Professional Documents
Culture Documents
BAB II
STUDI LITERATUR
Studi literatur adalah teori atau bahan-bahan dari berbagai sumber yang
dijadikan sebagai pedoman untuk pengolahan data pada masing-masing modul.
Masing-masing modul memiliki teori dan rumus yang berbeda-beda. Studi
literatur dari masing-masing modul adalah sebagai berikut.
Usia Frekuensi
20 – 24 3
25 – 29 8
30 – 34 17
35 – 39 13
40 – 44 7
45 – 49 2
Jumlah 50
Sumber (Dajan, 1986)
disajikan pada tabel di atas dapat dilihat pada jumlah kelasnya adalah 6 kelas atau
6 kelompok data. Penentuan jumlah kelas diserahkan sepenuhnya pada penyusun
distribusi frekuensi. Sebagai gambaran, jumlah kelas yang dibutuhkan biasanya
berkisar dari 5 hingga 15 kelas. Untuk memudahkannya dapat digunakan
perumusan Sturges seperti berikut ini.
j
uml
ah k
el
as =
1+3,3
22 l
og n
………………….(2.1)
Keterangan:
n = Jumlah data observasi.
Hasil perhitungan dengan perumusan tersebut tidak harus digunakan
secara kaku, misalnya hasil perhitungan adalah 6,89. Lazimnya, angka 6,89 harus
dibulatkan ke atas menjadi 7. Akan tetapi, pembulatan ke bawah pun dapat
dilakukan, sehingga jumlah kelasnya bukan 7 melainkan 6 kelas.
Hampir setiap distribusi frekuensi memiliki interval atau lebar kelas yang
sama seperti yang terlihat pada tabel di atas. Namun demikian, pada situasi
tertentu , dimungkinkan adanya interval atau lembar kelas yang tidak sama.
Kedua contoh di atas, memiliki interval atau lebar kelasnya adalah 5.
II-3
Jangkauan
Interval Kelas =
Jumlah kelas
..................................(2.2)
Ada kemungkinan bahwa serangkaian data memiliki sejumlah kecil angka data
(awal atau terakhir jika sudah diurutkan) yang besarnya tergolong ekstrim,
misalnya jauh lebih kecil atau jauh lebih besar dari sebagian besar angka–angka
data yang ada.
Hal yang perlu diperhatikan dalam membuat skala pada sumbu datar pada
kasus–kasus 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 “//”. Hal ini dimaksudkan untuk membedakan skala antar titik yang
menggambarkan batas kelas dengan titik pusat dengan titik yang menandakan
batas kelas terkecil.
2.1.9 Ogive
Distribusi frekuensi kumulatif, selain disajikan dalam bentuk tabel–tabel
dapat juga disajikan dalam bentuk diagram yang dinamakan Ogive.
Penggambarannya juga dilakukan di atas bagan salib–sumbu seperi pada poligon
frekuensi.
Selain dapat disajikan dalam bentuk tabel–tabel yang dapat memberikan
informasi rinci, kadang–kadang pihak–pihak tertentu ingin memperoleh informasi
secara sepintas yang tentu saja keakuratan informasi yang diperolehnya memang
tidak diperhatikan. Data yang telah disajikan dalam bentuk tabel–tabel perlu
disajikan dalam bentuk lain yang lebih menarik. Diagram batang adalah salah satu
bentuk yang dimaksud.
Fungsi diagram garis sebenarnya tidak berbeda dengan fungsi diagram
batang yang memberikan informasi mengenai perkembangan sesuatu dari periode
ke periode. Hanya saja seperti namanya, diagram diwujudkan dengan garis–garis
yang menghubungkan puncak–puncak frekuensi tiap periode.
4. Menentukan limit bawah kelas bagi selang yang pertama dan kemudian batas
bawah kelasnya. Menambahkan lebar kelas pada batas bawah kelas untuk
mendapatkan batas atas kelasnya.
