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

25 Median : 34.50 Maximum : 42. memiliki nilai : Minimum : 19. Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT.00 5 .00 Mean : 31. DOFI.6.80 Kuartil 3 : 39.00 Kuartil 1 : 23.

2111 19 23. Tekan Statistic.80 9.25 34.00 39. Mean sd 0% 25% 50% 75% 100% n 31.Untuk mengetahui standar deviasi. lakukan langkah berikut : 1.50 42 10 6 . Summaries. 2. Maka akan muncul tampilan seperti gambar di bawah ini. Numerical Summeries. kemudian tekan tombol OK.

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

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

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

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

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

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

4. Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0.04% b. Tekan icon R Commander pada desktop. Perintah mencari probabilitas binomial pada script window adalah dbinom (x.n.04 % 13 . 2.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.08704 atau jika dinyatakan dalam bentuk persentase sebesar 87. maka tuliskan pada script window dbinom (3.4) kemudian tekan tombol Submit 3.5.p). Maka output window muncul probabilitas 3 orang menerima BLT adalah 0.0. . X = 3 1.

4 ) kemudian tekan tombol OK 4.04 % 14 . Discrete distributions. Isi nilai n pada kotak binomial trials = 5 . Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. kemudian input probabilities of success dengan nilai probabilitas berhasil ( probabilities of success = 0. Tekan icon R Commander pada desktop.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.Atau 1. Pilih menu Distribution. 2. lalu Binomial probabilities 3. Binomial distribution.

2. lalu Binomial tail probabilities. Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. input binomial trial = 5. input probabilities of success = 0. Input nilai variabel value (s) = 2. kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4. 3.744 % 15 .c. Pilih menu Distribution. Tekan icon R Commander pada desktop. Binomial distribution. Discrete distributions. x ≤ 2 1.6 (karena yang ditanyakan yang tidak menerima BLT).31744 atau jika dinyatakan dalam bentuk persentase sebesar 31.

. maka tuliskan pada script window sum(dbinom (2:4 .5. 2. Tekan icon R Commander pada desktop.n.52 16 . Maka output window muncul probabilitas ada 2 sampai 4 orang yang tidak menerima BLT adalah 0.8352 atau jika dinyatakan dalam bentuk persentase sebesar 83. 2≤x≤4 1.6)) 3. Tekan submit 4.p)).d.0. Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x.

dengan syarat n ≤ 0. karena ada perubahan secara sistematis dalam probabilitas sukses seperti kejadian-kejadian yang diambil dari populasi. XT. Hypergeometrik distribution. distribusi hipergeomentrik adalah distribusi probabilitas diskrit yang tepat. proses Bernouli tidak dapat digunakan. 2.1. Hypergeometrik probabilities 17 . n) = ( N-XT Cn-X. untuk mendekati nilai probabilitas hipergeometrik dapat digunakan konsep distribusi binomial.. Tekan icon R Commander pada desktop. XT= 3. dapat digunakan program R. . Jika pengambilan sampling tanpa pengembalian digunakan dalam situasi sebaliknya dan memenuhi syarat proses Bernouli. n = 4 Untuk menyelesaikan persoalan distribusi Hipergeometrik. Suatu contoh acak berukuran n diambil dari populasi yang berukuran N. RUMUS DISTRIBUSI HIPERGEOMETRIK P (X | N. n dari N benda diklasifiksikan sebagai berhasil dan N – n benda diklasifikasikan sebagai gagal..DISTRIBUSI HIPERGEOMETRIK PENDAHULUAN Jika sampling dilakukan tanpa pengembalian dari kejadian sampling yang diambil dari populasi dengan kejadian-kejadian terbatas.05 N. CONTOH SOAL Dari enam kontraktor jalan. kemudian pilih menu Distributions. Banyaknya keberhasilan X dalam suatu percobaan hipergeometrik disebut peubah acak hipergeometrik.XTCX ) / NCn Ket : X = Jumlah sukses dalam sampel. Discrete distributions. berapakah probabilitas bahwa dua kontraktor telah berpengalaman selama lima tahun atau lebih ? Penyelesaian Diketahui : X = 2.. N = 6. Langkahlangkahnya sebagai berikut : 1.2. pengambilan secara sampling dilakukan tanpa pengembalian menimbulkan efek teradap probabilitas sukses dalam setiap percobaan kecil..3. Percobaan hipergeometrik bercirikan dua sifat berikut: 1.n (nilai yang ditanyakan dalam probabilitas) N = Jumlah kejadian dalam populasi XT = Jumlah sukses dalam populasi n = Jumlah kejadian dalam sampel Apabila populasi besar dan sampel relatif kecil. tiga diantaranya telah berpengalaman selama lima tahun atau lebih. Jika empat kontraktor dipanggil secara random dari enam kontraktor tersebut. untuk X = 0.

