LAB MANAJEMEN DASAR MODUL STATISTIKA 1

Nama NPM Kelas

: : :

Fakultas Ekonomi Universitas Gunadarma Kelapa Dua

1

UKURAN STATISTIK
Pendahuluan Ukuran statistik merupakan ukuran yang menunjukkan bagaimana suatu gugus data memusat dan menyebar. Di dalam ukuran statistik ada tiga bentuk ukuran deskripsi data, yaitu : ukuran pusat data, ukuran variabilitas data dan ukuran bentuk distribusi data. Ukuran pusat data yang banyak digunakan untuk mendeskripsikan data adalah mean (rata-rata hitung), median dan modus. Ukuran penyebaran suatu kelompok data terhadap pusat data disebut disperse atau variasi atau keragaman data. Ukuran disperse data yang umum dipakai adalah jangkauan (range), variansi dan standar deviasi. UKURAN PEMUSATAN 1. MEAN (rata-rata hitung) Rata-rata dihitung dengan menjumlahkan seluruh angka data yang selanjutnya dibagi dengan banyaknya (jumlah) data. Jumlah data untuk data sampel disebut sebagai ukuran sampel yang disimbolkan dengan n dan untuk data populasi disebut sebagai ukuran populasi yang disimbolkan dengan N. Untuk rata-rata hitung sekumpulan data hasil observasi dihitung dengan menggunakan rumus berikut : Rata-rata (X¯) = ∑(Xi) / N Dimana : Xi = nilai dari observasi yang ke-i N = banyaknya observasi ukuran sample.

2. MEDIAN
Median adalah nilai yang membagi gugus data yang telah tersortir (ascending) menjadi 2 bagian yang sama besar. Letak median = (n+1)/2 Kuartil adalah nilai yang membagi gugus data yang telah tersortir (ascending) menjadi empat bagian yang sama besar. Nilai kuartil terdiri dari kuartil 1, kuartil 2 dan kuartil 3. Nilai kuartil 2 suatu gugus data sama dengan nilai median tersebut.

3. MODUS
Modus merupakan nilai yang paling sering muncul atau nilai yang frekuensinya paling tinggi. UKURAN PENYEBARAN 1. Jangkauan (range) Jangkauan atau range (r) suatu gugus data adalah selisih antara nilai maksimum dengan nilai minimum. 2. Variansi Variansi adalah rata-rata kuadrat selisih atau kuadrat simpangan dari semua nilai data terhadap rata-rata hitung. Variansi untuk sampel dilambangkan dengan s2. sedangkan untuk populasi dilambangkan dengan σ2 Variansi (s)2 = [∑(Xi-X)] / (n-1) 3. Standar Deviasi Standar deviasi adalah akar pangkat dua dari variansi. Standar deviasi seringkali disebut simpangan baku.

2

Contoh : Diketahui data umur pegawai PT DOFI yaitu 19 40 38 31 42 20 27 22 37 42 Untuk mencari nilai-nilai ukuran statistik data tersebut dengan menggunakan program R, ikutilah langkah-langkah berikut : 1. Tekan icon R Commander pada desktop, kemudian akan muncul tampilan seperti gambar di bawah ini.

2. Pilih menu Data, New data set. Masukkan nama dari data set adalah umur, lalu tekan tombol OK.

3. Masukkan data umur pegawai PT. DOFI. Jika data editor tidak aktif maka dapat diaktifkan dengan menekan RGui di taskbar windows pada bagian bawah layar monitor. Jika sudah selesai dalam pengisian data tekan tombol Close. Untuk mengubah nama dan tipe variabel, dapat dilakukan dengan cara double click pada variable yang ingin di setting

3

4. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol View data set maka akan muncul tampilan seperti gambar di bawah ini. Jika ada data yang salah, tekan tombol edit data set, lalu perbaiki data yang salah.

5. Jika data sudah benar, pilih menu Statistic, Summaries, Active data set.

4

00 Mean : 31. DOFI.00 Kuartil 1 : 23.80 Kuartil 3 : 39.25 Median : 34.50 Maximum : 42. Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT. memiliki nilai : Minimum : 19.6.00 5 .

80 9.2111 19 23. Summaries.Untuk mengetahui standar deviasi. Tekan Statistic. kemudian tekan tombol OK. lakukan langkah berikut : 1. Numerical Summeries. Maka akan muncul tampilan seperti gambar di bawah ini.25 34.00 39.50 42 10 6 . Mean sd 0% 25% 50% 75% 100% n 31. 2.

