Statistik Teknik

Statistik dan Probabilitas
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
mempertahankan standar operasi dari peralatan. Data juga perlu untuk

mengontrol nilai karakteristik dari bahan dan produk, misalnya tentang
beratnya, besarnya, intensitasnya, kompisisi dari bahannya, dan sebagainnya.
Akhirnya begitu juga mengenai efisiensi, produk, fraction defectives dan biaya
dapat disebut data. Data itu menunjukkan situasi proses dari suatu produk,
bukan merupakan kualitas dari lot (kumpulan).
Dalam banyak hal data itu diperoleh melalui sampling. Tentu saja tidak
mungkin dilakukan pemeriksaan pada setiap produk, tetapi dengan pengambilan
sampel dan kemudian dibuat estimasi untuk keseluruhan lot. Menurut Standard
Industri Jepang (JISZ 8101 Glosary of Term Used in Quality Control) definisi
sampel ialah bagian yang diambil dari suatu populasi untuk tujuan tertentu.
Perhatikan gambar 2.1 sampel ditarik dari lot sutau produk yang sudah selesai
untuk mempelajari karakteristik dari keseluruhan lot.
Sampel yang ditarik dari lini produksi (production line) untuk menentukan
kondisi proses pada lini tersebut, mempertimbangkan metode proses yang akan
datang, dan untuk memperoleh data sebagai dasar pengambilan langkah-langkah
suatu tindakan.
Gambar 2.1
Hubungan antara populasi, sampel dan data
Jadi populasi merupakan grup yang memungkinkan dibuatnya perencanaan

untuk mengambil langkah-langkah tindakan berdasarkan sampel atau data yang
ditarik daripadanya.
Pada gambar 2.1 (a) ditunjukkan bahwa dalam hal langkah-langkah tindakan
pada proses produksi, populasi dipertimbangkan dalam kondisi proses yang
pasti. Produk dihasilkan oleh suatu proses pembuatan yang tidak terbatas
(infinite population). Hal ini merupakan obyek dari kontrol proses dan analisis.
Pada gambar 2.1 (b) ditunjukkan langkah-langkah kegiatan pada lot. Jumlah lot
selalu terbatas, misalnya 100 ton batubara, atau 50 batang pensil. Populasinya
dinamakan populasi terbatas (finite population). Hal ini merupakan objek dari
inspeksi dan evaluasi kualitas. Oleh karena itu tujuan pengumpulan data dari
sampel yang ditarik dari suatu populasi adalah untuk mengetagui lebih jauh
tentang keadaan yang sebenarnya dari populasi itu, dan langkah-langkah
selanjutnya dapat diambil dengan tepat.
II.2. Dasar Pemikiran Ststistik dan Sampling

Data yang dikumpulkan tidak seluruhnya sama, tetapi selalu mengandung
dispersi. Data tak terbatas disebabkan oleh dispersi dalam proses pembuatan
(manufaktur). Meskipun kondisi produksi ada dalam keadaan terkendali (state of
control) bebrapa dispersi tidak dapat dihindari, misalnya dispersi diantara lot,
diantara produk dalam lot yang sama, dan lain-lain.
Oleh karena dispersi itu terjadi pada suatu lot atau pada proses, jadi dispersi itu
memperlihatkan suatu distribusi frekuensi. Ada beberapa cara pengukuran
distribusi frekuensi. Apabila nilai rata-rata dan jumlah yang memperlihatkan
dispersi (varians atau deviasi standar) dapat diketemukan, biasanya gambaran
mengenai distribusi dapat ditentukan.
Apabila populasi menunjukkan distribusi frekuensi, random sampling
(pengambilan sampel secara acak) dengan tepat harus tetap dipertahankan,
artinya jangan sampai hanya memilih barang yang baik saja atau yang jelek saja,
dan jangan mengambil sampel hanya dari satu bagian dari lot. Sampel harus
benar-benar representatif ditarik dari suatu lot.
Untuk mengevaluasi suatu lot dapat dengan cara mengestimasi distribusi

frekuensi lot tersebut, yaitu mengenai nilai rata-rata dan dispersi distribusi, akan
tetapi pertimbangan ekonomi dan teknik sangat berat untuk memeriksa seluruh
lot. Untuk mengatasinya dapat ditarik sampel dari lot tersebut, diukurnya dan
kemudian diestimasi nilai rata-rata dan dispersinya. Hal ini berarti dalam
sampling faktor-faktor ekonomis, teknis dan statistik harus benar-benar
dipertimbangkan. Kondisi untuk sampling harus :
(1) Benar,
(2) Dapat dipercaya,
(3) Cepat dan
(4) Ekonomis.
Nilai data yang diambil dari sampel berbeda dengan nilai data dari populasi.
Agar tidak membingungkan diberi simbol-simbol yang berbeda seperti pada
tabel 2.1
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
II.3. Random Sampling (Sampling Secara Acak)

