Student Guide Book

Subject:
Statistics and Probability
(ENG200801)

Teaching Team:
Ardiansyah
Arian Dhini
Arifin Djauhari
Deni Ferdian
Fia Fridayanti Adam
Harinaldi
Rini Prastyani
Setiadi
Tania Surya Utami
Titin Siswantining

Faculty of Engineering
University of Indonesia
2011
This book is for non-commercial education purpose only.
It contains figures, tables, chart, materials taken from various references.

Preface
The knowledge of statistics and probability plays some important roles in many fields of
engineering either in engineering research works or in the industrial application. In many
situations, data processing and analysis heavily rely on the application of statistical methods in
which their utilization will provide the basics for logical explanations about the relations that
occur between variables of interest. As a subject of basic engineering science course to
undergraduate program, Statistics and Probability will provide the basic knowledge and skills to
the students to handle data and information appropriately starting from descriptive statistics to
inferential statistics stages.
This guidebook is intended to provide guidelines for students taking this subject. By reading this
guidebook, it is expected that students understand the learning objectives and should be able to
prepare themselves prior to each topic. It is also to guide students in working in group so that
they may make the most of the group exercises. Any comments, critics, correction to this
guidebook is thankfully accepted.

Depok, January 17th 2011

Teaching Team:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.

Ardiansyah
Arian Dhini
Arifin Djauhari
Deni Ferdian
Fia Fridayanti Adam
Harinaldi
Rini Prastyani
Setiadi
Tania Surya Utami
Titin Siswantining

Table of Content
Endorsement Page
Preface
Table of Content
Chapter 1. General Information

Chapter 2. Learning Objectives

Chapter 3. Outlines of Subject

Chapter 4: Teaching Methods and Learning Activities

Chapter 5: Exercises and Assignments

11

Chapter 6. Assessment

14

References

16

Chapter

General Information
1. Subject

Statistics and Probability

2. Subject Code

ENG200801

3. Semester

4. Credit

3 SKS

5. Year

2010/2011

6. Type of Subject

Basic Engineering Subject (Mata Kuliah Dasar Teknik)

7. Prerequisite

None

8. Position of this subject in the curriculum structure of Bachelor of Engineering program

Fig. 1 Statistics and Probability position in the curriculum of Bachelor of Engineering program

Student Guide Book

Statistics and Probability ENG200801

9. Teaching Team

:
1.
2.
3.
4.
5.
6.
7.
8.
9.

Ardiansyah
Arian Dhini
Arifin Djauhari
Fia Fridayanti Adam
Harinaldi
Rini Prastyani
Setiadi
Tania Surya Utami
Titin Siswantining

10. Description of the subject

Statistics and probability is a branch of applied mathematics which t is widely used in scientific method in
collecting, classifying, summarizing, presenting, interpreting and analyzing data and information to
support valid and reliable conclusions. Furthermore, the conclusions will be the basis for decision making
process. The course of Statistics and Probability is intended to give a basic ability to a student to handle
quantitative data and information starting with descriptive stage which includes collecting, organizing,
and presenting the data in a scientific manner and then followed by inductive/inference stage which
includes the process of estimating and drawing conclusion based on available data and relations between
variables. Hence, the students are expected to be able to apply their knowledge of statistics in conducting
experiments for their laboratory works/assignments as well as research works in their final projects.
As a whole, the coverage of the Statistics and Probability course subject can be seen in Fig. 2 which
describe the position of the topics within the procedures of a scientific method.
Learning activities will be conducted through various method, which consists of: interactive lecture,
question-based learning, discussion, demonstration and unguided structured assignments, case study, field
assignment, etc. Assessment will be made continuously through a set of exercises, group discussion, mid
semester exam and final exam.
This guide book will help students prepare for learning activities throughout the semester for this subject.
Preparation may include reading, preparation of worksheet and practice. Achievement of students will
entirely be due to their activities and preparation. Construction of knowledge will be made through
exercises, and questions available in this book. Students are expected to do the exercises, and they may
move to further stage as they ready for that. Overall, students are expected to be active learners by
acquiring knowledge through thinking and exercising. Students may also use this guidebook to self-assess
their achievement.

Student Guide Book

Statistics and Probability ENG200801

Introduction to
Statistics and
Data Analysis

start

problems Identification

Sampling
collect available and relevant internal
and external facts

is available
facts
sufficient?

collect new data from population/sample

by using instruments, questionnaire,
interview, etc.

Y
classify, summarize, and process the
data and calculate numerical descriptive
measures

Descriptive
Statistics

present and communicate summarized

data in the form of tables, graphs, and
include the numerical values of
descriptive measures

Sampling
Distribution

Probability
Distribution

use the information from sample to::

1. Estimate the value of parameter
2. Test the assumption/hypothesis of
parameter

information
from sample
?

Probability
concepts

N
use the information from a census to
evaluate the alternative steps and to make
decisions

interpret the results, draw conclusions

and make decisions.

Inference
Techniques

- estimation
- hypothesis test
- regression and
correlation

finish

Figure 2. Scope Statistics and Probability within the course of scientific method

Student Guide Book

Statistics and Probability ENG200801

Chapter

Learning Objectives
2.1. Terminal Learning Objectives
Upon completion of this subject students are expected to be able to handle quantitative data and
information starting with descriptive stage which includes collecting, organizing, and presenting the data
in a scientific manner and then followed by inductive/inference stage which includes the process of
estimating and drawing conclusion based on available data and relations between variables.
2.2.

Supportive Learning Objectives

1. The students understand and can explain the role of statistics, its application in the engineering field
and basic procedure of problem solving based on scientific methods.
2. The students are able to properly collect raw data, to organize them in a frequency distribution and
eventually to present them in a histogram, polygon of frequency, bar graph, line graph, etc.
3. The students can calculate the descriptive measurement comprehensively including the central
tendency, dispersion, skewness and kurtosis measurements and then summarize and describe the
basic characteristics of data distribution.
4. The students are able to use the concepts of probability distribution, probability function/probability
density function , cumulative distribution/function for discrete as well as continuous variable.
5. The students can apply some theoretical discrete distributions (Bernoulli, binomial, negative
binomial, geometric, hyper geometric and Poisson) to solve some statistical problems related to
engineering works
6. The students can apply some theoretical continuous distributions (Gaussian/norml, gamma, chisquare, exponential, Weibull, lognormal) to solve some statistical problems related to engineering
works
7. The students can take proper steps to construct sampling distributions of the mean and proportion and
can calculate the mean and standard deviations of those sampling distributions.
8. The students are able to conduct mean statistical estimation of the mean, proportion and variance of
population based on data/information from sample.
9. The students can properly use hypothesis test procedures to draw conclusions in the problems
involving one or two variables and also some advanced hypothesis test procedures (ANOVA, Chisquare test).
10. The students are able to calculate and to interpret the meaning of regression equation and error
standard of estimations for simple linear regression analysis and then to use the measures obtained
from regression and correlation analysis to make interval estimation of dependent variable for
forecasting purposes.

Student Guide Book

Statistics and Probability ENG200801

Chapter

Outline of Subject
Supportive
Learning
Objective

Topic

1, 2

1. Introduction to Statistics
and Data Analysis

1.1 Overview : Statistical Inference,

Samples, Populations
1.2 The role of Statistics and the
Application in engineering
1.3 The role of computer in Statistics

[1] Chap.1
[2] Chap.1

1, 3

2. Descriptive Statistics

2.1. Discrete and Continuous Data

2.2. Sampling Procedures, Collection &
Organization of Data
2.3. Graphical Methods and Data
Description
2.4. Measure of Location : The sample
Mean & Median Exercise
2.5. Measure of variability

[1] Chap. 1
[2] Chap. 2

1, 3, 4

3. Probability

3.1 Concept of Probability : sample

space, events, counting sample points,
probability of an event
3.2 Probability of an Event
3.3 Rules in Probability : additive,
conditional, multiplicative, Bayes
Rule

[1] Chap. 2
[2] Chap. 3

1, 3, 4

4. Random Variable

4.1
4.2
4.3
4.4

Concept of Random variable

Discrete Probability Distribution
Continuous Probability Distribution
Probability Distribution with
parameter
4.5 Mean of Random Variable
4.6 Variance of Random Variable

[1] Chap. 3
and Chap 4
[2] Chap. 4

1, 4, 5

5. Some of Discrete
Probability Distribution

5.1 Discrete Uniform Distribution

5.2 Binomial and Multinomial
Distribution
5.3 Hypergeometric Distribution

[1] Chap.5
[2] Chap.5

Student Guide Book

Sub-topic

Statistics and Probability ENG200801

Reference

5.4 Negative Binomial & Geometric

Distribution
5.5 Poisson Distribution

1, 4, 6

1, 7

6. Some of Continuous
Probability Distribution

6.1
6.2
6.3
6.4
6.5
6.6

Continuous Uniform Distribution

Normal Distribution
Gamma & Exponential Distribution
Chi Square Distribution
Weibull Distribution
Lognormal Distribution

[1] Chap.6
[2] Chap.6

7. Sampling Distribution

7.1
7.2
7.3
7.4
7.5

Definition and Basic Concept

Sampling Distribution
Sampling Distribution of Means
Sampling distribution of Proporsion
Sampling Distribution of Variance

[1] Chap.8
[2] Chap.7

8. Estimation

8.1
8.2
8.3
8.4

1, 9

9. One and Two-Sample

Tests of Hypotheses

Inferential Statistics
Classical Method of estimation
Single Sample : Estimating the Mean
Two Samples : Estimating the
difference between Two Means
8.5 Single Sample : Estimating the
Proportion
8.6 Two samples : Estimating difference
between proportion
8.7 Single Sample : Estimating the
Variance
8.8 Two Samples : Estimating the Ration
between two variance
8.9 Sample Size Determination
9.1. Statistical Hypotheses : A General
Concept
9.2. Testing a Statistical Hypotheses
9.3. One or Two-tailed Tests
9.4. P values for decision making in
testing
9.5. One or Two samples : Test of
Means
9.6. One or Two samples : Test of
Proportion
9.7. One or Two samples : Test of
Variance
9.8. Chi square Test : Goodness of Fit,
Independence, Homogenity, Several
Proportion
9.9. ANOVA

1, 10

10. Simple Linear

Regression

10.1. Introduction to Linear Regression

10.2. Simple Linear Regression model

1, 7, 8

Student Guide Book

Statistics and Probability ENG200801

[1] Chap.9
[2] Chap.8

[1] Chap 9
and 10
[2] Chap.9,
10 and 11

[1] Chap 11
[2] Chap.12
6

1, 5, 6, 7, 10 11. Application of Statistics

in Engineering

10.3. Inferences concerning regression

coefficients
10.4. Simple Linear Correlation Analysis
11.1Statistics for Quality Control
11.2 Statistical Uncertainty
11.3 Time series analysis

[2] Chap. 14

Texbooks and Reference Books:

References :
[1] Harinaldi, Prinsip-prinsip Statistik untuk Teknik dan Sains, Erlangga, 2006.
[2] Devore, J.L., Probability and Statistics for Engineering and The Sciences (5th Ed.), Duxbury, 2000
[3] Barnes J.W, Statistical Analysis for Engineers and Scientists, a Computer-Based Approach, McGrawHill, 1994
[4] Donald H.S, Statistics, A First Course (6th Ed), McGraw-Hill, 2001
[5] Walpole, Ronald E, Probability & Statistics For Engineers & Scientist, 8th Ed, Pearson Prentice Hall,
2007

Student Guide Book

Statistics and Probability ENG200801

Chapter

Teaching Methods and

Learning Activities
Week
/Date

Week 1

Sub-topic

Supportive
Learning
Objective

1.1 Overview : Statistical

Inference, Samples,
Populations
1.2 The role of Statistics and the
Application in engineering
1.3 The role of computer in
Statistics

Week 2 2.1. Discrete and Continuous Data

Learning Methods
Orient Exercise Feedbac
ation
(L)
k (U)
(O)

Media
/
Modul

1, 2

Interact
ive
Lecture

Individual
Excercise,
Self Study

Modul 1

1, 3

Interact
ive
Lecture

Group
excersice,
Self Study

Modul 2

1, 3, 4

Interact
ive
Lecture

Individual
Excercise,
Self Study

Modul 3

1, 3, 4

Interact
ive
Lecture

2.2. Sampling Procedures,

Collection & Organization of
Data
2.3. Graphical Methods and Data
Description
2.4. Measure of Location : The
sample Mean & Median
Exercise
2.5. Measure of variability

Week 3 3.1 Concept of Probability : sample

space, events, counting sample
points, probability of an event
3.2 Probability of an Event
3.3 Rules in Probability : additive,
conditional, multiplicative,
Bayes Rule

Week 4 4.1 Concept of Random variable

4.2 Discrete Probability
Distribution
4.3 Continuous Probability
Student Guide Book

Statistics and Probability ENG200801

Modul 4

Distribution
4.4 Probability Distribution with
parameter
4.5 Mean of Random Variable
4.6 Variance of Random Variable

Week
5, 6

5.1 Discrete Uniform Distribution

5.2 Binomial and Multinomial
Distribution
5.3 Hypergeometric Distribution
5.4 Negative Binomial &
Geometric Distribution
5.5 Poisson Distribution

1, 4, 5

Interact
ive
Lecture

Individual
Excercise,
Self Study

Modul 5

Week
6, 7

6.1 Continuous Uniform

Distribution
6.2 Normal Distribution
6.3 Gamma & Exponential
Distribution
6.4 Chi Square Distribution
6.5 Weibull Distribution
6.6 Lognormal Distribution

1, 4, 6

Interact
ive
Lecture

Group
excersice,
Self Study

Modul 6

1, 7

Interact
ive
Lecture

Individual
Excercise,
Self Study

Modul 7

1, 7, 8

Interact
ive
Lecture

Individual
Excercise,
Self Study

Modul 8

1, 9

Interact
ive
Lecture

Group
excersice,
Self Study

Modul 9
and 10

Week 8 7.1 Definition and Basic Concept

7.2 Sampling Distribution
7.3 Sampling Distribution of Means
7.4 Sampling distribution of
Proporsion
7.5 Sampling Distribution of
Variance

Week 9 8.1 Inferential Statistics

Week
10, 11,
12

8.2 Classical Method of estimation

8.3 Single Sample : Estimating the
Mean
8.4 Two Samples : Estimating the
difference between Two Means
8.5 Single Sample : Estimating the
Proportion
8.6 Two samples : Estimating
difference between proportion
8.7 Single Sample : Estimating the
Variance
8.8 Two Samples : Estimating the
Ration between two variance
8.9 Sample Size Determination
9.1. Statistical Hypotheses : A
General Concept
9.2. Testing a Statistical Hypotheses
9.3. One or Two-tailed Tests

Student Guide Book

Statistics and Probability ENG200801

9.4. P values for decision making in

testing
9.5. One or Two samples : Test of
Means
9.6. One or Two samples : Test of
Proportion
9.7. One or Two samples : Test of
Variance
9.8. Chi square Test : Goodness of
Fit, Independence,
Homogenity, Several
Proportion
9.9. ANOVA

Week
13

Week
14

10.1. Introduction to Linear

Regression
10.2. Simple Linear Regression
model
10.3. Inferences concerning
regression coefficients
10.4. Simple Linear Correlation
Analysis
11.1 Statistics for Quality Control
11.2 Uncertainty of Statistics
11.3 Time Series Analysis

Student Guide Book

Individual
Excercise,
Self Study

Modul
11

1, 5, 6, 7, 10 Interact Individual

Modul
13

1, 10

Interact
ive
Lecture

ive
Lecture

Statistics and Probability ENG200801

Excercise,
Self Study

10

Chapter

Exercises and Assignments

Week
/Date

Sub-topic

Assignment
Group Assignment

Week 1

Assignment 1

1.1 Overview : Statistical

Inference, Samples,
Populations
1.2 The role of Statistics and the
Application in engineering
1.3 The role of computer in
Statistics

Week 2 2.1. Discrete and Continuous Data

2.2. Sampling Procedures,
Collection & Organization of
Data
2.3. Graphical Methods and Data
Description
2.4. Measure of Location : The
sample Mean & Median
Exercise
2.5. Measure of variability

Individual
Assignment

Data Collection, Data

Description (Minitab)
dan Measure of
Location & variability

Week 3 3.1 Concept of Probability : sample

Assignment 2

space, events, counting sample

points, probability of an event
3.2 Probability of an Event
3.3 Rules in Probability : additive,
conditional, multiplicative,
Bayes Rule

Week 4 4.1 Concept of Random variable

Assignment 3

4.2 Discrete Probability

Distribution
4.3 Continuous Probability
Distribution
4.4 Probability Distribution with
Student Guide Book

Statistics and Probability ENG200801

11

parameter
4.5 Mean of Random Variable
4.6 Variance of Random Variable

Week
5, 6

5.1 Discrete Uniform Distribution

5.2 Binomial and Multinomial
Distribution
5.3 Hypergeometric Distribution
5.4 Negative Binomial &
Geometric Distribution
5.5 Poisson Distribution

Week
6, 7

6.1 Continuous Uniform

Distribution
6.2 Normal Distribution
6.3 Gamma & Exponential
Distribution
6.4 Chi Square Distribution
6.5 Weibull Distribution
6.6 Lognormal Distribution

Assignment 4

Data Analysis
according to
characteristic of
distribution

Assignment 5

Week 8 7.1 Definition and Basic Concept

7.2 Sampling Distribution
7.3 Sampling Distribution of Means
7.4 Sampling distribution of
Proporsion
7.5 Sampling Distribution of
Variance

Assignment 6

Week 9 8.1 Inferential Statistics

Week
10, 11,
12

8.2 Classical Method of estimation

8.3 Single Sample : Estimating the
Mean
8.4 Two Samples : Estimating the
difference between Two Means
8.5 Single Sample : Estimating the
Proportion
8.6 Two samples : Estimating
difference between proportion
8.7 Single Sample : Estimating the
Variance
8.8 Two Samples : Estimating the
Ration between two variance
8.9 Sample Size Determination
9.1. Statistical Hypotheses : A
General Concept
9.2. Testing a Statistical Hypotheses
9.3. One or Two-tailed Tests
9.4. P values for decision making in
testing

Student Guide Book

Hypotheses Test on
Mean and Variance
Data

Statistics and Probability ENG200801

12

9.5. One or Two samples : Test of

Means
9.6. One or Two samples : Test of
Proportion
9.7. One or Two samples : Test of
Variance
9.8. Chi square Test : Goodness of
Fit, Independence,
Homogenity, Several
Proportion
9.9. ANOVA

Week
13

Week
14

10.5. Introduction to Linear

Regression
10.6. Simple Linear Regression
model
10.7. Inferences concerning
regression coefficients
10.8. Simple Linear Correlation
Analysis
11.1 Statistics for Quality Control
11.2 Uncertainty of Statistics
11.3 Time Series Analysis

Assignment 7

*Individual Assignment from Book Exercises according to chapter discussed

Student Guide Book

Statistics and Probability ENG200801

13

Chapter

Assessment and Code of Conduct

6.1. Instrument
1. Group assignments
2. Individual assignments
3. Quiz
4. Midsemester exam (written test, restricted response essay, extended response essay)
5. Final exam (written test, restricted response essay, extended response essay)
1.2. Assessment
No
1.
2.
3.
4.
5.