Nilai n menunjukkan banyaknya data. anda bisa mendapatkan tambahan informasi numeric. Graphs. yaitu standar deviasi : 9. lakukan langkah berikut : 1.Dari tampilan ini. Jika histogram tidak aktif maka dapat diaktifkan dengan menekan RGui di Taskbar windows pada bagian bawah layar monitor. 2. Untuk melihat bentuk histogram dari data umur pegawai PT DOFI. 7 . Perhatikan perbandingan tampilan pertama dan kedua. Tekan R Commander.2111. OK. Akan terlihat bahwa kelas modus adalah antara 40-42 dengan frekuensi 3. Terlihat bahwa nilai minimum pada tampilan pertama sama dengan nilai kuartil 0% pada tampilan kedua. 3. Nilai median sama dengan quartile 50% dan seterusnya. Pilih Frequency Counts. Histogram kemudian akan muncul tampilan seperti gambar di bawah ini.

lakukan langkah berikut : 1. Letakkan kursor pada script window 2. Klik kiri pada clear window Untuk membersihkan output window pada R commander. Letakkan kursor pada output window 2. lakukan langkah berikut : 1. Klik kiri pada clear window 8 . Kilik kanan 3.Untuk membersihkan script window pada R Commander. Kilik Kanan 3.

misalkan a=26. Tuliskan pada script window. Aktifkan R Commander kemudian tuliskan pada script window. Tuliskan pada script window. misalnya mencari nilai : Jangkauan (r) = nilai maksimum–nilai minimum. misalkan b=19. c=a-b. Tuliskan pada script window. lalu tekan tombol submit 2. lalu tekan tombol submit 3.Untuk melakukan perhitungan. maka lakukan langkah sebagai berikut : 1. lalu tekan tombol submit 4. c lalu tekan tombol submit 5. Maka hasilnya akan muncul pada output window 9 .

DISTRIBUSI BINOMIAL Pendahuluan Distribusi binomial merupakan suatu proses distribusi probabilitas yang dapat digunakan apabila suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli. Perlu diingat bahwa kejadian yang menjadi pertanyaan ataupun ditanyakan dari suatu permasalahan bisa dikategorikan sebagai kejadian “sukses atau berhasil”.05) Adapun ciri-ciri atau karakteristik distribusi binomial antara lain : a. dimana p = 1 .05 atau sama dengan 0. Keduanya berusaha mencari kemungkinan yang timbul dari suatu peristiwa/kejadian yang ada. Percobaan diulang sebanyak n kali b. Sebenarnya ada sedikit persamaan antara distribusi binomial dengan distribusi poisson. kemungkinan yang muncul hanya kartu merah atau kartu hitam saja. Hasil setiap pelemparan uang logam tersebut hanya mungkin muncul sisi gambar atau angka saja.p d. terlebih dahulu harus ditetapkan yang mana yang merupakan kejadian yang dapat dikategorikan “sukses atau berhasil” dan yang mana kejadian yang dapat dikategorikan “gagal”. Selain itu perlu diperhatikan juga penggunaan simbol yang tepat misalnya :    Kurang dari disimbolkan dengan < Lebih dari disimbolkan dengan > Paling banyak disimbolkan dengan ≤ 10 . Peluang berhasil atau sukses disimbolkan dengan p dan dalam setiap ulangan nilai p tetap.  Dalam pengambilan kartu yang dilakukan secara berturut-turut. Namun ada beberapa hal yang membedakan penggunaan kedua distribusi tersebut yaitu:   Distribusi binomial digunakan jika besarnya sampel (n) < 20 (kurang dari 20) dan nilai peluang berhasil dalam setiap ulangan (p) > 0. Begitu juga dengan pengambilan kartu. Banyaknya keberhasilan dalam peubah acak disimbolkan dengan x e. Catatan Untuk memberikan kemudahan dalam membedakan antara nilai p dan nilai q. Ulangan-ulangan tersebut bersifat bebas dan peluang berhasil atau gagal setiap ulangan memiliki probabilitas yang sama yaitu 50% atau ½.q sedangkan peluang gagal dinyatakan dengan q dimana q = 1 . Dengan demikian kejadian yang menjadi pertanyaan dari suatu permasalahan dapat disimbolkan dengan p. kita dapat memberi label “berhasil” untuk pengambilan kartu warna merah dan label “gagal” untuk pengambilan kartu warna hitam ataupun sebaliknya. Dari contoh di atas dapat diberikan suatu label “berhasil” untuk sisi gambar dan label “gagal” untuk sisi angka ataupun sebaliknya. Proses Bernoulli adalah suatu proses probabilitas yang dapat dilakukan berulang kali. Misalnya :  Dalam pelemparan sekeping uang logam sebanyak 5 kali. Hasil setiap ulangan dapat dikategorikan dalam 2 kelas Misal :  “berhasil” atau “gagal”  “ya” atau “tidak”  “success” atau “failed” c.05 Distribusi poisson digunakan jika besarnya sampel (n) ≥ 20 (lebih dari 20 atau sama dengan 20) dan nilai peluang berhasil dalam setiap ulangan (p) ≤ 0.05 (kurang dari 0. Setiap ulangan bersifat bebas (independent) satu dengan lainnya.

