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 5 . memiliki nilai : Minimum : 19. Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT.6.00 Kuartil 1 : 23. DOFI.25 Median : 34.00 Mean : 31.80 Kuartil 3 : 39.50 Maximum : 42.

25 34. Mean sd 0% 25% 50% 75% 100% n 31. lakukan langkah berikut : 1. 2.Untuk mengetahui standar deviasi. kemudian tekan tombol OK.50 42 10 6 .00 39. Numerical Summeries. Maka akan muncul tampilan seperti gambar di bawah ini.80 9. Summaries.2111 19 23. Tekan Statistic.

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

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

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

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

n. Maka nilai x ≤ 5.n. 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)).p pada Script Window tersebut. maka tuliskan nilai x. Apabila diketahui kata-kata paling banyak … atau x ≤  Tekan R Commander  Tekan distribution.p).n. d.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya. Apabila diketahui nilai …≤…x…≤…… Atau nilai x = sampai …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window adalah sum (dbinom (x.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 . Apabila diketahui kata-kata paling sedikit … atau x≥  Tekan R Commander 11 .   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. discret distributions.q q = peluang gagal dimana q = 1 . lalu binomial tail probabilities.05) dengan menggunakan program R. Rumus umum binomial b (x.p pada Script Window tersebut.n.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya.  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. c. Apabila diketahui x = …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window atau dbinom (x. binomial distribution.n.maka tuliskan nilai x. b.

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

p).2304 atau jika dinyatakan dalam bentuk persentase sebesar 23. . 2. Perintah mencari probabilitas binomial pada script window adalah dbinom (x. Tekan icon R Commander pada desktop.n.04% b.08704 atau jika dinyatakan dalam bentuk persentase sebesar 87.4.04 % 13 . X = 3 1. maka tuliskan pada script window dbinom (3.5. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0.4) kemudian tekan tombol Submit 3.0.

Binomial distribution.Atau 1. Pilih menu Distribution.4 ) kemudian tekan tombol OK 4. kemudian input probabilities of success dengan nilai probabilitas berhasil ( probabilities of success = 0. Isi nilai n pada kotak binomial trials = 5 . lalu Binomial probabilities 3.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.04 % 14 . Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. Discrete distributions. Tekan icon R Commander pada desktop. 2.

input binomial trial = 5. x ≤ 2 1. 2. input probabilities of success = 0. Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. Binomial distribution. Pilih menu Distribution. Discrete distributions.6 (karena yang ditanyakan yang tidak menerima BLT). Tekan icon R Commander pada desktop.744 % 15 . lalu Binomial tail probabilities. kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4.c. 3. Input nilai variabel value (s) = 2.31744 atau jika dinyatakan dalam bentuk persentase sebesar 31.

Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x. . Maka output window muncul probabilitas ada 2 sampai 4 orang yang tidak menerima BLT adalah 0. 2. 2≤x≤4 1. maka tuliskan pada script window sum(dbinom (2:4 .n.d.8352 atau jika dinyatakan dalam bentuk persentase sebesar 83.p)).5.6)) 3.0. Tekan icon R Commander pada desktop. Tekan submit 4.52 16 .

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

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

Dalam ilustrasi tadi. 2.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. Dalam ilustrasi tadi. t . misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank. 1.05. semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan. Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata–rata untuk periode jam adalah. µ ) = (e – µ. Rumus poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. µ X ) / X ! Dimana : e = 2. Jumlah kedatangan pada interval waktu tidak bergantung pada apa yang terjadi di interval waktu yang sudah lewat. Sebagai ilustrasi. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0. semakin pendek interval. Poisson. 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. Distribusi poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu. dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik sebagai berikut : 1. dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja tersebut.2 kedatangan setiap menit. (λ. dapat berarti bahwa kesempatan dari sebuah kedatangan di menit berikutnya adalah sama. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang poisson untuk peluang binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam situasi tertentu.71828 µ = rata – rata keberhasilan = n . 2. 3. misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada jam kantor. 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. Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval pendek. Aturan yang diikuti oleh kebanyakan ahli statistika adalah bahwa n cukup besar dan p cukup kecil.05 atau kurang dari 0. Tingkat kedatangan rata-rata setiap unit waktu adalah konstant. misalkan 72 kedatangan setiap jam. 3 dan seterusnya. bisa berarti bahwa adalah tidak mungkin untuk lebih dari satu nasabah yang dapat melewati jalan masuk dalam waktu satu detik.t) x ) / X! Dimana : λ = Tingkat rata–rata kedatangan tiap unit waktu t = Jumlah unit waktu x = Jumlah kedatangan dalam t unit waktu 19 . jika n adalah 20 atau lebih dari 20 dan p adalah 0. Untuk menghitung terjadinya suatu kedatangan yang mengikuti proses poisson digunakan rumus sebagai berikut : P ( x ) = (e –λ . 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. Untuk menghitung probabilitas suatu peristiwa yang berdistribusi poisson digunakan rumus sebagai berikut P ( x .

