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 5 .00 Kuartil 1 : 23.80 Kuartil 3 : 39.6.25 Median : 34. memiliki nilai : Minimum : 19. Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT.50 Maximum : 42.

00 39. Tekan Statistic. kemudian tekan tombol OK.80 9. 2.2111 19 23. Summaries. Maka akan muncul tampilan seperti gambar di bawah ini.25 34. Mean sd 0% 25% 50% 75% 100% n 31.50 42 10 6 . Numerical Summeries.Untuk mengetahui standar deviasi. lakukan langkah berikut : 1.

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

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

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

Misalnya :  Dalam pelemparan sekeping uang logam sebanyak 5 kali.05 (kurang dari 0. terlebih dahulu harus ditetapkan yang mana yang merupakan kejadian yang dapat dikategorikan “sukses atau berhasil” dan yang mana kejadian yang dapat dikategorikan “gagal”. Dari contoh di atas dapat diberikan suatu label “berhasil” untuk sisi gambar dan label “gagal” untuk sisi angka ataupun sebaliknya. kemungkinan yang muncul hanya kartu merah atau kartu hitam saja. Sebenarnya ada sedikit persamaan antara distribusi binomial dengan distribusi poisson. dimana p = 1 .q sedangkan peluang gagal dinyatakan dengan q dimana q = 1 .05 atau sama dengan 0. Peluang berhasil atau sukses disimbolkan dengan p dan dalam setiap ulangan nilai p tetap. 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. Ulangan-ulangan tersebut bersifat bebas dan peluang berhasil atau gagal setiap ulangan memiliki probabilitas yang sama yaitu 50% atau ½.05) Adapun ciri-ciri atau karakteristik distribusi binomial antara lain : a. Percobaan diulang sebanyak n kali b. Hasil setiap ulangan dapat dikategorikan dalam 2 kelas Misal :  “berhasil” atau “gagal”  “ya” atau “tidak”  “success” atau “failed” c. Proses Bernoulli adalah suatu proses probabilitas yang dapat dilakukan berulang kali. Setiap ulangan bersifat bebas (independent) satu dengan lainnya.DISTRIBUSI BINOMIAL Pendahuluan Distribusi binomial merupakan suatu proses distribusi probabilitas yang dapat digunakan apabila suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli. Begitu juga dengan pengambilan kartu.p d.  Dalam pengambilan kartu yang dilakukan secara berturut-turut. Banyaknya keberhasilan dalam peubah acak disimbolkan dengan x e. Selain itu perlu diperhatikan juga penggunaan simbol yang tepat misalnya :    Kurang dari disimbolkan dengan < Lebih dari disimbolkan dengan > Paling banyak disimbolkan dengan ≤ 10 . Hasil setiap pelemparan uang logam tersebut hanya mungkin muncul sisi gambar atau angka saja. Perlu diingat bahwa kejadian yang menjadi pertanyaan ataupun ditanyakan dari suatu permasalahan bisa dikategorikan sebagai kejadian “sukses atau berhasil”. kita dapat memberi label “berhasil” untuk pengambilan kartu warna merah dan label “gagal” untuk pengambilan kartu warna hitam ataupun sebaliknya. Dengan demikian kejadian yang menjadi pertanyaan dari suatu permasalahan dapat disimbolkan dengan p. Keduanya berusaha mencari kemungkinan yang timbul dari suatu peristiwa/kejadian yang ada. Catatan Untuk memberikan kemudahan dalam membedakan antara nilai p dan nilai q.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.

q q = peluang gagal dimana q = 1 . 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. Maka nilai x ≤ 5.05) dengan menggunakan program R.   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.  Input variabel value (s) = nilai x Contoh : Paling banyak 5 orang menyatakan tertarik menonton sepak bola.p Langkah-langkah mengoperasikan program R untuk distribusi binomial : a. discret distributions. d.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya. b.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 . lalu binomial tail probabilities. Rumus umum binomial b (x.p).p pada Script Window tersebut.p pada Script Window tersebut. Apabila diketahui x = …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window atau dbinom (x. binomial distribution. Apabila diketahui nilai …≤…x…≤…… Atau nilai x = sampai …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window adalah sum (dbinom (x.maka tuliskan nilai x.n.n.n.p)). c. maka tuliskan nilai x.n. Apabila diketahui kata-kata paling banyak … atau x ≤  Tekan R Commander  Tekan distribution.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya. Apabila diketahui kata-kata paling sedikit … atau x≥  Tekan R Commander 11 .n.