p Langkah-langkah mengoperasikan program R untuk distribusi binomial : a.n.p)).p) = Cxn px qn-x Keterangan : n = banyaknya kejadian berulang x = banyaknya keberhasilan dalam peubah acak x p = peluang berhasil dalam setiap ulangan dimana p = 1 .  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya.n. binomial distribution.05) dengan menggunakan program R.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya. Apabila diketahui x = …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window atau dbinom (x.   Paling sedikit disimbolkan dengan ≥ Kurang dari sama dengan disimbolkan dengan ≤ Lebih dari sama dengan disimbolkan dengan ≥ Tujuan Praktikum Binomial Tujuan dari praktikum materi distribusi binomial ini adalah untuk membantu praktikan dalam mempelajari dan memahami bagaimana cara mencari nilai probabilitas (kemungkinan) dari suatu kejadian binomial (kejadian dengan jumlah sampel < 20 dan nilai peluang berhasil > 0. maka tuliskan nilai x. discret distributions. d.q q = peluang gagal dimana q = 1 . Apabila diketahui kata-kata paling sedikit … atau x≥  Tekan R Commander 11 .maka tuliskan nilai x.n. Apabila diketahui nilai …≤…x…≤…… Atau nilai x = sampai …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window adalah sum (dbinom (x.n. c.n. Maka nilai x ≤ 5. lalu binomial tail probabilities. b.p pada Script Window tersebut. Apabila diketahui kata-kata paling banyak … atau x ≤  Tekan R Commander  Tekan distribution.p pada Script Window tersebut. Rumus umum binomial b (x.  Input variabel value (s) = nilai x Contoh : Paling banyak 5 orang menyatakan tertarik menonton sepak bola. jadi input var value (s) =5  Input binomial trial = nilai n  Input probability of success = (nilai p)  Lalu pilih lower tail (karena ditanyakan probabilitas paling banyak )  Tekan ok  Maka akan diperoleh nilai probabilitas tersebut.p).

  Tekan distribution. Contoh : Paling sedikit 5 orang menyatakan tertarik menonton sepak bola. Apabila ditanyakan pada 5 orang warga miskin di Indonesia. Masukkan variabel value (s) = 3. Tekan icon R Commander pada desktop. Pilih menu Distribution. Maka nilai x ≥ 5 atau x > 4 Input variabel value (s) = 4 Input binomial trial s = nilai n Input probability of success = (nilai p) lalu pilih upper tail (karena yamg ditanyakan probabilitas paling sedikit atau lebih dari ). maka x ≥ atau x >…. berapakah probabilitas: a. 40 % warga miskin menyatakan menerima BLT dan sisanya tidak menerima BLT. input binomial trial = 5. 2. 3 orang diantaranya menerima BLT c. Tekan ok Maka akan diperoleh nilai probabilitas tersebut. Paling banyak 2 orang tidak menerima BLT d. input probabilities of success = 0. Ada 2 sampai 4 orang yang tidak menerima BLT JAWAB a. x ≥ 4 atau x > 3 1. lalu binomial tail probabilities Perhatikan bahwa yang ditanyakan adalah paling sedikit.4 serta pilih upper tail kemudian tekan tombol OK 12 . lalu Binomial tail probabilities 3. Discrete distributions.       KASUS Berdasarkan data BPS mengenai warga yang menerima BLT. binomial distribution. discret distributions. Paling sedikit 4 orang diantaranya menerima BLT b. Binomial distribution.

Tekan icon R Commander pada desktop.04 % 13 .04% b.p).4) kemudian tekan tombol Submit 3. .4.08704 atau jika dinyatakan dalam bentuk persentase sebesar 87.n. 2.0. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0.5.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23. maka tuliskan pada script window dbinom (3. Perintah mencari probabilitas binomial pada script window adalah dbinom (x. X = 3 1. Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0.

4 ) kemudian tekan tombol OK 4.Atau 1. lalu Binomial probabilities 3.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. Isi nilai n pada kotak binomial trials = 5 . Discrete distributions.04 % 14 . kemudian input probabilities of success dengan nilai probabilitas berhasil ( probabilities of success = 0. Binomial distribution. Tekan icon R Commander pada desktop. 2. Pilih menu Distribution.

744 % 15 . kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4.31744 atau jika dinyatakan dalam bentuk persentase sebesar 31.6 (karena yang ditanyakan yang tidak menerima BLT). Tekan icon R Commander pada desktop. x ≤ 2 1. lalu Binomial tail probabilities. Input nilai variabel value (s) = 2. input binomial trial = 5. Pilih menu Distribution. Binomial distribution. 3.c. input probabilities of success = 0. Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. 2. Discrete distributions.

2.p)).52 16 .d. 2≤x≤4 1. Tekan submit 4.6)) 3.8352 atau jika dinyatakan dalam bentuk persentase sebesar 83. Tekan icon R Commander pada desktop.0. maka tuliskan pada script window sum(dbinom (2:4 . Maka output window muncul probabilitas ada 2 sampai 4 orang yang tidak menerima BLT adalah 0.n. . Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x.5.

