P. 1
Modul Sun Statistik

Modul Sun Statistik

|Views: 394|Likes:
Published by tyaiia

More info:

Published by: tyaiia on Jul 13, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

04/08/2013

pdf

text

original

Sections

  • UKURAN STATISTIK
  • UKURAN PEMUSATAN 1. MEAN (rata-rata hitung)
  • 2. MEDIAN
  • 3. MODUS
  • UKURAN PENYEBARAN
  • DISTRIBUSI BINOMIAL
  • Tujuan Praktikum Binomial
  • Rumus umum binomial
  • Langkah-langkah mengoperasikan program R untuk distribusi binomial :
  • Contoh :
  • KASUS
  • JAWAB
  • DISTRIBUSI HIPERGEOMETRIK
  • PENDAHULUAN
  • RUMUS DISTRIBUSI HIPERGEOMETRIK
  • CONTOH SOAL
  • Penyelesaian
  • DISTRIBUSI POISSON
  • Pendahuluan
  • Rumus Pendekatan Peluang Poisson untuk Binomial
  • ) / X !
  • Rumus Proses Poisson
  • X!
  • DISTRIBUSI NORMAL
  • KURVA NORMAL
  • CONTOH KASUS
  • DISTRIBUSI t
  • Fungsi Pengujian Distribusi t
  • BEBERAPA MACAM PENGGUNAAN HIPOTESA
  • Satu Rata - Rata
  • to = (x - ) / (s / ( n))
  • Db = n- 1
  • CONTOH SOAL :
  • Jawab :
  • Dua Rata - Rata
  • ANALISIS DERET BERKALA
  • KOMPONEN
  • TREND SEKULER
  • Y = a + bx
  • Metode Persamaan Garis
  • Metode Semi Rata-rata (Semi Average Method)
  • Metode Kuadrat Terkecil (Least Square Method)
  • CONTOH KASUS :

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

50 Maximum : 42. DOFI.00 Kuartil 1 : 23.00 Mean : 31. memiliki nilai : Minimum : 19. Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT.6.80 Kuartil 3 : 39.00 5 .25 Median : 34.

lakukan langkah berikut : 1.50 42 10 6 . Summaries.80 9. Tekan Statistic.25 34.2111 19 23.Untuk mengetahui standar deviasi. 2. Maka akan muncul tampilan seperti gambar di bawah ini.00 39. Numerical Summeries. kemudian tekan tombol OK. Mean sd 0% 25% 50% 75% 100% n 31.

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

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

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

Setiap ulangan bersifat bebas (independent) satu dengan lainnya. Hasil setiap pelemparan uang logam tersebut hanya mungkin muncul sisi gambar atau angka saja. Peluang berhasil atau sukses disimbolkan dengan p dan dalam setiap ulangan nilai p tetap.05 (kurang dari 0. kemungkinan yang muncul hanya kartu merah atau kartu hitam saja. Perlu diingat bahwa kejadian yang menjadi pertanyaan ataupun ditanyakan dari suatu permasalahan bisa dikategorikan sebagai kejadian “sukses atau berhasil”.  Dalam pengambilan kartu yang dilakukan secara berturut-turut. Sebenarnya ada sedikit persamaan antara distribusi binomial dengan distribusi poisson. Ulangan-ulangan tersebut bersifat bebas dan peluang berhasil atau gagal setiap ulangan memiliki probabilitas yang sama yaitu 50% atau ½.05 atau sama dengan 0.05) Adapun ciri-ciri atau karakteristik distribusi binomial antara lain : a. Dari contoh di atas dapat diberikan suatu label “berhasil” untuk sisi gambar dan label “gagal” untuk sisi angka ataupun sebaliknya.q sedangkan peluang gagal dinyatakan dengan q dimana q = 1 . Catatan Untuk memberikan kemudahan dalam membedakan antara nilai p dan nilai q. Hasil setiap ulangan dapat dikategorikan dalam 2 kelas Misal :  “berhasil” atau “gagal”  “ya” atau “tidak”  “success” atau “failed” c. dimana p = 1 . Keduanya berusaha mencari kemungkinan yang timbul dari suatu peristiwa/kejadian yang ada. terlebih dahulu harus ditetapkan yang mana yang merupakan kejadian yang dapat dikategorikan “sukses atau berhasil” dan yang mana kejadian yang dapat dikategorikan “gagal”.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. kita dapat memberi label “berhasil” untuk pengambilan kartu warna merah dan label “gagal” untuk pengambilan kartu warna hitam ataupun sebaliknya. Proses Bernoulli adalah suatu proses probabilitas yang dapat dilakukan berulang kali. Misalnya :  Dalam pelemparan sekeping uang logam sebanyak 5 kali.p d. 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 . Begitu juga dengan pengambilan kartu. Dengan demikian kejadian yang menjadi pertanyaan dari suatu permasalahan dapat disimbolkan dengan p.DISTRIBUSI BINOMIAL Pendahuluan Distribusi binomial merupakan suatu proses distribusi probabilitas yang dapat digunakan apabila suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli. 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.