Component
Group Assignments
Individual Assignments
Quiz
Mid semester exam
Final exam
Total

Weight
15 %
10 %
10 %
30 %
35 %
100 %

5.3. Grading
85
A

80-84.9
A-

75-79.9
B+

70-74.9
B

65-69.9
B-

60-64.9
C+

55-59.9
C

50-54.9
C-

40 49.9
D

0-40
E

5.4. Code of Conduct

o
o
o
o

No cheating. Cheating will be sanctioned with E mark.

No sandals
No smoking
Attendance is required min 75 %. Why? Knowledge can be transferred through handout, but
values cant be! So, please come and we may share good values in life.

Student Guide Book

Statistics and Probability ENG200801

14

Matrix for Mid semester exam

Cognitive
Domain 1
C2
(comprehension)
C3 (application)
C4 (analysis)
Total

Instrument
Restricted response essay

Number of
question/problem
2

Restricted response essay

Extended response essay

2
1

Weight
20
40
40
100%

6.6. Matrix for Final Exam

Cognitive
Domain

Instrument

C3 (application)
C4 (analysis)

Restricted response essay

Restricted response essay (Analysis of
a case)

Number of
question/prob
lem
2
2

Total

Weight

40
60
100%

6.7. Examples of questions for mid semester and final exams.

Restricted response essay
C2 (Comprehension)

Dari daftar di bawah ini, sebutkan mana yang termasuk data diskrit maupun data kontinyu:
(a) banyaknya curah hujan (dalam milimeter) di kota Bogor dalam berbagai bulan selama
satu tahun
(b) kecepatan sebuah mobil dalam kilometer perjam
(c) Jumlah uang kertas Rp.100.000,- yang beredar di Indonesia dalam setiap saat
(d) Jumlah mahasiswa yang mendaftar di Universitas Indonesia pertahunnya selama dua
dekade terakhir
(e) Status perkawinan seseorang dalam suatu negara
(f) Jangkauan jarak tembak sebuah proyektil
C3 (Application)

Data waktu nyala (detik) dari material-material yang mudah terbakar:

2,58
2,51
4,04
6,43
1,58
4,32
2,20
4,79
6,20
1,52
1,38
3,87
4,54
5,12
5,50
5,92
4,56
2,46
6,90
1,47
2,11
6,75
5,84
8,80
7,40
4,72
3,62
2,46
1

4,19
5,15
2,32
8,75

Bloom Taxonomy

Student Guide Book

Statistics and Probability ENG200801

15

2,65
7,60
11,25
3,78
4,90
5,21

7,86
8,79
3,90
3,75
3,49
1,76

4,71
5,92
5,33
3,10
6,77
9,20

6,25
9,65
8,64
6,43
5,62
1,20

9,45
5,09
7,41
1,70
9,70
6,85

12,80
4,11
7,95
6,40
5,11
2,80

1,42
6,37
10,60
3,24
4,50
7,35

1,92
5,40
3,81
1,79
2,50
11,75

Tugas anda:
a. Tentukan jumlah kelas pengelompokan, interval, dan batas kelas.
b. Hitung mean, median, modus.
c. Hitung pula kemencengan, deviasi standar, kuartil pertama dan ketiga.
d. Hitung koefisien variasi serta gambarkan boxplot.
e. Analisis informasi yang anda peroleh di atas.
C4 (Analysis)

Manajer humas sebuah perusahaan penerbangan domestik prihatin atas meningkatnya jumah
pengaduan atas kerusakan bagasi yang menggunakan jasa penerbangan perusahaan tersebut.
Suatu sampel acak yang dicatat di dua bandar udara memberikan data sebagai berikut. Di
bandar udara A, dari 760 buah koper yang ditangani 44 diantaranya rusak. Di bandar udara B,
dari 830 buah koper yang ditangani 60 diantaranya mengalami kerusakan. Dengan
menggunakan tingkat kepentingan 0,05, tentukan apakah terdapat perbedaan yang berarti
terhadap klaim kerusakan bagasi di kedua terminal?

Student Guide Book

Statistics and Probability ENG200801

16

References
Textbooks and References
[1] Harinaldi, Prinsip-prinsip Statistik untuk Teknik dan Sains, Erlangga, 2006.
[2] Devore, J.L., Probability and Statistics for Engineering and The Sciences (5th Ed.), Duxbury, 2000
[3] Barnes J.W, Statistical Analysis for Engineers and Scientists, a Computer-Based Approach, McGrawHill, 1994
[4] Donald H.S, Statistics, A First Course (6th Ed), McGraw-Hill, 2001
[5] Walpole, Ronald E, Probability & Statistics For Engineers & Scientist, 8th Ed, Pearson Prentice Hall,
2007

Student Guide Book

Statistics and Probability ENG200801

17

1/27/2011

Tujuan Pembelajaran
Mendefinisikan arti dari terminologi-terminologi
penting dalam statistika
Memahami dan menjelaskan peranan statistik dan
penerapannya di bidang teknik
Memahami peranan komputer dan perangkat lunak
analisis data dalam pekerjaan yang berkaitan
dengan statistik

FTUI @2011

Pokok Bahasan
Definisi dan Pengertian
Peranan Statistik dan Penerapannya
di Bidang
g Teknik
Peranan Komputer dalam Statistik

Definisi dan Pengertian

STATISTIK
Pengertian umum:
metode ilmiah dalam mengumpulkan,
mengklasifikasikan, meringkas, menyajikan,
menginterpretasikan dan menganalisis data untuk
mendukung kesimpulan-kesimpulan
kesimpulan kesimpulan yang valid
yang berguna untuk mengambil keputusan masuk
akal yang diperlukan
Pengertian terbatas:
data atau fakta berupa angka yang dihasilkan dari
data, yang menggambarkan karakteristik suatu
sampel

1/27/2011

Definisi dan Pengertian

POPULASI
kumpulan dari keseluruhan pengukuran, obyek atau
individu yang sedang dikaji
suatu pengamatan/survey terhadap seluruh anggota
populasi disebut sensus
SAMPEL
subset (himpunan bagian) dari suatu populasi
jika pengambilan sampel dilakukan dengan
mengikuti kaidah-kaidah ilmiah, maka sangat
mungkin diperoleh hasil-hasil dari dari sampel yang
cukup akurat untuk menggambarkan populasi

Definisi dan Pengertian

PARAMETER DAN STATISTIK
Parameter adalah bilangan/angka yang
menggambarkan karakteristik suatu populasi
rata-rata (average/arithmetic mean) dari tinggi
badan seluruh mahasiswa FTUI adalah sebuah
parameter
parameter.
Statistik adalah bilangan/angka yang
menggambarkan karakteristik suatu sampel
berat badan rata-rata dari 70 mahasiswa yang
mewakili 7 jurusan di FTUI adalah sebuah
statistik

Definisi dan Pengertian

VARIABEL
Sebuah simbol, misalnya X, H, r, a, dsb., yang dapat
bernilai berapapun dari sekumpulan nilai yang
merupakan domainnya
Variabel kontinu Variabel yang bisa bernilai
berapapun
Variabel diskrit Variabel tidak bisa bernilai
sembarang

Definisi dan Pengertian

Contoh:

Populasi

Sampel

variable

Semua siswa yang

saat ini terdaftar

Sebagian siswa yang IPK

saat ini terdaftar
SKS
Jurusan
Nama
NPM
Semua circuit boards Beberapa circuit
Jenis kerusakan
yang diproduksi
boards
Banyak kerusakan
selama satu bulan
Lokasi kerusakan

1/27/2011

Definisi dan Pengertian

STATISTIK DESKRIPTIF/DEDUKTIF
Tahapan statistik yang meliputi kegiatan:
mengumpulkan
mengklasifikasikan
meringkas
menginterpretasikan
menyajikan
data dari suatu kelompok yang terbatas, tanpa
menganalisa dan menarik kesimpulan yang bisa
berlaku bagi kelompok yang lebih luas merupakan
ruang lingkup statistik deskriptif atau statistik deduktif

Definisi dan Pengertian

STATISTIK INFERENSIAL/INDUKTIF
Proses pengambilan kesimpulan mengenai
parameter dari populasi berdasarkan atas informasi
yang diperoleh dari statistik sampel merupakan
ruang lingkup statistik inferensial/statistik induktif
Karena pengambilan kesimpulan seperti itu tidaklah
mutlak kepastiannya, maka terminologi
kemungkinan/ probabilitas sering digunakan
dalam menyatakan suatu kesimpulan

Definisi dan Pengertian

Contoh Lingkup Statistik Deskriptif:
Sebuah perusahaan mobil memproduksi 300,000 unit per
tahun. Untuk menjaga kualitas produk, maka data
produksi tersebut disajikan dalam bentuk diagram
Data rata-rata IPK mahasiswa Departemen pada
semester tertentu
Data distribusi asal sekolah mahasiswa baru FTUI:
Jakarta dan luar Jakarta

Definisi dan Pengertian

Contoh Lingkup Statistik Induktif:
Jika berat rata-rata dari 25 sampel kontainer yang
dikapalkan adalah 7,1 ton, maka berat rata-rata dari
seluruh 1000 kontainer yang harus dikapalkan tersebut
dapat diperkirakan kemungkinan antara 6,9 sampai 7,3
ton
Seorang analis kimia ingin menggunakan statistik
inferensial untuk melakukan test/pengujian untuk
mengetahui apakah laju korosi dari suatu logam yang
diberi pelapisan kemungkinan adalah 10 mg/jam
berdasarkan pengukuran terhadap 20 sampel yang
menunjukkan laju korosi sebesar 9,5 mg/s

1/27/2011

Definisi dan Pengertian

Definisi dan Pengertian

Mulai

METODE STATISTIK

Kumpulkan data
Klasifikasikan, ringkas, dan
proses data

Statistik D
Deskriptif

Sajikan, sampaikan
ringkasan informasi

Gunakan informasi dari

sampel untuk
menyimpulkan populasi

Uji/Tarik kesimpulan
tentang karakteristik
populasi (parameter) yang
dikaji

Gunakan data sensus untuk

menganalisis karakteristik
populasi yang dikaji

Statistik
inferensial

Informasi
dari sampel ?

selesai

Peranan Statistik dan

Penerapan di Bidang Teknik
MENGAPA STATISTIK DIPERLUKAN ?
Menggambarkan hubungan-hubungan antara variabelvariabel
jumlah data yang sangat banyak sering sehingga
membingungkan
sangat penting untuk dapat mengidentifikasikan dan
menggambarkan
b k d
darii data
d t ini
i i hubungan-hubungan
h b
h b
yang
terjadi antara variabel-variabel yang ada

Alat Bantu Pengambilan Keputusan

Metode statistik memungkinkan orang untuk membuat
keputusan yang lebih baik dalam menghadapi
ketidakpastian, misalnya pada proses kendali kualitas
produk

Peranan Statistik dan

Penerapan di Bidang Teknik
Pencegahan Kegagalan Dalam Disain
Mekanik/Proses
Kegagalan terjadi jika suatu beban (load)
melebihi daya tahan material terhadap beban
tersebut
Dalam praktek yang sebenarnya, baik beban
yang bekerja maupun ketahanan material itu
bukanlah hal yang dapat diketahui secara tepat
Dengan kata lain besaran-besaran itu adalah
variabel-variabel statistik

1/27/2011

Peranan Statistik dan

Penerapan di Bidang Teknik

Peranan Statistik dan

Penerapan di Bidang Teknik

Penentuan Komposisi Senyawa

Analisa komposisi senyawa yang terkandung
dalam suatu produk
Peralatan analisa produk harus dikalibrasi
dengan data yang cukup banyak

Peranan Statistik dan

Penerapan di Bidang Teknik

Peranan Statistik dan

Penerapan di Bidang Teknik

Analisis Eksperimen Teknik

Setiap pengukuran memiliki ketidak-akuratan
(inaccuracy):
kesalahan sistematik (systematic error)
kesalahan acak (random error)

Kesalahan sistematik akan terus berulang terjadi.

Kesalahan ini biasanya bisa dihilangkan dengan
mengkalibrasikan instrumen pengukur dengan
sebuah standar yang lebih akurat
Kesalahan acak lebih menunjukkan nilai yang
tersebar, dan dapat diperkirakan secara statistik

1/27/2011

Peranan Statistik dan

Penerapan di Bidang Teknik

Peranan Statistik dan

Penerapan di Bidang Teknik

Pengendalian Mutu
Dalam semua proses produksi meskipun
direncanakan dan dilaksanakan secara hati-hati,
tetap memperlihatkan variasi mutu produk yang
dihasilkannya perlu dikendalikan
Metode statistik adalah jantung dari
pengendalian mutu manufaktur
Sebuah contoh yang sederhana tetapi penting
di bidang ini adalah diagram kendali mutu
(quality control chart)

Metode Pemecahan Masalah

Secara Statistik

Metode Pemecahan Masalah

Secara Statistik

METODE PENGUMPULAN SAMPEL

Judgment Samples

METODE PENGUMPULAN SAMPEL

Probability Samples

Pemilihan sampel berdasarkan pada pendapat/opini satu orang

atau lebih yang cukup kompeten
Sampel apapun yang didasarkan atas keahlian seseorang
mengenai populasi yang dikaji disebut judgment sampel

Probability samples memberikan hasil-hasil yang dapat dinilai

secara obyektif
Terdapat beberapa jenis sampel yang termasuk dalam kategori
ini, yaitu:
Simple Random Sampels
Systematic Samples
Stratified Samples
Cluster Samples

1/27/2011

Metode Pemecahan Masalah

Secara Statistik

Metode Pemecahan Masalah

Secara Statistik

METODE PENGUMPULAN SAMPEL

Simple Random Sampels

METODE PENGUMPULAN SAMPEL

Systematic Samples

Sampel dipilih dengan cara sedemikian hingga seluruh anggota

populasi memiliki kesempatan yang sama untuk
terambil/terpilih menjadi sampel
Cara penarikan sampelnya adalah setiap unit dalam suatu
populasi
p
p
diberi nomor,, kemudian diambil secara acak nomor
tersebut sebanyak jumlah sampel yang dikehendaki, maka
setiap sampel yang nomornya terpilih tersebut adalah sebuah
random sample
Pengambilan nomor tersebut juga bisa dengan menggunakan
bantuan random number (bilangan acak)

Unit dari populasi diberi normor dan diurutkan

Kemudian ditentukan satu nomor sebagai titik tolak penarikan
sampel
Nomor berikut dari anggota yang ingin dipilih ditentukan
dengan
g mengikuti
g
suatu sistematika,, misalnya
y tiap-tiap
p p unit
nomor ke-n dari titik tolak dipilih sebagai anggota sampel

Metode Pemecahan Masalah

Secara Statistik

Metode Pemecahan Masalah

Secara Statistik

METODE PENGUMPULAN SAMPEL

Stratified Samples

METODE PENGUMPULAN SAMPEL

Cluster Samples

Populasi terlebih dahulu dibagi dalam kelompok-kelompok yang

relatif homogen, atau dalam strata
Anggota sampe ditarik dari setiap strata untuk menghasilkan
sampel secara keseluruhan, yang disebut stratified samples
Stratified samples
p
ini biasanya
y dilakukan apabila
p
ada variasi
besar dalam populasi, dan penelitinya terlebih dahulu
mengetahui struktur populasi tersebut yang dapat digunakan
untuk menetapkan stratanya
Hasil sampel dari setiap stratum itu kemudian diberi
pembobotan dan dihitung dengan hasil sampel dari strata
lainnya untuk mendapatkan estimasi yang menyeluruh

Populasi terlebih dahulu dibagi atas kelompok berdasarkan area

atau cluster, dan anggota kelompok tersebut tidak perlu
homogen
Kemudian beberapa cluster dipilih sebagai sampel
selanjutnya
j
y dipilih
p
lagi
g anggota
gg
unit dari cluster (seluruhnya/
(
y
sebagian) tersebut sebagai sampel

Lab. Fluida Teknik MesinMesin-FTUI

Dr.Ir. Harinaldi, M.Eng

Lab. Fluida Teknik MesinMesin-FTUI

Dr.Ir. Harinaldi, M.Eng

1/27/2011

Peranan Komputer Dalam

Statistik

Peranan Komputer Dalam

Statistik

PERANAN KOMPUTER DALAM STATISTIK

SPREAD SHEET ? PAKET PROGRAM STATISTIK ?