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

4) kemudian tekan tombol Submit 3.04% b. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. X = 3 1. Perintah mencari probabilitas binomial pada script window adalah dbinom (x. Tekan icon R Commander pada desktop. maka tuliskan pada script window dbinom (3.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.n.04 % 13 . 2. Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0.5. .p).4.0.08704 atau jika dinyatakan dalam bentuk persentase sebesar 87.

Tekan icon R Commander pada desktop. Binomial distribution. lalu Binomial probabilities 3. Isi nilai n pada kotak binomial trials = 5 .2304 atau jika dinyatakan dalam bentuk persentase sebesar 23. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. kemudian input probabilities of success dengan nilai probabilitas berhasil ( probabilities of success = 0. 2.4 ) kemudian tekan tombol OK 4. Pilih menu Distribution. Discrete distributions.04 % 14 .Atau 1.

c. lalu Binomial tail probabilities. Pilih menu Distribution. x ≤ 2 1. Binomial distribution. Discrete distributions.31744 atau jika dinyatakan dalam bentuk persentase sebesar 31. Tekan icon R Commander pada desktop.744 % 15 . 2. input probabilities of success = 0. 3. kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4. Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. input binomial trial = 5.6 (karena yang ditanyakan yang tidak menerima BLT). Input nilai variabel value (s) = 2.

Tekan submit 4. Tekan icon R Commander pada desktop. Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x.0.5. 2.6)) 3. 2≤x≤4 1.d.n. .8352 atau jika dinyatakan dalam bentuk persentase sebesar 83.52 16 .p)). 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.

pengambilan secara sampling dilakukan tanpa pengembalian menimbulkan efek teradap probabilitas sukses dalam setiap percobaan kecil.. karena ada perubahan secara sistematis dalam probabilitas sukses seperti kejadian-kejadian yang diambil dari populasi. Banyaknya keberhasilan X dalam suatu percobaan hipergeometrik disebut peubah acak hipergeometrik. N = 6. Suatu contoh acak berukuran n diambil dari populasi yang berukuran N. untuk mendekati nilai probabilitas hipergeometrik dapat digunakan konsep distribusi binomial.3. Hypergeometrik distribution. kemudian pilih menu Distributions. XT= 3. CONTOH SOAL Dari enam kontraktor jalan. Langkahlangkahnya sebagai berikut : 1. Discrete distributions.1. Tekan icon R Commander pada desktop. distribusi hipergeomentrik adalah distribusi probabilitas diskrit yang tepat. dapat digunakan program R.DISTRIBUSI HIPERGEOMETRIK PENDAHULUAN Jika sampling dilakukan tanpa pengembalian dari kejadian sampling yang diambil dari populasi dengan kejadian-kejadian terbatas.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. untuk X = 0. 2.05 N.. n = 4 Untuk menyelesaikan persoalan distribusi Hipergeometrik. dengan syarat n ≤ 0. tiga diantaranya telah berpengalaman selama lima tahun atau lebih. n dari N benda diklasifiksikan sebagai berhasil dan N – n benda diklasifikasikan sebagai gagal. RUMUS DISTRIBUSI HIPERGEOMETRIK P (X | N. XT.. Jika pengambilan sampling tanpa pengembalian digunakan dalam situasi sebaliknya dan memenuhi syarat proses Bernouli. 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. Hypergeometrik probabilities 17 .. .XTCX ) / NCn Ket : X = Jumlah sukses dalam sampel.2. proses Bernouli tidak dapat digunakan. n) = ( N-XT Cn-X. Percobaan hipergeometrik bercirikan dua sifat berikut: 1.

Karena yang ditanya adalah nilai X = 2. 18 . maka lihat output Pr yang 2.Jumlah kejadian dalam sampel ) = 4.2. 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 . kemudian tekan tombol OK 3.6. yaitu 0.jumlah gagal dalam populasi atau = lawan dari nilai m) = 3 Masukkan nilai k (the number of balls drawn from the urn . karena banyaknya nilai yang diambil dari percobaan adalah 4. Maka akan tampil seperti berikut : 4.