n.p)).q q = peluang gagal dimana q = 1 .maka tuliskan nilai x.p).p pada Script Window tersebut. Apabila diketahui nilai …≤…x…≤…… Atau nilai x = sampai …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window adalah sum (dbinom (x. lalu binomial tail probabilities. b.05) dengan menggunakan program R. Apabila diketahui kata-kata paling banyak … atau x ≤  Tekan R Commander  Tekan distribution. 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 pada Script Window tersebut. Rumus umum binomial b (x.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya.n. Apabila diketahui kata-kata paling sedikit … atau x≥  Tekan R Commander 11 .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 .n.  Input variabel value (s) = nilai x Contoh : Paling banyak 5 orang menyatakan tertarik menonton sepak bola. Apabila diketahui x = …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window atau dbinom (x.p Langkah-langkah mengoperasikan program R untuk distribusi binomial : a. d.   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.n. discret distributions.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya. binomial distribution. Maka nilai x ≤ 5.n. maka tuliskan nilai x. c.

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

4.4) kemudian tekan tombol Submit 3. Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0.0. X = 3 1.n. Perintah mencari probabilitas binomial pada script window adalah dbinom (x.04 % 13 .p). . Tekan icon R Commander pada desktop.5.08704 atau jika dinyatakan dalam bentuk persentase sebesar 87. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0.04% b. 2.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23. maka tuliskan pada script window dbinom (3.

Binomial distribution. Pilih menu Distribution. lalu Binomial probabilities 3. Discrete distributions. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0.4 ) kemudian tekan tombol OK 4. 2. Tekan icon R Commander pada desktop.04 % 14 . kemudian input probabilities of success dengan nilai probabilitas berhasil ( probabilities of success = 0.Atau 1. Isi nilai n pada kotak binomial trials = 5 .2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.

Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4. Input nilai variabel value (s) = 2. Tekan icon R Commander pada desktop. x ≤ 2 1. 3.c. Binomial distribution. Discrete distributions. Pilih menu Distribution.744 % 15 .31744 atau jika dinyatakan dalam bentuk persentase sebesar 31. input binomial trial = 5. input probabilities of success = 0.6 (karena yang ditanyakan yang tidak menerima BLT). lalu Binomial tail probabilities. 2.

maka tuliskan pada script window sum(dbinom (2:4 .5.n. Tekan submit 4.6)) 3. 2. .52 16 .d. Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x.0. Maka output window muncul probabilitas ada 2 sampai 4 orang yang tidak menerima BLT adalah 0. Tekan icon R Commander pada desktop.8352 atau jika dinyatakan dalam bentuk persentase sebesar 83.p)). 2≤x≤4 1.

