Anda membuka satu makalah akademik. Halaman pertama bagian metode berbunyi: “rata-rata sampel $\bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i$”. Mata Anda berhenti. Lambang-lambang itu terasa seperti tulisan dari planet lain — padahal yang dikatakannya cuma satu kalimat sederhana: “jumlahkan semua nilai, lalu bagi dengan banyaknya nilai”.
Itulah seluruh rahasia notasi statistik. Ia bukan sihir, melainkan singkatan. Sekali sebuah lambang dijelaskan dengan kata-kata polos dan satu contoh angka, ia tidak akan menakutkan lagi. Dan kabar baiknya: konvensi lambang ini konsisten di seluruh dunia — sekali paham, hampir semua buku teks dan makalah jadi terbuka.
Artikel ini punya dua bagian. Bagian pertama membongkar empat lambang inti ($\Sigma$, $\bar{x}$, indeks $i$, dan $n$) sampai benar-benar terasa polos. Bagian kedua adalah cheatsheet lengkap — daftar rujukan cepat untuk saat Anda berhadapan dengan lambang yang belum dikenal.
Empat Lambang yang Wajib Dikenal Dulu
Sebagian besar rumus statistika dasar dibangun dari empat lambang yang sama, berulang-ulang. Kuasai empat ini, dan separuh notasi sudah tidak asing.
| Lambang | Dibaca | Artinya polos |
|---|---|---|
| $n$ | “en” | Banyaknya data |
| $x_i$ | “x-i” | Nilai data ke-$i$ |
| $\Sigma$ | “sigma” | Jumlahkan |
| $\bar{x}$ | “x-bar” | Rata-rata |
Mari bahas satu per satu, dari yang paling sederhana.
$n$ — Banyaknya Data
$n$ adalah berapa banyak angka yang Anda punya. Tidak lebih rumit dari itu.
Kalau Anda mengumpulkan nilai kuis dari 5 mahasiswa, maka $n = 5$. Kalau survei mencakup 200 responden, $n = 200$. Lambang ini muncul di hampir setiap rumus, biasanya sebagai pembagi (saat kita merata-ratakan sesuatu).
Indeks $i$ dan $x_i$ — Penomor Data
Bayangkan lima nilai kuis berbaris: 70, 80, 75, 90, 85. Kita perlu cara menyebut “nilai yang mana”. Untuk itu kita beri nomor urut ke tiap data, dan nomor itu kita sebut indeks $i$:
$$x_1 = 70,\quad x_2 = 80,\quad x_3 = 75,\quad x_4 = 90,\quad x_5 = 85$$Jadi $x_i$ berarti “nilai data ke-$i$”, di mana $i$ adalah penomornya. Kalau $i = 3$, maka $x_3 = 75$. Kalau $i = 5$, maka $x_5 = 85$. Indeks $i$ sendiri tidak punya makna selain “yang ke-berapa” — ia hanya penunjuk, seperti nomor kursi.
$\Sigma$ — Perintah “Jumlahkan”
Inilah lambang yang paling sering membuat pemula gentar, padahal artinya cuma satu kata: jumlahkan. $\Sigma$ (sigma besar, huruf Yunani) adalah perintah untuk menjumlahkan serangkaian nilai. Anatominya seperti ini:
Tiga bagian penyusunnya:
- Batas bawah ($i = 1$) di bawah sigma: tempat penjumlahan mulai — dari data ke-1.
- Batas atas ($n$) di atas sigma: tempat penjumlahan berhenti — di data ke-$n$ (data terakhir).
- Ekspresi ($x_i$) di sebelah sigma: apa yang dijumlahkan.
Dibaca utuh, $\sum_{i=1}^{n} x_i$ berarti: “jumlahkan $x_i$ untuk $i$ dari 1 sampai $n$” — yaitu $x_1 + x_2 + \ldots + x_n$.
Contoh dari nol. Pakai lima nilai kuis tadi: 70, 80, 75, 90, 85.
$$\sum_{i=1}^{5} x_i = x_1 + x_2 + x_3 + x_4 + x_5 = 70 + 80 + 75 + 90 + 85 = 400$$Itu saja. $\Sigma$ tidak melakukan apa pun yang lebih ajaib dari menambah angka satu per satu.
