.006
20
21
22
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
0
I
2
3
4
.794
.184
.020
.001
.307
.372
.215
.079
.021
.089
.226
.277
.215
.120
.006
.034
.093
.163
.204
.000
.003
.013
.038
.082
.000
.000
.000
.000
.000
.000
5
6
7
8
9
.000
.000
.000
.000
.000
.004
.001
.051
.017
.005
.001
.000
.194
.145
.088
.044
018
.133
171
178
.153
.109
.035
.070
.113
.151
.168
10
11
12
13
14
.000
.000
.000
.000
.000
.065
.033
.014
.005
.002
.157
.123
.082
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.006
.000
.000
.000
.000
.000
.000
.002
.000
.000
.000
.000
000
.001
.004
.014
.046
.022
.000
.001
.003
.010
.025
.053
.000
.000
.000
.000
.000
.000
.000
.000
.000
.142
.001
.005
.014
.036
.019
.006
.177
.181
.149
.096
.047
.077
.134
.190
.211
.178
.001
.00
.017
.004
.000
.095
.000
.000
.000
.000
.001
.004
.014
.044
.003
.016
.066
.198
.000
.001
.017
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.208
.001
.003
.018
.073
.000
.107
.041
.007
.281
.241
.098
.207
.375
.324
.019
.178
.802
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.004
.012
.029
.058
.097
.000
.000
.000
.000
.136
.046
.161
.161
.136
.097
.082
.123
.157
.168
.002
:ooo
.001
.046
.001
.003
.009
.022
.000
.002
.005
.014
.033
.065
.109
.llO
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.006
.018
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
339
11
23
24
25
340
(Lampiran)
.OJ
.05
.10
.20
.30
.40
.50
.60
.70
.80
.90
15
16
17
18
19
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.009
.003
.001
.000
.000
.058
.029
.012
.004
.001
.151
.113
.070
.035
.014
.153
.178
.171
.133
.082
.044
.088
.145
.194
.204
.001
.005
.017
.051
.120
20
21
22
23
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.004
.001
.000
.000
.058
.013
.003
.000
.163
.093
.034
0
I
2
3
4
.786
.190
.022
.002
.000
.292
.369
.223
.086
.024
.080
.213
.272
.221
.129
.005
.028
.081
.149
.196
.000
.002
.010
.031
.069
.000
.000
.001
.003
.010
.000
.000
.000
.000
.001
.000
.000
.000
.000
.000
5
6
7
8
9
.000
.000
.000
.000
.000
.005
.001
.000
.000
.000
.057
.020
.006
.001
.000
.196
.155
.100
.053
.024
.118
.160
.176
.160
.122
.027
.056
.096
.136
.161
.003
.008
.021
.044
.078
10
11
12
13
14
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.009
.003
.001
.000
.000
.079
.043
.020
.008
.003
.161
.137
.09
.061
.032
15
16
17
18
19
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.000
.000
.000
.000
20
21
22
23
24
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
0
I
2
3
4
.778
.196
.024
.002
.000
.277
.365
.231
.093
.027
.072
.199
.266
.226
.138
5
6
7
8
9
.000
.000
.000
.000
.000
.006
.065
.024
.007
.002
.000
.001
.000
.000
.000
.95
.99
.000
.001
.004
.021
.000
.000
.000
.000
.000
.006
.. 215
,277
.226
.089
.079
.215
.372
.307
.001
.020
.184
.794
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.005
.014
.000
.000
.000
.000
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.117
.149
.161
.149
.117
.032
.061
.099
.137
.161
.003
.008
.020
.043
.079
.000
.000
.001
.003
.009
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.014
.005
.002
.000
.000
.078
.044
.021
.008
.003
.161
.136
.096
.056
.027
.122
.160
.176
.160
.118
.024
.053
.100
.155
.196
.000
.001
.020
.057
.000
.000
.000
.001
.005
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.000
.000
.000
.000
.010
.003
.001
.000
.000
.069
.031
.010
.002
.000
.196
.149
.081
.028
.005
.129
.221
.272
.213
.080
.024
.086
.223
.369
.292
.000
.002
.022
.190
.788
.004
.024
.071
.136
.187
.000
.001
.007
.024
.057
.000
.000
.000
.002
.007
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.196
.163
.111
.062
.029
.103
.147
.171
.165
.134
.020
.044
.080
.120
.151
.002
.005
.014
.032
.061
.000
.000
.001
.003
.009
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.006
.000
lf"''<:.'~:>'>O"'!'Ji.o!WiM_I_IIIilllll
___
-lllllllll!lllll_ _ _ _llllll-1!11111111111111111!11111111!1111111_ _ _ _ _ _ __
~lllilll--1-~-~
I~
25
10
=(\) px (1-p)
n-x
.01
.05
.10
.20
.30
.40
.50
.60
.70
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.012
.004
.001
.000
.000
.092
.054
.027
.011
.004
.161
.147
.114
.076
.043
.em
12
13
14
.000
.000
.000
.000
.000
.133
.ISS
.155
.133
.021
.043
.076
.114
.147
.001
.004
.011
.027
.054
15
16
.ooo
000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.000
.000
.000
.000
.021
.009
.003
.001
.000
.097
.061
.032
.014
.005
.161
.151
.120
23
24
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
25
.000
.000
.000
.000
.000
.000
11
17
18
19
20
21
22
.80
.90
.95
.99
.000
.000
.001
.004
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.044
.092
.134
.165
.171
.147
.012
.029
.062
.111
.163
.000
.000
.002
.007
.024
.000
.000
.000
.000
.001
.000
.000
.000
.000
.000
.002
.000
.000
.000
.000
.020
.007
.002
.000
.000
.103
.057
.024
.007
.001
.196
.187
.136
.071
.024
.065
.138
.226
.266
.199
.006
.027
.093
.231
.265
.000
.000
.002
.024
.196
.000
.000
.000
.004
.072
.277
.778
.080
.ooo
Sumber: Frederick Mosteller, Robert E.K. Rourke and George B.Thomas: Probability, a First Course, Table IV: Binomial Table,
Part A: Individual Tenn
341
(Lampiran)
I~
.OJ
.05
.10
.20
.30
.40
.so
.60
.70
.80
.90
95
.99
0
I
2
I
020
.0+
I
.098
.002
I
.190
.010
I
.360
040
I
510
090
I
.640
.160
I
.750
250
I
910
490
I
.960
.640
I
.990
.810
I
.998
.902
I
I.980
I
271
.028
.001
I
.488
104
.008
I
.657
.216
027
I
.784
.352
.064
I
.875
I
.936
.500
.648
.125
.216
I
.973
784
.343
I
.992
.896
512
I
.999
972
729
I
1993
.857
I
.030
.0+
.0+
0
I
2
3
4
I
.039
.001
.0+
.0+
I
.344
.052
004
.0+
I
870
.525
.179
.026
I
958
.688
.312
.062
.974
.821
.475
130
I
.992
.916
.652
240
I
998
.973
.819
.410
I
1996
.948
.656
590
.181
.027
.002
I
760
348
084
.008
185
014
.0+
.0+
1.986
.815
0
2
3
4
I
.059
.001
.0+
.0+
I
.226
.023
.001
.0+
I
.410
.081
,009
.0+
I
672
.263
.058
.007
I
.832
.472
163
.031
I
.922
.663
.317
.087
I
.969
.812
500
188
I
990
913
683
.337
I
998
.969
.837
.328
.0+
0+
.0+
0+
002
.010
.031
.078
I
738
.345
.099
.017
I
.955
767
456
.179
I
984
891
656
.344
.265
.033
.002
.0+
I
.469
.114
.016
.001
2
3
4
I
.059
.001
.0+
.0+
5
6
0+
0+
0+
.0+
.0+
.0+
.002
.0+
.011
.001
.041
004
0
I
2
3
4
I
.068
002
.0+
.0+
.302
.044
.004
.0+
.522
.150
.026
003
.790
.425
148
033
I
.918
.671
5
6
7
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
0
I
2
3
4
.077
.003
.0+
.0+
I
.337
.057
.006
.0+
5
6
7
8
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
I
2
4
143
.007
.0+
840
.360
1I970
I
I
I
.999
.961
1-
I-
.993
.942
.737
I-
I
I
11-
991
.919
999
.977
.168
.328
.590
.774
951
I
.999
.989
.930
.744
1998
.983
.901
I
I
1999
.984
I
I
11.998
.996
.959
.821
.544
.109
.016
233
047
.420
ll8
.655
262
.886
.531
.967
.735
.999
.941
I
.992
.938
.773
300
I
998
.981
.904
.710
1996
.971
.874
I
II.995
.967
I
I
I
I
I1I-
126
I
.972
.841
.580
.290
.005
.0+
.0+
.029
.004
0+
.096
.019
.002
227
062
008
.420
.159
.028
.647
.329
.082
I
.570
.187
.038
.005
I
.832
.497
.203
.056
I
.942
.745
.448
.194
I
983
.894
.685
.406
I
.996
.965
.855
.637
I
.999
991
950
.826
.0+
.0+
.0+
.0+
.010
.001
.0+
.0+
.038
.Oil
001
.0+
.174
.050
.009
.001
.363
145
.035
.004
.594
.315
.106
.017
.882
.580
256
.070
353
I
I
I
.999
II-
1I-
.997
I
I
.852
577
.210
974
.850
478
.996
.956
698
.998
.952
I
I999
.989
.942
I
II.999
:990
I
I
1-
I
I1-
I
I
I-
.806
.552
.255
.053
.944
.797
.303
.168
1-
I-
1-
1-
1-
1-
.995
.962
.813
.430
I
994
943
.663
I
I
997
.923
Pada tabel ini. 1- berarti probabilita binomial > 0.995 tetapt < I sedangkan 0.000 atau 0.0+ berarti probab!lita-nya <0.0005 tetapi> 0.
