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 : 19.00 5 .50 Maximum : 42.00 Mean : 31. Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT.6. DOFI.25 Median : 34.80 Kuartil 3 : 39.00 Kuartil 1 : 23.

kemudian tekan tombol OK.00 39. Summaries.50 42 10 6 .25 34.2111 19 23. Maka akan muncul tampilan seperti gambar di bawah ini.80 9. Mean sd 0% 25% 50% 75% 100% n 31. 2. lakukan langkah berikut : 1.Untuk mengetahui standar deviasi. Numerical Summeries. Tekan Statistic.

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

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

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

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. Perlu diingat bahwa kejadian yang menjadi pertanyaan ataupun ditanyakan dari suatu permasalahan bisa dikategorikan sebagai kejadian “sukses atau berhasil”. Peluang berhasil atau sukses disimbolkan dengan p dan dalam setiap ulangan nilai p tetap. Setiap ulangan bersifat bebas (independent) satu dengan lainnya. Keduanya berusaha mencari kemungkinan yang timbul dari suatu peristiwa/kejadian yang ada. Selain itu perlu diperhatikan juga penggunaan simbol yang tepat misalnya :    Kurang dari disimbolkan dengan < Lebih dari disimbolkan dengan > Paling banyak disimbolkan dengan ≤ 10 .05 Distribusi poisson digunakan jika besarnya sampel (n) ≥ 20 (lebih dari 20 atau sama dengan 20) dan nilai peluang berhasil dalam setiap ulangan (p) ≤ 0. kita dapat memberi label “berhasil” untuk pengambilan kartu warna merah dan label “gagal” untuk pengambilan kartu warna hitam ataupun sebaliknya. Catatan Untuk memberikan kemudahan dalam membedakan antara nilai p dan nilai q. Hasil setiap ulangan dapat dikategorikan dalam 2 kelas Misal :  “berhasil” atau “gagal”  “ya” atau “tidak”  “success” atau “failed” c.DISTRIBUSI BINOMIAL Pendahuluan Distribusi binomial merupakan suatu proses distribusi probabilitas yang dapat digunakan apabila suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli.05 atau sama dengan 0. Dari contoh di atas dapat diberikan suatu label “berhasil” untuk sisi gambar dan label “gagal” untuk sisi angka ataupun sebaliknya. 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. Begitu juga dengan pengambilan kartu. Proses Bernoulli adalah suatu proses probabilitas yang dapat dilakukan berulang kali.05) Adapun ciri-ciri atau karakteristik distribusi binomial antara lain : a. 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”.05 (kurang dari 0. dimana p = 1 . Dengan demikian kejadian yang menjadi pertanyaan dari suatu permasalahan dapat disimbolkan dengan p.  Dalam pengambilan kartu yang dilakukan secara berturut-turut. Banyaknya keberhasilan dalam peubah acak disimbolkan dengan x e. Sebenarnya ada sedikit persamaan antara distribusi binomial dengan distribusi poisson. Hasil setiap pelemparan uang logam tersebut hanya mungkin muncul sisi gambar atau angka saja.p d. Percobaan diulang sebanyak n kali b.q sedangkan peluang gagal dinyatakan dengan q dimana q = 1 .

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

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

Tekan icon R Commander pada desktop. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0.p).4.04% b.08704 atau jika dinyatakan dalam bentuk persentase sebesar 87. Perintah mencari probabilitas binomial pada script window adalah dbinom (x.5.04 % 13 . 2.4) kemudian tekan tombol Submit 3.0.n. X = 3 1. . Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23. maka tuliskan pada script window dbinom (3.

Isi nilai n pada kotak binomial trials = 5 . lalu Binomial probabilities 3. Discrete distributions. Binomial distribution.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.Atau 1.04 % 14 . Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. Pilih menu Distribution. kemudian input probabilities of success dengan nilai probabilitas berhasil ( probabilities of success = 0. Tekan icon R Commander pada desktop. 2.4 ) kemudian tekan tombol OK 4.