Banyaknya keberhasilan X dalam suatu percobaan hipergeometrik disebut peubah acak hipergeometrik. untuk X = 0. dengan syarat n ≤ 0. Hypergeometrik distribution. untuk mendekati nilai probabilitas hipergeometrik dapat digunakan konsep distribusi binomial. CONTOH SOAL Dari enam kontraktor jalan. 2. XT= 3. Jika pengambilan sampling tanpa pengembalian digunakan dalam situasi sebaliknya dan memenuhi syarat proses Bernouli... proses Bernouli tidak dapat digunakan. kemudian pilih menu Distributions.. Langkahlangkahnya sebagai berikut : 1.n (nilai yang ditanyakan dalam probabilitas) N = Jumlah kejadian dalam populasi XT = Jumlah sukses dalam populasi n = Jumlah kejadian dalam sampel Apabila populasi besar dan sampel relatif kecil.05 N.2. Suatu contoh acak berukuran n diambil dari populasi yang berukuran N. XT. n dari N benda diklasifiksikan sebagai berhasil dan N – n benda diklasifikasikan sebagai gagal.3. dapat digunakan program R.. Hypergeometrik probabilities 17 . Tekan icon R Commander pada desktop. karena ada perubahan secara sistematis dalam probabilitas sukses seperti kejadian-kejadian yang diambil dari populasi. n) = ( N-XT Cn-X. distribusi hipergeomentrik adalah distribusi probabilitas diskrit yang tepat. Discrete distributions. N = 6. Percobaan hipergeometrik bercirikan dua sifat berikut: 1.XTCX ) / NCn Ket : X = Jumlah sukses dalam sampel. pengambilan secara sampling dilakukan tanpa pengembalian menimbulkan efek teradap probabilitas sukses dalam setiap percobaan kecil. tiga diantaranya telah berpengalaman selama lima tahun atau lebih. .1. Jika empat kontraktor dipanggil secara random dari enam kontraktor tersebut. berapakah probabilitas bahwa dua kontraktor telah berpengalaman selama lima tahun atau lebih ? Penyelesaian Diketahui : X = 2. RUMUS DISTRIBUSI HIPERGEOMETRIK P (X | N.DISTRIBUSI HIPERGEOMETRIK PENDAHULUAN Jika sampling dilakukan tanpa pengembalian dari kejadian sampling yang diambil dari populasi dengan kejadian-kejadian terbatas. n = 4 Untuk menyelesaikan persoalan distribusi Hipergeometrik.

Maka akan tampil seperti berikut : 4. karena banyaknya nilai yang diambil dari percobaan adalah 4. Karena yang ditanya adalah nilai X = 2.2. kemudian tekan tombol OK 3. yaitu 0. maka lihat output Pr yang 2.jumlah gagal dalam populasi atau = lawan dari nilai m) = 3 Masukkan nilai k (the number of balls drawn from the urn .Jumlah kejadian dalam sampel ) = 4. Masukkan nilai m (the number of white balls in the urn – jumlah sukses dalam populasi = nilai XT dalam soal) = 3 Masukkan nilai n (the number of black balls in the urn .6. 18 .

Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0. Poisson. Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata–rata untuk periode jam adalah. dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik sebagai berikut : 1. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang poisson untuk peluang binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam situasi tertentu. maka tingkat ini melambangkan interval waktu pada jam kerja tadi : yaitu tingkat yang dapat dirubah kepada rata–rata yaitu 36 kedatangan setiap ½ jam atau 1. 2. Dalam ilustrasi tadi. semakin pendek interval. 3 dan seterusnya. Rumus Pendekatan Peluang Poisson untuk Binomial Pendekatan peluang poisson untuk peluang binomial dilakukan untuk mendekatkan probabilitas probabilitas dari kelas sukses (x) dari n percobaan binomial dalam situasi dimana n sangat besar dan probabilitas kelas sukses (p) sangat kecil. 1. µ ) = (e – µ. misalkan 72 kedatangan setiap jam. µ X ) / X ! Dimana : e = 2.71828 µ = rata – rata keberhasilan = n .2 kedatangan setiap menit. dapat berarti bahwa kesempatan dari sebuah kedatangan di menit berikutnya adalah sama. Untuk menghitung terjadinya suatu kedatangan yang mengikuti proses poisson digunakan rumus sebagai berikut : P ( x ) = (e –λ .05. t . Jumlah kedatangan pada interval waktu tidak bergantung pada apa yang terjadi di interval waktu yang sudah lewat. dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja tersebut. p x = Banyaknya unsur berhasil dalam sampel n = Jumlah / ukuran populasi p = probabilitas kelas sukses Rumus Proses Poisson Distribusi poisson dalam konteks yang lebih luas dari pada rumus pertama tadi. (λ. bisa berarti bahwa adalah tidak mungkin untuk lebih dari satu nasabah yang dapat melewati jalan masuk dalam waktu satu detik. Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval pendek. jika n adalah 20 atau lebih dari 20 dan p adalah 0. Tingkat kedatangan rata-rata setiap unit waktu adalah konstant. Aturan yang diikuti oleh kebanyakan ahli statistika adalah bahwa n cukup besar dan p cukup kecil. Sebagai ilustrasi.DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. 3. misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada jam kantor.t) x ) / X! Dimana : λ = Tingkat rata–rata kedatangan tiap unit waktu t = Jumlah unit waktu x = Jumlah kedatangan dalam t unit waktu 19 . Untuk menghitung probabilitas suatu peristiwa yang berdistribusi poisson digunakan rumus sebagai berikut P ( x . Dalam ilustrasi tadi. Pada pendekatan ini rumusnya lebih mudah untuk digunakan dibandingkan dengan rumus binomial.05 atau kurang dari 0. Rumus poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan. Distribusi poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu. misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank. 2.