(1) Kondisi untuk random sampling
Suatu sampel dikatakan random, apabila setiap unit yang berada di dalam
populasi mempunyai kesempatan yang sama (mempunyai probabilitas
yang sama) untuk diikutsertakan dalam sampel yang bersangkutan.
Random sampling dari suatu populasi adalah tidak mudah. Misalmya
memilih sampel secara random dari suatu yang terbungkus bukan saja sulit
tetapi juga mahal. Pengambilan sampel dari 100.000 ton bijih besi halus
sedang diangkut dalam konveyor.
(2) Metode random sampling

a) Random Sampling Sederhana
Dengan menggunakan Tabel Random Number (lihat pada lampiran
tabel)
Misalnya pengambilan sampel sebanyak 20 unit dari produk sebanyak
600 unit.
1. Berilah nomor urut unit dari 001 s/d 600
2. Tentukan secara random tempat mulainnya pemakaian tabel, yaitu
kelompok ribuan, baris dan kolom. Misalnya pada ribuan ke-1,
baris ke-20, dan kolom ke-18. jadi angka-angkanya adalah :
794
500
065
718
788
525
637
942
631
265
327
315
806
930
905
386
557
307
762
695
dan seterusnya sampai terkumpul

40 buah
3. batalkan nomor-nomor yang lebih besar dari 600. apabila nomor

yang tidak dibatalkan muncul kedua kalinya, nomor itu harus
dibatalkan
b) Sampling Sistematis
Misalkan akan ditarik 5 unit sampel dari 150 unit produk. Berilah
nomor urut pruduk tersebut dari 1 s/d 150. interval pengambilan
sampel adalah
1
, jika nomor pertama yang terpilih adalah 5, maka
30
nomor berikutnya yang dipilih adalah :

5, 35, 65,
95,
125
II.4. Sampling Error

Bila diuji seluruh lot setelah dilakukan sampling dan diketemukan nilai sampel
yang berbeda dibandingkan dengan nilai lot berarti telah terjadi sesuatu
kesalahan (error). Kesalahan dapat dibagi dalam 2 kategori :
(1) Bias
Bias terjadi bila terdapat perbedaan antara rata-rata sampel dan rata-rata
populasi. Biasanya karena sampling yang kurang merata. Misalnya
sampling pada bijih besi hanya pada bijih besi yang besar-besar saja.
Keadaan ini sedapat mungkin harus dihindari. Perhatikan gambar 2.2
dibawah ini :
= population mean
x = sample mean
(a) Large bias
(b) Small bias
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.
c) Dibuatkannya instruksi tertentu yang dapat diikuti oleh pelaksana

produksi.
d) Pengontrolan terhadap instrumen ukur dan peralatan.
II.5. Tipe-tipe Sampling

(1) Tipe random sampling
Mengambil sampel secara random dari keseluruhan lot (gambar 2.3)
x
x
x
x
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
b) Distribusi frekuensi kategoris (categorical frequency distribution)

Contoh : berdasarkan kemampuan produksi
Mesin gergaji
Frekuensi (buah)
Terzago tipe T-14
30
Terzago tipe F-30
35
Terzago tipe F-35
25
Jumlah
90
III.2. Pembentukan Histogram

Data pada tabel 3.1 menunjukkan ketebalan (mm) dari 100 buah blok metal
yang merupakan bagian-bagian dari suatu peralatan optik.
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
Keterangan : = nilai terbesar pada baris

* = nilai terkecil pada baris
Pada tabel diatas dapat dilihat bahwa dengan N = 100 diperoleh nilai terbesar
(XL) = 3,68 dan nilai terkecil (XS) = 3,30
Setelah data diatas digambarkan secara grafis akan tampak bentuk
kecenderungannya. Dari sekian banyak macam grafik yang paling umum
adalah histogram (gambar 3.1)
Cara membuat histogram (lihat tabel 3.1)
(1) Hitung jumlah data
(2) Bagi data itu dalam 10 sub grup. Catat atau tandai nilai terbesar dan
terkecil pada tiap sub grup. Kemuadian catat atau tandai nilai terkecil dan
terbesar dari grup itu (dari keseluruhan).
Dalam hal ini nilai terbesar grup adalah XL = 3,66 dan terkecil XS = 3,30
(3) Range (R) dari seluruh data adalah R = x L x S
3,68 3,30 = 0,38.
Range dapat didistribusikan kedalam setiap kelas. Jumlah kelas ditentukan

berdasarkan tabel 3.2
Tabel 3.2
Ketentuan jumlah kelas
Jumlah Data (N)
Jumlah Kelas (K)
50
57
50 100
6 10
100 250
7 12
250
10 20
12
Untuk N = 100 dipilih K = 10 (atau 9)

Interval Kelas : h =
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
Berdasarkan tabel 3.3 histogram dapat dibuat seperti diperlihatkan pada

gambar 3.1
Pada histogram harus dicantumkan tentang jumlah data (N), nomor mesin,
nilai rata-rata ( x ), deviasi standar sampel (s), dan tarik pula garis limit
spesifikasi bawah (lower specification limit, LSL) dan limit spesifikasi
atas (upper specification limit, USL). Pada gambar 3.1 telah dicatat N =
100 ; x = 3,476 ; s = 0,065 ; LSL = 3,28 ; USL = 3,6 dan mesin no. 2
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
Cara lain yang lebih umum dengan menggunakan frekuensinya. Bila

bilangan-bilangan x1, x2, .........., xn masing-masing terdapat sebanyak
f1, f2, .........., fn rata-rata hitungnya adalah :
x=
f1 x1 + f 2 x2 + f 3 x3 + ....... + f n x n
f 1 + f 2 + ....... + f n
Pers. 3.2
b) Rata-rata hitung data tersusun

Dalam distribusi frekuensi nilai-nilai tidak diperhitungkan satu persatu
melainkan dalam kelas-kelas. Pada umumnya nilai tengah kelas mewakili
kelas itu (tabel 3.4)
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
Menghitung rata-rata hitung dengan cara duga

