PENGANTAR METODE STATISTIKA

ANALISIS DATA JUMLAH UNIT USAHA MENENGAH DAN BESAR DI JAWA

BARAT
Disusun Guna Memenuhi Tugas Mata Kuliah: Pengantar Metode Statistik
Dosen Pengampu:Indira Anggriani , S.Si., M.Si.

Disusun Oleh :
Wahyuni Oktavia 01161026
Febrybell 03161026
Putra Ivannah Hakim 03161056
Kevin C. Sumbung 04161036
Rizky Ramadhani 04161066
Karina Berliana M. 05161036
Wiga Prima Dani 05161076
Ajeng Widia 06161006
Muhammad Adi Prayogo 06161046
Uswatun Khasanah 07161086

INSTITUT TEKNOLOGI KALIMANTAN

BALIKPAPAN
2017

1
 KATA PENGANTAR

Segala puji bagi Tuhan Yang Maha Esa karena atas berkat dan rahmat-Nya penulis
dapat menyelesaikan tugas besar yang berjudul “Analisis Jumlah Unit Industri Menengah dan
Besar di Jawa Barat” sebagai salah satu syarat kelulusan mata kuliah Pengantar Metode
Statistik, Tahap Persiapan Bersama (TPB), Institut Teknologi Kalimantan. Dalam
kesempatan ini penulis mengucapkan terima kasih kepada pihak-pihak terkait yang terlibat
dalam proses pengerjaan proposal tugas besar ini, yaitu:

1. Indira Anggriani, S.Si., M.Si.selaku dosen mata kuliah Pengantar Metode Statistika
TPB F yang telah memberikan arahan serta bimbingannya, mulai dari materi
perkuliahan, proposal tugas besar hingga dalam proses penyusunan tugas besar ini.
2. Rekan kerja yang telah meluangkan waktu dan tenaga untuk melakukan pengolahan
data, menganalisis, dan menyusun tugas besar ini.

Dalam pembuatan tugas besar ini, penulis menyadari bahwa tugas besar ini masih
jauh dari kesempurnaan. Dengan rasa hormat penulis menerima petunjuk, kritik, dan saran
terhadap tugas besar ini. Semoga tugas besar ini dapat memberikan manfaat.

Balikpapan, 12 Juni 2017

Ketua Kelompok

2
 DAFTAR ISI

KATA PENGHANTAR…………...…………………………................................................. 2
DAFTAR ISI……………………………………………………………………..................... 3
BAB I PENDAHULUAN
1.1 Lata Belakang………………………………………………….................................... 5
1.2 RumusanMasalah…………………………………………………………..…............ 6
1.3 Tujuan …...........……………………………………………………………................6
1.4 Manfaat ........................................................................................................................ 6
BAB II TINJAUAN PUSTAKA
2.1 Penyajian Data…………………………………………………………………………7
2.2 Distribusi Peluang dari Peubah Acak………………………………………………….7
2.3 Distribusi Peluang Diskrit dan Kontinu……………………………………………….8
2.3.1 Distribusi Bernoulli……………………………………………………………..8
2.3.2 Distribusi Binomial……………………………………………………………..8
2.3.3 Distribusi Poisson………………………………………………………………9
2.3.4 Distribusi Seragam (Uniform)………………………………………………….9
2.3.5 Distribusi Eksponensial……………………………………………………….10
2.3.6 Distribusi Normal…………………………………………………………….10
2.4 Rata-rata Distribusi Sampling, Selang Rata-Rata dari Parameter, Variansi, dan
Proporsi………………………………………………………………………………11
2.4.1 Distribusi Sampling…………………………………………………………...11
2.4.2 Selang Rata-Rata dari Parameter……………………………………………..12
2.4.3 Estimasi Proporsi dan Variansi………………………………………………12

2.5 Uji Hipotesa Parameter………………………………………………………………13

2.6 Regresi Linear Sederhana……………………………………………………………14
2.7 Regresi Linear Berganda…………………………………………………………….15
2.8 Analisis Varians Satu Arah………………………………………………………….16

BAB III METODOLOGI PERCOBAAN

3.1 Sumber Data …………………………………………………………………………….17
3.2 Alat Analisis …………………………………………………………………………….17
3.3 Langkah Analisis………………………………………………………………………..17

BAB 1V ANALISIS DATA DAN PEMBAHASAN

4.1 Analisis Data……………………………………………………………………….18
4.2 Penyajian Data……………………………………………………………………..19

3
 4.2.1 Tabel Frekuensi Data………………………………………………………19
4.2.2 Diagram Data……………………………………………………………….20
4.3 Distribusi Peluang dari Peubah Acak ………………………………………………22
4.4 Distribusi Normal…………………………………………………………………...25
4.5 Rata-rata Distribusi Sampling,Selang Rata-rata dari Parameter,Variansi,dan
Proporsi……………………………………………………………………………..27
4.6 Uji Hipotesa Parameter……………………………………………………………..30
4.7 Regresi Linear Sederhana…………………………………………………………..34
4.8 Regresi Linear Berganda…………………………………………………………...36

BAB V KESIMPULAN……………………………………………………………………38
DAFTAR PUSTAKA……………………………...…………………………….................41

4
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Statistika memiliki sejarah yang panjang dalam sejarah peradabanmanusia. Pada jaman
sebelum masehi, bangsa-bangsa di Mesopotamia,Mesir, dan Cina telah mengumpulkan data
statistik untuk memperolehinformasi tentang berapa pajak yang harus dibayar oleh setiap
penduduk,berapa hasil pertanian yang mampu diproduksi, berapa cepat atlet lari
dansebagainya. Pada abad pertengahan, lembaga Gereja menggunakan statistikauntuk
mencatat jumlah kelahiran, kematian, dan perkawinan (Purwanto,2003).
Statistika yang dimulai dengan pengumpulan dan penyajian data,kemudian semakin
berkembang dengan ditemukannya teori probabilitas danteori pengambilan keputusan yang
sangat dibutuhkan dalam kehidupansehari-hari agar efisien pada semua bidang, baik sosial,
ekonomi,politik,manajemen,maupun teknik. Padatahun 1950-an,statistika memasukiwilayah
pengambilan keputusan melalui proses generalisasi dan peramalandengan memperhatikan
faktor risiko dan ketidakpastian. Kenyataan itusebenarnya sudah diramalkan oleh seorang
ahli statistik H. G. Wells yanghidup pada tahun 1800-an yang mengatakan “berpikir secara
statistika suatusaat akan menjadi suatu kemampuan atau keahlian yang sangat
diperlukandalam masyarakat yang efisien, seperti halnya kebutuhan manusia untukmembaca
dan menulis” (Lind, 2002).
Statistika memang mempunyai kaitan dan manfaat langsung dengan banyak hal dalam
kehidupan manusia. Istilah statistika perlu dibedakan dengan statistik. Statistik adalah suatu
kumpulan angka yang tersusun lebih dari satu angka. Misalnya, angka pengangguran di
Indonesia diperkirakan akan naik sebesar 9 persen di Tahun 2009 dari tahun lalu, sekitar 8.5
persen. Kenaikan jumlah pengangguran ini lebih disebabkan menurunnya penyerapan tenaga
kerja dalam bidang industri, yang mencapai 36.6 persen pada kuartal kedua di tahun 2008 ini.
Angka 9 persen, 8,5 persen, dan 36.6 persen adalah contoh dari statistik. Jadi, sesuatu yang
tersusun dari satu angka atau lebih disebut dengan statistik. Sementara itu, statistika adalah
ilmu mengumpulkan, menata, menyajikan, menganalisis, dan menginterpretasikan data
menjadi informasi untuk membantu pengambilan keputusan yang efektif. Istilah statistika
dapat pula diartikan sebagai metode untuk mengumpulkan, mengolah, menyajikan,
menganalisis, dan menginterpretasikan data dalam bentuk angka-angka (Dajan, 1995).

