Statistik Teknik
Statistik Teknik
BAB II
TEKNIK SAMPLING
II.1. Pengertian Sampling dalam Industri
Dalam industri banyak pengukuran diambil dari basis data. Sebelum langkah
diambil, data perlu dikumpulkan dahulu. Misalnya data yang diperlukan untuk
mengontrol temperatur,
tekanan,
kecepatan
dan waktu
dalam
usaha
Gambar 2.1
Hubungan antara populasi, sampel dan data
Tabel 2.1
Populasi, sampel dan data
Nilai rata-rata
Varians
Deviasi Standar
Populasi
rata-rata populasi
varians populasi
2
deviasi standar populasi
Sampel
rata-rata sampel
X
varians sampel
S2
deviasi standar populasi
S
500
065
718
788
525
637
942
631
265
327
315
806
930
905
386
557
307
762
695
1
, jika nomor pertama yang terpilih adalah 5, maka
30
95,
125
= population mean
x = sample mean
Gambar 2.2
Bias
(2) Dispersi (ketelitian)
Nilai sampel yang diambil berulang-ulang dari suatu lot digambarkan
dalam suatu histogram. Deviasi standar dari histogram itu menentukan
tingkat ketelitian tertentu.
(3) Sampling Error
Bias yang tidak terkontrol, dispersi atau keduanya dan sampel yang tidak
terkontrol akan mnyebabkan terjadinya error. Untuk mencapai tingkat
kepercayaan, pengontrolan terhadap proses harus tetap dipertahankan. Halhal yang diperlukan adalah :
a) Analisis benyebab bias, dan jaminan ketelitian.
b) Adanya instruksi pengontrol penyebab terjadinya kesalahan.
x
x
x
x
x
x
x
x
x
x
x
x
xx
x x
Gambar 2.3
Random Sampling
(2) Sampling dua tingkat
Pada tahap pertama, sampel pertama diambil dari lotnya. Pada tahap kedua
sampel diambil dari sampel pertama. Metoda ini biasanya digunakan
dalam suatu pabrik (gambar 2.4)
xxx
x x o
* o * x o
ox o * x
o x * x o
***
x*o
ooo
Gambar 2.4
Sampling dua tahap
(3) Stratified sampling
Lot dibagi dalam beberapa strata (lapisan) dan pada tiap-tiap strata diambil
sampel. Setiap strata dianggap homogen (gambar 2.5)
xxxxxxxx
* o x
o * x
x o *
********
oooooooo
Gambar 2.5
Stratified Sampling
(4) Cluster sampling
Pada suatu pabrik yang produknya dijadikan objek sampling, metode ini
jarang digunakan. Jika metode ini tidak dilaksanakan dengan hati-hati
dapat menurunkan ketelitian dan manimbulkan bias. Agar cara cluster ini
berjalan dengan baiksemua bagian dari lot harus terwakili dalam proporsi
yang sama. (gambar 2.6)
Gambar 2.6
Cluster Sampling
(5) Selected sampling
Untuk mendapatkan nilai rata-rata dari suatu lot lebih baik melakukan
sampling yang representatif dari seluruh lot. Suatu sampel dapat diambil
dari suatu bagian khusus dan berdasarkan nilai dari sampel itu, nilai lot
dapat diestimasi.
Misalnya selected sampel diambil pada waktu tertentu, pada sisi konveyor
tertentu, dan sebagainya. Selected sampling relatif lebih tepat daripada sampel
random sederhana dan metode ini adalah lebih mudah dan ekonomis meskipun
tetap mengandung bias dari rata-rata populasi.
10
BAB III
DISTRIBUSI FREKUENSI
III.1. Pendahuluan
Data yang dikumpulkan biasanya tidak teratur. Salah satu cara untuk
mengatur/menyusun/meringkaskan data ialah dengan membentuk distribusi
frekuensi (frequency distribution). Distribusi frekuensi menurut jenis data
dibagi dalam 2 golongan :
a) Distribusi frekuensi bilangan (numerical frequency distribution)
Contoh
Angka ujian
Jumlah Siswa
0.0 19.50
19.51 40.50
10
40.51 59.50
20
59.51 79.50
12
79.51 100.00
5
Jumlah
50
Frekuensi (buah)
30
35
25
Jumlah
90
11
Tabel 3.1
Ketebalan blok metal (mm)
3.56
3.48
3.41
3.55
3.48
3.59
3.40*
3.48
3.52
3.41
3.46
3.56
3.37*
3.52
3.48
3.63
3.54
3.50
3.48
3.45
3.48
3.50
3.47
3.44*
3.32
3.59
3.46
3.56
3.46
3.34*
Data
3.42*
3.43
3.47
3.48
3.45
3.44
3.45
3.44
3.34
3.52
3.38
3.52
3.48
3.50
3.52
3.46*
3.46
3.54
3.47
3.47
3.50
3.52
3.49
3.50
3.40
3.47
3.51
3.50
3.45
3.44
3.52
3.46
3.50
3.48
3.46
3.45
3.68
3.48
3.54
3.41
3.49
3.50
3.49
3.46
3.43
3.48
3.60
3.46
3.48
3.48
3.44
3.56
3.46
3.52
3.30*
3.31*
3.46
3.52
3.49
3.54
3.50
3.38*
3.46
3.46
3.46
3.52
3.52
3.56
3.41*
3.47
XL
3.56
3.56
3.50
3.55
3.52
3.63
3.68
3.56
3.54
3.54
Xs
3.42
3.38
3.37
3.44
3.30
3.31
3.40
3.46
3.41
3.34
50
57
50 100
6 10
100 250
7 12
250
10 20
12
x L x S 0,38
=
= 0,038
K
10
(4) Interval kelas (h) harus 2 angka dibelakang koma, atau unit
pengukurannya adalah 0,01. Dengan demikian h dibulatkan menjadi 0,04
atau untuk mempermudah tentukan saja h = 0,05
(5) Batas kelas ditentukan untuk membuat histogram. Jika hasil pengukuran
tepat dibatas kelas akan menyulitkan. Untuk menghindari itu unit batas
diambil setengah dari unit pengukuran, jadi unit batas adalah 0,005. Lebar
bar (batas kelas) menjadi 3,275 3,325 ; 3,325 3,375 dan selanjutnya
lihat tabel 3.3
Tabel 3.3
Tabel Frekuensi
No
1
2
3
4
5
6
7
8
9
Batas Kelas
3,275 3,325
3,325 3,375
3,375 3,425
3,425 3,475
3,475 3,525
3,525 3,575
3,575 3,625
3,625 3,675
3,675 3,725
Nilai Tengah
3,30
3,35
3,40
3,45
3,50
3,55
3,60
3,65
3,70
Tally
III
III
IIII IIII
IIII IIII IIII IIII IIII IIII II
IIII IIII IIII IIII IIII IIII IIII III
IIII IIII
III
I
I
Frekuensi
3
3
9
32
38
10
3
1
1
13
LSL = 3,28
40
USL = 3,6
Mesin no. 2
N = 100
30
x = 3,476
S = 0,065
20
10
3,3
3,4
3,5
3,6
3,7
mm
Gambar 3.1
Histogram ketebalan blok metal
III.3. Nilai rata-rata
Yang dimaksud dengan nilai rata-rata disini adalah nilai rata-rata hitung. Nilai
rata-rata inilah yang paling sering digunakan. Nilai rata-rata lain adalah nilai
rata-rata ukur dan nilai rata-rata harmonis.
