Anda di halaman 1dari 157

STATISTIKA DASAR

Teori dan Praktek

Edisi Pertama
IMAM TAHYUDIN

Zahira Media Publisher

STATISTIKA DASAR
Teori dan Praktek
Oleh : Imam Tahyudin

Penyunting
Lay-out dan Desain Sampul

: Qurrotul AYuni
: Fachry Diyo Asela

Cetakan Pertama, Februari 2012

Penerbit :

Zahira Media Publisher

Hak Cipta 2012 pada Penulis


Hak Cipta dilindungi oleh undang-undang. Dilarang mengutip atau memperbanyak
sebagian atau seluruh isi buku ini dalam bentuk apapun, baik secara elektronik
maupun mekanis, termasuk memfotocopy, merekam atau dengan sistem
penyimpanan lainnya, tanpa izin tertulis dari Penerbit.

Mother hold their childrens hands a While,


And their hearts forever (Fandy Tjiptono, 2004)

Buku ini didedikasikan untuk :


Mama, Mimi, Kakak dan Adiku
Laililyah Tahyudin
Amirah El-Zahira Tahyudin

Untuk mengetahui jalan pikiran seseorang


lihatlah ucapannya dan untuk mengetahui ide dan gagasan
seseorang lihatlah karya tulisannya

PRAKATA
Puji syukur kami panjatkan kepada Tuhan YME. Berkat
pertolongannya Alhamdulillah buku ini dapat terbit. Ide penulisan buku ini
telah mengendap cukup lama. Berawal dari pengalaman dan pengkajian
mendalam penulis selama belajar dan mengajar.
Dalam penulisan buku ini, penulis mendapatkan bantuan dan
dukungan dari sejumlah pihak. Oleh sebab itu, penulis ingin menyampaikan
terima kasih yang sebesar-besarnya kepada :
1. Istriku Lailiyah dan Putriku Amirah El-Zahira Tahyudin atas pengertian
dan dukungannya dengan cara-cara yang unik selama proses penulisan
buku ini.
2. Qurrotul Ayuni atas bantuannya mengedit penulisan buku ini.
3. Fachry Diyo Asela atas bantunya merancang sampul dan lay-out buku
ini.
4. Dr. Idha sihwaningrum, M.Sc. (UNSOED), Dr. Mashuri (UNSOED), Dr.
Nunung Nurhayati (UNSOED) dan Jajang, M.Si (UNSOED) atas wawasan
dan inspirasi selama kuliah.
5. Berlilana, S.Kom., M.Si (Ketua STMIK Amikom Purwokerto) atas
wawasan dan inspirasi selama mengabdi mengajar.
6. Teman-teman di STMIK AMIKOM Purwokerto (Pa Amang, Pa Taqwa, Pa
Giat, dll) atas dukungan moral selama penulisan buku ini.
Penulis sangat mengharapkan buku ini bisa bermanfaat bagi semua
yang menaruh minat pada Statistika Dasar. Segala masukan dan kritik
konstruktif sangat Penulis harapkan. Selamat membaca dan mengkaji buku
ini.

Purwokerto,
Februari 2012
Imam Tahyudin

DAFTAR ISI
BAB I. PENDAHULUAN ....................................................... .01
BAB II. PENYAJIAN DATA............................................................24
BAB III. DAFTAR DISTRIBUSI FREKUENSI .............................53
BAB IV. UKURAN PEMUSATAN .................................................78
BAB V. UKURAN PENYEBARANError! Bookmark not defined.
BAB VI. MODEL DISTRIBUSI DATAError! Bookmark not defined.
BAB VII. PROBABILITAS .............. Error! Bookmark not defined.
BAB VIII. PERMUTASI ................... Error! Bookmark not defined.
BAB IX. KOMBINASI ...................... Error! Bookmark not defined.
BAB X. POPULASI DAN SAMPELError! Bookmark not defined.
BAB XI. DISTRIBUSI PROBABILITASError! Bookmark not defined.
BAB XII. DISTRIBUSI NORMAL ... Error! Bookmark not defined.
BAB XIII. PENDUGAAN PARAMETERError! Bookmark not defined.
BAB XIV. PENGUJIAN HIPOTESISError! Bookmark not defined.
BAB XV. REGRESI.......................... Error! Bookmark not defined.
DAFTAR PUSTAKA

PENDAHULUAN

A. PERANAN STATISTIKA
Dunia penelitian atau riset yang dilaksanakan melalui
penelitian laboratorium atau penelitian lapangan di manapun
dilakukan,

mendapat

manfaat

dengan

menggunakan dan

memecahkan masalah melalui statistika. Hal ini dilakukan


para peneliti untuk mengetahui apakah hasil penelitian dengan
suatu metode yang baru lebih baik jika dibandingkan dengan
metode yang lama. Dalam pembuatan model dari suatu
penelitian, untuk menyatakan bahwa model tersebut dapat
dipakai atau tidak maka digunakan teori statistika. Bahkan
statistika cukup mampu untuk menentukan apakah faktor yang
satu dipengaruhi oleh faktor lainnya. Jika ada hubungan antara
satu faktor dengan faktor lainnya, berapa kuat hubungan
tersebut? apakah dapat faktor yang satu ditinggalkan dan
faktor lainnya dipakai untuk studi lanjut?
Statistik yang diartikan dalam bahasa Latin sebagai
status atau negara, sangat berperan di dalam pengelolaan
semua manajemen baik manajemen yang besar maupun yang
sekecil-kecilnya, manajemen negara pada umumnya, ekonomi,
pertanian,

perindustrian,

kesehatan,

farmasi,

sampai

ke

manajemen rumah tangga pun dengan tidak disadari telah


memanfaatkan statistik dan lain sebagainya.
Peranan statatistik di dalam dunia penelitian dan riset
baik

penelitian

di

bidang

sosialmaupun

sains,

selalu

menggunakan ilmu statistik, mulai dari persiapan penelitian,


teknik pengambilan data, sampai ke pengolahan data agar
informasi-informasi atau gambaran gambaran mengenai
karateristik data dapat dipahami dengan mudah oleh pihak

lainnya.
Salah satu contoh pemanfaatan statistik di dalam
pengelolaan negara, di waktu akan diadakan PEMILU oleh
pemerintah, mulai membuat sensus penduduk yang akan
digunakan sebagai data untuk mempersiapkan apa-apa yang
akan

diperlukan,

baik

bahan, tempat,

waktu

sampai

keperkiraan biaya yang akan digunakan pada pelaksanaan


pemilu tersebut.
Contoh yang lain di bidang farmasi misalnya, untuk
membuat campuran obat-obatan harus terlebih dahulu membuat
tabel mengenai takaran-takaran, jenis bahan yang diperlukan.
Di

kantor-kantor

khususnya

di

bagian

personalia

sering kita lihat tabel-tabel yang tergantung pada dinding


mengenai nama pegawai, jumlah pegawai, jenis kelamin,
golongan, masa kerja, alamat dan lain sebagainya, Ini juga
merupakan

statistic

yang

dinamakan

dengan

statistik

kepegawaian.
Uraian singkat di atas menyatakan bahwa statistika
sangat diperlukan bukan saja dalam bidang yang terbatas
kepada

dunia penelitian

tetapi

mencakup

dunia

ilmu

pengetahuan. Mengingat hal tersebut di atas maka dalam


penjelasan berikut diuraikan tentang metode statistika yang
diharapkan dapat digunakan dalam berbagai bidang dan atau
berbagai disiplin ilmu, bukan statistika teoritis, oleh sebab itu
tidak diuraikan tentang penurunan rumus, pembuktian sesuatu
sifat atau dalil-dalil.

B. STATISTIK DAN STATISTIKA


1. Statsitik
Statistik berasal dari bahasa Latin yang artinya adalah
status atau negara. Pada mulanya statistika berhubungan
dengan fakta dan angka yang dikumpulkan oleh pemerintah
untuk bermacam-macam tujuan. Statistik juga diturunkan dari
kata bahasa Inggris yaitu state atau pemerintah.
Pengertian yang sangat sederhana tentang statistic
adalah sebagai suatu kumpulan data yang berbentuk angka dan
tersusun rapi dalam suatu tabel, grafik, gambar, dan lain-lain.
Misalnya tabel mengenai keadaan pegawai di kantor-kantor,
grafik perkembangan jumlah penduduk dari waktu ke waktu, dan
lain sebagainya.
Sedangkan pengertian yang lebih luas mengenai statistic
adalah merupakan kumpulan

dari

teknik

mengumpulkan,

analisis, dan interpretasi data dalam bentuk angka. Dan statistic


juga

merupakan

bilangan

yang

menunjukkan

sifat-sifat

(karakteristik) data yang dikumpulkan tersebut.


2. Statsitika
Statistika
pengetahuan
mengumpulkan

dapat
yang

didefinisikan
berhubungan

fakta/data,

sebagai
dengan

pengolahan

data,

suatu

ilmu

cara-cara
kemudian

menganalisis data tersebut sehingga dapat diperoleh suatu


kesimpulan/keputusan.
Statistik dapat dibagi menjadi dua macam yaitu Statistik
Deskriptif dan Statistik Induktif (inferiens). Kedua macam statistic
tersebut sebagai suatu metode yang mengandung kegiatankegiatan dari suatu proses untuk lebih mudah dipahami dan
dapat digambarkan dengan bagan alir seperti pada Gambar 1.2.

Yang dimaksud dengan statistik deskriptif adalah


usaha penjelasan arti secara fisis (bentuk) atau gambaran
tentang karakteristik data agar dapat dengan mudah dipahami
oleh pihak lain. Misalnya setelah dikumpulkan data, kemudian
diolah dan dianalisis data tersebut sehingga dapat diambil
kesimpulan

yang

akan

ditunjukkan

kepada

yang

membutuhkannya.
Sedangkan statistik induktif (inferens) adalah usaha

pembuatan inferensi terhadap sekumpulan data yang berasal


dari suatu sampel. Misalnya seorang dokter ingin mengambil
suatu kesimpulan tentang
disamping

pemeriksaan

penyakit
secara

seseorang
komunikasi

tentunya

efektif

juga

berdasarkan data yang diperoleh dari laboratorium dapat


memperkirakan penyakit apa yang dialami oleh orang sakit
tersebut. Jadi dari sini dapat diterangkan inferensi adalah
merupakan kerja perkiraan, peramalan kemudian pengambilan
keputusan dan sebagainya.
C. D A T A
Data dan statistik cukup banyak digunakan sebagai ilmu
pengetahuan yang diaplikasikan dalam kehidupan manusia
sehari-sehari, baik di bidang eksakta maupun sosial. Oleh sebab
itu dapat disimpulkan bahwa data dan statistik sangat erat
hubungan antara keduanya.
Data adalah sekumpulan informasi atau nilai yang
diperoleh dari pengamatan (observasi) suatu obyek, data dapat
berupa angka dan dapat pula merupakan lambang atau sifat.
Beberapa macam data antara lain; data populasi dan data
sampel, data observasi, data primer, dan data sekunder.
Selain dari pada itu data juga dapat diterangkan dengan
dua arti yaitu; arti secara kuantitatif dan arti secara kualitatif, data
kuantitatif adalah data yang berbentuk angka atau nilai,
contohnya, 6, 40, 100, 250 dan sebagainya, sedangkan data
kualitatif adalah data yang berupa kata-kata, contohnya, baik,
sedang, buruk, dan lain sebagainya.
Kedua data tersebut dapat dikonversikan antara satu
dangan lainnya, misalnya dalam bentuk kuantitatif nilainya 80,
maka

nilai

80

apabila

dikonversikan ke

dalam

bentuk

kualitatif (dalam bentuk kata-kata) adalah baik (nilai 80 = nilainya


baik).
1.

Pengumpulan Data
Untuk pengumpulan data dapat dilakukan dengan dua
cara yaitu sensus dan sampling. Sensus adalah pengumpulan
data yang mencakup seluruh elemen atau seluruh anggota
populasi yang diselidiki, dimana data populasi adalah merupakan
sekumpulan informasi (elemen) atau angka yang menyeluruh
pada suatu obyek. Misalnya data yang diperoleh melalui sensus
penduduk, data yang diperoleh dari hasil penggerebekan di
suatu

tempat

yang

tidak

menyenangkan, data

ini

juga

dikatakan data populasi karena data tersebut adalah hasil


pemeriksaan semua objek yang ada di tempat itu. Sedangkan
sampling (data sampel) merupakan data perkiraan atau data
yang berasal dari sebahagian kecil data populasi (elemen
populasi).
Perlu diketahui bahwa di dalam suatu penelitian jarang
sekali mempergunakan data populasi melainkan data sampel.
Kenapa? karena jika mengambil data populasi akan banyak
memerlukan tenaga ahli, banyak membutuhkan biaya, dan
butuh waktu yang lebih lama dan lain-lain.
2.

Macam-Macam Data
Pengambilan data banyak sekali caranya, antara lain
dapat mendatangi langsung ke obyek yang akan diteliti, ataupun
melalui kuesioner yang diisi oleh obyek penelitian ataupun
melalui bacaan-bacaan yang dikutip dari artikel- artikel yang
tersedia di perpustakaan maupun di kantor-kantor sebagai
laporan yang telah diarsipkan.

Jika data yang diperoleh atau yang akan digunakan untuk


tujuan penelitian disebut data observasi, sedangkan data yang
diperoleh dengan datang langsung ke obyek ataupun
melalui kuesioner terhadap obyek peneliti disebut data primer
dan data yang diperoleh dari bacaan-bacaan atau yang dikutip
dari laporan-laporan yang sudah ada baik di perpustakaan
maupun di kantor-kantor disebut data sekunder.

3.

Data dan Variabel


Variabel/peubah: ciri yang menunjukkan keragaman
hubungan antara kepemimpinan dan iklim organisasi dengan
kepuasan kerja.
Skala:
Nominal :
-

paling rendah dalam level pengukuran

hanya berupa satu-satunya kategori

Contoh : data jenis kelamin, alamat pada KTP dll.

levelnya lebih tinggi dari variabel nominal

terdapat tingkatan data/kategori

jarak antar kategori tidak pasti

Ordinal :

contoh : data tentang preferensi terhadap suatu


hal, data peringkat

Interval:
-

Ada tingkatan data

Jarak antar kategori pasti

Tidak ada nol mutlak

Contoh: skala pada termometer, (preferensi?)

Ada tingkatan data

Jarak antar kategori pasti

ada nol mutlak

Contoh: berat badan, tinggi badan, kecepatan

Rasio:

LATIHAN SOAL
1. Sebutkan arti dan definisi statistik!
2. Sebutkan arti statistik diskriptif dan statistik induktif!
3. Apa yang dimaksud dengan data?
4. Jelaskan perbedaan anatara data populasi dan data sampel!
5. Apa yang dimaksud dengan observasi?
6. Jelaskan perbedaan antara data primer dan data sekunder!
7. Sebutkan apa manfaat statistik di dalam suatu pengelolaan
perusahaan dan berikan contohnya!
8. Berikan alasan-alasan pemanfaatan statistik dalam bidang
penelitian!

I. PENYAJIAN DATA

A. Tabel/Daftar

1. daftar baris kolom


2. daftar distribusi frekuensi
B. Grafik/Diagram :
1. diagram batang
2. diagram garis
3. diagram lingkaran/pastel
4. diagram dahan daun
5. diagram pencar/titik
6. diagram lambang/simbol
7.

Histogram dan poligon frekuensi

8. Ogive

DIAGRAM BATANG
Cara penyusunan :
1. Buat sumbu datar dan sumbu tegak berpotongan tegak lurus
2. Bagilah sumbu datar dan tegak menjadi beberapa bagian
dengan skala yang sama. Perbandingan skala antara sumbu
tegak tidak harus sama.
Contoh : Jumlah mahasiswa P.S Manajemen pendidikan Universitas
Pakuan

Jumlah Mahasiswa

70
60
50
40
30
20
10
0
I

III

VII

Semester

Jumlah Mahasiswa

DIAGRAM GARIS

60
55
50
45
40
35
30
25
20
15
10
1998

1999

2000
Tahun masuk

DIAGRAM PASTEL/LINGKARAN

2001

II. DAFTAR DISTRIBUSI FREKUENSI


A. Menyusun Tabel Distribusi Frekuensi
1. Tentukan Rentang
Rentang = data terbesar data terkecil
2. Tentukan banyak kelas interval
Antara 5 15
aturan sturges : banyak kelas = 1 + (3.3) log n
dengan n adalah banyaknya data dan hasilnya dibulatkan.
3. Tentukan panjang kelas interval (p).
Rentang
p = ----------------Banyak kelas
4. Buat kolom tabulasi dan tentukan batas-batas kelas interval
dengan data terkecil sebagai batas bawah.
5. Hitunglah frekuensi dari masing masing kelas interval dan
masukkan nilai-nilainya pada kolom tabulasi.
6. Buat tabel distribusi frekuensi berdasarkan hasil tabulasi data.
Contoh :
Nilai ujian statistika
PURWOKERTO:

60

mahasiswa

STMIK

AMIKOM

62

76

40

65

41

58

76

80

89

66

65

67

81

76

34

32

47

47

65

23

45

42

56

59

67

63

72

39

44

60

51

55

39

65

76

77

51

90

87

54

50

92

40

37

60

65

55

89

67

44

73

50

32

27

35

47

32

54

55

60

Rentang : 92 23 = 69

Banyak kelas interval :


Banyak kelas = 1 + (3.3) log 60
= 1 + (3.3) . (1.7782)
= 6.8679 dibulatkan menjadi 7

Panjang kelas interval :


69
p = -------7
= 9.86 dibulatkan menjadi 10

Batas-batas kelas dan tabulasi :


NILAI UJIAN
23 - 32
33 - 42
43 - 52
53 - 62
63 - 72
73 - 82
83 - 92

TABULASI

FREKUENSI
5
9
10
12
11
8
5

Tabel Distribusi frekuensi Hasil Ujian Statistika menjadi :


NILAI UJIAN

FREKUENSI

23 - 32

33 - 42

43 - 52

10

53 - 62

12

63 - 72

11

73 - 82

83 - 92

B. Tabel Distribusi Frekuensi Relatif


Pada

tabel

distribusi

frekuensi

relatif,

frekuensi

dinyatakan dalam % sehingga diperoleh :


kelas pertama (23-32) :
5
-------- x 100% = 8.3 %
60
Kelas ke dua (33-42) :
9
-------- x 100% = 15 %, dan seterusnya, sehingga menjadi :
60
NILAI UJIAN

FREKUENSI (%)

23 - 32

8.3

33 - 42

15

43 - 52

16.7

53 - 62

20

63 - 72

18.3

73 - 82

13.3

83 - 92

8.3

Jumlah

100

Jika distribusi absolut dan relatif digabungkan menjadi


NILAI UJIAN
Fabs.

f rel.