Misalkan M = harga rata-rata duga
di = selisih antara nilai tengah kelas ke-i dengan M atau
di = xi M
f i d i = f i ( xi M )
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
Berdasarkan persamaan diatas dibuat tabel rata-rata duga (tabel 3.5)

Tabel 3.5
Rata-rata duga
No
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
Nilai rata-rata harmonis :

H=
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
III.4. Ukuran Penyebaran
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
Range (R) = 3,56 3,42 = 0,14
b) Deviasi (simpangan) rata-rata

Diketahui sekumpulan data x1, x2, .........., xn mempunyai rata rata hitung 0,
jadi deviasi antara nilai-nilai itu dengan harga rata-ratanya adalah :
(x1 - 0), (x2 - 0), ...................,(xn - 0)
Harga mutlaknya adalah :
17
|x1 - 0|, |x2 - 0|, ...................,|xn - 0| =
x
i =1
Jadi deviasi (simpangan) rata-rata untuk :

Data tidak tersusun
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
c) Deviasi Standar (standard deviation )

1. Data tak tersusun
Varians adalah pangkat 2 simpangan-simpangan anatara nilai-nilai
pengamatan dengan rata-rata hitung dari kumpulan data itu.
18
Varians :
s2 =
1 n
( xi x ) 2
n i =1
Pers. 3.9
Untuk mengembalikan varians itu kepada ukuran simpangan, nilai

varians itu harus diakar pangkat 2. nilai yang diperoleh disebut deviasi
standar (s).
Deviasi standar :
s=
1
n
(x
i =1
Pers. 3.10
x)2
Cara khusus (short method) untuk memperoleh deviasi standar tanpa

melalui perhitungan harga rata-rata lebih dahulu, sebagai berikut :
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
Dengan cara yang sama dengan persamaan (3.10) dan (3.11),

persamaan (3.13 dapat diubah menjadi :
f
x
i
f i xi
i =1
i =1
n
n
s=
2
i
Pers. 3.14
Persamaan (3.14) ini dapat dipakai untuk menghitung nilai deviasi

standar dengan tidak lebih dahulu menghitung nilai harga rata-rata
hitung.
Disamping persamaan (3.10) dan (3.14) dapat digunakan persamaan
(3.15) berikut :
n
s = i
i =1
f iU
f iU i
i =1
n
n
2
i
Pers. 3.15
Dengan :
i
: selisih antara nilai tengah yang berdekatan
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 = 0,05 1,9 0,2304
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
: selisih antara nilai median dan frekuensi komulatif dari kelas-kelas

dimuka (sebelum) kelas median
fM : frekuensi kelas median

c) Modus data tak tersusun
Merupakan bilangan terbanyak yang terdapat di dalam suatu kumpulan
data
Contoh :
2, 2, 5, 6, 7, 7, 7, 9, 10, 11, 11
1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11
(modus = 7 uni modal)

(modus = 0)
5, 6, 7, 8, 8, 8, 10, 11, 13, 13, 13,
,14
(modus = 8 dan 13 bi modal)
d) Modus data tersusun

Ditentukan dalam persamaan :
Mo = B1 +
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
Pada Tabel 3.4 dapat dilihat bahwa :

B1 : 3,475
d1 : 38 32 = 6
d2 : 38 10 = 28
i
: 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
ditunjukkan pada gambar 3.1
pengukuran
Gambar 3.1
Distribusi normal
23
Distribusi frekuensi yang lebih miring ke kanan dinamakan distribusi

frekuensi dengan skewness negatif (gambar 3.2)
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
Akan tetapi pemakaian selisih antara harga-harga rata-rata hitung dengan

modus akan berubah dengan perubahan skala, sehingga ukuran kasar
tersebut tidak berlaku.
Ukuran lain dengan mempergunakan persamaan koefisien skewness
Pearson :
Sk =
3( x Me)
S
Pers. 3.18
Jika Sk = 0 berarti kurva normal (simetris)

Sk > 0 berarti skewness posistif
Sk < 0 berarti skewness negatif
Skewness dapat pula diukur dengan ukuran momen :
Sk =
f (x
x)3
1
S3
Pers. 3.19
Bentuk-bentuk skewness dapat dilihat pada gambar 3.4

Sk = 0
Sk > 0
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
Bentuk-bentuk kurtosis dapat dilihat pada gambar 3.6

Kt > 0
Kt = 0
Kt < 0
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
(3) Jika dalam melakukan suatu deretan percobaan, perbandingan antara

terjadi peristiwa A dengan jumlah kali percobaan itu dilakukan hampir
sama dengan atau mendekati p dengan bertambah seringnya percobaan itu
diulangi, probabilitas dari peristiwa sama dengan p, atau :
Pr(A) = p
Pers. 4.2
27
IV.2. Perhitungan Probabilitas

Jika dinyatakan suatu peristiwa dengan A dan titik-titik sampelnya a1, a2, .....,an
jadi :
n
Pr( A) = Pr(ai )
Pers. 4.3
i =1
Syarat-syarat perhitungan probabilitas :

(1) Jika A adalah peristiwa, dan bukan A atau Ac (komplemen A) adalah suatu
peristiwa juga yang mempunyai probabilitas :
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 :
Pr(A atau B) = Pr(AB) = Pr(A) + Pr(B)
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
jumlah probabilitas-probabilitas dari peristiwa A dan peristiwa B

dikurangi dengan probabilitas dari peristiwa AB, atau :
Pr(A atau B) = Pr(AB) = Pr(A) + Pr(B) Pr(AB)
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 :
Pr(A dan B) = Pr(AB) = Pr(A) Pr(B/A)
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
b) Permutasi dari n objek yang tersedia dan diambil sebanyak r :
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
Jadi buku itu dapat disusun dalam 12 cara