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

bisa berarti bahwa adalah tidak mungkin untuk lebih dari satu nasabah yang dapat melewati jalan masuk dalam waktu satu detik. Untuk menghitung terjadinya suatu kedatangan yang mengikuti proses poisson digunakan rumus sebagai berikut : P ( x ) = (e –λ . t . misalkan 72 kedatangan setiap jam. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0. Aturan yang diikuti oleh kebanyakan ahli statistika adalah bahwa n cukup besar dan p cukup kecil. µ ) = (e – µ. semakin pendek interval. (λ.71828 µ = rata – rata keberhasilan = n . Pada pendekatan ini rumusnya lebih mudah untuk digunakan dibandingkan dengan rumus binomial. 2. Sebagai ilustrasi. 3. 1. Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata–rata untuk periode jam adalah. Rumus poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. Distribusi poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu. Tingkat kedatangan rata-rata setiap unit waktu adalah konstant. dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik sebagai berikut : 1. semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan. 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. µ X ) / X ! Dimana : e = 2.t) x ) / X! Dimana : λ = Tingkat rata–rata kedatangan tiap unit waktu t = Jumlah unit waktu x = Jumlah kedatangan dalam t unit waktu 19 . Dalam ilustrasi tadi. 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. 2.2 kedatangan setiap menit. 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. 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. 3 dan seterusnya. dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja tersebut. misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank.05 atau kurang dari 0. Poisson. Dalam ilustrasi tadi. misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada jam kantor. jika n adalah 20 atau lebih dari 20 dan p adalah 0. Jumlah kedatangan pada interval waktu tidak bergantung pada apa yang terjadi di interval waktu yang sudah lewat.DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Untuk menghitung probabilitas suatu peristiwa yang berdistribusi poisson digunakan rumus sebagai berikut P ( x . Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval pendek.05.

Angka 2 menunjukkan nilai X dan angka 3 menunjukkan nilai µ yang didapat dari perkalian n * p (100 * 3%).Contoh : Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. kemudian akan muncul tampilan seperti gambar di bawah ini.2240418 jika ditanyakan dalam bentuk prosentase ( % ) maka jawabannya adalah 22. Tekan icon R Commander pada desktop. Tuliskan pada Script window dpois(2. Langkah-langkahnya adalah sebagai berikut : 1. 3.2240418 * 100 ) 20 . Maka probabilitas 2 produk yang tidak sesuai standar adalah = 0. dapat digunakan program R. 2.40418% ( atau 0. Kemudian tekan tombol Submit. Maka berapakah probabilitas 2 produk yang tidak sesuai standar ? Untuk menyelesaikan persoalan distribusi poisson.3). Perusahaan memperkirakan 3 % diantara produk yang dihasilkan tidak sesuai dengan standar.

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

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

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

31901% 24 . Maka probabilitas kurang dari 2 produk yang tidak sesuai standar adalah 0.3.4231901 atau 42. Kemudian tekan tombol OK 4. Kemudian masukkan Variable value(s) = 2 (karena variabel yang diamati adalah 2) dan Mean = 3 (didapat dari n*p yaitu 100*3%) lalu pilih Lower tail (karena yang ditanyakan probabilitas kurang dari 2 orang).

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

kemudian akan muncul tampilan seperti gambar di bawah ini. Jika jumlah kedatangan bus tersebut berdistribusi normal.5 P( a1 ≤ z ≤ a2 )= nilai table a2 . Tekan icon R Commander pada desktop. 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. 26 .P( z ≤ a )= nilai tabel a + 0.

normal probabilities. b. e. Maka pada output window akan diperoleh p (x<300) = 0. c. d. a. Normal 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. Pilih Distributions. Continous distributions.999571 27 .2. Muncul Kotak dialog Normal probabilities.

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

4. 6. 5. Maka akan diperoleh p (x<225) = 0.04779035 Gambar kurvanya adalah….3. 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 antara 225-300 bus per jam ? 1. Input variabel Value(s) = 225 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 225 ) tekan ok.P (x < 225 ) 29 . 7. Untuk menghitung hasil ini dapat diperoleh dari P(x <300).

30 .04779035.95178065 2.0.999571 .04779035 = Atau jika menggunakan program R dapat mengikuti langkah berikut : Tekan icon R Commander pada desktop.0. kemudian akan muncul tampilan seperti gambar di bawah ini.    Klik kursor pada script window Tulis 0.  0.999571 . lalu tekan submit Maka akan tampil hasilnya yaitu 0.Maka dengan menggunakan kalkulator akan diperoleh hasil 0.9517807 pada output window.

kemudian akan muncul tampilan seperti gambar di bawah ini. Normal distributions. 2. Continous distributions.. Tekan icon R Commander pada desktop. 31 . Pilih 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.