Nilai rata-rata adalah :
(1) Nilai disekitar sebaran data yang berupa angka-angka
(2) Suatu harga yang dapat dipakai untuk mewakili sekumpulan data
(3) Ukuran tendensi pertengahan (measure of central tendency)
Jenis nilai rata-rata hitung :
a) Rata-rata hitung data tak tersusun
Bila x1, x2, .........., xn terdiri dari n buah nilai dari variabel x, nilai rataratanya :
x=
x1 + x 2 + x3 + ....... + x n
n
14
atau :
n
x=
i =1
xi 1 n
= xi
n n i =1
Pers. 3.1
x=
f1 x1 + f 2 x2 + f 3 x3 + ....... + f n x n
f 1 + f 2 + ....... + f n
Pers. 3.2
Tabel 3.4
Nilai Tengah
No
Batas Kelas
Nilai Tengah
(xi)
Frek
(fi)
xi fi
1
2
3
4
5
6
7
8
9
3,275 3,325
3,325 3,375
3,375 3,425
3,425 3,475
3,475 3,525
3,525 3,575
3,575 3,625
3,625 3,675
3,675 3,725
3,30
3,35
3,40
3,45
3,50
3,55
3,60
3,65
3,70
3
3
9
32
38
10
3
1
1
9,90
10,05
30,60
110,40
133,00
35,50
10,80
3,65
3,70
100
347,60
x=
x f
i =1
n
Pers. 3.3
i
i =1
x=
347,60
= 3,476
100
15
f d = ( f x f M )
f x = M f + f d atau,
f x = nM + f d sedangkan
f x atau n x = f x
x=
n
i
Jadi :
n x = nM + f i d i
atau
x=M+
1
fidi
n
Pers. 3.4
Nilai Tengah
(xi)
di
Frek
(fi)
fi di
1
2
3
4
5
6
7
8
9
3,30
3,35
3,40
3,45
3,50
3,55
3,60
3,65
3,70
3,50
3,50
3,50
3,50
3,50
3,50
3,50
3,50
3,50
-0,20
-0,15
-0,10
-0,05
0,00
0,05
0,10
0,15
0,20
3
3
9
32
38
10
3
1
1
-0,60
-0,45
-0,90
-1,60
0,00
0,50
0,30
0,15
0,20
100
-2,40
x = 3,50 +
1
(2,40) = 3,50 0,024 = 3,476
100
Jenis nilai rata-rata lainnya adalah rata-rata ukur dan rata-rata harmonis
Nilai rata-rata ukur :
16
U = x1 x2 ....... x n =
x
i =1
Pers. 3.5
atau
log U =
1
(log x1 + log x 2 + ...... + log x n )
n
log U =
1 n
log xi
n i =1
Pers. 3.6
1
1
=
1 1
1
1
1
1
( +
+ ............... + )
n x1 x2
xn
n
xi
H=
n
1
i =1 x i
n
Pers. 3.7
a) Range ; selisih antara nilai terkecil dan nilai terbesar dalam suatu deretan
nilai
Contoh : 3,56
3,46
3,50
3,42
3,43
3,52
3,49
3,44
3,50
17
x
i =1
1
xi x
n
Pers. 3.8.a
1
f i xi x
n
Pers. 3.8.b
SR =
Data tersusun
SR =
Contoh
Tabel 3.6
Simpangan rata-rata dengan harga mutlak
No
Kelas
1
2
3
4
5
6
7
8
9
10
3,275 3,325
3,325 3,375
3,375 3,425
3,425 3,475
3,475 3,525
3,525 3,575
3,575 3,625
3,625 3,675
3,675 3,725
3,725 3,775
Nilai Tengah
(xi)
3,30
3,35
3,40
3,45
3,50
3,55
3,60
3,65
3,70
3,75
Frek
(fi)
3
3
9
32
38
10
3
1
1
0
100
SR =
SR =
Nilai rata-rata
(0)
3,476
3,476
3,476
3,476
3,476
3,476
3,476
3,476
3,476
3,476
|xi - 0|
fi |xi - 0|
0,176
0,126
0,076
0,026
0,024
0,074
0,124
0,174
0,224
0,274
0,528
0,378
0,684
0,832
0,912
0,740
0,372
0,174
0,224
0,000
4,844
1
f i xi x
n
4,844
= 0,04844
100
18
Varians :
s2 =
1 n
( xi x ) 2
n i =1
Pers. 3.9
1
n
(x
i =1
Pers. 3.10
x)2
1 n 2
xi 2 xi x + ( x ) 2
n i =1
s=
1 n 2 2x n
xi + ( x ) 2
xi n
n i =1
i =1
1 n 2
xi 2( x ) 2 + ( x ) 2
n i =1
1 n 2
xi ( x ) 2
n i =1
n
x
1 n 2 i =1 i
i n
n i =1
Pers. 3.11
2. Data tersusun
Varians :
s2 =
1 n
f i ( xi x ) 2
n i=1
Pers. 3.12
19
Dengan :
n : jumlah pengamatan di dalam pecaran frekuensi
k : jumlah kelas
xi : nilai tengah kelas ke-i
0 : harga rata-rata hitung
fi : frekuensi kelas ke-i
Deviasi standar :
1 n
f i ( xi x ) 2
n i =1
s=
Pers. 3.13
f
x
i
f i xi
i =1
i =1
n
n
s=
2
i
Pers. 3.14
s = i
i =1
f iU
f iU i
i =1
n
n
2
i
Pers. 3.15
Dengan :
i
Ui : variabel dengan nilai -4, -3, -2, -1, 0, +1, +2, +3, +4 (letak 0
ditengah-tengah kelas)
20
Contoh :
Tabel 3.7
Nilai tengah dengan variabel U
No.
1
2
3
4
5
6
7
8
9
Nilai
Tengah
3,30
3,35
3,40
3,45
3,50
3,55
3,60
3,65
3,70
fi
Ui
Ui2
fiUi
fiUi2
3
3
9
32
38
10
3
1
1
100
-4
-3
-2
-1
0
1
2
3
4
16
9
4
1
0
1
4
9
16
-12
-9
-18
-32
0
10
6
3
4
-48
48
27
36
32
0
10
12
9
16
190
190 48
s = 0,05
100 100
s = 0,0646
III.5. Median, Modus, Skewness Dan Kurtosis
a) Median
Median adalah suatu nilai yang membagi dua suatu deretan nilai, sehingga
banyak nilai dari bagian deretan itu sama. Dalam suatu deretan nilai 2, 6,
7, 9, 10, 13, 17 median deretan nilai itu adalah 9, jadi median itu
merupakan rata-rata letak yaitu nilai yang terletak ditengah. Bagi deretan
nilai yang genap misalnya 2, 6, 7, 9, 10, 13, 17, 18 mediannya adalah
(9 + 10) = 9,5
Sebelum menentukan median, deretan nilai harus disusun dahulu menurut
urutan besar nilai-nilanya.