5. Mendaftarkan semua limit kelas dan batas kelas dengan cara menambahkan
lebar kelas pada limit dan batas selang sebelumnya.
2.2 Probabilitas
Probabilitas adalah kemungkinan terjadinya suatu peristiwa atau hasil
(yang diharapkan) dari sejumlah peristiwa atau hasil yang diharapkan terjadi
(Setyadji, 2007). Teori probabilitas, menghitung kemungkinan timbulnya gejala
yang diharapkan dari variabel populasinya. Probabililitas menghitung
kemungkinan timbulnya gejala yang diharapkan dari variabel sampelnya. Kata
peluang akan dipakai untuk mewakili kata probability dalam buku-buku teks yang
baku. Peluang berkaitan dengan adanya suatu mekanisme random (random
mechanisme) atau mekanisme alami (natural mechanisme) yang realisasinya tidak
dapat diatur. Peluang yang ditinjau di sini khusus dibatasi pada lingkup bahasan
teori dasar statistika atau statistika matematik. Unsur kerandoman (randomness)
memang datang secara alamiah (natural) seperti misalnya, jenis kelamin bayi
yang ditunggu kelahirannya, sisi mata dadu yang akan muncul pada lemparan
pertama, ukuran curah hujan yang akan turun hari ini, dan sebagainya. Kasus pada
percobaan probabilitas banyak bergantung pada faktor kebetulan, oleh karena itu,
tidak dapat diramalkan dengan pasti. Teori peluang bagi ruang contoh terhingga
II-7
memberikan segugus bilangan nyata yang disebut pembobot atau peluang, dengan
nilai dari 0 sampai 1 yang memungkinkan menghitung peluang terjadinya suatu
kejadian. Setiap titik contoh dalam ruang contohnya satu nilai peluang diberikan
sedemikian sehingga jumlah semua peluang untuk semua titik contohnya sama
dengan 1. Bila mempunyai alasan untuk percaya bahwa sebuah titik contoh
tertentu sangat besar peluangnya untuk terjadi bila dilaksanakan, maka peluang
yang diberikan pada titik itu hendaknya dekat dengan 1. Dipihak lain, nilai
peluang yang lebih dekat dengan nol hendaknya diberikan pada titik contoh yang
kecil sekali peluangnya untuk terjadi. Banyak percobaan, misalnya pelemparan
mata dadu, semua titik contohnya mempunyai peluang yang sama untuk terjadi,
oleh karena itu, semua diberi nilai peluang yang sama. Kejadian-kejadian
sederhana yang tidak mungkin terjadi untuk titik-titik di luar. Bila suatu
percobaan mempunyai N hasil percobaan yang berbeda dan masing-masing
mempunyai kemungkinan yang sama untuk terjadi, dan bila tepat n di antara hasil
percobaan itu menyusun kejadian A, maka peluang kejadian A adalah sebagai
berikut.
P ( A) =N / n
...................................................(2.3)
Keterangan:
P(A) = Peluang kejadian A
N = Hasil kejadian yang muncul
n = Jumlah percobaan
Probabilitas klasik adalah outcome yang sama atau mirip (Equally Likely
Outcomes), dua atau lebih outcome yang memiliki probabilitas kemunculan sama.
Metode mendapatkan peluang secara rasio, misalnya rasio banyaknya sisi gambar
dan rasio banyaknya sisi angka relatif terhadap berapa kali pelemparan dilakukan
disebut frekuensi relatif. Penggunaan intuisi, keyakinan diri, dan informasi tidak
langsung lain dalam menentukan peluang disebut frekuensi subjektif (Setyadji,
2007).