IV.4. Kombinasi
Definisi : Kombinasi dari sejumlah objek merupakan cara pemilihan objekobjek tersebut tanpa menghiraukan urutan (susunan) dari objek-objek yang
bersangkutan. Jadi dalam hal objek A, B dan C. Susunan ABC BCA dan BAC
merupakan kombinasi tetapi menurut permutasi susunan itu terdiri dari 3
permutasi.
a) Kombinasi dari n objek keseluruhan.
Banyaknya kombinasi dari suatu set yang terdiri dari n objek = 1 atau :
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
b) Kombinasi dari n objek tetapi tidak semua objek terpakai.

Jika jumlah objek yang satu sama lainnya berbeda, berjumlah n buah,
dan yang diambil sebagai suatu kombinasi berisikan r buah diantaranya,
jumlah kombinasi yang dapat dibuat adalah :
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)!
Pemilihan 2 wanita dari 3 wanita dapat dibentuk dalam

C 23 =
3!
= 3 cara (n2)
2!(3 2)!
Untuk menghitung keseluruhan cara yang dapat dibuat dalam

pembentukan panitia tersebut yang terdiri dari pria dan wanita digunakan
asaz perkalian permutasi. Dalam hal ini dengan n1 = 10 dan n2 = 3 ;
P = n1 x n2 , jadi pembentukan panitia itu ada 10 x 3 cara = 30 cara.
Contoh 3 ;
Calon-calon untuk duduk dalam sebuah panitia terdiri dari 5 pria dan 3
wanita. Persyaratannya pembentukan panitia tersebut harus terdiri dari
paling sedikit 3 orang pria dan jumlah anggotanya 5 orang. Dengan
berpa carakah panitia tersebut dapat dibentuk ?
Jawab :
Paling sedikit 3 pria merupakan syarat, jadi panitia dapat dibentuk
dengan salah satu cara :
1. Terdiri dari 3 pria dan 2 wanita
31
Jumlah cara yang dapat dibentuk = 30 cara (ditunjukkan dalam contoh 2)

2. Terdiri dari 4 pria dan 1 wanita
Jumlah cara yang dapat dibentuk = C 45 C13
=
5!
3!
= 5 x 3 = 15 cara
4!(5 4)! 1!(3 1)!
3. Hanya terdiri dari 5 pria

Jumlah cara yang dapat dibentuk = C 55 = 1
Jadi jumlah cara yang dapat dibentuk yang terjadi dari paling sedikit 3
pria adalah :
30 + 15 + 1 = 46 cara
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
Dengan f/n sebagai frekuensi relatif.

Distribusi probabilitas mungkin berbentuk diskret atau kontinu. Distribusi
probabilitas diskret ialah probabilitas yang variabel randomnya hanya
mengambil nilai-nilai yang terisolasi satu dari yang lainnya. Distribusi
probabilitas kontinu ialah distribusi yang variabel randomnya mengambil nilainilai yang kontinu. Distribusi Binomial merupakan distribusi diskret,
dikembangkan dari percobaan Bernoulli. Distribusi Poisson juga merupakan
distribusi diskret, digunakan untuk jumlah sampel yang lebih besar. Distribusi
Normal merupakan distribusi yang kontinu. Pengalaman telah membuktikan
bahwa sebagian besar dari variabel random yang kontinu di berbagai bidang
aplikasi yang berbeda dan beraneka ragam, umumnya memiliki distribusi yang
dapat didekati dengan distribusi normal atau dapat menggunakannya sebagai
model teoritis.
IV.6. Distribusi Probabilitas

Suatu distribusi probabilitas dapat disusun berdasarkan pengalaman-pengalaman
diwaktu
yang
lampauatau
berdasarkan
pertimbangan-pertimbangan
teoritis.untuk memperjelas pengertian tentang distribusi probabilitas diskret

diambil satu contoh, misalnya diamati banayaknya gambar (dinyatakan dengan
H berarti head) yang keluar dari pelemparan 3 mata uang logam. Kemungkinan
terjadinya gambar (H) dan tulisan (dinyatakan dengan T yang berarti tail) yaitu
probabilitas munculnya H atau munculnya T adalah .
Kemungkinan-kemungkinan yang akan terjadi seperti pada tabel 5.1 dibawah ini
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
Tabel 5.1 diatas dapat disederhanakan menjadi Tabel 5.2

Dengan memakai Tabel 5.2 ini dapat dilukiskan grafik distribusi probabilitas itu
dalam bentuk histogram probabilitas (gambar 5.1) atau bentuk grafik lain
Tabel 5.2
Probabilitas f(x) dan probabilitas komulatif F(x)
Banyaknya H
x
0
1
2
3
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
jadi deviasi standarnya adalah :

n
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
IV.7. Distribusi Binomial
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
Misalnya pada pelemparan sebuah uang logam. Setiap pelemparan akan

menghasilkan 1 diantara 2 kemungkinan, yaitu gambar dapat diumpamakan
sukses dan diberi tanda H ; tulisan, dapat diumpamakan gagal dan diberi tanda
T. Hasil seluruhnya dari pelemparan-pelemparan sebuah mata uang logam itu
ditunjukkan tabel 5.4
Tabel 5.4
Probabilitas peristiwa dari pelemparan sebuah mata uang logam
Mata Uang ke
1
2
3
T
T
T
T
T
H
T
H
T
H
T
T
H
T
H
H
T
H
H
H
T
H
H
H
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
3*()1 ()2 = 3/8