b) Median data tersusun
Bila n nilai dideretkan, median akan ditunjukkan oleh nilai yang ke-n/2.
median dari distribusi frekuensi pada tabel 3.6 ditunjukkan oleh nilai yang
ke 100/2 = 50. nilai yang ke-50 itu terdapat dikelas yang ke-5, karena di
dalam kelas ke-1, ke-2, ke-3 dan ke-4 hanya terdapat 3 + 3 + 9 + 32 = 47
buah nilai saja. Didalam kelas ke-5 terdapat 38nilai. Dapat ditentukan
21
bahwa median itu ditunjukkan oleh nilai yang ke-3 dari nilai yang terdapat
di dalam kelas ke-3 dari nilai yang terdapat di dalam kelas ke-5 itu jadi :
Median
3
= 3,475 + 0,05
8
= 3,475 + 0,004
= 3,479
Untuk hal yang umum :
Me = Bb +
s
i
fM
Pers. 3.16
Dengan :
Me : median
Bb : batas bawah median
i
: interval kelas
,14
d1
i
d1 + d 2
Pers. 3.17
22
Dengan :
Mo : Modus
d1 : selisih antara frekuensi di dalam modus dan frekuensi di kelas yang
mendahuluinnya
d2 : selisih antara frekuensi di dalam kelas modus dan frejuensi di kelas
berikutnya
i
: interval modus
: 0,05
Jadi :
6
Mo = 3,475 +
0,05
6 + 28
= 3,475 + 0,009
= 3,484
e) Kemiringan kurva (skewness)
Distribusi frekuensi berbentuk U terbalik atau lonceng dan simetris
frekuensi
pengukuran
Gambar 3.1
Distribusi normal
23
Me
Mo
Gambar 3.2
Skewness negatif (0 < Mo)
Distribusi frekuensi dengan bentuk yang lebih miring ke kiri dinamakan
distribusi frekuensi dengan skewness positif (gambar 3.3)
Mo
Me
Gambar 3.3
Skewness positif (0 > Mo)
Makin tinggi derajat asimetri dari distribusi frekuensi makin besr pula
penyimpangan antara tiga macam harga rata-rata (0, Me dan Mo),
selisihnya dapat dijadikan ukuran bagi skewness. Ukuran kasar skewness
adalah :
1. Skewness positif bila 0 > Mo
2. Skewness negatif bila 0 < Mo
24
3( x Me)
S
Pers. 3.18
Sk =
f (x
x)3
1
S3
Pers. 3.19
Sk < 0
Gambar 3.4
Bentuk-bentuk skewness untuk
Sk > 0 ; Sk = 0 dan Sk < 0
f) Keruncingan kurva (kurtosis)
Kurtosis merupakan keruncingan distribusi frekuensi. Kurtosis terdiri dari
3 jenis, yaitu : leptokurtis (hampir runcing) ; platikurtis (hampir datar) dan
mesokurtis (normal). Seperti ditunjukkan pada gambar 3.5
25
(a)
(b)
(c)
Gambar 3.5
Distribusi (a) leptokurtis (b) platikurtis (c) mesokurtis
Kurtosis dapat diukur dengan mempergunakan persamaan 3.19
f (x
i
Kt =
x)4
1
3
S4
Pers. 3.20
Gambar 3.6
Bentuk-bentuk kurtosis untuk Kt > 0 ; Kt = 0 dan Kt < 0
Jika Kt < 0 berarti kurva platikurtis (lebih tumpul daripada kurva normal)
Jika Kt = 0 berarti kurva mesokurtis (normal)
Jika Kt > 0 berarti kurva leptokurtis (lebih runcing daripada kurva normal)
26
BAB IV
TEORI PROBABILITAS
IV.1. Pendahuluan
Hasil-hasil percobaan dapat dinyatakan dalam bentuk angka-angka atau
golongan-golongan yang disebut outcome dari percobaan itu. Jika sebuah mata
uang dilemparkan sebanyak 3 kali, outcome yang keluar mungkin berupa THT.
H menunjukkan muka (head) dan T menunjukkan belakang (tail) dari mata uang
itu. Untuk menganalisis suatu percobaan bukan outcome yang terjadi saja yang
diperhatikan tetapi perlu diketahui pula hubungan antara semua outcome yang
mungkin dihasilkan. Kumpulan semua outcome yang mungkin dihasilkan oleh
suatu percobaan dinamakan sampel space dari percobaan tersebut. Setiap
outcome yang menjadi anggota sari sampel space dinamakan titik sampel
(sample point).
Definisi-definisi :
(1) Probabilitas (kemungkinan) adalah sesutau yang timbul apabila ada
harapan akan terjadi atau akan tidak terjadi suatu peristiwa.
(2) Jika suatu peristiwa A mungkin terjadi di dalam m cara dari n
kemungkinan, dan n kemungkinan itu mempunyai kesempatan yang sama
untuk terjadi, sehingga probabilitas A sama dengan m/n atau :
Pr( A) =
m
n
Pers. 4.1
Pers. 4.2
27
Pr( A) = Pr(ai )
Pers. 4.3
i =1
Pr(Ac) = 1 Pr(A)
Pers. 4.4
(2) Kalau A dan B merupakan dua buah peristiwa yang mutually exclusive
(dua peristiwa yang tidak mungkin terjadi serentak), diperoleh :
Pers. 4.5
(3) Jika A dan B merupakan dua buah peristiwa yang bukan mutually
exclusive, probabilitas terjadi peristiwa A atau B adalah sama dengan
Pers. 4.6
(4) Jika A dan B merupakan dua buah peristiwa yang bebas, maka :
Pr(AB) = Pr(AB) = Pr(A) Pr(B)
Pers. 4.7
(5) Jika peristiwa A dan peristiwa B merupakan dua buah peristiwa yang tidak
bebas, terjadinya kedua peristiwa itu secara serentak mempunyai
probabilitas :
Pers. 4.8
28
dengan :
Pr(B/A) = probabilitas B sesudah A terjadi atau probabilitas kondisional
dari B
IV.3. Permutasi
Definisi : permutasi dari sejumlah obyek adalah penyusunan dari obyek-obyek
tersebut dalam suatu urutan tertentu.
a) Permutasi dari n objek seluruhnya
Jumlah permutasi yang dapat dibuat dari n objek seluruhnya yang
berbeda satu sama lain adalah n !, atau :
Prn = n!
Pers. 4.9.a
Contoh :
Dalam beberapa carakah 4 buah buku A, B, C dan D dapat disusun ?
Jawab : n = 4
Permutasinya : Prn = n! = 4 x 3 x 2 x 1 = 24
Jadi buku-buku itu disusun dalam 24 cara
Prn =
n!
(n r )!
Pers. 4.9.b
dengan :
n = jumlah objek yang tersedia
r = jumlah objek yang disusun
contoh :
ada 4 buah buku A, B, C, dan D. Dalam berpa carakah buku-buku
tersebut dapat disusun, jika setiap susunan berisi 2 buah buku ?
Jawab : n = 4 ; r = 2
29
Prn =
=
n!