5
 Berdasarkan data yang kami peroleh mengenai jumlah unit industri kecil menengah dan
besar di Jawa Barat selama tahun 2012 untuk 26 kota, dilakukan analisis menggunakan
berbagai metode statistika seperti distribusi peluang acak dari perubah acak, distribusi
normal, rata-rata distribusi sampling, selang rata-rata dari parameter, variansi, proporsi,
regresi linear berganda, dan analisis varians satu arah.

1.2 Rumusan Masalah

Rumusan masalah yang kami akan selesaikan dalam tugas besar Pengantar Metode
Statistik adalah :

1. Bagaimana menganalisis data mengenai jumlah unit industri kecil menengah dan
besar di Jawa Barat selama tahun 2012 untuk 26 kota.
2. Bagaimana mengetahui pengaruh banyaknya unit usaha dan jumlah tenaga kerja
dengan besarnya investasi yang didapatkan.
1.3 Tujuan

Adapun tujuan dari dilakukannya analisis terhadap data yang didapatkan, yaitu :

3.2 Untuk mengetahui cara menganalisis suatu data yang telah didapatkan.
4.2 Untuk mengetahui hasil dari analisis data yang telah dilakukan.
5.2 Untuk mengetahui besarnya pengaruh antara banyaknya unit usaha, jumlah tenaga
kerja, dan besar investasi yang didapatkan.

1.4 Manfaat

Manfaat yang didapatkan dari dilakukannya analasis dan pembuatan laporan ini, antara
lain :

2.1 Untuk mengetahui dan lebih memahami materi mengenai pengantar metode statistik
berdasarkan proses analisis yang telah dilakukan.
3.1 Sebagai referensi untuk para pembaca terkait mata kuliah pengantar metode statistik.

6
 BAB II

TINJAUAN PUSTAKA

2.1 Penyajian Data

Penyajian data merupakan salah satu proses dalam pengolahan data agar dapat dipahami
dan dianalisis sesuai dengan tujuan yang diinginkan. Secara garis besar, bentuk penyajian
data dapat berupa tabel atau daftar, grafik dan diagram (Sudjana, 2002). Bentuk penyajian
data yang sering digunakan adalah tabel, grafik, diagram dan sebagainya (Riduwan , 2005).

2.2 Distribusi Peluang dari Peubah Acak

Peubah Acak :suatu fungsi yang nilainya berupa bilangan nyata yang ditentukan oleh
setiap unsur dalam ruang sampel.Peubah Acak (Random Variable): Sebuah keluaran numerik
yang merupakan hasil dari percobaan (eksperimen). Peubah acak adalah suatu fungsi dari
ruang contoh ke bilangan nyata. Untuk setiap anggotadari ruang sampel percobaan, peubah
acak bias mengambil tepat satu nilai. Peubah Acak X adalah fungsi dari S ruang sampel ke

bilangan real R, X : S R

Peubah Acak dituliskan sebagai huruf kapital (X, Y, Z). Nilai-nilai tertentu yang
merupakan keluaran percobaan dituliskan dengan huruf kecil (x, y, z)

Contoh :

Menjawab soal multipel choice 2 kali

S = {SS, SB, BS, BB}

X : Peubah Acak banyaknya jawaban benar, maka X = {0,1,2}

Distribusi Peluang adalah tabel, gambar, atau persamaan yang menggambarkan atau
mendeskripsikan nilai-nilai yang mungkin dari peubah acak dan peluang yang bersesuaiannya
(Peubah Acak Diskrit) atau kepadatan (Peubah Acak Kontinu)

Distribusi Peluang

Peluang Diskrit dituliskan sebagai: p(y) = P(Y=y)

Kepadatan Kontinu dituliskan sebagai: f(y)
Fungsi Distribusi Kumulatif: F(y) = P(Y≤y)
Cumulative Distibution Function

7
2.3 Distribusi Peluang Diskrit dan Kontinu

Distribusi Peluang Diskrit: Memberikan peluang kepada tiap keluaran percobaan dan
merupakan probabiliy mass functions (pmf)

Distribusi Peluang Kontinu:Memberikan kepadatan (frekuensi) pada tiap titik Assigns,

peluang pada selang bisa didapatkan dengan mengintegralkan fungsi.

2.3.1 Distribusi Bernoulli

Suatu distribusi Bernoulli dibentuk oleh suatu percobaan Bernoulli, dimana percobaan
Bernoulli harus memenuhi syarat : hasil yang mungkin, hanya salah satu dari “sukses”
atau “gagal”. Percobaan Bernoulli dapat menghasilkan sukses dengan probabilitas p dan
gagal dengan probabilitas q = 1 – p. Maka distribusi probabilitas Bernoulli sebagai
berikut :

p x 1

PB (x; p)  q (1 - p) x 0 atau PB (x; p)  p x (1 - p)1-x ; x  0,1
0 x  0 atau 1


( )

2.3.2 Distribusi Binomial

Mengacu pada proses Bernoulli:percobaan dilakukan berulang,,tiap percobaan hanya

ada 2 kemungkinan hasil,percobaan bersifat bebas (independen).Percobaan berturut-turut
dengan dua kemungkinan hasil : Berhasil atau Gagal,Yes atau No,Success atau
Failed.Percobaan Bernoulli dapat menghasilkan sukses dengan probabilitas p dan gagal
dengan probabilitas q = 1 – p. Maka distribusi probabilitas variabel acak binomial X :

n
b (x; n, p)    p x q n - x , x  0, 1, 2, ... , n
x

keterangan :
p = peluang sukses
x = variabel acak
q = peluang gagal
n = banyaknya percobaan

8
Peluang Distribusi Binomial

n!
P (x)  p x (1 - p) n -x , x  0, 1, 2, ... , n
x ! (n - x) !

Ada kalanya perhitungan probabilitas distribusi binomial lebih mudah dilakukan dengan
menggunakan distribusi kumulatif. Bila pada n percobaan terdapat paling tidak sebanyak r
sukses, maka distribusi binomial kumulatif dinyatakan sebagai berikut :

P (X  r)  b (r; n, p)  b (r  2; n, p)  ...  b (n; n, p)

n
  b (r; n, p)
xr

2.3.3 Distribusi Poisson

Dinamakan berdasarkan nama ahli Fisika dan Matematika abad ke 18, Simeon
Passion. Distribusi probabilitas diskrit yang sering digunakan untuk menggambarkan
jumlah kejadian yang jarang dan akan terjadi dalam periode waktu tertentu atau dalam
daerah atau volume tertentu. ( )

Distribusi Poisson adalah distribusi nilai-nilai bagi suatu variabel random x (x

diskrit), yaitu banyaknya hasil percobaan yang terjadi dalam suatu interval waktu
tertentu atau disuatu daerah tertentu. Fungsi distribusi probabilitas diskrit yang sangat
penting dalam beberapa aplikasi praktis.
(Sumber:https://id.wikipedia.org/wiki/Distribusi_Poisson)

x e-
P (X)  (x  0,1,2,3,...)
x!

Keterangan :

e = 2,71828

λ = rata-rata jumlah kejadian sepanjang satuan waktu, bidang, volume tertentu, dan
sebagainya

2.3.4 Distribusi Seragam (Uniform)

Suatu random variabel dikatakan terdistribusi secara uniform (seragam),
apabila nilai probabilitasnya proporsional terhadap panjang interval.