1*()3 = 1/8
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
Kalau persamaan 5.9 diuraikan terus akan diperoleh :

= n.p
Varians :
2 = ( x ) 2 p x q (n x)
x
Pers. 5.10
Pers. 5.11
Kalau persamaan 5.11 diurakan terus akan diperoelh :

2 = n.p.q
Pers. 5.12
Jadi deviasi standar :

=
n. p.q
Pers. 5.13
Dari contoh diatas dapat dihitung :

Rata-rata hitung : = n.p = 3 x 0,5 = 1,5
Varians : 2 = n.p.q = 3 x 0,5 x 0,5 = 0,75
39
Deviasi standar : =
n. p.q =
0,75 = 0,866
IV.8. Distribusi Poisson

Menurut distribusi Binomial suatu sampel dengan ukuran (size) n mengandung
cacat (defective) sejumlah x, probabilitas dari jumlah defective tersebut adalah :
B(x | n,p) = C xn p x q ( n x )
dengan :
p = fraksi cacat (defective fraction)
q = (1 p)
Dengan menghitung langsung atau mempergunakan tabel Binomial, nilai B(x)
dengan segera dapat diketahui. Akan tetapi persamaan di atas akan menjadi
sukar dalam penggunaannya nila n besar dan p kecil (p 0,1). Biasanya tabel
Binomial hanya dibuat sampai dengan n = 100.
Untuk menghitung probabilitas jumlah defectives dari ukuran sampel n yang
lebih besar dari 100 digunakan persamaan fungsi probabilitas Poisson :
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
Bila sampel dari lot itu mengandung defectives x = 8, probabilitas adalah :

P ( x=8 ) =
10 8
= 0,1126
8!(2,718)10
Atau dapat digunakan tabel distribusi Poisson untuk np = x = 10 sebagai berikut

P (x=0) = 0,0000
P (x=1) = 0,0005
P (x=2) = 0,0023
P (x=3) = 0,0076
P (x=4) = 0,0189
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
IV.9. Distribusi Normal

Distribusi Normal adalah salah satu jenis distribusi yang sering dipakai dalam
statistik. Fungsi dari distribusi normal dinyatakan dalam persamaan :
f ( x) =
( x )2
2 2
Pers. 5.18
untuk - x
dengan :
e
: bilangan tetap Euler = 2,718
: 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
yang sama juga dengan P(x a) = F(a)

Jika a dan b merupakan 2 buah nilai x yang berbeda, dapat dituliskan :
42
P (a x b) =
f ( x)dx
= F(b) F(a)
Pers. 5.21
Dengan digunakannya persamaan 5.18 untuk membentuk kurva normal terlalu

memerlukan banyak waktu. Cara itu dapat dihindari dengan digunakannya
distribusi Normal Standar. Distribusi Normal Standar mempunyai = 0 dan
= 1. Variabel random yang terdistribusi secara normal dinyatakan dengan z,
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
Misalnya untuk z = +2 diperoleh x = + 2 .

Dapat dilihat pada tabel distribusi normal, bahwa :
F (z = +2) = F (x = + 2 ) = 0,9772
F (z = -2) = F (x = - 2) = 1 F (z = +2z) = 1 - 0,9772 = 0,0228
Bila ingin diketahui luas daerah di bawah kurva normal untuk -2 z +2 yaitu
untuk z diantara z = -2 dan z = +2 dapat dipergunakan persamaan 5.21
43
P (-2 z +2) = F (z = +2) F (z = -2)

= 0,9772 0,0228
= 0,9544
Contoh soal
Spesifikasi diameter luar dari shaft seal suatu motor pompa adalah 1,515 inch
s/d 1,525 inch. Rata-rata hitung populasi () 1,5202 inch, dan deviasi standar
() 0,0020 inch. Berapa persen seal yang sesuai dengan spesifikasi ?
Penyelesaian :
= 1,5202
= 0,0020
z =
limit atas untuk x = 1,525 :

z=
1,525 1,5202
= +2,4
0,0020
P (x 1,525) = P (z 2,4) = 0,0082

1,525 in
1,515 in
Area equals 0,0082
Area equals 0,00466
|
-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
P (x 1,515) = P (z -2,6) = 0,00466

Jadi probabilitas diameter shaft seal yang sesuai dengan spesifikasi adalah :
1 (0,0046 + 0,0082) = 0,98714
atau
98,714 %
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.
VI.2. Distribusi Sampel Eksperimental

Enam buah bola dinomori dari 0 s/d 5 ditempatkan di dalam sebuah kotak. Dari
dalam kotak itu secara random ditarik sampel-sampel yang terdiri dari 3 buah
bola. Bilangan-bilangan yang menunjukkan nomor-nomor bola tersebut
dianggap merupakan anggota-anggota sampel. Sesudah ditarik sebuah sampel
dan dihitung harga rata-rata hitungnya, ketiga bola itu dikembalikan ke dalam
kotak. Penarikan sampel dilakukan sebanyak 1.000 kali.
Hasil penarikan itu ditunjukkan oleh distribusi frekuensi pada tabel 6.1
distribusi frekuensi seperti ini dinamakan distribusi eksperimental
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
Rata-rata hitung : x = x (f/n) = 2,543