4!
=
(n r )! (4 2)!
4 3 2 1
= 12
2 1
C nn = 1
Pers. 4.10.a
Contoh :
Suatu panitia harus terdiri dari 4 orang anggota. Calon anggota untuk
panitia tersebut hanya 4 orang. Berpa carakah panitia tersebut dapat
dibentuk, jika kedudukan anggota dalam panitia diabaikan perbedannya
Jawab : panitia yang dapat dibentuk
C nn = 1 cara
C rn =
n!
r!( n r )!
Pers. 4.10.b
30
Contoh 1 ;
Berpakah kombinasi 3 buah buku dari 5 buah buku A, B, C, D dan E
yang tersedia :
Jawab : n = 5 ; r = 3
Kombinasinya = C 35 =
5!
= 10
3!(5 3)!
Contoh 2 ;
Calon-calon untuk duduk dalam sebuah panitia berjumlah 8 orang,
terdiri dari 5 pria dan 3 wanita. Berapa cara panitia dapat dibentuk ?
Jawab : Pemilihan 3 pria dari 5 pria dapat dibentuk dalam
C 35 =
5!
= 10 cara (n1)
3!(5 3)!
3!
= 3 cara (n2)
2!(3 2)!
31
5!
3!
= 5 x 3 = 15 cara
4!(5 4)! 1!(3 1)!
32
BAB V
DISTRIBUSI PROBABILITAS, BINOMIAL, POISSON dan NORMAL
IV.5. Pendahuluan
Distribusi probabilitas bersamaan sekali dengan persamaan frekuensi relatif jika
probailitasnya diulang sebanyak tidak berhingga, atau dapat dinyatakan dengan
rumus :
Probabilitas =
lim ( f / n)
n
yang
lampauatau
berdasarkan
pertimbangan-pertimbangan
33
Tabel 5.1
Probabilitas munculnya H
No
1
2
3
4
5
6
7
8
1
T
T
T
H
H
T
H
H
Titik Sampel ke
2
3
T
T
T
H
H
T
T
T
H
T
H
H
T
H
H
H
Jumlah H
0
1
1
1
2
2
2
3
Probabilitas titik
sampel
1/8
1/8
1/8
1/8
1/8
1/8
1/8
1/8
Frekuensi
f
1
3
3
1
f(x)
3/8
Probabilitas
f(x)
1/8
3/8
3/8
1/8
Probabilitas Komulatif
F(x)
1/8
4/8
7/8
8/8
2/8
1/8
Gambar 5.1
Histogram Probabilitas
Pada tabel 5.2 dapat dilihat pula hubungan antara f(x) dan fungsi distribusi
probabilitas komulatif F(x), yaitu bahwa nilai F(x) sama dengan jumlah dari
nilai-nilai f(x). Misalkan bahwa a adalah sebuah nilai yang dapat diambil oleh x
maka dapat dinyatakan :
F (a ) = f ( x)
Pers. 5.1
34
Dengan x a
Gambar 5.2 menunjukkan grafik distribusi probabilitas komulatif berdasarkan
Tabel 5.2
8/8
7/8
4/8
1/8
Gambar 5.2
Grafik distribusi komulatif
Definisi : Suatu fungsi f(x) dapat disebut fungsi probabilitas yang diskret jika
syarat-syarat berikut dipenuhi :
f(x) 0
dan,
f (x ) = 1
i =1
Pers. 5.2
Harga rata-rata hitung suatu variabel random dan diskret x yang fungsi
probabilitasnya f(x) adalah :
= x i f ( xi )
Pers. 5.3
i =1
dengan :
= harga rata-rata hitung
n = banyaknya nilai x yang mungkin
Varians (2) dari suatu variabel random x, yang fungsi probabilitasnya f(x)
adalah :
35
2 =
(x
i =1
) 2 f ( xi )
Pers. 5.4
2
i
f ( xi ) 2
Pers. 5.5
atau
2 =
x
i =1
x
i =1
2
i
f ( xi ) 2
Pers. 5.6
contoh :
Jika 2 buah dadu dilemparkan pada saat yang bersamaan, dan pelemparan
dilakukan berulang kali dengan jumlah yang sangat banyak, ditanyakan jumlah
mata dadu rata-rata setiap pelemparan () dan deviasi standarnya ()
Penyelesaian :
Jika dilemparkan 2 buah dadu, kemungkinan jumlah mata dadu yang diperoleh
adalah x dengan niali-nilai seperti di bawah ini :
x
1
2
3
4
5
6
7
8
9
10
11
12
f(x)
0
(1, 1)
(1, 2) ; (2, 1)
(1, 3) ; (2, 2) ; (3, 1)
(1, 4) ; (2, 3) ; (3, 2) ; (4, 1)
(1, 5) ; (2, 4) ; (3, 3) ; (4, 2) ; (5, 1)
(1, 6) ; (2, 5) ; (3, 4) ; (4, 3) ; (5, 2) ; (6, 1)
(2, 6) ; (3, 5) ; (4, 4) ; (5, 3) ; (6, 2)
(3, 6) ; (4, 5) ; (5, 4) ; (6, 3)
(4, 6) ; (5, 5) ; (6, 4)
(5, 6) ; (6, 5)
(6, 6)
=0
= 1/36
= 2/36
= 3/36
= 4/36
= 5/36
= 6/36
= 5/36
= 4/36
= 3/36
= 2/36
= 1/36
Fungsi frekuensi jumlah mata dadu dari hasilpelemparan 2 buah dadu itu
dikembangkan pada tabel 5.3 untuk mendapatkan nilai dan .
36
Tabel 5.3
Nilai-nilai xif(xi) dan xi2f(xi)
dari hasil pelemparan 2 buah dadu
xi
Prob. f(xi)
xif(xi)
xi2f(xi)
1
2
3
4
5
6
7
8
9
10
11
12
0
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
0
2/36
6/36
12/36
20/36
30/36
42/36
40/36
36/36
30/36
22/36
12/36
252/36
0
4/36
18/36
48/36
100/36
180/36
294/36
320/36
324/36
300/36
242/36
144/36
1974/36
252
=7
36
2 =
1974
210
72 =
36
36
210
36
= 2,415
Keistimewaan dari distribusi binomial adalah distribusi ini dapat dipakai untuk
sangat banyak peristiwa. Distribusi binomial berdasarkan percobaan Bernoulli
dengan ciri-ciri sebagai berikut :
(1) Setiap percobaan dirumuskan dengan sampel (S, G), yaitu setiap
percobaan hanya memiliki 2 hasil, yaitu sukses (S) dan gagal (G).
(2) Pada setiap percobaan, probabilitas untuk sukses harus sama besar,
biasanya dinyatakan dengan p .
(3) Setiap percobaan harus berdiri sendiri (independen event), yaitu terjadi
atau tidak terjadinya peristiwa pertama tidak memberi akibat terhadap
terjadi atau tidak terjadinya peristiwa berikutnya.
(4) Jumlah percobaan yang merupakan komponen percobaan harus tertentu.