Batasnya tidak harus mulai dari 1 sampai $n$. Kalau kita hanya ingin menjumlahkan tiga data pertama, batas atasnya kita ganti jadi 3:
$$\sum_{i=1}^{3} x_i = x_1 + x_2 + x_3 = 70 + 80 + 75 = 225$$Dan yang dijumlahkan tidak harus $x_i$ mentah. Kalau di sebelah sigma tertulis $x_i^2$, berarti tiap nilai dikuadratkan dulu baru dijumlahkan:
$$\sum_{i=1}^{5} x_i^2 = 70^2 + 80^2 + 75^2 + 90^2 + 85^2 = 32.250$$$\bar{x}$ — Rata-rata
Garis kecil di atas huruf (disebut bar) berarti “rata-rata”. Jadi $\bar{x}$ (dibaca “x-bar”) adalah rata-rata dari semua nilai $x$. Dengan tiga lambang sebelumnya, kita bisa menuliskan rumus rata-rata secara ringkas:
$$\bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i$$Bacalah perlahan dari kanan: $\sum_{i=1}^{n} x_i$ artinya “jumlahkan semua data”, lalu $\frac{1}{n}$ artinya “bagi dengan banyaknya data”. Persis definisi rata-rata yang sudah Anda kenal.
Contoh dari nol. Masih dengan data 70, 80, 75, 90, 85 ($n = 5$):
$$\bar{x} = \frac{1}{5}\sum_{i=1}^{5} x_i = \frac{70 + 80 + 75 + 90 + 85}{5} = \frac{400}{5} = 80$$Rata-ratanya 80. Rumus yang tadi terlihat menakutkan ternyata hanya cara rapi menuliskan “(70+80+75+90+85) dibagi 5”.
Rangkuman empat lambang. $\displaystyle\bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i$ membaca: ambil tiap nilai data ke-$i$ ($x_i$), jumlahkan semua ($\Sigma$, dari $i=1$ sampai $n$), lalu bagi dengan banyak data ($n$). Empat lambang, satu kalimat.
Sisa artikel ini adalah cheatsheet rujukan. Anda tidak perlu menghafalnya — buka saja saat menemui lambang yang belum dikenal.
Aturan Emas Konvensi
Sebelum tabel-tabelnya, ada beberapa kebiasaan yang dipegang hampir semua penulis:
- Huruf Yunani ($\mu, \sigma, \rho$) untuk parameter populasi — angka sebenarnya yang biasanya tidak kita ketahui.
- Huruf Latin ($\bar{x}, s, r$) untuk statistik sampel — angka yang kita hitung dari data yang ada.
- Topi ($\hat{\ }$, “hat”) menandai sebuah penaksir — tebakan kita atas nilai sebenarnya. Contoh: $\hat{p}$ (“p-hat”) menaksir proporsi populasi.
- Bar ($\bar{\ }$) menandai rata-rata, seperti $\bar{x}$.
- Huruf besar ($X$) sering untuk peubah acak (nilai yang belum terwujud), huruf kecil ($x$) untuk nilai yang sudah terukur.
Inti polanya: Yunani = populasi (tak diketahui), Latin = sampel (dihitung). Sebagian besar kebingungan notasi hilang begitu pasangan ini dikenali.
Populasi vs Sampel
Tiap besaran punya dua versi: satu untuk seluruh populasi, satu untuk sampel yang diambil darinya.
| Konsep | Populasi | Sampel |
|---|---|---|
| Rata-rata | $\mu$ (mu) | $\bar{x}$ (x-bar) |
| Varians | $\sigma^2$ (sigma kuadrat) | $s^2$ |
| Standar deviasi | $\sigma$ (sigma) | $s$ |
| Ukuran | $N$ | $n$ |
| Proporsi | $\pi$ atau $p$ | $\hat{p}$ (p-hat) |
| Koefisien korelasi | $\rho$ (rho) | $r$ |
| Koefisien regresi | $\beta$ (beta) | $b$ atau $\hat{\beta}$ |
Catat polanya: ukuran populasi pakai $N$ besar, ukuran sampel pakai $n$ kecil. Rata-rata populasi pakai huruf Yunani $\mu$, rata-rata sampel pakai huruf Latin $\bar{x}$.