23 - 32

8.3

33 - 42

15

43 - 52

10

16.7

53 - 62

12

20

63 - 72

11

18.3

73 - 82

13.3

83 - 92

8.3

Jumlah

60

100

C. Tabel Distribusi Frekuensi Kumulatif


1. Tabel Distribusi Frekuensi Kumulatif Kurang dari :
NILAI UJIAN

Fkum.

Kurang dari 23

Kurang dari 33

Kurang dari 43

14

Kurang dari 53

24

Kurang dari 63

36

Kurang dari 73

47

Kurang dari 83

55

Kurang dari 93

60

Jika tabel distribusi kumulatif kurang dari dibuat dalam


bentuk diagram, akan dihasilkan Ogive positif.

2. Tabel Distribusi Frekuensi Kumulatif atau lebih :


NILAI UJIAN

Fkum.

23 atau lebih

60

33 atau lebih

55

43 atau lebih

46

53 atau lebih

36

63 atau lebih

24

73 atau lebih

13

83 atau lebih

93 atau lebih

Jika tabel distribusi kumulatif atau lebih dibuat dalam


bentuk diagram, akan dihasilkan Ogive negatif.

Latihan:
Hasil tes pengetahuan tentang Management of change terhadap
30 mahasiswa adalah sebagai berikut:
65

67

81

67

65

42

59

60

63

71

54

51

71

69

65

87

66

69

76

44

53

68

72

79

64

60

76

77

51

89

Tugas
1. Buat tabel distribusi frekuensi (log 30 = 1,4771)
2. Buat histogram frekuensi
3. Buat tabel distribusi frekuensi relatif
4. Buat tabel distribusi kumulatif kurang dari
5. Buat tabel distribusi kumulatif atau lebih.
6. Buat ogive positif
7.Buat ogive negatif

IV. UKURAN PEMUSATAN


A. Rata-Rata Hitung
Rata-rata hitung data tanpa pengelompokan:
n

Xi
i=1

x1 + x2 + x3 + ... + xn
= ____________
= __________________
n
n
dengan = rata-rata hitung (untuk parameter disimbolkan
dengan ) dan n = banyaknya data
Contoh :
Indeks prestasi 5 orang mahasiswa adalah sbb: 2,7; 3,2; 3; 2,4
dan 2,1
Maka rata-rata indeks prestasi ke 5 mahasiswa tersebut adalah:
2,7+ 3,2+ 3+2,4+ 2,1
= _________________ = 2,68
5
Rata-rata hitung data yang dikelompokkan (metode kodifikasi)
fi.ci
= Y0 + p _______ dengan Y0 disebut TANDA KELAS
fi
Contoh tabel distribusi :
Nilai
fi
31 40

41 50

51 60

10

61 70

15

71 80

81 - 90

Langkah menghitung rata-rata yaitu: tentukan nilai tengah


(Yi) masing-masing kelas interval, tentukan tanda kelas dan nilai
kodenya (Ci) sehingga tabelnya menjadi:
Nilai

fi

Yi

Ci

Fi.Ci

31 40

35.5

-3

-6

41 50

45.5

-2

-8

51 60

10

55.5

-1

-10

61 70

15

65.5

71 80

75.5

81 - 90

85.5

40

-12

Rata-rata hitung:
- 12
= 65.5 + 10 _____ = 62,5
40
B. Modus (Mo)
Nilai yang sering muncul
Modus data tidak dikelompokkan :
- Urutkan data dari yang terkecil hingga terbesar (optional)
- Tentukan nilai yang paling banyak muncul
- Nilai modus mungkin lebih dari satu.
- Contoh data yang sudah berurut: 5, 5, 6, 6, 6, 7, 7, 7, 7, 8,
8, 9, 9, 11 maka modus (Mo) data tersebut adalah 7.
Modus data dikelompokkan:
b1
Mo = b + p ( ______)
b1 + b2
b = batas bawah kelas modus (kelas dengan frekuensi
terbesar)
p

= panjang kelas interval

b1 = frekuensi kelas modus frekuensi kelas interval

sebelum kelas modus


b2 = frekuensi kelas modus frekuensi kelas interval setelah
kelas modus
Contoh tabel distribusi sbb:
Nilai
fi
31 40

41 50

51 60

10

61 70

15

71 80

81 - 90

b = 60.5; p = 10; b1= 15 10 = 5 dan b2 = 15 6 = 9 maka


5
mo = 60.5 + 10 ( _______) = 61.6
5+9
C. MEDIAN (Me)
Suatu nilai yang apabila semua data hasil pengamatan
diurutkan maka 50% data hasil pengamatan berada di atas
dan di bawah nilai tersebut.
Median data tidak dikelompokkan:
Urutkan data, tentukan titik tengahnya ( jika data ganjil maka
median tepat pada satu data, jika data genap maka median
terletak antara dua data dan untuk menentukannya jumlahkan
kedua data tersebut dan bagi dua)
Contoh:
Diketahui data sbb:
5, 5, 6, 6, 6, 6, 6, 7, 7, 8, 8, 9, 9, 11 ( n= 14)

Titik tengah terletak antara data ke7 dan data ke 8 (angka 6


dan 7) maka:
6+7
Me = ______ = 6.5
2
Data : 5, 5, 6, 6, 6, 7, 7, 7, 7, 8, 8, 9, 9,11, 12 ( n = 15) median
terletak pada data ke 8 sehingga Me = 7

Median data dikelompokkan:


n-F
Me = b + p ( ____________ )
f
b = batas bawah kelas median
p = panjang kelas median
n = banyaknya data
F = jumlah seluruh frekuensi sebelum kelas median
f = frekuensi kelas median

Contoh tabel distribusi ( n = 40)


Nilai

fi

31 40

41 50

51 60

10

61 70

15

71 80

81 - 90

Karena n = 40 maka kelas median terletak antara data ke 20


dan data ke 21 atau terletak pada kelas dengan interval 61
70, sehingga diperoleh komponen-komponen:

b = 60.5; p = 10; n = 40; F = 16 dan f = 15


( .40) -16
Me = 60.5 + 10 ( ___________ ) = 63.2
15
D. Kuartil (K)
Titik yang membagi sebaran nilai-nilai yang telah diurutkan
menjadi seperempatan.
Ada tiga kuartil yaitu K1, K2 dan K3
Kuartil data yang tidak dikelompokkan:
- Urutkan data
- Tentukan letak kuartil ke i dengan Ki = data ke i/4.(n+1)
- Tentukan nilai masing-masing kuartil
- Contoh data yang telah diurutkan sbb: 5, 5, 6, 6, 6, 7, 7, 7,
7, 8, 8, 9, 9, 11
Letak kuartil:
K1 = data ke 1/4 (14+1) = data ke 3
K2 = data ke 2/4 (14+1) = data ke 7
K3 = data ke 3/4 (14+1) = data ke 11
Nilai Kuartil
K1 = data ke 3 + (data ke 4 data ke 3)
= 6 + (6 6) = 6
K2 = 7 + (7-7)

=7

K3 = 8 + (9 8) = 8
Kuartil data dikelompokkan :
- Tentukan posisi K1, K2 dan K3 seperti pada data yang
tidak dikelompokkan
- Tentukan nilai masing-masing kuartil dengan rumus:
in
---- - F
4
Ki = b + p ( ------------------ )
f

Ki = nilai kuartil ke i
b = batas bawah kelas Ki
p = panjang kelas Ki
F = jumlah kumulatif frekuensi sebelum kelas Ki
f = frekuensi kelas Ki
Contoh :
Nilai

fi

31 40

41 50

51 60

10

61 70

15

71 80

81 - 90

Lokasi kuartil : K1 = data ke 1/4 (40+1)


= data ke 10
K2 = data ke 2/4 (40+1)
= data ke 20
K3 = data ke 3/4 (40+1)
= data ke 30
Kelas kuartil K1 = kelas dengan interval 51 60
K2 = kelas dengan interval 61 70
K3 = kelas dengan interval 61 70
Nilai Kuartil ke-1( K1) ( b = 50.5, p = 10, F = 6, f = 10)
1.40
------ - 6
4
K1 = 50.5 + 10 ( ------------------ )
10
= 54.5
Nilai Kuartil ke-2 (K2) ( b = 60.5, p = 10, F = 16, f = 15)

2.40
------ - 16
4
K1 = 60.5 + 10 ( ------------------ )
15
= 63.2
Nilai Kuartil ke-3( K3) ( b = 60.5, p = 10, F = 16, f = 15)
3.40
------ - 16
4
K1 = 60.5 + 10 ( ------------------ )
15
= 69.8
E. Desil (D)
Titik yang membagi sebaran nilai-nilai yang telah diurutkan
menjadi sepersepuluhan.
Ada sembilan kuartil yaitu D1, D2, D9
Desil data yang tidak dikelompokkan:
- Urutkan data
- Tentukan letak desil ke i dengan
Di = data ke i/10 (n+1)
- Tentukan nilai masing-masing kuartil
- Contoh data yang telah diurutkan sbb:
5, 5, 6, 6, 6, 7, 7, 7, 7, 8, 8, 9, 9, 11
Letak desil:
D1 = data ke 1/10 (14+1) = data ke 1
D2 = data ke 2/10 (14+1) = data ke 3
D3 = data ke 3/10 (14+1) = data ke 4
dan seterusnya
Nilai Desil
D1 = data ke 1 + (data ke 2 data ke 1)
= 5 + (5 5) = 5

D2 = 6
D3 = 6 + (6 6) = 6
Desil data dikelompokkan :
Tentukan posisi D1, D2 dan D3
Tentukan nilai masing-masing desil dengan rumus:
in
---- - F
10
Di = b + p ( ------------------ )
f
Ki = nilai Desil ke i
b = batas bawah kelas Di
p = panjang kelas Di
F = jumlah kumulatif frekuensi sebelum kelas Di
f = frekuensi kelas Di
Contoh :
Nilai

fi

31 40

41 50

51 60

10

61 70

15

71 80

81 - 90

3
40

Lokasi desil : D1 = data ke 1/10 (40+1)


= data ke 4 1/10
D2 = data ke 2/10 (40+1)
= data ke 8 1/5
D3 = data ke 3/10 (40+1)
= data ke 12 3/10

dimanakah letak D4, D5, D6, D7, D8 dan D9?


Kelas desil

D1 = kelas dengan interval 41 50


D2 = kelas dengan interval 51 60
D3 = kelas dengan interval 51 60

Nilai desil ke-1 ( b = 40.5, p = 10, F = 2, f = 4)


1.40
------ - 2
10
D1 = 40.5 + 10 ( ------------------ )
4
= 45.5
Nilai Desil ke 2 ( b = 50.5, p = 10, F = 6, f = 10)
2.40
------ - 6
10
D2 = 50.5 + 10 ( ------------------ )
10
= 52.5
Nilai Desil ke-3 ( b = 50.5, p = 10, F = 6, f = 10)
3.40
------ - 6
10
D3 = 50.5 + 10 ( ------------------ )
10
= 56.5
F. Persentil (P)
Titik yang membagi sebaran nilai-nilai yang telah diurutkan
menjadi seperseratusan.
Ada 99 persentil yaitu P1, P2, P99
Kuartil data dikelompokkan :
Tentukan posisi P1, P2, P99
Tentukan nilai masing-masing kuartil dengan rumus:

in
---- - F
100
Di = b + p ( ------------------ )
f
Pi = nilai Persentil ke i
b = batas bawah kelas Pi
p = panjang kelas Pi
F = jumlah kumulatif frekuensi sebelum kelas Pi
f = frekuensi kelas Pi
Contoh :
Nilai

fi

31 40

41 50

51 60

10

61 70

15

71 80

81 - 90

3
40

Lokasi persentil : P10 = data ke 1/100 .10 (40+1)


= data ke 4 1/10
Kelas kuartil P10 = kelas dengan interval 41 50
Nilai persentil ke-10 ( b = 40.5, p = 10, F = 2, f = 4)
10.40
------ - 2
100
P10 = 40.5 + 10 ( ------------------ )
4
= 45.5

Latihan:
Menggunakan tabel distribusi frekuensi tentang hasil tes tentang
Management of change pada latihan sebelumnya, hitunglah:
1. Rata-rata hasil tes
2. Modus
3. Median
4. Kuartil ke 1, 2 dan 3
5. Desil ke 6
6. Persentil ke 40

V. UKURAN PENYEBARAN
A. Rentang
Rentang=data terbesar data terkecil
B. Rentang antar kuartil (RAK)
RAK= K3 K1
C. Simpangan Kuartil
Simpangan kuartil: (K3 - K1)
D. Rata-Rata Simpanga
Jumlah semua jarak antara tiap data dengan rata-rata
dibagi banyaknya data
xi x
RS = ___________
n
Contoh: 4, 5, 7, 8, 8, 10 ( n = 6 dan x = 7)
4 7 + 5 7 + ... 10 7
maka RS = __________________________ = 1.67
6
E. Ragam (s2 atau 2) disebut juga Kuadrat Tengah
akar kuadrat dari ragam disebut Simpangan baku
Ragam Data Tidak dikelompokkan:
JK = ( xi x)2 .......................................... Jumlah kuadrat
(JK)
s2 = ________
n-1
............................................. Derajat bebas (DB)
Langkah-langkah:
hitung x
hitung selisih antara x1 x, x2 x dst.
hitung kuadrat selisih-selisih di atas

jumlahkan seluruh kuadrat-kuadrat tersebut


bagilah dengan n-1

Ragam data dikelompokkan:


n. fi.ci2 ( fi.ci)2
s2 = p2 ( _________________)
n. (n-1)
p = panjang kelas interval
fi = frekuensi kelas ke i
ci = nilai tanda (kelas dengan fi terbesar diberi nilai tanda 0)
Struktur data:
Nilai
fi

fi= n

ci

ci2

fi.ci

fi.ci2

fi.ci

fi.ci2

Ragam Gabungan
Jika beberapa kelompok data masing masing mempunyai
nilai ragam, maka ragam gabungan seluruh kelompok data
tersebut adalah:
(ni-1).si2
s = __________
ni-k
2

Jika ada 3 kelompok data maka:


(n1-1).s12 + (n2-1).s22 + (n3-1).s32
s = ___________________________
(n1 + n2 + n3 ) -3
2

Latihan:
Menggunakan tabel distribusi frekuensi tentang hasil tes tentang
Management of change pada latihan sebelumnya, hitunglah:
1. rentang
2. rentang antar kuartil
3. simpangan kuartil
4. ragam
5. simpangan baku

VI. MODEL DISTRIBUSI DATA


A. Ukuran Kemiringan (Skewness)
Ukuran kemiringan adalah ukuran yang menyatakan
sebuah model distribusi yang mempunyai kemiringan tertentu.
Dengan mengetahui koefisien kemiringan dapat ditentukan
suatu distribusi data memiliki bentuk kurva yang tergolong positif,
simetrik atau negatif seperti gambar beriku:

1. Koefisien kemiringan pertama dari Pearson


X - Mo
Koefisien kemiringan = ______
s
dengan: X = rata-rata, Mo = modus dan s = Simpangan baku
2. Koefisien kemiringan kedua dari Pearson
3 (X Me)
Koefisien kemiringan = _________
s
dengan: X = rata-rata, Me = median dan s = Simpangan baku

3. Koefisien kemiringan dengan menggunakan nilai kuartil


K3 2K2 + K1
Koefisien kemiringan = __________
K3 K1
Dengan K1 = kuartil ke-1, K2 = kuartil ke-2 dan K3 = kuartil
ke-3
4. Koefisien
Persentil

kemiringan

dengan

menggunakan

nilai

P90 2P50 + P10


Koefisien kemiringan = _____________
P90 P10
Dengan P90 = persentil ke-90, P50 = persentil ke-50 dan P10 =
Persentil ke 10
Kriteria:
1. Jika koefisien kemiringan kurang dari nol maka bentuk
distribusinya negatif

2. Jika koefisien kemiringan sama dengan

nol maka bentuk

distribusinya simetrik
3. Jika koefisien kemiringan lebih dari nol maka bentuk
distribusinya positif
Selain dengan menghitung koefisien kemiringan, bentuk
distribusi juga dapat ditentukan dengan membandingkan nilai-nilai
modus (Mo), median (Me) dan rata-rata (X).
kriteria:
1. Distribusi simetrik jika Mo=Me=X
2. Distribusi positif jika Mo<Me<X
3. Distribusi negatif jika Mo>Me>X

B. Ukuran Keruncingan (Kurtosis)


Kurtosis adalah derajat kepuncakan dari suatu distribusi.
Suatu distribusi yang relatif tinggi dinamakan leptokurtik, jika
puncaknya datar disebut platikurtik dan jika puncaknya tidak
terlalu tinggi atau terlalu datar disebut mesokurtik.

Untuk mengetahui keruncingan kurva dapat ditentukan


dengan menghitung koefisien kurtosis:
(K3-K1)
K = ________
P90 P10

dengan K3= kuartil ke-3, K1= kuartil ke-1, P90 = persentil ke-90
dan P10 = persentil ke-10
Kriteria:
1. Jika koefisien kurtosis kurang dari 0,263 bentuk distribusi:
platikurtik
2. Jika koefisien kurtosis sama dengan 0,263 bentuk distribusi:
mesokurtik
3. Jika koefisien kurtosis lebih

dari 0,263 bentuk distribusi:

leptokurtik
Latihan:
Menggunakan

tabel

distribusi

frekuensi

hasil

tes

tentang

Management of change pada latihan sebelumnya, tentukan model


distribusi

berdasarkan

keruncingan.

koefisien

kemiringan

dan

koefisien

VII.