Komputer akan berguna secara efisien jika:

masukan (input) data tidak sedikit
hal-hal yang serupa dilakukan secara berulang-ulang
kompleksitas pemrosesan tidak memberikan alternatif lain
Prosedur-prosedur yang bisa membutuhkan waktu berjam-jam,
berhari-hari ataupun berminggu-minggu jika dikerjakan dengan
menggunakan kalkulator biasa dapat dituntaskan secara akurat
dalam waktu beberapa detik dengan bantuan komputer

Spreadsheet pada program komputer: Microsoft Excel

Paket program statistika berfungsi untuk
Menerima data dari sumber llain
Mengcopy dan menduplikasi isi sel atau sel ke lokasi lain, dll.
Melakukan analisis dari himpunan data tunggal atau
majemuk dan mencetak nilairingkasan serta hasil analisis
Menggunakan data numerik untuk menghasilkan diagram
atau grafik
Contoh: Statistica, SPSS, Systat, Statgraphics, Minitab, dll

Lab. Fluida Teknik MesinMesin-FTUI

Dr.Ir. Harinaldi, M.Eng

Peranan Komputer Dalam

Statistik

Peranan Komputer Dalam

Statistik

SPREAD SHEET ? PAKET PROGRAM STATISTIK ?

SPREAD SHEET ? PAKET PROGRAM STATISTIK ?

1/27/2011

Tujuan Pembelajaran
Menjelaskan bagaimana mengumpulkan dan
mengorganisasi data mentah ke dalam suatu
susunan dan bagaimana membuat dan
menginterpretasikan sebuah distribusi frekuensi
Menyajikan data secara grafis dalam bentuk
g
, poligon
p g
frekuensi,, diagram
g
batang,
g,
histogram,
diagram garis, pie charts, piktogram, dll
Menghitung ukuran-ukuran pemusatan dan
penyebaran

FTUI @2011

Pokok Bahasan

Pengumpulan, Pengorganisasian, dan

Penyajian Data

Pengumpulan data

Pengumpulan, Pengorganisasian, dan

Penyajian Data
Distribusi Frekuensi dan Presentasi Grafik
Ukuran Pemusatan
Ukuran Penyebaran

1/27/2011

Pengumpulan, Pengorganisasian, dan

Pengumpulan, Pengorganisasian, dan

Pengorganisasian data

Contoh :

Penyajian Data

Data Mentah (Raw data)

Data terkumpul yang belum diorganisasikan secara
numerik
Tidak memberi banyak arti bagi yang membaca terlebih
lagi untuk dapat menyimpulkan informasi apa yang bisa
diperoleh
Jajaran Data (Data Array)
Sebuah jajaran data merupakan susunan dari data mentah
menurut urutan besar nilai numeriknya secara:
menaik (ascending) dari nilai yang terkecil
sampai terbesar
menurun (descending) dari yang terbesar
sampai terkecil

Penyajian Data

Data mentah jika dibuat disusun menjadi jajaran data dengan urutan menaik
(ascending) adalah sebagai berikut:
923

1051

1090

1141

1162

1196

1225

1264

1302

1368

924

1051

1094

1146

1163

1197

1231

1270

1303

1393

931

1055

1095

1146

1170

1200

1233

1273

1312

1399

939

1055

1106

1150

1171

1205

1233

1273

1314

1406

1020

1058

1110

1152

1175

1208

1235

1274

1316

1416

1021

1062

1124

1152

1181

1209

1246

1275

1327

1437

1028

1065

1133

1156

1185

1216

1249

1285

1333

1449

1040

1077

1136

1158

1185

1217

1250

1289

1338

1464

1042

1081

1141

1160

1186

1218

1254

1290

1341

1482

1042

1083

1141

1161

1192

1218

1258

1298

1361

1492

Pengumpulan, Pengorganisasian, dan

Distribusi Frekuensi

Penyajian Data

Penyajian data
Tabel-tabel dan
diagram statistik
digunakan untuk
menyajikan data
yang sudah
teringkas,
menyingkapkan
i k k
hubungan-hubungan
antar variabel, dan
mengkomunikasikan
fakta-fakta angka
kepada pihak yang
membutuhkannya

Distribusi frekuensi
Susunan data yang terbentuk dengan mengelompokkan jajaran
data ke dalam kelas-kelas/kategori-kategori yang jumlahnya
relatif tidak banyak, dan kemudian menentukan jumlah data yang
termasuk dalam masing-masing kelas (frekuensi kelas)
Jika frekuensi kelas dinyatakan dalam prosentase terhadap
banyaknya seluruh data, maka disebut distribusi frekuensi relatif.
Breaking Stress
(kN/m2)

Jumlah
Spesimen
(f)

Prosentase
[f/n x 100(%)]

900 - 999
1000 - 1099
1100 - 1199
1200 - 1299
1300 - 1399
1400 - 1499

4
19
29
28
13
7

4
19
29
28
13
7

Total (n)

100

100 %

Interval Kelas (Class

Interval) dan Batas
Kelas (Class Limit)
Batas Nyata Kelas
(Class Boundary)
Lebar Interval Kelas
(Width of Interval
Class)
Nilai Tengah Kelas
(Class Midpoint/Class
Mark)

10

1/27/2011

Distribusi Frekuensi

Presentasi Grafik

Pertimbangan penyusunan distribusi frekuensi

Interval kelas :
seluruh data (terkecil s/d terbesar ) terikut-sertakan
setiap unit data hanya dimasukkan sekali dan hanya
pada satu kelas interval
Jumlah interval kelas (k) antara 5 sampai 20
Lebar setiap
p interval kelas (c)
( ) sama
Rumus empiris:
R
- data sedikit:
R = range
c=

n = jumlah data

- data banyak: k = 1 + 3,33log n

Kelas terbuka (open class interval) dihindari
Nilai tengah kelasnya (midpoint) bersesuaian dengan nilai
dimana data aktual terkonsentrasi

Histogram
grafik batang (bar graph) yang menggambarkan
distribusi data dari sebuah distribusi frekuensi
Karakteristik Histogram:
dasarnya pada sumbu horizontal (sumbu-x)
mempunyai panjang sama dengan lebar interval
k l
kelas
luasnya proporsional terhadap frekuensi interval
kelas yang bersangkutan:
9 jika interval kelas memiliki lebar yang sama,
maka ketinggian batang proporsional terhadap
frekuensi interval kelas
9 jika ada interval kelas yang lebarnya tidak sama
maka ketinggiannya harus disesuaikan

Presentasi Grafik

Presentasi Grafik

Contoh Histogram Dengan Interval Sama

Contoh Histogram Dengan Interval Tidak Sama

Distribusi frekuensi dari tegangan rusak pada contoh sebelumnya memiliki

interval kelas yang sama lebarnya. Maka histogramnya dapat digambarkan
sebagai berikut:
Pengujian Tegangan Rusak
(Breaking stress) Logam X

Pengujian Tegangan Rusak

(Breaking stress) Logam X

30

(kN/m2)

Frekuensi
(f)

900 - 999
1000 - 1099
1100 - 1199
1200 - 1299
1300 - 1399
1400 - 1499

4
19
29
28
13
7

Total

100

Waktu diam (jam)

25

Jumlah spesimen (f)

Breaking Stress

Suatu distribusi frekuensi dari waktu diam pabrik perbulan sejumlah 70

buah mesin produksi suatu seperti yang ditunjukkan dalam tabel di bawah

25

(f)
20

20

15

10

50-59
60-69
70-79
80-89
90-99
100-119
120-179

8
10
16
15
10
8
3

Total

70

15

10

50
900

1000

1100

1200

1300

1400

Breaking Stress (kN/m2)

60

70

80

90

100

120

180

1500

Waktu Diam (jam)

11

1/27/2011

Presentasi Grafik

Presentasi Grafik

Poligon Frekuensi
grafik garis dari frekuensi interval kelas yang diplot pada nilai
tengah-nilai tengahnya
Poligon bisa didapat dengan menghubungkan titik tengah dari
sisi atas batang-batang histogram

Distribusi Frekuensi Kumulatif

DFK kurang dari, disusun dengan menjumlahkan seluruh
frekuensi dari semua nilai yang kurang dari batas atas nyata
interval kelas (upper class boundary)
DFK lebih dari, disusun dengan menjumlahkan seluruh
frekuensi dari semua nilai yang lebih dari atau sama dengan
batas bawah nyata interval kelas (lower class boundary)
distribusi frekuensi kumulatif direpresentasikan dalam
grafik yang disebut ogive
Jika banyaknya data dalam distribusi tersebut dinyatakan
dalam prosentase terhadap banyaknya seluruh data disebut

Jumlah spesimen (f)

30

Poligon frekuensi

25
20
15
10

distribusi frekuensi kumulatif relatif

900

1000

1100

1200

1300

1400

1500

Breaking Stress (kN/m2)

Presentasi Grafik

Presentasi Grafik

Contoh Distribusi Frekuensi Kumulatif

Pengujian Tegangan Rusak
(Breaking stress) Logam X

(kN/m2)

Jumlah
(fc)

< 899,5
< 999,5
<1099,5
<1199,5
< 1299,5
< 1399,5
< 1499,5

0
4
23
52
80
93
100

100

Jumlah kumulattif (fc)

Breaking Stress

Kurva Frekuensi

80

60

40

20

899,5

999,5

1099,5

1199,5

1299,5

1399,5

1499,5

Breaking Stress (kN/m2)

12

1/27/2011

Ukuran Pemusatan
Ukuran Pemusatan (Central Tendency)
Data sering menunjukkan kecenderungan berkumpul di
sekitar suatu nilai pusat
data tak terkelompok (ungrouped data)
data terkelompok (grouped data)
Dalam rumusannya juga dibedakan antara ukuran yang
menunjukkan karakteristik populasi (parameter) maupun
sampel (statistik)

Ukuran Pemusatan
Rata-rata (Average)
1. Mean Aritmatika
a. Data Tak Terkelompok
n

xi

x=

i =1

(untuk suatu sampel)

n
N

xi

X =

i =1

(untuk suatu populasi)

dimana: x = mean aritmatika dari suatu sampel

X = mean aritmatika dari suatu populasi
xi = nilai dari data (variabel x)
n = banyaknya data x dalam suatu sampel
N = banyaknya data x dalam suatu populasi

Ukuran Pemusatan
Rata-rata (Average)
1. Mean Aritmatika

Contoh 2.3:
Mean aritmatika dari data sampel tegangan rusak yang terdiri
dari 100 data yang belum terkelompokkan adalah:

b. Data Terkelompok
k

x =

f i x m ,i

i =1
k

f i x m ,i

i =1

f i x m ,i

i =1
K

i =1

fi

i =1

x=

(untuk suatu sam pel)

fi

i =1

X =

Ukuran Pemusatan

f i x m ,i
N

(untuk suatu populasi)

100

xi xi
i =1

i =1

100

1171 + 1186 + 1264 + ... + 1090

= 1198,5
100

Contoh 2.4:
Mean aritmatika dari data sampel tegangan rusak yang terdiri
dari 100 data yang sudah terkelompokkan adalah:
k

x
= mean aritmatika
dari suatu sampel
= mean
aritmatika
dari suatu populasi
X
= frekuensi
f i atau jumlah pengamatan dalam sebuah interval kelas
= nilai tengah
dari interval kelas
xm ,i
k = jumlah interval kelas dalam suatu sampel
K = jumlah interval kelas dalam suatu populasi
n = banyaknya data x dalam suatu sampel
N = banyaknya data x dalam suatu populasi

dimana:

x=

fi xm,i fi xm,i
i =1

fi
i =1

i =1

fi

(4)(949,5) + (19)(1049,5) + ... + (7)(1449,5)

= 1197,5
4 + 19 + ... + 7

i =1

13

1/27/2011

Ukuran Pemusatan
Rata-rata (Average)
2. Mean Aritmatika Terbobot
Pemberian suatu pembobotan terhadap suatu nilai untuk
menunjukkan signifikansi atau kepentingan/keutamaan
relatif dari nilai tersebut
Mean aritmatika yang diperoleh dari nilai yang diberi
pembobotan itu disebut mean aritmatika terbobot
n

xw =

wi xi

Ukuran Pemusatan
Contoh 2.5:
Jika dalam suatu nilai akhir mata kuliah statistik nilai ujian
akhir berbobot 3 kali daripada ujian tengah semester dan tugas,
maka seorang mahasiswa yang memperoleh nilai ujian akhir
85 dan ujian tengah semester 70 dan tugas 90 akan
memperoleh nilai:
n

xw =

i =1
n

wi

wi xi
i =1
n

wi

(3)(85) + (1)(70) + 1(90) 415

=
= 83
3 +1+1
5

i =1

i =1

xw

= mean aritmatika terbobot

wi = faktor pembobotan

Ukuran Pemusatan
Median
Posisi tengah dari nilai data terjajar (data array)
Nilai dari absis-x yang bertepatan dengan garis vertikal yang
membagi sebuah histogram (atau daerah dibawah poligon)
menjadi dua daerah yang luasnya sama
a. Data Tak Terkelompok
Nilai tengah atau mean aritmatika dari dua nilai tengah suatu jajaran
data (array)

b. Data Terkelompok (Prinsip Interpolasi)

n
( f )l
Median = x% = Ll + 2
f median

Ll
n

= batas nyata kelas bawah dari kelas median (kelas yang memuat median)
= banyaknya data (jumlah seluruh frekuensi)

( =
f )jumlah
frekuensi seluruh kelas yang lebih rendah dari kelas median
l

Ukuran Pemusatan
Contoh 2.5:
Median dari jajaran data sampel tegangan rusak yang terdiri
dari 100 data yang belum terkelompokkan adalah nilai tengah
data ke-50 dan ke-51:
Median = x% =

1192 + 1196
= 1194
2

Contoh 2.6:
Median dari data sampel tegangan rusak yang terdiri dari 100
data yang sudah terkelompokkan adalah:
n
( f )l
Median = x% = Ll + 2
f median

100

2 23
c = 1099,5 +
100 = 1192, 6

29

fmedian = frekuensi kelas median

c
= lebar interval kelas median

14

1/27/2011

Ukuran Pemusatan
Modus
Nilai yang paling sering muncul atau yang frekuensinya terbesar.
Dalam suatu kumpulan nilai data
Modus ini mungkin ada mungkin juga tidak, dan kalaupun ada
tidak selalu unik (tunggal)

a. Data Tak Terkelompok

Nilai data yang paling sering muncul (frekuensinya paling
besar)
b. Data Terkelompok (Prinsip Interpolasi)

1
Modus = x = Ll +
c
1 + 2
Ll
= batas nyata kelas bawah dari kelas modus (kelas yang frekuensinya
terbesar)
1
= selisih frekuensi kelas modus dengan kelas sebelumnya
2
= selisih frekuensi kelas modus dengan kelas sesudahnya
c
= lebar interval kelas median

Ukuran Pemusatan
Kuantil: kuartil, desil dan persentil
Nilai-nilai yang membagi menjadi bagian-bagian yang sama suatu jajaran data
(data array)
Menjadi dua bagian median
Menjadi empat bagian kuartil (Q1 , Q2 , Q3)
Menjadi sepuluh bagian desil (D1 , D2 , D3 , D9)
Menjadi seratus bagian persentil (P1 , P2 , P , P99)
Dengan pengertian di atas, maka: median = Q2 = D5 = P50

a. Data Tak Terkelompok Prinsip menentukan median

b. Data Terkelompok Prinsip Interpolasi
i
r n ( f ) l ,i
K i = Ll ,i +
f kuantil ,i

Ukuran Pemusatan
Contoh 2.7:
Modus dari jajaran data sampel tegangan rusak yang terdiri
dari 100 data yang belum terkelompokkan adalah nilai tengah
data ke-50 dan ke-51:
Modus = 1141
(frekuensi = 3)
Contoh 2.8:
Median dari data sampel tegangan rusak yang terdiri dari 100
data yang sudah terkelompokkan adalah:
1
10
Modus = x = Ll +
c = 1099,5 +
100 = 1190, 4
10 + 1
1 + 2

Ukuran Pemusatan
Contoh 2.9:
Beberapa kuantil dari data pada sampel yang terdiri dari 100
data yang telah terkelompokkan adalah sebagai berikut:
1

100

n ( f )l ,1
2 23
Q1 = Ll ,1 + 4
c = 1099,5 +
100 = 1192,6
f kuartil ,1

29

100

n ( f )l ,7
2 23
D7 = L1 + 10
c = 1099,5 +
100 = 1192, 6
29
f
desil
,7

(
L f )=
l

batas nyata kelas bawah dari kelas kuantil ke-i

l,i
r = konstanta (untuk kuartil r = 4, desil r = 10, persentil r
= 100)
= jumlah frekuensi seluruh kelas yang lebih rendah
dari kelas kuantil ke-i
fkuantil,i = frekuensi kelas kuantil ke-i
c
= lebar interval kelas median