Peubah acak adalah suatu fungsi yang nilainya berupa bilangan nyata yang
ditentukan oleh setiap unsur dalam ruang contoh. Fungsi yang mendefinisikan
titik-titik contoh dalam ruang contoh sehingga memiliki nilai berupa bilangan
II-8
nyata disebut Peubah acak atau Variabel acak atau Random variable (beberapa
buku juga menyebutnya sebagai Stochastic variable). X dan x pada peubah acak
biasanya dinotasikan sebagai X (X kapital), nilai dalam X dinyatakan sebagai x
(huruf kecil x). Peubah acak yang didefinisikan di atas ruang contoh yang diskret
dan kontinu masing-masing disebut peubah acak diskret dan peubah acak kontinu.
Pada prakteknya, peubah acak diskret digunakan untuk data yang berupa cacahan,
sedangkan peubah acak kontinu digunakan untuk data yang diukur.
Peubah Acak Diskrit yaitu nilainya berupa bilangan cacah, dapat dihitung
dan terhingga. Suatu ruang contoh yang mengandung jumlah titik contoh yang
terhingga atau suatu barisan unsur yang tidak pernah berakhir tetapi sama
banyaknya dengan bilangan cacah disebut ruang contoh diskrit. Sebaran peluang
diskret adalah sebuah tabel atau rumus yang mencantumkan semua kemungkinan
nilai suatu peubah acak diskret berikut peluangnya. Jika x adalah variabel acak
diskrit, distribusi probabilitas dari x menggambarkan bagimana probabilitas
terdistribusi untuk seluruh nilai x yang mungkin. Karakteristik distribusi
Probabilitas.
1) 0 ≤ P(X) ≤ 1,untuk setiap nilai X.
2) ∑P(X) = 1
Fungsi kumulatif probabilitas (Probability Cummulative) adalah jumlah
total probabilitas untuk nilai sampai batas atas setiap kelas frekuensi. Nilai
menengah (nilai ekspektasi) variabel acak diskrit x.
titik pada sebuah ruas garis disebut ruang contoh kontinu. Sebaran peluang pada
peubah acak kontinu tidak bisa disajikan dalam bentuk tabel, tetapi sebaran ini
dapat dinyatakan dalam bentuk rumus. Rumus itu merupakan fungsi nilai-nilai
peubah acak kontinu X, sehingga dapat digambarkan sebagai suatu kurva kontinu.
Fungsi peluang yang digambarkan oleh kurva ini disebut fungsi kepekatan
peluang. Fungsi f disebut fungsi kepekatan peluang bagi peubah acak kontinu X
bila luas daerah di bawah kurva dan di atas sumbu-x sama dengan 1, dan bila luas
daerah di bawah kurva antara x = a dan x = b menyatakan peluang X terletak
antara a dan b.
Bila X dan Y adalah dua peubah acak diskret, sebaran peluang bersamanya
dapat dinyatakan sebagai sebuah fungsi f(x,y) bagi sembarang pasangan nilai (x,y)
yang dapat diambil oleh peubah acak x dan y. fungsi ini biasa disebut sebaran
peluang bersama bagi x dan y. Artinya nilai f(x,y) menyatakan bahwa x dan y
terjadi secara bersamaan. Rumus peubah acak diskret adalah.
f ( x, y )
f ( y, x) =
g ( x) , g(x) < 0 .........................(2.6)
Dua peubah acak yang bebas, peubah acak X dan Y dikatakan bebas jika
F(x,y) = g(x)h(y) untuk semua kemungkinan nilai-nilai X dan Y. Nilai tengah
suatu peubah acak, misalkan X adalah peubah acak diskret dengan sembarang
peluang (Walpole, 1982).
n Pn =n!
..................................................(2.8)
Keterangan:
P = permutasi.
n = banyak data.
Permutasi sebanyak r dari n objek yang berbeda. Jumlah permutasi dari
suatu himpunan yang terdiri dari n objek yang berbeda dan yang diambil sekaligus
sebanyak r serta tanpa pengembalian ialah.
n!
n Pr =
( n −r )! .............................................(2.9)
Keterangan:
r = syarat data.