Input nilai variabel value (s) = 2. 3. lalu Binomial tail probabilities. Tekan icon R Commander pada desktop.c.31744 atau jika dinyatakan dalam bentuk persentase sebesar 31. Binomial distribution. kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4. 2. x ≤ 2 1. Discrete distributions. Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. Pilih menu Distribution.6 (karena yang ditanyakan yang tidak menerima BLT). input probabilities of success = 0. input binomial trial = 5.744 % 15 .

d. 2≤x≤4 1. Tekan icon R Commander pada desktop. Tekan submit 4. maka tuliskan pada script window sum(dbinom (2:4 . Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x. .6)) 3.n.0.p)). 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. 2.5.52 16 .

Langkahlangkahnya sebagai berikut : 1. RUMUS DISTRIBUSI HIPERGEOMETRIK P (X | N. dapat digunakan program R.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... XT. karena ada perubahan secara sistematis dalam probabilitas sukses seperti kejadian-kejadian yang diambil dari populasi. Percobaan hipergeometrik bercirikan dua sifat berikut: 1.3.. n = 4 Untuk menyelesaikan persoalan distribusi Hipergeometrik. untuk X = 0. XT= 3. CONTOH SOAL Dari enam kontraktor jalan. n) = ( N-XT Cn-X. 2.1. untuk mendekati nilai probabilitas hipergeometrik dapat digunakan konsep distribusi binomial. Suatu contoh acak berukuran n diambil dari populasi yang berukuran N. n dari N benda diklasifiksikan sebagai berhasil dan N – n benda diklasifikasikan sebagai gagal. Jika empat kontraktor dipanggil secara random dari enam kontraktor tersebut. . tiga diantaranya telah berpengalaman selama lima tahun atau lebih. dengan syarat n ≤ 0. proses Bernouli tidak dapat digunakan. pengambilan secara sampling dilakukan tanpa pengembalian menimbulkan efek teradap probabilitas sukses dalam setiap percobaan kecil. Hypergeometrik probabilities 17 . Tekan icon R Commander pada desktop. kemudian pilih menu Distributions. Hypergeometrik distribution.XTCX ) / NCn Ket : X = Jumlah sukses dalam sampel. Banyaknya keberhasilan X dalam suatu percobaan hipergeometrik disebut peubah acak hipergeometrik.05 N.DISTRIBUSI HIPERGEOMETRIK PENDAHULUAN Jika sampling dilakukan tanpa pengembalian dari kejadian sampling yang diambil dari populasi dengan kejadian-kejadian terbatas.. Discrete distributions. Jika pengambilan sampling tanpa pengembalian digunakan dalam situasi sebaliknya dan memenuhi syarat proses Bernouli. N = 6.2. distribusi hipergeomentrik adalah distribusi probabilitas diskrit yang tepat. berapakah probabilitas bahwa dua kontraktor telah berpengalaman selama lima tahun atau lebih ? Penyelesaian Diketahui : X = 2.