PROBABILITAS

A. Arti Probabilitas
1. Probabilitas adalah suatu nilai yang digunakan untuk
mengukur tingkat terjadinya suatu kejadian yang acak.
2. Probabilitas atau peluang merupakan ukuran numeric
tentang seberapa sering peristiwa itu akan terjadi. Semakin
besar nilai probabilitas menyatakan bahwa peristiwa itu akan
sering terjadi.
3. Kejadian Acak atau random event ialah suatu kejadian yang
tak dapat ditentukan dengan pasti sebelumnya.
4. Probabilitas merupakan suatu frekuensi relatif dari suatu
sukses yang diperoleh jika suatu percobaan dilakukan
berulang-ulang sampai tak terbatas didalam situasi dan
kondisi yang sama.
Nilai Probabilitas berkisar antara 0 dan 1.
Bila kejadian A terjadi dalam m cara pada ruang sampel S yang
terjadi dalam n cara, maka probabilitas kejadian A adalah :
P (A) = n(A)/n(S) = m/n
Perumusan ini harus memenuhi ketentuan :
Probabilitas A harus merupakan bilangan non-negatif atau
bukan bernilai negatif, yaitu : P (A) 0 .
Nilai probabilitas suatu peristiwa berkisar antara :
0 P (A) 1
Jumlah probabilitas A ditambah A (bukan A) harus sama
dengan 1.
Atau : P (A) + P (A) = 1

P (A) = 1 P (A)

Contoh :
Sebuah dadu yang seimbang memiliki enam sisi. Lima dari
keenam sisi tersebut dicat biru sedangkan satu sisi selebihnya

dicat hijau.bila dadu tersebut dilempar sebanyak satu kali,


berapa :
a. Probabilitas timbulnya sisi yang bercat biru
b. Probabilitas timbulnya sisi yang bercat hijau
Jawab : a. P (Biru)

= 5/6

b. P (Hijau) = 1/6
Dalam mempelajari probabilitas, ada 3 kata kunci :
1. Eksperimen
Proses pengumpulan data dari sebuah fenomena yang
memperlihatkan variasi pada hasilnya.
2. Ruang sampel
Kumpulan dari seluruh kemungkinan hasil yang didapatkan
dari suatu eksperimen, dilambangkan dengan S.
3. Peristiwa/Event/Kejadian
Kumpulan hasil-hasil dasar yang digolongkan oleh suatu ciri
tertentu.
B. Peristiwa (event) dan Notasi Himpunan
1) Ruang sampel
Kumpulan

(himpunan)

dari

semua

hasil

yang

mungkin muncul atau terjadi pada suatu percobaan.


Keseluruhan dari titik sampel dinamakan Ruang sampel
dan dilambangkan dengan S.
Contoh : S = { 1,2,3,4,5,6}

ruang vektor

Kejadian yang dapat terjadi di dalam suatu eksperimen


(percobaan)

dan

biasanya

dilakukan

berulang

kali

dinamakan Titik Sampel. A = { 2 }


2) Peristiwa/kejadian (event)
Kumpulan (himpunan) dari hasil yang muncul atau
terjadi pada suatu percobaan statistik.

Peristiwa A atau B dinotasikan dengan A B

Peristiwa A dan B dinotasikan dengan A B

Peristiwa A dan B merupakan peristiwa yang saling lepas,


AB=0
Peristiwa A bagian B dinotasikan dengan A

C. Probabilitas Suatu Peristiwa


Probabilitas memberikan nilai kuantitatif pada peryataan
seberapa sering suatu peristiwa terjadi.
Probabilitas peristiwa A : p( A)
Beberapa sifat :

n
N

a. P(A)=1-P(A)
b. 0<=P(A)<=1
c. P(S)=P(A)+P(A)

Contoh :
Suatu kemasan berisi 6 Flash Disk A, 4 Flash Disk B dan 3 Flash
Disk C. Bila seseorang mengambil satu Flash Disk secara acak,
maka :
Peluang terambil satu Flash DIsk A, karena 6 dari 13 disket
adalah Flash

A, maka peluang peristiwa A, satu Flash A

terpilih secara acak adalah : P(A)=6/13


Peluang terambil satu disket B (peristiwa B) atau disket
C(peristiwa C) karena terdapat 7 dari 13 disket adalah disket
B atau disket C maka : P( B C ) 7 / 13
Peristiwa yang saling lepas (Mutually Exclusive)
Bila A dan B dua kejadian sembarang pada S dan berlaku
A B =, maka A dan B dikatakan dua kejadian saling lepas
atau saling terpisah. Secara matematis dua himpunan A dan B
dikatakan saling lepas atau terpisah (disjoint) jika dan hanya jika
mereka tidak memiliki unsur yang sama dan A B = 0
(himpunan kosong).
Bila

A dan B saling lepas dan merupakan peristiwa

dalam sebuah ruang sampel yang terbatas , maka :


P (A B) = P (A) + P (B)

Dimana : A B = 0 dan P (A B) = 0.
Contoh :
Bila sebuah dadu dilempar sekali , berapakah

probabilitas

timbulnya mata dadu 1 atau 3 ?


Jawab : Jika A = peristiwa timbulnya mata dadu 1
B = peristiwa timbulnya mata dadu 3
P(A) = 1/6 dan P(B) = 1/6
A dan B merupakan dua peristiwa yang saling lepas.
P (A B) = P (A) + P (B) = 1/6 + 1/6 = 2/6 = 1/3
Dua peristiwa dikatakan tidak saling lepas bila kedua peristiwa
tersebut tidak usah terpisah.

Peristiwa tidak saling lepas / kejadian majemuk


Bila A dan B peristiwa sembarang pada ruang sampel S,
maka gabungan kejadian A dan B ditulis A B adalah kumpulan
semua titik sampel yang ada pada A atau B atau pada keduaduanya. Kejadian A B disebut kejadian majemuk, dan A B
yaitu kumpulan titik sampel yang ada pada A dan B disebut
kejadian majemuk.
P (A B) = P (A) + P (B) P (A B)

Contoh :
Peluang seorang murid SD yang lulus mata pelajaran
matematika adalah 2/3 dari peluang ia lulus mata pelajaran
bahasa Indonesia adalah 4/9. Bila sekurang kurangnya
satumata pelajaran diatas adalah 4/5, berapa peluang ia lulus
kedua mata pelajaran tersebut !
Jawab : P(A) = 2/3; P(B) =4/9;

P( A B) 4 / 5

P (A B) = P (A) + P (B) P (A B)

= 2/3 + 4/9 4/5


= 14/45

Peristiwa yang saling bebas (independen)


Dua peristiwa dikatakan independen jika dan hanya jika
terjadi

atau

tidak

terjadinya

peristiwa

pertama

tidak

mempengaruhi peristiwa kedua.


Dua kejadian A dan B dalam ruang sampel S dikatakan
saling bebas jika kejadian A tidak mempengaruhi kejadian B dan
sebaliknya kejadian B tidak mempengaruhi kejadian A. Jika A
dan B merupakan dua kejadian saling bebas, maka berlaku
rumus :
P (A B ) = P (A) . P (B)
Contoh :
1) Kita ambil satu kartu secara acak dari satu set kartu bridge
yang lengkap. Bila A = kejadian terpilihnya kartu as dan B =
kejadian terpilihnya kartu wajik, Hitung peluang !
Jawab: P(A) = 4 /52; P(B) = 13/52; maka P( A B) 1 / 52
2) Jika diketahui dua kejadian A dan B saling bebas dengan
P(A)= 0,3 dan P(B)= 0,4 maka berlaku:

P( A B) P( A) P( B) P( A B) 4 / 52 13 / 52 1 / 52 16 / 52 4 / 13
P( A B) P( A).P( B) (0,3)(0,4) 0,12

D. Probabilitas bersyarat
Probabilitas

suatu

peristiwa

seringkali

harus

dimodifikasikan bila ada informasi bahwa terdapat peristiwa b


yang berkaitan dengan peristiwa a tersebut telah terjadi
sebelumnya. Perubahan nilai probabilitas peristiwa A bila
diketahui bahwa peristiwa b telah terjadi disebut sebagai

probabilitas bersyarat a bila diketahui b terjadi dan dinotasikan


dengan P(A|B).
Probabilitas terjadinya kejadian A dengan syarat bahwa B
sudah terjadi atau akan terjadi disebut Probabilitas bersyarat
(conditional probability).
Rumus Probabilitas bersyarat

P( A / B)

P( A B)
; bilaP ( B) 0
P( B)

Rumus diatas dapat ditulis kembali sebagai :

P( A B) P( B).P( A / B)
dan dinyatakan sebagai aturan perkalian, bila terdapat tiga
peristiwa A,B, dan C
maka sesuai dengan aturan perkalian didapatkan:

P( A1 A2 A3.... Ak ) P( A1 ) P( A2 | A1 ) P( A3 | A1 A2 )....P( Ak | A1 A2 .... Ak 1 )


Apabila terdapat suatu kondisi dimana probabilitas P(A/B)
menjadi bernilai sama dengan P(A), maka dalam hal ini peristiwa
B tidak mempunyai pengaruh terhadap terjadinya peristiwa A,
sehingga :
P(B/A)=P(B)
atau
P(A/B)=P(A)
Kondisi ini dinamakan sebagai peristiwa yang saling
bebas(independent) antara A dan B,Sesuai dengan aturan
perkalian maka kondisi saling bebas tersebut :

p( A B) P( A) P( B)
Dengan demikian, bila terdapat peristiwa A1, A2,.....,Ak yang
saling bebas maka:

P( A1 A2 A3.... Ak ) P( A1 ).P( A2 ).....P( Ak )

Contoh :
1)

Misalkan

ruang

penyimpanan

data

sampel
(disket

menyatakan
dan

CD)

populasi

pada

suatu

media
kantor

tertentu.Media penyimpan data tersebut dikelompokan menurut


kondisinya: Diadakan audit untuk mengetahui kondidi media
penyimpanan data dikantor tsb. Dengan cara mengambil sampel
secara acak pada kotak media penyimpanan.Bila media yang
terpilih ternyata mempunyai kondisi baik, berapakah peluang
yang terpilih itu media CD ?
Jawab : Bila M=CD yang terpilih
E=Kondisi media yang terpilih baik :

2)

Dalam sebuah kotak terdapat 10 gulungan film, dan diketahui


bahwa 3 diantaranya rusak. Hitung peluang bila 2 buah gulungan
filem diambil acak satu persatu secara beruutan.
Jawab: Misal A: peristiwa terambil gulungan pertama eusak
B: peristiwa terambil gulungan kedua rusak
Maka peluang kedua gulungan rusak adalah :

VII. PERMUTASI
Dalam beberapa macam cara suatu peristiwa dapat terjadi ?
Dalam berapa macam cara suatu pemilihan terhadap sebagian dari
keseluruhan obyek dapat dilakukan? Pertanyaan sedemikian itu
acapkali timbul dalam persoalan tentang cara menghitung berbagai
kemungkinan memilih sampel dari suatu populasi tertentu. Pada
asasnya, persoalan diatas sama dengan persoalan mencari jumlah
cara menyusun atau mengatur suatu himpunan obyek tertentu.
A. Permutasi
Masalah penyusunan kepanitiaan yang terdiri dari Ketua,
Sekretaris dan Bendahara dimana urutan dipertimbangkan
merupakan salah satu contoh permutasi. Jika terdapat 3 orang
(misalnya Amir, Budi dan Cindy) yang akan dipilih untuk
menduduki posisi tersebut, maka dengan menggunakan Prinsip
Perkalian kita dapat menentukan banyaknya susunan panitia
yang mungkin, yaitu:
Pertama menentukan Ketua, yang dapat dilakukan dalam 3
cara.
Begitu Ketua ditentukan, Sekretaris dapat ditentukan dalam 2
cara.
Setelah Ketua dan Sekretaris ditentukan, Bendahara dapat
ditentukan dalam 1 cara.
Sehingga banyaknya susunan panitia yang mungkin adalah
3:2:1 =6. Secara formal, permutasi dapat didevinisikan
sebagai berikut.

Definisi 1.1
Permutasi dari n unsur yang berbeda

adalah

pengurutan dari n unsur tersebut.


Contoh 1.1
Tentukan permutasi dari 3 huruf yang berbeda, misalnya ABC !
Permutasi dari huruf ABC adalah ABC, ACB, BAC, BCA, CAB, CBA.
Sehingga terdapat 6 permutasi dari huruf ABC.

Teorema 1.1
Terdapat n! permutasi dari n unsur yang berbeda. Bukti. Asumsikan
bahwa permutasi dari n unsur yang berbeda merupakan aktitas yang
terdiri dari n langkah yang berurutan. Langkah pertama adalah
memilih unsur pertama yang bisa dilakukan dengan n cara. Langkah
kedua adalah memilih unsur kedua yang bisa dilakukan dengan n 1
cara karena unsur pertama sudah terpilih. Lanjutkan langkah tersebut
sampai pada langkah ke-n yang bisa dilakukan dengan 1 cara.
Berdasarkan Prinsip Perkalian, terdapat permutasi dari n unsur yang
berbeda.

Contoh 1.2
Berapa banyak permutasi dari huruf ABC ?
Terdapat 3.2.1 = 6 permutasi dari huruf ABC.
Contoh 1.3
Berapa banyak permutasi dari huruf ABCDEF jika subuntai ABC
harus selalu muncul bersama?
Karena subuntai ABC harus selalu muncul bersama, maka subuntai
ABC bisa dinyatakan sebagai satu unsur. Dengan demikian terdapat
4 unsur yang dipermutasikan, sehingga banyaknya permutasi adalah
4.3.2.1 = 24.

Denisi 1.2
Permutasi-r dari n unsur yang berbeda

adalah

pengurutan dari sub-himpunan dengan r anggota dari himpunan


. Banyaknya permutasi-r dari n unsur yang berbeda
dinotasikan dengan P(n; r).
Contoh 1.4
Tentukan permutasi-3 dari 5 huruf yang berbeda, misalnya ABCDE.
Permutasi-3 dari huruf ABCDE adalah :

Sehingga banyaknya permutasi-3 dari 5 huruf ABCDE adalah 60.


Teorema 1.2
Banyaknya permutasi-r dari n unsur yang berbeda adalah

Bukti.
Asumsikan bahwa permutasi-

dari

merupakan aktitas yang terdiri dari

unsur yang berbeda


langkah yang berurutan.

Langkah pertama adalah memilih unsur pertama yang bisa dilakukan


dengan n cara. Langkah kedua adalah memilih unsur kedua yang
bisa dilakukan dengan

cara karena unsur pertama sudah

terpilih. Lanjutkan langkah tersebut sampai pada langkah ke-r yang

bisa

dilakukan

dengan

cara.

Berdasarkan

Prinsip

Perkalian, diperoleh

Contoh 1.5
Gunakan Teorema 3.2 untuk menentukan permutasi-3 dari 5 huruf
yang berbeda, misalnya ABCDE.
Karena r = 3 dan n = 5 maka permutasi-3 dari 5 huruf ABCDE adalah

Jadi banyaknya permutasi-3 dari 5 huruf ABCDE adalah 60

B. Permutasi

dari

obyek

yang

berbeda

tanpa

pemulihan obyek yang terpilih


1. Permutasi dari n obyek seluruhnya
DEFINISI 5.3.1. :
Bila n menyatakan bilangan bulat positif, maka hasil penggandaan
bilangan tersebut dari 1 sampai dengan n dinamakan n faktorial
dan diberi tanda n!.
Penjelasan :
Jika n = 1, 2, . . . , maka n! = n (n-1) (n-2) . . . 2. 1
= n (n-1)! Dan (n+1)! = (n+1)n!
2. Permutasi sebanyak r dari n obyek
DEFINISI : Pengaturan atau penyusunan sebanyak r obyek yang
diambil dari suatu himpunan yang terdiri dari n obyek yang
berbeda secara matematis dinamakan permutasi secara sekaligus
sebanyak r dari n obyek yang berbeda dimana rPn. secara
simbolis, permutasi sedemikian itu dinyatakan sebagain P.

Contoh :
Jika kita gunakan perumusan nPr =

n!
(n-r)!

untuk menghitung jumlah permutasi 2 huruf yang

diambil dari

kata laut dalam contoh 5.3.1. maka akan diperoleh hasil :


nPr = 4P2 = 4!

= 12

(4-2)!
3. Permutasi keliling (circular permutation)
Permutasi suatu himpunan obyek yang membuat suatu
lingkaran dinamakan Permutasi keliling. Bila suatu himpunan
obyek disusun secara teratur dalam sebuah lingkaran, permutasi
obyek

yang

bersangkutan

sebetulnya

mempersoalkan

kedudukan relatif obyek - obyek diatas

bila melintasi

lingkaran dalam arti yang tertentu.

4. Permutasi sebanyak r dari n obyek dengan pemulihan


obyek yang terpilih
TEOREMA .4.1. Permutasi sebanyak r dari n obyek dengan
pemulihan obyek yang terpilih. Jumlah permutasi dari suatu
himpunan yang terdiri dari n obyek dan yang diambil sekaligus
sebanyak r dengan pemulihan obyek yang telah terpilih ialah : nPr
= n*r
dengan ketentuan r dan n merupakan bilangan bulat positif.

5. Permutasi

sebanyak

dari

obyek

yang

tidak

seluruhnya dapat dibedakan


Secara intuitif, jumlah permutasi dari obyek yang dapat
dibedakan tentunya lebih banyak daripada jumlah permutasi
dimana terdapat beberapa kumpulan obyek yang sama. Hal
sedemikian mudah sekali dimengerti. Kumpulan {a, a, a} terdiri

dari 3 unsur yang tidak dapat dibedakan dan hanya dapat


dipermutasikan dalam satu cara saja. Jika kita bedakan unsur
himpunan diatas menjadi {a1, a2, a3} , jumlah permutasi
himpunan {a1, a2, a3} akan menjadi :
nP n = n! = 3! = 6

VIII. KOMBINASI

Kombinasi

adalah

susunan

unsur-unsur

dengan

tidak

memperhatikan urutannya. Pada kombinasi AB = BA. Dari suatu


himpunan dengan n unsur dapat disusun himpunan bagiannya
dengan untuk

Setiap himpunan bagian dengan k unsur dari

himpunan dengan unsur n disebut kombinasi k unsur dari n yang


dilambangkan dengan,

Contoh :
Diketahui himpunan

Tentukan banyak himpunan bagian dari himpunan A yang memiliki 2


unsur!
Jawab

Banyak himpunan bagian dari A yang memiliki 2 unsur adalah C (6,


2).

Cara cepat mengerjakan soal kombinasi


dengan penulisan nCk, hitung 10C4 kita langsung tulis 4 angka dari 10
mundur lalu dibagi 4!, yaitu 10.9.8.7 dibagi 4.3.2.1 jadi 10C4 =
10x9x8x7 / 4x3x2x1 berapa itu?

jika ditanya 10C6 maka sama dengan 10C4, ingat 10C6=10C4.