Aturan yang diikuti oleh kebanyakan ahli statistika adalah bahwa n cukup besar dan p cukup kecil. µ X ) / X ! Dimana : e = 2. dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik sebagai berikut : 1. 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. 3. semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan. (λ.2 kedatangan setiap menit.05. Tingkat kedatangan rata-rata setiap unit waktu adalah konstant.71828 µ = rata – rata keberhasilan = n . 1. Rumus poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. bisa berarti bahwa adalah tidak mungkin untuk lebih dari satu nasabah yang dapat melewati jalan masuk dalam waktu satu detik. dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja tersebut.t) x ) / X! Dimana : λ = Tingkat rata–rata kedatangan tiap unit waktu t = Jumlah unit waktu x = Jumlah kedatangan dalam t unit waktu 19 . 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. Dalam ilustrasi tadi. 2.05 atau kurang dari 0. 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.DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Pada pendekatan ini rumusnya lebih mudah untuk digunakan dibandingkan dengan rumus binomial. Untuk menghitung terjadinya suatu kedatangan yang mengikuti proses poisson digunakan rumus sebagai berikut : P ( x ) = (e –λ . 2. 3 dan seterusnya. jika n adalah 20 atau lebih dari 20 dan p adalah 0. semakin pendek interval. Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval pendek. Dalam ilustrasi tadi. dapat berarti bahwa kesempatan dari sebuah kedatangan di menit berikutnya adalah sama. misalkan 72 kedatangan setiap jam. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0. Jumlah kedatangan pada interval waktu tidak bergantung pada apa yang terjadi di interval waktu yang sudah lewat. Poisson. misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada jam kantor. µ ) = (e – µ. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang poisson untuk peluang binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam situasi tertentu. misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank. Distribusi poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu. Untuk menghitung probabilitas suatu peristiwa yang berdistribusi poisson digunakan rumus sebagai berikut P ( x . Sebagai ilustrasi. t . Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata–rata untuk periode jam adalah.

Contoh : Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Maka probabilitas 2 produk yang tidak sesuai standar adalah = 0. Tekan icon R Commander pada desktop. kemudian akan muncul tampilan seperti gambar di bawah ini.2240418 * 100 ) 20 . Kemudian tekan tombol Submit. Perusahaan memperkirakan 3 % diantara produk yang dihasilkan tidak sesuai dengan standar.2240418 jika ditanyakan dalam bentuk prosentase ( % ) maka jawabannya adalah 22. Angka 2 menunjukkan nilai X dan angka 3 menunjukkan nilai µ yang didapat dari perkalian n * p (100 * 3%).40418% ( atau 0. 3. dapat digunakan program R. 2.3). Maka berapakah probabilitas 2 produk yang tidak sesuai standar ? Untuk menyelesaikan persoalan distribusi poisson. Langkah-langkahnya adalah sebagai berikut : 1. Tuliskan pada Script window dpois(2.

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

Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. 2. 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. 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 tail probabilities. Discrete distribution. Poisson distribution. Maka langkah penyelesaiannya adalah : 1. 3. Pilih menu Distributions. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. Tekan icon R Commander pada desktop. Kemudian tekan tombol OK 22 . kemudian akan muncul tampilan seperti gambar di bawah ini.

Discrete distribution. Poisson tail probabilities. 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.5768099 atau 57.68099% Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Poisson distribution. Pilih menu Distributions. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. kemudian akan muncul tampilan seperti gambar di bawah ini. 2.4. Maka probabilitas lebih dari 2 produk yang tidak sesuai standar adalah 0. 23 . Maka langkah penyelesaiannya adalah : 1. Tekan icon R Commander pada desktop.

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). Kemudian tekan tombol OK 4.4231901 atau 42.31901% 24 .3. Maka probabilitas kurang dari 2 produk yang tidak sesuai standar adalah 0.

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

26 .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.P( z ≤ a )= nilai tabel a + 0. berapa probabilitas dari tiap kedatangan bus kurang dari 300 bus per jam ? Langkah-langkah penyelesaian kasus 1.5 P( a1 ≤ z ≤ a2 )= nilai table a2 . kemudian akan muncul tampilan seperti gambar di bawah ini. Jika jumlah kedatangan bus tersebut berdistribusi normal. Tekan icon R Commander pada desktop.

2. d. 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. Pilih Distributions. Maka pada output window akan diperoleh p (x<300) = 0.999571 27 . Normal distributions. a. e. b. c. normal probabilities. Continous distributions.

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

P (x < 225 ) 29 .04779035 Gambar kurvanya adalah…. 4. 6. 5. Maka akan diperoleh p (x<225) = 0. 7. Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam. Untuk menghitung hasil ini dapat diperoleh dari P(x <300). Jika jumlah kedatangan bus tersebut berdistribusi normal berapa probabilitas dari kedatangan bus antara 225-300 bus per jam ? 1.3. Input variabel Value(s) = 225 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 225 ) tekan ok.