proses Bernouli tidak dapat digunakan. XT= 3. tiga diantaranya telah berpengalaman selama lima tahun atau lebih. dapat digunakan program R. N = 6. Jika pengambilan sampling tanpa pengembalian digunakan dalam situasi sebaliknya dan memenuhi syarat proses Bernouli. Hypergeometrik distribution. XT. Hypergeometrik probabilities 17 . untuk mendekati nilai probabilitas hipergeometrik dapat digunakan konsep distribusi binomial.05 N.3. Langkahlangkahnya sebagai berikut : 1. CONTOH SOAL Dari enam kontraktor jalan. Jika empat kontraktor dipanggil secara random dari enam kontraktor tersebut. n dari N benda diklasifiksikan sebagai berhasil dan N – n benda diklasifikasikan sebagai gagal. Discrete distributions. karena ada perubahan secara sistematis dalam probabilitas sukses seperti kejadian-kejadian yang diambil dari populasi. Percobaan hipergeometrik bercirikan dua sifat berikut: 1. kemudian pilih menu Distributions.. Suatu contoh acak berukuran n diambil dari populasi yang berukuran N.XTCX ) / NCn Ket : X = Jumlah sukses dalam sampel.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. berapakah probabilitas bahwa dua kontraktor telah berpengalaman selama lima tahun atau lebih ? Penyelesaian Diketahui : X = 2.2.DISTRIBUSI HIPERGEOMETRIK PENDAHULUAN Jika sampling dilakukan tanpa pengembalian dari kejadian sampling yang diambil dari populasi dengan kejadian-kejadian terbatas. 2.1.. Banyaknya keberhasilan X dalam suatu percobaan hipergeometrik disebut peubah acak hipergeometrik. untuk X = 0.. pengambilan secara sampling dilakukan tanpa pengembalian menimbulkan efek teradap probabilitas sukses dalam setiap percobaan kecil. dengan syarat n ≤ 0. distribusi hipergeomentrik adalah distribusi probabilitas diskrit yang tepat. .. n = 4 Untuk menyelesaikan persoalan distribusi Hipergeometrik. RUMUS DISTRIBUSI HIPERGEOMETRIK P (X | N. n) = ( N-XT Cn-X. Tekan icon R Commander pada desktop.

18 .2. maka lihat output Pr yang 2.6.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 . karena banyaknya nilai yang diambil dari percobaan adalah 4. Maka akan tampil seperti berikut : 4. yaitu 0. kemudian tekan tombol OK 3.jumlah gagal dalam populasi atau = lawan dari nilai m) = 3 Masukkan nilai k (the number of balls drawn from the urn . Karena yang ditanya adalah nilai X = 2.

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

2. Maka probabilitas 2 produk yang tidak sesuai standar adalah = 0.3).40418% ( atau 0. Kemudian tekan tombol Submit. Perusahaan memperkirakan 3 % diantara produk yang dihasilkan tidak sesuai dengan standar. Maka berapakah probabilitas 2 produk yang tidak sesuai standar ? Untuk menyelesaikan persoalan distribusi poisson.2240418 * 100 ) 20 . 3.Contoh : Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. dapat digunakan program R. Angka 2 menunjukkan nilai X dan angka 3 menunjukkan nilai µ yang didapat dari perkalian n * p (100 * 3%).2240418 jika ditanyakan dalam bentuk prosentase ( % ) maka jawabannya adalah 22. Langkah-langkahnya adalah sebagai berikut : 1. Tekan icon R Commander pada desktop. Tuliskan pada Script window dpois(2. kemudian akan muncul tampilan seperti gambar di bawah ini.

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

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

2. 23 . Tekan icon R Commander pada desktop. Poisson distribution. 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. Discrete distribution. kemudian akan muncul tampilan seperti gambar di bawah ini.5768099 atau 57. Poisson tail probabilities.4. Pilih menu Distributions. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. Maka langkah penyelesaiannya adalah : 1.68099% Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Maka probabilitas lebih dari 2 produk yang tidak sesuai standar adalah 0.