15

1/27/2011

Ukuran Penyebaran
Ukuran Penyebaran (Dispersion)
Ukuran penyebaran (dispersion) menunjukkan seberapa jauh
data menyebar dari nilai rata-ratanya (variabilitas data)
Alasan pentingnya meninjau ukuran penyebaran suatu
kumpulan nilai data:
Penilaian mengenai seberapa baik suatu nilai rata-rata
(ukuran pemusatan) menggambarkan data
Agar langkah-langkah untuk mengendalikan variasi yang
ada dapat dilakukan

Ukuran Penyebaran
Jangkauan/kisaran (range)

R = xmax xmin
Jangkauan/kisaran (range) Persentil 10-90

RP1090 = P90 P10

Simpangan Kuartil

Qd =

Ukuran Penyebaran
Simpangan mutlak rata-rata (mean deviation)
a. Data Tak Terkelompok
n

Mean Deviation = MDx =

xi x
i =1

Mean Deviation = MDx =

fi

xm ,i x

i =1

fi

Ukuran Penyebaran
Contoh 2.10:
Simpangan mutlak rata-rata dari jajaran data pada sampel yang
terdiri dari 100 data belum terkelompokkan dengan rata-rata
x = 1198,5
adalah:
n
xi x
MDx =

b. Data Terkelompok

fi
i =1

xm ,i x

Q3 Q1
2

i =1

n
923 1198,5 + 924 1198,5 + ... + 1482 1198,5 + 1492 1198,5
100

= 98, 4

i =1

MDx = Simpangan mutlak rata-rata

=xmean aritmatika dari suatu sampel )

fi = frekuensi atau jumlah pengamatan dalam sebuah interval kelas

,i
=xmnilai
tengah dari interval kelas
k = jumlah interval kelas dalam suatu sampel
n = banyaknya data x dalam suatu sampel

16

1/27/2011

Ukuran Penyebaran

Ukuran Penyebaran

Contoh 2.11:
Simpangan mutlak rata-rata dari jajaran data pada sampel yang
terdiri dari 100 data telah terkelompokkan dengan rata-rata
x = 1197, 5 adalah:
Breaking Stress (x)

(fi)

900 - 999
1000 - 1099
1100 - 1199
1200 - 1299
1300 - 1399
1400
- 1499

xm,i

4
19
29
28
13
7
100
k

MDx =

949,5
1049,5
1149,5
1249,5
1349,5
1449,5

fi
i =1

xm ,i x
k

fi

xm ,i x

Deviasi standard/simpangan baku

a. Data Tak
Terkelompok

sx =

992
2812
1392
1456
1976
1764
10392

x =

b. Data
Terkelompok

n 1

( xi x )

fi ( xm,i x )
i =1

n 1

K
2
f i xm ,i
i =1
2
x
N

i =1

(populasi)

k
k

n f i xm2 ,i f i xm ,i
i =1
i =1

n(n 1)

fi ( xm,i x )
K

x =

(sampel)

2
xi
i =1 2
x
N

i =1

sx =

n n
n xi2 xi
i =1 i =1
n(n 1)

i =1

f i xm ,i x

248
148
48
52
152
252

( xi x )

(sampel)

(populasi)

10392
=
= 103,92
100

i =1

Ukuran Penyebaran
Contoh 2.12:
Deviasi standard dari jajaran data pada sampel yang terdiri
dari 100 data belum terkelompokkan dengan rata-rata
x = 1198, 5
adalah:
n

sx =

( xi x )

Ukuran Penyebaran
Contoh 2.13:
Standard deviasi dari jajaran data pada sampel yang terdiri
dari 100 data telah terkelompokkan dengan rata-rata
x = 1197, 5
adalah:

i =1

n 1

(923 1198,5) 2 + (924 1198,5) 2 + ... + (1482 1198, 5) 2 + (1492 1198,5) 2

100 1

1540469
= 124, 7
99

Breaking Stress
(x)

(fi)

m ,i

900 - 999
1000 - 1099
1100 - 1199
1200 - 1299
1300 - 1399
1400 1499

4
19
29
28
13
7
100

949,5
1049,5
1149,5
1249,5
1349,5
1449,5

fi ( xm,i x )
k

sx =

(x

xm,i

i =1

n 1

x)

61540
21904
2304
2704
23104
63504

f i ( xm ,i x )

246016
416176
66816
75712
300352
444528
1549600

1549600
= 125,1
100 1

17

1/27/2011

Ukuran Penyebaran

Moment

Varians

Moment

Varians merupakan kuadrat dari deviasi

standard, sehingga
2
untuk sampel
dinyatakan sebagai sx dan untuk populasi
x2
sebagai .

a. Data Tak Terkelompok

Jika x1, x2, , xn adalah n buah nilai variabel x, maka dapat
didefinisikan kuantitas :
n
xr
- moment ke-r :
x r + x r + ... + x r i
r

Koefisien Variasi

x =

Penyebaran mutlak
Penyebaran relatif =
nilai rata rata
Koefisien Variasi : Vx =

x =

(sampel)

x
x

(populasi)

Hubungan Antar Moment

fi ( xm,i x )
k

mr , x =

fi
i =1

fi ( xm,i A)
k

mr, x =

i =1

i =1

fi
i =1

i =1

fi

fi ( xm,i x )

i =1

i =1

m2, x = m2, x m1,2x

fx
i =1

r
i m ,i

m3, x = m3, x 3m1, x m2, x + 2m1,3x

m4, x = m4, x 4m1, x m3, x + 6m1,2x m2, x 3m1,4x
Perlu dicatat bahwa m1, x = x A

fi ( xm,i A)
k

fx

r
i m ,i

i =1

Moment

b. Data Terkelompok
- momen ke-r simpangan terhadap sembarang
=

i =1

Moment

f1 + f 2 + ... + f k

Moment

f1 xmr ,1 + f 2 xmr ,2 + ... + f k xmr ,k

r
( xi A)
- momen ke-r simpangan
mr, x = i =1 terhadap sembarang

Moment

xr =

n
r
- momen ke-r simpangan
mean
xi x )
( terhadap

mr , x =

sx
x

i =1

mr , x
mr , x
mr , x
ar , x = Tidak
= Berdimensi
=
Moment Dalam Bentuk
r
sr
m2,r x
m2, x

) (

18

1/27/2011

Skewness (Kemencengan)

Skewness (Kemencengan)

Skewness

Koefisien Skewness

Derajat ketidak simetrisan, atau penyimpangan dari

kesimetrisan suatu distribusi
menceng ke kanan atau kemencengan positif (positive

Terdapat beberapa koefisien yang bisa dijadikan

koefisien kemencengan (skewness factor/coefficient)

skewnes)

menceng
g ke ke kiri atau kemencengan
g negatif
g
(negative
g
skewness)

S f ,x =
S f ,x =

x x
s
3 ( x x% )
s

S f ,Qd =

(Q3 Q2 ) (Q2 Q1 ) Q3 2Q2 + Q1

=
Q3 Q1
Q3 Q1

S f , p1090 =

( P90 P50 ) ( P50 P10 ) P90 2 P50 + P10

=
P90 P10
P90 P10

Dalam kebanyakan aplikasi teknik

Skewness factor = a3, x =

Kurtosis (Keruncingan)

m3, x
s3

m3, x
m2, x

m3, x
m2,3 x

Skewness (Kemencengan)

Kurtosis

Koefisien Kurtosis

Derajat keruncingan (peakedness) atau keceperan (flatness)

dari suatu distribusi relatif terhadap distribusi normal
puncak relatif tinggi disebut kurva leptokurtik
puncaknya ceper/rata (flat-topped) disebut platykurtic
tidak terlalu runcing
g atau terlalu ceper
p disebut kurva

Sebuah ukuran kurtosis menggunakan momen

simpangan terhadap mean keempat dalam bentuk tidak
berdimensi

mesokurtic

Untuk suatu distribusi normal, b2,x = a4,x = 3

Dengan alasan ini kurtosis kadang-kadang didefinisikan
dengan (b2,x 3) yang nilainya:

positif untuk distribusi leptokurtic

negatif untuk distribusi platykurtic s
nol untuk distribusi normal (gaussian)

Ukuran lainnya
=

1 ( Q3 Q1 )
Qd
= 2
P90 P10
P90 P10

19

1/27/2011

Tujuan Pembelajaran
Tujuan Pembelajaran
Mendefinisikan terminologi-terminologi penting dalam
probabilitas dan menjelaskan bagaimana probabilitas
kejadian sederhana
Memahami dan menjelaskan konsep-konsep kejadiankejadian bersyarat, bebas dan mutually exclusive
Menggunakan analisis kombinatorial untuk kejadiankejadian kompleks

Pokok Bahasan
Konsep probabilitas
Probabilitas dari kejadian
Aturan-aturan probabilitas

Konsep dan Definisi

Eksperimen Probabilitas, Ruang Sampel
dan Peristiwa
Eksperimen probabilitas
9 hasil/keluaran (outcome),
9 tanggapan (response)
9 ukuran (measurement)
Seluruhnya ruang sampel (sample
space)
Sebagian Peristiwa/kejadian (event)
Diagram venn

20

1/27/2011

Konsep dan Definisi

Contoh :
Eksperimen probabilitas:
- mengambil sehelai kartu dari satu set kartu bridge
Ruang sampel:
- Seluruh jenis kartu yang berjumlah 52 lembar
Peristiwa:
- Misal peristiwa A adalah terambilnya sebuah kartu hati (H),
maka peristiwa A dapat dinyatakan sebagai
A = {2H, 3H, 4H, 5H, 6H, 7H, 8H, 9H, 10H, JH, QH, KH, AsH}

Konsep dan Definisi

Teknik Mesin FTUI

Diagram Venn

Dr. Ir. Harinaldi, M.Eng

Definisi Probabilitas
Konsep
dan
Definisi
Bilangan
antara 0 dan
1 yang
berkaitan dengan
suatu peristiwa (even) tertentu
Peristiwa pasti terjadi probabilitas =1
Peristiwa mustahil terjadi probabilitas =0
Definisi Klasik :
Jika sebuah peristiwa A dapat terjadi dengan fA
cara dari sejumlah
j
total N cara y
yang
g mungkin
g
terjadi, maka:
- probabilitas P(A) dari terjadinya peristiwa A:
P ( A) =

fA
N

- probabilitas tidak terjadinya peristiwa A

P ( A) = P ( A% ) = P (~ A) =
Teknik Mesin FTUI

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

Konsep dan Definisi

Contoh :
Definisi klasik cocok digunakan misalnya
pada permainan tembakan/undian (games of
chance).
) Misalnya
y dalam satu set kartu
bridge yang terdiri dari 52 kartu terdapat 4
buah kartu As, maka probabilitas
pengambilan satu kartu mendapatkan kartu
As adalah: P(As) = 4/52 = 1/13 = 0,077

N fA
f
= 1 A = 1 P ( A)
N
N
Dr. Ir. Harinaldi, M.Eng

21

1/27/2011

Konsep dan Definisi

Definisi Frekuesi Relatif :
Sebuah eksperimen dilakukan sebanyak N kali
dan kejadian A terjadi sebanyak fA kali. Jika N
mendekati tak terhingga maka limit dari frekuensi
relatif fA/N didefinisikan sebagai probabilitas
kejadian A atau P(A)

P ( A) = lim

Teknik Mesin FTUI

Konsep dan Definisi

Definisi Subyektif (Intuitif) :
Dalam hal ini, probabilitas P(A) dari terjadinya
peristiwa A adalah sebuah ukuran dari derajat
keyakinan yang dimiliki seseorang terhadap
terjadinya
j
y peristiwa
p
A

fA
N
Dr. Ir. Harinaldi, M.Eng

Probabilitas Peristiwa Majemuk

Definisi
Peristiwa majemuk (compound event) adalah
peristiwa yang merupakan gabungan/kombinasi
dua atau lebih peristiwa sederhana (simple
event)
Terdapat tiga jenis peristiwa majemuk antara
peristiwa A dan peristiwa B :
Peristiwa A terjadi dengan syarat peristiwa B
telah terjadi Notasi : P(A|B)
Keduanya sama-sama terjadi
Notasi : P(A dan B) atau P(A B)
Salah satu peristiwa terjadi
Notasi : P(A atau B) atau P(A B)
Teknik Mesin FTUI
Dr. Ir. Harinaldi, M.Eng

Probabilitas Peristiwa Majemuk

Probabilitas Bersyarat
Peristiwa A terjadi dengan syarat peristiwa B telah
terjadi
Dengan telah terlebih dahulu peristiwa B terjadi, maka
terjadi perubahan (pengurangan) pada ruang sampel
yang perlu dipertimbangkan untuk menentukan
probabilitas peristiwa A.
A
A

B
B

P( A | B) =

AB

P( A B)
P( B)

P( B) 0

22

1/27/2011

Probabilitas Peristiwa Majemuk

Probabilitas Peristiwa Majemuk

Probabilitas Peristiwa Majemuk

Probabilitas Peristiwa Majemuk

Peristiwa Saling Bebas (independent events)

dan Saling Terikat (dependent)
Dua peristiwa A dan B saling bebas (independent)
apabila terjadinya/tidak terjadinya peristiwa A
tidak mempengaruhi probabilitas terjadinya
peristiwa B
Sebaliknya, jika terjadinya peristiwa A
mempengaruhi probabilitas terjadinya peristiwa B
disebut peristiwa saling terikat (dependent)
Jika peristiwa A dan B saling bebas, maka berlaku:

Peristiwa Mutually Exclusive (Saling

Meniadakan)
Peristiwa A dan B adalah mutually exclusive jika A
dan B tidak dapat terjadi secara bersamaan
Sebaliknya, jika peristiwa A dan B dapat terjadi
secara bersamaan dalam sebuah eksperimen
probabilitas, maka A dan B tidak mutually
exclusive
Jika peristiwa A dan B mutually exclusive , maka
berlaku:

P ( A dan B ) = P ( A B ) = 0 artinya juga P ( A | B ) = 0

P ( A | B ) = P ( A) dan juga P ( B | A) = P ( B )

23

1/27/2011

Probabilitas Peristiwa Majemuk

Peristiwa Mutually Exclusive (Saling Meniadakan)
Diagram venn dari peristiwa mutually exclusive dan
tidak mutually exclusive

A
B

Probabilitas Peristiwa Majemuk

Probabilitas Peristiwa Majemuk

Hukum-hukum Probabilitas Peristiwa Majemuk
Hukum Perkalian-Peristiwa Saling Bebas
Jika A,B,C, ... adalah peristiwa-peristiwa yang saling
bebas (independent events), maka probabilitas bahwa
seluruh peristiwa itu terjadi (joint probability) P(ABC ...),
adalah perkalian dari probabilitas masing-masing
peristiwa

Probabilitas Peristiwa Majemuk

Hukum-hukum Probabilitas Peristiwa Majemuk
Hukum Perkalian-Peristiwa Saling Terikat
Untuk dua peristiwa A dan B yang saling terikat (tidak saling
bebas):

P ( A dan B ) = P ( A B ) = P ( A) P ( B | A) = P ( B ) P ( A | B )

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

24

1/27/2011

Probabilitas Peristiwa Majemuk

Probabilitas Peristiwa Majemuk

Hukum-hukum Probabilitas Peristiwa Majemuk
Hukum Penjumlahan
Probabilitas peristiwa A atau peristiwa B atau kedua-duanya
sama-sama terjadi ditunjukkan oleh hukum penjumlahan
menyatakan:

P ( A atau B ) = P ( A B ) = P ( A) + P ( B ) P ( A B )
Perluasan (Continued Reapplication) :

P( A atau B atau C ) = P ( A B C )
= P ( A) + P ( B ) + P(C )
P( A B) P( A C ) P( B C )
+ P( A B C )

Probabilitas Peristiwa Majemuk

Probabilitas Peristiwa Majemuk

Formulasi Bayes
Perluasan dari probabilitas bersyarat dan hukum
perkalian (multiplication)
terdapat sekelompok peristiwa B1, B2, ..., Bn
mutually exclusive
exhaustive secara keseluruhan membentuk ruang
sampel
Sebuah peristiwa lain A didefinisikan pada ruang
sampel yang sama
Maka probabilitas peristiwa A didapat dengan menjumlahkan probabilitas P(A Bi) untuk seluruh harga i
n

i =1

i =1

P( A) = P( A Bi ) = P( Bi ) P( A | Bi )
Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

25

1/27/2011

Probabilitas Peristiwa Majemuk

Probabilitas Peristiwa Majemuk

Formulasi Bayes

Sebaliknya jika peristiwa A telah terjadi

Probablitias masing-masing peristiwa Bi juga terjadi dapat
ditentukan dengan Formulasi Bayes:
P ( Bi | A) =

P( Bi A)
P ( Bi ) P ( A | Bi )
P( B ) P ( A | Bi )
= n
= n i
P ( A)
P
(
B
)
P
(
A
|
B
)
i
P( Bi A)
i
i =1

Teknik Mesin FTUI

Contoh:
Vendor I, II, III, dan IV menyediakan seluruh keperluan
bantalan bush yang dibeli oleh perusahaan Sumber Teknik
sebanyak masing-masing 25 %, 35 %, 10 % dan 30 %. Dari
pengalaman selama ini diketahui bahwa vendor I, II, III, dan IV
masing-masing mengirimkan 80 %, 95 %, 70 % dan 90 %
bantalan bush yang baik (tanpa cacat). Maka probabilitas
bahwa sebuah bantalan yang dipilih secara acak merupakan
bantalan yang cacat dapat dihitung sebagai berikut. Misalkan
A adalah
d l h peristiwa
i ti
pemilihan
ilih sebuah
b h bantalan
b t l yang cacat,
t
dan B1, B2, B3, dan B4, adalah peristiwa pemilihan bantalan
dari vendor I, II, III, dan IV. Maka
4

i =1

i =1

i =1

Dr. Ir. Harinaldi, M.Eng

Kemudian jika terpilih sebuah bantalan cacat, maka

probabilitas bantalan cacat itu berasal dari vendor III adalah

P( B3 | A) =

P( B3 A)
0, 03
=
= 0, 2353
P ( A)
0,1275

P( A) = P( A Bi ) = P( Bi ) P ( A | Bi )
= 0, 25(0, 2) + 0,35(0, 05) + 0,1(0,3) + 0,3(0,1)
= 0,1275
Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