Deviasi standar : s =
( 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
Dari tabel 6.2 diperoleh :

Rata-rata hitung : = 2,5
Deviasi standar : = 17,5
= 1,7
Nilai-nilai ini hampir sama dengan x dan s pada tabel 6.1
47
VI.3. Distribusi Sampel Teoritis

Distribusi sampel teoristis dari populasi yang terdiri dari 6 buah bola dapat
dilihat pada tabel 6.3 yang hampir sama dengan tabel 6.1, hanya kolom
frekuensi relatif diganti dengan kolom probabilitas. Pembentukan kolom
probabilitas itu berdasarkan pertimbangan teoritis, bukan pertimbangan
ekperimental. Banyaknya kombinasi yang beranggotakan n yang dapat dibentuk
dari populasi yang terdiri dari N menurut persamaan 4.10 adalah :
N
N!
C nN = =
n n!( N n)!
Jadi banyaknya kombinasi yang beranggotakan n = 3 buah bola yang dapat
dibentuk dari sebuah populasi yang terdiri dari N = 6 buah bola adalah :
6 6!
= 20 sampel, terdiri dari :
C 36 = =
3 3!3!
Tabel 6.3
Kombinasi 3 dari 6 buah bola
Kombinasi
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
Berdasarkan tabel 6.3 disusun tabel 6.4 seperti dibawah ini :

Tabel 6.4
Probabilitas 3 dari 6 buah bola
x
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
Setiap sampel mempunyai probabilitas yang sama (0,05). Untuk menghitung

harga rata-rata hitung dan deviasi standar (standar error) dari distribusi sampel
teoritis ini, dibuat dahulu tabel 6.5
Tabel 6.5
Distribusi
2
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
Hubungan antara deviasi standar populasi (dari distribusi probabilitas) dan

standard error x adalah :
x =
N n
N 1
Pers. 6.2
(sampel dari populasi yang kecil)

atau :
x =
Pers. 6.3
(sampel dari populasi yang besar)

dengan :
N
= banyak anggota dari populasi
= banyak sampel yang ditarik
= standard error dari harga rata-rata hitung sampel teoritis
= deviasi standar dari populasi
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 :
a) Taksiran tak berpaling (unbised estimate)
51
Bila ada satu parameter dan penaksirnya b, penaksir b merupakan

penaksir tak berpaling bila :
E(b) =
Pers. 7.1
dengan E(b) = pengharapan matematis dari b.

Harga rata-rata hitung sampel ( x ) dan varians (s2) merupakan penaksir
tak berpaling untuk harga rata-rata hitung populasi () dan varians populasi
(2), jadi :
E( x ) =
Pers. 7.2
E(s2) = 2
Pers. 7.3
s bukan penaksir tak berpaling bagi karena E(s) , kalau E(s) = k

dengan k = bilangan tetap, unbiased estimate bagi adalah s/k, karena :
Pers. 7.4
E(s/k) = 1/k E(s) =
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 :
= rata-rata hitung sampel
= standar deviasi sampel
z 12 = faktor standar atau koefisien yang sesuai dengan interval
keyakinan yang dipakai dalam pendugaan interval dan

yang nilainya diberikan dalam tabel luas kurva normal.
52
Contoh
Diketahui : n = 100
s = 10
x = 160
confidence coeficient = 95%
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
Rata-rata hitungnya terletak diantara :
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
Karena x - = E merupakan kesalahan yang diperkenankan, diperoleh :

( z 12 ) 2 nE2
Jadi :
( z 1 2 ) 2
n
Pers. 7.6
dengan = deviasi standar populasi (dianggap diketahui)

Contoh :
Panjang pipa merupakan distribusi normal dengan = 20 cm. Berapa
sampel minimal yang harus diambil agar kesalahan tidak melebihi 2 cm.
Diketahui confidence coeficient 90%
Jawab :
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
IV.13. Pengujian Hipotesis

1. Ukuran sampel besar ( n 30)
Hipotesis yang akan diuji berupa :
Ho : = o
terhadap
H1 : o
(2 sisi)
Ho : = o
terhadap
H1 : > o
(sisi kanan)
Ho : = o
terhadap
H1 : < o
(sisi kiri)
Keterangan :
Ho
= hipotesisi yang akan diuji (hipoteisis nol)
H1
= hipotesisi alternatif
= rata-rata ukur sebenarnya dari populasi
= suatu nilai yang telah ditetapkan
Caranya dengan : a) pengujian hipotesisi 2 sisi

b) pengujian hipotesis 1 sisi kiri
c) pengujian hipotesis 1 sisi kanan
a) Pengujian Hipotesis 2 sisi
Critical region - z 12 acceptance region + z 12

(diterima)
(ditolak)
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
b) Pengujian Hipotesis 1 sisi kiri
Critical region - z 12 acceptance region

(diterima)
(ditolak)
Komposisi pengujian : Ho : = o
H1 : < o
Fungsi penaksiran :
zo =
Aturan pengujian :
x o
s
n
Tolak Ho bila z < z 12

Terima Ho bila z > z 12
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
confidence coeficient 95%

= 100% - 95% = 5%
Jadi taraf nyata atau level of significance = 0,05
58
Menurut tabel distribusi normal (lampiran III)