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). Maka probabilitas kurang dari 2 produk yang tidak sesuai standar adalah 0.31901% 24 . Kemudian tekan tombol OK 4.4231901 atau 42.3.

didapat dengan cara melakukan transformasi nilai-nilai pengukuran ke dalam bentuk bakunya ( nilai Z ). antara lain tinggi badan. dan ≤ diabaikan.5 + nilai tabel -a 25 . ≥ . jadi hanya ada tanda > dan <. Banyaknya kejadian yang terdistribusi normal.DISTRIBUSI NORMAL Pendahuluan Distribusi normal adalah suatu distribusi yang digunakan untuk mengetahui probabilitas yang telah diketahui rata-rata ( µ ) dan standar deviasinya ( σ ).p ≥ 5.nilai tabel a P( z ≥ -a ) = 0. isi sebuah botol.5 . Distribusi normal ini memiliki ciri yaitu n ≥ 30 dan n. nilai hasil ujian dan lain-lain. Distribusi normal sering digunakan dalam berbagai penelitian. berat badan. 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. Perhitungan probabilitas suatu sampel yang diambil. tanda =. Banyak kejadian yang dapat dinyatakan dalam data hasil observasi per eksperimen yang mengikuti distribusi 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. 26 . Jika jumlah kedatangan bus tersebut berdistribusi normal.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.P( z ≤ a )= nilai tabel a + 0. Tekan icon R Commander pada desktop.

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

Tekan icon R Commander pada desktop.Gambar kurvanya adalah…. 2. kemudian akan muncul tampilan seperti gambar di bawah ini. Pilih Distributions. berapa probabilitas dari kedatangan bus kurang dari 225 bus per jam ? Langkah–langkah penyelesaian kasus 1. Normal distributions. normal probabilities. 28 . 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. Continous distributions.

Jika jumlah kedatangan bus tersebut berdistribusi normal berapa probabilitas dari kedatangan bus antara 225-300 bus per jam ? 1. 5.04779035 Gambar kurvanya adalah…. 7. 4. Maka akan diperoleh p (x<225) = 0.P (x < 225 ) 29 . Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam. Input variabel Value(s) = 225 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 225 ) tekan ok.3. Untuk menghitung hasil ini dapat diperoleh dari P(x <300). 6.

9517807 pada output window. lalu tekan submit Maka akan tampil hasilnya yaitu 0. 30 .Maka dengan menggunakan kalkulator akan diperoleh hasil 0.  0.999571 .999571 .04779035 = Atau jika menggunakan program R dapat mengikuti langkah berikut : Tekan icon R Commander pada desktop.04779035. kemudian akan muncul tampilan seperti gambar di bawah ini.0.    Klik kursor pada script window Tulis 0.0.95178065 2.

Pilih Distributions. Tekan icon R Commander pada desktop. Continous distributions. 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.Gambar kurvanya adalah. normal probabilities. Jika jumlah kedatangan bus tersebut berdistribusi normal berapa probabilitas dari kedatangan bus lebih dari 300 bus per jam ? 1. Normal distributions. 2. 31 .

Input variabel Value(s) = 300 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih Upper tail p(x > 300) tekan ok. Maka akan diperoleh p (x > 300) = 0. 4.3. 6. 5. 32 . 7.0004290603 Gambar kurvanya adalah…..