26

1/27/2011

Teknik Enumerasi: Pohon Probabilitas

Teknik Enumerasi: Pohon Probabilitas

Pohon Probabilitas
Alat bantu grafis yang memudahkan dalam mengevaluasi
probabilitas yang berkaitan dengan eksperimen yang terdiri
dari beberapa tahap

Teknik Enumerasi: Pohon Probabilitas

Teknik Enumerasi: Analisis Kombinatorial

Permutasi
Suatu permutasi dari n obyek yang berbeda dan setiap
kalinya dipilih sebanyak r obyek adalah suatu cara
penyusunan r obyek dari n obyek tersebut dengan
memperhatikan urutan susunannya
Didefinisikan:

dimana : n! = n(n-1)(n-2) .(2)(1) dan 0! =1

27

1/27/2011

Teknik Enumerasi: Analisis Kombinatorial

Teknik Enumerasi: Analisis Kombinatorial

Kombinasi
Suatu kombinasi dari n obyek yang berbeda dan setiap
kalinya dipilih sebanyak r obyek adalah suatu cara
penyusunan r obyek dari n obyek tersebut tanpa
memperhatikan urutan susunannya
Didefinisikan:

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

Teknik Enumerasi: Analisis Kombinatorial

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

28

1/27/2011

Tujuan Pembelajaran

Pokok Bahasan

Variabel Acak (Random Variable)

Distribusi Probabilitas Diskrit

Sebuah variabel acak X :

variabel yang memiliki nilai numerik tunggal dari
setiap outcome sebuah eksperimen probabilitas
Variabel Acak Diskrit:
nilai yang dapat dicacah (countable)
Variabel Acak Kontinu:
diperoleh dari hasil pengukuran

Fungsi Probabilitas
Seluruh keluaran yang mungkin dari sebuah eksperimen
probabilitas dengan variabel diskrit X :
X = {x1, x2, x3, , xn}
Nilai probabilitas yang berkaitan dengan keluaran
tersebut adalah P(X=x1), P(X=x2), P(X=x3),, P(X=xn)
Sebaran nilai probabilitas ini membentuk sebuah
distribusi probabilitas diskrit variabel X
P(X=xn) biasa dinotasikan juga dengan p(xn)
P(X=xn) = p(xn) fungsi probabilitas
Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

29

1/27/2011

0 p( x ) 1

0 p( x ) 1

Distribusi Probabilitas Diskrit

Distribusi Probabilitas Diskrit

Sifat Fungsi Probabilitas

1. Nilai-nilai sebuah fungsi probabilitas adalah angkaangka yang berada dalam interval antara 0 dan 1.
2. Jumlah seluruh nilai fungsi
g probabilitas
p
adalah 1.

Dr. Ir. Harinaldi, M.Eng

Teknik Mesin FTUI

0 p( x ) 1

Distribusi Probabilitas Diskrit

Fungsi Distribusi Kumulatif

Fungsi distribusi kumulatif (cumulative distribution
function/cdf ) yang didefinisikan sebagai:

F ( x ) = P( X x ) =

p( )

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

30

1/27/2011

Dr. Ir. Harinaldi, M.Eng

Teknik Mesin FTUI

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

Statistik Deskriptif Distribusi

Probabilitas Diskrit
Ukuran-ukuran statistik deskriptif untuk suatu distribusi
probabilitas diskrit dapat ditentukan dengan prinsip-prinsip
yang sudah dibahas pada bab statistik deskriptif
Mean

x = x i p( x i )
i =1

Varians

x2 = ( x i x )2 p ( x i )
i =1

31

1/27/2011

Distribusi Probabilitas Kontinu

Distribusi Probabilitas Kontinu

Fungsi Kepadatan Probabilitas

Untuk variable acak kontinu
Kurva distribusi probabilitas diwakili oleh poligon
frekuensi relatif yang dimuluskan
Kurva
K
ini
i i dapat
d t di
dinyatakan
t k oleh
l h suatu
t fungsi
f
i kontinu,
k ti
misalnya f(x), yang disebut sebagai fungsi kepadatan
probabilitas (probability density function/pdf)
Probabilitas bahwa X terletak antara a dan b

P (a X b ) = p(a x b ) =

a f ( x )dx

Luas di bawah kurva

Distribusi Probabilitas Kontinu

Sifat Fungsi Kepadatan Probabilitas

1. Fungsi kepadatan probabilitas (pdf) : f(x) 0 (nonnegatif).
2. Luas total daerah dibawah kurva f(x) = 1
Catatan :
Untuk variabel kontinu : P(X=c) = p(c) = 0

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

32

1/27/2011

Distribusi Probabilitas Kontinu

Fungsi Distribusi Kumulatif

x

F ( x ) = P( X x ) = f (t )dt Pb
( X c) =

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

Teknik Mesin FTUI

f(t)dt f(t)dt =F(c)F(b)

Dr. Ir. Harinaldi, M.Eng

33

1/27/2011

Statistik Deskriptif Distribusi

Probabilitas Kontinu
Ukuran-ukuran statistik deskriptif untuk suatu distribusi
probabilitas diskritkontinu dapat ditentukan dengan
prinsip-prinsip yang sudah dibahas sebelumnya
Mean

x = x f ( x )dx

Varians

= ( x x ) f ( x )dx

Teknik Mesin FTUI

2
x

Dr. Ir. Harinaldi, M.Eng

Histogram Probabilitas
Ketinggian sebuah batang histogram merupakan nilai
fungsi kepadatan probabilitas untuk seluruh nilai variabel
acak sepanjang interval yang diwakili batang tersebut
Luas dari sebuah batang histogram merupakan nilai
fungsi
g probabilitas
p
dari variabel acak antara batas-batas
kelasnya.

tinggi histogram = h( xlb x xub ) =

Teknik Mesin FTUI

p( xlb x xub )
xub xlb

Dr. Ir. Harinaldi, M.Eng

34

1/27/2011

Distribusi Probabilitas Dengan

Parameter

Distribusi Probabilitas Dengan

Parameter

Distribusi probabilitas dengan fungsi probabilitas p(x) yang

tergantung pada sebuah kuantitas yang dapat bernilai
sembarang dimana setiap nilai yang berbeda dari kuantitas
tersebut akan membentuk distribusi probabilitas yang
b b d pula,
berbeda
l maka
k kkuantitas
tit ttersebut
b t di
disebut
b t sebagai
b i
parameter distribusi
Kumpulan seluruh distribusi probabilitas yang terbentuk
dengan berbagai nilai yang berbeda dari parameternya
disebut sebuah keluarga distribusi probabilitas.
Sebuah fungsi probabilitas p(x) yang memiliki parameter
dinotasikan secara matematik dengan p(x ; ).
Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

Distribusi Probabilitas Dengan

Parameter

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

35

1/27/2011

Nilai Harapan
(Harapan Matematik)
Jika X = { x1, x2, x3,, xn} yang masing-masing mempunyai
probabilitas p(x1), p(x2), p(x3),, p(xn) dimana p(x1) + p(x2) +
p(x3) +,+ p(xn) = 1, maka nilai harapan/harapan matematik
dari X yang dinyatakan sebagai E(X) didefinisikan sebagai:
n

E( X ) = xi p( xi )

Variabel Diskrit

E ( X ) = x f ( x )dx

Variabel Kontinu

i =1

Mean value

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

Tujuan Pembelajaran
Menjelaskan pengertian distribusi binomial,
mengidentifikasi eksperimen binomial dan menghitung
probabilitas binomial, menghitung ukuran pemusatan
dan penyebaran distribusi binomial
Menjelaskan pengertian distribusi Poisson,
mengidentifikasi eksperimen Poisson dan menghitung
probabilitas
b bili
Poisson,
P i
menghitung
hi
ukuran
k
pemusatan
dan penyebaran distribusi Poisson
Mengetahui adanya jenis-jenis distribusi probabilitas
variabel acak diskrit lainnya
Menjelaskan sifat-sifat suatu distribusi normal,
menggunakan mean dan deviasi standard dari variabel
acak kontinyu yang terdistribusi secara normal untuk
mengubah nilai variabel acak menjadi skor standard

36

1/27/2011

Tujuan Pembelajaran
Menghitung probabilitas distribusi normal dan
menjelaskan hubungannya dengan luas daerah di
bahwa kurva probabilitas normal, Menentukan skor z
dari persyaratan probabilitas yang ditentukan
Mengetahui adanya jenis-jenis distribusi probabilitas
variabel acak kontinyu lainnya

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Binomial
Eksperimen Binomial
Suatu distribusi binomial dapat digunakan dengan
tepat dalam suatu eksperimen binomial
Eskperimen Binomial:
Setiap percobaan/trial, hanya dapat menghasilkan satu
dari dua hasil yang mungkin,
mungkin sukses atau gagal
Probabilitas sukses p, dan demikian pula probabilitas
gagal q = 1 - p selalu tetapdalam setiap percobaan (trial)
Setiap percobaan/trial saling bebas secara statistik, yang
berarti hasil suatu percobaan tidak berpengaruh pada
hasil percobaan lainnya
Jumlah percobaan n adalah konstanta yang telah
ditentukan sebelumnya (dinyatakan sebelum eksperimen
dimulai)

Pokok Bahasan
Distribusi Probabilitas Variabel Acak Diskrit
- Distribusi Binomial
- Distribusi Poisson
Distribusi Probabilitas Variabel Acak Kontinyu
- Distribusi Gaussian (Normal)

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Binomial
Contoh 4.1:
Berikut ini adalah beberapa contoh eksperimen binomial:
Suatu kuis terdiri dari 5 soal pilihan ganda dengan empat buah
jawaban alternatif, probabilitas banyaknya soal yang benar
dijawab oleh seseorang adalah eksperimen binomial dengan p =
1/4, q = 3/4, n = 5 dan variabel acak diskrit adalah jumlah
jawaban benar, x = 0, 1, 2, 3, 4, 5
Dalam suatu kajian tentang ketangguhan mesin suatu jenis
mobil didapati bahwa 67 persennya memiliki jarak tempuh lebih
dari 400 ribu kilometer sampai harus turun mesin (overhaul)
yang pertama kalinya. Dua belas mobil jenis yang bersangkutan
dipilih secara acak dan jarak tempuh rata-rata sampai turun
mesin diperiksa. Eksperimen diatas adalah eksperimen binomial
dengan p = 0,67, q = 0,33, n = 12 dan variabel acak diskrit adalah
jumlah mobil yang dapat menempuh jarak lebih dari 400 ribu
kilometer sebelum turun mesin pertama kali, x = 0, 1, 2, 3, 4, 5, 6,
7, 8, 9, 10, 11, 12

37

1/27/2011

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Binomial
Probabilitas Binomial

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Binomial
Contoh 4.2:

Dalam sebuah eksperimen binomial dengan n percobaan

(trial), dimana p adalah probabilitas sukses dan q = 1 p
adalah probabilitas gagal dalam sekali percobaan, maka
probabilitas variabel acak X yakni banyaknya x sukses yang
terjadi pada n percobaan tersebut dapat dihitung dengan :

Distribusi probabilitas pada contoh 4.1 mengenai suatu kuis terdiri dari
5 soal pilihan ganda dengan empat buah jawaban alternatif, yang
merupakan suatu eksperimen binomial (p = 1/4, q = 3/4, n = 5 dan
variabel acak diskrit (X) adalah jumlah jawaban benar), dapat
ditentukan sebagai berikut:

( 4) ( 34)

( 4) ( 34)

P ( X = 1) = p(1) = 5 C1 1

P ( X = x) = p ( x ) = n C x p x q n x = n C x p x (1 p ) n x
n Cx

P ( X = 2) = p (2) = 5 C2

= kombinasi dari n obyek yang setiap kali dipilih x obyek

= npq

Kemencengan
(skewness) :

1 =

Keruncingan
(kurtosis) :

2 = 4 =

2
x

q
p 2
+

np nq n

1 6 pq
+3
npq

= 0, 2373

= 0,3955

( ) ( 4)

= 0, 2637

( ) ( 34)

= 0, 0879

( ) ( 34)

5! 1
5!0! 4

= 0, 0010

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Binomial
Contoh 4.3:
Pada distribusi probabilitas dalam contoh 4.1 mengenai suatu kajian
tentang ketangguhan mesin suatu jenis mobil yang merupakan
eksperimen binomial dengan p = 0,67, q = 0,33, n = 12, diperoleh :

x = E ( X ) = np = (12)(0, 67) = 8, 04

x = npq
3 = 1 =

( 4) ( 34)

5! 1
=
3!2! 4

( 4) ( 3 4 )

Ukuran Pemusatan dan Penyebaran

Varians dan
St d d Deviasi
Standard
D i i:

P( X = 5) = p (5) = 5 C5 1

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Binomial

x = E ( X ) = np

( ) ( 34)

5! 1
=
1!4! 4

( 4) ( 4)
2

5! 1
( 4 ) ( 3 4 ) = 4!1!
( 4 ) ( 3 4 ) = 0, 0146

k =0

Mean Aritmatika
(Nilai Harapan) :

( ) ( 34)

5! 1
0!5! 4

5! 1
=
2!3! 4

P( X = 4) = p (4) = 5 C4 1

F ( x) = n Ck p k q n k = n Ck p k (1 p) n k
k =0

P( X = 3) = p(3) = 5 C3 1

Distribusi kumulatif dari probabilitas binomial :

x

P ( X = 0) = p (0) = 5 C0 1

q p
npq

x2 = npq = (12)(0, 67)(0,33) = 2,6532

x = npq = 2,6532 = 1,6289

1 =

q
p 2
0,33
0, 67
2
+
=
+
=1
np nq n (12)(0, 67) (12)(0, 33) 12

2 =

1 6 pq
1 6(0, 67)(0,33)
+3=
+3= 2
npq
(12)(0, 67)(0,33)

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

38

1/27/2011

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Binomial

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Binomial

Ilustrasi Distribusi Binomial di Bidang Teknik

Ilustrasi Distribusi Binomial di Bidang Teknik

Pemeriksaan elemen-elemen benda manufaktur

Dalam kebanyakan kasus, pemeriksaan menggunakan
dua kategori, rusak atau dapat diterima/dipakai
Diasumsikan elemen-elemen benda kerja berasal dari
sebuah populasi yang:
memiliki persentase bagian baik dan buruk yang
tetap
persentase ini tetap sama pada waktu kita
mengambil sampel untuk diuji

probabilitas mendapatkan x elemen baik dari batch

sampel sejumlah n adalah:

9 populasi yang cukup besar

9 menggantikan setiap sampel yang terambil dengan
yang lainnya yang memiliki karakteristik serupa
selama kita melakukan pengambilan sampel

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Binomial
Dalam praktek:
nilai p yang sebenarnya tidak diketahui
Perkirakan p berdasarkan data yang diperoleh dari jumlah
sampel yang terbatas
Batas-batas interval kepercayaan untuk p telah dikaji dan
hasilnya telah dibuat dalam bentuk tabel-tabel (n < 30) dan
grafik-grafik
grafik
grafik (n 30)

P ( X = x) = p ( x ) = n C x p x q n x = n C x p x (1 p ) n x
p = probabilitas
mendapatkan elemen
yang baik = 0,25
q = probabilitas
mendapatkan elemen
yang buruk = 1 p = 0,75
n = jumlah elemen dalam
batch yang sedang diuji
=10

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Poisson
Eksperimen Poisson
Distribusi Poisson digunakan dalam mengamati jumlah
kejadian-kejadian khusus yang terjadi dalam satu
satuan waktu atau ruang
Suatu distribusi Poisson dapat digunakan dengan tepat
dalam suatu eksperimen Poisson :
Eksperimen yang meliputi penghitungan/pencacahan
banyaknya kali suatu peristiwa terjadi dalam suatu satuan
waktu atau ruang yang ditentukan
Probabilitas peristiwa tersebut adalah sama untuk setiap
satuan waktu atau ruang
Banyaknya peristiwa yang terjadi dalam suatu satuan
waktu atau ruang saling bebas terhadap banyaknya
peristiwa yang terjadi pada suatu satuan waktu atau
ruang lainnya

39

1/27/2011

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Poisson
Contoh 4.4:
Berikut ini adalah beberapa contoh eksperimen Poisson:
Banyaknya klaim asuransi kecelakaan mobil terhadap suatu
perusahaan asuransi setiap tahunnya
Banyaknya cacat pada permukaan sebuah panel lembaran
logam yang digunakan dalam produksi suatu satelit ruang
angkasa
Banyaknya panggilan telepon yang masuk setiap menitnya pada
kantor pelayanan darurat jalan tol
jumlah yang rusak pada setiap 3000 meter pita pada jalur
manufaktur pita magnetik

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Poisson
Contoh 4.5:
Contoh yang mudah dijelaskan misalnya adalah pada peristiwa emisi
dari partikel radioaktif yang dideteksi dengan sebuah Geiger counter.
Partikel-partikel ini diemisikan dalam waktu yang acak. Namun, jika kita
hitung jumlah emisi tersebut untuk waktu yang lama, maka laju ratarata emisi m partikel-partikel perdetik dapat dihitung. Jika kemudian
kita ingin memperkirakan probabilitas P(X=x) atau p(x) dapat
menghitung secara tepat x partikel dalam selang satu detik
detik, fenomena
ini menunjukkan sangat mendekati model matematika Poisson.
x m
me
P( X = x) = p ( x) =
x!

