Modul Sun Statistik

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

Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT.00 5 .00 Kuartil 1 : 23.25 Median : 34. memiliki nilai : Minimum : 19.00 Mean : 31. DOFI.6.50 Maximum : 42.80 Kuartil 3 : 39.

2. Numerical Summeries. kemudian tekan tombol OK.2111 19 23. Tekan Statistic. lakukan langkah berikut : 1.Untuk mengetahui standar deviasi.50 42 10 6 . Summaries.80 9. Mean sd 0% 25% 50% 75% 100% n 31. Maka akan muncul tampilan seperti gambar di bawah ini.00 39.25 34.

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

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

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

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

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

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

5. Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0.04 % 13 . 2.0. Perintah mencari probabilitas binomial pada script window adalah dbinom (x. maka tuliskan pada script window dbinom (3. . Maka output window muncul probabilitas 3 orang menerima BLT adalah 0.n.04% b.08704 atau jika dinyatakan dalam bentuk persentase sebesar 87.4. Tekan icon R Commander pada desktop.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.p).4) kemudian tekan tombol Submit 3. X = 3 1.

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

2. input binomial trial = 5. Tekan icon R Commander pada desktop. Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. 3. Input nilai variabel value (s) = 2. Discrete distributions. input probabilities of success = 0.31744 atau jika dinyatakan dalam bentuk persentase sebesar 31. kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4.c. Binomial distribution.744 % 15 .6 (karena yang ditanyakan yang tidak menerima BLT). x ≤ 2 1. Pilih menu Distribution. lalu Binomial tail probabilities.

.n.0. 2.d.52 16 .p)). Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x. Maka output window muncul probabilitas ada 2 sampai 4 orang yang tidak menerima BLT adalah 0. 2≤x≤4 1. maka tuliskan pada script window sum(dbinom (2:4 . Tekan submit 4.6)) 3.5. Tekan icon R Commander pada desktop.8352 atau jika dinyatakan dalam bentuk persentase sebesar 83.

3. proses Bernouli tidak dapat digunakan. Percobaan hipergeometrik bercirikan dua sifat berikut: 1. Langkahlangkahnya sebagai berikut : 1. XT. RUMUS DISTRIBUSI HIPERGEOMETRIK P (X | N. Hypergeometrik distribution. XT= 3. N = 6.1.XTCX ) / NCn Ket : X = Jumlah sukses dalam sampel. karena ada perubahan secara sistematis dalam probabilitas sukses seperti kejadian-kejadian yang diambil dari populasi. n) = ( N-XT Cn-X. untuk X = 0. kemudian pilih menu Distributions. Suatu contoh acak berukuran n diambil dari populasi yang berukuran N... Jika pengambilan sampling tanpa pengembalian digunakan dalam situasi sebaliknya dan memenuhi syarat proses Bernouli. tiga diantaranya telah berpengalaman selama lima tahun atau lebih. 2. pengambilan secara sampling dilakukan tanpa pengembalian menimbulkan efek teradap probabilitas sukses dalam setiap percobaan kecil. Banyaknya keberhasilan X dalam suatu percobaan hipergeometrik disebut peubah acak hipergeometrik. Jika empat kontraktor dipanggil secara random dari enam kontraktor tersebut.05 N. CONTOH SOAL Dari enam kontraktor jalan. Discrete distributions. Tekan icon R Commander pada desktop. dengan syarat n ≤ 0.DISTRIBUSI HIPERGEOMETRIK PENDAHULUAN Jika sampling dilakukan tanpa pengembalian dari kejadian sampling yang diambil dari populasi dengan kejadian-kejadian terbatas. n = 4 Untuk menyelesaikan persoalan distribusi Hipergeometrik. distribusi hipergeomentrik adalah distribusi probabilitas diskrit yang tepat..2. .. dapat digunakan program R. untuk mendekati nilai probabilitas hipergeometrik dapat digunakan konsep distribusi binomial. n dari N benda diklasifiksikan sebagai berhasil dan N – n benda diklasifikasikan sebagai gagal. Hypergeometrik probabilities 17 .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.