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

jika n adalah 20 atau lebih dari 20 dan p adalah 0. Aturan yang diikuti oleh kebanyakan ahli statistika adalah bahwa n cukup besar dan p cukup kecil. 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. 1. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang poisson untuk peluang binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam situasi tertentu. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0. Dalam ilustrasi tadi.71828 µ = rata – rata keberhasilan = n . Jumlah kedatangan pada interval waktu tidak bergantung pada apa yang terjadi di interval waktu yang sudah lewat. 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. µ X ) / X ! Dimana : e = 2. Tingkat kedatangan rata-rata setiap unit waktu adalah konstant.t) x ) / X! Dimana : λ = Tingkat rata–rata kedatangan tiap unit waktu t = Jumlah unit waktu x = Jumlah kedatangan dalam t unit waktu 19 . 3 dan seterusnya.05 atau kurang dari 0. (λ.2 kedatangan setiap menit. dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja tersebut. semakin pendek interval. Dalam ilustrasi tadi. Sebagai ilustrasi. 2. Rumus poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. Poisson.DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank. Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata–rata untuk periode jam adalah. misalkan 72 kedatangan setiap jam. Untuk menghitung terjadinya suatu kedatangan yang mengikuti proses poisson digunakan rumus sebagai berikut : P ( x ) = (e –λ . dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik sebagai berikut : 1. Distribusi poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu. µ ) = (e – µ. t . Pada pendekatan ini rumusnya lebih mudah untuk digunakan dibandingkan dengan rumus binomial. bisa berarti bahwa adalah tidak mungkin untuk lebih dari satu nasabah yang dapat melewati jalan masuk dalam waktu satu detik. misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada jam kantor. dapat berarti bahwa kesempatan dari sebuah kedatangan di menit berikutnya adalah sama. semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan. 3.05. 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. 2. 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 probabilitas 2 produk yang tidak sesuai standar adalah = 0. Maka berapakah probabilitas 2 produk yang tidak sesuai standar ? Untuk menyelesaikan persoalan distribusi poisson. Angka 2 menunjukkan nilai X dan angka 3 menunjukkan nilai µ yang didapat dari perkalian n * p (100 * 3%). dapat digunakan program R. kemudian akan muncul tampilan seperti gambar di bawah ini.2240418 * 100 ) 20 .Contoh : Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya.2240418 jika ditanyakan dalam bentuk prosentase ( % ) maka jawabannya adalah 22. Kemudian tekan tombol Submit. 2.3). Tekan icon R Commander pada desktop. Langkah-langkahnya adalah sebagai berikut : 1. Perusahaan memperkirakan 3 % diantara produk yang dihasilkan tidak sesuai dengan standar.40418% ( atau 0. 3. Tuliskan pada Script window dpois(2.

poisson distribution.Atau cara lain tekan icon R commander. pilih menu Distributions.40% 21 .2240 atau 22. discreate distribution. poisson probabilities Kemudian masukan mean = 3 ( didapat dari n * p ) = 100 * 3% Lihat di kolom paling kiri x = 2 yaitu 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 Upper tail (karena yang ditanyakan probabilitas lebih dari 2 orang). 2.Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. 3. Poisson distribution. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. Kemudian tekan tombol OK 22 . kemudian akan muncul tampilan seperti gambar di bawah ini. Discrete distribution. Maka berapakah probabilitas lebih dari 2 produk yang tidak sesuai standar ? Jika dalam contoh kasus ditanyakan probabilitas lebih dari 2 produk yang tidak sesuai standar. Pilih menu Distributions. Tekan icon R Commander pada desktop. Poisson tail probabilities. Maka langkah penyelesaiannya adalah : 1.

Pilih menu Distributions. 23 . Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. kemudian akan muncul tampilan seperti gambar di bawah ini.68099% Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya.4. Maka langkah penyelesaiannya adalah : 1. Poisson distribution. Discrete distribution. Tekan icon R Commander pada desktop.5768099 atau 57. Poisson tail probabilities. Maka probabilitas lebih dari 2 produk yang tidak sesuai standar adalah 0. 2. Maka berapakah probabilitas kurang dari 2 produk yang tidak sesuai standar ? Jika dalam contoh kasus ditanyakan probabilitas kurang dari 2 produk yang tidak sesuai standar.

4231901 atau 42. Kemudian masukkan Variable value(s) = 2 (karena variabel yang diamati adalah 2) dan Mean = 3 (didapat dari n*p yaitu 100*3%) lalu pilih Lower tail (karena yang ditanyakan probabilitas kurang dari 2 orang). Kemudian tekan tombol OK 4. Maka probabilitas kurang dari 2 produk yang tidak sesuai standar adalah 0.3.31901% 24 .