Sebagai contoh, jika m = 3 maka probabilitas dengan tepat 5

partikel perdetik adalah
P( X = 5) = p (5) =

5 3

3e
(243)(0, 0498)
=
= 0,1008
5!
120

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Poisson
Probabilitas Poisson
Dalam sebuah eksperimen Poisson, probabilitas
memperoleh dengan tepat peristiwa X sebanyak x kejadian
setiap satu satuan waktu atau ruang (jam, menit, meter
persegi, dll) dapat dihitung dengan rumus:

P ( X = x) = p ( x ) =

xe
x!

= laju kejadian (rata-rata banyaknya kejadian dalam satu

satuan waktu)
e = basis logaritma natural = 2,71828.

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Poisson
Ukuran Pemusatan dan Penyebaran
Mean Aritmatika
(Nilai Harapan) :

x = E( X ) =

Varians dan
St d d Deviasi
Standard
D i i:

x2 =

Kemencengan
(skewness) :

1 =

Keruncingan
(kurtosis) :

2 = 4 =

x =

3 = 1 =

+3

40

1/27/2011

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Poisson
Ilustrasi Distribusi Poisson di Bidang Teknik
Pengendali yang akan menghentikan proses saat terjadi
cacat yang tidak normal (laju cacat tinggi), untuk
mengurangi jumlah sisa tak terpakai (scrap)
Misal cacat terjadi secara acak dan secara rata-rata
terjadi 0,6
0 6 cacat untuk setiap 1000 meter produk
Kondisi syarat untuk menghentikan proses

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Poisson
Untuk kasus 1 atau lebih cacat, gunakan kurva berlabel x = 0:
untuk proses normal, kita akan menemukan 1 atau lebih cacat
adalah sekitar 46 persen dari keseluruhan waktu
Jika kriteria diubah menjadi 2, 3, dan 4 cacat atau lebih maka
proporsinya akan menjadi berturut-turut 13, 3, 0,4 persen dari
keseluruhan waktu

9 Menghentikan proses ketika tidak terjadi kecacatan

9 Tidak menghentikan proses ketika terjadi kecacatan

Keuntungan dan kerugian menggunakan sampel

dengan ukuran tertentu
Ukuran sampel yang terbaik yang harus digunakan

Distribusi Probabilitas Variabel

Acak Diskrit Distribusi Lain

41

1/27/2011

Distribusi Probabilitas Variabel

Acak Kontinyu
Histogram Probabilitas

Distribusi Probabilitas Variabel

Acak Kontinyu
Histogram Probabilitas

Sifat-sifat histogram probabilitas variabel acak kontinyu:

Luas daerah hc dari setiap batang adalah probabilitas
mendapatkan varibel acak dalam kelas interval yang
bersangkutan
Jumlah seluruh luas daerah batang
g tersebut harus 1,00
,
(100 persen probabilitas bahwa variable didapatkan
antara nilai terendah dan tertinggi)
Probabilitas dari setiap batang adalah persentase dari
nilai data yang berada di dalam kelas interval tersebut

h=

probabilitas mendapatkan variabel acak dalam kelas interval

lebar kelas interval, c

Distribusi Probabilitas Variabel

Acak Kontinyu

Distribusi Probabilitas Variabel

Acak Kontinyu

Fungsi Kepadatan Probabilitas

Fungsi Kepadatan Probabilitas

Eksperimen hipotetis yang mempersyaratkan dua hal yaitu :

Variabel acaknya (dalam contoh di atas adalah breaking
stress) harus dapat diukur dengan ketelitian (resolusi)
yang kecil tak hingga (infinitesimal), artinya nilai yang
diukur memiliki jjumlah angka
g penting
p
g yang
y g tak terbatas
Sampel yang diuji jumlahnya juga tidak terbatas
Lebar kelas interval dapat kecil sekali (jumlah kelas interval
semakin banyak), sehingga histogram yang berbentuk
seperti tangga akan menjadi sebuah kurva yang mulus
Kurva ini adalah kurva sebuah fungsi f dari variabel x, f(x).
Fungsi f(x) ini disebut fungsi kepadatan probabilitas
(probability density function/PDF)
Luas batang f(x)dx masih memiliki arti yang sama yakni
probabilitas mendapatkan x dalam kelas interval dx

Jadi probabilitas mendapatkan x bernilai antara a dan b

b
adalah:

P ( X | a < x < b) = p (a < x < b) = f ( x)dx

a

Jik
Jika dik
diketahui
t h i PDF dari
d i sebuah
b h variabel
i b l acak
k f(x),
f( ) maka
k
banyak perhitungan berguna yang dapat dilakukan:

P( X | x < a ) = p( x < a) =

f ( x)dx

P( X | x > b) = p ( x > b) = f ( x) dx
b

P( X | < x < ) = p( < x < ) =

f ( x) dx = 1.0

42

1/27/2011

Distribusi Probabilitas Variabel

Acak Kontinyu
Fungsi Kepadatan Probabilitas

Distribusi Probabilitas Variabel

Acak Kontinyu
Fungsi Kepadatan Probabilitas
Untuk setiap PDF f(x) terdapat
sebuah fungsi terkait F(x) yang
disebut fungsi distribusi
kumulatif, yang didefinisikan
sebagai:

F ( x) =

f (x)dx

Fungsi ini menyatakan

probabilitas bahwa x kurang dari
sebuah nilai tertentu:
xa

p( < x xa ) =

f ( x)dx

Distribusi Probabilitas Variabel

Acak Kontinyu

Distribusi Probabilitas Variabel

Acak Kontinyu Distribusi Gaussian

Fungsi Kepadatan Probabilitas Teoritis

Fungsi Kepadatan Probabilitas Gaussian

Ketika mencari fungsi-fungsi matematik yang bisa dipakai

sebagai fungsi kepadatan probabilitas PDF, hanya ada
beberapa kriteria dasar yang harus dipenuhi:
Fungsi f(x) yang ingin dijadikan PDF harus tidak negatif
(non-negative function)
Fungsi f(x) harus berupa kurva yang baik yang sesuai
dengan data dalam praktek sebenarnya yang akan dikaji

f ( x)dx = 1.0

Distribusi yang paling penting dan paling biasa digunakan

sebagai model bagi data aktual distribusi normal

Setiap fungsi yang memenuhi persyaratan tersebut adalah

model matematik yang berguna dan potensial untuk menjadi
fungsi kepadatan probabilitas.

f ( x) =

x 2

( x x )2
(2 x 2 )

< x <

Untuk setiap nilai x dan x :

kurva fungsi simetris terhadap x
memiliki total luas di bawah kurva tepat 1.0
Nilai dari x menentukan bentangan dari kurva sedangkan
x menentukan pusat (center)nya
Kemencengannya (skewness) = 3 = 1 = 0
keruncingannya (kurtosis) = 4 = 2 = 3

43

1/27/2011

Distribusi Probabilitas Variabel

Acak Kontinyu Distribusi Gaussian
Fungsi Kepadatan Probabilitas Gaussian

Distribusi Probabilitas Variabel

Acak Kontinyu Distribusi Gaussian
PDF Gaussian Standard
Kurva PDF gaussian yang khusus dengan nilai mean, = 0 dan
deviasi standar, = 1
Variabel acak dari PDF gaussian standard adalah satuan
standard deviasi dan didefinisikan sebagai skor z (z score):

zx =

x x

Dengan menggunakan variabel z fungsi PDF gaussian

standardnya menjadi

f ( zx ) =

1 zx2 / 2
e
2

Perhitungan probabilitas untuk distribusi gaussian apapun,

dapat dipermudah dengan menggunakan tabel gaussian
standard

Distribusi Probabilitas Variabel

Acak Kontinyu Distribusi Gaussian

Distribusi Probabilitas Variabel

Acak Kontinyu Distribusi Gaussian

PDF Gaussian Standard

44

1/27/2011

Distribusi Probabilitas Variabel

Acak Kontinyu Distribusi Gaussian

Distribusi Probabilitas Variabel

Acak Kontinyu Distribusi Gaussian

Contoh 4.6:

Contoh 4.6 (lanjutan):

Nilai tahanan yang pada sejenis rangkaian menunjukkan suatu

distribusi gaussian dengan mean 100 ohm dan deviasi standard 5
ohm :
Probabilitas nilai tahanan dari sebuah rangkaian jenis ini yang dipilih
secara random yang lebih besar dari 110
x ohm
110adalah:
100
x

Nilai tahanan dari sebuah rangkaian jenis ini yang dipilih secara
random yang probabilitasnya meliputi 99,43 % dari seluruh rangkaian:

x = 100, x = 5, x > 110 z x >

=2

P ( x > 100) = P ( z x > 2) = 1 P( z x 2) = 1 0,97725 = 0, 02275 = 2, 28%

P ( z x a ) = 99, 43% = 0,9943 a = z x = 2,53

zx =

x x

x = x + z x x
= 100 + (2,53)(5)
(2 53)(5) = 112,
112 65

Jadi 99,43 % dari rangkaian memiliki nilai tahanan kurang dari 112,65
ohm.

Probabilitas nilai tahanan dari sebuah rangkaian jenis ini yang dipilih
x = 100,
= 5,
secara random
yang xbernilai
antara 96,72 ohm dan 101,17 ohm adalah:
96,72 x 101,17

96, 72 100
96, 72 101,17
zx

5
5

0, 656 z x 0, 234
P (96,72 x 101,17) = P (0, 656 z x 0, 234)
= 0,5925 0, 2559 = 0,3366 = 33, 66%

Distribusi Probabilitas Variabel

Acak Kontinyu Distribusi Lainnya

45

1/27/2011

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

Tujuan Pembelajaran
Memahami perlunya suatu sampling (pengambilan
sampel) serta keuntungan- keuntungan melakukannya
Menjelaskan pengertian sampel acak untuk sampling
tanpa pergantian untuk suatu populasi terhingga dan
pengambilan sampel untuk populasi tak terhingga
Menjelaskan langkah-langkah yang diperlukan untuk
membentuk suatu distribusi sampling
p g dari mean-mean
sampel, menghitung mean dan deviasi standard dari
distribusi sampling tersebut
Menjelaskan langkah-langkah yang diperlukan untuk
membentuk suatu distribusi sampling dari proporsi
sampel, menghitung mean dan deviasi standard dari
distribusi sampling tersebut
Menghitung mean dan deviasi standard dari distribusi
sampling yang merupakan perbedaan atau penjumlahan
dari sampel-sampel yang berasal dari dua populasi

Pokok Bahasan
Pengertian dan Konsep Dasar Sampling
Distribusi Sampling Dari Mean
Distribusi Sampling Dari Proporsi
Distribusi Sampling Dari Perbedaan dan
Penjumlahan

46

1/27/2011

Pengertian dan Konsep Dasar

Pengertian dan Konsep Dasar

Kebutuhan dan Keuntungan Sampling

Sampling Acak (Random Sampling)

Sampling yang baik:

Hemat biaya dan waktu
Akurat
Secara khusus teknik sampling berguna dalam :
Estimasi parameter populasi yang tidak diketahui
berdasarkan informasi dari statistik sampel
Menentukan apakah perbedaan pada dua sampel
adalah benar-benar signifikan (berarti) atau
karena kebetulan sifatnya

Suatu kesimpulan yang diambil berdasarkan sampel

harus:
valid
dapat dipercaya
Sampel dipilih sedemikian hingga mewakili populasi
sampling acak

Pengertian dan Konsep Dasar

Contoh 5.1:
Jika kita memeriksa rata-rata harian banyaknya produk
cacat di sebuah pabrik selama 12 bulan terakhir, maka
populasi yang diperoleh adalah populasi terhingga
yang meliputi produk cacat dari semua jalur produksi
di pabrik
b ik itu
i
Jika kita mengukur kecepatan prosesor komputer yang
dibuat oleh sebuah perusahaan tertentu maka populasi
yang diperoleh adalah populasi tak terhingga, karena
produk tersebut akan terus diproduksi dan
dikembangkan di masa-masa mendatang

Populasi Terhingga dan Tak Terhingga

Populasi terhingga (finite population): jumlah seluruh
anggotanya tetap dan dapat didaftar
Populasi tak terhingga (infinite population) memiliki
anggota yang banyaknya tak terhingga

Pengertian dan Konsep Dasar

Sampling Dengan dan Tanpa Pergantian
Sampling dengan pergantian setiap anggota
sebuah populasi bisa terpilih lebih dari sekali
Sampling tanpa pergantian anggota populasi yang
telah terpilih tidak bisa dipilih lagi
Contoh 5.2:
Dalam memilih sebuah nomor yang mewakili komponen
sebagai sampel dari sebuah batch produksi, kita bisa
mengembalikan lagi atau tidak mengembalikan kembali
nomor yang telah terpilih kedalam batch produksi.
Dalam kasus pertama disebut sampling dengan
pergantian sedangkan kasus yang kedua adalah sampling
tanpa dengan pergantian

47

1/27/2011

Pengertian dan Konsep Dasar

Distribusi Sampling

Pengertian dan Konsep Dasar

Distribusi Sampling

Dari sebuah populasi dibentuk seluruh kemungkinan

sampel berukuran n
Dari masing-masing sampel:
dihitung sebuah statistik (misal mean, deviasi
standard, dll.) yang nilainya tentu akan berbeda-beda
Kumpulan
K
l nilai
il i statistik
t ti tik dari
d i sampell ini
i i membentuk
b t k
suatu distribusi
Distribusi ini dinamakan distribusi sampling.
distribusi sampling dari mean sampel (sampling
distribution of the mean)
distribusi sampling dari deviasi standard, varians,
median, proporsi, dll
Kemudian terhadap masing-masing jenis distribusi
sampling inipun dapat dihitung nilai-nilai statistik
deskriptifnya

Pengertian dan Konsep Dasar

Contoh 5.3:
Suatu populasi terdiri atas lima hasil pengukuran bernilai 2, 3, 6, 8, 11.
Jika dari populasi ini hendak digunakan dua hasil pengukuran sebagai
sampel, distribusi sampling dari mean sampel yang bisa dibentuk jika:
sampling dengan pergantian dan urutan diperhatikan
Kemungkinan sampel yang terbentuk adalah:
(2,2)
(2,3)
(2,6)
(2,8)
(2,11)
(3 2)
(3,2)
(3 3)
(3,3)
(3 6)
(3,6)
(3 8)
(3,8)
(3 11)
(3,11)
(6,2)
(6,3)
(6,6)
(6,8)
(6,11)
(8,2)
(8,3)
(8,6)
(8,8)
(8,11)
(11,2) (11,3) (11,6) (11,8) (11,11)
Maka mean sampel yang terbentuk adalah:
2,0
2,5
4,0
5,0
6,5
2,5
3,0
4,5
5,5
7,0
4,0
4,5
6,0
7,0
8,5
5,0
5,5
7,0
8,0
9,5
6,5
7,0
8,5
9,5
11,0

Pengertian dan Konsep Dasar

Contoh 5.3 (lanjutan):
Sehingga distribusi sampling dari mean sample yang terbentuk
adalah :
Mean
Samp
el

2,5

4,5

5,5

6,5

8,5

9,5

11

Freku
ensi

Proba
bilitas

1/25

2/25

1/25

2/25

2/25

2/25

2/25

1/25

2/25

4/25

1/25

2/25

2/25

1/25

48

1/27/2011

Distribusi Sampling dari Mean

Distribusi Sampling dari Mean

Definisi

Mean dan Deviasi Standard Distribusi Sampling Mean

Distribusi sampling dari mean-mean sampel adalah distribusi

mean-mean aritmetika dari seluruh sampel acak berukuran n
yang mungkin yang dipilih dari sebuah populasi

Untuk nilai n yang besar (n > 30), distribusi sampling mean

mendekati suatu distribusi normal terlepas dari bentuk asli
distribusi populasinya
Jika populasinya memiliki distribusi normal,maka distribusi
sampling mean juga terdistribusi secara normal untuk nilai n
berapapun
p p (tidak
(
tergantung
g
g ukuran sampel)
p )
Deviasi standard dari sebuah distribusi sampling mean disebut
juga dengan error standard daripada mean

Mean dan Deviasi Standard Distribusi Sampling Mean

Jika sampling dilakukan
tanpa pergantian dari suatu
populasi terhinga berukuran
N, maka:

Jika sampling dilakukan

dengan pergantian atau
populasinya tak terhingga,
maka:

x = x

x = x
x =

N n
N 1

x =

x
n

Distribusi Sampling dari Mean

Distribusi Sampling dari Mean

Contoh 5.5:

Contoh 5.4:
Dari contoh 5.3 dapat dihitung mean populasi, mean distribusi sampling
mean deviasi standard populasi dan deviasi standard distribusi sampling
mean sebagai berikut:
x =

2 + 3 + 6 + 8 + 11 30
=
= 6, 0
5
5

((2 6)) 2 + ((3 6)) 2 + ((6 6)) 2 + ((8 6)) 2 + ((11 6)) 2 +
x =
= 3,
3 29
5
14

x =

fi xi

i =1
14

fi

(1)(2) + (2)(2,5) + ... + (1)(11) 150

=
= 6, 0
1 + 2 + ... + 1
25

i =1

14

x =

fi ( xi x )2
i =1

14

fi
i =1

Terlihat bahwa x = x
dengan n = 2

(1)(2 6) 2 + (2)(2,5 6) + ... + (1)(11 6)