Simbol Yunani yang Paling Sering Muncul
| Simbol | Nama | Dipakai untuk |
|---|---|---|
| $\alpha$ | alpha | Taraf nyata (signifikansi), titik potong regresi |
| $\beta$ | beta | Kemiringan regresi, galat jenis II |
| $\gamma$ | gamma | Distribusi gamma, koefisien kemencengan |
| $\delta$ | delta | Selisih, atau ukuran efek Cohen’s $d$ |
| $\epsilon$ | epsilon | Suku galat (error) di regresi |
| $\zeta$ | zeta | Jarang (kadang statistik uji) |
| $\eta$ | eta | $\eta^2$ untuk ukuran efek ANOVA |
| $\theta$ | theta | Parameter umum |
| $\lambda$ | lambda | Parameter laju (Poisson, eksponensial) |
| $\mu$ | mu | Rata-rata populasi |
| $\nu$ | nu | Derajat kebebasan |
| $\pi$ | pi | Proporsi populasi |
| $\rho$ | rho | Korelasi populasi |
| $\sigma$ | sigma | Standar deviasi populasi |
| $\tau$ | tau | Kendall’s tau, parameter |
| $\phi$ | phi | Kerapatan normal baku, ukuran efek |
| $\chi$ | chi | Distribusi chi-kuadrat |
| $\omega$ | omega | Ukuran efek omega-kuadrat |
| $\Sigma$ | Sigma (besar) | Operator penjumlahan |
| $\Pi$ | Pi (besar) | Operator perkalian |
Perhatikan dua baris terakhir: huruf Yunani besar $\Sigma$ dan $\Pi$ adalah operator, bukan parameter. $\Sigma$ menjumlahkan (yang sudah kita bahas), $\Pi$ mengalikan.
Operator Matematis
| Simbol | Arti | Contoh |
|---|---|---|
| $\sum$ | Jumlahkan | $\sum_{i=1}^n x_i = x_1 + x_2 + \ldots + x_n$ |
| $\prod$ | Kalikan | $\prod_{i=1}^n x_i = x_1 \cdot x_2 \cdots x_n$ |
| $\int$ | Integralkan | $\int_{-\infty}^{\infty} f(x)\, dx = 1$ untuk fungsi kerapatan |
| $E[\cdot]$ | Nilai harapan | $E[X] = \mu$ |
| $\text{Var}[\cdot]$ | Varians | $\text{Var}[X] = \sigma^2$ |
| $\text{Cov}[\cdot, \cdot]$ | Kovarians | $\text{Cov}[X, Y]$ |
| $\sim$ | “Terdistribusi sebagai” | $X \sim \mathcal{N}(0, 1)$ |
| $\mid$ | “Diberikan” / bersyarat | $P(A \mid B)$ |
| $\cap$ | Irisan | $A \cap B$ |
| $\cup$ | Gabungan | $A \cup B$ |
| $\overset{d}{\to}$ | Konvergen dalam distribusi | $\bar{X}_n \overset{d}{\to} \mathcal{N}(\mu, \sigma^2/n)$ |
| $\overset{p}{\to}$ | Konvergen dalam peluang | $\hat{\theta} \overset{p}{\to} \theta$ |
Notasi Distribusi Peluang
| Distribusi | Notasi | Parameter |
|---|---|---|
| Normal | $\mathcal{N}(\mu, \sigma^2)$ | rata-rata, varians |
| Normal Baku | $\mathcal{N}(0, 1)$ | — |
| t-Student | $t_\nu$ atau $t(df)$ | derajat kebebasan |
| Chi-kuadrat | $\chi^2_\nu$ | derajat kebebasan |
| F | $F(\nu_1, \nu_2)$ | df pembilang, penyebut |
| Binomial | $B(n, p)$ atau $\text{Bin}(n, p)$ | jumlah percobaan, peluang |
| Poisson | $\text{Pois}(\lambda)$ | laju |
| Eksponensial | $\text{Exp}(\lambda)$ | laju |
| Seragam | $U(a, b)$ | minimum, maksimum |
| Beta | $\text{Beta}(\alpha, \beta)$ | parameter bentuk |
| Gamma | $\Gamma(\alpha, \beta)$ | bentuk, laju |
Notasi Statistika Inferensial
| Notasi | Arti |
|---|---|
| $H_0$ | Hipotesis nol |
| $H_1, H_a$ | Hipotesis alternatif |
| $\alpha$ | Galat jenis I / taraf nyata |