3.Contoh : Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Perusahaan memperkirakan 3 % diantara produk yang dihasilkan tidak sesuai dengan standar. Angka 2 menunjukkan nilai X dan angka 3 menunjukkan nilai µ yang didapat dari perkalian n * p (100 * 3%). 2.40418% ( atau 0. Maka probabilitas 2 produk yang tidak sesuai standar adalah = 0. Tekan icon R Commander pada desktop.2240418 jika ditanyakan dalam bentuk prosentase ( % ) maka jawabannya adalah 22. kemudian akan muncul tampilan seperti gambar di bawah ini. Maka berapakah probabilitas 2 produk yang tidak sesuai standar ? Untuk menyelesaikan persoalan distribusi poisson. Tuliskan pada Script window dpois(2. Langkah-langkahnya adalah sebagai berikut : 1. dapat digunakan program R. Kemudian tekan tombol Submit.3).2240418 * 100 ) 20 .

pilih menu Distributions.40% 21 . poisson probabilities Kemudian masukan mean = 3 ( didapat dari n * p ) = 100 * 3% Lihat di kolom paling kiri x = 2 yaitu 0. poisson distribution.2240 atau 22.Atau cara lain tekan icon R commander. discreate distribution.

Kemudian tekan tombol OK 22 . Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar.Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Kemudian masukkan Variable value(s) = 2 (karena variabel yang diamati adalah 2) dan Mean = 3 (didapat dari n*p yaitu 100 * 3%) lalu pilih Upper tail (karena yang ditanyakan probabilitas lebih dari 2 orang). Poisson distribution. 3. 2. Tekan icon R Commander pada desktop. Pilih menu Distributions. Maka berapakah probabilitas lebih dari 2 produk yang tidak sesuai standar ? Jika dalam contoh kasus ditanyakan probabilitas lebih dari 2 produk yang tidak sesuai standar. Discrete distribution. Maka langkah penyelesaiannya adalah : 1. Poisson tail probabilities. kemudian akan muncul tampilan seperti gambar di bawah ini.

kemudian akan muncul tampilan seperti gambar di bawah ini. 2.68099% Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Pilih menu Distributions. Maka berapakah probabilitas kurang dari 2 produk yang tidak sesuai standar ? Jika dalam contoh kasus ditanyakan probabilitas kurang dari 2 produk yang tidak sesuai standar. Poisson distribution.5768099 atau 57. Maka probabilitas lebih dari 2 produk yang tidak sesuai standar adalah 0. Maka langkah penyelesaiannya adalah : 1. Tekan icon R Commander pada desktop. 23 . Poisson tail probabilities. Discrete distribution. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar.4.

3.4231901 atau 42.31901% 24 . Maka probabilitas kurang dari 2 produk yang tidak sesuai standar adalah 0. Kemudian tekan tombol OK 4. Kemudian masukkan Variable value(s) = 2 (karena variabel yang diamati adalah 2) dan Mean = 3 (didapat dari n*p yaitu 100*3%) lalu pilih Lower tail (karena yang ditanyakan probabilitas kurang dari 2 orang).

jadi hanya ada tanda > dan <. Distribusi normal sering digunakan dalam berbagai penelitian. Perhitungan probabilitas suatu sampel yang diambil. tanda =.5 + nilai tabel -a 25 . Distribusi normal ini memiliki ciri yaitu n ≥ 30 dan n.DISTRIBUSI NORMAL Pendahuluan Distribusi normal adalah suatu distribusi yang digunakan untuk mengetahui probabilitas yang telah diketahui rata-rata ( µ ) dan standar deviasinya ( σ ). dan ≤ diabaikan. isi sebuah botol. didapat dengan cara melakukan transformasi nilai-nilai pengukuran ke dalam bentuk bakunya ( nilai Z ).5 . berat badan.nilai tabel a P( z ≥ -a ) = 0.p ≥ 5. nilai hasil ujian dan lain-lain. KURVA NORMAL Kurva normal berbentuk seperti lonceng dan simetris terhadap rata–rata ( µ ) Mencari luas daerah pada suatu kurva normal dengan menggunakan tabel: P( 0 ≤ z ≤ a )= nilai tabel a P( z ≥ a )= 0. Banyak kejadian yang dapat dinyatakan dalam data hasil observasi per eksperimen yang mengikuti distribusi normal. Banyaknya kejadian yang terdistribusi normal. antara lain tinggi badan. ≥ .