9
 Fungsi Densitas Probabilitas (Fungsi Kepadatan Peluang) :
dimana :

 1
 untuk a  x  b
f ( x)   b  a

 0 untuk x lainnya

a = batas bawah interval

b = batas atas interval

2.3.5 Distribusi Eksponensial

Distribusi probabilitas eksponensial merupakan pengujian digunakan untuk melakukan

perkiraan atau prediksi dengan hanya membutuhkan perkiraan rata-rata populasi, karena
dalam distribusi eksponensial memiliki standar deviasi sama dengan rata-rata. Distribusi ini
termasuk ke dalam distribusi kontinyu. Ciri dari distribusi ini adalah kurvanya mempunyai
ekor di sebelah kanan dan nilai x dimulai dari 0 sampai tak hingga.
(http://dokumen.tips/documents/distribusi-exponensial.html)
Peubah acak kontinu X mempunyai distribusi exponensial dengan parameter β.Fungsi
Densitas Probabilitas
1
f(x; β)  e  x/β ; x  0; β  0
β

2.3.6 Distribusi Normal

Distribusi normal merupakan salah satu distribusi probabilitas yang penting dalam
analisis statistika. Adapun distribusi normal yang disebut pula distribusi normal baku adalah
distribusi normal yang memiliki rata-rata nol dan simpangan baku satu. Distribusi normal
memodelkan fenomena kuantitatif pada ilmu alam maupun ilmu sosial (Sumber:
https://id.wikipedia.org/wiki/Distribusi_normal)
Distribusi Normal disebut juga sebagai Distribusi Gauss (Karl Friedrich Gauss, 1777-
1855).Distribusi Normal merupakan Distribusi Probabilitas Paling Penting .Berikut ini
alasannya :

1. Distribusi normal terjadi secara alamiah.

10
 2. Beberapa variabel acak yang tidak terdistribusi secara normal dapat dengan mudah
ditransformasi menjadi distribusi variabel acak normal.
3. Banyak hasil dan teknik analisis yang berguna dalam pekerjaan statistik hanya bisa
berfungsi dengan benar jika berdistribusi normal.
4. Ada beberapa variabel acak yang tidak menunjukkan distribusi normal pada
populasinya, namun distribusi dari rata-rata sampel yang diambil secara random dari
populasi tersebut ternyata berdistribusi normal.

Fungsi Distribusi Probabilitas dari Distribusi Normal X dengan Mean µ dan Variansi σ2
adalah :

1  x 
2

1   
f ( x :  , )  e 2  
;  x  
 2
  3.14159
e  2.71828

Bila x adalah variabel acak kontinu, maka fungsi densitas peluangnya adalah fungsi f (x)
sehingga :

b
P (a  x  b)   f (x) dx
a

Transformasi nilai X ke Z

Bila x mengikuti distribusi normal dengan rata-rata μ dan standar deviasi σ, maka :
x μ
Z
σ
Z : variabel acak normal dengan nilai rata-rata = 0 dan standar deviasi = 1

2.4 Rata-rata Distribusi Sampling, Selang Rata-Rata dari Parameter, Variansi, dan
Proporsi
2.4.1 Distribusi Sampling

Distribusi sampel dari rata-rata hitung sampel adalah suatu distribusi probabilitas
yang terdiri dari seluruh kemungkinan rata-rata hitung sampel dari suatu ukuran sampel
tertentu yang dipilih dari populasi, dan probabilitas terjadinya dihubungkan dengan setiap
rata-rata hitung sampel (Suharyadi, 2013). Distribusi sampling rata-rata adalah kumpulan

11
 dari bilangan-bilangan yang masing-masing merupakan rata-rata hitung dari samplenya
(Sudjana, 2001).

2.4.2 Selang Rata-Rata dari Parameter

Untuk menggambarkan karakteristik umum suatu populasi yang diukur dalam skala
rasio, bisa digunakan rata-ratanya (m). Untuk mempelajari suatu populasi
umumnya digunakan sebagian anggotanya saja (contoh).Sehingga informasi besarnya x
(statistik) digunakan untuk menduga m (parameter).Namun untuk menduga m dapat pula
digunakan median ataupun modus .

Estimasi merupakan salah satu cara untuk menyatakan karakteristik populasi dengan
menggunakan karakteristik yang didapat dari sampel.Estimator adalah statistik yang
digunakan untuk mengestimasi parameter populasi, Pendugaan Titik bagi m Untuk menduga
rata-rata populasi(m) digunakan rata-rata contoh ( ). Rata-rata contoh dikatakan
sebagaipenduga titik bagi m.

2.4.3 Estimasi Proporsi dan Variansi

Dalam teori probabilitas dan statistika, varians atau ragam suatu peubah acak adalah
ukuran seberapa jauh sebuah kumpulan bilangan tersebar. Varians nol mengindikasikan
bahwa semua nilai sama (Sumber: https://id.wikipedia.org/wiki/Varians)

Proporsi adalah bagian (persentase) atas suatu kejadian khusus dari keseluruhan data yang
ada.Yangdibutuhkan dalam mengestimasi proporsi:
SampelAcak
Syarat Percobaan Binomial:
1. percobaan terdiri atas 𝑛 usaha yang berulang
2. tiap usaha memberi hasil yang dapat ditentukan dengansukses atau gagal
3. peluang sukses, dinyatakan dengan 𝑝,tiap usaha saling independen

- Estimasi Proporsi

Estimasi dengan Dua Proporsi

-
- Estimasi dengan Dua Varians

12
2.5 Uji Hipotesa Parameter
Hipotesis statistika adalah pernyataan atau dugaan mengenai satu atau lebih populasi
Benar atau salahnya suatu hipotesis tidak akan pernah diketahui dengan pasti, kecuali bila
kita memeriksa seluruh populasi. Tujuan dari pengujian hipotesis adalah untuk
menentukan apakah ada bukti statistik yang cukup yang mendukung keyakinan tertentu
tentang suatu parameter.
• Penerimaan suatu hipotesis statistik adalah akibat tidak cukupnya bukti untuk
menolaknya, tetapi tidak berimplikasi bahwa hipotesis itu pasti benar.Hipotesis nol (
H0: - Hipotesis nol) dan Hipotesis alternatif (H1: - Hipotesis alternative)
Hipotesis nol (H0) akan selalu menyatakan bahwa parameter sama dengan (=)
nilai yang ditentukan dalam hipotesis alternatif (H1) .Sedangkan nilai hipotesis
alternatif (H1) dapat memiliki beberapa kemungkinan. H1 ditulis dalam bentuk <; >;
Jika kita menolak hipotesis nol, maka menunjukkan bahwa ada cukup bukti
untuk menyimpulkan bahwa hipotesis alternatif benar. Jika kita gagal menolak
hipotesis nol, maka menunjukkan bahwa tidak ada bukti statistik yang cukup untuk
menyimpulkan bahwa hipotesis alternatif benar. Ini tidak berarti bahwa kita telah
membuktikan bahwa hipotesis nol pasti benar.Istilah “menolak” dan “gagal menolak”
menyebabkan para ahli statistika atau peneliti sering mengambil hipotesis nol nya
sebagai suatu pernyataan yang diharapkan akan ditolak.
• Statistik uji:Sebuah nilai statistic yang dibutuhkan untuk menentukan menolak atau
tidak menolak hipotesis nol.
• Nilai Kritis:Suatu nilai yang akan membentuk interval daerah penolakan
• Daerah Penolakan:Interval nilai sehingga jika statistik uji jatuh ke dalam interval
tersebut, maka hipotesis nol ditolak.

13
2.6 Regresi Linear Sederhana

No. H0 Statistik Uji H1 Daerah Penolakan

1. µ = µ0  Varians diketahui µ < µ0 Z < - Zα

 n ≥ 30 µ > µ0 Z > Zα

x  0 µ ≠ µ0 Z < - Z α/2 dan Z > Z α/2

z
/ n
2. P = P0 x  np0 pˆ  p0 P < P0 Z < - Zα
z 
np0 q0 p0 q0 n P > P0 Z > Zα

x P ≠ P0 Z < - Z α/2 dan Z > Z α/2

pˆ 
n
3. σ2 = σ02 x2 = ( n-1 ) s2 / σ02 σ2< σ02  2  12
v = n-1 σ2> σ02   2
  1 / 2
2 2
   2 / 2
σ2 ≠ σ0 2 Dan

Regresi sederhana, adalah bentuk regresi dengan model yang bertujuan untuk
mempelajari hubungan antara dua variabel, yakni variabel independen (bebas) dan variabel
dependen (terikat). Jika ditulis dalam bentuk persamaan, model regresi sederhana adalah y =
a + bx, dimana, y adalah variabel takbebas (terikat), X adalah variabel bebas, a adalah
penduga bagi intercept (α), b adalah penduga bagi koefisien regresi (β). Atau dengan kata lain
α dan β adalah parameter yang nilainya tidak diketahui sehingga diduga melalui statistik
sampel. (Sambas dan Maman, 2007).