- z = - 1,65
Peraturan pengujian : Tolak Ho jika z < -z , ternyata z = -3,75 dan
z = -1,65 jadi Ho ditolak atau H1 diterima
c) Pengujian Hipotesis 1 sisi kanan
acceptance region + z 12
(diterima)
Critical region
(ditolak)
Komposisi pengujian : Ho : = o
H1 : > o
Fungsi penaksiran :
zo =
Aturan pengujian :
x o
s
n
Tolak Ho bila z > z 12

Terima Ho bila z < z 12
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
confidence coeficient 95%
59
= 100% - 95% = 5% = 0,05

Berdasarkan tabel Distribusi Normal (lampiran III)
z = 1,65
Peraturan pengujian Tolak Ho jika z > z
Ternyata z < z
Jadi Ho diterima atau H1 ditolak
2. Ukuran sampel kecil ( n< 30)

Pengujian hipotesis untuk ukuran sampel kecil digunakan Tabel
Distribusi-t (lampiran IV).
t=
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
Contoh : Hubungan antara pasokan dan harga
Gambar 8.2
Hubungan Negatif
a.3. Hubungan Cekung
berkurang tetapi selanjutnya bertambah
Contoh : Hubungan antara umur seseorang dengan biaya
perawatan.
Gambar 8.3
Hubungan Cekung
a.4. Hubungan Cembung
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
nilainya pada waktu faktor di kolom pertama mencapai suatu nilai

tertentu.
Pada tabel 8.1 ditunjukkan hubungan antara umur dan berat
seseorang.
Tabel 8.1
Hubungan antara umur dan berat
Umur
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
b.2. Dengan Scattergram

Hubungan antara umur dan berat pada tabel 8.1 dapat ditunjukkan
dengan grafik yang disebut Scattergram seperti pada gambar 8.5
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
dihilangkan. Gambaran garis regresi dapat dilakukan dengan beberapa

cara :
c.1. Cara Perkiraan
Cara ini paling sederhana. Dengan perkiraan menetukan bagaimana
sebaiknya letak dan arah garis yang mewakili data yang telah di
plot pada sistem sumbu XY. Mungkin akan ditarik garis yang
berbeda oleh orang yang berbeda. Pada gambar 8.5 garis itu ditarik
sebagai l1 atau l2.
c.2. Cara Pengambilan 2 rata-rata
Dengan cara ini diambil rata-rata dari beberapa angka terendah dan
rata-rata dari beberapa angka tertinggi
Contoh (lihat tabel 8.1)
Rata-rata hitng untuk 4 angka terendah :
Umur :
(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
Hasilnya ialah titik (B) dengan absis = 22 dan ordinat = 46,6
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
Jadi garis yang menghubungkan titik-titik (13,8 ; 31,8) dan (22 ;

46,6) diperoleh dengan perhitungan :
y 31,8 =
46,6 31,8
( x 13,8)
22 13,8
y 31,8 =
14,8
( x 13,8)
8,2
y 31,8 = 1,8 x 24,8

y = 1,8 x + 7
c.3. Metode Least Square

Cara ini adalah cara yang paling lazim dipakai. Untuk memperoleh
garis regresi dalam bentuk persamaan garis y = a x + b diperlukan
dua persamaan :
a x 2 + b x = ( xy)
a x + Nb = y
Pers. 8.2
Sebagai contoh, tabel 8.1 dapat dikembangkan menjadi Tabel 8.2

sebagai berikut :
Tabel 8.2
Tabel untuk Metode Least Square
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
4727 a + 253 b = 10295
(1)
a x + Nb = y
253 a + 14 b = 554
(1) * 14
(2)
: 66.178 a + 3.542 b = 144.130
(2) * 253 : 66.009 a + 3.542 b = 140.162 2.169 a
= 3.968
a = 1,83
dari persamaan (2)

253 a + 14 b = 554
14 b = 554 (253 x 1,83)
b = 6,5
Persamaan garis regresi : y = 1,83 x + 6,5
Persamaan garis regresi dapat digunakan untuk memperkirakan
faktor-faktor yang tidak terdapat dalam faktor yang menentukan
garis regresi tersebut. Memperkirakan faktor yang ada di antara
data dasar disebut interpolasi. Misalkan memperkirakan berat
badan dari orang yang berumur 15 tahun, dengan x = 15 dapat
dihitung y berdasarkan persamaan garis regresi y = 1,83 x + 6,5
sehingga diperoleh y = 33,95. Jadi untuk umur 15 tahun, berat
badan orang tersebut adalah 33,95 kg. Memperkirakan faktor di
luar batas data dasar disebut ekstrapolasi. Misalkan memperkirakan
berat badan orang yang berumur 24 tahun atau x = 24, diperoleh
y = 50,42 atau berat badan orang tersebut adalah 50,42 kg.
IV.16. Analisis Korelasi

a. Nilai-nilai koefisien korelasi (r)
66
a.1. Besarnya nilai koefisien korelasi terletak diantara -1 dan +1 atau -1

r +1
a.2. Apabila dua faktor mempunyai hubungan yang tepat sekali, koefisien
korelasinya adalah r = +1 atau r = -1
a.3. koefisien korelasi r = 0 menyatakan tidak ada hubungan antara kedua
faktor
a.4. suatu hubungan dinyatakan posistif, apabila nilai-nilai faktor pertama
meningkat, nilai-nilai faktor kedua meningkat pula
a.5. suatu hubungan dinyatakan negatif, apabilanilai-nilai faktor pertama
meningkat, nilai-nilai faktor kedua menurun
b. Teknik menghitung koefisien korelasi (cara Pearson)
b.1. Dengan rata-rata deviasi
Untuk mendapatkan nilai r, dipergunakan nilai perbedaan setiap
faktor (xi) dengan rata-rata hitungnya, yaitu
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
b.2. Dengan metode Raw Score
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
Kolom ke-3 dan seterusnya diperoleh setelah terlebih dahulu

mengitung rata-rata hitung dari xi dan yi masing-masing, yaitu x = 7
dan y = 13. Koefisien korelasi dengan :
a. Rata-rata deviasi
r=
xy
x y
2
138
112 252
= 0,82
b. Metode Raw Score