5 P( a1 ≤ z ≤ a2 )= nilai table a2 . berapa probabilitas dari tiap kedatangan bus kurang dari 300 bus per jam ? Langkah-langkah penyelesaian kasus 1. kemudian akan muncul tampilan seperti gambar di bawah ini. Tekan icon R Commander pada desktop. 26 . Jika jumlah kedatangan bus tersebut berdistribusi normal.P( z ≤ a )= nilai tabel a + 0.nilai tabel a1 P( a1 ≤ z ≤ a2 )= nilai tabel a2 + nilai tabel a1 CONTOH KASUS Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam.

c. Normal distributions. Continous distributions. a.999571 27 . Pilih Distributions. Input variabel Value(s) = 300 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 300 ) tekan ok. Muncul Kotak dialog Normal probabilities. Maka pada output window akan diperoleh p (x<300) = 0. b. normal probabilities. d.2. e.

28 . Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam.Gambar kurvanya adalah…. Tekan icon R Commander pada desktop. Jika jumlah kedatangan bus tersebut berdistribusi normal. Pilih Distributions. Continous distributions. 2. kemudian akan muncul tampilan seperti gambar di bawah ini. normal probabilities. berapa probabilitas dari kedatangan bus kurang dari 225 bus per jam ? Langkah–langkah penyelesaian kasus 1. Normal distributions.

Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam.P (x < 225 ) 29 . Maka akan diperoleh p (x<225) = 0.3. 6. 5. 7.04779035 Gambar kurvanya adalah…. 4. Input variabel Value(s) = 225 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 225 ) tekan ok. Jika jumlah kedatangan bus tersebut berdistribusi normal berapa probabilitas dari kedatangan bus antara 225-300 bus per jam ? 1. Untuk menghitung hasil ini dapat diperoleh dari P(x <300).

999571 .04779035 = Atau jika menggunakan program R dapat mengikuti langkah berikut : Tekan icon R Commander pada desktop.  0. 30 .9517807 pada output window.0.95178065 2.    Klik kursor pada script window Tulis 0. lalu tekan submit Maka akan tampil hasilnya yaitu 0.04779035. kemudian akan muncul tampilan seperti gambar di bawah ini.Maka dengan menggunakan kalkulator akan diperoleh hasil 0.0.999571 .

Gambar kurvanya adalah. Pilih Distributions. 31 . 2.. Jika jumlah kedatangan bus tersebut berdistribusi normal berapa probabilitas dari kedatangan bus lebih dari 300 bus per jam ? 1. Continous distributions. Normal distributions. Tekan icon R Commander pada desktop. normal probabilities. kemudian akan muncul tampilan seperti gambar di bawah ini. Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam.

6.0004290603 Gambar kurvanya adalah…. 4. 7. 32 . 5. Input variabel Value(s) = 300 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih Upper tail p(x > 300) tekan ok.3. Maka akan diperoleh p (x > 300) = 0..

Klik kiri pada Output window .Klik kiri pada Script Window .Klik kanan lalu pilih Clear window  Untuk membersihkan Output Windows : .Klik kanan kemudian pilih Clear window 33 . Untuk membersihkan Script Windows : .

Apakah hasil penelitian tersebut sesuai dengan hipotesa awal Perusahaan ? (selang kepercayaan 95 %) Jawab : Dik :  = 1. c. yaitu : Satu Rata . Untuk menguji hipotesis tentang rata–rata suatu sampel.1 CONTOH SOAL : Sebuah Perusahaan minuman meramalkan bahwa minuman hasil produksinya mempunyai kandungan alkohol sebesar 1.95  = 5% = 0. b. b. Untuk mengelakkan larangan ini dia menerbitkan karyanya secara rahasia dibawah nama ‘Student’. Untuk menguji suatu pernyataan apakah sudah layak untuk dipercaya. Gosset bekerja pada perusahaan bir Irlandia yang melarang penerbitan penelitian oleh karyawannya.05 n = 10 s = 0. ikutilah langkah-langkah berikut : 1. Menunjukkan batas penerimaan suatu hipotesis.DISTRIBUSI t PENDAHULUAN Pengujian hipotesis dengan distribusi t adalah pengujian hipotesis yang menggunakan distribusi t sebagai uji statistik. Gosset.85 x = 1. ) / (s / ( n)) Ket : to = t hitung x = rata–rata sampel  = rata–rata populasi s = standar deviasi n = jumlah sampel Db = n. Fungsi Pengujian Distribusi t a. Sampel yang diuji berukuran kecil ( n < 30 ). Tabel pengujiannya disebut tabel t-student. Penentuan nilai tabel dilihat dari besarnya tingkat signifikan () dan besarnya derajat bebas (db). 34 . maka Perusahaan melakukan pengujian terhadap 10 kaleng minuman dan diketahui rata–rata sampel (ratarata kandungan alkohol) 1. BEBERAPA MACAM PENGGUNAAN HIPOTESA Pengujian sampel dalam distribusi t dibedakan menjadi 2 jenis hipotesa. Ciri–ciri Distribusi t a. Distribusi t pertama kali diterbitkan pada tahun 1908 dalam suatu makalah oleh W. Untuk menguji apakah hipotesa tersebut benar. S. Pada waktu itu. Untuk memperkirakan interval rata–rata.85 % per botol.Rata Rumus : to = (x . Tekan icon R Commander pada desktop.25 %. d. Hasil uji statistiknya kemudian dibandingkan dengan nilai yang ada pada tabel untuk kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan.95 % dengan simpangan baku 0. Karena itulah Distribusi t biasanya disebut Distribusi Student. kemudian akan muncul tampilan seperti gambar di bawah ini.25 Untuk menyelesaikan soal tersebut dengan menggunakan program R.