342
b(x I n.p)
x=r
~'
I
I
01
05
10
.20
.30
40
.50
.60
.70
.80
.90
.95
.99
10
i
I
0
I
2
3
4
086
.003
0+
.0+
.370
071
008
001
613
225
.053
.008
866
.364
.262
.086
960
804
.537
.270
.990
.929
.768
.317
.998
.980
.910
.746
1.996
.975
.901
11.996
975
111.997
1111-
I
1111-
1111-
5
6
7
8
9
.0+
.0+
.0+
.0+
.0+
0+
0+
.0+
0+
0+
.001
0+
.0+
0+
.0+
.020
005
0+
.0+
0+
.099
.025
.004
0+
.0+
267
.099
025
004
.0+
.500
.254
.090
.020
.002
.733
.483
.232
.071
.010
.901
.730
.463
.196
.040
.980
.914
.738
436
.134
.999
.992
.947
.775
387
1.999
.992
.929
.630
111.997
.914
0
I
2
3
4
.096
004
,0+
0+
401
086
012
001
.651
.264
070
.013
893
.624
322
.121
.972
.851
.617
350
.994
.954
.833
618
.999
.989
.943
828
1.998
988
.945
11998
989
111.999
1111-
I
1111-
1111-
5
6
7
8
9
0+
.0+
.0+
0+
0+
0+
.0+
.0+
0+
0+
002
0+
.0+
.0+
.0+
033
006
.01
.0+
0+
150
047
011
002
0+
.367
166
055
012
.002
.623
.377
.172
.055
.011
.834
.633
.382
.167
.046
953
.850
.650
.383
.149
.94
.967
.879
.678
.376
1.998
.987
.930
736
11.999
.988
.914
1111.996
10
0+
0+
.0+
.0+
.0+
.0+
.001
.006
.028
.107
349
.399
.904
'
'
I
II
12
0
I
2
3
4
.105
.005
0+
0+
431
102
015
002
686
303
.090
.019
.914
678
.383
.161
980
887
.687
.430
.996
970
881
704
1994
.967
.87
1.999
994
971
11999
.996
1111-
1111-
1111-
I
1111-
5
6
7
8
9
0+
.0+
.0+
0+
0+
0+
0+
.0+
0+
0+
.003
0+
0+
0+
0+
.030
.012
002
0+
0+
.210
078
022
004
001
.467
.247
099
029
006
.726
500
274
113
033
901
.753
.533
.296
.119
.978
.922
.790
570
313
.998
.988
.950
.839
.617
11.897
.981
.910
111.998
.985
11111-
10
II
0+
0+
0+
.0+
0+
.0+
0+
.0+
.0+
0+
001
0+
.006
0+
.030
.004
.113
020
322
086
.697
.314
.989
369
.995
.895
0
I
2
3
4
.114
006
0+
0+
.460
118
.020
002
.718
341
Ill
026
931
725
442
205
986
915
747
.507
.998
980
917
775
1997
981
927
11.997
985
111.998
1111-
1111-
1111-
1111-
0+
.0+
.0+
.0+
0+
0+
0+
0+
.0+
0+
.004
00/
0+
0+
0+
.073
.019
.004
001
0+
276
.118
.059
.009
002
562
.335
.158
.057
015
.806
613
387
194
073
943
842
.665
.438
.225
.991
.961
.882
724
.495
.999
.996
.981
.927
.795
11.999
.996
.974
1111.998
11111-
10
II
12
0+
0+
.0+
0+
0+
0+
.0+
0+
0+
0+
0+
0+
0+
0+
.0+
.003
0+
.0+
.019
.03
.0+
.083
020
002
.253
.085
014
.358
.275
.069
889
.659
.282
.980
.882
.540
.994
.886
5
6
7
X
1-
343
(Lampiran)
13
14
15
344
I~
.01
.OS
.10
.20
.30
.40
50
.60
.70
.80
.90
.95
.99
0
1
2
3
4
I
.122
.007
.0+
.0+
I
.487
.135
.025
.003
I
.746
.379
.134
.034
I
.945
.766
.498
.253
I
.990
.936
.798
.379
I
.999
.987
.942
.831
I
1.998
.989
.954
I
11.999
.992
I
I
11.999
I
1111-
I
1111-
I
1111-
I
1111-
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.006
6
7
8
9
.001
.0+
.0+
.0+
.099
.030
.007
.001
.0+
.346
.165
.062
.018
.004
.647
.426
.229
.098
.032
.867
.709
.500
.291
.133
.968
.902
.771
.574
.353
.996
.982
.938
.835
.654
I
.999
.993
.970
.901
111.999
.994
11111-
11111-
10
ll
12
13
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.001
.0+
.0+
.0+
.008
.001
.0+
.0+
.046
.421
.202
.002
.0+
.169
.058
.013
.001
.010
.747
.302
.234
.055
.966
.866
.621
.254
.997
.975
.865
.513
11.993
.878
0
1
2
3
4
I
.131
.008
.0+
.0+
I
.512
.153
.030
I
.771
.415
.158
.004
.044
I
.956
.802
.552
.302
I
.993
.953
.839
.645
I
.999
.992
.960
.876
I
1.999
.994
.971
I
11.999
.996
I
1111-
I
1111-
I
1111-
I
1111-
I
1111-
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.009
6
7
8
9
.001
.0+
.0+
.0+
.130
.044
.012
.002
.0+
.416
.219
.093
.031
.008
.721
.514
.308
.150
.058
.910
.788
.605
.395
.212
.982
.942
.850
.692
.486
.998
.992
.969
.907
.781
11.998
.988
.956
1111.999
11111-
11111-
10
ll
12
13
14
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.002
.0+
.0+
.0+
.0+
.018
.004
.001
.0+
.0+
.090
.001
.0+
.279
.124
.040
.008.
001
.584
.355
.161
.047
.007
.870
.698
.448
.198
.044
.991
.956
.842
.585
.229
1.996
.970
.847
.488
111.992
.869
0
1
2
3
4
I
.140
.010
.0+
.0+
I
.537
.171
.036
.005
I
.794
.451
.184
.056
I
.965
.833
.357
I
.995
.965
.873
.705
I
I
.995
.973
.909
I
11.996
.982
I
111.998
I
1111-
I
1111-
I
1111-
I
1111-
11111-
5
6
7
8
9
.0+
.0+
.0+
.0+
.0+
.001
.0+
.0+
.0+
.0+
.013
.002
.0+
.0+
.0+
.164
.061
.018
.004
.001
.485
.278
.131
.050
.015
.783
.597
.390
.213
.095
.941
.849
.696
.500
.304
.991
.966
.905
.787
.610
.999
.997
.985
.950
.869
11.99
.996
.982
11111-
11111-
11111-
10
ll
12
13
14
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.004
.001
.0+
.0+
.0+
.054
.009
.002
.0+
.0+
.151
.059
.018
.004
.0+
.403
.217
.091
.027
.005
.722
.515
.297
.127
.035
.939
.836
.648
.398
.167
.998
.987
.944
.816
.549
1999
.995
.964
.829
1111.990
15
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
005
.035
.206
.463
.860
.602
.Oil
.029
.006
.664
16
1~\
I
17
.50
.60
.70
.80
.90
.95
.99
.999
I
1I
11-
1I
II
I~
I.998
.989
I
I
III
.997
.974
.901
.754
I
I
II
.972
.859
.648
.402
i
I.997
982
.935
.815
.485
.211
.068
I
I1I1-
.017
.003
.001
.0+
.0+
.202
.082
.027
.007
.001
.550
.340
.175
.074
.026
.833
.671
.473
.284
.142
.962
.895
.773
.598
.402
.995
.981
.942
.858
.716
1.998
.993
.974
.926
II1.999
.993
I
I11-
1111-
1-
.0+
.0+
.0+
.0+
0+
.0+
.0+
.0+
0+
.0+
0+
.0+
.0+
0+
0+
.007
.227
.105
.038
.002
.527
.329
.167
.065
.018
.825
.660
.450
.246
.099
.973
.918
.798
.598
.352
.999
.997
.983
.932
.789
1-
.0+
.0+
.0+
.058
.019
.005
.001
.0+
.999
.993
.957
1I1I.999
0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.003
.0+
.026
.003
.141
.028
.515
.185
.811
.440
.989
.851
I
.582
.208
.050
I
.833
.518
I
1.998
.988
.954
I
II.999
.994
I
I
I
II-
I
I.
I
II
I
I111-
I
1-
I
1-
,_
I
1-
I-
.083
I
.998
.981
.923
.798
009
I
.977
.882
.690
.451
.001
.0+
.0+
.0+
.0+
.02
.005
.001
.0+
.0+
.242
.106
.038
.011
.003
.611
.403
.225
.105
874
.738
.552
.359
.199
.975
.928
.834
.685
.500
997
989
.965
.908
801
1.999
997
.987
.960
1I
I
I.997
II1-
I
I1-
11I-
1I.
1I.
I-
.999
.991
1-
.950
.792
.418
.999
.988
.843
I
III
1-
I
I
I1-
I
II-
.149
.011
.001
.0+
.560
.189
.043
007
.0+
.0+
.0+
.0+
0+
.001
.0+
.0+
0+
0+
10
II
12
13
14
.0+
0+
0+
.0+
.0+
IS
16
0
I
4
5
6
7
157
.012
.001
.0+
3
4
.0+
.0+
.0+
0+
0+
6
7
8
9
.10
38
.002
.040
,_
.Otl
111-
,_
10
II
12
13
14
.0+
0+
.0+
0+
0+
0+
0+
.0+
0+
.0+
0+
.0+
.0+
0+
0+
.0+
.0+
0+
0+
.0+
.013
.003
.001
0+
.0+
.092
035
011
.003
.0+
.315
166
.072
.025
.006
.641
.448
264
.126
.046
895
.775
.597
.389
.202
.989
.962
.894
.758
.549
1-
15
16
17
.0+
.0+
.0+
.0+
.0+
.0+
.0+
0+
0+
.0+
.0+
.0+
.0+
0+
.0+
.0+
0+
.0+
.001
.0+
.0+
.012
002
0+
.077
.019
002
.310
.118
023
.762
.482
.167
0
1
2
I
.165
.014
001
0+
I
.605
.226
058
.011
.850
.550
266
.098
982
.901
.729
.499
I
.998
.986
.940
.833
I
I
.999
992
.967
I
II999
.996
I
I
II1-
I
I1II
I
11II
I
I1II-
3
4
.0+
0+
.0+
.0+
.0+
6
7
.40
0
I
2
18
.30
05
.20
.01
.002
.0+
.0+
.0+
.0+
.028
006
.001
.0+
.0+
.284
.133
.051
016
.004
.667
.466
.278
141
.060
.906
.791
.626
437
.263
.985
952
.88!.