| $\beta$ | Laju galat jenis II |
| $1 - \beta$ | Daya uji (power) |
| $p$ atau nilai-p | Peluang di bawah $H_0$ |
| CI atau $1 - \alpha$ | Tingkat selang kepercayaan |
| $\hat{\theta}$ | Taksiran titik |
| $SE(\hat{\theta})$ | Galat baku penaksir |
| $df$ atau $\nu$ | Derajat kebebasan |
| $\lvert t \rvert, \lvert z \rvert$ | Nilai mutlak statistik uji |
| MSE | Galat kuadrat rata-rata |
| RMSE | Akar galat kuadrat rata-rata |
| AIC, BIC | Kriteria informasi (pemilihan model) |
| $R^2$ | Koefisien determinasi |
| $\bar{R}^2$ | $R^2$ terkoreksi |
Notasi Regresi
Regresi linear:
$$Y_i = \beta_0 + \beta_1 X_i + \epsilon_i$$Komponennya:
- $Y_i$ = peubah terikat (hasil) untuk data ke-$i$
- $X_i$ = peubah bebas (peramal) untuk data ke-$i$
- $\beta_0$ = titik potong (nilai sebenarnya)
- $\beta_1$ = kemiringan (nilai sebenarnya)
- $\epsilon_i$ = suku galat (acak)
- $\hat{Y}_i = b_0 + b_1 X_i$ = nilai prediksi
- $b_0, b_1$ = taksiran sampel atas $\beta_0, \beta_1$
- $e_i = Y_i - \hat{Y}_i$ = residual (selisih nilai aktual dari nilai prediksi)
Perhatikan pola topi sekali lagi: $\hat{Y}_i$ adalah prediksi garis regresi, sedangkan $Y_i$ tanpa topi adalah nilai aktual yang teramati. Residual $e_i$ adalah jarak antara keduanya. Misalnya kalau nilai aktual $Y_i = 85$ dan prediksi $\hat{Y}_i = 82$, maka residualnya $e_i = 85 - 82 = 3$.
Regresi berganda hanya menambah peubah bebas:
$$Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \ldots + \beta_k X_{ki} + \epsilon_i$$Notasi SEM-PLS
Khusus untuk pemodelan persamaan struktural (SEM):
| Notasi | Arti |
|---|---|
| $\eta$ (eta) | Peubah laten endogen |
| $\xi$ (ksi) | Peubah laten eksogen |
| $\gamma$ | Koefisien jalur eksogen → endogen |
| $\beta$ | Koefisien jalur endogen → endogen |
| $\lambda$ | Faktor muatan (model luar) |
| $\delta, \epsilon$ | Galat pengukuran (indikator) |
| $\zeta$ | Gangguan struktural |
| AVE | Average Variance Extracted |
| CR | Composite Reliability |
| HTMT | Heterotrait-Monotrait Ratio |
| $f^2$ | Ukuran efek struktural |
| $Q^2$ | Relevansi prediktif |
Notasi Deret Waktu
| Notasi | Arti |
|---|---|
| $y_t$ | Nilai pada waktu $t$ |
| $y_{t-1}$ | Nilai tertinggal (periode sebelumnya) |
| $\Delta y_t$ | Selisih pertama: $y_t - y_{t-1}$ |
| $L y_t$ | Operator lag: $L y_t = y_{t-1}$ |
| $\text{AR}(p)$ | Autoregresif orde $p$ |
| $\text{MA}(q)$ | Rata-rata bergerak orde $q$ |
| $\text{ARIMA}(p, d, q)$ | Autoregresif terintegrasi rata-rata bergerak |
| $\rho_k$ | Autokorelasi pada lag $k$ |
Cheatsheet Interaktif
Cari sebuah simbol di kotak pencarian, dan widget menampilkan nama serta contoh pemakaiannya.
Cek Pemahaman
1. Diberikan data 4, 6, 8 (jadi $x_1 = 4$, $x_2 = 6$, $x_3 = 8$). Hitung $\sum_{i=1}^{3} x_i$, lalu $\bar{x}$.
Lihat jawaban
$\sum_{i=1}^{3} x_i = x_1 + x_2 + x_3 = 4 + 6 + 8 = 18$. Banyak data $n = 3$, jadi $\bar{x} = \frac{1}{n}\sum x_i = \frac{18}{3} = 6$. Rata-ratanya 6.