Koefisien Relasi Pearson

s xy
rxy 
sx s y

s xy 
 ( x  x )( y
i i  y)
n 1

sx 
 (x  x) i
2

dan s y 
 ( y  y)
i
2

n 1 n 1

14
  Model populasi regresi linier sederhana yang hubungannya linier (selanjutnya cukup
sebut “regresi linier sederhana”) :

Y  β 0  β1x  ε

Dengan :
0 dan 1 adalah parameter regresi
 adalah galat (peubah acak)
Y adalah peubah tak bebas (peubah acak)
X adalah peubah bebas yang nilainya diketahui

2.7 Regresi Linear Berganda

Model regresi linier berganda melibatkan lebih dari satu variabel bebas à bisa 2, 3 dan
seterusnya namun masih menunjukkan diagram hubungan yg linier.Persamaan regresi
bergandanya dengan menggunakan 3 metode :

• Metode Kuadrat Terkecil

Dengan Metode Kuadrat Terkecil, misalkan model terdiri dari 2 variabel bebas
Tahapan pendugaannya :
n n

e   Yi  b0  b1 X 1i  b2 X 2i 
2 2
i
i 1 i 1

b0 , b1dan b2
 n 2  n   n  n 
  x2   x1 y     x1 x2   x2 y 
b1   i 1  i 1   i 1  i 1
2

 n
2 
n
2 
n

  x1   x2     x1 x2 
 i 1  i 1   i 1 

 n 2  n   n  n 
  x1   x2 y     x1 x2   x1 y 
b2   i 1  i 1   i 1  i 1
2

 n
2 
n
2 
n

  x1   x2     x1 x2 
 i 1  i 1   i 1 

b0  Y  b1 X 1  b2 X 2

15
 • Persamaan Normal

Melalui metode kuadrat terkecil, misalkan model terdiri dari 2 variabel bebas,
diperoleh persamaan sebagai berikut

nb0  b1  X i1  b2  X i 2  Yi

b0  X 1i  b1  X i1  b2  X 1i X i 2   X 1iYi
2

b0  X 2i  b1  X i1 X 2i  b2  X i 2   X 2iYi
2

• Sistem Matriks
1. Membentuk matriks A, b dan g

 n

 X 1i2  X 2i ...  X ki 
A    1i  X 1i  X 1i X 2i ...  X 1i X ki 
X
 ... ... ... ... ... 
 2 
 X ki  X ki X 1i  X ki X 2i ...  X ki 
2. Membentuk persamaan normal dalam bentuk matriks

Ab=g

3. Perhitungan matriks koefisien b

b = A-1 g

2.8 Analisis Varians Satu Arah

• Suatu metode pengujian kesamaan dari 3 atau lebih mean populasi dengan
menganalisa varians sampel. Analisis varians satu arah digunakan dengan data yang
dikategorikan dengan satu perlakuan atau faktor.Faktor adalah suatu karakteristik
untuk membedakan populasi-populasi yang berbeda dari yang lainnya.Untuk menguji
kesamaan dari 3 atau lebih mean populasi.Analisis Varians Satu Arah merupakan uji
dua arah atau dua ekor(bukan satu arah atau satu ekor).

16
 BAB III

METODOLOGI

3.1 Sumber Data

Pada laporan praktikum ini, data yang digunakan merupakan data primer yang diperoleh
dengan menggunakan metode survey. Survey tersebut dilakukan dengan media pencarian data
di Internet dari websitesurvei Badan Pusat Statistik atau disingkat BPS provinsi Jawa Barat
mengenai jumlah unit industri kecil,menengah,dan besar di Jawa Barat. Selain itu, penyusunan
laporan ini juga menggunakan metode studi pustaka dalam penulisan tinjauan pustaka.

3.2 Alat Analisis

Dalam melakukan analisis data pada laporan, digunakan beberapa software sebagai alat
analisis yaitu Microsoft word,Microsoft excel,dan minitab.

3.3 Langkah Analisis

Adapun langkah-langkah yang dikerjakan dalam menganalisis data pada laporan ini
sebagai berikut:
a. Mencari data pada website Badan Pusat Statistik
b. Mencari sumber refrensi tinjauan pustaka
c. Melakukan analisis data dengan tabel frekuensi data
d. Membuat diagram pada data
e. Melakukan analisis distribusi peluang dari peubah acak
f. Melakukan analisis distribusi peluang distrit dan kontinu
g. Melakukan analisis rata-rata distribusi sampling, selang rata-rata dari parameter,
variansi, dan proposi
h. Melakukan uji hipotesa parameter
i. Memodelkan hubungan antara beberapa variabel data kuantitatif dengan mencari dan
menguji variabel dalam regresi linier sederhana dan nberganda
j. Menarik kesimpulan dari hasil analisis

17
 BAB IV

ANALISIS DATA DAN PEMBAHASAN

4.1 Analisis Data

Berikut ini hasil data yang kami peroleh dari data survei Badan Pusat Statistik atau
disingkat BPS provinsi Jawa Barat.
Tabel 2.1 Data Survei Jumlah Unit Industri Menengah dan Besar di Jawa Barat

Jumlah Unit Industri Kecil Menengah dan Besar di Jawa Barat, 2012

Unit Usaha Tenaga Kerja Investasi

Kabupaten/Kota
2012
Bogor 14 975 338 687 8 321 681,86
Sukabumi 15 471 214 278 419 557,49
Cianjur 1 244 159 294 13 211,30
Bandung 13 483 189 850 1 121 566,29
Garut 9 813 168 188 3 331 022,61
Tasikmalaya 1 480 171 899 3 350 046,07
Ciamis 1 408 189 917 3 465,31
Kuningan 2 430 191 760 579 274,92
Cirebon 10 699 88 972 843 630,34
Majalengka 7 396 143 681 3 458 385,25
Sumedang 5 130 159 477 4 960 586,90
Indramayu 2 377 123 391 5 414,00
Subang 3 410 140 693 1 319 528,20
Purwakarta 10 850 117 395 105 230 936,87
Karawang 9 341 215 580 16 555 445,92
Bekasi 10 704 194 221 7 995 276,21
Bandung Barat 52 2 251 5 764 877,60
Kota Bogor 8 227 268 543 23 266 318,37
Kota Sukabumi 9 436 130 131 8 295,65
Kota Bandung 10 821 121 120 8 560 783,48
Kota Cirebon 9 379 158 320 5 097,55
Kota Bekasi 9 891 107 582 7 681 058,93
Kota Depok 10 308 165 573 5 189 834,16
Kota Cimahi 6 112 187 215 3 068 699,06
Kota Tasikmalaya 9 734 118 064 921 916,05
Kota Banjar 9 248 155 203 1 100 779,45
Jawa Barat 203 419 4 221 393 213 076 638,83
Sumber: Dinas Perindustrian dan Perdagangan Provinsi Jawa Barat

18
4.2 Penyajian Data
4.2.1 Tabel Frekuensi Data

Unit Usaha Frekuensi Persen Frekuensi Frekuensi Relatif

Kabupaten/Kota
(Frekuensi) Relatif Frekuensi (%) Kumulatif Kumulatif (%)
Bogor 14975 0.073616525 7 14975 7
Sukabumi 15471 0.076054842 8 30446 15
Cianjur 1244 0.006115456 1 31690 16
Bandung 13483 0.066281911 7 45173 23
Garut 9813 0.048240332 5 54986 28
Tasikmalaya 1480
0.007275623 1 56466 29
Ciamis 1408 0.006921674 1 57874 30
Kuningan 2430 0.011945787 1 60304 31
Cirebon 10699 0.052595874 5 71003 36
Majalengka 7396 0.036358452 4 78399 40
Sumedang 5130 0.025218883 3 83529 43
Indramayu 2377 0.011685241 1 85906 44
Subang 3410 0.016763429 2 89316 46
Purwakarta 10850 0.053338184 5 100166 51
Karawang 9341 0.045919998 5 109507 56
Bekasi 10704 0.052620453 5 120211 61
Bandung Barat 52
0.00025563 0 120263 61
Kota Bogor 8227 0.040443616 4 128490 65
Kota Sukabumi 9436 0.046387014 5 137926 70
Kota Bandung 10821 0.053195621 5 148747 75
Kota Cirebon 9379 0.046106804 5 158126 80
Kota Bekasi 9891 0.048623777 5 168017 85
Kota Depok 10308 0.050673733 5 178325 90
Kota Cimahi 6112 0.030046358 5 184437 95
Kota Tasikmalaya 9734 0.047851971 5 194171 100
Kota Banjar 9248 0.045462813 5 203419 105
Total 203419