.760
.593
.999
.994
.980
.942
865
1I999
.994
.979
1I
11.999
.999
.995
.978
.917
1I
I
II
1-
111I
1-
,_
,_
,_
11-
,_
1-
I-
1-
I-
I-
11-
111-
1-
345
(wmpiran)
18
19
I~
.01
.05
.10
.20
.30
.40
.50
.60
.70
.80
.90
.95
.99
10
11
12
13
14
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.001
.0+
.0+
.0+
.0+
.021
.006
.001
.0+
.0+
.135
.058
.020
.006
.001
.407
.240
.119
.048
.015
.737
.563
.374
.209
.094
.940
.859
.722
.534
.333
.996
.984
.949
.867
.716
11.999
.972
1111.998
11111-
15
16
17
18
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.004
.001
.0+
.0+
.033
.008
.001
.0+
.165
.060
.014
.002
.501
.271
.099
.018
.902
.754
.450
.150
.989
.942
.774
.397
1.999
.986
.835
I
.174
.015
.001
.0+
I
.623
.245
.067
.013
I
.865
.580
.295
.115
I
.986
.917
.763
.545
I
.999
.990
.954
.867
I
1.999
.995
.977
I
111.998
I
1111-
I
1111-
I
1111-
I
1111-
I
1111-
I
1111-
.0+
.0+
.0+
.0+
.0+
.002
.0+
.0+
.0+
.0+
.035
6
7
8
9
.02
.0+
.0+
.327
.163
.068
.023
.007
.718
.526
.334
.182
.084
.930
.837
.692
.512
.333
.990
.968
.916
.820
.676
.999
.997
.988
.965
.912
11.999
.997
.989
11111-
11111-
11111-
11111-
10
11
12
13
\4
cO+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.002
.0+
.0+
.0+
.0+
.033
.0+
.0+
.0+
.0+
.003
.001
.0+
.186
.088
.035
.012
.003
.500
.324
.180
.054
.032
.814
.667
.483
.308
.263
.967
.916
.818
.666
.475
.998
.993
.977
.932
.837
111.998
.991
11111-
11111-
15
16
17
18
19
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.001
.0+
.0+
.0+
.0+
.010
.002
.0+
.0+
.0+
.070
.025
.005
.001
.0+
.282
.133
.046
.010
.001
.673
.455
.257
.083
.014
.965
.885
.705
.420
.135
.998
.987
.933
.755
.377
11.999
.985
.826
0
1
2
3
4
I
.182
.017
.001
.0+
I
.642
.264
.075
.016
I
.878
.608
.323
.133
I
.988
.931
.794
.589
I
.999
.992
.965
.893
I
1.999
.996
.984
I
111.999
I
1111-
I
1111-
I
1111-
I
1111-
I
1111-
I
1111-
.0+
.0+
.0+
.0+
.0+
.003
.0+
.0+
.0+
.0+
.043
6
7
8
9
.0+
.0+
.370
.196
.087
.052
.010
.762
.584
.392
.228
.113
.949
.874
.750
.584
.404
.994
.979
.942
.868
.748
1.998
.994
.979
.943
111.999
.995
11111-
11111-
11111-
11111-
10
11
12
13
14
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.003
.001
.0+
.0+
.0+
.048
.017
.005
.001
.0+
.245
.128
.057
.021
.588
.412
.252
.132
.058
.872
.755
.596
.416
.250
.983
.952
.887
.772
.608
.999
.997
.990
.968
.913
1111.998
11111-
11111-
2
3
4
20
346
.009
.Oll
.002
.Oll
.006
.994
'
20
21
I~
.01
.05
15
16
17
18
19
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
20
.0+
0
1
2
.20
.30
.40
.50
.60
.70
.80
.90
.95
.99
.0+
.0+
.0+
.0+
.002
.021
.804
.630
.411
.008
.()69
.989
.957
.867
.677
.392
.997
.984
.925
.736
1I
.0+
.001
.0+
.0+
.416
.238
.107
.035
1-
.006
.126
.051
.016
.004
.001
1-
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.001
.012
.122
.358
.818
I
.190
.019
.001
.0+
I
.639
.283
.0985
.019
I
.891
.635
.352
.152
I
.991
.942
.821
.630
I
11.998
.989
I
111-
.999
I
1111-
I
I
11I
I
111I.
I
11I.
1-
I
I
111-
I
1111-
.0+
.0+
.0+
.0+
.0+
.003
.0+
.0+
.0+
.0+
.052
.014
.003
.001
.0+
.414
.231
.109
.043
.014
.802
.637
.449
.277
.148
.963
.996
1-
6
7
8
9
.904
.987
.961
.905
.999
.996
111-
.988
.999
.808
.965
.998
111I.
1-
11I.
11-
1111I.
11111-
10
ll
12
13
14
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.004
.001
.0+
.0+
.0+
.068
.026
.915
.826
.691
.524
.350
.991
.974
.932
.852
.723
11I
I
.001
.668
.500
.332
.192
.095
1-
.174
.085
.035
.012
I
111I
11I.
I.
1-
15
16
17
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.004
.001
.0+
.0+
.0+
.039
.013
.004
.001
.0+
.200
.096
.551
.363
.198
.086
.027
.891
.769
.586
.370
.179
.648
11.997
.981
.915
11-
19
.0+
.0+
.0+
.0+
.0+
20
21
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.006
.001
.058
.009
.365
.109
.717
.341
.981
.810
I
.198
.020
..001
.0+
I
.676
.302
.045
.022
I
.902
.661
.380
.172
I
.993
.952
.846
.668
I
1.996
.979
.932
I
I
1.998
.992
I
1111-
I
I
I.
1I-
I
11I
1-
I
11I
1-
I
11-
I
I.
I
11-
.004
.001
.0+
.0+
.0+
.062
.018
.004
.001
.0+
.457
.267
.133
.056
.020
.835
.687
.506
.329
.186
.973
.928
.842
.710
.546
.998
.992
.974
.933
.857
I
1.998
.993
.979
111I-
.0+
.0+
.0+
.0+
.0+
111I
I-
11I
11-
10
ll
12
13
14
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.006
.092
.039
.014
.376
.228
.121
.055
.021
.738
.584
.416
.262
.143
.945
.879
.772
.624
.996
.986
.961
.908
.814
1.998
.994
.989
1I.
I1-
3
4
IS
22
.0+
.10
2
3
4
5
6
7
.002
.0+
.0+
.0+
.999
.994
.973
.914
.009
.002
.004
.001
.0+
.800
.650
.476
.309
.037
.Oil
.002
.454
.999
.20fi
.999
.996
.986
.957
.999
.997
.986
.948
.848
1I
,_
I.
1-
1I
1-
11111-
.999
.983
I.
I.999
I
1-
111I.
1111111-
11-
347
(Lampi ran)
22
23
I~
.20
.30
.40
.50
60
.70
.80
.90
.95
.99
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
0+
0+
.0+
0+
.0+
.007
.002
.0+
.0+
.0+
.067
.026
.008
.002
.0+
.290
.158
072
.027
.008
.671
.494
.313
.165
.068
.944
.867
.733
.543
.32
.999
.996
.982
.938
.828
11.999
.996
.978
11111-
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
0+
20
21
22
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
0+
.0+
.0+
.0+
.0+
.0+
.0+
0+
.0+
.0+
.0+
0+
.0+
.002
.0+
.0+
.021
.004
.0+
.154
.048
007
.620
.339
.098
.905
698
.324
.999
980
.802
0
1
2
3
4
I
.206
.022
.002
.0+
I
.693
.321
.105
.026
I
911
.685
.408
.193
I
.994
.960
.867
.703
I
1.997
.984
946
I
11.999
.995
I
1111-
I
1111-
I
1111-
I
1111-
I
1111-
I
1111-
I
1111-
5
6
7
8.