Kemudian masukkan nilai probabillitas(nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db = n . t quantiles 3. t distribution. continuous distributions. 35 . Pilih menu Distribution.1). Maka pada output window akan terlihat hasil nilainya.025 Db = n – 1 = 10 – 1 = 9 4.  = 0.2. Maka pada tampilan window R-commander akan muncul tampilan t Quantiles.

5. maka kita tuliskan script rumus t hitung tersebut. Kemudian tekan tombol SUBMIT untuk mendapatkan hasilnya pada output window R. Catatan : Pada setiap akhir baris pengetikan di script windows diselingi dengan penekanan tombol SUBMIT 36 . Untuk mencari nilai t hitung.

Tekan icon R Commander pada desktop. continuous distributions. 2. t distribution.01 x2 = 12 s2 = 8 n2 = 15 do = 6 Untuk menyelesaikan soal tersebut dengan menggunakan program R. kemudian akan muncul tampilan seperti gambar di bawah ini.Dua Rata .Rata Rumus : to = (X1 – X2) – do / ( (S12 / n1) + (S22 / n2)) syarat : S1  S2 do = selisih 1 dengan 2 (1 – 2) Db = (n1 + n2) – 2 Berikut ini adalah data rata–rata berapa kali film yang dibintangi oleh Steven Chauw dan Jet Li ditonton / disaksikan: Mean Standar Deviasi Sampel Steven Chauw 15 7 17 Jet Li 12 8 15 Dengan taraf nyata 1 % ujilah apakah perbedaan rata–rata berapa kali film yang dibintangi oleh Steven chauw dan Jet Li lebih dari sama dengan 6 ! Jawab : Dik : x1 = 15 s1 = 7 n1 = 17  = 1% = 0. t quantiles 37 . ikutilah langkah-langkah berikut : 1. Pilih menu Distribution.

5.  = 0.01 Db = n1+n2 – 2 = 17+15-2 = 30 4. Maka akan tampil inputan seperti ini.3. Kemudian masukkan nilai probabillitas (nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db= (n1 + n2 .2). Maka pada output window akan terlihat hasil nilainya 38 .

Kemudian tekan tombol SUBMIT untuk mendapatkan hasilnya pada output window R. 39 . Untuk mencari nilai t hitung.6. maka kita tuliskan script rumus t hitung tersebut.

metode yang paling sering digunakan untuk menentukan persamaan trend adalah metode kuadrat terkecil.ANALISIS DERET BERKALA PENDAHULUAN Analisis deret berkala merupakan prosedur analisis yang dapat digunakan untuk mengetahui gerak perubahan nilai suatu variabel sebagai akibat dari perubahan waktu. Meramal (forecast) nilai suatu variabel pada suatu waktu tertentu. variasi musiman. TREND SEKULER Trend sekuler merupakan perubahan nilai variabel yang relatif stabil dari waktu ke waktu. Analisis deret berkala bertujuan untuk: a.A1 / n Keterangan : ∆ : perubahan nilai variabel setiap tahun A1 : rata-rata kelompok pertama A2 : rata-rata kelompok ke dua n : periode tahun antara tahun A1 s. Model yang digunakan dalam analisis deret berkala dibuat berdasarkan asumsi bahwa antara nilai variabel dan waktu mempunyai hubungan linear. Dalam analisis ekonomi dan lingkungan bisnis biasanya analisis deret berkala digunakan untuk meramal (forecasting) nilai suatu variabel pada masa lalu dan masa yang akan datang dengan berdasarkan pada kecenderungan dari perubahan nilai variabel tersebut. sehingga dalam menentukan suatu model akan sangat baik dengan menggunakan analisis trend. Mengetahui kecenderungan nilai suatu variabel dari waktu ke waktu. Persamaannya adalah sebagai berikut : ∆ = A2 . A2 Metode Kuadrat Terkecil (Least Square Method) Dalam analisis deret berkala. juga dapat digunakan untuk meramal nilai suatu variable tersebut pada suatu waktu tertentu. fluktuasi siklis. metode semi rata-rata (semi average method). Komponen-komponen tersebut adalah trend sekuler (secular trend). yaitu metode bebas (free hand method). Y = a + bx Dimana: Y : nilai variable Y pada suatu waktu tertentu a : perpotongan antara garis trend dengan sumbu tegak (Y) b : kemiringan (slope) garis trend x : periode waktu deret berkala Metode Persamaan Garis Ada beberapa metode yang dapat digunakan untuk menentukan persamaan garis yang menunjukkan hubungan antara nilai variable dengan waktu. Persamaan garis trend linearnya adalah : Y = a + bx Dimana: Y : nilai variable yang akan ditentukan a : nilai Y apabila X sama dengan nol b : kemiringan (slope) garis trend x : periode waktu dan tahun dasar 40 . Metode Semi Rata-rata (Semi Average Method) Persamaan trend yang diperoleh dengan menggunakan metode ini. selain dapat digunakan untuk mengetahui kecenderungan nilai suatu variabel dari waktu ke waktu. dan metode kuadrat terkecil (least square method). b. KOMPONEN Terdapat empat komponen yang dapat mempengaruhi nilai suatu variabel dari waktu ke waktu. dan gerak tak beraturan.d.