19
4.2.2 Diagram Data

A) DATA KUALITATIF

Metode Grafik Batang

18000
16000
14000
12000
10000
8000
6000
4000
2000
0 Series1

Subang
Sumedang

Kota Cimahi
Cianjur

Kota Banjar
Majalengka

Bekasi
Cirebon

Kota Sukabumi
Bogor
Sukabumi

Garut

Ciamis

Indramayu

Kota Cirebon
Bandung

Tasikmalaya

Kuningan

Purwakarta
Karawang

Bandung Barat
Kota Bogor

Kota Depok

Kota Tasikmalaya
Kota Bandung

Kota Bekasi
Metode Grafik Lingkaran

Bogor
Sukabumi
Cianjur
Bandung
Garut
Tasikmalaya
Ciamis
Kuningan
Cirebon
Majalengka
Sumedang
Indramayu
Subang
Purwakarta
Karawang

20
B) DATA KUANTITATIF

Metode Grafik Plot Titik

18000

16000

14000

12000

10000

8000 Series1

6000

4000

2000

0
0 5 10 15 20 25 30

Metode Diagram Scatter

18000

16000

14000

12000

10000

8000

6000 Series1

4000

2000

21
4.3 Distribusi Peluang dari Peubah Acak

Ruang Sampel: Industri Kecil Menengah dan Besar di Kabupaten/Kota Jawa Barat
Titik Sampel: Bogor, Sukabumi, Cianjur, Bandung, Garut, Tasikmalaya, Ciamis, Kuningan,
Cirebon, Majalengka, Sumedang, Indramayu, Subang, Purwakarta, Karawang, Bekasi,
Bandung Barat, Depok, Cimahi , Banjar.

1. Kejadian
a) Kejadian Sederhana
Soal: Berdasarkan titik sampel diatas, tentukan kejadian A yang merupakan kota yang tidak
memiliki huruf a!
Jawab:
A={Bogor, Cirebon}

b) Kejadian Majemuk
Soal: Berdasarkan titik sampel diatas, tentukan kejadian B yang merupakan kota yang terdiri
atas huruf a dan i!
Jawab:
B={Sukabumi, Cianjur, Tasikmalaya, Ciamis, Kuningan, Indramayu, Bekasi}

2. Menentukan anggota-anggota
Soal:
Jika diketahui
S= Bogor, Sukabumi, Cianjur, Tasikmalaya, Cirebon, Majalengka, Subang, Purwakarta, Depok.
A= Depok, Sukabumi, Bogor
B= Majalengka, Cirebon, Bogor, Subang
Jawab:
A’ U B ={Cirebon, Majalengka, Subang}

3. Contoh Titik Sampel:

Soal:
Bila tiap kota yang berawalan huruf S di pasangkan dengan kota yang berawalan selain huruf
S, berapa banyaknya titik sampel dalam ruang sampelnya?
Jawab:
Sukabumi, Bogor
Sukabumi, Cianjur
Sukabumi, Bandung
Sukabumi, Garut
Sukabumi, Tasikmalaya
Sukabumi, Ciamis
Sukabumi, Kuningan
Sukabumi, Cirebon
Sukabumi, Majalengka
Sukabumi, Indramayu
Sukabumi, Purwakarta

22
Sukabumi, Karawang
Sukabumi, Bekasi
Sukabumi, Bandung Barat
Sukabumi, Depok
Sukabumi, Cimahi
Sukabumi, Banjar
Sumedang, Bogor
Sumedang, Cianjur
Sumedang, Bandung
Sumedang, Garut
Sumedang, Tasikmalaya
Sumedang, Ciamis
Sumedang, Kuningan
Sumedang, Cirebon
Sumedang, Majalengka
Sumedang, Indramayu
Sumedang, Purwakarta
Sumedang, Karawang
Sumedang, Bekasi
Sumedang, Bandung Barat
Sumedang, Depok
Sumedang, Cimahi
Sumedang, Banjar
Subang, Bogor
Subang, Cianjur
Subang , Bandung
Subang, Garut
Subang, Tasikmalaya
Subang, Ciamis
Subang, Kuningan
Subang, Cirebon
Subang, Majalengka
Subang, Indramayu
Subang, Purwakarta
Subang, Karawang
Subang, Bekasi
Subang, Bandung Barat
Subang, Depok
Subang, Cimahi
Subang, Banjar

23
 4. Probabiltas Bersyarat
Soal berdasarkan ruang sampel yang ada diatas
Kota yang terdiri atas Yang memiliki huruf A Yang memiliki huruf D
5-8 huruf 13 3
8 huruf – dst 4 1
Jawab:
Misal
S=Semua Kota=21
A= Semua kota yang memiliki huruf A = 17 kota
B= Semua kota yang memiliki huruf D dan A pada 8huruf-dst= 5 kota
Ditanya: P(A I B)
4
P(B) =
21
18
P(A n B) =21
P(A n B) 18/21 18
P(A I B)= P(B)
= 4/21 = 4

5. Variabel Random (Peubah Acak)

Soal:
Banyakanya huruf A yang ada pada tiap kota yang terdapat pada ruang sampel diatas

Kota Huruf A (X)

Bogor 0
Sukabumi 1
Cianjur 1
Bandung 1
Garut 1
Tasikmalaya
4
Ciamis 1
Kuningan 1
Cirebon 0
Majalengka 3
Sumedang 1
Indramayu 2
Subang 1
Purwakarta 3
Karawang 3
Bekasi 1
Bandung Barat 3
Depok 0
Cimahi 1
Banjar 2

24
 Nilai X dari
Komposisi Kejadian
kejadian
[X=0] {Bogor, Cirebon, Depok}
{Sukabumi, Cianjur, Bandung, Garut, Ciamis, Kuningan, Sumedang,
[X=1]
Subang, Bekasi, Cimahi
[X=2] {Indramayu, Banjar}
[X=3] {Majalengka, Purwakarta, Karawang, Bandung Barat}
[X=4] {Tasikmalaya}

4.4 Distribusi Normal

Jumlah Unit Industri Kecil Menengah dan Besar di Jawa Barat, 2012
𝑋𝑖 2
Kabupaten/Kota Unit Usaha (Xi)
Bogor 14975 224250625
Sukabumi 15471 239351841
Cianjur 1244 1547536
Bandung 13483 181791289
Garut 9813 96294969
Tasikmalaya 1480 2190400
Ciamis 1408 1982464
Kuningan 2430 5904900
Cirebon 10699 114468601
Majalengka 7396 54700816
Sumedang 5130 26316900
Indramayu 2377 5650129
Subang 3410 11628100
Purwakarta 10850 117722500
Karawang 9341 87254281
Bekasi 10704 114575616
Bandung Barat 52 2704
Kota Bogor 8227 67683529
Kota Sukabumi 9436 89038096
Kota Bandung 10821 117094041
Kota Cirebon 9379 87965641
Kota Bekasi 9891 97831881
Kota Depok 10308 106254864
Kota Cimahi 6112 37356544

25
 Kota Tasikmalaya 9734 94750756

Kota Banjar 9248 85525504

Jumlah 203419 2069134527
Rata-rata 7823.807692

Dari data diatas diperoleh bahwa:

μ = rata2 = 7823,807692… ≈ 7824
𝑛

∑ 𝑋𝑖2 = 2.069.134.527
𝑖=1
𝑛

(∑ 𝑋𝑖 = (203 ∙ 419)2 = 4,14 ∙ 1010

𝑖=1

n = 31

Rumus :
2
𝑛∙∑𝑛 2 𝑛
𝑖=1 𝑥𝑖 −(∑𝑖=1 𝑥𝑖 )
1. 𝑆 = √ → 𝑃𝑎𝑘𝑎𝑖 𝑐𝑎𝑟𝑎 𝑝𝑒𝑟𝑡𝑎𝑚𝑎
𝑛(𝑛−1)
∑𝑛
𝑖=1(𝑥𝑖 −𝑥̅ )
2
2. 𝑆 = √ 𝑛(𝑛−1)

Jawab :
Standar Deviasi

(31 ∙ 2069134527) − 4,14 ∙ 1010

𝑆= √
31(31 − 1)

𝑆 = √25270189,26 = 5026,946316 ≈ 5027

𝜎 = 5027
Soal :
Dinas Perindustrian dan Perdagangan provinsi Jawa Barat menghitung jumlah unit usaha
pada industry kecil menengah dan besar yang ada pada 31 kota di Jawa Barat. Diperoleh
bahwa unit usaha tersebut berdistribusi normal dengan rata-rata 7824 unit dan standar deviasi
5027 unit. Hitunglah probabilitas bahwa satu kota yang dipilih secara acak akan memiliki
usaha antara 7900 ≤ χ ≤ 8200 unit !
Jawab :

26
 𝜇 = 7824 𝑢𝑛𝑖𝑡
𝜎 = 5027 unit
P (7900≤ χ ≤ 8200)

a) Χ = 7900 unit
χ − μ 7900 − 7824
Ζ= = = 0,0511 … ≈ 0,02
𝜎 5027
P(Z ≤ 0,02) = 0,5080

b) X = 8200 unit
χ − μ 8200 − 7824
Ζ= = = 0,07479 … ≈ 0,08
𝜎 5027
P( Z ≤ 0,02) = 0,5319

P(7900≤ χ ≤ 8200) = P (0,02 ≤ χ ≤ 0,08) = 0,5319 – 0,5080 = 0,0239

4.5 Rata-rata Distribusi Sampling,Selang Rata-rata dari Parameter,Variansi,dan

Proporsi

A. Rata-rata Distribusi Sampling

∑n
i=1 x1
x̅ = n

203419
x̅ = 31

x̅ = 7823,807692

x̅ = 7824

B. Selang rata-rata dari parameter

Soal:
Rata-rata untuk usaha pada produksi jawa barat pada tahu 2012 dalam 31 lokasi berbeda
adalah 7609 unit. Tentu interval konferdensi 95% untuk mean (rata-rata) unit usaha. Jika
diketahui standar deviasi usaha 5027 unit:
Jawab:
Diketahui:

𝜇 = 𝑚𝑒𝑎𝑛 𝑢𝑛𝑖𝑡 𝑢𝑠𝑎ℎ𝑎 𝑑𝑖 𝑝𝑟𝑜𝑣𝑖𝑛𝑠𝑖 𝑗𝑎𝑤𝑎 𝑏𝑎𝑟𝑎𝑡 (𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟 𝑡𝑖𝑑𝑎𝑘 𝑑𝑖𝑘𝑒𝑡𝑎ℎ𝑢𝑖)

Populasi

27
 𝜇 =? n = 31

r = 5027 x̅ = 7824

Ditanya: interval konferdensi 95% 𝜇?

∝= ?

95% = (1-∝ 100%)

0,95 = (1-∝)

∝ = 0,05
∝
= 0,025
2

z ∝
2
= Z0,025= 1,96

̅
X ± z ∝ 𝜎
2 √𝑛

5027
7824 ±1,96
√31

7824 ± 1769,64

7824-1769,64 <𝜇< 7824 + 1759,54

6054,36<𝜇<9593,64

28
 𝜇 ∈ (6054,36; 9593,64)
Jadi kita yakin 95% bahwa nilai 𝜇 yang sebenarnya adalah antara 6054,36 𝑑𝑎𝑛 9593,64

C. Proporsi
Soal !
a. Diketahui bahwa terdapat sebanyak 31 kota/kabupaten yang memiliki unit industry kecil
menengah dan besar, dan di peroleh bahwa sebanyak 11 kota/kabupaten memilki unit
usaha ≤ 9000 unit. Carilah nilai proporsi sesungguhnya bahwa kota tersebut memiliki
usaha ≥ 9000 unit.
Jawaban :
Diketahui :
n = 31
x = 11
𝑥 11
p̂ = = = 0,3548 = 0,36
𝑛 31

b. Masih menggunakan data yang sama seperti soal a. Carilah interval konfidensi 95%
untuk nilai proporsi. Sesungguhnya bahwa kota tersebut memiliki usaha ≥ 9000 unit.
Jawaban :
Diketahui : p̂ = 0,36
q̂ = 1 - 0,36 = 0,64
n = 31

95% = (1 – α ) 100%
0,95 = 1 – α
α = 0.05
𝛼
= 0,025
2
𝑧𝛼 = z0,025 = 1,96
2

√p
̂ q̂
E = 𝑧𝛼
2 n

0,36.0,64
= 1,96 √ 31
= 0,1689
= 0,17
Maka estimasi interval untuk proporsi
p̂ ± E
0,36 ± 0,17
0,36 – 0,17 < P < 0,36 + 0,17
0,19 < P < 0,53

29
D. Variansi
(𝑛−1)𝑠2 (𝑛−1)𝑠2
Estimasi variansi = 2 < 𝜎2 <
𝑥𝛼 𝑥2 𝛼
1−
2 2
Dengan menggunakan data yang sama seperti soal proporsi tentukanlah interval konfidensi
95% untuk variansinya !
Diketahui : interval konfidensi 95% maka α = 0.05

𝑥𝛼2 = 𝑥0,025
2
(tabel khi kuadrat) = 19.023
2
2 2
𝑥1− 𝛼 = 𝑥0,975 = 2.700
2
Clue :
V = n – 1 = 31 – 1 = 30
𝑠 2 = 25270189,26

Maka estimasi variansi

30.25270189,26 30.25270189,26
= < 𝜎2 <
19023 2700
2
= 39852,06 < 𝜎 < 280779,88

4.6 Uji Hipotesa Parameter

Jumlah Unit Industri Kecil Menengah dan Besar di Jawa Barat, 2012

(𝑋𝑖 2 -X bar)
Kabupaten/Kota Unit Usaha (Xi)

Bogor 14975 2811.125 7902423.766

Sukabumi 15471 3307.125 10937075.77
Bandung 13483 1319.125 1740090.766
Cirebon 10699 -1464.875 2145858.766
Purwakarta 10850 -1313.875 1726267.516
Bekasi 10704 -1459.875 2131235.016
Kota Bandung 10821 -1342.875 1803313.266
Kota Depok 10308 -1855.875 3444272.016
jumlah:
Rata-rata
12163.875 31830536.88

30
No. H0 Statistik Uji H1 Daerah Penolakan
1. µ = µ0  Varians diketahui µ < µ0 Z < - Zα

 n ≥ 30 µ > µ0 Z > Zα

x  0 µ ≠ µ0 Z < - Zα/2 dan Z > Zα/2

z
/ n
2. P = P0 x  np0 pˆ  p0 P < P0 Z < - Zα
z 
np0 q0 p0 q0 n P > P0 Z > Zα

x P ≠ P0 Z < - Z α/2 dan Z > Z α/2

pˆ 
n
3. σ2 = σ02 x2 = ( n-1 ) s2 / σ02 σ2<σ02  2  12
  2
v = n-1 σ2>σ02
 2  12 / 2 dan    2 / 2
σ ≠ σ0
2 2

Uji Hipotesa Parameter

1.1 Pengujian Rata-rata

Industri kecil menengah dan besar yang berada pada 31 kota di Jawa Barat menunjukkan
besar usaha rata-rata sebesar 7824 unit dengan standar deviasi 5027 unit. Apakah ini
menunjukkan bahwa harapan jumlah unit usaha ini lebih besar dari 7800 unit? Gunakan α =
5%.