Jumlah kejadian dalam sampel ) = 4. yaitu 0.2. Maka akan tampil seperti berikut : 4. 18 . kemudian tekan tombol OK 3. 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.jumlah gagal dalam populasi atau = lawan dari nilai m) = 3 Masukkan nilai k (the number of balls drawn from the urn .6. maka lihat output Pr yang 2. karena banyaknya nilai yang diambil dari percobaan adalah 4.

05 atau kurang dari 0. Sebagai ilustrasi. 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. misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0.t) x ) / X! Dimana : λ = Tingkat rata–rata kedatangan tiap unit waktu t = Jumlah unit waktu x = Jumlah kedatangan dalam t unit waktu 19 . Aturan yang diikuti oleh kebanyakan ahli statistika adalah bahwa n cukup besar dan p cukup kecil. Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval pendek. Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata–rata untuk periode jam adalah. t . 1. 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 . Rumus poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. Dalam ilustrasi tadi. dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja tersebut.DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan. (λ. 3. semakin pendek interval. Dalam ilustrasi tadi.71828 µ = rata – rata keberhasilan = n . Untuk menghitung probabilitas suatu peristiwa yang berdistribusi poisson digunakan rumus sebagai berikut P ( x . dapat berarti bahwa kesempatan dari sebuah kedatangan di menit berikutnya adalah sama. misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada jam kantor. Pada pendekatan ini rumusnya lebih mudah untuk digunakan dibandingkan dengan rumus binomial. 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. dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik sebagai berikut : 1. 2. 2. 3 dan seterusnya. Tingkat kedatangan rata-rata setiap unit waktu adalah konstant. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang poisson untuk peluang binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam situasi tertentu. Jumlah kedatangan pada interval waktu tidak bergantung pada apa yang terjadi di interval waktu yang sudah lewat.05. jika n adalah 20 atau lebih dari 20 dan p adalah 0.2 kedatangan setiap menit. µ X ) / X ! Dimana : e = 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. misalkan 72 kedatangan setiap jam. Poisson. µ ) = (e – µ. Distribusi poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu.

Tuliskan pada Script window dpois(2. Angka 2 menunjukkan nilai X dan angka 3 menunjukkan nilai µ yang didapat dari perkalian n * p (100 * 3%).2240418 * 100 ) 20 . Maka berapakah probabilitas 2 produk yang tidak sesuai standar ? Untuk menyelesaikan persoalan distribusi poisson. Langkah-langkahnya adalah sebagai berikut : 1.Contoh : Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. dapat digunakan program R. Maka probabilitas 2 produk yang tidak sesuai standar adalah = 0. 3.40418% ( atau 0. Kemudian tekan tombol Submit.3). 2.2240418 jika ditanyakan dalam bentuk prosentase ( % ) maka jawabannya adalah 22. kemudian akan muncul tampilan seperti gambar di bawah ini. Perusahaan memperkirakan 3 % diantara produk yang dihasilkan tidak sesuai dengan standar. Tekan icon R Commander pada desktop.

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

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

kemudian akan muncul tampilan seperti gambar di bawah ini. 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. Tekan icon R Commander pada desktop. Poisson tail probabilities. Maka langkah penyelesaiannya adalah : 1.5768099 atau 57. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. Discrete distribution. Poisson distribution.68099% Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Maka probabilitas lebih dari 2 produk yang tidak sesuai standar adalah 0. 23 . Pilih menu Distributions. 2.4.