Contoh lainnya
20C5=20C15
3C2=3C1

100C97=100C3
melihat polanya!
Kombinasi r obyek yang dipilih dari n obyek adalah susunan r obyek
tanpa memperhatikan urutan/posisi
Misalkan:

Kombinasi 3 dari 3 obyek A, B dan C adalah:

ABC = ACB = BAC = BCA = CAB = CBA ( Hanya


terdapat 1 kombinasi)
Dalil-1 Kombinasi :

Kombinasi r dari n obyek adalah

Crn

n!
r !(n r )!

Contoh :
Dari 40 nomor rekening akan diundi untuk memenangkan 3
hadiah yang sama. Berapa banyaknya susunan pemenang yang
mungkin terbentuk?

C340

40!
40!
40 39 38 37!
= 9880

3! (40 3)! 3! 37!


3! 37!

Jika anda hanya mempunyai 1 rekening, maka peluang anda menjadi


salah satu pemenang adalah: P(Menang) =

1
9880

Kaidah Perkalian & Kombinasi


Dalam banyak soal, kaidah penggandaan/perkalian
kombinasi seringkali digunakan bersama-sama.

dan

Contoh :
Manajer

SDM

mengajukan

10

calon

manajer

yang

berkualifikasi sama, 5 calon berasal dari Kantor Pusat, 3 calon dari


Kantor cabang dan 2 dari Program Pelatihan manajer.
(a) Berapa cara Manajer SDM dapat memilih 6 manajer baru dengan
ketentuan 3 berasal dari Kantor Pusat. 2 dari Kantor Cabang dan
1 dari Program Pelatihan manajer?
Pemilihan 3 dari 5 calon dari Kantor Pusat = C35

5!
10
3!2!

Pemilihan 2 dari 3 calon dari Kantor Cabang = C23

3!
3
2!1!

Pemilihan 1 dari 2 calon dari Program Pelatihan= C12

2!
2
1!1!

n = Pemilihan Manajer = 10 3 2 = 60 cara

(b) Berapa cara memilih 6 dari 10 kandidat manajer?


N = Pemilihan 6 dari 10 kandidat manajer =

10

10!
210
6!4!

(c) Berapa peluang 6 manajer baru tersebut terdiri dari 3 dari Kantor
Pusat, 2 dari Kantor Cabang dan 1 dari Program Pelatihan?
P(manajer) =

n
60

N 210

Kombinasi adalah suatu pengacakan dari objek-objek dengan


tidak memperhatikan urutan.
Banyaknya kombinasi r unsur dari himpunan dengan n

n
unsur dinotasikan dengan C n, r atau . Perhatikan
r

bahwa jika r n , definisikan C n, r 0 . Jika n 0 dan r

bilangan bulat positif, maka C 0, r . Hal tersebut akan

0
berakibat bahwa C 0,0 1 . Fakta berikutnya adalah
0

untuk bilangan bulat tidak negatif n berlaku C n,0 1 ,

C n,1 n dan C n, n 1
Untuk r n , Pn, r r!C n, r
Akibatnya, C n, r n

n!
r!n r !

Kombinasi
Berbeda

dengan

permutasi

yang

urutan

menjadi

pertimbangan, pada kombinasi urutan tidak dipertimbangkan.


Misalnya pemilihan 3 orang untuk mewakili kelompak 5 orang
(misalnya Dedi, Eka, Feri, Gani dan Hari) dalam mengikuti
suatu

kegiatan.

Dalam

masalah

ini,

urutan

tidak

dipertimbangkan karena tidak ada bedanya antara Dedi, Eka


dan Feri dengan Eka, Dedi dan Feri. Dengan mendata semua
kemungkinan 3 orang yang akan dipilih dari 5 orang yang ada,
diperoleh:

Sehingga terdapat 10 cara untuk memilih 3 orang dari 5 orang


yang ada.
Selanjutnya kita dapat mendefinisikan kombinasi secara formal
seperti di bawah ini.

Definisi
Kombinasi-r dari n unsur yang berbeda adalah seleksi tak
terurut r anggota dari himpunan { (sub-himpunan dengan r unsur).
Banyaknya kombinasi-r dari n unsur yang berbeda dinotasikan
dengan C(n,r) atau (n,r ).
Contoh 3.6
Tentukan kombinasi-3 dari 5 huruf yang berbeda, misalnya
ABCDE. Kombinasi-3 dari huruf ABCDE adalah:
ABC

ABD

ABE

ACD

ACE

ADE

BCD

BCE

BDE

CDE

Sehingga banyaknya kombinasi-3 dari 5 huruf ABCDE adalah 10.


Teorema
Banyaknya kombinasi-r dari n unsur yang berbeda adalah
C(n, r) =

n!
(n r )!.r!

Bukti.
Pembuktian dilakukan dengan menghitung permutasi dari n unsur
yang berbeda dengan cara berikut ini.

Langkah pertama adalah menghitung kombinasi-r dari n, yaitu


C(n; r).

Langkah kedua adalah mengurutkan r unsur tersebut, yaitu r!.


Dengan demikian, seperti yang diinginkan.
P(n,r) = C(n, r).r!
C(n,r) =

P(n, r )
r!

n! /( n r )!
r!

n!
(n r )!.r!

Contoh 3.7
Gunakan Teorema 3.3 untuk menentukan kombinasi-3 dari 5 huruf
yang berbeda, misalnya ABCDE.
Karena r = 3 dan n = 5 maka kombinasi-3 dari 5 huruf ABCDE adalah
C(5,3) =

5 .4
5!
5!
=
=
= 5.2 = 10
2
(5 3)!.3! 2!.3!

Jadi banyaknya kombinasi-3 dari 5 huruf ABCDE adalah 10.


Contoh 3.8
Berapa banyak cara sebuah panitia yang terdiri dari 4 orang bisa
dipilih dari 6 orang. Karena panitia yang terdiri dari 4 orang
merupakan susunan yang tidak terurut, maka masalah ini merupakan
kombinasi-4

dari

unsur

yang

tersedia.

Sehingga

dengan

mengunakan Teorema 3.3 dimana n = 6 dan r = 4 diperoleh:


C(6,4) =

6 .5
6!
6!
=
=
= 3:5 = 15
2
(6 4)!.4! 2!.4!

Jadi terdapat 15 cara untuk membentuk sebuah panitia yang terdiri


dari 4 orang bisa dipilih dari 6 orang.
Contoh 3.9
Berapa banyak cara sebuah panitia yang terdiri dari 2 mahasiswa
dan 3 ma-hasiswi yang bisa dipilih dari 5 mahasiswa dan 6
mahasiswi?
Pertama, memilih 2 mahasiswa dari 5 mahasiswa yang ada, yaitu:
C(5,2) =

5! 5.4
5!
=
=
= 5.2 = 10
(5 2)!.2! 3!.2! 2

Kedua, memilih 3 mahasiswi dari 6 mahasiswi yang ada, yaitu:


C(6,3) =

6! 6.5.4
6!
=
=
= 5.4 = 20
(6 3)!.3! 3!.3! 3.2

Sehingga terdapat 10:20 = 200 cara untuk membentuk sebuah


panitia yang terdiri dari 2 mahasiswa dan 3 mahasiswi yang bisa
dipilih dari 5 mahasiswa dan 6 mahasiswi?

Generalisasi Kombinasi
Generalisasi kombinasi merupakan perluasan dari kombinasi
yang membolehkan pengulangan suatu unsur. Misalnya kita
ingin memilih 4 kelereng dari sebuah kantong yang berisi
paling sedikitnya 4 kelereng dari masing-masing warna yaitu
merah, biru dan kuning. Kemungkinan terpilihnya 4 kelereng
tersebut adalah

Sehingga terdapat 15 kemungkinan terpilihnya 4 kelereng


tersebut.
Permasalahan di atas dapat kita nyatakan sebagai seleksi dari
4+3-1 simbol yang terdiri dari 4 simbol o sebagai kelereng dan 3 1
simbol k sebagai pemisah kelereng yang berbeda warna. Selanjutnya
kita menentukan posisi dari simbol-simbol tersebut, yaitu:

Dari seleksi diperoleh 15 kemungkinan pengaturan simbolsimbol tersebut.Secara umum permasalahan diatas dapat disajikan
dalam teorema berikut ini.
Teorema 3.5
Jika X merupakan sebuah himpunan yang mempunyai t unsur
dimana pegulangan diperbolehkan, maka banyaknya seleksi k unsur
tak terurut dari X adalah

Bukti.
Misalkan

. Asumsikan bahwa terdapat k +t

- 1 slot yang akan diisi oleh k+t - 1 simbol yang terdiri dari k simbol o
dan t - 1 simbol .Penempatan simbol-simbol pada slot tertentu
merupakan representasi dari proses seleksi. Bilangan

dari simbol

o hingga simbol yang pertama merepresentasikan seleksi dari

bilangan

dari simbol o dari simbol

yang pertama hingga simbol

yang kedua merepresentasikan seleksi dari


sampai seleksi dari

; dan seterusnya

.Karena terdapat C(k + t 1, t - 1) cara untuk

menentukan posisi simbol , maka juga terdapat C(k +t - 1, t - 1)


seleksi. Hal ini juga sama dengan C(k + t 1, k) cara untuk
menentukan posisi simbol o. Sehingga terdapat
C(k + t 1; t 1) = C(k + t 1; k)
seleksi k-unsur tak terurut dari X dimana pengulangan diperbolehkan.
Contoh 3.11
Gunakan Teorema 3.5 untuk menentukan banyaknya cara
memilih 4 kelereng dari sebuah kantong yang berisi paling sedikitnya
4 kelereng dari masing-masing warna yaitu merah, biru dan kuning.
Karena ada 3 warna kelereng dan 4 kelereng akan dipilih, maka t = 3
dan k = 4. Sehingga banyaknya cara pemilihan 4 kelereng adalah:

Contoh 3.12
Berapa banyak solusi bilangan bulat tak negatif dari persamaan

Setiap solusi dari persamaan tersebut ekuivalen dengan pemilihan 10


butir

dari jenis

. Sehingga banyaknya seleksi adalah


C(10 + 2 1, 2 - 1) = C(11, 1) = 11

LATIHAN SOAL
A. Probabilitas
1. Dua buah dadu dilempar sekaligus sebanyak sekali. Hitunglah
peluang muncul mata dadu berjumlah 10 atau 7 !
2. Sebuah kotak berisi 4 bola merah, 6 bola putih,7 bola hijau, 3
bola biru. Semua bola sama bentuk,besar dan bobotnya.
Apabila

sebuah

bola

diambil

secara

random,

berapa

probabilitasnya bahwa :
a. bola itu merah

b. bola itu hijau

B. Permutasi
1. Suatu Organisasi akan memilih ketua, wakil ketua, sekretaris,
bendahara & humas. Jika ketua & wakil ketua dipilih dari 5
orang, sedangkan sekretaris, bendahara & humas dipilih dari
7 orang yang lain. Maka banyak cara menyusun pengurus
organisasi tersebut adalah?
C. Kombinasi
1. Ada 8 siswa baru yang belum saling mengenal satu sama
lain. Apabila mereka ingin berkenalan dengan berjabat
tangan, maka jabatan tangan yang akan terjadi sebanyak??
2. Suatu perkumpulan terdiri dari 7 orang pria & 5 orang wanita
akan mengirimkan utusan untuk mengikuti rapat yang hanya
terdiri dari 3 orang pria & 2 orang wanita. Bnyaknya susunan
utusan tersebut adalah..?

IX. POPULASI DAN SAMPEL

A. PENGERTIAN POPULASI DAN SAMPEL


1. Populasi (universe) adalah totalitas dari semua objek atau
individu yang memiliki karakteristik tertentu, jelas, dan lengkap
yang akan diteliti (bahan penelitian). Objek atau nilai disebut
unit analisis atau elemen populasi. Unit analisis dapat berupa
orang, perusahaan, hasil produksi, rumah tangga, dan tanah
pertanian.
2. Sampel adalah bagian dari populasi yang diambil melalui
cara-cara tertentu yang juga memiliki karakteristik tertentu,
jelas, dan lengkap yang dianggap bisa memiliki populasi.
Objek atau nilai yang akan diteliti dalam sampel disebut unit
sampel. Unit sampel mungkin sama dengan unit analisis,
tetapi mungkin juga tidak.
3. Parameter dan statistik adalah besaran yang berupa data
ringkasan atau angka ringkasan yang menunjukan suatu ciri
dari populasi data sampel. Parameter dan statistik merupakan
hasil hitungan nilai dari semua unit di dalam populasi dan
sampel yang bersangkutan.

B. CARA PENGUMPULAN DATA


Cara pengumpulan data ada 2, yaitu:
1. Sensus : cara pengumpulan data yang mengambil setiap
elemen populasi atau karakteristik yang ada dalam populasi.
2. Sampling

: cara

pengumpulan

data

hanya

mengambil

sebagian elemen populasi atau karakteristik yang ada dalam


populasi.

Alasan dipilih sampling:


1) Objek penelitian yang homogen
2) Objek penelitian yang mudah rusak
3) Penghematan biaya dan waktu
4) Masalah penelitian
5) Ukuran populasi
6) Faktor ekonomis
Contoh: Darah

Metode sampling pada dasarnya dapat dibedakan atas dua


macam, yaitu probabilitas dan nonprobabilitas.
I.

Probabilitas ( Sampling Random / Sampling Acak )


a. Sampling Acak Sederhana (Simple Random Sampling)
Bentuk sampling random yang sifatnya sederhana, tiap
sampel yang berukuran sama memiliki probabilitas sama
untuk terpilih dari populasi.
b. Sampling Acak Bertingkat (Stratified Random Sampling)
Bentuk sampling random yang populasinya atau elemen
populasinya dibagi dalam kelompok-kelompok yang disebut
strata.
c. Sampling Acak Sistematis (Systematic Random Sampling)
Bentuk sampling random yang mengambil elemen-elemen
yang akan diselidiki berdasarkan urutan tertentu dari populasi
yang akan disusun secara teratur.
d. Sampling Kelompok atau Sampling Kluster (Cluster Sampling)
Bentuk sampling random yang populasinya dibagi menjadi
beberapa kelompok (cluster) dengan menggunakan aturanaturan tertentu, seperti batas-batas alam dan wilayah
administrasi pemerintah

II.

Nonprobabilitas ( Sampling NonRandom / Sampling Tidak


Acak )
Cara pengambilan sampel yang semua objek atau elemen
populasinya tidak memiliki kesempatan yang sama untuk dipilih
sebagai sampel. Seperti :
a. Sampling Kuota
Sampling kuota adalah bentuk sampling nonrandom yang
merincikan lebih dahulu segala sesuatu yang berhubungan
dengan pengambilan sampel.
b. Sampling Pertimbangan
Sampiling pertimbangan adalah bentuk sampling nonrandom
yang

pengambilan

sampelnya

ditentukan

oleh

peneliti

berdasarkan pertimbangan dan kebijaksanaan.


c. Sampling Seadanya
Sampling seadanya adalah bentuk sampling nonrandom yang
pengambilan

sampelnya

dilakukan

seadanya

atau

berdasarkan kemudahan mendapatkan data yang diperlukan.

X. DISTRIBUSI PROBABILITAS

A. VARIABEL RANDOM
Definisi 1:
Variabel random adalah suatu fungsi yang memetakan ruang
sampel (S) ke himpunan bilangan Real (R), dan ditulis X : S R
CONTOH 1:
Pelemparan uang logam setimbang sebanyak tiga kali.
Ruang sampelnya S = {GGG, GGA, GAG, AGG, GAA, AGA,
AAG, AAA}. Dari percobaan ini dapat didefinisikan beberapa
variabel random yang mampu memetakan ruang sampelnya ke
dalam bilangan real. Salah satu variabel random yang dapat
dibuat adalah X = banyaknya sisi gambar yang muncul. Maka
nilai numerik 0, 1, 2, atau 3 dapat diberikan pada setiap titik
sampel.

Definisi 2 :
Ruang Sampel Diskrit adalah apabila ruang sampelnya
mengandung titik sampel yang berhingga atau terhitung
banyaknya.

Variabel random yang didefinisikan di atas ruang sampel diskrit


disebut variabel random diskrit.

CONTOH 2 :
- banyaknya barang yang cacat, dalam pengambilan sampel
sebesar k barang.
- banyaknya yang meninggal karena terserang suatu infeksi
pernafasan setiap tahun di Surabaya.

Definisi 3 :
Ruang Sampel Kontinu adalah apabila ruang sampelnya
mengandung titik sampel yang tak berhingga banyaknya, dan
memuat semua bilangan real dalam suatu interval.

Variabel random yang didefinisikan di atas ruang sampel kontinu


disebut variabel random kontinu.

CONTOH 3 :
- lamanya reaksi kimia tertentu
- jarak yang ditempuh sebuah mobil yang diisi dengan 5 liter
bensin.
B. DISTRIBUSI PROBABILITAS DISKRIT
Himpunan pasangan terurut (x, f(x)) merupakan suatu
fungsi probabilitas atau distribusi proabilitas dari variabel random
diskrit, jika

1.

f ( x) 0

2.

3.

P( X x) f ( x)

f ( x) 1

Rata-rata dan varians dari variabel random diskrit X

E ( X ) x xf ( x)

2 E[( X ) 2 ] x ( x ) 2 f ( x)
C. DISTRIBUSI PROBABILITAS KONTINU
Fungsi f(x) adalah fungsi kepadatan (density) probabilitas
untuk variabel kontinu X, jika

1.

f ( x) 0

2.

3.

P (a X b) f ( x)dx

f ( x) dx 1
b

Rata-rata dan varians dari variabel random kontinu X

E ( X ) xf ( x)dx

2 E[( X ) 2 ] ( x ) 2 f ( x)dx

D. BEBERAPA DISTRIBUSI PROBABILITAS DISKRIT


1. Distribusi Binomial
Ciri-ciri percobaan binomial :
a. Percobaan terdiri dari n ulangan
b. Setiap hasil ulangan dapat digolongkan sebagai sukses (S)
atau gagal (G)
c. Probabilitas sukses (p) untuk setiap ulangan adalah sama
d. Setiap ulangan harus bersifat independen.