3).Contoh : Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Tekan icon R Commander pada desktop. kemudian akan muncul tampilan seperti gambar di bawah ini.2240418 jika ditanyakan dalam bentuk prosentase ( % ) maka jawabannya adalah 22. Langkah-langkahnya adalah sebagai berikut : 1. Maka berapakah probabilitas 2 produk yang tidak sesuai standar ? Untuk menyelesaikan persoalan distribusi poisson. Angka 2 menunjukkan nilai X dan angka 3 menunjukkan nilai µ yang didapat dari perkalian n * p (100 * 3%). Perusahaan memperkirakan 3 % diantara produk yang dihasilkan tidak sesuai dengan standar. 3.2240418 * 100 ) 20 . Kemudian tekan tombol Submit.40418% ( atau 0. Maka probabilitas 2 produk yang tidak sesuai standar adalah = 0. 2. Tuliskan pada Script window dpois(2. dapat digunakan program R.

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

Maka langkah penyelesaiannya adalah : 1. Poisson distribution. 3. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. 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 tekan tombol OK 22 . 2. Pilih menu Distributions.Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Poisson tail probabilities. kemudian akan muncul tampilan seperti gambar di bawah ini. Discrete distribution. 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 Upper tail (karena yang ditanyakan probabilitas lebih dari 2 orang).

4.5768099 atau 57. kemudian akan muncul tampilan seperti gambar di bawah ini. 23 . Maka probabilitas lebih dari 2 produk yang tidak sesuai standar adalah 0. Pilih menu Distributions. Poisson distribution. Poisson tail probabilities. Maka langkah penyelesaiannya adalah : 1. Discrete distribution. 2. 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.68099% Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. Tekan icon R Commander pada desktop.

Kemudian tekan tombol OK 4.4231901 atau 42. 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).31901% 24 . Maka probabilitas kurang dari 2 produk yang tidak sesuai standar adalah 0.3.

isi sebuah botol.5 .DISTRIBUSI NORMAL Pendahuluan Distribusi normal adalah suatu distribusi yang digunakan untuk mengetahui probabilitas yang telah diketahui rata-rata ( µ ) dan standar deviasinya ( σ ). berat badan. Banyak kejadian yang dapat dinyatakan dalam data hasil observasi per eksperimen yang mengikuti distribusi normal. didapat dengan cara melakukan transformasi nilai-nilai pengukuran ke dalam bentuk bakunya ( nilai Z ). tanda =.p ≥ 5. dan ≤ diabaikan. antara lain tinggi badan. jadi hanya ada tanda > dan <. Perhitungan probabilitas suatu sampel yang diambil. 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 )= 0.5 + nilai tabel -a 25 . nilai hasil ujian dan lain-lain.nilai tabel a P( z ≥ -a ) = 0. Distribusi normal sering digunakan dalam berbagai penelitian. Banyaknya kejadian yang terdistribusi normal. ≥ . Distribusi normal ini memiliki ciri yaitu n ≥ 30 dan n.

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. Tekan icon R Commander pada desktop. Jika jumlah kedatangan bus tersebut berdistribusi normal.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. kemudian akan muncul tampilan seperti gambar di bawah ini. 26 .P( z ≤ a )= nilai tabel a + 0.

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

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

P (x < 225 ) 29 .04779035 Gambar kurvanya adalah…. Untuk menghitung hasil ini dapat diperoleh dari P(x <300). Input variabel Value(s) = 225 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 225 ) tekan ok. Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam. Maka akan diperoleh p (x<225) = 0. 6.3. 7. 4. Jika jumlah kedatangan bus tersebut berdistribusi normal berapa probabilitas dari kedatangan bus antara 225-300 bus per jam ? 1. 5.

30 .  0.9517807 pada output window. lalu tekan submit Maka akan tampil hasilnya yaitu 0.0.0.95178065 2. kemudian akan muncul tampilan seperti gambar di bawah ini.04779035 = Atau jika menggunakan program R dapat mengikuti langkah berikut : Tekan icon R Commander pada desktop.Maka dengan menggunakan kalkulator akan diperoleh hasil 0.999571 .999571 .04779035.    Klik kursor pada script window Tulis 0.

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

Maka akan diperoleh p (x > 300) = 0.0004290603 Gambar kurvanya adalah…. 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. 6. 5. 4. 32 . 7.