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

05 n = 10 s = 0. Ciri–ciri Distribusi t a. Karena itulah Distribusi t biasanya disebut Distribusi Student. Hasil uji statistiknya kemudian dibandingkan dengan nilai yang ada pada tabel untuk kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan. Sampel yang diuji berukuran kecil ( n < 30 ).25 %. Pada waktu itu. Untuk memperkirakan interval rata–rata.85 % per botol. Gosset.Rata Rumus : to = (x . b. S. Distribusi t pertama kali diterbitkan pada tahun 1908 dalam suatu makalah oleh W. yaitu : Satu Rata . b. ) / (s / ( n)) Ket : to = t hitung x = rata–rata sampel  = rata–rata populasi s = standar deviasi n = jumlah sampel Db = n. Apakah hasil penelitian tersebut sesuai dengan hipotesa awal Perusahaan ? (selang kepercayaan 95 %) Jawab : Dik :  = 1. c.95 % dengan simpangan baku 0. ikutilah langkah-langkah berikut : 1. Untuk menguji hipotesis tentang rata–rata suatu sampel. d. Penentuan nilai tabel dilihat dari besarnya tingkat signifikan () dan besarnya derajat bebas (db).95  = 5% = 0. Tabel pengujiannya disebut tabel t-student. BEBERAPA MACAM PENGGUNAAN HIPOTESA Pengujian sampel dalam distribusi t dibedakan menjadi 2 jenis hipotesa. Untuk mengelakkan larangan ini dia menerbitkan karyanya secara rahasia dibawah nama ‘Student’. 34 . Fungsi Pengujian Distribusi t a.85 x = 1.1 CONTOH SOAL : Sebuah Perusahaan minuman meramalkan bahwa minuman hasil produksinya mempunyai kandungan alkohol sebesar 1. Menunjukkan batas penerimaan suatu hipotesis. Untuk menguji suatu pernyataan apakah sudah layak untuk dipercaya. maka Perusahaan melakukan pengujian terhadap 10 kaleng minuman dan diketahui rata–rata sampel (ratarata kandungan alkohol) 1. kemudian akan muncul tampilan seperti gambar di bawah ini.25 Untuk menyelesaikan soal tersebut dengan menggunakan program R. Gosset bekerja pada perusahaan bir Irlandia yang melarang penerbitan penelitian oleh karyawannya. Untuk menguji apakah hipotesa tersebut benar. Tekan icon R Commander pada desktop.DISTRIBUSI t PENDAHULUAN Pengujian hipotesis dengan distribusi t adalah pengujian hipotesis yang menggunakan distribusi t sebagai uji statistik.

025 Db = n – 1 = 10 – 1 = 9 4. Kemudian masukkan nilai probabillitas(nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db = n . 35 . Pilih menu Distribution.  = 0. Maka pada output window akan terlihat hasil nilainya. continuous distributions. t quantiles 3. Maka pada tampilan window R-commander akan muncul tampilan t Quantiles.2.1). t distribution.

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

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

Maka pada output window akan terlihat hasil nilainya 38 .01 Db = n1+n2 – 2 = 17+15-2 = 30 4. 5. Kemudian masukkan nilai probabillitas (nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db= (n1 + n2 .  = 0. Maka akan tampil inputan seperti ini.2).3.

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

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

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

1. Periode waktu yang berada ditengah-tengah dari semua waktu yang digunakan mempunyai kode 0. Selisih antara tahun yang satu dengan tahun berikutnya pada periode waktu analisis deret berkala yang menunjukkan bilangan ganjil adalah satu. 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 . dapat dilakukan dengan cara double click pada var1 pada data editor 4. Ubah nama variable var1 menjadi Y dan tipe variable menjadi numeric. Masukkan data Kode_waktu yaitu (-2. -1. dan 2 ) pada kolom X Kode waktu dalam analisis deret berkala besarnya tergantung dari banyaknya waktu yang digunakan. 0. Lakukan langkah di atas untuk mengubah variabel var2 menjadi X dan tipe variabel menjadi numeric 5.3. Penentuan kode waktu ini dilakukan dengan terlebih dahulu membagi banyaknya waktu yang digunakan menjadi dua bagian. Masukkan data Penjualan (seperti pada tabel soal) pada kolom Y 6.

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->