9
.0+
.0+
.0+
.005
.001
.0+
.0+
.0+
.073
.IJ23
.006
.001
.0+
.499
.305
.160
.072
.027
.864
.731
.560
.382
.229
.981
.946
.876
.763
.612
.999
.995
.983
.953
.895
11.999
.996
.987
1111.999
11111-
11111-
11111-
11111-
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.009
.003
.001
.0+
.0+
.120
.055
.021
.007
.002
.444
.287
.164
081
.035
.798
.661
500
.339
.202
.965
.919
.836
.713
.556
.998
.993
.979
.945
.880
11.999
.997
.991
11111-
11111-
11111-
.0+
0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.001
.0+
.0+
.0+
.0+
.013
.004
.001
.0+
.0+
.105
.047
.017
.005
.001
.388
.237
.124
.054
.019
.771
.618
.440
.269
.136
.973
928
.840
.695
501
1.999
.994
.977
.927
111.999
.995
11111-
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.005
.001
.0+
.Oi'
.054
.016
.003
.0+
.297
133
.040
.006
.807
.592
315
089
.974
.895
679
.307
1.998
.978
.794
15
16
17
18
19
348
.10
15
16
17
18
19
10
11
12
13
14
24
.05
.01
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
20
21
22
23
.0+
.0+
.0+
.0+
0
I
2
3
4
I
.214
.024
.002
.0+
I
.708
.339
.116
.030
I
.920
.708
.436
.214
I
.995
.967
.885
.736
I
1.998
.988
.958
I
11.999
.996
I
1111-
I
1111-
I
1111-
I
1111-
I
1111-
I
1111-
I
1111-
5
6
7
8
9
.0+
.0+
.085
.028
.007
.002
.0+
.0+
.0+
.540
.344
.189
.089
.036
.889
.771
.611
.435
.275
.987
.960
.904
.808
.672
.999
.0+
.006
.001
.0+
.0+
11.999
.998
.992
11111-
11111-
11111-
11111-
11111-
.0+
.0+
.997
.989
.968
.924
24
25
01
.05
.10
.20
.30
.40
.50
.60
70
.80
.90
.95
.99
10
II
12
13
14
0+
.0+
.0+
0+
0+
0+
.0+
.0+
.0+
0+
.0+
0+
0+
.0+
.0+
.013
.004
.001
.0+
.0+
.153
.074
031
.012
.004
.511
350
.213
.114
.053
.846
.729
.581
.419
.271
.978
.947
886
.787
650
999
.996
.988
.969
.926
11I999
.996
I
1III
1-
111I-
1I-
15
16
17
18
19
.0+
0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
0+
0+
.0+
.0+
.0+
.0+
.0+
.0+
001
.0+
.0+
0+
.0+
.022
.008
.002
.001
.0+
.154
.076
.032
.Oil
003
.489
.328
192
.096
.040
.847
.725
.565
.389
.229
.987
.964
.911
.811
.636
I1.998
993
.972
I
I1I.999
1I
20
21
22
23
24
.0+
.0+
.0+
0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
0+
0+
0+
.0+
.0+
.0+
0+
.0+
.0+
.0+
0+
.0+
.0+
.0+
0+
.0+
.001
0+
.0+
.0+
.0+
.013
.004
.001
.0+
.0+
.Ill
.042
.012
.002
.0+
.460
.264
.115
.033
.005
.915
.786
.564
.292
.080
.994
.970
.884
.661
.292
I.998
.976
.786
0
I
2
3
4
I
.222
.026
002
.0+
I
.723
.358
.127
.034
I
928
.719
.463
.236
I
996
.973
.902
.766
I
I.
.998
.991
.967
I
I
I1998
I
11I-
I
1I
11-
I
11I
I
I
1I1I
I
I
I
I
1-
1-
1-
5
6
.007
.001
.0+
.0+
0+
.098
.0.33
910
.807
.659
.488
323
.991
.971
.926
846
.726
I
.998
.993
.978
.946
1I
I.999
.996
I11-
I
1-
.002
.0+
579
.383
.220
.109
.047
I
II1-
1-
.0+
0+
.0+
.0+
0+
1I
10
II
12
13
14
.0+
0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.017
006
002
.0+
.0+
.189
098
.044
.017
.006
.575
.414
.268
.154
078
.885
.788
.655
.500
.345
.987
966
.922
.846
.732
I.998
.994
983
.956
15
16
17
18
19
.0+
.0+
0+
0+
0+
.0+
.0+
.0+
.0+
.0+
.0+
0+
.0+
.0+
0+
.0+
.0+
.0+
.0+
.0+
.002
.0+
0+
.0+
.0+
034
.013
.004
.001
.0+
.212
.115
.054
.022
.007
.586
.425
274
.154
.074
902
.811
.677
.512
.341
20
21
22
23
24
.0+
0+
0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
0+
0+
.0+
0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
.0+
0+
.0+
.0+
.0+
.002
.0+
.0+
.0+
.0+
25
.0+
0+
.0+
.0+
.0+
.0+
.0+
7
8
009
I-
I-
I-
1-
1-
I
II-
I1I-
I
I1-
I.998
I.
II-
I
1I-
I1I.
1-
1-
1I-
1I.
11-
1-
I
1I
1-
1-
111I1-
1-
I-
.983
I1-
.953
.891
.780
1.998
.991
I
I
I-
11-
.967
.902
.764
.637
.271
.999
.993
.966
.873
.642
I
I
I-
.072
.277
.778
.994
.029
.193
.009
.090
.002
.0+
0+
.033
.009
.002
.617
.421
.334
.098
.027
.0+
0+
.004
I
111I.
.998
.974
349
(Lampiran)
c j.1
c-J.l
J.l
0.00
1.0000
1.000
0.40
1.4915
.67032
0.01
O.Q2
0.03
1.0101
1.0202
1.0305
.99005
.98020
.97045
0.41
0.42
0.43
1.5068
1.5220
1.5373
.66365
.65705
.65051
0.04
0.05
0.06
1.0408
1.0513
1.0618
.96079
.95123
.94176
0.44
0.45
0.46
1.5527
1.5683
1.5841
.64404
O.Q7
0~08
0.09
1.0725
1.0833
1.0942
.93239
.92312
.91393
0.47
0.48
0.49
1.6000
1.6161
1.6323
.62500
.61878
61263
0.10
J.J052
.90484
0.50
1.6487
.60653
0.11
0.12
0.13
J.ll63
l.l275
1.1388
.89583
.88692
.87810
0.51
0.52
0.53
1.6653
1.6520
1.6989
.60050
.59452
58860
0.14
0.15
0.16
1.1503
1.1618
1.1735
.86956
.86071
.85214
0.54
0.55
0.56
1.7160
1.7333
1.7507
.53275
.57695
37121
0.17
0.18
0.19
1.1853
1.1972
1.2092
.84366
.83527
.82696
0.57
0.58
0.59
1.7655
1.7860
1.8040
.56333
.55990
.55433
0.20
1.2214
.81873
0.60
1.821
.54881
0.21
0.22
0.23
1.2337
1.2461
1.2586
.81058
.80252
.79453
0.61
0.62
0.63
1.8404
1.8589
1.8776
.54335
.53794
.53259
0.24
0.25
0.26
1.2712
1.2840
1.2969
.78663
.77880
.77105
0.64
0.65
0.66
1.8965
1.9155
1.9348
.52729
I
.51685
0.27
0.28
0.29
1.3100
1.3231
1.3364
.76338
.75578
.74826
0.67
0.68
0.69
1.9542
1.9739
1.9937
.51171
.50662
.50158
0.30
1.3499
.74882
0.70
2.0138
.49659
0.31
0.32
0.33
1.3694
1.3771
1.3910
.73345
.72615
.71892
0.71
0.72
0.73
2.0340
2.0544
2.0751
.49164
.48675
.48191
0.34
0.35
0.36
1.4049
1.4191
1.4333
.71177
.70469
.69768
0.74
0.75
0.76
2.0959
2.1l70
2.1385
.47711
.47237
46767
0.37
0.38
0.39
1.4477
1.4623
1.4770
.69073
.68386
.67706
0.77
0.78
0.79
2.1598
2.1815
2.2034
.46301
45841
.45384
j.1
350
ci1
.63763
63128
c J.l
c-J.l
ll
c J.l
c-J.l
0.80
2.2255
.44933
1.20
3.3201
.30119
0.81
0.82
0.83
2.2479
2.2705
2.2933
.44486
.44043
.43605
1.21
1.22
1.23
3.3535
3.3872
3.4212
.29820
.29523
.29229
0.84
0.85
0.86
2.3164
2.3396
2.3632
.43171
.42741
.42316
1.24
1.25
1.26
3.4556
3.4903
3.5254
.28938
.28650
.28365
0.87
0.88
0.89
2.3869
2.4109
2.4351
.41895
.41478
.41066
1.27
1.28
1.29
3.5609
3.5966
3.6328
.28083
.27804
.27527
0.90
2.4596
.40657
1.30
3.6693
.27253
0.91
0.92
0.93
2.4843
2.5093
2.5345
.40252
.39852
.39455
1.31
1.32
1.33
3.7062
3.7434
3.7810
.26982
.26714
.16448
0.94
0.95
0.96
2.5600
2.5857
2.6117
.39063
.38674
.38289
1.34
1.35
1.36
3.8190
3.8574
3.8962
.26185
.25924
.25666
0.97
0.98
0.99
2.6379
2.6645
2.6912
.37908
.37531
.37158
1.37
1.38
1.39
3.9354
3.9749
4.0149
.25411
.25158
.24908
1.00
2.7183
.36788
1.40
4.0552
.24660
1.01
1.02
1.03
2.7456
2.7732
2.0811
.36422
.36060
.35701
1.41
1.42
1.43
4.0960
4.1371
4.1787
.24414
.24171
.23931
1.04
.35345
.34994
1.06
2.8292
2.8577
2.8864
.34646
1.44
1.45
1.46
4.2207
4.2631
4.3060
.23693
.23457
.23224
1.07
1.08
1.09
2.9154
2.9447
2.9743
.34301
.33960
.33622
1.47
1.48
1.49
4.3492
4.3929
4.4371
.22993
.22764
.22537
l.IO
3.0042
.33287
1.50
4.4817
.22313
1.11
l.l2
1.13
3.0344
3.0649
3.0957
.32956
.32628
.32303
1.51
1.52
1.53
4.5267
4.5722
4.6182
.22091
.21871
.21654
1.14
1.15
1.16
3.1268
3.1582
3.1899
.31982
.31664
.31349
1.54
1.55
1.56
4.6646
4.7115
4.7588
.21438
.21225
.21014
1.17
l.l8
l.l9
3.2220
3.2544
3.2871
.31037
.30728
.30422
1.57
1.58
1.59
4.8066
4.8550
4.9037
.20805
.20598
.20393
LOS
351
(Lampiran)
352
c Jl
cil
Jl
c Jl
cil
1.60
4.9530
.20190
2.00
7.3891
13534
1.61
1.62
1.63
5.0028
5.0531
5.1039
.19989
.19790
.19593
2.01
2.02
2.03
7.4633
7.5385
7.6141
13399
.13266
.13134
1.64
1.65
1.66
5.1552
5.2070
5.2593
.19398
.19205
.19014
2.04
2.05
2.06
7.6906
7.7679
7.8460
.13003
.12873
.12745
1.67
1.68
1.69
5.3122
5.3656
5.4195
.18825
.18637
.18452
2.07
2.08
2.09
7.9248
8.0045
8.0849
.12619
12493
12369
1.70
5.4739
.18268
2.10
8.1662
12246
1.71
1.72
1.73
5.5290
5.5845
5.6407
.18087
.17907
.17728
2.11
2.12
2.13
8.2482
8 3311
8.4149
12124
.12003
.11884
1.74
1.75
1.76
5.6973
5.7546
5.8124
.\7552
17377
.17204
2.14
2.15
2.16
8.4994
8.5849
8.0711
.11765
.11648
.11533
1.77
1.78
1.79
5.8709
5.9299
5.9895
17033
16864
16696
2.17
2.18
2.19
8.7583
8.8463
8.9352
.11418
.11304
.11192
1.80
6.0496
16530
2.20
90250
.11080
1.81
1.82
1.83
6.1104
6.1719
6.2339
.16365
.16203
.16041
2.21
2 22
2.23
9.1157
9.2073
9.2999
.10970
.10861
10753
1.84
1.85
1.86
6.2965
6.3598
6.4237
.15882
.15724
.15567
2.24
2.25
2.26
9 3955
9.4877
9.5831
.10546
10540
10435
1.87
1.88
1.89
6.4883
6.5535
6.6194
.15412
.15259
.15107
2.27
2.28
2.29
9.6794
9.7767
9 8749
10331
10228
10127
1.90
6.6859
.14957
2.30
9.9742
10026
1.91
1.92
1.93
6.7531
6.8210
6.8895
14808
14661
14515
2 31
2 32
2.33
10.074
10.176
10.278
.09926
09827
.09730
1.94
1.95
1.96
6.9588
7.0287
7.0993
.14370
.14227
.14086
2.34
2.35
2.36
10.381
10 486
10 591
.09633
.09537
.09442
1.97
1.98
1.99
7.1707
7.2427
7.3155
.13946
.13807
.13670
2.37
2.38
2.39
10.697
10 805
10.913
.09348
.09255
.09163
c ll
e-ll
ll
c ll
cil
2.40
11.025
.09072
2.70
14.880
.06721
2.41
2.42
2.43
11.134
11.246
11.359
.08982
08892
.08804
2.71
2.72
2.73
15.029.