Maka dengan menggunakan kalkulator akan diperoleh hasil 0. 30 . kemudian akan muncul tampilan seperti gambar di bawah ini.0.95178065 2.    Klik kursor pada script window Tulis 0.999571 .04779035 = Atau jika menggunakan program R dapat mengikuti langkah berikut : Tekan icon R Commander pada desktop.9517807 pada output window.0. lalu tekan submit Maka akan tampil hasilnya yaitu 0.999571 .  0.04779035.

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

3.. 7. 4. 6. Maka akan diperoleh p (x > 300) = 0.0004290603 Gambar kurvanya adalah…. 32 . Input variabel Value(s) = 300 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih Upper tail p(x > 300) tekan ok. 5.

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

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

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

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

kemudian akan muncul tampilan seperti gambar di bawah ini.01 x2 = 12 s2 = 8 n2 = 15 do = 6 Untuk menyelesaikan soal tersebut dengan menggunakan program R.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. Pilih menu Distribution. continuous distributions. t quantiles 37 . 2.Dua Rata . Tekan icon R Commander pada desktop. ikutilah langkah-langkah berikut : 1. t distribution.

Kemudian masukkan nilai probabillitas (nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db= (n1 + n2 . 5.2). Maka pada output window akan terlihat hasil nilainya 38 .  = 0.3.01 Db = n1+n2 – 2 = 17+15-2 = 30 4. Maka akan tampil inputan seperti ini.

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

A2 Metode Kuadrat Terkecil (Least Square Method) Dalam analisis deret berkala. selain dapat digunakan untuk mengetahui kecenderungan nilai suatu variabel dari waktu ke waktu. KOMPONEN Terdapat empat komponen yang dapat mempengaruhi nilai suatu variabel dari waktu ke waktu. yaitu metode bebas (free hand method). Meramal (forecast) nilai suatu variabel pada suatu waktu tertentu.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. b. fluktuasi siklis. Komponen-komponen tersebut adalah trend sekuler (secular trend).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. Analisis deret berkala bertujuan untuk: a. Mengetahui kecenderungan nilai suatu variabel dari waktu ke waktu. TREND SEKULER Trend sekuler merupakan perubahan nilai variabel yang relatif stabil dari waktu ke waktu. Model yang digunakan dalam analisis deret berkala dibuat berdasarkan asumsi bahwa antara nilai variabel dan waktu mempunyai hubungan linear. metode semi rata-rata (semi average method).d. dan gerak tak beraturan. juga dapat digunakan untuk meramal nilai suatu variable tersebut pada suatu waktu tertentu. variasi musiman. sehingga dalam menentukan suatu model akan sangat baik dengan menggunakan analisis trend. Metode Semi Rata-rata (Semi Average Method) Persamaan trend yang diperoleh dengan menggunakan metode ini. 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 . 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. 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. Persamaannya adalah sebagai berikut : ∆ = A2 . metode yang paling sering digunakan untuk menentukan persamaan trend adalah metode kuadrat terkecil. dan metode kuadrat terkecil (least square method).

Trend tahunan. 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. New data set. CONTOH KASUS : PT. Ada dua macam persamaan trend kuartalan yang dapat diperoleh dari persamaan trend tahunan. 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. Kuartalan. 2. kemudian akan muncul tampilan seperti gambar di bawah ini. Berikut ini adalah langkah-langkah pengerjaannya : 1. yaitu persamaan trend kuartalan dimana nilai kode waktu X menunjukkan waktu tahunan dan nilai kode waktu menunjukkan waktu kuartalan. Masukkan nama dari data set adalah Dataset. Pilih menu Data. Tekan icon R Commander pada desktop. Alamanda Coorporation adalah sebuah perusahaan yang bergerak dalam bidang telekomunikasi. lalu tekan tombol OK 41 .

0. 1. Selisih antara tahun yang satu dengan tahun berikutnya pada periode waktu analisis deret berkala yang menunjukkan bilangan ganjil adalah satu. Masukkan data Kode_waktu yaitu (-2. dan 2 ) pada kolom X Kode waktu dalam analisis deret berkala besarnya tergantung dari banyaknya waktu yang digunakan. 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. 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 . Periode waktu yang berada ditengah-tengah dari semua waktu yang digunakan mempunyai kode 0. Masukkan data Penjualan (seperti pada tabel soal) pada kolom Y 6. Ubah nama variable var1 menjadi Y dan tipe variable menjadi numeric.3. Penentuan kode waktu ini dilakukan dengan terlebih dahulu membagi banyaknya waktu yang digunakan menjadi dua bagian.

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

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 .

Sign up to vote on this title
UsefulNot useful