2. Anda membaca kalimat ini di sebuah makalah: “the population mean is $\mu$ and the sample mean is $\bar{x}$.” Mana yang nilainya kita hitung dari data, dan mana yang biasanya tidak diketahui?
Lihat jawaban
$\bar{x}$ (huruf Latin, ada bar) = rata-rata sampel — inilah yang kita hitung dari data yang ada. $\mu$ (huruf Yunani) = rata-rata populasi — nilai sebenarnya yang biasanya tidak diketahui, dan justru ditaksir oleh $\bar{x}$. Pola umumnya: Yunani = populasi (tak diketahui), Latin = sampel (dihitung).
3. (Penerapan) Pada data 4, 6, 8 yang sama, apa hasil $\sum_{i=1}^{3} 2x_i$? Apakah sama dengan $2 \times \sum x_i$?
Lihat jawaban
$\sum_{i=1}^{3} 2x_i = 2(4) + 2(6) + 2(8) = 8 + 12 + 16 = 36$. Dan $2 \times \sum x_i = 2 \times 18 = 36$. Sama — sebuah pengali konstan boleh ditarik keluar dari tanda $\Sigma$. Sifat ini sering dipakai untuk menyederhanakan rumus.
Kesalahan Umum
Tertukar huruf besar dan kecil. $X$ adalah peubah acak (belum terwujud); $x$ adalah nilai yang sudah terukur. $\bar{X}$ adalah rata-rata sampel sebagai peubah acak; $\bar{x}$ adalah rata-rata sampel yang sudah terhitung. Di tahap pemula, perbedaan ini halus — yang penting Anda sadar bahwa kapitalisasi itu bermakna, bukan sekadar gaya.
Mengira $\sigma$ sama dengan $s$. $\sigma$ (Yunani) adalah standar deviasi populasi; $s$ (Latin) adalah standar deviasi sampel. Yang Anda hitung dari sampel adalah $s$, bukan $\sigma$.
Membaca $\beta$ tanpa melihat konteks. $\beta$ bisa berarti kemiringan regresi, bisa galat jenis II, bisa beta saham (di keuangan). Selalu cek bidang dan kalimat sekitarnya.
Mengira $\alpha$ selalu taraf nyata. $\alpha$ bisa taraf nyata, bisa titik potong regresi, bisa parameter distribusi Beta. Lagi-lagi: konteks yang menentukan.
Lupa batas $\Sigma$. Tulislah batas bawah dan atas secara eksplisit ($\sum_{i=1}^{n}$, bukan $\sum$ telanjang) agar tidak ada kebingungan soal data mana yang dijumlahkan.
Dipakai di Dunia Nyata
- Membaca makalah dan buku teks. Setiap rumus deskriptif maupun inferensial dibangun dari lambang di sini. Mengenali $\Sigma$, $\bar{x}$, $\mu$, dan $\sigma$ saja sudah membuka sebagian besar bagian metode.
- Menerjemahkan rumus ke spreadsheet. $\sum_{i=1}^{n} x_i$ menjadi
=SUM(A1:A100); $\bar{x}$ menjadi=AVERAGE(...). Notasi adalah jembatan antara buku teks dan Excel. - Menulis laporan dan skripsi. Memakai lambang yang benar (huruf Yunani untuk parameter, topi untuk taksiran) membuat tulisan Anda terbaca seperti karya yang rapi dan tepat di mata penguji.
- Berkomunikasi lintas bidang. Karena konvensi ini global, satu rumus bisa dibaca oleh peneliti dari negara mana pun tanpa perlu diterjemahkan.
Lanjutan
Notasi muncul di hampir semua materi berikutnya — Anda akan terus berlatih membacanya:
- Tendensi Sentral — tempat $\mu$ dan $\bar{x}$ bekerja.
- Variabilitas — di sini $\Sigma$ dipakai penuh untuk varians $\sigma^2$ dan $s^2$.
- Distribusi Normal — perkenalan $\mathcal{N}(\mu, \sigma^2)$.
- Regresi Linear Sederhana — tempat $\beta$, $\hat{y}$, dan residual $e_i$ hidup.
Notasi adalah sebuah bahasa: makin sering Anda membacanya, makin alami ia terasa. Mulailah dari empat lambang inti, dan sisanya menyusul sendiri.