135
=
= 2, 32
25
25

x
x =
dan dapat ditunjukkan
bahwa
n

Lima ratus cetakan logam memilki berat rata-rata 5,02 N dan deviasi standard
0,30 N. Probabilitas bahwa suatu sampel acak dengan ukuran sampel 100
cetakan yang dipilih akan mempunyai berat total antara 496 sampai 500 N
dapat ditentukan sbb. Distribusi sampling mean persoalah diatas memiliki:

x = x = 5, 02 N
x =

x
n

N n 0,30
=
N 1
100

500 100
= 0,
0 027
500 1

Seratus sampel cetakan memiliki berat total 496 sampai 500 N jika rataratanya adalah 4,96 sampai 5,00 N. Jadi dengan menggunakan tabel
distribusi normal standard skor z adalah:
4,96 5, 02
x = 4,96 z x =
= 2, 22
0, 027
x = 5, 00 z x =

5, 00 5, 02
= 0, 74
0, 027

P(4,96 x < 5, 00) = P(2, 22 z x 0, 74) = (0, 22965 0, 01321) = 0, 2164 = 21, 64%

49

1/27/2011

Distribusi Sampling dari Proporsi

Mean dan Deviasi Standard Distribusi

Definisi
Distribusi sampling dari proporsi adalah distribusi proporsiproporsi dari seluruh sampel acak berukuran n yang mungkin
yang dipilih dari sebuah populasi

Mean dan Deviasi Standard Distribusi Sampling Mean

Jika probabilitas sukses
populasi adalah sementara
probabilitas gagalnya adalah
=1 - dan samplingnya tanpa
pergantian dari populasi
terhinga berukuran N
P =

P =

Distribusi Sampling dari Proporsi

Jika sampling dilakukan

dengan pergantian atau
populasinya tak terhingga,
maka:

Sampling Proporsi

Untuk nilai n yang besar (n > 30), distribusi sampling

proporsi mendekati suatu distribusi normal
Jika nilai proporsi menyatakan variabel diskrit:
diperlukan faktor koreksi (1/2n ) dalam
mengubahnya kedalam skor z untuk menentukan
probabilitas menggunakan tabel distribusi normal

P =
P =

(1 ) N n
N n
=
N 1
n
N 1

(1 )
n

Distribusi Sampling dari Proporsi

Distribusi Sampling dari Perbedaan

dan Penjumlahan
Definisi

Contoh 5.6:
Divisi pengendalian mutu pabrik perkakas mesin mencatat bahwa 2 %
dari mata bor yang diproduksi mengalami cacat. Jika dalam pengiriman
satu batch produk terdiri dari 400 mata bor, tentukan probabilitas
banyaknya mata bor yang cacat 3 % atau lebih?
Distribusi sampling proporsi

P = = 0,02
0 02 dan
d
P =

((1 )
n

0,, 02(1
( 0,, 02))
= 0,
0 007
400

Koreksi untuk variabel diskrit =1/2n = 1/(2)(400) ==1/800 = 0,00125

Proporsi (3 %) setelah dikoreksi, P = 0,03 - 0,00125 = 0.02875
Skor z untuk P = 0,02875 adalah:
zP =

P P

0, 02875 0, 02
=
= 1, 25
0, 007

Maka probabilitas mata bor yang cacat dengan proporsi lebih dari 3 %:

P( zP > 1, 25) = 1 P( zP 1, 25) = 1 0,8944 = 0,1056 = 10,56%

Terdapat dua populasi

Untuk setiap sampel berukuran n1 dari populasi pertama dihitung
sebuah statistik S1 dan menghasilkan sebuah distribusi sampling dari
statistik S1 yang memiliki mean s1 dan deviasi standard s1
Dari populasi kedua, untuk setiap sampel berukuran n2 dihitung
statistik S2 yang akan menghasilkan sebuah distribusi sampling dari
statistik S2 yang memiliki mean s2 dan deviasi standard s2

Mean dan Deviasi Standard

Distribusi sampling perbedaan
S1 S2 memiliki

S S = S S
1

S +S = S + S

S S = +
2
S1

Distribusi sampling
penjumlahan S1 + S2 memiliki:
1

2
S2

S + S = + S2
1

2
S1

50

1/27/2011

Distribusi Sampling dari Perbedaan

dan Penjumlahan
Contoh 5.7:
Lampu bohlam A memiliki daya tahan rata-rata 1400 jam dan deviasi
standard 200 jam, sementara lampu B memiliki daya tahan rata-rata
1200 jam dengan deviasi standard 100 jam. Jika dari masing-masing
produk dipilih 125 bohlam sebagai sampel, maka probabilitas bahwa
bohlam A memiliki daya tahan sekurang-kurangnya 160 jam lebih lama
dibandingkan bohlam B dapat ditentukan sebagai berikut
Mean dari distribusi sampling perbedaan daya tahan bohlam A dan B:

= xA xB = xA xB = 1400 1200 = 200

A xB

Deviasi standardnya adalah:

A xB

x2

= x2A + x2B =

nA

x2

nB

(100) 2 (200) 2
+
= 20
125
125

Skor z untuk perbedaan mean 160 adalah:

z x A xB =

( x A xB ) ( xA xB )

A xB

( x A xB ) 200 160 200

=
= 2
20
20

Jadi probabilitas yang akan ditentukan adalah:

P (( x A xB ) > 160) = P( z x x > 2) = 1 P( z x x < 2)
= 1 0, 0228 = 0, 9772 = 97, 72%
A

Tujuan Pembelajaran
Menjelaskan konsep-konsep dasar yang mendukung
pendugaan rata-rata populasi, persentase dan varians
Menghitung dugaan-dugaan (estimates) rata-rata populasi
pada tingkat kepercayaan (level of confidence) berbeda-beda
jika deviasi standard populasi tidak diketahui ataupun jika
diketahui
Menghitung dugaan-dugaan persentase populasi pada
ti k t kepercayaan
tingkat
k
yang b
berbeda-beda
b d b d
Menghitung dugaan-dugaan varians populasi pada tingkat
kepercayaan yang berbeda-beda
Memahami kapan dan bagaimana menggunakan distribusidistribusi probabilitas yang semestinya, yang diperlukan
untuk tujuan-tujuan pendugaan

51

1/27/2011

Pokok Bahasan

Pengertian dan Konsep Dasar Estimasi

Pendugaan Mean Populasi
Pendugaan Persentase Populasi
Pendugaan Varians Populasi

Pengertian dan Konsep Dasar

Penduga Tak Bias dan Penduga Terbaik

Pengertian dan Konsep Dasar

Dugaan (Estimate) & Penduga (Estimator)
Dugaan (Estimate) :
nilai spesifik atau kuantitas daripada sebuah statistik
misalnya: nilai mean sampel, persentase sampel, atau
varians sampel
Penduga (Estimator) :
setiap statistik sampel yang digunakan untuk menduga
sebuah parameter (yang relevan)
Penduga tak-bias (unbiased estimator) :
meannya sama dengaan parameter populasi
yang diduga
Penduga terbaik (best estimator):
penduga tak-bias dengan varians yang terkecil
(minimum)

Pengertian dan Konsep Dasar

Dugaan (Estimate), Pendugaan
(Estimation) dan Penduga (Estimator)
Pendugaan (Estimation) :
Keseluruhan proses yang menggunakan sebuah penduga
untuk menghasilkan sebuah dugaan daripada parameter
Pendugaan Tunggal (Point Estimation):
angka tunggal yang digunakan untuk menduga
sebuah parameter populasi
Pendugaan Interval (Interval Estimation):
sebaran nilai-nilai yang digunakan untuk menduga
sebuah parameter populasi

52

1/27/2011

Pengertian dan Konsep Dasar

Contoh 6.1:
Pabrik ban Stonebridge ingin menduga penjualan rata-rata
perhari. Sebuah sampel harian yang dikumpulkan menghasilkan
rata-rata senilai $ 800. Dalam hal ini telah dilakukan pendugaan
tunggal (point enstimation), dengan menggunakan penduga
(estimator) berupa statistik mean sampel ( x ) untuk menduga
parameter mean populasi () dan nilai sampel x = $ 800 sebagai
dugaan (estimates) dari nilai populasi, .

Pengertian dan Konsep Dasar

Konsep dasar pendugaan interval mean
populasi

Pengertian dan Konsep Dasar

Konsep dasar pendugaan interval mean
populasi
Dalam prakteknya hanya satu sampel dari populasi
Untuk menduga parameter populasi harus diketahui
sesuatu hal mengenai hubungannya dengan mean-mean
sampell

Pengertian dan Konsep Dasar

2. Pertimbangan Lebar Interval

1. Bentuk Distribusi Sampling

x z x < x < x + z x

53

1/27/2011

Pengertian dan Konsep Dasar

3. Tingkat Kepercayaan (Level of Confidence)

Estimasi Mean
Informasi Awal

1. Ukuran sampel (apakah besar n > 30 atau

kecil n < 30)
2. Informasi tentang distribusi populasinya
(apakah distribusi normal atau tidak)
3. Deviasi standard populasinya (diketahui
atau tidak)
4. Pemilihan jenis distribusi yang menjadi
dasar pendugaan

Estimasi Mean
Estimasi Mean

Pengertian dan Konsep Dasar

Diagram Alir Estimasi Mean

1. DEVIASI STANDARD DIKETAHUI DAN JUMLAH DATA/UKURAN

SAMPEL LEBIH DARI 30 (n > 30)
2 DEVIASI STANDARD TIDAK DIKETAHUI DAN JUMLAH DATA
2.
/UKURAN SAMPEL LEBIH DARI 30 (n > 30)
3. UKURAN SAMPEL KURANG DARI 30 (n < 30)

54

1/27/2011

Estimasi Proporsi

Estimasi Varians

Diagram Alira Estimasi Proporsi

Distribusi Chi-Kuadrat

Interval Estimasi

Penentuan Ukuran Sampel

Penentuan Ukuran Sampel

UKURAN SAMPEL UNTUK MENDUGA

MEAN POPULASI

UKURAN SAMPEL UNTUK MENDUGA

PROPORSI POPULASI

55

1/27/2011

Tujuan Pembelajaran
Menjelaskan langkah-langkah yang diperlukan prosedur
umum uji hipotesis
Menghitung uji hipotesis mean sampel tunggal dan ganda
Menghitung uji hipotesis proporsi sampel tunggal dan ganda
Menghitung uji hipotesis varians sampel tunggal dan ganda
Menghitung Uji ANOVA dan Uji Chi-Kuadrat

Pokok Bahasan

Pengertian dan Konsep Dasar

Prosedur Umum Uji Hipotesis

Prosedur Umum Uji Hipotesis

Uji Hipotesis Means Sampel Tunggal
Uji Hipotesis Persentase Sampel Tunggal
Uji Hipotesis Varians Sampel Tunggal
Nilai P pada uji hipotesis
Uji Hipotesis Means Sampel Ganda
Uji Hipotesis Persentase Sampel Ganda
Uji Hipotesis Ganda
Uji ANOVA
Uji Chi-kuadrat

56

1/27/2011

Pengertian dan Konsep Dasar

Prosedur Umum Uji Hipotesis

Uji Sampel Tunggal

Uji Hipotesis Mean/Proporsi

1. Hipotesis nol (H0) adalah asumsi yang akan diuji.

Hipotesis nol dinyatakan dalam hubungan =
2. Hipotesis alternatif (H1) adalah hipotesis yang
menolak hipotesis nol. Hipotesis alternatif
di
dinyatakan
k dalam
d l hubungan
h b
: > ; < ;
3. Tingkat kepentingan/level of significance ()
menyatakan suatu tingkat resiko kesalahan dengan
jika hipotesis nol. (Yang biasa digunakan = 0,05 atau
0,01)

Uji Dua Ujung

Uji Satu Ujung

Uji Sampel Tunggal

Uji Hipotesis Mean

1. Jika deviasi standard populasi diketahui

gunakan error standard
2. Jika deviasi standard populasi tidak diketahui
gunakan error standard estimasi x = s n
3. Rasio Uji :
RU z = ztest =

x H0

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

57

1/27/2011

Uji Sampel Tunggal

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

Dr. Ir. Harinaldi, M.Eng

Teknik Mesin FTUI

Uji Sampel Tunggal

Uji Hipotesis Proporsi

1. Rasio Uji :
RUz = ztest =

p H0

2. Error Standard
P =

Teknik Mesin FTUI

H0 (100 H0 )
n

Dr. Ir. Harinaldi, M.Eng

58

1/27/2011

Dr. Ir. Harinaldi, M.Eng

Teknik Mesin FTUI

2
RU 2 = test
=

Uji Sampel Tunggal

(n 1)s 2

Uji Hipotesis Varians

1. Menggunakan distribusi Chi-Kuadrat

2. Rasio Uji:
2
RU 2 = test
=

( n 1)s 2

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

59

1/27/2011

Uji Sampel Tunggal

Nilai P pada Uji Hipotesis

Uji Sampel Ganda

Uji Sampel Ganda

Uji Hipotesis Varians Distribusi F

Menggunakan data dari dua sampel yang diperoleh

dari dua populasi
Menentukan apakah ada perbedaan yang secara
statistik cukup berarti (significant) antara
parameter-parameter dari kedua populasi tersebut.
tersebut

Uji Satu Ujung

Asumsi :
Data di kedua populasi terdistribusi normal
Independent sample
Uji Dua Ujung

60

1/27/2011

Uji Sampel Ganda

Uji Hipotesis Mean Klasifikasi

Uji Sampel Ganda

Uji Hipotesis Mean Prosedur

Uji t-pasangan untuk populasi yang saling

tergantung (dependent populations)
Uji z untuk populasi yang independen dan jika
varians-varians populasi diketahui atau jika kedua
sampel ukurannya lebih dari 30
Uji t sampel ukuran kecil untuk populasi yang
independen jika uji F nya menunjukkan 12 22
Uji t sampel ukuran kecil untuk populasi yang
independen jika uji F nya menunjukkan 12 = 22

Uji Inferensial Lainnya

Uji ANOVA

Uji Inferensial Lainnya

Uji ANOVA

mengetahui apakah dari dua atau lebih mean

populasi bernilai sama
lebih efektif digunakan untuk menguji tiga atau
lebih populasi
Asumsi:
Populasi terdistribusi normal
Sampling acak dan independen
Varians populasi-populasnya sama

61

1/27/2011

Uji Inferensial Lainnya

Tabel ANOVA satu Faktor

Uji Inferensial Lainnya

Uji Chi-Kuadrat

Uji Inferensial Lainnya

Uji Tabel Kontingensi

Uji Keselarasan

Mengetahui apakah distribusi hasil pengamatan pada

sampel sesuai dengan distribusi hipotesis pada populasi

Teknik Mesin FTUI

Uji Inferensial Lainnya

Dr. Ir. Harinaldi, M.Eng

mengetahui apakah data terklasifikasikan silang

(cross-classified) secara independen

Teknik Mesin FTUI

Dr. Ir. Harinaldi, M.Eng

62

1/27/2011

Tujuan Pembelajaran

Tujuan Analisis
Analisis regresi:
mempelajari hubungan statistik yang terjadi antara
dua atau lebih varibel
Hubungan dinyatakan dalam sebuah persamaan
regresi
Variabel terikat : yang akan diestimasi nilainya (diplot
dalam sumbu y)
Variabel bebas : yang diasumsikan memberikan
pengaruh terhadap variasi variabel terikat (diplot
dalam sumbu x)
Analisa korelasi:
mengukur "seberapa kuat" atau "derajat kedekatan"
suatu relasi yang terjadi antar variabel.

Sifat Relasi
Relasi yang logis:
Penilaian terhadap angka-angka statistik memerlukan
pertimbangan sifat dasar hubungan
Jenis relasi:
hubungan
h b ngan sebab akibat
kenaikan temperatur dengan kecepatan reaksi proses kimia
hubungan akibat penyebab yang sama
peningkatan penjualan rumah dan peningkatan penjualan
kendaraan bermotor

hubungan semu
kenaikan penjualan furniture di Jakarta dengan data
perubahan temperatur

63

1/27/2011

Diagram Pencar

Regresi Linier

9 Ada atau tidaknya relasi yang berguna antar variabel

9 Jenis persamaan yang akan digunakan

Dr. Ir. Harinaldi, M.Eng

Teknik Mesin FTUI

Regresi Linier

Regresi Linier

Metode Least Square

64

1/27/2011

Regresi Linier

Standard Error Estimasi

Regresi Linier

Uji Relasi (Uji Kemiringan/Slope)

Deviasi standard yang memberikan ukuran penyebaran

nilai-nilai yang teramati di sekitar garis regresi

Terlihat jelas bahwa interpretasi dari persamaan garis regresi yang diperoleh
dari data sampel dapat memberikan pemahaman yang menyesatkan
(misleading) jika akan diterapkan pada populasinya.