Definisi 4 :
Suatu

percobaan

dengan

ulangan

mempunyai

probabilitas sukses p dan gagal q = 1-p. Jika variabel random X


menyatakan banyaknya sukses dalam n ulangan yang bebas,
maka X berdistribusi Binomial dengan distribusi probabilitas :

n
b(x; n, p) p x q n x ,
x

x 0,1,2,....n

Nilai harapan (rata-rata) dan varians dari variabel random


yang berdistribusi Binomial

= np

= npq

SOAL 1 :
Uang logam setimbang dilemparkan sebanyak empat kali. Tentukan
distribusi probabilitas bagi banyaknya sisi gambar yang muncul.

SOAL 2 :
Probabilitas seseorang sembuh dari suatu penyakit darah adalah 0,4.
Jika 15 orang diketahui menderita penyakit ini, tentukan probabilitas :
a.

Tepat 5 orang yang sembuh

b.

Ada 3 sampai 8 orang yang sembuh

c.

Sekurang-kurangnya 3 orang sembuh.

2. Distribusi Hipergeometrik
Ciri-ciri percobaan Hipergeometrik :
a. Sampel acak berukuran n diambil dari populasi berukuran
N
b. Dari populasi berukuran N benda, sebanyak k benda diberi
label sukses, dan N-k benda diberi label gagal.

Definisi 5 :
Dalam populasi N benda, k benda diantaranya diberi label
sukses dan N-k benda lainnya diberi label gagal. Jika variabel
random X menyatakan banyaknya sukses dalam sampel acak
berukuran n, maka X berdistribusi hipergeometrik dengan
distribusi probabilitas

k N k

n x
h(x; N, n, k)
N

, x 0,1,2,....k

Nilai harapan dan varians dari variabel random yang


berdistribusi Hipergeometrik adalah

nk
N
N n k
k
2
.n. 1
N 1 n
N

SOAL 3 :
Sebuah panitia 5 orang akan dipilih secara acak dari 3 mahasiswa
farmasi dan 5 mahasiswa kedokteran. Tentukan distribusi probabilitas
banyaknya maha-siswa farmasi dalam panitia tersebut.

Bila n relatif kecil dibandingkan dengan N, maka distribusi


hipergeometrik dapat dihampiri dengan distribusi binomial
h (x; N, n, k) b (x; n, p)

SOAL 4 :
Sebuah perusahaan farmasi melaporkan bahwa diantara 5000
pemakai obat tertentu 4000 diantaranya menggunakan obat generik.
Jika 10 orang diantara pemakai obat tersebut dipilih secara acak,
berapa probabilitas tepat ada 3 orang yang memakai obat non
generik ?
3. Distribusi Poisson
Ciri-ciri percobaan Poisson :
a. Banyaknya hasil percobaan yang terjadi dalam suatu
selang waktu tertentu, tidak tergantung pada banyaknya
hasil percobaan yang terjadi pada selang waktu lain yang
terpisah.

b. Probabilitas terjadinya suatu hasil percobaan selama


selang waktu yang singkat, sebanding dengan panjang
selang

waktu

tersebut,

dan

tidak

tergantung

pada

banyaknya hasil percobaan yang terjadi di luar selang


waktu tersebut.
c. Probabilitas lebih dari satu hasil percobaan akan terjadi
dalam selang waktu yang singkat, dapat diabaikan.

Definisi 6 :
Jika variabel random

X menyatakan banyaknya hasil

percobaan yang terjadi dalam selang waktu tertentu, dan


adalah rata-rata banyaknya hasil percobaan dalam selang waktu
tersebut, maka X berdistribusi Poisson dengan distribusi
probabilitas

e x
p(x; )
x!

x 0,1,2,...

Nilai harapan dan varians dari

ariable random yang

berdistribusi Poisson keduanya sama dengan .

SOAL 5 :
Rata-rata

banyaknya partikel

radioaktif

yang

melewati

suatu

penghitung selama 1 milidetik dalam suatu percobaan di lab adalah


4. Berapa prob 6 partikel melewati penghitung itu dalam 1 milidetik
tertentu ?
Misalkan X b(x; n,p), bila n , p 0, maka
b(x; n,p) p(x; )
dengan = np.

SOAL 6 :
Probabilitas seseorang meninggal karena suatu infeksi pernafasan
adalah 0,002. Carilah probabilitas jika 2000 orang yang terserang
infeksi tersebut, kurang dari 5 orang akan meninggal ! Tentukan ratarata dan variansnya.

E. DISTRIBUSI PROBABILITAS KONTINU


1. Distribusi Normal
Definisi 7 :
Variabel random X berdistribusi normal dengan rata-rata
dan varians 2 jika mempunyai fungsi densitas
f(x) = n(x; , )

1 x

, - x

Sifat-sifat kurva normal :


a. Modus terjadi pada x =
b. Kurva simetris terhadap x =
c. Kedua ujung kurva secara asimtotik mendekati sumbu datar x,
bila nilai x bergerak menjauhi .
d. Seluruh luas dibawah kurva dan diatas sumbu datar sama
dengan 1.

f(x)

x1

x2

Gambar 1 : Kurva Normal

Misalkan ingin dihitung P (x1 < X < x2) dari variabel


random X yang berdistribusi normal, maka berdasar kurva di atas
P (x1 < X < x2) = luas daerah yang diarsir.
Untuk menghitung P(x1 < X < x2)

x2

f ( x) dx

sulit diselesaikan.

x1

Namun dapat diatasi dengan mentransformasi variabel random


normal X menjadi variabel random Z
Z

Distribusi variabel random Z disebut dengan Distribusi Normal


Standart, dengan fungsi densitas

f ( z)

dengan

1
2

z2

= 0 dan 2 =1.

, - z

SOAL 7 :
Diketahui suatu distribusi normal standart, carilah luas daerah di
bawah kurva yang terletak :
a. di sebelah kiri z = -1,39
b. antara z = -2 dan z = 2
c. disebelah kanan z = 1,84.

SOAL 8 :
Diketahui suatu distribusi normal standart, carilah nilai k sehingga
a. P (Z > k) = 0,3015
b. P (k < Z < -0,18) = 0,4197
c. P (-0,93 < Z < k) = 0,7235.

SOAL 9 :
Variabel random X berdistribusi normal dengan rata-rata 50 dan
simpangan baku 10. Tentukan
a. P (x < 45)
b. P ( 47 < x < 62)
c. P (x > 64)

SOAL 10 :
Rata-rata tinggi anjing pudel jenis tertentu adalah 30 cm, dengan
simpangan baku 4,1 cm. Berapa persentase banyaknya anjing pudel
jenis tersebut yang tingginya melebihi 35 cm,
a. bila tingginya menyebar normal dan dapat diukur sampai ketelitian
berapapun ?
b. bila kali ini tingginya diukur sampai cm terdekat ?

2. Hampiran Normal Terhadap Distribusi Binomial


Jika variabel random X berdistribusi Binomial dengan mean = np
dan varians 2 = npq, maka variabel random

X np
npq

untuk n berdistribusi normal standart.

SOAL 11 :
Probabilitas seorang penderita sembuh dari suatu penyakit darah
yang jarang muncul sebesar 0,4. Bila diketahui ada 100 orang yang
telah terserang penyakit ini, berapa probabilitas bahwa kurang dari 30
yang sembuh ?
SOAL-SOAL LATIHAN :
1.

Menurut teori Mendel tentang sifat-sifat keturunan, perkawinan


silang 2 jenis tanaman yang serupa, yang satu berbunga merah
dan lainnya berbunga putih, menghasilkan keturunan yang 25%
tanamannya berbunga merah. Andaikan seorang ahli tanaman
ingin mengawinsilangkan lima pasang berbunga merah dan
berbunga putih. Berapa probabilitas bahwa dari 5 keturunan
yang dihasilkan
a. Tidak terdapat bunga berwarna merah.
b. Paling sedikit 4 tanaman berbunga merah.
c. Paling banyak 4 tanaman berbunga merah.

2.

Suatu perusahaan farmasi mengetahui bahwa secara rata-rata,


5% dari sejenis pil mempunyai campuran dibawah syarat
minimum,

sehingga tidak memenuhi persyaratan.

Berapa

probabilitas bahwa kurang dari 10 pil dalam sampel 200 pil tidak
memenuhi persyaratan ?

3.

Panjang ikan sardine yang diterima suatu pabrik pengalengan


ikan mempunyai panjang rata-rata 4,54 inci dan simpangan baku
0,25 inci. Apabila distribusi panjang ikan sardine tersebut
mengikuti distribusi normal, berapa persentase dari ikan-ikan
tersebut yang panjangnya adalah :
a. Lebih dari 5 inci
b. Kurang dari 5 inci
c. 4,4 sampai 4,6 inci ?

4.

Probabilitas seorang mahasiswa gagal dalam tes scoliosis


(membengkoknya tulang belakang) adalah 0,004. Diantara 1875
siswa yang dites scoliosis, hitunglah probabilitas terdapat :
a. kurang dari 5 mahasiswa gagal dalam tes itu
b. lebih dari 2 mahasiswa gagal dalam tes tersebut
c. 8, 9 atau 10 mahasiswa gagal dalam tes tersebut.

5.

Dalam suatu dos berisi 50 botol obat dan 5 buah diantaranya


tidak memenuhi standart. Dari dos tersebut diambil 4 botol obat
secara acak, berapa probabilitas mendapat 2 botol yang tidak
memenuhi standart ?

6.

Dalam suatu ujian statistika, diketahui bahwa nilai rata-ratanya


adalah 82 dengan simpangan baku sama dengan 5. Semua
mahasiswa dengan nilai dari 88 sampai 94 mendapat nilai B. Bila
nilai-nilai statistika tersebut berdistribusi normal, dan 8 siswa
mendapat nilai B, berapa banyak mahasiswa yang menempuh
ujian tersebut (bila nilai ujian dibulatkan ke bilangan bulat
terdekat) ?

7.

Secara rata-rata, di Indonesia banyaknya kematian yang


disebabkan oleh penyakit tertentu adalah 3 orang perhari .
Tentukan probabilitas dalam suatu hari terjadi kematian
a. kurang dari 2 orang
b. lebih dari 5 orang

c. antara 3 sampai 7 orang.


8.

Suatu organisasi ilmiah mempunyai 1000 anggota, dimana 100


orang diantaranya adalah sarjana farmasi. Jika 10 orang diambil
secara acak untuk diangkat jadi pengurus organisasi itu, maka
tentukan probabilitas lebih dari 5 orang sarjana farmasi duduk
dalam pengurus itu.

9.

Tentukan mean dan varians untuk semua soal diatas yang


variabel randomnya diskrit.

10. Tinggi 1000 mahasiswa menyebar normal dengan rata-rata


174,5 cm dan simpangan baku 6,9 cm. Bila tinggi dicatat sampai
setengah cm terdekat, berapa banyak diantara mahasiswa
tersebut yang memiliki tinggi
a. Kurang dari 160,5 cm
b. Sama dengan 175 cm
c. Antara 171,5 sampai 182 cm.

XI. DISTRIBUSI NORMAL

A. Beberapa pengertian umum tentang distribusi Normal


1. Fungsi kepekatan normal umum dan standar
Distribusi normal merupakan distribusi teoritis dari
variable random yang kontinu. Pengalaman telah membuktikan
bahwa sebagian besar dari variable random yang kontinu di
pelbagai bidang aplikasi yang beraneka ragam umumnya
memiliki distribusi yang didekati dengan distribusi normal atau
dapat menggunakan sebagai model teoritisnya.
Distribusi normal yang demikian merupakan distribusi
yang simetris, berbentuk genta dan kontinu serta memiliki fungsi
frekuensi.

1
F(x)=

( 1 2 )( x ) 2
2

1.1

Fungsi f(x) di atas juga dinamakan fungsi kepekatan


normal ( normal density function).
Rumus diatas, distribusi normal tergantung pada 2
parameter yaitu rata-rata dan varians 2 . Dengan kata lain,
distribusi normal umum merupakan sekeluarga kurva yang
berparameter dua buah dan agar kita memperoleh suatu
gambaran tentang distribusi normal yang khusus, kedua
parameter diatas harus diberi harga yang tertentu pula.
Hasilnya, fungsi kepekatan normal seringkali dinyatakan sebagai
berikut :

1
n(x| , 2X ) = F(x) =
Dengan

sendirinya,

( 1 2 )( x X ) 2
2

suatu

distribusi

1.2

normal

dapat

dibedakan dari distribusi normal yang lain atas dasar perbedaan


rata-ratanya atau variansinya atau kedua-duanya.
Jika sudah tertentu tanpa menentukan 2X , maka kita
akan memperoleh serangkaian keluarga distribusi normal yang
memiliki rata-rata yang sama dengan varians seperti pada
diagram 1.1
Sebaliknya, jika 2X sudah tertentu sedangkan tidak
ditentukan, kita akan peroleh serangkaian keluarga kurva normal
yang memiliki bentuk yang sama dengan lokasi yang berbeda
sepanjag sumbu X seperti dalam diagram 1.2
Diagram 1.1

2 0,25

2 1

2 5

Diagram 1.2
F(x)

Karena

distribusinya

kontinu,

cara

menghitung

probablitasnya dilakukan dengan jalan menetukan luas di bawah


kurvanya. Sayangnya, fungsi frekuensi normal tidak memiliki
integral yang sederhana sehingga probabilitas umumnya dihitung
dengan menggunakan distribusi normal standar dimana variabel
randomnya ialah Z dengan = 0 dan 2 = 1. Tabel bagi
variable normal standar Z =

dapat dilihat pada bab akhir

makalah ini.
Definisi dari diagram 1.1 bila Z merupakan variabel
random

yang

kemungkinan

harga-harganya

menyatakan

bilangan-bilangan riil antara - dan + , maka Z dinamakan


variabel normal standar bila dan hanya bila probabilitas interval
dari a ke b menyatakan luas dari a ke b antara sumbu Z dan
kurva normalnya dan persamaanya diberikan sebagai berikut :

f(z) =

1
2

( 1 ) 2
2

1.3

Fungi yang dirumuskan dengan rumus 1.3 diatas


dinamakan fungsi kepekatan normal standar ( standar normal
density function). Grafiknya dapat dilihat pada diagram 3
Diagram 3. fungsi kepekatan normal standar
f(z) =

( 1 ) 2
2

f(x)
0,4
0,3
0,2
0,1
Z
-3

-2

-1

Pada diagram 1.3 di atas, skala f(z) dapat berubah. Agar

f(z) = 1, maka f(z) naik, mencapai titik maksimal 0,399

dan turun pula. Harus selalu diingat bahwa probabilitas pada


sembarang titik-titik ialah nol karena bagi variabel kontinu,
probabilitas selalu dinyatakan dalam interval. Dengan kata lain,
probabilitas Z yang merupakan nilai pada interval antara Z = a
hingga Z = b adalah sama dengan luas yang dibatasi oleh kurva
normalnya, sumbu Z dan garis vertical Z = a dan Z = b. hal
demikian dapat dilihat pada diagram 1.4

diagram 1.4 Kurva normal standar


f(x)

A(Z)

a 0

Z
b

seperti yang kita ketahui, bahwa pencarian luas kurva


normal diatas dapat dilakukan dengan bantuan tabel luas normal
A(z).
Contoh 1.1: Berapakah probabilitas variabel random normal yang
standar merupakan nilai 0 dan 1 ?
Per Table luas kurva normal, maka p(0 < Z < 1) = 0,3413.
Contoh 1.2: Berapakah probabilitas variabel random normal yang
standar merupakan nilai antara -2 dan +2 ?
Per Tabel luas kurva normal, maka p(-2 < Z < +2) = 2(0,4772) =
0,9544.
Hal tersebut berarti bahwa 95,44 % dari seluruh luas kurva normal
standar terletak antara -2 dan +2.
Contoh 1.3: Berapakah probabilitas variabel random normal yang
standar merupakan nilai antara 0,1 dan 2,8 ?
Per Tabel luas kurva normal, maka p(0,1 < Z < 2,8 ) = p(0 < Z < 2,8 )
p(0 < Z < 0,1 ) = 0,4974 0,0398 = 0,4576.
Luas kurvanya dapat dilihat pada diagram 5

Diagram 5 Kurva normal standar, p(0,10 < Z < 2,8 ).


f(z)

p(0,10 < Z < 2,8 ) = 0,4576

Z
Contoh 1. 4 : carilah p( Z > - 0,20 )
Diagram 6 Kurva normal standar, p( Z > - 0,20 )
f(z)

p(Z>-0, 20 ) = 0,5793

Z
Dari diagram 1.6, kita ketahui bahwa
p( Z > -0,20 ) = 0,5000 + p(-0,20 < Z < 0 )
= 0,5000 + 0,0793
= 0,5793

2. Fungsi distribusi kumulatif


Secara umum, fungsi distribusi kumulatif dari distribusi
normal yang kontinu dengan dan 2 dirumuskan sebagai
berikut :

1
F(x) =

Fungsi
(standardized

e (

distribusi
normal

2
2
2 )( x )

1.4

dx

normal

kumulatif

cumulative

yang

distribution

standar
function)

dirumuskan sebagai berikut :

F(z) =

1
2

e (

2)

dz

Dan grafiknya dapat dilihat pada diagram 1.7

1.5

Diagram 1 7, Fungsi distribusi normal kumulatif yang standar

1,00

f(z)

0,80

0,60

0,40

0,20

Z
-3

-2

-0,67 0

0,67

Contoh 1.4
Carilah p(0 < Z < 1 ) dalam soal contoh 1
Per Tabel distribusi normal kumulatif f(1) = 0,8413 dan f(0) = 0,5000
sehingga p(0 < Z < 1 ) = f(1) f(0) = 0,8413 0,5000 = 0,3413 (
referensi diagram 10.1.7 )
Contoh 1.5
Carilah p(0,10 < Z < 2,80 ) dalam soal contoh 1.3
Per Tabel distribusi normal kumulatif, f(2,8) = 0,9974 dan f(0,10) =
0,5398 sehingga p(0,10 < Z < 2,8 ) = f(2,8) f(0,10) = 0,9974
0,5398 = 0,4576
1.3 Beberapa contoh tentang penggunaan tabel luas kurva normal
dan distribusi normal kumulatif

Pada hakekatnya, kurva normal merupakan keluarga kurva normal


yang dapat memiliki rata-rata dan varians 2 yang berbeda dan
tidak usah = 0 dan 2 = 1 seperti dengan halnya kurva normal
standar.
Bila demikian halnya, apakah tabel yang berbeda harus dibuat untuk
pencarian luas kurva normal dengan dan 2 yang berbeda ? Hal
yang sedemikian itu tidak perlu. Luas kurva normal dengan dan

2 yang berbeda tetap dapat dicari dengan jalan mengubah variabel


random X yang normal kedalam variabel random Z yang standar dan
dirumuskan sebagai berikut :

Z=

Atau

Z=

1.6

Serta kemudian mencari nilai Z-nya dengan bantuan tabel F(z) atau
A(z).
Pengubahan X ke Z sedemikian itu dapat dilihat dalam diagram 1.8
dan 1.9

Diagram 1.8 Kurva normal umum standar.