37
Jumlah
T
H
0
3
2
1
2
1
2
1
1
2
1
2
1
2
0
3
Probabilitas Peristiwa
()3 ()0
()2 ()1
()2 ()1
()2 ()1
()1 ()2
()1 ()2
()1 ()2
()0 ()3
1*()3 = 1/8
3*()2 ()1 = 3/8
Bila suatu percobaan Bernoulli terdiri dari n dengan probabilitas untuk sukses
dan untuk gagal bagi setiap percobaan adalah masing-masing berturut-turut
sebesar p dan q, fungsi probabilitasnya dinyatakan dengan notasi :
B(x | n,p) = C xn p x q ( n x )
Pers. 5.8
dengan :
C xn
= kombinasi x dari
n!
x!(n x)!
q = 1p
Pada Tabel 5.4 dapat dilihat bahwa p = dan n = 3. Dengan mempergunakan
notasi persamaan 5.8 diperoleh Tabel 5.5
38
Tabel 5.5
Nilai-nilai B(x | n,p) dari pelemparan
Sebuah mata uang logam
x
1
0
1
2
n
n!
C xn = =
x x!(n x)!
2
3!
=1
0!(3 0)!
3!
=3
1!(3 1)!
3!
=3
2!(3 2)!
3!
=1
3!(3 3)!
p x q ( n x )
B(x | n,p)
4=2x3
()0 ()3
()1 ()2
()2 ()1
()3 ()0
8
8
8
8
Angka-angka pada kolom 4 tabel 5.5 dapat dibaca langsung pada tabel Binomial
untuk n = 3 dan p = 0,5.
Rata-rata hitung :
n
n
= x p x q ( n x )
x=0 x
Pers. 5.9
Varians :
2 = ( x ) 2 p x q (n x)
x
Pers. 5.10
Pers. 5.11
Pers. 5.12
n. p.q
Pers. 5.13
39
Deviasi standar : =
n. p.q =
0,75 = 0,866
P(x) =
(np) x
x!e ( np )
Pers. 5.14
Dengan :
e = exponential (e = 2,718)
rata-rata hitung :
= m = n.p
Pers. 5.15
varians
2 = m = n.p
Pers. 5.16
deviasi standar :
m = np
Pers. 5.17
Contoh :
Dari suatu lot ditarik sampel dengan n = 200 yang ternyata mengandung
defective 5%. Ini berarti P = 5 atau p = 0,05 np = 200 x 0,05 = 10
Rata-rata hitung
Varians
Deviasi standar
40
10 8
= 0,1126
8!(2,718)10
P (x=5) = 0,0378
P (x=6) = 0,0631
P (x=7) = 0,0901
P (x=8) = 0,1126
P (x=9) = 0,1251
P (x=10) = 0,1251
P (x=11) = 0,1137
P (x=12) = 0,0948
P (x=13) = 0,0729
dan seterusnya
f ( x) =
( x )2
2 2
Pers. 5.18
untuk - x
dengan :
e
: 3,1415
: nilai rata-rata hitung
: deviasi standar
Grafik dari fungsi ini berbentuk lonceng (bell shape curve), merupakan kurva
yang simetris terhadap garis vertikal melalui x = . Oleh karena x adalah suatu
variabel random yang kontinu, setiap garis vertikal yang menghubungkan titik
dari kurva normal itu dengan sumbu mendatar, demikian juga luas daerah
dibawah kurva normal dan diatas sumbu mendatar dapat diasosiasikan dengan
nilai probabilitas.
41
Pada gambar 5.3 dapat dilihat bahwa garis AB merupakan probabilitas dari x =
A atau f(A).
f(x)
E
B
F
Gambar 5.3
Kurva Normal
Luas daerah CEFD adalah probabilitas dari x antara C dan D. Luas daerah
dibawah kurva normal adalah jumlah dari probabilitas untuk semua nilai x yang
tentu saja sama dengan 1. Secara matematis dapat ditulis :
f ( x)dx = 1
Pers. 5.19
Kalau integral ditarik sampai x = a, hasil integral itu sama dengan luas daerah di
bawah kurva normal di sebelah kiri garis vertikal x = a yang sama dengan nilai
dari fungsi distribusi komulatif f(x) untuk x = a atau f(a), jadi :
a
F(a) =
f ( x)dx
Pers. 5.20
42
P (a x b) =
f ( x)dx
= F(b) F(a)
Pers. 5.21
jadi :
1
f (x) =
2z2
Pers. 5.22
untuk - x
Artinya setiap bagian dari luas daerah di bawah kurva normal yang lain dapat
dinyatakan di dalam luas daerah di bawah kurva normal standar. Jadi luas
daerah di bawah kurva normal standar telah dibuat daftarnya untuk nilai-nilai z,
luas daerah di bawah kurva normal biasa di sebelah kiri nilai-nilai tertentu dapat
dicari berdasarkan persamaan :
z=
Pers. 5.23
atau
x=+z
Pers. 5.24
43
1,525 1,5202
= +2,4
0,0020
1,515 in
|
-3
|
-2
1,5202 in
|
|
|
-1
0
+1
x
|
+2
|
+3
Gambar 5.4. Kurva Normal Standar dari shaft seal motor pompa
limit bawah untuk x = 1,515 :
z=
1,515 1,5202
= -2,6
0,0020
Oleh karena tabel distribusi normal hanya mempunyai nilai-nilai z yang posistif,
jadi -2,6 harus dianggap posistif. Pada tabel diperoleh nilai 0,00466. nilai itu
merupakan probabilitas untuk ukuran shaft seal kurang dari 1,5515 inch atau :
44
45
BAB VI
DISTRIBUSI SAMPLING
IV.10. Pendahuluan
Pengambilan sampel bertujuan memperoleh keterangann mengenai populasi
dengan mengamati hanya sebagian saja dari populasi itu. Pengambilan sampel
dilaksanakan karena sering tidak mungkin dilakukan pengamatan terhadap
seluruh anggota populasi atau sekalipun memungkinkan, tetap tidak praktis dan
tidak efisien. Ada 3 tujuan utama dari pengambilan sampel. Ketiga tujuan itu
menunjukkan juga jenis keterangan yang bagaimana yang dikehendaki dari
penarikan sampel itu, yaitu penaksiran (estimation), pengujian hipotesis (testing
of hypotheses) dan peramalan (prediction). Disamping ketiga tujuan itu tentu
ada lagi beberapa tujuan lain, diantaranya penyelidikan apakah dua variabel itu
mempunyai hubungan atau tidak.