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

Karena itulah Distribusi t biasanya disebut Distribusi Student. Pada waktu itu. Fungsi Pengujian Distribusi t a. Apakah hasil penelitian tersebut sesuai dengan hipotesa awal Perusahaan ? (selang kepercayaan 95 %) Jawab : Dik :  = 1. kemudian akan muncul tampilan seperti gambar di bawah ini. b. d.25 %. yaitu : Satu Rata . Tabel pengujiannya disebut tabel t-student. S. Distribusi t pertama kali diterbitkan pada tahun 1908 dalam suatu makalah oleh W. ikutilah langkah-langkah berikut : 1.Rata Rumus : to = (x .85 x = 1. Hasil uji statistiknya kemudian dibandingkan dengan nilai yang ada pada tabel untuk kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan. Untuk mengelakkan larangan ini dia menerbitkan karyanya secara rahasia dibawah nama ‘Student’.1 CONTOH SOAL : Sebuah Perusahaan minuman meramalkan bahwa minuman hasil produksinya mempunyai kandungan alkohol sebesar 1. Sampel yang diuji berukuran kecil ( n < 30 ). Ciri–ciri Distribusi t a.95  = 5% = 0.85 % per botol. BEBERAPA MACAM PENGGUNAAN HIPOTESA Pengujian sampel dalam distribusi t dibedakan menjadi 2 jenis hipotesa.95 % dengan simpangan baku 0. Untuk menguji suatu pernyataan apakah sudah layak untuk dipercaya. Gosset bekerja pada perusahaan bir Irlandia yang melarang penerbitan penelitian oleh karyawannya. Menunjukkan batas penerimaan suatu hipotesis.DISTRIBUSI t PENDAHULUAN Pengujian hipotesis dengan distribusi t adalah pengujian hipotesis yang menggunakan distribusi t sebagai uji statistik.05 n = 10 s = 0. 34 . Gosset. Untuk menguji apakah hipotesa tersebut benar. Untuk memperkirakan interval rata–rata. Tekan icon R Commander pada desktop. Untuk menguji hipotesis tentang rata–rata suatu sampel. Penentuan nilai tabel dilihat dari besarnya tingkat signifikan () dan besarnya derajat bebas (db). c. ) / (s / ( n)) Ket : to = t hitung x = rata–rata sampel  = rata–rata populasi s = standar deviasi n = jumlah sampel Db = n. maka Perusahaan melakukan pengujian terhadap 10 kaleng minuman dan diketahui rata–rata sampel (ratarata kandungan alkohol) 1. b.25 Untuk menyelesaikan soal tersebut dengan menggunakan program R.

025 Db = n – 1 = 10 – 1 = 9 4. Pilih menu Distribution. Maka pada output window akan terlihat hasil nilainya. t quantiles 3.1).  = 0. continuous distributions. 35 . Kemudian masukkan nilai probabillitas(nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db = n .2. t distribution. Maka pada tampilan window R-commander akan muncul tampilan t Quantiles.

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

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

 = 0.01 Db = n1+n2 – 2 = 17+15-2 = 30 4.3.2). Maka akan tampil inputan seperti ini. Maka pada output window akan terlihat hasil nilainya 38 . 5. Kemudian masukkan nilai probabillitas (nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db= (n1 + n2 .

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

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

Kuartalan. Tekan icon R Commander pada desktop. 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. Berikut ini adalah langkah-langkah pengerjaannya : 1.Trend tahunan. kemudian akan muncul tampilan seperti gambar di bawah ini. Ada dua macam persamaan trend kuartalan yang dapat diperoleh dari persamaan trend tahunan. 2. Manajer perusahaan tersebut ingin mengetahui penjualan ponsel merek NEO MADAS selama 5 tahun terakhir yaitu dari tahun 2003 s/d 2007. yaitu persamaan trend kuartalan dimana nilai kode waktu X menunjukkan waktu tahunan dan nilai kode waktu menunjukkan waktu kuartalan. Pilih menu Data. Alamanda Coorporation adalah sebuah perusahaan yang bergerak dalam bidang telekomunikasi. Masukkan nama dari data set adalah Dataset. CONTOH KASUS : PT. lalu tekan tombol OK 41 . 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.

Lakukan langkah di atas untuk mengubah variabel var2 menjadi X dan tipe variabel menjadi numeric 5. 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 . Masukkan data Kode_waktu yaitu (-2. 0.3. dan 2 ) pada kolom X Kode waktu dalam analisis deret berkala besarnya tergantung dari banyaknya waktu yang digunakan. Ubah nama variable var1 menjadi Y dan tipe variable menjadi numeric. -1. Penentuan kode waktu ini dilakukan dengan terlebih dahulu membagi banyaknya waktu yang digunakan menjadi dua bagian. 1. dapat dilakukan dengan cara double click pada var1 pada data editor 4. Selisih antara tahun yang satu dengan tahun berikutnya pada periode waktu analisis deret berkala yang menunjukkan bilangan ganjil adalah satu. 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.

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

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 .10.

Sign up to vote on this title
UsefulNot useful