Kombinasi adalah cara pemilihan objek yang bersangkutan tanpa
menghiraukan urutan objek itu sendiri (Walpole, 1976). Suatu himpunan yang
terdiri dari r objek yang dipilih dari suatu himpunan yang terdiri dari n objek yang
berbeda tanpa memperhatikan urutan pemilihannya. Kombinasi demikian
dinyatakan sebagai berikut.
( ) =r!( nn−
n
r
!
r )! ........................................(2.10)
standar unit ini dapat berupa interval waktu (menit, detik, hari, dan bulan) atau
luas daerah tertentu (walpole, 1982). Contoh penerapannya adalah jumlah
deringan telepon per jam di suatu kantor, jumlah goresan atau cacat dari suatu
permukaan produk, jumlah bakteri dalam suatu kultur, dan kesalahan sambung
pada nomor telepon.
Karakteristik distribusi poisson yaitu terdiri dari n buah percobaan yang
saling bebas. Ukuran n yang sangat besar dalam setiap percobaan hanya satu hasil
saja yang dijadikan titik pengamatan, probabilitas terjadinya suatu hasil sukses
konstan untuk setiap percobaan dan besarnya proposional terhadap selang waktu
atau luas daerahnya, dan probabilitas terjadinya keluaran lebih dari satu dalam
suatu selang waktu atau interval yang sangat sempit dapat diabaikan.
Distribusi poisson disebut juga distribusi peristiwa yang jarang terjadi,
distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson
(1781-1841), seorang ahli matematika bangsa Perancis. Distribusi poisson
termasuk distribusi teoritis yang memakai variabel random (variabel acak) diskret.
1) Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu
daerah tertentu, tidak bergantung pada banyaknya hasil percobaan yang terjadi
pada selang waktu atau daerah lain yang terpisah.
2) Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang
singkat sekali atau dalam suatu daerah yang kecil, sebanding dengan panjang
selang waktu tersebut atau besarnya daerah tersebut, dan tidak bergantung
pada banyaknya hasil percobaan yang terjadi di luar selang waktu atau daerah
tersebut.
3) Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang
waktu yang singkat tersebut atau dalam daerah kecil tersebut, dapat diabaikan.
Distribusi poisson banyak digunakan dalam hal sebagai berikut.
1) Menghitung probabilitas terjadinya peristiwa menurut satuan waktu, ruang
atau isi, luas, panjang tertentu, saeperti menghitung probabilitas dari
kemungkinan kesalahan pemasukan data atau kemungkinan cek ditolak oleh
bank. Jumlah pelanggan yang harus antri pada pelayanan rumah sakit,
restaurant cepat saji atau antrian yang panjang bila ke ancol. Semua contoh ini
merupakan beberapa hal yang menggambarkan tentang suatu distribusi
poisson.
2) Menghitung distribusi binomial apabila nilai n besar (n ≥ 30) dan p kecil
(p<0,1). Jika kita menghitung sejumlah benda acak dalam suatu daerah
tertentu T, maka proses penghitungan ini dilakukan sebagai berikut.
a. Jumlah rata-rata benda di daerah S T adalah sebanding terhadap ukuran S,
yaitu ECount(S)= λ S, di sini melambangkan ukuran S, yaitu panjang,
luas, volume, dan lain-lain. Parameter λ > 0 menggambarkankan intensitas
proses.
b. Menghitung di daerah terpisah adalah bebas.
c. Kesempatan untuk mengamati lebih dari satu benda di dalam suatu daerah
kecil adalah sangat kecil, yaitu P(Count(S)2) menjadi kecil ketika ukuran
menjadi kecil.
Rumus Poisson dapat digunakan untuk menghitung probabilitas dari
jumlah kedatangan, misalnya probabilitas jumlah kedatangan nasabah pada suatu
II-14
bank pada jam kantor. Distribusi poisson ini digunakan untuk menghitung
probabilitas menurut satuan waktu. Rumus probabilitas poisson suatu peristiwa
yang berdistribusi Poisson dirumuskan sebagai berikut.