46
Tabel 6.1
Distribusi Sampel Eksperimental
f/n
(f/n) x
(f/n)( x )2
1,00
1,33
1,67
2,00
2,33
2,67
3,00
3,33
3,67
4,00
20
40
75
150
205
225
150
65
50
30
0,020
0,040
0,075
0,150
0,205
0,225
0,150
0,065
0,050
0,030
0,020
0,053
0,125
0,300
0,475
0,600
0,450
0,217
0,183
0,120
0,020
0,071
0,209
0,600
1,007
1,602
1,350
0,723
0,672
0,480
1.000
2,543
6,734
( x ) 2 ( f / n ) ( x ) 2 = 0,53
Deviasi standar dari sebuah statistik seperti ini dinamakan standar error
eksperimental dari statistik itu. Distribusi probabilitasnya dapat dilihat
pada tabel 6.2
Tabel 6.2
Distribusi probabilitas dari populasi 6 buah bola
x
f(x)
xf(x)
(x - )
0
1
2
3
4
5
1/6
1/6
1/6
1/6
1/6
1/6
1/6
2/6
3/6
4/6
5/6
6/6
-2,5
-1,5
-0,5
+0,5
+1,5
+2,5
2,5
(x - )2 f(x)
(6,25)
(2,25)
(0,25)
(0,25)
(2,25)
(6,25)
1/6
1/6
1/6
1/6
1/6
1/6
(17,50) 1/6
= 1,7
47
Kombinasi
Kombinasi
(0, 1, 2)
(0, 1, 3)
(0, 1, 4)
(0, 1, 5)
(0, 2, 3)
(0, 2, 4)
(0, 2, 5)
1,00
1,33
1,67
2,00
1,67
2,00
2,33
(0, 3, 4)
(0, 3, 5)
(0, 4, 5)
(1, 2, 3)
(1, 2, 4)
(1, 2, 5)
(1, 3, 4)
2,33
2,67
3,00
2,00
2,33
2,67
2,67
(1, 3, 5)
(1, 4, 5)
(2, 3, 4)
(2, 3, 5)
(2, 4, 5)
(3, 4, 5)
3,00
3,33
3,00
3,33
3,67
4,00
Probabilitas
Probabilitas
1,00
1,33
1,67
2,00
2,33
1
1
2
3
3
0,05
0,05
0,10
0,15
0,15
2,67
3,00
3,33
3,67
4,00
3
3
2
1
1
0,15
0,15
0,10
0,05
0,05
20
1,00
48
f( x )
x f( x )
( x ) f( x )
1,00
1,33
1,67
2,00
2,33
2,67
3,00
3,33
3,67
4,00
0,05
0,05
0,10
0,15
0,15
0,15
0,15
0,10
0,05
0,05
0,0500
0,0665
0,1670
0,3000
0,3500
0,4000
0,4500
0,3333
0,1832
0,2000
0,050000
0,088445
0,278890
0,600000
0,814500
0,068000
1,350000
1,111111
0,672344
0,800000
1,00
2,5000
6,832290
x = x f (x ) = 2,50
x = ( x ) 2 f ( x ) ( x ) 2 = 0,76
Nilai-nilai dari ketiga distribusi dapat dibandingkan seperti yang terlihat pada
tabel 6.6
Tabel 6.6
Nilai-nilai parameter dari 3 distribusi
Jenis distribusi
sx
Distribusi sampel
eksperimental
2,543
0,53
Distribusi
probabilitas
2,5
1,7
Distribusi sampel
teoritis
2,5
0,75
Dapat disimpulkan bahwa x dapat dipakai untuk menaksir atau mendekati x atau
, jadi bisa dianggap :
49
x = x =
Pers. 6.1
x =
N n
N 1
Pers. 6.2
x =
Pers. 6.3
50
BAB VII
PENAKSIRAN & PENGUJIAN HIPOTESIS
IV.11. Pendahuluan
Ada 2 cara penaksiran yaitu : penaksiaran titik (point estimation) dan
penaksiaran interval (interval estimation). Pada penaksiran titik dicoba langsung
menaksir sebuah nilai; jadi bukan memakai sebuah interval sepotong garis
maupun beberapa titik. Pada penaksiran interval, dalam teori pengambilan
sampel, dimisalkan bahwa distribusi dari populasi yang diamati itu telah
diketahui dan berdasarkan hal itu perhitungan probabilitas-probabilitas
mengenai sampelnya dipersoalkan. Didalam praktek sebaliknya, yang diketahui
ialah mengenai sampel yang ditarik dari suatu populasi dan berdasarkan sampel
itu dicoba menarik kesimpulan-kesimpulan mengenai populasinya (parameterparameternya). Penaksiran memakai teori pengambilan sampel ini adalah
pencarian batas-batas interval dari parameter yang hendak ditaksir dengan
probabilitas tertentu.
Dalam mencoba menyelidiki suatu persoalan sering digunakan suatu anggapan
atau keterangan sementara mengenai gejala yang sedang diselidiki itu. Suatu
populasi dapat dianggap mempunyai sifat tertentu. Anggapan itu mungkin salah
atau juga benar. Anggapan seperti itu dinamakan hipotesis, sedangkan
penyelidikan apakah hipotesis itu benar atau salah dinamakan pengujian
hipotesis (testing of hypothesis). Jadi hipotesis adalah anggapan teoritis yang
dapat dipertegas atau ditolak secara empiris.
IV.12. Penaksiaran
1. Penaksiran Titik
Penaksiran titik itu menginginkan agar suatu parameter ditaksir dengan
memakai satu bilangan saja. Miaslkan yang ditaksir parameter-parameter ,
, atau dengan memakai statistik-statistik x , s dan x/n
Jenis-jenis taksiran titik :
51
Pers. 7.1
Pers. 7.2
E(s2) = 2
Pers. 7.3
Pers. 7.4
b) Taksiran efisien
Jika parameter yang ditaksir dinyatakan dengan dan statistik
2. Penaksiran Interval untuk sampel besar ( n > 30)
Penaksiran memakai teori pengambilan sampel ini adalah pencarian batasbatas interval dari parameter yang hendak ditaksir berada pada probabilitas
tertentu.
Misalkan akan ditaksir harga rata-rata hitung suatu populasi () yang
anggotanya terdistribusi secara normal. Rata-rata hitung tersebut terletak
diantara :
x z 1 2
s
n
x + z 1 2
Pers. 7.5
dengan :
52
Contoh
Diketahui : n = 100
s = 10
x = 160
Ditanya :
*) Interval rata-rata hitung populasi
Penyelesaian :
95%
2,5%
2,5%
- z 12
+ z 12
Gambar 7.1.
Distribusi Normal
Menurut tabel distribusi normal (lampiran-3) :
95% + 2,5% berarti z 12 = 1,96 dan - z 12 = -1,96 dan
s
n
10
100
=1
Jadi :
160 1,96 . 1 160 + 1,96 . 1
158,04 161,96
3. Penaksiran interval untuk sampel kecil (n < 30)
Untuk sampel kecil digunakan Tabel distribusi-t (lampiran).