Untuk menghitung deviasi standar s dapat digunakan dua cara
1. Cara biasa, menurut persamaan (3.10)
sx =
1
( xi x ) 2
sx =
112
= 16 = 4
7
sy =
1
( yi y ) 2
n
68
252
= 36 = 6
7
sy =
2. Cara khusus (short method), menurut persamaan (3.11)

sx =
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
Jadi koefisien korelasi dengan metode Raw Score adalah :
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.
IV.18. Persamaan Fisher & Wilks

Untuk distribusi sampel dengan n 100, Fisher dan Wilks memberi persamaan
varians dan deviasi standar :
s2 =
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
Persamaan (9.1) dapat disederhanakan menjadi :
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
IV.19. Contoh Pemakaian Analisis Varians

Bagian bubut sebuah bengkel harus membuat As dengan diameter 3 inch.
Operator yang ditugaskan ada 4 orang (A, B, C dan D) dan mesin yang
digunakan 3 buah (I, II dan III). Dari hasil yang diperoleh selama ini ternyata
banyak penyimpangan diameter bila dibandingkan dengan standar yang sudah
ditentukan. Oleh karena produksinya kurang memuaskan, pimpinan perusahaan
mengadakan penyelidikan terhadap varians-varians yang terjadi, apakah
disebabkan oleh faktor operator atau faktor mesin. Hasil penyelidikan berupa
data seperti pada Tabel 9.1 dibawah ini :
Tabel 9.1
Hasil penyelidikan diameter As
Operator
A
B
C
D
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
34,86 12,0 36,06
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
Dari tabel diatas, masing-masing varians dapat dihitung dengan mudah.

1. Varians Total
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

Statistik Teknik

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Statistik Teknik

Diunggah oleh

Hak Cipta:

Format Tersedia

Statistik dan Probabilitas

mempertahankan standar operasi dari peralatan. Data juga perlu untuk

Statistik dan Probabilitas

Jadi populasi merupakan grup yang memungkinkan dibuatnya perencanaan

II.2. Dasar Pemikiran Ststistik dan Sampling

Statistik dan Probabilitas

Untuk mengevaluasi suatu lot dapat dengan cara mengestimasi distribusi

II.3. Random Sampling (Sampling Secara Acak)

Statistik dan Probabilitas

(2) Metode random sampling

dan seterusnya sampai terkumpul

3. batalkan nomor-nomor yang lebih besar dari 600. apabila nomor

nomor berikutnya yang dipilih adalah :

Statistik dan Probabilitas

II.4. Sampling Error

(a) Large bias

(b) Small bias

Statistik dan Probabilitas

c) Dibuatkannya instruksi tertentu yang dapat diikuti oleh pelaksana

II.5. Tipe-tipe Sampling

Statistik dan Probabilitas

Statistik dan Probabilitas

b) Distribusi frekuensi kategoris (categorical frequency distribution)

Terzago tipe T-14

Terzago tipe F-30

Terzago tipe F-35

III.2. Pembentukan Histogram

Statistik dan Probabilitas

Keterangan : = nilai terbesar pada baris

3,68 3,30 = 0,38.

Range dapat didistribusikan kedalam setiap kelas. Jumlah kelas ditentukan

Jumlah Kelas (K)

Statistik dan Probabilitas

Untuk N = 100 dipilih K = 10 (atau 9)

Berdasarkan tabel 3.3 histogram dapat dibuat seperti diperlihatkan pada

Statistik dan Probabilitas

Statistik dan Probabilitas

Cara lain yang lebih umum dengan menggunakan frekuensinya. Bila

b) Rata-rata hitung data tersusun

Statistik dan Probabilitas

Menghitung rata-rata hitung dengan cara duga

Berdasarkan persamaan diatas dibuat tabel rata-rata duga (tabel 3.5)

Statistik dan Probabilitas

Nilai rata-rata harmonis :

III.4. Ukuran Penyebaran

Range (R) = 3,56 3,42 = 0,14

b) Deviasi (simpangan) rata-rata

Statistik dan Probabilitas

|x1 - 0|, |x2 - 0|, ...................,|xn - 0| =

Jadi deviasi (simpangan) rata-rata untuk :

c) Deviasi Standar (standard deviation )

Statistik dan Probabilitas

Untuk mengembalikan varians itu kepada ukuran simpangan, nilai

Cara khusus (short method) untuk memperoleh deviasi standar tanpa

Statistik dan Probabilitas

Dengan cara yang sama dengan persamaan (3.10) dan (3.11),

Persamaan (3.14) ini dapat dipakai untuk menghitung nilai deviasi

: selisih antara nilai tengah yang berdekatan

Statistik dan Probabilitas

s = 0,05 1,9 0,2304

Statistik dan Probabilitas

: selisih antara nilai median dan frekuensi komulatif dari kelas-kelas

fM : frekuensi kelas median

(modus = 7 uni modal)