µx −µ
p( x ) =
X!
………..............................…(2.11)
Keterangan:
P(x) = Nilai probabilitas distribusi poisson.
µ = Rata-rata hitung dan jumlah nilai sukses, dimana µ = n*p.
e = Bilangan konstan = 2,71828.
X = Jumlah nilai sukses.
P = Probabilitas sukses suatu kejadian.
! = Lambang faktorial.
E ( X ) = n.π
V ( X ) = nπ(1 −π) ............................................(2.12)
µ = n.π
semenit, sejam, sehari, seminggu maupun sebulan. Daerah tertentu dapat berupa
satu meter, satu kilometer persegi dan lain-lain.
Distribusi peluang peubah acak poisson X yang menyatakan banyaknya
sukses yang terjadi dalam suatu selang waktu atau daerah tertentu, diberikan oleh
x = 0,1,2, … µ menyatakan rata-rata banyaknya sukses yang terjadi dalam selang
waktu atau daerah tertentu tersebut dan e = 2,71828
Persoalan menyelesaikan distribusi poisson kita dapat menggunakan tabel
statistik dengan jumlah peluang poisson untuk beberapa nilai tertentu dengan µ
dari 0, 1 sampai 18.
1) Rataan dan variansi distribusi poisson p(x; µ) keduanya sama dengan µ.
2) Bila n besar dan p dekat dengan nol, distribusi poisson dapat digunakan,
dengan µ = np, untuk menghampiri peluang binomial.
3) Bila p dekat dengan 1, distribusi poisson masih dapat dipakai untuk
menghampiri peluang binomial dengan mempertukarkan apa uang telah
dinamai dengan sukses dan gagal, jadi dengan mengganti p dengan suatu nilai
yang dekat dengan nol.
Pendekatan Peluang poisson untuk peluang binomial, dilakukan jika n
besar (n > 20) dan p sangat kecil (p < 0.01) dengan terlebih dahulu menetapkan p
dan kemudian menetapkan μ = n * p. Distribusi poisson juga untuk menghitung
probabilitas timbulnya gejala yang diharapkan (gejala “sukses”) dari sejumlah n
kejadian atau sampel, tetapi untuk kasus yang ”n”-nya besar dan ”π”-nya sangat
kecil.
Perhitungan distribusi binomial dapat didekati dengan menggunakan
distribusi poisson. Distribusi binomial dengan populasi yang cutup besar (N) dan
peluang terjadinya suatu kejadian yang dimaksud p cukup kecil, sehingga q = 1-p
mendekati 1, maka kejadian itu disebut suatu kejadian langka ( rare event ).
Fungsi kepekatan peluangnya,
eµ µ
P( X = r ) = ................................................(2.13)
r!
Keterangan:
II-16
C xk CnN−−x k
h ( x; N , n , k ) = …..………………2.14)
CnN
untuk x = 0,1,2,3...,k
C xN 1CnN−2x
P ( x) = N
....................................2.15)
Cn
Keterangan:
X = 0, 1, 2, 3 . . . . . . . , n
N = populasi = N1 + N2.
II-18
C = rumus kombinasi.
N
E ( x ) = n 1
N ........................(2.16)
V ( x) =
( N − n ) n( N )1 − N1
1
( N −1) N N
Bila n relatif kecil dibandingkan dengan N, maka peluang pada setiap
pengambilan akan berubah kecil sekali, sehingga praktis dapat dikatakan bahwa
distribusi ini berhadapan dengan distribusi binomial. Jadi pada dasarnya distribusi
hipergeometrik dapat dihampiri dengan distribusi binomial dengan p = k/N. Rata-
rata dan ragam bagi distribusi hipergeometrik h(x; N, n, k) adalah
nk
Rata-rata = µ = ......................................(2.17)
N
N −n k k
Ragam = σ 2 = × n × (1 − ) ……....………(2.18)
N −1 N N
Rumus 2.17 dan 2.18 jika dibandingkan dengan rumus 2.16 maka terlihat bahwa
rataannya sama sedangkan variansinya berbeda sebesar faktor koreksi (N-n)/(N-
1). Besaran ini dapat diabaikan bila n cukup kecil dibandingkan N.