Contoh :
Diketahui : n = 16 x = 30 dan s = 8
Ditanyakan : Interval rata-rata hitung populasi bila confidence coeficient 99%
Penyelesaian : = 100% - 99% = 1% atau = 0,001
= x 0,01 = 0,005
Menurut tabel Distribusi-t, untuk t0,005 dan degree of freedom
(df) = n-1 = 16 1 = 15 diperoleh z 12 = 2,947
53
x z 12
30 2,947 x
s
n
8
16
x + z 1 2
s
n
30 + 2,947 x
8
16
24,106 35,894
4. Menetukan besar minimum sampel
Perhatikan persamaan 7.5, bagian sebelah kanan adalah
xz
z 1 2
s
n
( z 1 2 ) 2
n
s
1
x
( x )2
Jadi :
( z 1 2 ) 2
n
Pers. 7.6
90%
5%
5%
- z 12
+ z 12
54
E = ( x - ) = 2 cm
= 20 cm
= 100% - 90% = 10%
= x 10% = 5%
Untuk luas daerah 90% + 5% = 95% diperoleh z 12 = 1,65
Menurut persamaan 7.6
(z 1 ) 2
(1,65 20) 2
n 2
diperoleh : n
E
2
n 272,25
5. Penaksiran interval untuk deviasi standar
Menggunakan persamaan :
1+
z 1 2
2n
s
z 1 2
Pers. 7.7
2n
Contoh :
Diketahui n = 200, deviasi standar sampel (s) = 15, confidence coeficient
99%. Buatkan penaksiran interval untuk deviasi standard populasi () :
Penyelesaian :
Lihat tabel distribusi Normal (lampiran III)
= 100% - 99% = 1%
= x 1% = 0,5% (level of significant)
Untuk luas daerah 99% + 0,5% = 99,5% atau confidence coeficient 0,995
diperoleh z 12 = 2,58
Jadi :
1+
15
2,58
2 * 200
15
2,58
2 * 200
55
terhadap
H1 : o
(2 sisi)
Ho : = o
terhadap
H1 : > o
(sisi kanan)
Ho : = o
terhadap
H1 : < o
(sisi kiri)
Keterangan :
Ho
H1
= hipotesisi alternatif
Komposisi pengujian
Critical region
(ditolak)
Ho : = o
H1 : o
Fungsi penaksiran :
zo =
x o
s
n
Pers. 7.8
56
Aturan pengujian :
Tolak Ho bila zo > z 12 atau zo < z 12
Terima Ho bila
- z 12 < zo < z 12
Contoh :
Suatu sampel yang terdiri dari 36 buah bola baja mempunyai x = 100
kg, o = 110 kg dan s = 24 kg. Confidence coeficient 95%. Laksanakan
pengujian !
Penyelesaian :
Bila hipotesa x = 100 kg ternyata benar, berarti Ho diterima. Akan
tetapi bila hipotesa x = 100 kg ternyata salah, berarti Ho ditolak atau
H1 diterima.
= 100% - 95% = 5%
= x 5% = 2,5%
Untuk luas daerah 95% + 2,5% = 97,5% diperoleh z 12 = 1,96 dan
- z 12 = 1,96
zo =
100 110
24
36
ternyata z < - z 12
jadi Ho ditolak
atau H1 diterima, berarti ukuran sampel 36 karung itu tidak berasal dari
populasi yang sama dengan populasi yang mempunyai o = 110 kg
57
Komposisi pengujian : Ho : = o
H1 : < o
Fungsi penaksiran :
zo =
Aturan pengujian :
x o
s
n
Contoh :
Suatu sampel yang terdiri dari 36 buah bola baja mempunyai x = 100
kg, s = 24, o = 115 dan confidence coeficient 95%. Laksanakan
pengujian terhadap < 115 kg
Penyelesaian :
Ho : = o
H1 : < 115
zo =
100 110
= -3,75
24
36
58
acceptance region + z 12
(diterima)
Critical region
(ditolak)
Komposisi pengujian : Ho : = o
H1 : > o
Fungsi penaksiran :
zo =
Aturan pengujian :
x o
s
n
Contoh ;
Ukuran sampel 36 karung, x = 100 kg, s = 24, confidence coeficient
95%. Adakan pengujian terhadap pernyataan > 95 kg
Penyelesaian :
Ho : = o
H1 : > 95
zo =
100 95
= 1,25
24
36
59
x o
s
n
Pers. 7.9
Contoh ;
Menurut iklan mobil A menempuh rata-rata 10 km untuk setiap 1 liter
bensin yang dipakai. Untuk menguji benar tidaknya pernyataan tersebut
telah diambil 10 buah mobil dan ternyata rata-rata hanya menempuh 9,7
km untuk setiap liter bensin dengan deviasi standar 0,4 km. Level of
significance = 0,05
Penyelesaian :
Yang diuji hipotesisi nol (Ho) yang menyatakan bahwa = 10 terhadap
hipotesis alternatif yang menyatakan bahwa < 10. ini adalah pengujian
hipotesis 1 sisi kiri. Untuk degree of freedom (df) = 9 dan t0,05 pada tabel
Distribusi-t (lapiran IV) memberikan angka -1,933.
t=
x o
9,7 10
=
= -2,37
0,4
s
n
10
Ternyata -2,37 < t0,05 , jadi Ho yang menyatakan = 10 ditolak, atau yang
menyatakan < 10 diterima.
60
BAB VIII
ANALISIS REGRESI & KORELASI
IV.14.
Pendahuluan
Data yang terdiri dari dua atau lebih variabel dapat dipelajari cara
bagaimana variabel-variabel itu berhubungan. Hubungan yang didapat pada
umumnya dinyatakan dalam bentuk persamaan matematik yang menyatakan
hubungan fungsional antara variabel-variabel. Studi yang menyangkut
masalah ini dikenal dengan analisis regresi.
Persoalan berikutnya yang dirasakan perlu, jika data hasil pengamatan
terdiri dari banyak variabel, ialah berapa kuat hubungan antara variabelvariabel itu terjadi. Dengan kata lain, perlu ditentukan derajat hubungan
antara variabel-variabel. Studi yang membahas tentang derajat hubungan,
terutama tentang data kuantitatif dinamakan koefisien korelasi.
Analisis korelasi sukar untuk dipisahkan dengan analisis regresi.
IV.15.
Analisis Regresi
a. Macam-macam hubungan
a.1. Hubungan Positif
Jika faktor yang satu bertambah, faktor yang lainnya-pun
bertambah pula.
Contoh : Hubungan antara berat badan dan umur
Gambar 8.1
Hubungan Positif
a.2. Hubungan Negatif
Apabila faktor yang satu bertambah, faktor yang lainnya akan
berkurang.
61
Gambar 8.2
Hubungan Negatif
a.3. Hubungan Cekung
Apabila faktor yang satu bertambah, faktor yang lainnya akan
berkurang tetapi selanjutnya bertambah
Contoh : Hubungan antara umur seseorang dengan biaya
perawatan.