3. Kemudian tekan tombol OK 4.31901% 24 .4231901 atau 42. 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).

didapat dengan cara melakukan transformasi nilai-nilai pengukuran ke dalam bentuk bakunya ( nilai Z ). nilai hasil ujian dan lain-lain. dan ≤ diabaikan. Distribusi normal ini memiliki ciri yaitu n ≥ 30 dan n. Banyak kejadian yang dapat dinyatakan dalam data hasil observasi per eksperimen yang mengikuti distribusi normal. berat badan.5 + nilai tabel -a 25 . Banyaknya kejadian yang terdistribusi normal. Perhitungan probabilitas suatu sampel yang diambil. tanda =.DISTRIBUSI NORMAL Pendahuluan Distribusi normal adalah suatu distribusi yang digunakan untuk mengetahui probabilitas yang telah diketahui rata-rata ( µ ) dan standar deviasinya ( σ ). Distribusi normal sering digunakan dalam berbagai penelitian. jadi hanya ada tanda > dan <.nilai tabel a P( z ≥ -a ) = 0. 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. isi sebuah botol. ≥ .p ≥ 5.5 . antara lain tinggi badan.

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

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

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

4. Maka akan diperoleh p (x<225) = 0.P (x < 225 ) 29 .04779035 Gambar kurvanya adalah…. 7. Jika jumlah kedatangan bus tersebut berdistribusi normal berapa probabilitas dari kedatangan bus antara 225-300 bus per jam ? 1. 5.3. Input variabel Value(s) = 225 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 225 ) tekan ok. Untuk menghitung hasil ini dapat diperoleh dari P(x <300). Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam. 6.

Maka dengan menggunakan kalkulator akan diperoleh hasil 0.95178065 2.999571 .999571 .0.0. 30 .  0.04779035.04779035 = Atau jika menggunakan program R dapat mengikuti langkah berikut : Tekan icon R Commander pada desktop. kemudian akan muncul tampilan seperti gambar di bawah ini.    Klik kursor pada script window Tulis 0.9517807 pada output window. lalu tekan submit Maka akan tampil hasilnya yaitu 0.

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

Maka akan diperoleh p (x > 300) = 0. 7. 6.0004290603 Gambar kurvanya adalah….3. Input variabel Value(s) = 300 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih Upper tail p(x > 300) tekan ok. 5.. 32 . 4.

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

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

35 . Maka pada output window akan terlihat hasil nilainya.1).2. t quantiles 3. Maka pada tampilan window R-commander akan muncul tampilan t Quantiles.  = 0. Pilih menu Distribution. continuous distributions. Kemudian masukkan nilai probabillitas(nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db = n .025 Db = n – 1 = 10 – 1 = 9 4. t distribution.

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

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

Maka akan tampil inputan seperti ini. Maka pada output window akan terlihat hasil nilainya 38 .3.01 Db = n1+n2 – 2 = 17+15-2 = 30 4. Kemudian masukkan nilai probabillitas (nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db= (n1 + n2 . 5.  = 0.2).

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

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

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

Periode waktu yang berada ditengah-tengah dari semua waktu yang digunakan mempunyai kode 0. Penentuan kode waktu ini dilakukan dengan terlebih dahulu membagi banyaknya waktu yang digunakan menjadi dua bagian. 1. 0. Masukkan data Kode_waktu yaitu (-2. 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. 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 . Lakukan langkah di atas untuk mengubah variabel var2 menjadi X dan tipe variabel menjadi numeric 5. -1. Ubah nama variable var1 menjadi Y dan tipe variable menjadi numeric. Selisih antara tahun yang satu dengan tahun berikutnya pada periode waktu analisis deret berkala yang menunjukkan bilangan ganjil adalah satu. dapat dilakukan dengan cara double click pada var1 pada data editor 4.3.

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. maka akan tampil inputan seperti berikut ini : 8. Linear regression… maka akan muncul menu seperti gambar di bawah ini 9.7. Pada tampilan R Commander pilih menu Statistics. kemudian tekan tombol OK 43 .

80 + 495.10. 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 .

Sign up to vote on this title
UsefulNot useful