Dik : n = 31 x = 7824
σ= 5027 α = 5%
Jawab :

H0 = µ = 7800

H1 : µ> 7800

α = 5% = 0,05
Statistik Uji :
𝑥− µ0 7824−7800
z = 𝜎⁄√𝑛 = 5027 ⁄ √31 = 0,02658 ≈ 0,03

31
Daerah Penolakan :
Z > Zα
Z > Z0,05
Z > 1,645
Karena Z hitung < 1,645, maka keputusannya adalah gagal menolak H0 dan disimpulkan

bahwa harapan jumlah unit usaha sama dengan 7800 unit.

Gambar 1.1 kurva pengujian rata-rata

1.2 Penguian Proporsi

Seorang pengusaha menyatakan bahwa lebih dari 64% unit usaha yang dimilki di kota-
kota d Jawa Barat berjumlah kurang dari 1000 unit. Apakah anda setuju dengan pernyataan
tersebut jika diketahui diantara 31 kota yang ada, diperoleh bahwa 74% kota memiliki unit
usaha kurang dari 10.000 unit? Gunakan α = 5%.
Diket : x = 74% x 31 kota = 23 n = 31
23
𝑝̂ = 31 = 0,7 P0 = 0,64

q0 = 0,36
Jawab :
H0 : p = 64% = 0,64
H1 : p ≠ 64% ≠ 0,64

α = 10%
𝛼
= 5% = 0,05
2
Statistik Uji :
𝑝̂−𝑃0 0,7−0,64
z =√P0 q0/n = √0,64 𝑥 0,34/31 = 0,6959 = 0,7

32
Daerah Penolakan :
Z < - Z α/2 dan Z > Z α/2
Z < - Z0,05 dan Z > Z0,05
Z < -1,645 dan Z > 1,645
Keputusan :
Tolak H0 dan disimpulkan bahwa tidak ada dasar yang kuat untuk tidak menolak
pernyataan diatas.

Gambar 1.2 Kurva Pengujian Proporsi

2 Pengujian Varians
Dinas Perindustrian dan Peerdagangan mengatakan bahwa kota-kota industri Jawa Barat
memiliki standar deviasi usaha σ = 5027 unit. Bila suatu sampel random 8 kota menghasilkan
s = 1030 unit. Apakah menurut anda σ < 5027 unit? Gunakan α = 5%.
Diket : σ = 5027 n=8
s = 1030 α = 5% = 0,05
Jawab :
H0 : σ2 = 5027
H1 : σ2< 5027
α = 5%
Statistik Uji :
(𝑛−1) 𝑠2
x2 = ; v = n-1
σ02
Daerah Penolakan :

 2  12
x
2  2
2
< x 0,95 ; v = 30
x2< 18.493

33
 (𝑛−1) 𝑠2 (8−1) 1030^2
x2 = σo2 = = 1477, 3 ≈ 1477
5027

Karena x2 < 18493, maka keputusannya adalah tolak H0 dan disimpulkan bahwa σ

kurang dari 5027 unit.

Gambar 1.3 Kurva Pengujian Varians

4.7 Regresi Linear Sederhana

Jumlah Unit Industri Kecil Menengah dan Besar di Jawa Barat, 2012

Unit
Tenaga Kerja Investasi
Usaha
Kabupaten/Kota
X atau
X1 X2 Y
Bogor 14975 8321681.86 338687
Sukabumi 15471 419557.49 214278
Cianjur 1244 13211.3 159294
Bandung 13483 1121566.29 189850
Garut 9813 3331022.61 168188
Tasikmalaya 1480 3350046.07 171899
Ciamis 1408 3465.31 189917
Kuningan 2430 579274.92 191760
Cirebon 10699 843630.34 88972
Majalengka 7396 3458385.25 143681
Sumedang 5130 4960586.9 159477
Indramayu 2377 5414 123391
Subang 3410 1319528.2 140693
Purwakarta 10850 105230936.9 117395
Karawang 9341 16555445.92 215580
Bekasi 10704 7995276.21 194221
Bandung Barat 52 5764877.6 2251
Kota Bogor 8227 23266318.37 268543

34
Kota Sukabumi 9436 8295.65 130131
Kota Bandung 10821 8560783.48 121120
Kota Cirebon 9379 5097.55 158320
Kota Bekasi 9891 7681058.93 107582
Kota Depok 10308 5189834.16 165573
Kota Cimahi 6112 3068699.06 187215
Kota Tasikmalaya 9734 921916.05 118064
Kota Banjar 9248 1100779.45 155203
Jawa Barat 203419 213076689.8 4221393
Sumber: Dinas Perindustrian dan Perdagangan Provinsi Jawa
Barat

REGRESI LINIER SEDERHANA

Regsresion Analysis: Y versus X

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Regression 1 12682554017 12682554017 3.69 0.067
X 1 12682554017 12682554017 3.69 0.067
Error 24 82525913254 3438579719
Total 25 95208467271

Model Summary

S R-sq R-sq(adj) R-sq(pred)

58639.4 13.32% 9.71% 0.00%

Coefficients

Term Coef SE Coef T-Value P-Value VIF

Constant 122041 23936 5.10 0.000
X 5.15 2.68 1.92 0.067 1.00

Regression Equation

Y = 122041 + 5.15 X

Interpetasi persamaan linier sederhana

X= unit usaha
Y= tenaga kerja

Nilai a=122041 ; Jika unit usaha (X) bernilai konstan, maka estimasi banyaknya tenaga kerja
(Y) sebesar 122041 orang
Nilai b=5,15 ; Merupakan hubungan antara jumlah unit usaha (X) dengan jumlah tenaga kerja
(Y). Sehingga setiap peningkatan jumlah unit usaha sebesar satu satuan, akan meningkatkan
jumlah tenaga kerja sebesar 5,15 satuan.

35
Dapat disimpulkan berdistribusi normal apabila plot mengikuti garis lurus

4.8 Regresi Linear Berganda

Regression Analysis: Y versus X1, X2

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Regression 2 13889925676 6944962838 1.96 0.163
X1 1 13714784773 13714784773 3.88 0.061
X2 1 1207371659 1207371659 0.34 0.565
Error 23 81318541595 3535588765
Total 25 95208467271

Model Summary

S R-sq R-sq(adj) R-sq(pred)

59460.8 14.59% 7.16% 0.00%

Coefficients

Term Coef SE Coef T-Value P-Value VIF

Constant 122513 24285 5.04 0.000
X1 5.45 2.77 1.97 0.061 1.04
X2 -0.000344 0.000589 -0.58 0.565 1.04

Regression Equation

Y = 122513 + 5.45 X1 - 0.000344 X2

Fits and Diagnostics for Unusual Observations

36
Obs Y Fit Resid Std Resid
1 338687 201312 137375 2.50 R
14 117395 145442 -28047 -1.82 X
17 2251 120811 -118560 -2.18 R

R Large residual
X Unusual X

INTERPRETASI PERSAMAAN LINIER BERGANDA

X1= unit usaha
X2= investasi
Y= tenaga kerja

Nilai a=122513 ; Jika unit usaha dan investasi bernilai konstan, maka estimasi
banyaknya tenaga kerja (Y) sebesar 122041 orang
Nilai b=5,45 ; Merupakan hubungan antara jumlah unit usaha (X1) dengan jumlah
tenaga kerja (Y). Sehingga jika jumlah investasi bernilai konstan, maka setiap
peningkatan jumlah unit usaha sebesar satu satuan, akan meningkatkan jumlah tenaga
kerja sebesar 5,15 satuan
Nilai c=-0,000344 ; Merupakan hubungan antara jumlah investasi (X2) dengan
jumlah tenaga kerja (Y). Sehingga jika jumlah unit usaha bernilai nol, maka setiap
peningkatan jumlah investasi sebesar satu satuan, akan menurunkan jumlah tenaga
kerja sebesar 0,000344 satuan