15.180
15.333
.06654
.06587
.06522
2.44
2.45
2.46
11.473
11.588
11.705
.08716
.08629
.08543
2.74
2.75
2.76
15.487
15.643
15.800
.05457
.06393
.06329
2.47
2.48
2.49
11.822
I 1.941
12.061
.08458
.08374
03291
2.77
2.78
2.79
15.959
16.119
16.281
.06266
.06204
.06142
2.50
12.182
.08208
2.80
16.445
.06081
2.51
2.52
2.53
12.305
12429
12.554
.08127
.08046
.09366
2.81
2.82
2.83
16.610
16.777
16.945
.06020
.05961
.05901
2.54
2 55
2.56
12.680
12.807
12.936
.07887
.07808
.07730
2.84
2.85
2.86
17.117
17.288
17.462
.05843
.05784
.05727
2.57
2.58.
2.59
13.066
13.197
13.330
.07654
.07577
.07502
2.87
2.88
2.89
17.637
17.814
17.293
.05670
.05613
.25558
2.60
15.464
.07427
2.90
18.174
.05502
2.61
2.62
2.63
13.599
13.736
13.874
.07353
.07280
.07208
2.91
2.92
2.93
18.357
18.541
18.728
.05448
.05393
.05340
2.64
2.65
2.66
14.013
14.154
14.296
.07136
.07065
.06995
2.94
2.95
2.96
18.916
19.106
19.298
.02287
.05234
.05182
2.67
2.68
2.69
14.440
14.585
14 732
.06925
.06856
.06788
2.97
2.98
2.99
19.492
19.688
19.886
.05130
.05079
.05029
353
(Lampiran)
Nilai c ll dan c il
ll
354
c ll
cil
ll
c ll
cil
3.0
20.086
0.0498
4.5
90.017
0.0111
3.1
3.2
3.3
3.4
22.198
24.533
27.113
29.964
0.0450
0.0408
00369
0.0334
4.6
4.7
4.8
49
99484
109.95
121.51
134.29
0.0101
0.0091
0.0081
00074
3.5
3.6
3.7
3.8
3.9
33".115
36.598
40.447
44.701
49.402
0.0302
0.0273
0.0247
0.0224
0.0202
5
6
7
8
9
148.41
403.45
1096 6
2981 0
8103.1
0.0067
0.0025
00004
0.0003
0.0001
4.0
4.1
4.2
4.3
4.4
34.598
60.340
66.686
73.700
81.451
0 0183
0.0166
0.0150
0.0136
0.0123
10
22026
0.00005
Bagi d.f.
= l 0 derajat be bas
p(t> 1.812)-0.05
I 812
IX
.25
20
I 812
.15
10
.025
01
.005
.0005
6.314
2.920
2.353
2.132
2 015
12.706
4.303
3.182
2.776
2 571
31.821
6.965
4.541
3.747
3.365
63.657
9.925
5.841
4.604
4.032
636.619
31.598
12.941
8.610
6.859
1.943
1.895
1860
1.833
1.8I2
2.447
2.365
2.306
2.262
2.228
3.143
2.998
2.896
2 821
2.764
3.707
3.499
3.355
3.250
3.169
5.959
5.405
5.041
4.781
4.587
2 201
2.179
2.160
2145
2 131
2.718
2681
2.650
2.624
2602
3.106
3.055
3.012
2.977
2.947
4.437
4.318
4.221
4.140
4.073
2.120
2.101
2.093
2.086
2.583
2.567
2.552
2.539
2.528
2.921
2.898
2.878
2.861
2.845
4.015
5.965
3.922
3.883
3.850
2.831
2.819
2.807
2.397
2.787
3.819
3.792
3.767
3.745
3.752
2.779
.05
I
2
3
4
5
1.000
.816
765
741
.727
1.376
1.061
978
.9941
920
1.963
I 386
1.250
1.190
1.156
3.078
I 886
1.638
718
.711
.706
.703
1.134
1.119
1 108
1.100
1 093
1.440
I 415
1.397
I 383
.700
906
.896
.889
883
.879
876
.873
.870
.868
866
I 088
1.083
I 079
1.076
1.074
1.345
1.796
I 782
1.771
1 761
15
.692
695
694
.692
.691
I 341
1.753
16
l7
18
19
20
.690
.689
688
688
.687
.865
.863
.862
.86I
860
I 071
1.069
1.067
I 066
l 064
1.337
I 333
1.330
1.328
l 325
1.746
1.740
1 734
1.729
I 725
21
22
.859
24
25
.686
.686
.685
685
.684
858
.857
856
1.063
1 061
1.060
1.059
I 058
1.323
1.321
1.319
I 318
1.316
1.721
1.717
I 714
I 711
1.708
2.080
2.074
2.069
2064
2060
2 518
2 508
2.500
2.492
2.485
26
27
28
29
30
.684
684
.683
.683
683
856
.855
.855
854
.854
1.058
I 057
I 056
1.055
I 055
1315
1.314
1.313
1.311
1.310
1.706
1.703
1 701
I 699
1.697
2 056
2.052
2.018
2045
2042
2.479
2.473
2.467
2462
2.457
2.763 \
2.756
2.750
3.707
3.690
3.674
3.658 '
3.646
40
60
120
=
.681
679
677
.674
.851
.843
.845
.842
I 050
1.046
I 041
I 036
I 303
I 296
1.289
1.282
1684
1.671
1.658
1.645
2.021
2000
1.980
1.960
2423
2.390
2.358
2.326
2.704
2.660
2.617
2.576
3.551
3.460
3.375
3.291
7
8
9
10
ll
12
13
14
23
858
1.533
1.476
1.372
I 363
1.356
1.350
2ll0
2.771
Sumber Fl'her and Yate!. Stansucal Tables for Bmlogcal. Agricultural and Medical Resurch.
Table Ill
355
1
2
3
4
5
6
7
8
9
10
ll
12
13
14
15
16
17
18
19
20
21
22
23
24
25
2315
0534
1487
3897
9731
ll74
4336
9380
4954
3676
0709
4331
6157
3135
5704
0924
9795
9575
7262
6102
9785
8916
2596
8144
1132
7548
5550
1603
6749
2617
2693
1288
6204
0131
8726
2523
0010
0063
2837
8865
3442
5350
2595
112
0744
9854
0971
6882
3317
2549
9 12
15- 16
17-20
21 24
25 28
29-32
33-36
37-40
5901
4510
5052
5194
1899
8144
5911
7858
8108
3337
9224
8144
6006
9910
2627
0068
1840
7045
2500
1845
7433
9222
2062
1905
3142
8372
5374
5993
3508
6223
5853
0870
0872
5623
4491
4187
1569
2607
0307
3775
8941
3682
7137
8329
8889
8264
0794
1718
0657
9265
4806
4386
7624
9061
5005
7880
9425
3279
9500
5575
6955
4195
0655
5255
6314
3157
9052
3072
5223
5667
3566
9591
4547
3505
0282
7469
0862
9708
1837
1003
5901
1258
7331
9004
1189
8296
9686
8455
5161
8951
9764
9565
9757
0825
1668
6394
7578
3541
5454
3528
0075
4967
8695
4410
2211
9432
4154
1822
9943
3258
6177
7045
4467
4889
2355
4862
4635
5609
2122
2695
3471
6699
4422
898
6284
6765
6742
2305
9622
5438
4287
8821
6470
6407
4755
7380
2748
3384
7429
0174
5848
0653
2982
5326
9964
6875
5361
0342
4381
9195
0171
2452
6744
1343
0834
1695
0513
6850
4036
2571
9527
3880
5320
4647
6993
6919
2254
7650
1587
4569
1867
9378
21-24
25-28
1769
3811
6659
7965
4827
6062
3932
3666
2062
6206
6622
9096
0852
0022
3574
3144
4829
2344
5107
0264
4105
1437
4064
1057
5718
6156
2490
1028
5901
4547
6128
3493
9502
8373
9929
4240
6336
8263
1501
2836
6802
6383
4124
3010
1850
4105
2851
4171
5765
8791
8753
6978
5544
2234
2488
9556
1952
7595
1596
7469
7292
9399
3673 .