Kuartalan. Tekan icon R Commander pada desktop. kemudian akan muncul tampilan seperti gambar di bawah ini. Masukkan nama dari data set adalah Dataset. Manajer perusahaan tersebut ingin mengetahui penjualan ponsel merek NEO MADAS selama 5 tahun terakhir yaitu dari tahun 2003 s/d 2007. dan Trend Bulanan Persamaan trend yang diperoleh dari hasil perhitungan pada bagian terdahulu adalah persamaan trend tahunan yang dapat diubah menjadi persamaan trend kuartalan. lalu tekan tombol OK 41 . Pilih menu Data.Trend tahunan. Ada dua macam persamaan trend kuartalan yang dapat diperoleh dari persamaan trend tahunan. 2. Berikut ini adalah langkah-langkah pengerjaannya : 1. New data set. yaitu persamaan trend kuartalan dimana nilai kode waktu X menunjukkan waktu tahunan dan nilai kode waktu menunjukkan waktu kuartalan. Berikut ini adalah data penjualannya : Tahun 2003 2004 2005 2006 2007 Penjualan 3242 4245 4542 5035 5325 Tentukan garis persamaan trend linier dari data penjualan perusahaan tersebut selama 5 tahun terakhir ! Jawab : Untuk menjawab kasus di atas dapat menggunakan program R. CONTOH KASUS : PT. Alamanda Coorporation adalah sebuah perusahaan yang bergerak dalam bidang telekomunikasi.

3. 0. Ubah nama variable var1 menjadi Y dan tipe variable menjadi numeric. 1. Masukkan data Penjualan (seperti pada tabel soal) pada kolom Y 6. Periode waktu yang berada ditengah-tengah dari semua waktu yang digunakan mempunyai kode 0. Masukkan data Kode_waktu yaitu (-2. Contoh data ganjil: Tahun 2001 2002 2003 2004 2005 Kode waktu ( X ) -2 -1 0 1 2 Penjualan ( Y ) 100 200 300 400 500 Contoh data genap: Tahun 2001 Kode waktu ( X ) -2 Penjualan ( Y ) 100 2002 -1 200 0 2003 1 300 2004 2 400 42 . Selisih antara tahun yang satu dengan tahun berikutnya pada periode waktu analisis deret berkala yang menunjukkan bilangan ganjil adalah satu. Lakukan langkah di atas untuk mengubah variabel var2 menjadi X dan tipe variabel menjadi numeric 5. -1. dapat dilakukan dengan cara double click pada var1 pada data editor 4. Penentuan kode waktu ini dilakukan dengan terlebih dahulu membagi banyaknya waktu yang digunakan menjadi dua bagian. dan 2 ) pada kolom X Kode waktu dalam analisis deret berkala besarnya tergantung dari banyaknya waktu yang digunakan.

Setelah semua data terisi maka data editor di close.7. Pada tampilan R Commander pilih menu Statistics. kemudian tekan tombol OK 43 . Pada Response Variable pilih variabel Penjualan (Y) dan pada Explanatory Variable pilih variabel Kode_waktu (X). Fit models. maka akan tampil inputan seperti berikut ini : 8. Linear regression… maka akan muncul menu seperti gambar di bawah ini 9.

10. Maka akan muncul hasil pada output window sebagai berikut : Catatan : yang dilihat hanya pada bagian estimate saja Maka didapat fungsi persamaan trend linier (y = a+bx) dari penjualan ponsel tersebut adalah Y = 4477.80 + 495.60x 44 .