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

memiliki nilai : Minimum : 19.50 Maximum : 42.00 Mean : 31.80 Kuartil 3 : 39.00 5 . Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT.6. DOFI.00 Kuartil 1 : 23.25 Median : 34.

00 39. Numerical Summeries.80 9. 2.2111 19 23. Summaries. Mean sd 0% 25% 50% 75% 100% n 31. Tekan Statistic.50 42 10 6 . lakukan langkah berikut : 1. Maka akan muncul tampilan seperti gambar di bawah ini.Untuk mengetahui standar deviasi. kemudian tekan tombol OK.25 34.

Tekan R Commander.Dari tampilan ini. 7 . Pilih Frequency Counts. Akan terlihat bahwa kelas modus adalah antara 40-42 dengan frekuensi 3. Graphs. Terlihat bahwa nilai minimum pada tampilan pertama sama dengan nilai kuartil 0% pada tampilan kedua. Nilai n menunjukkan banyaknya data. Jika histogram tidak aktif maka dapat diaktifkan dengan menekan RGui di Taskbar windows pada bagian bawah layar monitor. Histogram kemudian akan muncul tampilan seperti gambar di bawah ini. Perhatikan perbandingan tampilan pertama dan kedua. 2. 3.2111. yaitu standar deviasi : 9. lakukan langkah berikut : 1. Untuk melihat bentuk histogram dari data umur pegawai PT DOFI. Nilai median sama dengan quartile 50% dan seterusnya. anda bisa mendapatkan tambahan informasi numeric. OK.

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

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

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

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

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

2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.5. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. Tekan icon R Commander pada desktop. Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0.0. 2.4) kemudian tekan tombol Submit 3.04 % 13 . .p). maka tuliskan pada script window dbinom (3. X = 3 1. Perintah mencari probabilitas binomial pada script window adalah dbinom (x.04% b.08704 atau jika dinyatakan dalam bentuk persentase sebesar 87.n.4.

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

kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4.6 (karena yang ditanyakan yang tidak menerima BLT). input binomial trial = 5.744 % 15 . Tekan icon R Commander pada desktop. Input nilai variabel value (s) = 2. Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. Pilih menu Distribution. x ≤ 2 1. lalu Binomial tail probabilities.31744 atau jika dinyatakan dalam bentuk persentase sebesar 31. Discrete distributions. 3.c. 2. Binomial distribution. input probabilities of success = 0.

8352 atau jika dinyatakan dalam bentuk persentase sebesar 83. Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x.n. Tekan submit 4.0. 2≤x≤4 1. 2. Tekan icon R Commander pada desktop. .p)).d.52 16 . Maka output window muncul probabilitas ada 2 sampai 4 orang yang tidak menerima BLT adalah 0.5.6)) 3. maka tuliskan pada script window sum(dbinom (2:4 .

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

Maka akan tampil seperti berikut : 4.2.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 3.6. yaitu 0. 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 yang ditanya adalah nilai X = 2. maka lihat output Pr yang 2. 18 .Jumlah kejadian dalam sampel ) = 4. karena banyaknya nilai yang diambil dari percobaan adalah 4.

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

dapat digunakan program R.3). Tekan icon R Commander pada desktop. Angka 2 menunjukkan nilai X dan angka 3 menunjukkan nilai µ yang didapat dari perkalian n * p (100 * 3%). Kemudian tekan tombol Submit. Langkah-langkahnya adalah sebagai berikut : 1. Tuliskan pada Script window dpois(2. Maka probabilitas 2 produk yang tidak sesuai standar adalah = 0.40418% ( atau 0. 3.Contoh : Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya.2240418 * 100 ) 20 . Perusahaan memperkirakan 3 % diantara produk yang dihasilkan tidak sesuai dengan standar. 2. Maka berapakah probabilitas 2 produk yang tidak sesuai standar ? Untuk menyelesaikan persoalan distribusi poisson.2240418 jika ditanyakan dalam bentuk prosentase ( % ) maka jawabannya adalah 22. kemudian akan muncul tampilan seperti gambar di bawah ini.

pilih menu Distributions.2240 atau 22.40% 21 . discreate distribution. poisson distribution.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.

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

68099% Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. 23 . Discrete distribution. Pilih menu Distributions. Tekan icon R Commander pada desktop. Poisson tail probabilities. Maka probabilitas lebih dari 2 produk yang tidak sesuai standar adalah 0. Poisson distribution. Maka langkah penyelesaiannya adalah : 1. kemudian akan muncul tampilan seperti gambar di bawah ini.4. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. 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. 2.