Perluasan distribusi hipergeometrik jika terdapat lebih dari 2 kelas.
Distribusi Hipergeometrik dapat diperluas menjadi penyekatan ke dalam beberapa
kelas. Bila N benda dapat dikelompokan dalam k sel A1, A2, …, Ak masing-
masing berisi a1, a2, …, ak benda, maka distribusi peluang peubah acak X1, X2,
…, Xk yang menyatakan banyaknya benda (anggota) yang terambil dari A1, A2,
…, Ak dalam suatu sampel acak ukuran n ialah.
II-19
a a a
C x11 × C x22 ×× C xkk
f ( x1 , x 2 ,..., x k ; a1 , a 2 ,..., a k , N , n) = .…...(2.19)
CnN
k
N = ∑ ai ........................................(2.21)
i =1
Keterangan:
N = ukuran populasi atau ruang contoh.
n = ukuran contoh acak.
k = banyaknya penyekatan atau kelas.
xi = banyaknya keberhasilan kelas ke-i dalam contoh.
N ( M −1)..( M − k )( N − M )( N − M −1)..( N − M − n + k )
P1P 2.. Pn =
N ( N −1)..( N − k )( N − k −1)..( N − n)
M! ( N − M )!
N −M
( )( ) ...
( M − k )! ( N − M − n + k )! M
= − k Nnn −k
N! nk
( N − n)!
(2.22)
( k , N , M , n) =
( )(
M
)
N− M
(2.23)
Dengan p = M/N, maka m
ean =n. p
................................................
(2.24)
N −n
variansi =n. p.q
N −1 ......................................
(2.25)
Mengingat bahwa untuk jumlah N yang sangat besar relatif terhadap n maka
walaupun tanpa pengembalian, probabilitas item merah didalam kontainer bisa
dikatakan tidak berubah. Dalam hal tersebut maka variabel acak ini dapat
diproksimasi oleh variabel acak binomial dengan selisih yang tidak berarti.
Jika untuk masalah pengambilan tanpa pengembalian n item dari total N
item objek di dalam kontainer tersebut di atas, pernyataan diganti dengan jumlah
pengambilan yang perlu dilakukan untuk mencapai k item berwarna merah maka
ini adalah variabel acak hipergeometrik negatif. Penyederhanaan formulasi
II-21
(k − 1; N , M , n − 1)(M − k + 1) /(N − n + 1) =
Pneghipergeo
( )( ) M − k + 1
M
k −1
N−M
n− k
( ) N − n+1
N
n−1
....(2.26)
=
( )( )
n−1
k −1
N−n
M −k
( ) N
M
2σπ2 .......................(2.30)
a µ b
x
Gambar 2.1 Kurva Normal
b
P ( a ≤ X ≤ b ) = ∫ f ( x ) dx ...................................(2.31)
a
Macam-macam kurva.
1. Kurva berbentuk genta (µ = Md= Mo)
2. Kurva berbentuk simetris
3. Kurva normal berbentuk asimptotis
II-23
rendah
9
8
dan lebih melebar. Perhatikan bahwa luas dibawah kurva-peluang
7
6
5
4
3
2
1
0
m
M
eso
kurtic P
latyk
urtic Le
ptok
u rtic
II-24
harus sama dengan 1 sehingga bila kumpulan data makin berbeda maka makin
rendah dan melebar pula kurvanya.
0
15
45
30
85 850
II-25
µ −µ X −µ X 1 −µ
p( µ ≤ X ≤ X 1) = P ≤ ≤ = P (0 ≤ Z ≤ b ) ............(2.34)
σ σ σ