6. 7. Input variabel Value(s) = 300 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih Upper tail p(x > 300) tekan ok. 4.. 5.0004290603 Gambar kurvanya adalah…. Maka akan diperoleh p (x > 300) = 0. 32 .3.

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

Fungsi Pengujian Distribusi t a. kemudian akan muncul tampilan seperti gambar di bawah ini. BEBERAPA MACAM PENGGUNAAN HIPOTESA Pengujian sampel dalam distribusi t dibedakan menjadi 2 jenis hipotesa. b. b. c. ikutilah langkah-langkah berikut : 1.25 Untuk menyelesaikan soal tersebut dengan menggunakan program R. 34 .DISTRIBUSI t PENDAHULUAN Pengujian hipotesis dengan distribusi t adalah pengujian hipotesis yang menggunakan distribusi t sebagai uji statistik. maka Perusahaan melakukan pengujian terhadap 10 kaleng minuman dan diketahui rata–rata sampel (ratarata kandungan alkohol) 1. Karena itulah Distribusi t biasanya disebut Distribusi Student. Tabel pengujiannya disebut tabel t-student. d.25 %. Gosset bekerja pada perusahaan bir Irlandia yang melarang penerbitan penelitian oleh karyawannya. Menunjukkan batas penerimaan suatu hipotesis.95  = 5% = 0. Pada waktu itu.1 CONTOH SOAL : Sebuah Perusahaan minuman meramalkan bahwa minuman hasil produksinya mempunyai kandungan alkohol sebesar 1. Hasil uji statistiknya kemudian dibandingkan dengan nilai yang ada pada tabel untuk kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan. Gosset. Ciri–ciri Distribusi t a.95 % dengan simpangan baku 0.Rata Rumus : to = (x . Untuk menguji hipotesis tentang rata–rata suatu sampel. Tekan icon R Commander pada desktop. Untuk menguji suatu pernyataan apakah sudah layak untuk dipercaya.85 % per botol.85 x = 1. ) / (s / ( n)) Ket : to = t hitung x = rata–rata sampel  = rata–rata populasi s = standar deviasi n = jumlah sampel Db = n. yaitu : Satu Rata . Untuk menguji apakah hipotesa tersebut benar. Sampel yang diuji berukuran kecil ( n < 30 ). Untuk mengelakkan larangan ini dia menerbitkan karyanya secara rahasia dibawah nama ‘Student’. Apakah hasil penelitian tersebut sesuai dengan hipotesa awal Perusahaan ? (selang kepercayaan 95 %) Jawab : Dik :  = 1. Penentuan nilai tabel dilihat dari besarnya tingkat signifikan () dan besarnya derajat bebas (db). S. Untuk memperkirakan interval rata–rata.05 n = 10 s = 0. Distribusi t pertama kali diterbitkan pada tahun 1908 dalam suatu makalah oleh W.

t distribution. Maka pada output window akan terlihat hasil nilainya.  = 0. 35 .025 Db = n – 1 = 10 – 1 = 9 4.1). t quantiles 3.2. 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. continuous distributions. Pilih menu Distribution.

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

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

 = 0.01 Db = n1+n2 – 2 = 17+15-2 = 30 4. 5.2). Maka pada output window akan terlihat hasil nilainya 38 . Maka akan tampil inputan seperti ini. Kemudian masukkan nilai probabillitas (nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db= (n1 + n2 .3.

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

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

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

Selisih antara tahun yang satu dengan tahun berikutnya pada periode waktu analisis deret berkala yang menunjukkan bilangan ganjil adalah satu. dan 2 ) pada kolom X Kode waktu dalam analisis deret berkala besarnya tergantung dari banyaknya waktu yang digunakan. Masukkan data Penjualan (seperti pada tabel soal) pada kolom Y 6. dapat dilakukan dengan cara double click pada var1 pada data editor 4. Ubah nama variable var1 menjadi Y dan tipe variable menjadi numeric. 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 . Penentuan kode waktu ini dilakukan dengan terlebih dahulu membagi banyaknya waktu yang digunakan menjadi dua bagian. Masukkan data Kode_waktu yaitu (-2. Periode waktu yang berada ditengah-tengah dari semua waktu yang digunakan mempunyai kode 0. Lakukan langkah di atas untuk mengubah variabel var2 menjadi X dan tipe variabel menjadi numeric 5. 1. -1. 0.3.

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

80 + 495. 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 .10.

Sign up to vote on this title
UsefulNot useful