3731
5223
6333
7060
6465
3187
6727
7013
1562
0754
7656
8000
5536
6916
9149
4043
0517
7553
3395
0164
2680
4298
9482
6271
8638
1736
7791
7959
7210
8948
7819
9226
3712
0559
2329
8717
0495
3623
3000
6361
4883
6545
3245
Ribuan Kedua
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
356
6475
1030
7101
6001
3733
4786
3804
7350
3262
9759
7401
5675
4980
4358
1665
4850
9676
3892
7795
1792
9403
4746
4785
5761
0230
5835
2522
7984
2556
0946
9870
0427
8309
3464
1995
2319
4264
0499
4896
3796
2690
5546
3613
8816
8280
6859
0504
6560
6346
0927
8584
8977
9551
0588
5649
0131
3764
0883
7484
4936
5559
5713
0454
4724
6460
5565
9236
5020
9425
6525
7802
7956
8851
5392
0465
1222
4363
3085
4103
1614
5911
1678
0548
0610
6303
7909
3510
8515
8785
3257
3225
3168
3578
2250
3860
3180
2304
9928
2986
7526
5920
4430
0374
4879
2802
2273
9578
0078
4324
5106
6982
5014
1998
6670
1301
8748
6230
1784
5587
8771
4499
8417
2439
2018
,6610
4343
4604
3564
3205
7490
0963
9236
5916
0588
2529
8166
9922
2186
7964
'4312
5580
4651
9869
2222
3666
5090
1212
8706
5336
3969
7754
7589
3488
5026
2377
7229
6367
4094
8128
1961
8170
1596
-Ribuan ke-tiga
1-4
5-8
9- 12
15- 16
17-20
21-24
25-28
29-32
33-36
37-40
8922
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0400
1023
5998
6380
9844
3724
3839
3126
8690
2997
2322
3487
3685
5225
5218
3271
3759
1537
9783
0416
8659
9391
5855
4384
0037
5689
6263
1863
6650
0159
8900
2777
7890
8073
1849
5445
9247
0156
9997
2654
4944
0856
8981
5904
5707
2325
2304
5514
3167
6713
7625
7877
9182
8567
2260
7852
7620
9069
0298
7577
8792
3148
6389
9778
6550
2936
2381
3830
4020
4680
0788
5484
3885
1252
5611
4989
4733
9032
5045
1314
5843
3086
5127
9401
2302
2423
5228
1405
3497
2243
0262
2782
7763
0059
7053
9551
8995
0170
8639
1763
2961
6886
3975
1976
2066
7948
4115
0925
8038
1392
6301
4153
9849
9785
9568
1769
3156
7347
8118
3682
4856
6032
3356
6215
1447
8207
6308
4920
5391
4128
8767
6253
5202
0504
4415
2611
2544
9886
5778
4768
9005
9869
2629
0678
5799
5410
4106
2580
8643
2520
0098
0182
7754
5008
7264
8317
2798
5915
1166
9651
0650
4125
5579
4471
5792
1205
2998
1612
7137
1582
7232
7614
5584
5431
6547
6432
2546
5091
0786
6473
0819
2268
8755
3514
9854
4171
2873
6521
6555
0566
3930
6459
0751
6559
8373
0859
4127
0047
0613
3384
6187
4389
2993
3850
3182
9143
3863
0466
5746
9519
9431
3660
9800
1248
8204
9458
2242
7868
3586
8612
6129
5985
5077
3511
5597
7526
4064
5458
2461
8074
4367
5833
2738
3832
6890
8285
3683
8799
1682
7263
8915
0517
9808
7849
6095
1865
7204
0675
9643
Ribuan ke-empat
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
1-4
5-8
9- 12
15- 16
17-20
21-24
25-28
29-32
33-36
37-40
0249
1196
4825
2724
3253
6675
1126
1787
6256
6279
7551
8743
9774
9881
5126
4023
2693
8850
6349
3637
9380
2985
9772
8323
7574
0541
7364
6834
6760
2772
7989
6845
2891
1803
6307
0217
9016
2026
1060
4018
6033
6591
2117
9380
9812
1223
6371
0879
1091
6432
2227
6960
6549
8021
6572
5592
4573
4245
6505
7955
7104
9163
2110
0121
5264
7610
8651
1698
9325
0603
2247
2056
3188
0574
6851
9443
6278
6992
4812
4307
3759
5059
5618
4081
4977
3393
5172
7487
5710
6079
4196
6672
2994
5936
3177
4795
3115
2651
6014
7279
9364
3701
4079
3536
0722
3431
7746
0146
4754
0501
3660
6390
8803
2875
2553
8610
7645
0974
1995
8710
7017
0053
3050
6377
5773
0423
0925
0540
0488
9652
4320
3466
9313
3179
3010
4275
4443
3833
2182
2900
4912
4632
4239
7986
7382
5933
2539
7101
5993
7236
0720
3302
3351
1899
9184
4558
8269
7489
8081
5081
7622
7072
7652
8839
4266
0029
9446
4622
7805
8310
4306
5812
7151
8156
4875
7411
0801
5439
7749
5792
2545
9926
2464
3361
3300
2387
1798
2692
1285
9578
4180
8194
0069
6901
8360
4743
6522
7706
4734
2436
6795
3853
6130
4849
6571
4436
7429
2575
0109
9979
5654
7063
1495
1886
5836
0359
1906
0948
0233
5094
0612
4140
9579
1779
8750
4082
7482
3136
3071
0011
9263
7516
9284
7730
1970
8468
9032
9051
1624
2998
9317
6647
1646
8374
4091
6660
2331
2919
2755
6402
357
Lampiran
I
2
3
4
5
6
7
8
9
10
II
12
13
14
IS
16
17
18
19
20
21
22
23
24
2S
1-4
S-8
9-12
IS- 16
17-20
21-24
25-28
29-32
33-36
37-40
2993
1511
0387
7939
3003
2903
7819
1584
3661
40S4
4087
1022
IS91
1340
6652
9166
6741
76S2
1981
2S59
5590
0247
1863
8967
6298
5069
4071
0432
0391
5069
9998
6081
7854
4622
9548
8089
9492
8767
3187
394S
S364
S875
7969
5477
2535
245S
0583
0582
3382
6673
7163
2651
2510
8840
1579
6129
0824
9391
4849
8491
9714
8241
8730
9649
9674
6968
1508
9623
8974
8776
3963
4979
6313
3016
6406
1755
8907
5898
7564
1965
7597
1074
4429
1949
4654
2860
1733
6242
9099
9089
3461
2077
7243
3481
3847
6463
7942
8199
0639
5951
2579
7787
7629
S269
4428
9802
9777
1351
7209
3862
9982
1468
S928
4404
0271
7870
3729
3448
7147
257S
1609
2482
7619
2007
7427
1047
75Sl
2203
6595
6481
6858
0959
8013
92S8
35S4
9030
594S
4412
6497
1000
2597
7320
6339
109S
8434
9S99
4242
358S
S950
8462
8893
0131
9941
9206
9523
1391
9435
0737
7920
1441
8780
5187
4250
9414
9986
S046
157S
2323
4343
7689
9828
3961
9123
3384
5145
7961
0342
2438
4014
1448
9838
6964
5221
S341
6688
07S1
5608
8813
6218
4817
6221
9396
9460
5581
!80S
8740
6247
S014
0276
6582
4282
9424
1276
2842
7218
1372
8209
S391
0218
8747
S871
9080
1377
ISS9
6406
2725
9176
8879
194S
739S
6666
4911
6328
4S08
8603
1363
8111
5022
2960
1594
4373
4956
0986
0064
4180
6658
6660
1614
8335
8909
9620
9699
0617
4407
7222
6692
7264
86S9
3333
7300
Ribuan ke-enam
I
2
3
4
5
6
7
8
9
10
II
12
13
14
15
16
17
18
19
20
21
22
23
24
25
358
1-4
5-8
9- 12
15- 16
17-20
21-24
25-28
29-32
33-36
37-40
2750
0261
3743
8356
0681
3915
8445
8247
9804
1933
3392
4866
8585
0827
5961
1745
1126
4808
7627
9889
8869
12S8
0886
3381
OS IS
130S
5757
1283
6554
5627
0360
7193
0577
0670
4904
1993
7430
0754
0808
2214
7779
3708
1398
7222
2225
6163
1375
9636
0551
9928
4634
6289
6639
1933
4932
1556
1027
0689
2421
1433
3827
4481
2150
3587
2605
3166
0771
1652
9961
7293
0167
8098
1409
8248
8713
6385
4009
7733
3542
1242
7316
1583
4713
6902
4850
4340
0680
3180
9657
967S
36S4
9595
4115
7215
52SS
6188
0135
4385
6012
0708
8760
6601
6326
9212
9242
4874
8420
9285
6542
1564
2772
2909
1079
3312
1794
9285
3975
7396
0025
0798
5879
9116
5120
S244
3392
3S5S
6988
5399
3714
0596
5027
5742
6012
3513
5826
7974
5031
5665
0177
SI08
6360
9218
3355
2154
6671
3565
1836
6518
0812
5381
0567
9283
4865
7075
8294
4342
4128
3289
1195
1491
8657
6961
8232
5276
4191
5398
9978
0312
4779
5329
084S
9054
0640
8900
6942
881S
5570
2306
1858
7025
5836
4206
2522
7255
4802
41883
2464
2658
0989
4S94
6350
2333
3830
1814
6171
6338
9917
5217
9882
0227
4700
7639
9429
9857
4549
7516
1590
4238
7323
7215
5871
2889
5512
7112
8048
1120
1956
8877
5850
S696
6986
6836
4810
7917
65SS
5092
0258
5304
1252
1816
3990
7047
8737
5726
4862
5699
9779
2634
1769
5992
9663
0667
1705
5766
4178
7947
8S06
6897
9722
5769
1-
Ribuan ke-tujuh
I- 4
5-8
9- 12
15- 16
17-20
21-24
25-28
29-32
33-36
37-40
8030
6129
2333
9421
8761
3756
6486
2269
2322
4238
1718
3945
4318
5944
0150
7914
0156
2576
2352
9164
8086
3171
0583
9870
3270
2364
8961
6101
3292
9269
1918
6631
5845
1422
5964
0134
6953
1142
0643
3432
6055
6368
1871
1083
0864
0727
3760
5036
0290
3545
6796
3208
0221
9350
0160
0342
5504
4923
6490
7296
1098
9489
5619
6855
3800
4795
8026
2925
4506
2574
2670
9560
0904
3063
6453
2133
1262
1181
7267
2879
8603
8840
0981
1026
4657
3748
5897
4844
1663
3757
9017
1497
1551
4985
1610
0865
9495
3915
6259
9324
3690
2608
3132
2320
7479
8574
1030
9884
7423
8967
9386
2<(33
4502
6615
4782
3105
2588
9226
3545
9731
8520
5445
6655
2604
8633
0391
4200
3610
7459
8606
4481
8438
0504
3391
2281
8859
2919
8429
5800
6659
8537
5922
0101
8408
1027
3123
2797
8036
9720
4872
6955
3173
2574
3050
3929
8645
0613
7599
2775
9456
6953
3094
0178
9576
1950
3870
8239
2818
8113
2448
2890
0367
3971
0091
1957
9013
3130
3031
4866
7385
7116
5883
2770
7819
6984
7886
8057
6577
5067
8714
3416
7085
0555
5257
8906
3963
3054
2410
2880
0519
3448
3061
9011
7532
0527
1352
6204
7279
9243
1851
3726
3199
7684
6765
3539
6455
4834
1110
2125
4281
3203
8604
6222
4023
2009
0219
3411
2353
2797
5057
3556
6552
3219
6810
0639
8548
3891
8885
1883
7947
6649
4648
2784
6702
2910
7191
1241
2153
0991
3146
I
2
3
4
5
6
7
8
9
10
II
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Ribuan ke-delapan
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
1-4
5-8
9-12
15- 16
17-20
21-24
25-28
29-32
33-36
37-40
3752
4816
5043
8931
6329
7168
0506
0335
1304
4996
2436
5519
0228
9050
3371
7058
0968
1936
0475
7989
8099
4883
2845
5207
3914
4955
6963.