0,5

0,4

0,3

0,2

0,1

3 2 2 3
-3

-2

-1

X
Z

Diagram 1.9
1,0

0,8

0,6

0,4

0,2

0,0

3 2 2 3
-3

-2

-1

Contoh 1.6
Bila X merupakan variabel random yang memiliki distribusi normal
dengan rata-rata = 24 dan deviasi standar = 12, berapakah
probabilitas 17,4 < X < 58,8 ?
Pengubahan variabel normal 17,4 dan 58,8 masing-masing kedalam
variabel standar memperoleh
Z1 =

17,4 24
= - 0,55 dan
12

Z2 =

58,8 24
= 2,90
12

Hasilnya, p(17,4 < X < 58,8 ) = p(-0,55 < Z < 2,90 )


= 0,2088 + 0,4981
= 0,7069

X
Z

Jika probabilitas diatas dihitung dengan bantuan table distribusi


normal kumulatif, maka diperoleh hasil
p(17,4 ) < X < 58,8 ) = p(-0,55 < Z < 2,90)
= F(2,90) F(-0,55)
= 0,9981 0,2912
= 0,7069
Contoh 1.7
Dari pengiriman sebanyak 1.000 riem kertas koran berat 60 gram
diketahui bahwa rata-rata tiap riemnya terisi dengan 450 lembar
dengan deviasi standar sebesar 10 lembar. Jika distribusi jumlah
kertas per riem tersebut dapat didekati dengan kurva normal, berapa
% dari riem kertas diatas terisi dengan 455 lembar atau lebih ?
Dalam soal diatas, = 450 dan = 10 sedangkan yang kita ingin
ketahui ialah p(X 455). Pengubah variabel normal 455 kedalam
variabel standar memperoleh
Z=

455 450
= 0,50
10

Karena f(0,50) = 0,6915, maka p(Z 0,50) = 1 0,6915 = 0,3085


atau 30,85 %. Jelas bahwa 30,85 % dari riem kertas diatas terisi
dengan 455 lembar atau lebih.
Contoh 1.8
Angka ujian statistik sebagian besar mahasiswa memiliki = 34 dan

= 4. Jika distribusi angka-angka ujian tersebut kurang kurang


lebih menyerupai distribusi normal, dibawah angka berapa kita akan
memperoleh 10 % terendah dari seluruh distribusi angka-angka
tersebut ?
Dalam hal diatas, = 34 dan = 4 sedangkan per table distribusi
normal kumulatif, nilai Z yang sesuai dengan luas kumulatif 0,10 ialah
1,28 sehingga

- 1,28 =

34
4

- 5,12 = X 34
28,88 = X
Jelas sudah bahwa 10 % dari seluruh mahasiswa memperoleh nilai
ujian 28,88 atau kurang.

B. Penerapan kurva normal terhadap data empiris


Sampel

yang

diperoleh

dari

pengukuran

empiris

seringkali memiliki bentuk distribusi kumulatif yang dapat didekati


secara memuaskan dengan distribusi normal. Hal tersebut dapat
dilakukan dengan jalan mempersamakan dengan X bar
dengan dengan s. Agar lebih jelas, kita akan memberikan
sebuah contoh yang berhubungan dengan persoalan di atas.
Table 2.1 menyajikan distribusi frekuensi dari sebuah sampel
yang terdiri dari 75 pengukuran berat barang X.
Tabel 1 Distribusi frekuensi sampel n = 75
Xi
titik
tengah
1,25
1,30
1,35
1,40
1,45
1,50
1,55
1,60
1,65
1,70
1,75
1,80

Fi
frekuensi
fi
frekuensi
frekuensi
relatif
frekuensi
relatif
kumulatif kumulatif
0
1
5
6
13
8
17
14
7
1
3
0

0
1
6
12
25
33
50
64
71
72
75
75
Sumber : Data fiktif
0,013
0,067
0,080
0,173
0,107
0,227
0,187
0,093
0,013
0,040

0,013
0,080
0,160
0,333
0,440
0,667
0,854
0,947
0,960
1,000

X=

i 1

fi i
n

= 114,55/75 = 1,527 s =

1,527 = 0,101

karena hubungan variabel standar Z dan variable X maka


dapat dinyatakan sebagai berikut :
Z=

1,527
0,0101
Maka penerapan distribusi normal kumulatifnya dapat

dilakukan dengan jalan mencari nilai-nilai X sesuai dengan nilainilai Z = -3, -2, -1, 0, 1, 2, 3.
Hal tersebut dapat dilakukan sebagai berikut,
-3 =

1,527
0,101

-3(0,101) = X 1,527
-3,03 = X 1,527
-3,03 = X 1,527
1,224 = X
Distribusi normal kumulatif F(x) bagi data Tabel 1 dapat diikuti
dalam Tabel 2
Z

F(x)

-3
1,224
0,0013
-2
1,325
0,0227
-1
1,426
0,1587
0
1,527
0,5000
1
1,628
0,8413
2
1,729
0,9773
3
1,830
0,9987
Sumber : Data Tabel 1
Sudah tentu, nilai F(x) dapat secara langsung dicari dari
table F(x), Bila kita ingin memperoleh penerapan yang lebih

merata, kita harus menghitung nilai-nilai X yang sesuai dengan


nilai-nilai Z = -3, -2,90, -2,80, -2,70, dan seterusnya.
C. Hubungan antara distribusi Normal dan Distribusi Binomial
Bila n besar sekali, distribusi binomial dapat disesuaiakan
sedemikan rupa sehingga dapat didekati dengan distribusi
normal standar. Pada makalah ini akan di bahas betapa
penyesuaian tersebut dapat dilakukan sehingga menghasilkan
sebuah pendekatan yang sangat tepat sekali. Seperti telah kita
ketahui, variable random X atau jumlah sukses dalam n
percobaan binomial merupakan penjumlahan dari variable
random n dimana tiap peubah acak (variate) dimaksudkan bagi
setiap percobaan binomial dan tiap percobaan menghasilkan
nilai 0 atau 1.
Dalam keadaan yang biasa, jumlah dari beberapa
variable random selalu mendekati distribusi normal, sehingga
distribusi jumlah variable diatas dapat didekati dengan distribusi
normal bila n makin menjadi besar.
Batas

distribusi

binomial

dapat

di

fahami

secara

berangsur-angsur dengan memperhatikan tiga hal pokok sebagai


berikut :
1. Distribusi binomial merupakan sebuah distribusi yang diskrit
sedangkan distribusi normal merupakan sebuah distribusi
yang kontinu, sehingga probabilitas yang dinyatakan dengan
ordinat binomial perlu diganti dengan luas binomial karena
luas selalu dipakai untuk menyatakan probabilitas dalam
distribusi yang kontinu.
2. Skala X perlu diganti dengan skala Z agar tidak terjadi proses
bergerak dan mendatar bila n berangsur-angsur menjadi
besar.

3. Pendekatan secara normal terhadap probabilitas binomial


dapat dilakukan dengan menghitung luas yang terdapat
dibawah kurva normal.
Jumlah probabilitas atau luas yang terdapat diantara
kurva dan sumbu X adalah sama dengan 1. Hal demikian dapat
dilihat pada diagram dibawah ini :
f(x)

Probabilitas variable random X merupakan nilai antara a


dan b dan dapat dinyatakan sebagai daerah bergaris dari kurva
diagram 3.1 diatas. Pada gambar diatas, p(X = a ) = 0 karena
luas a dianggap sama dengan garis f(a) yang memiliki lebar
sama dengan 0. Hal tersebut berbeda sekali dengan probabilitas
yang dinyatakan dengan ordinat distribusi yang diskrit sebab p(X
= a) dimana a = 5 tidak usah sama dengan 0.
Penerapan fungsi kontinu terhadap distribusi binomial
dapat dilakukan dengan penggunaan luas untuk menyatakan
probabilitas yang biasanya dinyatakan dengan ordinat. Tiap
ordinat dari distribusi binomial diganti dengan luas empat persegi
panjang yang berpusat pada X dan yang memiliki lebar sama

dengan satu unit serta memiliki tinggi sama dengan ordinat


binomial yang asal, untuk lebih jelasnya dapat dilihat pada
diagram dibawah ini
Diagram 3.2. Hubungan antara probabilitas luas dengan ordinat.
f(x-1)
f(x)
f(x+1)

X-1

X- 1 2

X+1

X1

X - 12

X + 12

Probabilitas dinyatakan dengan ordinat

Setiap

perubahan

pada

X+1

X + 12

Probabilitas dinyatakan dengan luas

variable

random

akan

mengakibatkan proses bergerak. Satu cara untuk membendung


gerakan tersebut ialah dengan menciptakan sebuah variable
baru, yaitu Y = X np.
Distribusi variable baru Y memiliki np = 0 dan cara
pemusatanya tidak berbeda dari distribusi normal yang standar.
Selain daripada itu, distribusi variable Y tersebut memiliki =

npq . Kita telah mengetahui bahwa distribusi normal yang


standar memiliki = 0 dan = 1, sehingga variable random Y
yang memiliki = np = 0 dan =
disesuaikan agar nya sama dengan 1.

npq masih perlu

Bila npq > 0, maka Y/ npq akan menghasilkan variable


random baru Z yang memiliki = 1 seperti dalam halnya
distribusi normal yang standar.
Pembuktian :

Z=

npq

np

3.1

npq

Rumus 3.1, sebenarnya sama dengan rumus 1.6 jka np =

dan =

npq .

Sebagai konsekuensi perumusan 3.1 diatas


= Var
npq

2 = Var
=

npq

3.2

1
npq
Var Y =
=1
npq
npq

Sehingga

= 2 = 1 = 1

3.3

Karena 2 merupakan konstanta, dengan sendirinya 2


tidak tergantung pada n sehingga penggunaan variable Z selalu
dapat mengatasi persoaaln gerakan variable X itu sendiri.
Dengan demikian dapat disimpulkan bahwa random
standar Z =

np
npq

memiliki = 0, dan = 1 sedangkan nilai-

nilai tersebut masing-masing akan sama dengan dan dari


distribusi normal yang standar. Bila n menjadi besar, ordinatordinat sentra (tinggai ordinat-ordinat) dari luas grafik probabilitas
Z tidak akan mendatar. Karena = 0, maka proses bergerak

tidak terjadi dank arena = 1, maka perluasan pun tidak


terjadi .
Pendekatan probabilitas binomial dengan luas yang
terdapat dibawah kurva normal dapat dilakukan dengan bantuan
Tabel normal.
Contoh 3.1
Diketahui distribusi binomial memiliki n = 8 dan p =

sedangkan grafiknya dinyatakan seperti dalam diagram dibawah


ini:

= np = 8( 1 2 ) = 4

=
=

npq =

8( 1 2)( 1 2)

2 1,41

Diagram 3.3 Grafik luas distribusi binomial dengan n = 8 dan p =

0,3
0,2
0,1
0

x
1

8 8 12

Bila kita ingin mencari probabilitas 3 sukses atau lebih (


3 ), maka kita harus mengikutsertakan sejumlah luas dari
kesemua empat persegi panjang yang terletak di sisi kanan X =
2 12
Bila kita hanya mengikutsertakan luas yang terdapat di
sisi kanan X = 3, maka kita akan meninggalkan 1 2 daripada p(3)

tidak terhitung. Karena hal tersebut, maka luas batas sisi kiri dari
pada X haruslah 2 1 2 bukan 3
Sesuai dengan 3.1, maka p(X 2 1 2 ) yang kita ingin cari
harus diubah kedalam persamaan yang standar sebagai berikut :

np

Z=

npq

2 12 4

= - 1,06 Sehingga p(X 2) = p(Z > - 1,06)

Dari table luas kurva normal, kita memperoleh hasil


0,3554 + 0,5000 = 0,8554
8

Bila kita cari hasil

b(3|8, 1 2 ) dengan table distribusi

x 3

binomial kumulatif , maka diperoleh hasil sebesar 0,855 dan hasil


tersebut ternyata sesuai benar dengan hasil yang di peroleh dai
pendekatan distribusi binomial dengan menggunakan distribusi
normal diatas.
Bagaimanakah

soal

pencarian

ordinat

ekstrimnya

(extreme ordinate)? Bila distribusi binomial memiliki n = 8 dan p =


1

, berapakah p(8)? Batas sisi kiri dari empat persegi panjang

yang dipusatkan pada X = 8 ialah 7 1 2 maka


Z=

7 12 4
= 2,47
2

Sesuai dengan kurva table normal, maka 0,5000 0,4932 =


0,0068
Bila kita hitung p(8), maka kita akan memperoleh hasil
sebagai berikut :
( 12 ) 8 =

1
0,0039
256

Pada dasar, luas sisi kanan p(8) akan dan luas


yang tiada seberapa besar ini dapat dianggap sebagai sebagian
daripada p(8).
Sudah jelas, bahwa beda absolute dari hasil kedua
hitungan di atas tidaklah besar. Tetapi berbeda secara % dari
kedua hasil hitungan diatas hampir mendekati 75 %.
Bagaimanakah dengan penghitungan ordinat sentralnya ?
Bila distribusi binomial memiliki n = 8 dan p =

, berapakah

p(4)? Batas empat persegi panjang bagi p(4) ialah X = 3 1 2 dan X


= 4 1 2 sehinga,
Z=

3 12 4
2

Z=

4 12 4
2

- 0,35 dan

+ 0,35

Sesuai dengan table luas kurva normal, maka luas Z =


0,35 ialah 0,1368 sehingga p(4) = 2(0,1368) = 0,2736

penghitungan binomialnya akan menghasilkan p(4) = ( 1 2 ) 8 =


4
0,2734
Sudah jelas bahwa beda hasil kedua hitungan diatas, baik
secara absolute maupun secara persentasi tidaklah besar dan
jauh lebih kecil dibandingkan dengan beda mengenai kedua
perhitungan ordinat ekstrim
Contoh 3.2
Bila 12 keping uang logam dilempar sekali, berapakah
probabilitas timbulnya 5 sisi 0 ? pada persoalan diatas, kita
memperoleh n = 12, X = 5 dan p =

Sesuai dengan perumusan binomial, kita memperoleh


b(5|12,

12 1 5 1 7
x ( 2 ) ( 2 )
5

) =

= 792/4096 0,1934
Bila kita ingin melakukan pendekatan terhadap distribusi
binomial diatas dengan kurva normal, maka sebenarnya kita
harus menghitung luas sementara X = 4 1 2 dan X = 5 1 2 .
np = 12( 1 2 ) = 6 dan

= 12( 1 2)( 1 2) = 1,732


Sehingga
Z=

4,5 6
5,5 6
= 0,87 dan Z =
= - 0,29
1,732
1,732

Sesuai dengan table luas kurva normal maka


Z(- 0,87) = 0,3078
Table 10.3.1 Distribusi binomial dengan n = 10 dan p =

Z = (- 0,29) = 0,1141
Sehingga
0,3078 0,1141 = 0,1937
Contoh 3.3
Terapkanlah sebuah distribusi normal kumulatif bagi
distribusi binomial kumulatif bila diketahui bahwa n = 10 p =

Sesuai dengan rumus 8.2.1, kita dapat menghitung hasil X =


0,1,2,..,10 dimana n = 10 dan p =

. Hasil penghitungan f(x) dan

F(x) nya dapat diikuti dalam table 3.1 di bawah ini.


Pendekatan distribusi binomial dengan distribusi normal
dapat dilakukan sebagai berikut :
np = 10 x

=5

npq =

( 1 2)( 1 2)10 = 1,581

X
0
1
2
3
4
5
6
7
8
9
10

f(x)
0,001
0,10
0,044
0,117
0,205
0,246
0,205
0,117
0,044
0,010
0,001

F(x)
0,002
0,022
0,055
0,273
0,377
0,623
0,828
0,945
0,989
0,999
1,000

Sesuai dengan rumus 3.1, kita peroleh persamaan


hubungan antara X dan Z sebagai berikut :
Z=

5
1,581

Nilai-nilai bagi Z,X dan F(x) dapat diikuti dalam table 10.3.2
Table 3.2 hasil pendekatan distribusi binomial n = 10 dan p =
dengan distribusi normal
Z
-3,0
-2,5
-2,0
-1,5
-1,0
-0,5
0
0,5
1,0
1,5
2,0
2,5
3,0

X
0,257
1,048
1,838
2,628
3,419
4,210
5,000
5,791
6,581
7,372
8,162
8,953
9,743

F(x)
0,0013
0,0062
0,0227
0,0668
0,1587
0,3085
0,5000
0,6915
0,8413
0,9332
0,9773
0,9938
0,9987

Contoh Soal :
1. Penghasilan mingguan sekelompok besar manager madya
terdistribusi secara normal dnan rata-rata hitung $1.000 dan
standar deviasi $1.00
a. Berapa Probabilitas bahwa suatu penghasilan mingguan
tertentu yang dipilih secara acak akan terletak diantara $790
dan $1.000 ?
b. Berapa probabilitas penghasilan adalah kurang dari $790 ?
Jawab
Rumus =

Z=

X = 790
Diketahui : = 1.000
= 100
Z=

790 1.000
210
=
= -2,10
100
100

a. Daerah kurva normal antara dan X untuk suatu nilai z = 2,10 adalah 0,4821. Tanda minus didepan angka 2,10
menunjukan bahwa daerah tersebut terletak di sebelah kiri
rata-rata hitung
b. Rata-rata hitung membagi kurva normal kedalam dua bagian
yang identik. Daerah disebelah kiri rata-rata hitung adalah
0,5000, dan daerah disebelah kanan bawah rata-rata hitung
pun adalah 0,5000 karena daerah dibawah kurva antara 790
dan 1.000 adalah 0,4821, daerah dibawah 790 dapat
diperoleh dengan cara mengurangi 0,5000. Oleh 0,4281.
Jadi, 0,5000-0,4281 = 0,0179

Dapat dilihat dalah sebuah diagram dibawah ini


0,5000

0,5000

0,0179

-2,10

0,4821

2. Penghasilan mingguan PT. indokomputer terdistribusi secara


normal dan rata-rata hitung $1.000 dan standar deviasi $1.00,
Berapa persen penghasilan mingguan $1,245 atau lebih ?
Jawab

Z=

Rumus =

X = 1.245
Diketahui = = 1.000
= 100

Z=

1.245 1000
245
=
= 2,45
100
100

Daerah yang berhubungan dengan nilai Z = 2,45 adalah 0,4929.