Diagram Normal Probability Plot

Dapat disimpulkan berdistribusi normal apabila plot mengikuti garis lurus

37
 BAB V

KESIMPULAN
Jadi berdasarkan pemaparan materi dan data diatas dapat ditarik kesimpulan sebagai berikut :
 Distribusi Peluang dari Peubah Acak
1. Kejadian Sederhana
Berdasarkan titik sampel diatas, tentukan kejadian A yang merupakan kota yang
tidak memiliki huruf a adalah A={Bogor, Cirebon}
2. Kejadian Majemuk
Soal: Berdasarkan titik sampel diatas, tentukan kejadian B yang merupakan kota
yang terdiri atas huruf a dan I adalah B={Sukabumi, Cianjur, Tasikmalaya,
Ciamis, Kuningan, Indramayu, Bekasi}
3. Menentukan anggota-anggota
Jika diketahui S= [Bogor, Sukabumi, Cianjur, Tasikmalaya, Cirebon, Majalengka,
Subang, Purwakarta, Depok], A=[Depok, Sukabumi, Bogor], B=[Majalengka,
Cirebon, Bogor, Subang]
Maka A’ U B adalah [Cirebon, Majalengka, Subang]
4. Bila tiap kota yang berawalan huruf S di pasangkan dengan kota yang berawalan
selain huruf S, berapa banyaknya titik sampel dalam ruang sampel adalah 52
5. Probabiltas Bersyarat
P(A n B) 18/21 18
P(A I B)= = =4
P(B) 4/21
6. Variabel Random (Peubah Acak)
X=0 adalah {Bogor, Cirebon, Depok}
X=1 adalah {Sukabumi, Cianjur, Bandung, Garut, Ciamis, Kuningan, Sumedang,
Subang, Bekasi, Cimahi}
X=2 adalah {Indramayu, Banjar}
X=3 adalah {Majalengka, Purwakarta, Karawang, Bandung Barat}
X=4 adalah {Tasikmalaya}
 Distribusi Normal
Dinas Perindustrian dan Perdagangan provinsi Jawa Barat menghitung jumlah unit
usaha pada industry kecil menengah dan besar yang ada pada 31 kota di Jawa Barat.
Diperoleh bahwa unit usaha tersebut berdistribusi normal dengan rata-rata 7824 unit
dan standar deviasi 5027 unit. probabilitas bahwa satu kota yang dipilih secara acak
akan memiliki usaha antara 7900 ≤ χ ≤ 8200 unit, didapatkan standar deviasi sebesar
𝜎 = 502 dan P(7900≤ χ ≤ 8200) = P (0,02 ≤ χ ≤ 0,08) = 0,5319 – 0,5080 = 0,0239
 Selang rata-rata dari parameter
Rata-rata untuk usaha pada produksi jawa barat pada tahu 2012 dalam 31 lokasi
berbeda adalah 7609 unit. Tentukan interval konferdensi 95% untuk mean (rata-rata)
unit usaha. Jika diketahui standar deviasi usaha 5027 unit. Didapatkan interval
konferdensi 95% untuk mean (rata-rata) unit usaha adalah 𝜇∈
(6054,36; 9593,64)Jadi kita yakin 95% bahwa nilai 𝜇 yang sebenarnya adalah antara
6054,36 𝑑𝑎𝑛 9593,64
 Proporsi

38
 1. Diketahui bahwa terdapat sebanyak 31 kota/kabupaten yang memiliki unit
industry kecil menengah dan besar, dan di peroleh bahwa sebanyak 11
kota/kabupaten memilki unit usaha ≤ 9000 unit. nilai proporsi sesungguhnya
𝑥 11
bahwa kota tersebut memiliki usaha ≥ 9000 unit adalah p̂ = 𝑛 = 31 = 0,3548 =
0,36
2. Masih menggunakan data yang sama seperti soal a. Carilah interval konfidensi
95% untuk nilai proporsi. Sesungguhnya bahwa kota tersebut memiliki usaha ≥
9000 unit adalah 0,19 < P < 0,53
 Variansi
Dengan menggunakan data yang sama seperti soal proporsi tentukanlah interval
konfidensi 95% untuk variansinya variansi adalah 39852,06 < 𝜎 2 < 280779,88
 Pengujian Rata-rata
Industri kecil menengah dan besar yang berada pada 31 kota di Jawa Barat
menunjukkan besar usaha rata-rata sebesar 7824 unit dengan standar deviasi 5027
unit. Ini tidak menunjukkan bahwa harapan jumlah unit usaha ini lebih besar dari
7800 unit, Karena Z hitung < 1,645, maka keputusannya adalah gagal menolak H0 dan
disimpulkan bahwa harapan jumlah unit usaha sama dengan 7800 unit.
 Pengujian Proporsi
Seorang pengusaha menyatakan bahwa lebih dari 64% unit usaha yang dimiliki di
kota-kota d Jawa Barat berjumlah kurang dari 1000 unit. Anda setuju dengan
pernyataan tersebut jika diketahui diantara 31 kota yang ada, diperoleh bahwa 74%
kota memiliki unit usaha kurang dari 10.000 unit. Tolak H0 dan disimpulkan bahwa
tidak ada dasar yang kuat untuk tidak menolak pernyataan diatas.
 Pengujian Varians
Dinas Perindustrian dan Peerdagangan mengatakan bahwa kota-kota industri Jawa
Barat memiliki standar deviasi usaha σ = 5027 unit. Bila suatu sampel random 8 kota
menghasilkan s = 1030 unit. Apakah menurut anda σ < 5027 unit. Iya karena x 2 <
18493, maka keputusannya adalah tolak H0 dan disimpulkan bahwa σ kurang dari
5027 unit.
 Untuk Regresi Linear Sederhana:
Nilai a=122041 ; Jika unit usaha (X) bernilai konstan, maka estimasi banyaknya
tenaga kerja (Y) sebesar 122041 orang
Nilai b=5,15 ; Merupakan hubungan antara jumlah unit usaha (X) dengan jumlah
tenaga kerja (Y). Sehingga setiap peningkatan jumlah unit usaha sebesar satu satuan,
akan meningkatkan jumlah tenaga kerja sebesar 5,15 satuan.
Dapat disimpulkan berdistribusi normal apabila plot mengikuti garis lurus
 Untuk Regresi Linear Berganda:
Nilai a=122041 ; Jika unit usaha dan investasi bernilai konstan, maka estimasi
banyaknya tenaga kerja (Y) sebesar 122041 orang
Nilai b=5,15 ; Merupakan hubungan antara jumlah unit usaha (X1) dengan jumlah
tenaga kerja (Y). Sehingga jika jumlah investasi bernilai konstan, maka setiap
peningkatan jumlah unit usaha sebesar satu satuan, akan meningkatkan jumlah tenaga
kerja sebesar 5,15 satuan
Nilai c=-0,000344 ; Merupakan hubungan antara jumlah investasi (X2) dengan
jumlah tenaga kerja (Y). Sehingga jika jumlah unit usaha bernilai nol, maka setiap

39
peningkatan jumlah investasi sebesar satu satuan, akan menurunkan jumlah tenaga
kerja sebesar 0,000344 satuan.
Dapat disimpulkan berdistribusi normal apabila plot mengikuti garis lurus

40
 DAFTAR PUSTAKA
Sudjana. 2002. Metode Statistika. Bandung: Tarsito
Sugiyono. 2006. Metode Penelitian Kuntitatif dan Kuatitatif. Bandung: Alfabeta
Suharyadi, 2013. Statistika untuk Ekonomi dan Keuangan Modern. Jakarta: Salemba Empat
Riduwan. 2005. Skala Pengukuran Variabel-Variabel Penelitian. Bandung: Alfabeta
Walpole, Ronald E. dkk. 2012. Probability & Statistics for Engineers & Scientists 9th edition.
USA: Pearson Publisher

41