0639
6279
9061
9394
9663
3895
3767
4394
2408
9720
3460
1373
3243
2849
9610
6085
4449
3239
4243
6499
3585
6515
5218
4063
6902
3653
4573
3639
0872
5824
4644
7477
5604
4477
0111
2835
2220
2958
3432
5778
3504
6426
4677
0858
8694
2220
8230
3507
2761
0883
3061
7172
0738
3627
0595
2570
5335
0279
3707
4745
3294
3756
4738
9770
8500
1287
5146
5683
4551
4878
1301
6623
4855
0859
0803
4021
7711
3885
8589
5664
3166
9351
5578
5441
7979
3674
9795
3996
2781
8981
8388
8050
4221
9805
7920
7396
1426
4111
9123
6837
2906
28880
7706
4059
7753
0105
8283
0144
0456
0672
5163
4995
6751
6469
9830
6654
5391
6003
5439
6223
7005
6661
0311
2618
0096
4960
7233
1023
8337
8564
9504
1359
9038
7577
3084
9385
1595
6291
6216
8334
3058
8697
0415
5273
4991
0256
7628
3020
6736
0701
9747
9263
6859
4197
0380
9820
1216
2143
2472
0795
7397
9391
3631
0448
0181
2445
3409
3043
1293
6458
6157
6299
0530
6866
6685
3833
36366
9638
4027
0884
9952
1793
1923
9843
3076
4444
2738
7526
0944
1281
9690
9115
6447
7152
1940
3200
0055
1447
3442
5634
8450
1130
2699
8405
3903
4304
7523
3282
3736
0653
1014
7894
9307
0458
9983
4263
0829
4922
5940
8302
1663
2480
5042
359
Lampiran
TABEL VITI (a) Daerah keyakinan bagi proporsi (koefisien keyakinan 0.80)
l.O
0.9
0.8
0.7
0.6
~
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.6
0.5
0.7
0.8
0.9
1.0
Skala~
n
Sumber CJ. Clopper and E.S. pearson: The Use of Confidence or Fiducal Limtts Illustrated in The Case
ofThe Binomial, Binomial. Vol. 26 (1934)
360
0.9
0.8
0.7
0.6
"-
~"
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
03
0.4
0.6
0.5
Skala
0.7
0.8
0.9
1.0
361
Lampiran
TABEL VIII (c) Daerah keyakinan bagi proporsi (koefisien keyakinan 0.95)
1.0
... v
0.9
0.8
0.7
0.6
....""..><"'
Cll
0.5
/
0.4
v /
/
/
/
v /
v/ /
"'/
/ /; V; /.
...... ~ ~ ~ / v/ l;j 'l: vJ '/
/ 1/ ~ / V; /
I/ ~ ~
~ '/
/
/ / ~
z z v
z
I; v. . .
0.2
0.1
~ ~ ~ :?
/ V/
v/
V;
/ /
/ /
1': v
/ v/ / .hv/ / v
/ / /. Vv /
/ I
v_, .L / v
v: /'l v
;/ I / / Vj / / /
~
[//
Vjvv
'/
.
.
.
'l.
/
/
I / ~
/ v '/ // / / / / l j / ~ v /
v/ // / / ~ ~ /. 0 v /
/. VI // / / ~ ? ~ ~ / /
'h / / /,.... ~ ~ ~ v /
0.3
r;
/ /
/ / ~~/
v v: ~ v
v: v/ /' v
v / ~v /
/ v v 1/ v /
v v v // "'/ v /
/
~/
'L.
/
/
.,...... I-'
~~~~~
0
0
0.1
0.3
0.4
0.5
0.6
Skala ~
n
362
,,
~
.....-:: ~ ~ ~
~
~ ~ ba ~ ~) VI
/ h ~~ / ~
0.7
0.8
0.9
1.0
Lampi ran
TABEL VIII (d) Daerah keyakinan bagi proporsi (koefisien keyakinan 0.99)
1.0
0.9
0.8
0.7
(:!.,
,.,.""
"
0.6
1/ /
<ll
/ /
0.5
v /
v
v
/
/
/.
"
/
.....
~~ ~~~ ~
~ ~ ~ ;" If;
..Q_ ~ t/ / / / /)
:? / /' / / /, lj 1/
~/
/
/ Vj J !/.
;;.-"
v
v
v.
,"
/ / ( J
0
v
v
v
v
/'
v /
/ /
/
/ /
v
/
v
1'/
v
v/
/ /
/ / '/ v
v v /' /' / /
v /
/
/ /
v / v / v / / vL / IV /
v / v / / ," / VL / '/ / 1/
v v / / / / I> / / / / /
v / / / / v./ / / / /
/
/'
v
v
v
v
v
v L/
v
vv v
I / / / ,..." /
'> / /.
v I;
Lv
/
/ v; / v / /
/
/ ../ / / ~ v/ v v
I v" /
VJ rL 1/ v,... v / v. ~ Y: v /
V; ;; v v. 0 ~ ~ v
vi ~ ~ ~ ~ .....~ ~ v
0.4
0.3
.//'/
0.2
./
0.1
1. ~ ~
0
0
0.1
............