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

26 .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. berapa probabilitas dari tiap kedatangan bus kurang dari 300 bus per jam ? Langkah-langkah penyelesaian kasus 1. Jika jumlah kedatangan bus tersebut berdistribusi normal. Tekan icon R Commander pada desktop.P( z ≤ a )= nilai tabel a + 0.5 P( a1 ≤ z ≤ a2 )= nilai table a2 .

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

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

Jika jumlah kedatangan bus tersebut berdistribusi normal berapa probabilitas dari kedatangan bus antara 225-300 bus per jam ? 1. Untuk menghitung hasil ini dapat diperoleh dari P(x <300).04779035 Gambar kurvanya adalah…. Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam. 7. 4.3.P (x < 225 ) 29 . 6. Input variabel Value(s) = 225 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 225 ) tekan ok. Maka akan diperoleh p (x<225) = 0. 5.

 0.Maka dengan menggunakan kalkulator akan diperoleh hasil 0.95178065 2. lalu tekan submit Maka akan tampil hasilnya yaitu 0.9517807 pada output window. 30 .0. kemudian akan muncul tampilan seperti gambar di bawah ini.    Klik kursor pada script window Tulis 0.999571 .0.999571 .04779035.04779035 = Atau jika menggunakan program R dapat mengikuti langkah berikut : Tekan icon R Commander pada desktop.

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

. Maka akan diperoleh p (x > 300) = 0. 32 . 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. 4.3.0004290603 Gambar kurvanya adalah…. 7. 6.

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

Apakah hasil penelitian tersebut sesuai dengan hipotesa awal Perusahaan ? (selang kepercayaan 95 %) Jawab : Dik :  = 1. S. maka Perusahaan melakukan pengujian terhadap 10 kaleng minuman dan diketahui rata–rata sampel (ratarata kandungan alkohol) 1. Untuk memperkirakan interval rata–rata.95  = 5% = 0. Sampel yang diuji berukuran kecil ( n < 30 ). Menunjukkan batas penerimaan suatu hipotesis.25 Untuk menyelesaikan soal tersebut dengan menggunakan program R. b. yaitu : Satu Rata . Distribusi t pertama kali diterbitkan pada tahun 1908 dalam suatu makalah oleh W. Untuk menguji apakah hipotesa tersebut benar.85 % per botol. Untuk menguji suatu pernyataan apakah sudah layak untuk dipercaya. ikutilah langkah-langkah berikut : 1. Tekan icon R Commander pada desktop.25 %. Karena itulah Distribusi t biasanya disebut Distribusi Student.85 x = 1.05 n = 10 s = 0. Pada waktu itu. b. Hasil uji statistiknya kemudian dibandingkan dengan nilai yang ada pada tabel untuk kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan. c.DISTRIBUSI t PENDAHULUAN Pengujian hipotesis dengan distribusi t adalah pengujian hipotesis yang menggunakan distribusi t sebagai uji statistik.1 CONTOH SOAL : Sebuah Perusahaan minuman meramalkan bahwa minuman hasil produksinya mempunyai kandungan alkohol sebesar 1. Penentuan nilai tabel dilihat dari besarnya tingkat signifikan () dan besarnya derajat bebas (db). BEBERAPA MACAM PENGGUNAAN HIPOTESA Pengujian sampel dalam distribusi t dibedakan menjadi 2 jenis hipotesa. Fungsi Pengujian Distribusi t a.95 % dengan simpangan baku 0. kemudian akan muncul tampilan seperti gambar di bawah ini. ) / (s / ( n)) Ket : to = t hitung x = rata–rata sampel  = rata–rata populasi s = standar deviasi n = jumlah sampel Db = n.Rata Rumus : to = (x . Tabel pengujiannya disebut tabel t-student. Gosset. Untuk mengelakkan larangan ini dia menerbitkan karyanya secara rahasia dibawah nama ‘Student’. Ciri–ciri Distribusi t a. Untuk menguji hipotesis tentang rata–rata suatu sampel. d. Gosset bekerja pada perusahaan bir Irlandia yang melarang penerbitan penelitian oleh karyawannya. 34 .