Secara logika daerah untuk $1.245 dan seterusnya diperoleh
dengan mengurangi 0,5000 oleh 0,5929. Daerah ini adalah
0,0071, menunjukan bahwa hanya 0,71 persen PT Indokomputer
berpenghasilan mingguan $1.245 atau lebih

Dapat dilihat menggunakan diagram dibawah ini


0,5000

0,5000

=$100

0,4929

$1.000
0

0,0071
0

3. Suatu produsen ban ingin menetapkan garansi dalam bentuk mil


jarak tempuh bagi ban baru mereka MX100. Pengujian daya
tahan menunjukan bahwa rata-rata hitung mil-nya adalah 47.900
mil dan standar deviasinya adalah 2.050 mil. Produsen ingin
menetapkan mil garansi sedemikian rupa sehingga tidak lebih
dari 5 persen ban yang harus diganti. Berapa mil garansi yang
haris di umumkan oleh produsen tersebut ?
Jawab

Rumus =

Z=

= 47.900
Diketahui =
= 2.050

Sebelumnya bisa kita lihat menggunakan diagram dibawah ini

0,5000
Ban diganti jika
ban tersebut tidak
mencapai
besar
mil berikut ini

5% atau 0,0500

0,4500

X?
Z=

47.900

Skala mil

47.900
2.050

Ada dua nilai yang tidak diketahui, Z dan X. Untuk


menemukan nilai Z, perhatikan bahwa daerah dibawah kurva
normal sebelah kiri dari X adalah 0,0500. Dengan mengunakan
logika, bahwa daerah antara dan X adalah 0,4500, diperoleh
dari 0,5000-0,0500.Carilah dalam table untuk daerah yang paling
mendekati 0,4500.yaitu 0,4505 dan 0,4495. Maka diketahui
bahwa nilai Z adalah 1,645.
Lalu kita mencari nilai X :
Z=
-1,645 =

47.900
2.050
47.900
2.050

-1,645(2.050) = X 47.900

X = 44.528 mil
Jadi perkiraan garansi ban yang akan di berikan adalah
max sampai di angka 44.528 mil
SOAL SOAL LATIHAN
1. Suatu sampel random terdiri dari 50 buku telah diplih guna di
chek dari populasi yang dianggap tidak terbatas dan terdiri dari
semua buku yang ada di Perpustakaan. Dari hasil pengecekan itu
diketahui rata-rata peminjaman per mahasiswa ialah 300 kali,.
Jika dianggap deviasi standar dari peminjaman buku di
perpustakaan 70 kali, maka buatlah interval keyakinan sebesar
95% untuk menduga rata-rata peminjaman buku permahasiswa ?
2. Penghasilan mingguan pedagang Buah terdistribusi secara
normal dnan rata-rata hitung Rp10.000 dan standar deviasi
Rp500. Berapakah nilai z untuk penghasilan X Rp15.000 ? untuk
X Rp 600 ?
3. Penghasilan mingguan sekelompok besar manager PT. Maju
mundur terdistribusi secara normal dnan rata-rata hitung $5.000
dan standar deviasi $4.00
a) Berapa Probabilitas bahwa suatu penghasilan mingguan
tertentu yang dipilih secara acak akan terletak diantara $650
dan $8.000 ?
b) Berapa probabilitas penghasilan adalah kurang dari $650 ?
4. Penghasilan mingguan PT. Singkong terdistribusi secara normal
dan rata-rata hitung $8.000 dan standar deviasi $3.00, Berapa
persen penghasilan mingguan $2,145 atau lebih ?
5. Suatu produsen Aki ingin menetapkan garansi dalam lama
pemakaian aki YUASA. Pengujian daya tahan menunjukan
bahwa rata-rata hitung pemakian adalah 576 hari dan standar
deviasinya adalah 150 hari. Produsen ingin menetapkan lama

garansi sedemikian rupa sehingga tidak lebih dari 5 persen Aki


yang harus diganti. Berapa lama garansi yang harus di umumkan
oleh produsen tersebut ?

XII. PENDUGAAN PARAMETER

A. INFERENSI STATISTIK
Inferensi

statistik

mencakup

semua

metode

yang

digunakan dalam penarikan kesimpulan atau generalisasi


mengenai populasi. Inferensi statistik dapat dikelompokkan
dalam 2 bidang utama:
1. PENDUGAAN PARAMETER
Contoh :
Seorang calon dalam suatu pemilihan ingin menduga
proporsi yang sebenarnya pemilih yang akan memilihnya,
dengan cara mengambil 100 orang secara acak untuk ditanyai
pendapatnya. Proporsi pemilih yang menyukai calon tersebut
dapat digunakan sebagai dugaan bagi proporsi populasi yang
sebenarnya.
2. PENGUJIAN HIPOTESIS
Contoh :
Seorang peneliti masalah kedokteran diminta untuk
memutuskan,

berdasarkan

bukti-bukti

hasil

percobaan,

apakah suatu vaksin baru lebih baik daripada yang sekarang


beredar di pasaran.
Seorang insinyur ingin memutuskan, berdasarkan data
contoh apakah ada perbedaan ketelitian antara dua jenis alat
ukur.
Metode Pendugaan Parameter suatu

populasi dapat

dibedakan menjadi dua :


1. METODE PENDUGAAN KLASIK
Pendugaan dilakukan berdasarkan sepenuhnya pada
informasi sampel yang diambil dari populasi.

2. METODE PENDUGAAN BAYES


Pendugaan dengan menggabungkan informasi yang
terkandung dalam sampel dengan informasi lain yang telah
tersedia sebelumnya yaitu pengetahuan subyektif mengenai
distribusi probabilitas parameter.

B. METODE PENDUGAAN KLASIK

yang digunakan untuk memperoleh sebuah


Statistik
dugaan bagi parameter populasi disebut penduga atau fungsi
keputusan.

Sedangkan

adalah

sebuah

nilai

dugaan

berdasarkan sampel acak berukuran n.


Misal: Fungsi keputusan S2 (yang merupakan fungsi dari sampel
acak yang bersangkutan) adalah suatu penduga bagi 2 ,
sedangkan nilai dugaan s2 merupakan realisasinya.
Sifat-sifat yang seharusnya dimiliki oleh penduga :
1. TAKBIAS

dikatakan penduga takbias bagi parameter


Statistik

bila

) .
E (
2. EFISIEN
Diantara

semua kemungkinan penduga tak

bias bagi

, yang ragamnya terkecil adalah penduga paling


efisien bagi .
parameter

Dugaan parameter dapat dibagi menjadi :


1. DUGAAN TITIK
Menentukan suatu

bilangan

tunggal berdasarkan sampel

sebagai penduga dari parameter.

2. DUGAAN SELANG
Menentukan suatu interval nilai yang dengan peluang tertentu,
(1-), diharapkan memuat parameter yang diduga.

Jika

parameter

populasi,

dugaan

selang

dapat

dinyatakan dengan : (untuk 0 < < 1)


) 1
P(
1
2
Selang

1 2 , yg dihitung dari sampel yg terpilih,

disebut selang kepercayaan / interval keyakinan / confidence


interval 100(1-)% untuk parameter tersebut. nilai pecahan 1-
disebut koefisien kepercayaan / derajat kepercayaan / tingkat
keyakinan (konfidensi).
C. PENDUGAAN MEAN
Penduga titik bagi mean populasi adalah statistik X .
Bila x adalah mean sampel acak berukuran n yang diambil dari
suatu populasi dengan ragam 2 diketahui

maka selang

kepercayaan 100(1-)% bagi adalah

x z 2

x z 2

Dengan z / 2 adalah nilai z yang luas daerah di sebelah


kanan di bawah kurva normal standard adalah

/2.

CATATAN:
Jika 2 tidak diketahui, tetapi sampel berukuran besar
(n30), 2 dapat diganti dengan s2.
Adapun penduga selang kepercayaan 100(1-)% bagi
untuk sampel kecil (n<30); bila 2 tidak diketahui adalah

x t( n1, 2 )

s
s
x t( n1, 2 )
n
n

Dengan t( n1, / 2) adalah nilai t yang luas daerah di sebelah


kanan di bawah kurva seluas / 2 .
SOAL 1 :
Rata-rata Indeks Prestasi (IP) sampel acak 36 mahasiswa tingkat
sarjana adalah 2,6. Hitunglah selang kepercayaan 95% dan 99%
untuk rata-rata IP semua mahasiswa tingkat sarjana. Anggap
simpangan baku populasinya 0,3.
SOAL 2 :
Isi 7 botol asam sulfat (liter) adalah
9,8

10,2 10,4

9,8

10

10,2

9,6

Carilah selang kepercayaan 95% untuk rata-rata isi semua botol bila
distribusinya dianggap normal.
UKURAN SAMPEL BAGI PENDUGAAN
Bila

x digunakan untuk menduga , kita yakin 100(1-)%

bahwa galatnya tidak akan melebihi z 2

. Seringkali kita ingin

mengetahui berapa besar sebuah sampel harus diambil agar galat


dalam menduga tidak melebihi suatu nilai tertentu e. Ini berarti kita
harus menentukan n sehingga z 2
Jadi, bila

x digunakan

= e.

untuk menduga , kita yakin 100(1-

)% bahwa galatnya tidak akan melebihi suatu nilai tertentu e, bila


ukuran sampelnya diambil sebesar
z
n 2
e

Bila hasilnya bernilai pecahan, harus dibulatkan ke bilangan


bulat berikutnya yang lebih besar. Jika ragam populasi tidak

diketahui, suatu sampel awal berukuran n30 dapat diambil untuk


memberikan dugaan bagi .
SOAL 3 :
Seberapa besar sampel harus diambil dalam contoh 1, bila kita ingin
percaya 95% bahwa nilai dugaan kita tidak menyimpang dari lebih
dari 0,05 ?

D. PENDUGAAN SELISIH DUA MEAN


Bila kita mempunyai dua populasi saling bebas dengan
mean 1 dan 2 dan ragam 12 dan 22 maka penduga titik bagi
selisih antara 1 dan 2 diberikan oleh statistik X 1 X 2 . Bila x1
dan

x 2 masing-masing adalah mean sampel acak bebas

berukuran n1 dan n2 yang diambil dari populasi dengan ragam 12


dan 22 diketahui, maka selang kepercayaan 100(1-)% bagi 12 adalah
( x1 x2 ) z 2

12
n1

22
n2

1 2 ( x1 x2 ) z 2

12
n1

22
n2

Dengan z / 2 adalah nilai z yang luas daerah di sebelah


kanan di bawah kurva normal standard adalah

/2.

CATATAN:
Jika 12 dan 22 tidak diketahui, tetapi n1 dan n2 lebih
besar dari 30, maka 12 dan 22 dapat diganti dengan s12 dan s22.
Adapun penduga selang kepercayaan100(1-)% bagi 12 untuk sampel kecil; bila 12=22 tapi nilainya tidak diketahui
adalah
( x1 x2 ) t 2 s p

1
1

1 2 ( x1 x2 ) t 2 s p
n1 n2

1
1

n1 n2

Dengan derajat bebas untuk distribusi t = v =n1 + n2 2 dan


s 2p

(n1 1) s12 (n2 1) s22 .


n1 n2 2

Selang kepercayaan 100(1-)% bagi 1-2 untuk sampel


kecil; bila 1222 tapi nilainya tidak diketahui
( x1 x2 ) t 2

s12 s22

1 2 ( x1 x2 ) t 2
n1 n2

s12 s22

n1 n2

Dengan derajat bebas untuk distribusi t adalah


v

[( s12 n1 ) 2

( s12 n1 s22 n2 ) 2
.
(n1 1)] [( s22 n2 ) 2 (n2 1)]

Bila kita mempunyai dua populasi yang tidak saling bebas


(berpasangan), selang kepercayaan 100(1-)% bagi D=1-2
untuk pengamatan berpasangan tersebut adalah

d t ( n1, 2 )

sd
n

D d t ( n1, 2 )

sd
n

SOAL 4 :
Suatu ujian kimia diberikan kepada 50 siswa wanita dan 75 siswa
laki-laki. Siswa perempuan mendapat nilai rata-rata 76 dengan
simpangan baku 6, sedangkan siswa laki-laki memperoleh rata-rata
82 dengan simpangan baku 8. Tentukan selang kepercayaan 96%
bagi selisih rata-rata nilainya.
SOAL 5 :
Suatu penelitian ingin menaksir selisih banyaknya bahan kimia
ortofosfor yang diukur pada dua stasiun yang berlainan di suatu
sungai. Sampel berukuran 15 dikumpulkan dari stasiun-1 dan Sampel
berukuran 12 dikumpulkan dari stasiun-2. Dari stasiun-1 diperoleh
rata-rata kadar ortofosfor 3,84 mg perliter dan simpangan baku 3,07
mg perliter, sedangkan dari stasiun-2 diperoleh rata-rata kadar

ortofosfor 1,49 mg perliter dan simpangan baku 0,80 mg perliter. Cari


selang kepercayaan 95% untuk selisih rata-rata kadar fosfor
sesungguhnya

pada kedua

stasiun

tersebut,

anggap

bahwa

pengamatan berasal dari populasi normal dengan varians yang


berbeda.
SOAL 6 :
Data berikut (dalam hari), menyatakan waktu yang diperlukan
penderita sampai sembuh. Penderita dipilih secara acak untuk
mendapat salah satu dari obat yang dapat menyembuhkan infeksi
berat pada saluran kencing .
Obat 1
n1 = 14
x1 = 17
s12 = 1,5

Obat 2
n2 = 16
x2 = 19
s22 = 1,8

Buat selang kepercayaan 99% untuk selisih rata-rata waktu sembuh


untuk kedua obat tersebut, anggap populasinya berdistribusi normal
dengan varians yang sama.

SOAL 7 :
Dua puluh mahasiswa tingkat satu dibagi menjadi 10 pasang, setiap
pasang kira-kira mempunyai IQ yang sama. Salah seorang dari
setiap pasangan diambil secara acak dan dimasukkan ke dalam
kelas yang menggunakan bahan terprogramkan. Anggota pasangan
yang lain dimasukkan ke dalam kelas biasa. Pada akhir semester
kedua kelompok tersebut diberikan ujian yang sama dan hasilnya
sebagi berikut :
Pasangan

Bhn Terprogram

Kelas Biasa

76

81

60

52

85

87

Tentukan

58

70

91

86

75

77

82

90

64

63

79

85

10

88

83

selang

kepercayaan

98%

bagi

selisih

rata-rata

sesungguhnya nilai ujian untuk kedua metode pengajaran tersebut.


E. PENDUGAAN PROPORSI
Penduga titik bagi proporsi p dalam suatu percobaan
binomial diberikan oleh statistik

P X / n , sedangkan X

menyatakan banyaknya keberhasilan dalam n ulangan. Dengan

x / n akan digunakan sebagai


demikian, proporsi sampel p
nilai dugaan titik bagi parameter p tersebut.
Bila p adalah proporsi keberhasilan dalam suatu sampel

, maka selang Kepercayaan


acak berukuran n, dan q 1 p
100(1-)% bagi p untuk sampel besar adalah

p z 2

p q
p p z 2
n

p q
n

Dengan z / 2 adalah nilai z yang luas daerah di sebelah


kanan di bawah kurva normal standard adalah

/2.

SOAL 8 :
Dari suatu sampel acak 500 keluarga yang memiliki TV disebuah
kota kecil, ditemukan bahwa 340 memiliki TV berwarna. Carilah

selang kepercayan 95% bagi proporsi sesungguhnya dari keluarga


yang memiliki TV berwarna di kota tersebut.

UKURAN SAMPEL BAGI PENDUGAAN p


Bila p digunakan untuk menduga p, maka kita percaya
100(1-)% bahwa galatnya tidak lebih besar dari

z 2

p q .
n

Seringkali kita ingin mengetahui berapa besar sebuah sampel harus


diambil agar galat dalam menduga p tidak melebihi suatu nilai
tertentu e. Ini berarti kita harus menentukan n sehingga z

p q = e.
n

Jadi, apabila p digunakan untuk menduga p, maka kita


percaya 100(1-)% bahwa galatnya tidak akan melebihi suatu
besaran tertentu e bila ukuran sampelnya diambil sebesar

q
z2 p
2

e2

Bila informasi awal tentang dugaan nilai bagi p tidak dipunyai, dapat
digunakan rumus
z2
2 .
n
4e 2
SOAL 9 :
Dari contoh 8, berapa ukuran sampel yang diperlukan agar dugaan p
meleset kurang dari 0,02 dengan kepercayaan 95% ?
F. PENDUGAAN SELISIH DUA PROPORSI
Bila p 1 dan p 2 masing-masing adalah proporsi
keberhasilan dalam sampel acak yang berukuran n1 dan n2 serta
q1 1 p1 dan q 2 1 p 2 , maka penduga titik bagi selisih
antara kedua proporsi populasi p1 p2 adalah

p1 p 2 .

Sedangkan selang kepercayaan 100 (1-)% bagi p1 - p2 untuk


sampel besar adalah

( p 1 p 2 ) z 2

p 1q1 p 2 q 2
p q p q

p1 p 2 ( p 1 p 2 ) z 2 1 1 2 2
n1
n2
n1
n2

Dengan z / 2 adalah nilai z yang luas daerah di sebelah


kanan di bawah kurva normal standard adalah / 2 .
SOAL 10 :
ari suatu sampel acak 500 keluarga yang memiliki TV disebuah kota
kecil, ditemukan bahwa 340 memiliki TV berwarna. Carilah selang
kepercayan 95% bagi proporsi sesungguhnya dari keluarga yang
memiliki TV berwarna di kota tersebut.
SOAL 11 :
Suatu obat baru dibuat untuk mengurangi ketegangan syaraf. Dari
sampel acak 100 orang yang menderita ketegangan syaraf
menunjukkan bahwa 70 orang merasa tertolong oleh obat tersebut.
Buat selang kepercayaan 95% bagi proporsi sesungguhnya penderita
ketegangan syaraf yang tertolong oleh obat tersebut.
SOAL 12 :
Suatu pengumpulan pendapat umum dilakukan terhadap penduduk
kota

dan

di

pinggiran

kota

untuk

menyelidiki

kemungkinan

didirikannya suatu pabrik kimia. Ternyata 2400 di antara 5000


penduduk kota, dan 1200 di antara 2000 penduduk di pinggiran kota
menyetujui rencana tersebut. Buat selang kepercayaan 90% bagi
selisih proporsi sebenarnya yang menyetujui rencana tersebut.