Maka probabilitas kurang 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).4231901 atau 42.31901% 24 .3. Kemudian tekan tombol OK 4.

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

berapa probabilitas dari tiap kedatangan bus kurang dari 300 bus per jam ? Langkah-langkah penyelesaian kasus 1.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. Tekan icon R Commander pada desktop. Jika jumlah kedatangan bus tersebut berdistribusi normal.P( z ≤ a )= nilai tabel a + 0. 26 . kemudian akan muncul tampilan seperti gambar di bawah ini.5 P( a1 ≤ z ≤ a2 )= nilai table a2 .

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

berapa probabilitas dari kedatangan bus kurang dari 225 bus per jam ? Langkah–langkah penyelesaian kasus 1. Pilih Distributions. Continous distributions. Tekan icon R Commander pada desktop.Gambar kurvanya adalah…. Normal distributions. 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. Jika jumlah kedatangan bus tersebut berdistribusi normal. normal probabilities. 28 . 2.

3. Maka akan diperoleh p (x<225) = 0.P (x < 225 ) 29 . 6. Untuk menghitung hasil ini dapat diperoleh dari P(x <300). 4. 7. Input variabel Value(s) = 225 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 225 ) tekan ok. Jika jumlah kedatangan bus tersebut berdistribusi normal berapa probabilitas dari kedatangan bus antara 225-300 bus per jam ? 1.04779035 Gambar kurvanya adalah…. 5. Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam.

30 .95178065 2.0.999571 . kemudian akan muncul tampilan seperti gambar di bawah ini.04779035. lalu tekan submit Maka akan tampil hasilnya yaitu 0.04779035 = Atau jika menggunakan program R dapat mengikuti langkah berikut : Tekan icon R Commander pada desktop.0.999571 .  0.Maka dengan menggunakan kalkulator akan diperoleh hasil 0.9517807 pada output window.    Klik kursor pada script window Tulis 0.

Normal distributions.Gambar kurvanya adalah. Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam. 31 . 2. Pilih Distributions. normal probabilities. Tekan icon R Commander pada desktop. 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. Continous distributions.

4.0004290603 Gambar kurvanya adalah….3. Maka akan diperoleh p (x > 300) = 0. 5. Input variabel Value(s) = 300 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih Upper tail p(x > 300) tekan ok. 6. 32 .. 7.

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

ikutilah langkah-langkah berikut : 1.Rata Rumus : to = (x . Apakah hasil penelitian tersebut sesuai dengan hipotesa awal Perusahaan ? (selang kepercayaan 95 %) Jawab : Dik :  = 1. S.DISTRIBUSI t PENDAHULUAN Pengujian hipotesis dengan distribusi t adalah pengujian hipotesis yang menggunakan distribusi t sebagai uji statistik. Distribusi t pertama kali diterbitkan pada tahun 1908 dalam suatu makalah oleh W. Untuk menguji hipotesis tentang rata–rata suatu sampel. Ciri–ciri Distribusi t a. Penentuan nilai tabel dilihat dari besarnya tingkat signifikan () dan besarnya derajat bebas (db). b. BEBERAPA MACAM PENGGUNAAN HIPOTESA Pengujian sampel dalam distribusi t dibedakan menjadi 2 jenis hipotesa. Tekan icon R Commander pada desktop.25 %. d. Untuk memperkirakan interval rata–rata. Untuk menguji suatu pernyataan apakah sudah layak untuk dipercaya.85 x = 1.85 % per botol. Karena itulah Distribusi t biasanya disebut Distribusi Student. Gosset. kemudian akan muncul tampilan seperti gambar di bawah ini. yaitu : Satu Rata . Fungsi Pengujian Distribusi t a.05 n = 10 s = 0. Untuk menguji apakah hipotesa tersebut benar. Gosset bekerja pada perusahaan bir Irlandia yang melarang penerbitan penelitian oleh karyawannya. maka Perusahaan melakukan pengujian terhadap 10 kaleng minuman dan diketahui rata–rata sampel (ratarata kandungan alkohol) 1.1 CONTOH SOAL : Sebuah Perusahaan minuman meramalkan bahwa minuman hasil produksinya mempunyai kandungan alkohol sebesar 1. b. ) / (s / ( n)) Ket : to = t hitung x = rata–rata sampel  = rata–rata populasi s = standar deviasi n = jumlah sampel Db = n. Hasil uji statistiknya kemudian dibandingkan dengan nilai yang ada pada tabel untuk kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan. Menunjukkan batas penerimaan suatu hipotesis.95  = 5% = 0. c.25 Untuk menyelesaikan soal tersebut dengan menggunakan program R. Tabel pengujiannya disebut tabel t-student.95 % dengan simpangan baku 0. Pada waktu itu. 34 . Untuk mengelakkan larangan ini dia menerbitkan karyanya secara rahasia dibawah nama ‘Student’. Sampel yang diuji berukuran kecil ( n < 30 ).