~~
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Skala ~
n
363
.0
.1
.2
.3
.4
.5
.6
.7
.8
.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
19
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
4.0
5.0
.00
.0000
0.997
.1974
.2913
.3800
.4621
.5370
.6044
.6640
.7163
.7616
.8005
.8337
.8617
.8854
.9052
.9217
.9354
.9468
.9562
.9640
.9705
.9757
.9801
.9837
.9866
.9890
.9910
.9926
.9940
.9951
.9993
.9999
.01
.0100
.1096
.2070
.3004
.3885
.4700
.5441
.6107
.6696
.7211
.7658
.8041
.8367
.8643
.8875
.9069
.9232
9367
.9478
9571
.9647
.9710
.9762
.9805
.9840
.9869
9892
.9912
.9928
.9941
.02
.0200
.1194
.2165
.3095
.3969
.4777
.5511
.6169
.6751
.7259
.7699
.8076
.8397
8668
.8896
.9087
.9246
.9379
.9498
.9579
.9654
.9716
.9767
.9809
.9843
.9871
.9895
.9914
.9929
.9942
.03
.04
05
.0300
.1293
.2260
.3185
.4053
.4854
.5581
.6231
.3805
.7306
.7739
.8110
.8426
.9593
.8917
.9104
.9261
.9391
.9488
9587
.9661
.9722
.9771
.9812
.9846
.9874
.9897
.9915
.9931
.9943
.0400
.1391
.2355
.3275
.4136
.4930
.3649
.6291
.6858
.7352
.7779
.8144
.8455
.8717
.8937
.9121
.9275
.9402
.9508
.9595
.9668
.9727
.9776
9816
98!l9
9876
.9899
.9917
.9932
.9944
.0500
.1489
.2449
.3364
.4219
.5005
.5717
.6352
.6911
.7398
.7818
.8178
.8483
.8741
.8957
.9138
.9289
.9414
.9318
.9603
9674
.9732
9780
.9820
.9852
.9879
.9901
.9919
.9933
.9945
366
.06
.07
.0599 .0699
.1587 .1684
.2543 .2636
.3452 .3540
.4301 .4382
.5080 .5154
.5784 .5850
.6411 .6469
.6963 .7014
.7443 .7487
.7857 .7895
.3210 .8243
.8511
.8538
.8764 .8787
.8977 .8996
.9154
9170
9302 .9316
.9425 .9436
.9527 .9536
.9611 .9619
9680 .9687
.9738 .9743
.9785 .9789
.9823 .. 9827
.9855 .9858
.9881 .9884
.9903 .9905
.9920 .9922
.9935 .9936
.9946 .9947
.08
.0798
.1781
.2729
.3627
.4462
.5227
.5915
.6527
.7064
.7531
.7932
.8275
.8565
.8810
.9015
.9186
.9329
.9447
.9545
.9626
.9693
.9748
.9793
.9830
.9861
.9886
.9906
.9923
9937
9949
.09
.0898
.1878
:2821
.3714
.4542
.5299
.5980
.6584
.7114
.7574
.7969
.9306
.9591
8832
.9033
.9202
.9342
9458
.9554
.9633
.9699
.9753
.9797
.9834
.9863
.9888
.9908
.9925
.9938
.9950
'
10
12
15
20
24
30
40
60
120
4
5
161
18 5
10 I
7 71
6 61
200
19 0
9 55
694
5 79
216
19 2
9 28
6 59
5 41
225
19 2
9 12
6 39
5 196
230
19 3
901
6 26
5 05
234
19 3
894
6 16
4 95
237
19 4
8 89
609
4 88
239
194
8 85
64
4 82
241
19 4
8 81
600
477
242
194
8 79
5 96
4 74
244
194
8 74
5 91
468
246
!9 4
8 70
5 80
4 02
248
19 4
8 66
5 80
4 56
249
19 5
864
5.77
4 53
250
19 5
802
5 75
4 50
251
19 5
8.59
572
446
252
19 5
8 57
5 69
443
253
19.5
8 55
5.66
440
254
19 5
8 83
5 63
4 37
0
7
8
9
10
5 99
5 59
5 32
5 12
496
5 14
4 74
446
4 26
4 10
4 76
4 35
4 07
3 80
3 71
4 53
412
3 84
3 63
3 48
4 39
3 97
3 69
3 48
3 33
4 28
3 87
3 58
3 37
3 22
421
3 79
3 50
3 29
3 14
415
3 13
344
3 23
3 07
4 )()
6 6h.
_j 39
3 18
3 02
400
364
3 35
3 14
298
400
3 57
3 28
3 07
291
3 94
3 51
3 22
3 OJ
2 85
3 87
344
3 15
294
277
384
3 41
3 12
290
2 74
J 81
3 38
3 08
2 80
2 70
377
3 34
204
2 83
266
3 74
3 30
3 OJ
2.79
262
3 70
3 27
2.97
2.75
2.58
3 67
3 23
2 93
2 71
2.54
II
12
13
14
15
4 84
4 75
467
460
4 54
3 08
3 89
3 81
3 74
3 68
3 59
3 49
341
3 34
3 29
3 36
3 26
3 18
3 II
300
3 20
3 II
3 03
2 96
2 90
309
30
292
2 85
2 79
3 OJ
291
2 83
2 76
2 71
2 95
2 85
277
2 70
264
290
2 80
2 71
2 65
2 59
2 85
2 75
2 67
260
2 54
2 79
2 69
260
2 53
248
272
2 62
2 53
246
240
2 65
254
246
2 39
2 33
2.61
2 51
242
2.35
2 29
2 57
247
2 38
2 31
2 25
2 53
2 43
2 34
2 27
2 20
249
2 38
2 30
2 22
2.16
245
2 34
2 25
2.18
2 II
240
2 30
2 21
213
207
16
449
4 45
441
4 38
4 35
3 63
3 59
3.55
3 52
3 49
3 24
3 20
3 16
3 13
310
3 OJ
2 96
2 93
2 90
2 87
2 85
2 81
277
2 74
2 71 I
2 74
2 70
2 66
2 63
260
2 66
2 61
2 58
254
2 51
2 59
2 55
2 51
2 48
2 45
2 54
2 49
2 46
2.42
2 39
2 49
2 45
241
2 38
2 35
242
2 38
2 34
2 31
2 28
2 35
2.31
2 23
2 20
2 28
2 23
219
2 16
212
2.24
2.19
2.15
2 II
208
2 19
215
2 II
207
204
2 15
210
206
203
199
211
206
202
198
195
206
201
197
193
190
201
I 96
192
I 88
184
4 32
4 30
4 28
4 26
4 24
3 47
344
2 84
2 82
2 80
2 78
2.76
2 68
266
264
262
260
2 57
2 55
2 53
2 51
249
249
246
244
2 42
240
242
240
2 37
2 36
2 34
2 37
2 32
2 30
2 28
2 32
2 30
2 27
2 25
2 24
2 25
2 18
2 15
2 13
210
207
2 05
3 40
3 39
3 07
3 05
3 03
3 01
2 99
2 II
2 03
209
2 01
2 05
2 03
2 OJ
I 98
196
201
I 98
196
194
192
196
194
I 91
I 89
I 87
192
I 89
1.86
184
I 82
1.87
184
181
I 79
177
I
I
I
I
I
417
408
400
3 92
384
3 32
3 23
3 15
3 07
300
2 92
2 84
2 76
2 68
2 60
269
261
2 53
245
2 37
2 53
2 45
2 37
2 29
2 21
2 42
2 34
2 25
2 18
2 33~
2 25
21,209
2~1
2 27
218
2 IQ
2<&
194
2 21
2 12
204
I 96
I 88
216
208
199
I 83
1 75
2 01
192
I 81
I 75
1 67
I 93
I 84
I 75
I 66
I 57
I 89
1.79
I 70
I 61
1 52
184
1374
165
I 55
146
I
I
I
I
I
I 74
164
163
143
1 32
168
1.58
1.47
I 35
1.22
162
1.51
I 39
1.25
100
I
2
3
17
19
19
20
21
22
23
24
25
30
40
60
120
=
3 42
2 ID
2 34
2 23
2 20
2 18
2 16
209
200
192
I 83
1.75
2 27
79
69
59
50
39
81
78
76
73
71
This table is reproduced from AL Merrington and C.M. Thompson "Tables of percentage point of the mverted beta(~) distribution"
Biometrika Vol. 33 (1913) by permission of the Biometrika trustees.
367
10
137
122
113
10.6
9
10
10.0
109: 978
955 'i 845
865
759
915
8 75
185
6.55
7 OJ
642
599
746
663
606
564
532
8.02 . 6 99
1 56
II
12
965
7 21 1 6.22
567
9 33
5.95
54!
506
13
9.07
886
8.68
6 93
670
651
6 36
5.74
556
5 42
5 21
4.86
4 70
4,56
14
15
16
17
19
19
20
8.53
840
8 26
8 I9 .
810
623
611
6.01
5 93
529
519
5.09
5 OJ
494
802
7 95
788
4,1!1
4.82
473
24: 782
472
25
4 38
21
22
23
777
504
4 89
437
404
3.99
3.76
3 94 ' 3 71
390
367
386
363
431
426
4 22
4 18
3 81
6 235
! 6 261
995
266
139
947
995
205
138
6.287 6 313
995 995
264 263
137
13 7
995
26.2
13 6
9 38
929
920
911
697
5 74
495
440
740
316
5 36
4 81
441
731
607
528
473
433
723
5.99
520
465
425
714
591
5.12
457
411
706
4.94
756
681
552
4 96
456
4 63
4 39
4 19
403
3.89
454
4 30
410
3,94
3 80
440
4 16
396
3 80
3 67
425
4 01
3 82
3 66
3 52
410
3 86
3.66
3 51
402
378
359
394
370
351
386
362
343
378
354
334
3 43
3 29
3 35
3.21
3 27
3 13
3 18
3.05
389
379
371
363
356
378
368
3.60
352
346
3 69
3 55
3 41
3 26
359
3.51
3 43
337
346
3 37
3 30 '
323 j
3.31
3 23
3 15
3.09
3 !6
3 08
3 18
3 08
3 10
300
292
2.84
278
3 02
2 92
284
2 76
2.69
3 64 3 51
3 59 ' 3.45
354
3 41
350
3 36
3.46
3 32
3.40
3 31
3 35
3 30
3 26
3 21
3 17
313
3 17
3 12
3 03
2 98
2 93
2 88
2 83
2 78
2 89
2 74
2 85
2 70
507
4 82
462
446
432 '
420
410
401
394
387
6 !57 6209
994 9934
26 9 26 7
14 2 140
972 955
772
347
5 67
5.11
4 71
8 26
699
6.18
444
434
425!
417
410
: 27 5127.3
' 14 8
147
10.3 : 102
6056 6106
994 994
27 2 27 I
145
14 4
10 I 989
787
662
5 81
5 26
4 85
847
7 19
637
5 80
539:
417
467
458
450
443
t~.023
5.982
: 994 . 994
12
8101798
5 61
520
634
6 03
5 47
5 35
5%
489
4 64
444
428
4.14
4 74
4 50
4 30
4 14
4 00
403
393
.34
377
370
672
5 91
3 26
3 22
3 07
3 03
299
3 37
30
2 94
292
300
;;; I 297
272
2 70
266
262
262
2 58
253
582
503
448
408
261'
135
902
688
565
468
4.00
4 31 :
391 '
3 69
360
3 45
325
309
293
336
2.93
2 83
2.75
2 67
2 61
2 84
2 75
266
2.58
2 75
265
2.64
2 55
258
250
2 54
249
2 45
2 45
240
2 36
246
240
2 35
23!
252
227
3 17
3 00'
2 87
257
249
242
236
231
226
2.21
217
This table IS reproduced from AL Merringron and C.M. Thompson "Tables of percentage point of the inverted beta((}) distribution"
Biometrika VoL 33 (1913) by penniss1on of the Bwmetrika trustees.
368