Gambar 8.3
Hubungan Cekung
a.4. Hubungan Cembung
Apabila faktor yang satu bertambah, faktor yang lainnya akan
bertambah lebih besar tetapi kemudian menurun lagi
Contoh : hubungan antara pendapatan dan pengeluaran
Gambar 8.4
Hubungan Cembung
b. Penyelidikan ada tidaknya hubungan
b.1. Dengan mempergunakan tabel
Tabel ini terdiri dari 2 kolom utama. Kolom pertama isi faktor
yang nilai-nilainya berubah beraturan dari nilai yang kecil ke nilai
yang besar. Sedngkan kolom yang lainnya menyatakan berapa
62
Berat
Titik
12
13
14
16
17
17
18
19
19
20
21
22
22
23
30
27
35
35
32,5
40
39
47,5
42,5
39
42,5
45
50
49
H
G
I
C
D
M
A
E
K
N
B
J
F
L
55
F
50
45
40
35
30
M A K
I
H
B J
N
25
12
14
16
18
20
22
24
Gambar 8.5
Scattergram hubungan antara
umur dan berat seseorang
63
c. Garis Regresi
Garis regresi adalah garis yang menunjukkan arah dan besarnya
hubungan
antara
faktor,
sesudh
pengaruh-pengaruh
lainnya
(12 + 13 + 14 + 16)
= 13,8
4
Berat :
(30 + 27 + 35 + 35)
= 31,8
4
Hasilnya ialah titik (A) dengan absis = 13,8 dan ordinat = 31,8
Rata-rata hitung untuk 4 angka tertinggi :
Umur :
(23 + 22 + 22 + 21)
= 22
4
Berat :
(49 + 50 + 45 + 42,5)
= 46,6
4
64
Dengan cara dua rata-rata ini dapat pula ditemukan garis regresi
dalam bentuk persamaan garis. Untuk garis yang menghubungkan
2 buah titik (x1 , y1) dan (x2 , y2) adalah yang memenuhi persamaan
y y1 =
y 2 y1
( x x1 )
x 2 x1
Pers. 8.1
46,6 31,8
( x 13,8)
22 13,8
y 31,8 =
14,8
( x 13,8)
8,2
Pers. 8.2
x2
xy
12
13
14
16
17
17
18
19
19
20
21
30
27
35
35
32,5
40
39
47,5
42,5
39
42,5
144
169
196
256
289
289
324
361
361
400
441
360
351
490
560
552,5
680
702
902,5
807,5
780
892,5
65
22
22
23
45
50
49
484
484
529
990
1100
1127
253
554
4727
10295
a x 2 + b x = xy
(1)
a x + Nb = y
253 a + 14 b = 554
(1) * 14
(2)
= 3.968
a = 1,83
66
x = xi x
dan
y = y i y dalam persamaan :
r=
xy
x y
Pers. 8.3
x.y
N
s x .s y
Pers. 8.4
x y
i
r=
Contoh :
Akan dihitung koefisien korelasi r dari kedua pasangan nilai xi dan
yi seperti pada Tabel 8.3 kolom 1 dan 2. Guna keperluan subtitusi
untuk persamaan (8.3) dan (8.4) yang dipakai, Tabel 8.3 dilengkapi
dengan kolom-kolom selanjutnya berisikan faktor-faktor yang
diperlukan.
67
Tabel 8.3
Tabel untuk koefisien korelasi
xi
yi
x = xi x
x2
y = yi y
y2
xy
xi yi
xi2
y i2
1
3
5
7
9
11
13
7
4
13
16
10
22
19
-6
-4
-2
0
2
4
6
36
16
4
0
4
16
36
-6
-9
0
3
-3
9
6
36
91
0
9
9
81
36
36
36
0
0
-6
36
36
7
12
65
112
90
242
247
1
9
25
49
81
121
169
49
16
169
256
100
484
361
49
91
252
138
775
455
1435
112
r=
xy
x y
2
138
112 252
= 0,82
sx =
1
( xi x ) 2
sx =
112
= 16 = 4
7
sy =
1
( yi y ) 2
n
68
252
= 36 = 6
7
sy =
1
xi2 ( x ) 2
n
sx =
1
(455) 7 2 = 4
7
sy =
1
y i2 ( y ) 2
sy =
1
(1435) 13 2 = 6
7
x y
i
r=
r=
x.y
N
s x .s y
775
(7 13)
= 7
46
110,71 91 19,71
=
= 0,82
24
24
69
BAB IX
ANALISIS VARIANS
IV.17. Definisi
Analisis varians adalah salah satu cara analisis yang berguna bagi manajemen
dalam mengambil kesimpulan secara statistik. Dengan perkataan lain adalah
salah satu cara analisis variasi yang terjadi diantara kelompok data.
1 n
( xi x ) 2
n 1 i =1
Pers. 9.1
s=
1 n
( xi x ) 2
n 1 i =1
Pers. 9.2
s2 =
x i2
( xi ) 2
n
Pers. 9.3
n 1
Deviasi standar ini sebetulnya digunakan untuk penaksiran yang tidak bias
(unbiased estimate) terhadap deviasi standar populasi. Banyak statistisis yang
menganjurkan penggunaan pembagi n 1 dalam menghitung varians dan
deviasi standar sampel guna menaksir varians dan deviasi standard populasi.
Bila jumlah n kecil, hasil penggunaan persamaan (9.2) mengkin berbeda secara
berarti dibandingkan dengan hasil penggunaan persamaan (3.11). sebaliknya
bila jumlah n besar sekali, perbedaan itu menjadi tidak berarti.
s=
1
f i ( xi x ) 2
Pers. 3.13
70
Mesin
I
II
III
3,1
3,0
2,8
2,9
3,0
3,1
3,1
2,8
2,9
2,8
3,0
3,0
Berdasarkan Tabel 9.1 diatas, dibuat Tabel 9.2 untuk menentukan nilai varians
total, varians operator, dan varians mesin berdasarkan varians masing-masing.
1. Varians Total
2
s total
=
2
i
( x i ) 2
n 1
Pers. 9.4
2. Varians Operator
(x
s
2
op
)
2
( xo ) 2
no
Pers. 9.5
no 1
3. Varians Mesin
(x
s
2
ms
)
2
( x m ) 2
nm
Pers. 9.6
nm 1
71
Tabel 9.2
Pengembangan dari Tabel 9.1 untuk varians
Mesin I
Mesin II
Mesin III
x1 + x 2 + x3
xo =
x12 + x 22 + x 32
( x o )2=
x1
x12
x2
x 22
x3
x 32
= xi
x i /3
= x i2
x i2 /3
A
B
C
D
3,1
3,0
2,8
2,9
9,61
9,00
7,84
8,41
3,0
3,1
3,1
2,8
9,0
9,61
9,61
7,84
2,9
2,8
3,0
3,0
9,41
7,84
9,00
9,00
9,0
8,9
8,9
8,7
3,00
2,97
2,97
2,90
27,02
26,45
26,45
25,25
9,007
8,817
8,817
8,417
11,8
11,7
34,25
35,5
11,84
105,17
35,058
xm
2,95
3,0
2,93
( x m )2 8,703
9,0
8,585
2
s total
=
(35,5) 2
12
= 0,0138
(12 1)
105,17
2. Varians Operator
2
s op
=
(11,84) 2
4
= 0,004
( 4 1)
35,058
3. Varians mesin
2
s ms
=
(8,88) 2
3
= 0,0016
(3 1)
26,288
Dari hasil perhitungan dapat dilihat bahwa varians operator relatif lebih
besar daripada varians mesin. Jadi operatorlah yang paling utama sebagai
penyebab penyimpangan dan penyebab berikutnya adalah faktor mesin.
Menurut hasil penyelidikan itu, tindakan pertama yang harus diambil
manajemen adalah menyeragamkan kembali cara kerja operarot agar
sesuai dengan standarnya.
72
Nilai varians total dapat dipakai sebagai kontrol atas ketelitian hasil
perhitungan varians mesin dan varians operator. Nilai varians total harus
lebih besar dari varians mesin dan varians operator, karena kedua varians itu
merupakan bagian dari varians total.
73