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

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

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. t distribution. t quantiles 37 . 2.01 x2 = 12 s2 = 8 n2 = 15 do = 6 Untuk menyelesaikan soal tersebut dengan menggunakan program R. continuous distributions. kemudian akan muncul tampilan seperti gambar di bawah ini. Tekan icon R Commander pada desktop.Dua Rata . ikutilah langkah-langkah berikut : 1.

Maka pada output window akan terlihat hasil nilainya 38 . Maka akan tampil inputan seperti ini.3.01 Db = n1+n2 – 2 = 17+15-2 = 30 4.2). Kemudian masukkan nilai probabillitas (nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db= (n1 + n2 . 5.  = 0.

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

A2 Metode Kuadrat Terkecil (Least Square Method) Dalam analisis deret berkala. b. Metode Semi Rata-rata (Semi Average Method) Persamaan trend yang diperoleh dengan menggunakan metode ini. selain dapat digunakan untuk mengetahui kecenderungan nilai suatu variabel dari waktu ke waktu. dan gerak tak beraturan. metode semi rata-rata (semi average method). TREND SEKULER Trend sekuler merupakan perubahan nilai variabel yang relatif stabil dari waktu ke waktu. Meramal (forecast) nilai suatu variabel pada suatu waktu tertentu. sehingga dalam menentukan suatu model akan sangat baik dengan menggunakan analisis trend.d. metode yang paling sering digunakan untuk menentukan persamaan trend adalah metode kuadrat terkecil. Analisis deret berkala bertujuan untuk: a. variasi musiman. juga dapat digunakan untuk meramal nilai suatu variable tersebut pada suatu waktu tertentu. Mengetahui kecenderungan nilai suatu variabel dari waktu ke waktu. Komponen-komponen tersebut adalah trend sekuler (secular trend).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.A1 / n Keterangan : ∆ : perubahan nilai variabel setiap tahun A1 : rata-rata kelompok pertama A2 : rata-rata kelompok ke dua n : periode tahun antara tahun A1 s. Model yang digunakan dalam analisis deret berkala dibuat berdasarkan asumsi bahwa antara nilai variabel dan waktu mempunyai hubungan linear. yaitu metode bebas (free hand 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 . 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. dan metode kuadrat terkecil (least square method). KOMPONEN Terdapat empat komponen yang dapat mempengaruhi nilai suatu variabel dari waktu ke waktu. fluktuasi siklis. Persamaannya adalah sebagai berikut : ∆ = A2 . 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.

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

-1. 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 Penjualan (seperti pada tabel soal) pada kolom Y 6. Selisih antara tahun yang satu dengan tahun berikutnya pada periode waktu analisis deret berkala yang menunjukkan bilangan ganjil adalah satu. Penentuan kode waktu ini dilakukan dengan terlebih dahulu membagi banyaknya waktu yang digunakan menjadi dua bagian.3. 0. Lakukan langkah di atas untuk mengubah variabel var2 menjadi X dan tipe variabel menjadi numeric 5. dan 2 ) pada kolom X Kode waktu dalam analisis deret berkala besarnya tergantung dari banyaknya waktu yang digunakan. Masukkan data Kode_waktu yaitu (-2. Periode waktu yang berada ditengah-tengah dari semua waktu yang digunakan mempunyai kode 0. 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 . 1.

Setelah semua data terisi maka data editor di close. Linear regression… maka akan muncul menu seperti gambar di bawah ini 9.7. maka akan tampil inputan seperti berikut ini : 8. Pada tampilan R Commander pilih menu Statistics. Fit models. 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 = 4477.60x 44 .80 + 495.

Sign up to vote on this title
UsefulNot useful