UJI- t

RUt = ttest =

b BHo
sb

sb =

s y ,x

(x2 )

( x )

65

1/27/2011

Uji Relasi (Uji Kemiringan/Slope)

Nilai estimasi dari sebuah variabel terikat yang diperoleh

dari persamaan regresi dapat diperluas menjadi estimasi
interval

UJI- t

Ho : B = 0
H1 : B 0

RUt = ttest =

b BHo
sb

s y ,x

sb =

(x2 )

Interval Prediksi

( x )

UJI ANOVA

H0 : Tidak terdapat relasi antara X dan Y

H1 : Terdapat relasi antara X dan Y

RUF = Ftest =

2
antara
2
dalam

Interval Prediksi
n > 30

Korelasi Linier Sederhana

Koefisien Determinasi

y z ( sy ,x )
n < 30
Nilai rata-rata y

Nilai spesifik y

( xg x )
1
y t / 2 s y ,x
+
2
n
( x )

x2

( )

Koefisien Korelasi

( xg x )
1

2
y t / 2 sy ,x 1 + n +
( x )

x2

( )

66

1/27/2011

Korelasi Linier Sederhana

Kesalahan dalam analisis korelasi yang harus dihindari:
1. Korelasi tidak bisa digunakan untuk membuktikan
adanya hubungan sebab-akibat. Koefisien determinasi
hanya menunjukkan adanya dan kekuatan hubungan
antara variabel bebas dan terikat tanpa menilai sifat
relasi tersebut.
2.Koefisien korelasi bukan suatu nilai prosentase.
Koefisien korelasi 0,7 tidak berarti 70 persen variasi dari
nilai variabel terikat

Statistical Quality Control

Arti Penting SQC
Produksi barang atau jasa :
outputnya serupa (similar) tetapi tidak sama
(identical)
Adanya variasi normal dan wajar
Variasi
V i i berpengaruh
b
h pada
d mutu
t produk
d k harus
h
dikendalikan.
Metode Statistik
pengendalian mutu

banyak

digunakan

dalam

67

1/27/2011

Statistical Quality Control

Statistical Quality Control

Variasi Dalam Produk

Peta Kendali (Control Chart)

Variasi yang terkendali

terjadi secara alamiah
inheren dan terkirakan
sebab-sebab acak/kebetulan
dapat diterima dan diizinkan

Unsur Peta Kendali

Variasi tak terkendali

perubahan yang tidak diharapkan
tidak diperkirakan sebelumnya
bukan karena sebab acak/kebetulan
Tidak dapat diterima dan diizinkan

Statistical Quality Control

Langkah Penggunaan Peta Kendali (Control Chart)

Diagram yang menjelaskan proses yang terjadi di dalam hasil

observasi data-data suatu produk
Garis Pusat (CL)
Batas Atas (UCL)
Batas Bawah (LCL)
Grafik Plot Data
Observasi
Jenis Peta Kendali
Jenis yang biasa digunakan :
Peta Nilai Individu
Peta Nilai Kontinu X R chart
Peta Nilai Diskrit p c chart

Statistical Quality Control

Peta Kendali Nilai Individual ( I Chart)
Memonitor setiap nilai yang diamati dalam sebuah proses
Unsur peta kendali

68

1/27/2011

Statistical Quality Control

Statistical Quality Control

Peta X dan R Untuk Nilai Kontinu

Tujuan Penggunaan Peta X dan R

Mengendalikan proses yang menggunakan nilai kontinu,

seperti panjang, berat, diameter, dll.
X adalah besaran yang dapat diukur
Peta X digunakan untuk menganalisa nilai rata-rata sub
kelompok data
R adalah Range, yaitu untuk melihat perbedaan ukuran tadi
Peta R digunakan untuk menganalisa Range atau Kisaran dari
sub kelornpok data.

Melihat sejauh mana suatu proses produksi sudah sesuai

dengan standar desain proses ataukah belum,
Mengetahui sejauh mana masih perlu diadakan penyesuaianpenyesuaian (adjustments) pada mesin-mesin/alat/metode
kerja yang dipakai dalam suatu, proses produksi.
Mengetahui penyimpangan kualitas atas hasil (produk) dari
suatu proses produksi, yang kemudian disusul dengan
dilaksanakannya tindakan-tindakan tertentu dengan tujuan
agar tidak terjadi penyimpangan-penyimpangan atas kualitas
pada proses berikutnya.

Kedua peta tersebut saling melengkapi karena sample harus

menunjukkan rata-rata yang dapat diterima dan variasi
pengukuran yang dapat dipertanggungjawabkan agar proses
dinyatakan dalam keadaan "under control"

Statistical Quality Control

Teknik Pembuatan Peta X dan R
Tentukan "apa" yang hendak "diukur yang menggambarkan
kualitas produk/jasa atau penunjang produk/jasa tersebut.
Tentukan satuan ukurannya dan dengan alat apa akan
diukurnya.
Tentukan ukuran sampel/sample size (n). Bisa 2 < n < 12,
(biasan a 4 sampai 5 sample)
(biasanya
Peta X dan R standar diperlukan 5 s/d 20 kali pengambilan
(biasanya 10 kali) @ 4 sampai 5 sample
Untuk pengendalian dari waktu ke waktu, pengambilan
sample dilakukan secara kontinu, misaInya : 5 kali
pengambilan per hari, tergantung dari kebutuhan,
kegunaan
serta
kemampuan
operator
yang
bertanggungjawab atas kualitas tersebut.
Pengambilan sampel dan perhitungan

Statistical Quality Control

Tabel Pengambilan Data Peta X R

Formulir
Ukuran Sampel
Tanggal

X1

X2

X3

X4

X5

Cat

69

1/27/2011

Statistical Quality Control

Statistical Quality Control

Perhitungan Pada Tabel Data Peta X R

Menghitung X rata-rata ( X )

X1+X2+...+Xn
X=
n

Menghitung R

Selisih angka paling besar dan angka paling kecil dalam setiap kelompok sampel

Perhitungan Untuk Pembuatan Peta X R

R
R=
k
k
k = jumlah berapa kali pengambilan sampel

Menghitung garis tengah

(Central Line)

X=

UCL = X + ( A2 ) R
LCL = X - ( A2 ) R

Menghitung Garis Batas

untuk X
Menghitung Garis Batas
untuk R

Faktor A2, D3 dan D4 untuk Peta X R

Catatan :
n
A2
D3
D4
2
1.88
0
3.27
Apabila terdapat angka
3
1.02
0
2.57
4
0.73
0
2.28
perhitungan LCL yang negatip
5
0.58
0
2.11
maka digambarkan pada garis 0
6
0.48
0
2
7
0.42
0.08
1.92
Angka X dan R untuk setiap
8
0 37
0.37
0 14
0.14
1 86
1.86
pengambilan
bil sample
l kemudian
k
di
9
0.34
0.18
1.82
10
0.31
0.22
1.76
diplotkan di dalam, grafik
11
0.29
0.26
1.74
tersebut untuk mengetahui
12
0.27
0.28
1.72
13
0.25
0.31
1.69
apakah standar ini sudah benar
14
0.24
0.33
1.67
ataukah belum
15
0.22
0.35
1.65
16
17
18
19
20

UCL = ( D4 ) R
LCL = ( D3) R

Statistical Quality Control

0.21
0.2
0.19
0.19
0.18

0.36
0.38
0.39
0.4
0.41

1.64
1.62
1.61
1.6
1.59

Statistical Quality Control

Contoh Kasus-1:

Peta Kendali X

Sebuah perusahaan melakukan pengecekan dan pengukuran berat suatu produk. Jumlah data yang
diperiksa (sampel) adalah 125 unit. Sampel itu dibagi menjadi 25 sub kelompok yang masing-masing
terdiri dari 5 unit. Setelah dilakukan pengukuran, datanya sbb:
Sub Kelompok

X1

X2

X3

X4

X5

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

39
32
31
35
28
40
35
35
27
32
35
31
22
37
31
27
38
35
31
29
40
20
30
28
39

32
37
32
37
31
35
30
39
37
33
39
25
37
32
37
31
35
31
29
27
39
31
37
35
34

38
31
35
42
37
33
37
32
36
31
35
24
31
33
33
23
37
29
35
32
41
27
29
22
31

35
25
29
47
36
38
33
37
33
37
31
32
37
38
38
27
26
39
29
38
33
29
32
32
29

37
34
37
38
25
33
26
38
35
32
33
22
28
30
31
32
37
35
35
31
29
28
31
37
29

Total

181
159
164
199
157
179
161
181
168
165
173
134
155
170
170
140
173
169
159
157
181
135
159
154
162

36.2
31.8
32.8
39,8
31.4
35.8
32.2
36.2
33.6
33
34.6
26.8
31
34,0
34
28
34.6
33.8
31.8
31.4
36.2
27
31.8
30.8
32.4

7
12
8
12
12
7
It
7
10
6
8
10
15
8
7
9
12
10
6
11
12
11
8
15
10

4105

821

244

UCL = X + ( A2 ) R = 32.84 + (0.557)(9.76) = 38.471

LCL = X - ( A2 ) R = 32.84 - (0.557)(9.76) = 27.208

821
= 32.84
25
244
R=
= 9.76
25

X=

70

1/27/2011

Statistical Quality Control

Statistical Quality Control

Peta Kendali R

Peta Kendali Untuk Atribut/Nilai Diskrit

UCL = ( D4 ) R = (2.115)(9.76) = 20.6424

LCL = ( D3) R = (0)(9.76) = 0 (tidak ada LCL)

Pengertian Atribut adalah persyaratan kualitas yang diberikan

kepada suatu barang, yang hanya menunjukkan apakah
barang/produk tersebut di terima atau di tolak
Peta ini biasanya digunakan untuk menganalisa suatu
pengukuran yang bersifat diskrit, contohnya : kelingan yang rusak
pada sayap pesawat, gelembung-gelembung udara pada
botol/gelas,
pada
plat dan sebagainya
Tujuan
Petagoresan
Kontrol
p lempengan
dan c
Peta Kontrol p:

Persentase atau proporsi dari produk yang defective per

sample untuk menilai masing-masing produk dapat diterima

(acceptable)atau ditolak (defective)
Peta Kontrol c:
Jumlah defect dalam unit produk yang tetap

Statistical Quality Control

Statistical Quality Control

Teknik Pembuatan Peta p

Peta kontrol ini juga disebut sebagai peta kontrol defective.
p adalah ratio antara jumlah produk defective yang didapatkan
dalam inspeksi terhadap jumlah seluruh produk yang di inspeksi.
p dapat dinyatakan, dalam fraksi disebut "fraction defective atau
persentase disebut "percentage defective
Peta p dapat diUntuk
s s n dengan
susun
j mlah sample
jumlah
ata bervariasi
ber ariasi
Perhitungan
Pembuatan
Petatetap
p atau
Garis Tengah (Central Line)
Garis Batas untuk p

p=

jumlah produk defective

jumlah produk diobservasi

UCL = p + 3 Sp
LCL = p - 3 Sp

Sp =
Sp =

p (1 - p )
n
p (100 - p )
n

n = ukuran sampel

Contoh Kasus-2:
Dalam memproduksi "Wiring Board" yang digunakan dalam
assembling produk-produk tertentu diambil sampel 50 buah
per hari. Wiring Board ini ditest dan jika lampu menyala
bahan diterima. Hasil tabulasi dari data yang dicatat selama
phase permulaan produksi sebagai berikut:
Jumlah produk yang ditolak seluruhnya = 62 buah (Jumah
persentase defective 124%) maka

(p dalam fraksi)

62
= 6.2 %
20 50
124%
p =
= 6.2 %
20

(p dalam persen)

Sp =

p =

6.2 (100 - 6.2 )

= 3.4

50

atau

T anggal

Tolak

Prosentase

8-Sep-00
9-Sep-00
10-Sep-00
11-Sep-00
12-Sep-00
15-Sep-00
16-Sep-00
17-Sep-00
18 Sep 00
18-Sep-00
19-Sep-00
22-Sep-00
23-Sep-00
24-Sep-00
25-Sep-00
26-Sep-00
29-Sep-00
30-Sep-00
1-Oct-00
2-Oct-00
3-Oct-00
Jumlah

4
3
2
6
3
1
3
2
9
5
3
2
5
2
2
1
3
2
1
3
62

8
6
4
12
6
2
6
4
18
10
6
4
10
4
4
2
6
4
2
6
124

71

1/27/2011

Statistical Quality Control

Peta Kendali p

Statistical Quality Control

Peta Kendali p
Melihat bahwa pada tanggal 18 September 2000 ada titik diluar
batas pengendalian maka dilakukan penelitian. Ternyata ada
buruh baru dan produknya belum sempat diperiksa sudah masuk
dalam sampel. Agar proses tersebut tetap dalarn pengendalian
peta kontrol perlu direvisi dengan jalan:
Nilai tanggal 18 September 2000 dikeluarkan
Dilakukan perhitungan ulang:
jumlah sample jadi 19 X 50
53defective (yang ditolak) =5.5
) = 3.2
jumlah
62(100
- 9 -=5.553
p =
= 5.5 % (revised)
Sp =

UCL = 6.2 % + 3 (3,4 %) = 16.4 %

LCL = 6.2 % - 3 (3,4 %) = - 4 % (negatif), diambil = 0

19 50

50

UCL = 5.5 % + 3 (3,2 %) = 15.1 %

LCL = 5.5 % - 3 (3,2 %) = - 4.1 % (negatif), diambil = 0

Statistical Quality Control

Statistical Quality Control

Teknik Pembuatan Peta c

Banyak parameter yang dikendalikan tidak dapat dinyatakan
sebagai bagian seperti dalam Peta-p. Misalnya dalam pertenunan,
jumlah defect per 10 m2 dari bahan yang diproduksi mungkin
merupakan parameter yang harus dikendalikan. Disini satu defect
mungkin artinya kecil tetapi kalau defectnya besar per unit
m ngkin dapat merupakan
mungkin
mer pakan obyek
ob ek penting sekali
Untuk itu distribusi kemungkinan yang berlaku adalah distribusi
POISSON, dimana
terjadiPembuatan
defect secara random
Perhitungan
Untuk
Peta p

Contoh Kasus-3:
Peta Kendali c digunakan untuk menilai proses otomatis dalarn
memproduksi bahan yang dipakai pada musim dingin. Inspeksi
dilakukan secara terus menerus pada setiap panjang 10 yards.
Kedua belah bagian diinspeksi lewat sinar berintensitas tinggi.
Defect dapat terjadi karena tenunan tidak baik dan tidak
t l i
terlapisnya
d
dengan
b h tertentu
bahan
t t t secara baik.
b ik Defect
D f t ini
i i kecil
k il
dan dideteksi per 2 cm2 atau kurang. Data pada waktu yang
lampau per 10 yard persegi ada 40 defect.

jumlah produk defective

jumlah produk diobservasi

Garis Tengah (Central Line)

c=

Garis Batas untuk c

UCL = c + 3 Sc
LCL = c - 3 Sc

Sc = c

UCL = c +saat
3 Sc =ini,
40 peta
+ 3 40kendali
= 59
Dengan demikian sampai
c tersusun sebagai
LCL = c - 3 Sc = 40 - 3 40 = 21
berikut:
Dari produksi terbaru, tercatat data menurut sampel no. 81 s/d
100 sebagai berikut:

72

1/27/2011

Statistical Quality Control

Nomor
Sample
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99

100

Junilah
Defect per
10 Yards
33
16
19
26
36
32
37
41
32
30
35
28
24
31
34
40
30
31
22
28

Statistical Quality Control

Revisi

Selanjutnya menilai fakta bahwa banyak data dibawah harga c = 40, maka
disarankan untuk merevisi batas-batas pengendalian. Sample 82 dan 83
merupakan kesalahan yang dimasukkan dan karena belum berpengalamannya
pengawas.
Sample 84 pun masih diragukan.
Untuk merevisi, sample mulal dipakai dari 85 s/d 100.

c(revisi) =
=
Perhatian khusus diadakan karena proses yang baru.
Sample-sample yang mempunyai defect dari 33, 16, 19 dan 26
defect kemudian meningkat. Ternyata dari penelitian
selanjutnya pengawas masih kurang ahli dalam menentukan
macam defect tersebut. Karenanya sample 82 dan 83 tidak
dihitung

Statistical Quality Control

Analisis Penyimpangan
Proses Terkendali
Terjadi variasi karena penyebab acak yang normal.
Tidak diperlukan tindakan apa-apa
Proses Tak Terkendali
Terjadi variasi karena penyebab yang tidak normal.
Di l k Indikasi
Diperlukan
tindakan
ti d k penyelidikan
lidik
Beberapa
Penyimpangan
Beberapa pola grafik memberikan gambaran tentang indikasi
terjadinya penyimpangan tak terkendali dalam proses, antara lain
Terdapat titik di luar garis batas (atas UCL atau bawah LCL)
Terdapat dua titik didekat garis batas kendali
Terdapat larinya (run) 5 titik di atas atau di bawah garis tengah
(CL)
Kecenderungan (trend) 5 titik terus naik atau turun
Perubahan tak menentu

jumlah produk defective

c85+c86+
c85+c86+...+c100
+c100
=
jumlah produk diobservasi
16
36 + 32 + ... + 28
= 32.3
16

UCL (revisi) = c(revisi) + 3 Sc(revisi) = 32.3 + 3 32.3 = 49

LCL (revisi) = c(revisi) - 3 Sc(revisi) = 32.3 - 3 32.3 = 15

Statistical Quality Control

Process Capability
Menunjukkan kinerja proses yang beroperasi secara
terkendali
Dinyatakan dalam Process Capability Ratio/PCR (Cp)

Cp =

UCL LCL
6

Cp > 1 proses terkendali (makin besar Cp kinerja

proses makin baik)
Cp 1 proses tidak terkendali

73

1/27/2011

Statistical Quality Control

Process Capability
Jika proses off-center, kinerja proses dinyatakan
dalam actual process capability ratio

UCL LCL
Cppk = min
,
3
3
Cpk > 1 proses terkendali (makin besar Cpk kinerja
proses makin baik)
Cpk 1 proses tidak terkendali

74