Maka pada tampilan window R-commander akan muncul tampilan t Quantiles.025 Db = n – 1 = 10 – 1 = 9 4. Pilih menu Distribution. Kemudian masukkan nilai probabillitas(nilai alfa) dan masukkan nilai derajat bebasnya (hasil dari Db = n . 35 . t quantiles 3. t distribution. continuous distributions. Maka pada output window akan terlihat hasil nilainya.2.  = 0.1).

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

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

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

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

Model yang digunakan dalam analisis deret berkala dibuat berdasarkan asumsi bahwa antara nilai variabel dan waktu mempunyai hubungan linear. metode semi rata-rata (semi average method). metode yang paling sering digunakan untuk menentukan persamaan trend adalah metode kuadrat terkecil.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. 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. 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. Meramal (forecast) nilai suatu variabel pada suatu waktu tertentu. Komponen-komponen tersebut adalah trend sekuler (secular trend). A2 Metode Kuadrat Terkecil (Least Square Method) Dalam analisis deret berkala. variasi musiman. Mengetahui kecenderungan nilai suatu variabel dari waktu ke waktu. dan metode kuadrat terkecil (least square method). Persamaan garis trend linearnya adalah : Y = a + bx Dimana: Y : nilai variable yang akan ditentukan a : nilai Y apabila X sama dengan nol b : kemiringan (slope) garis trend x : periode waktu dan tahun dasar 40 . yaitu metode bebas (free hand method). Persamaannya adalah sebagai berikut : ∆ = A2 .ANALISIS DERET BERKALA PENDAHULUAN Analisis deret berkala merupakan prosedur analisis yang dapat digunakan untuk mengetahui gerak perubahan nilai suatu variabel sebagai akibat dari perubahan waktu. fluktuasi siklis. juga dapat digunakan untuk meramal nilai suatu variable tersebut pada suatu waktu tertentu.d. selain dapat digunakan untuk mengetahui kecenderungan nilai suatu variabel dari waktu ke waktu. KOMPONEN Terdapat empat komponen yang dapat mempengaruhi nilai suatu variabel dari waktu ke waktu. TREND SEKULER Trend sekuler merupakan perubahan nilai variabel yang relatif stabil dari waktu ke waktu. Analisis deret berkala bertujuan untuk: a. dan gerak tak beraturan. b. Metode Semi Rata-rata (Semi Average Method) Persamaan trend yang diperoleh dengan menggunakan metode ini. sehingga dalam menentukan suatu model akan sangat baik dengan menggunakan analisis trend.

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

3. 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. -1. Masukkan data Kode_waktu yaitu (-2. dapat dilakukan dengan cara double click pada var1 pada data editor 4. 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 . Ubah nama variable var1 menjadi Y dan tipe variable menjadi numeric. Penentuan kode waktu ini dilakukan dengan terlebih dahulu membagi banyaknya waktu yang digunakan menjadi dua bagian. 0. Lakukan langkah di atas untuk mengubah variabel var2 menjadi X dan tipe variabel menjadi numeric 5. 1. Periode waktu yang berada ditengah-tengah dari semua waktu yang digunakan mempunyai kode 0. dan 2 ) pada kolom X Kode waktu dalam analisis deret berkala besarnya tergantung dari banyaknya waktu yang digunakan.

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 9.7. Setelah semua data terisi maka data editor di close. Fit models. kemudian tekan tombol OK 43 . maka akan tampil inputan seperti berikut ini : 8. Pada tampilan R Commander pilih menu Statistics.

Maka akan muncul hasil pada output window sebagai berikut : Catatan : yang dilihat hanya pada bagian estimate saja Maka didapat fungsi persamaan trend linier (y = a+bx) dari penjualan ponsel tersebut adalah Y = 4477.80 + 495.60x 44 .10.