G. PENDUGAAN VARIANS
Bila s

adalah penduga titik bagi varians sampel acak

berukuran n yang diambil dari suatu populasi normal dengan


varians 2, maka selang kepercayaan 100(1-)% bagi 2 adalah
(n 1) s 2

2
( n 1, 2 )

Dengan

(n 1) s 2

(2n1,1

2)

(2n 1, / 2) adalah nilai 2 dengan derajad bebas v =

n-1 yang luas daerah di sebelah kanannya sebesar

/2.

SOAL 13 :
Seorang

peneliti

yakin

bahwa

alat

pengukurnya

mempunyai

simpangan baku = 2. Dalam suatu eksperimen dia mencatat


pengukuran 4,1; 5,2; 10,2. Buat selang kepercayaan 90% bagi .
Apakah data ini sesuai dengan asumsinya ?
H. PENDUGAAN RASIO DUA VARIANS
2
2
Bila s1 dan s 2 masing-masing adalah varians sampel

acak bebas berukuran n1 dan n2 yang diambil dari populasi


normal dengan varians

12 dan 22 , maka penduga titik bagi

2 2
rasio 12 / 22 adalah s1 / s 2 , dan selang kepercayaan 100(1-

)% bagi 12/22 adalah


s12
1
12 s12

f ( v ,v )
s22 f 2( v1 ,v2 ) 22 s22 2 2 1

Dengan f / 2(v , v ) adalah nilai f untuk derajad bebas


1 2
v1 dan v2 yang luas daerah di sebelah kanannya sebesar

/2.

SOAL 14 :
Berdasarkan contoh soal nomor 4, buat selang kepercayaan 98%
untuk 12/22. Apakah anggapan bahwa 1222 dapat dibenarkan ?
SOAL SOAL LATIHAN :
1.

Sampel acak 8 batang rokok merk tertentu mempunyai kadar


nikotin rata-rata 2,6 mg dengan simpangan baku 0,9 mg. Buat
selang kepercayaan 99% untuk rata-rata kadar nikotin yg
sesungguhnya rokok merk tersebut.

2.

Berdasarkan soal no 1, buat selang kepercayaan 95% untuk 2.

3.

Dalam suatu makalah disebutkan bahwa kandungan unsur


penting dalam tomat segar dan kalengan ditentukan dengan
menggunakan spektrofotometer penyerapan atom. Kandungan
tembaga dalam tomat segar dibandingkan dengan kandungan
tembaga dalam tomat yang sama setelah dikalengkan dicatat,
dan hasilnya sebagai berikut :
Tomat

Segar

Kaleng

0,066

0,085

0,079

0,088

0,069

0,091

0,076

0,096

0,071

0,093

0,087

0,095

0,071

0,079

0,073

0,078

0,067

0,065

10

0,062

0,068

Cari selang kepercayaan 98% untuk selisih sesungguhnya ratarata kandungan tembaga dalam tomat segar dan kaleng bila
selisihnya dianggap berdistribusi normal.
4.

Misalkan sampel random terdiri dari pasien yang diberi tablet


baru. Setelah 24 jam, diperoleh kenyataan bahwa dari 80 pasien
yang diberi tablet baru tersebut, 56 orang diantaranya sembuh.
Buat selang kepercayaan 95% bagi proporsi semua pasien yang
akan sembuh dengan tablet tersebut.

5.

Suatu sampel acak 140 kaleng susu merk Enak yang masingmasing berlabel isi 500 gram, diperoleh berat rata-rata 480
gram dengan simpangan baku 150 gram. Berdasarkan data
tersebut, buat selang kepercayaan 99% untuk rata-rata yang
sesungguhnya isi kaleng tersebut. Dapatkah berat menurut label
tersebut dianggap benar ?

6.

Dalam suatu larutan proses kimia, dua katalisator ingin


dibandingkan pengaruhnya terhadap hasil proses reaksi. Sampel
yang terdiri dari 12 larutan disiapkan menggunakan katalisator A
dan sampel dengan 10 larutan menggunakan katalisator B.
Katalisator A menghasilkan rata-rata 85 dengan simpangan baku
4, dan katalisator B menghasilkan rata-rata 81 dengan
simpangan baku 7. Buat selang kepercayaan 90% untuk 12/22,
anggap populasinya berdistribusi normal.

7.

Dari soal nomor 6, buat selang kepercayaan 90% untuk selisih


rata-rata kedua populasi.

8.

Penelitian dilakukan terhadap penderita tukak lambung di kota


Malang dan Surabaya. Hasil penelitian menunjukkan bahwa dari
50 orang penderita di Malang didapat 20 orang menggunakan
obat Aldin, sedangkan dari 75 orang penderita di Surabaya
didapat 45 orang menggunakan obat tersebut. tentukan interval

kepercayaan 90% bagi selisih proporsi sebenarnya penderita


yang mengkonsumsi obat Aldin dari Surabaya dan Malang.

XIII. PENGUJIAN HIPOTESIS


Beberapa Definisi penting dalam uji hipotesis:
(1) Uji Hipotesis
Proses pembuatan keputusan untuk mengevaluasi klaim
mengenai populasi
Hipotesis Statistik: pernyataan atau dugaan mengenai satu
atau lebih populasi.
Hipotesis :
Ho : hipotesis dugaan sementara, biasanya ditandai dengan
=, , atau bergantung apakah hipotesis satu sisi atau
dua sisi.
H1 : lawan dari Ho

Pengujian hipotesis berhubungan dengan penerimaan atau


penolakan suatu hipotesis.
Kebenaran (benar atau salahnya ) suatu hipotesis tidak akan
pernah diketahui dengan pasti, kecuali kita memeriksa

seluruh

populasi.

(Memeriksa

seluruh

populasi?

Apa

mungkin?)
Lalu apa yang kita lakukan, jika kita tidak mungkin memeriksa
seluruh

populasi

untuk

memastikan

kebenaran

suatu

hipotesis?
Kita dapat mengambil contoh acak, dan menggunakan
informasi (atau bukti) dari contoh itu untuk menerima atau
menolak suatu hipotesis.
Penerimaan suatu hipotesis terjadi karena TIDAK CUKUP BUKTI
untuk MENOLAK hipotesis tersebut dan BUKAN karena HIPOTESIS
ITU BENAR
dan
Penolakan suatu hipotesis terjadi karena TIDAK CUKUP BUKTI
untuk MENERIMA hipotesis tersebut dan BUKAN karena HIPOTESIS
ITU SALAH.
Landasan penerimaan dan penolakan hipotesis seperti ini,
yang

menyebabkan

para

statistikawan

atau

peneliti

mengawali pekerjaan dengan terlebih dahulu membuat


hipotesis yang diharapkan ditolak, tetapi dapat membuktikan
bahwa pendapatnya dapat diterima.
Perhatikan contoh-contoh berikut :
Contoh 1.
Sebelum tahun 1993, pendaftaran mahasiswa Universtas GD
dilakukan dengan pengisian formulir secara manual.

Pada tahun

1993, PSA Universitas GD memperkenalkan sistem pendaftaran


"ON-LINE".

Seorang Staf PSA ingin membuktikan pendapatnya bahwa rata-rata


waktu pendaftaran dengan sistem ON-LINE akan lebih cepat
dibanding

dengan

sistem

yang

lama

Untuk

membuktikan

pendapatnya, ia akan membuat hipotesis awal, sebagai berikut :

Hipotesis Awal : rata-rata waktu pendaftaran SISTEM "ON-LINE"


sama saja dengan SISTEM LAMA.

Staf PSA tersebut akan mengambil contoh dan berharap hipotesis


awal ini ditolak, sehingga pendapatnya dapat diterima!

Contoh 2 :
Manajemen PERUMKA mulai tahun 1992, melakukan pemeriksaan
karcis KRL lebih intensif dibanding tahun-tahun sebelumnya,
pemeriksaan karcis yang intensif berpengaruh positif terhadap
penerimaan PERUMKA. Untuk membuktikan pendapat ini, hipotesis
awal yang diajukan adalah :

Hipotesis Awal : TIDAK ADA PERBEDAAN penerimaan SESUDAH


maupun SEBELUM dilakukan perubahan sistem
pemeriksaan karcis.

Manajemen berharap hipotesis ini ditolak, sehingga membuktikan


bahwa pendapat mereka benar!

Contoh 3.
(Kerjakan sebagai latihan!!!)
Eko Nomia S.Kom., seorang system analis memperbaiki sistem
pembebanan

biaya

di

perusahaan

tempatnya

bekerja.

Ia

berpendapat setelah perbaikan sistem pembebanan biaya pada


produk maka rata-rata harga produk turun. Bagaimana ia menyusun
hipotesis awal penelitiannya?

Hipotesis Awal : .........?


Hipotesis Awal yang diharap akan ditolak disebut : Hipotesis Nol
( H0 )
Penolakan

H0 membawa kita pada penerimaan Hipotesis

Alternatif ( H1 ) (beberapa buku menulisnya sebagai H A )


Nilai Hipotesis Nol ( H0 ) harus menyatakan dengan pasti nilai
parameter.

H0 ditulis dalam bentuk persamaan


Sedangkan Nilai Hipotesis Alternatif ( H1 ) dapat memiliki beberapa
kemungkinan.

H1 ditulis dalam bentuk pertidaksamaan (< ; > ; )


Contoh 4.(lihat Contoh 1.)
Pada sistem lama, rata-rata waktu pendaftaran adalah 50 menit Kita
akan menguji pendapat Staf PSA tersebut, maka Hipotesis awal dan
Alternatif yang dapat kita buat :

H0 : = 50 menit (sistem baru dan sistem lama tidak berbeda)

H1 : 50 menit (sistem baru tidak sama dengan sistem lama)


atau

H0 : = 50 menit (sistem baru sama dengan sistem lama)


H1 : < 50 menit ( sistem baru lebih cepat)

Contoh 5 (lihat Contoh 2.)


Penerimaan PERUMKA per tahun sebelum intensifikasi pemeriksaan
karcis dilakukan = Rp. 3 juta. Maka Hipotesis Awal dan Hipotesis
Alternatif dapat disusun sebagai berikut :

H0 : = 3 juta (sistem baru dan sistem lama tidak berbeda)

H1 : 3 juta (sistem baru tidak sama dengan sistem lama)


atau

H0 : = 3 juta (sistem baru dan sistem lama tidak berbeda)


H1 : > 3 juta (sistem baru menyebabkan penerimaan per tahun
lebih besar dibanding sistem lama)
Penolakan atau Penerimaan Hipotesis dapat membawa kita pada
2 jenis kesalahan (kesalahan= error = galat), yaitu :
Keadaan sebenarnya
Kesimpulan

Ho Diterima
Ho Ditolak

Ho Benar

Ho Salah

1-
BENAR

1-
BENAR

1. Galat Jenis 1 Penolakan Hipotesis Nol ( H0 ) yang benar


Galat Jenis 1 dinotasikan sebagai
juga disebut
taraf nyata uji
Catatan : konsep dalam Pengujian Hipotesis sama dengan
konsep konsep pada Selang Kepercayaan
2. Galat Jenis 2 Penerimaan Hipotesis Nol ( H0 ) yang salah
Galat Jenis 2 dinotasikan sebagai

Prinsip pengujian hipotesis yang baik adalah meminimalkan nilai


dan
Dalam perhitungan, nilai dapat dihitung sedangkan nilai hanya
bisa dihitung jika nilai hipotesis alternatif sangat spesifik.
Pada pengujian hipotesis, kita lebih sering berhubungan dengan
nilai . Dengan asumsi, nilai yang kecil juga mencerminkan nilai
yang juga kecil.
Catatan : keterangan terperinci mengenai nilai dan , dapat anda
temukan dalam bab 10, Pengantar Statistika, R. E. Walpole)
Prinsip pengujian hipotesa adalah perbandingan nilai statistik uji (z
hitung atau t hitung) dengan nilai titik kritis (Nilai z tabel atau t
Tabel)
Titik Kritis adalah nilai yang menjadi batas daerah penerimaan dan
penolakan hipotesis.
Nilai pada z atau t tergantung dari arah pengujian yang
dilakukan.
(2) Arah Pengujian Hipotesis
Pengujian Hipotesis dapat dilakukan secara :
1. Uji Satu Arah
2. Uji Dua Arah
Uji Satu Arah

Pengajuan H0 dan H1 dalam uji satu arah adalah sebagai


berikut:

H0 : ditulis dalam bentuk persamaan (menggunakan tanda =)


H1 : ditulis dalam bentuk lebih besar (>) atau lebih kecil (<)

Contoh 6.
Contoh Uji Satu Arah
a. H0 : = 50 menit

b. H0 : = 3 juta

H1 : < 50 menit

H1 : < 3 juta

Nilai tidak dibagi dua, karena seluruh diletakkan hanya di


salah satu sisi selang

H0 :

0 *)

H1 :

Wilayah Kritis

**) :

misalkan :

z < z

atau

t <

t( db; )

*) 0 adalah suatu nilai tengah yang diajukan dalam H0


**) Penggunaan z atau t tergantung ukuran contoh
contoh besar menggunakan z; contoh kecil menggunakan t.

-z atau - t(db;)

luas daerah terarsir


ini =

H0 :
H1 :

0 *)
0

Wilayah Kritis **) :

z > z

atau

t > t( db , )

daerah terarsir

daerah tak terarsir

z atau t (db;)
Luas
daerah
terarsir ini =
daerah penolakan hipotesis
daerah penerimaan hipotesis

Uji Dua Arah

Pengajuan H0 dan H1 dalam uji dua arah adalah sebagai


berikut :

H0 : ditulis dalam bentuk persamaan (menggunakan tanda =)


H1 : ditulis dengan menggunakan tanda
Contoh 7.
Contoh Uji Dua Arah
a. H0 : = 50 menit

b. H0 : = 3 juta

H1 : 50 menit

H1 : 3 juta

Nilai dibagi dua, karena diletakkan di kedua sisi selang


misalkan :

H0 :

0 *)

H1 :

Wilayah Kritis

**) :

z < z

dan

z > z

atau

t t( db ,

2)

dan

t t ( db;

2)

*) 0 adalah suatu nilai tengah yang diajukan dalam H0


**) Penggunaan z atau t tergantung ukuran contoh
contoh besar menggunakan z; contoh kecil menggunakan t.

-z /2 atau
-t(db;/2)

z /2 atau
t(db;/2)

luas daerah terarsir


terarsir ini = /2 = 0.5%
daerah terarsir

daerah tak terarsir

luas daerah
ini = /2 = 0.5%
daerah penolakan hipotesis
daerah penerimaan hipotesis

(3) Pengerjaan Uji Hipotesis


7 Langkah Pengerjaan Uji Hipotesis
1.
2*
3*
4*
5.
6.
7.

Tentukan H0 dan H1
Tentukan statistik uji [ z atau t]
Tentukan arah pengujian [1 atau 2]
Taraf Nyata Pengujian [ atau /2]
Tentukan nilai titik kritis atau daerah penerimaan-penolakan H0
Cari nilai Statistik Hitung
Tentukan Kesimpulan [terima atau tolak H0 ]

*) Urutan pengerjaan langkah ke-2, 3 dan 4 dapat saling


dipertukarkan!

Beberapa Nilai z yang penting

z5% z0.05 =1.645


z1% z0.01 = 2.33

z2.5% z0.025 =1.96


z0.5% z0.005 = 2.575

A. Uji Rata-rata

a. Uji Mean Satu Populasi


Ho : o

Ho : = o

ATAU

H1 : < o
Ho : o

Sisi kiri

H1 : < o
Ho : = o

ATAU

H1 : > o

Sisi Kanan

H1 : > o

Ho : = o

Dua sisi

H1 : o
o

adalah

suatu

nilai

tertentu

yaitu

anggapan/claim sebelum dilakukan percoban

nilai

dugaan

Contoh 1.
Sampel random catatan 100 kematian di AS selama tahun lalu
menunjukkan rata-rata mereka berusia 71.8 tahun.

Andaikan

simpangan bakunya 8.9 tahun, apakah ini menunjukkan bahwa


rata-rata usia dewasa ini lebih dari 70 tahun? Gunakan taraf
signifikansi, = 0.05.
1. Ho : = 70
H1 : >70
2. Tolak Ho jika Z > |Z| atau Z > |Z0,05|, yaitu jika Z > 1,645
3. Karena n=100 , =71.8, s=8.9 , maka

71.8 70
2,02
8.9
10

Keputusan Tolak Ho Rata-rata usia dewasa ini lebih dari 70


tahun.
b. Uji Mean Dua Populasi
Bentuk umum
Ho : 1-2 o

ATAU

H1 : 1- 2 < o
Ho : 1-2 o
H1 : 1- 2 > o

Ho : 1-2 =o
H1 : 1- 2 < o

ATAU

Ho : 1-2 =o
H1 : 1- 2 >o

Ho : 1-2 = o
H1 : 1- 2 1 o
Selisih mean pop. 1 dengan pop.2 adalah o
c. Uji Mean Dua Populasi Jika 0=0
Ho : 1 2
H1 : 1 < 2

ATAU Ho : 1 = 2 Sisi kiri


H1 : 1 < 2

Ho : 1 2
H1 : 1 > 2

ATAU Ho : 1 = 2 Sisi Kanan


H1 : 1 > 2

Ho : 1 = 2
H1 : 1 2

Dua Sisi

1 dan 2 adalah nilai mean dari populasi 1 dan 2.

Contoh 2.
Suatu percobaan dilakukan untuk membandingkan keausan, karena
gosokan, dua bahan yang dilapisi.

Dua belas potong bahan diuji

dengan memasukan tiap potong bahan 1 ke dalam mesin pengukur


aus. Sepuluh potong bahan 2 diuji dengan cara yang sama. Dalam
tiap hal, diamati dalamnya keausan,dari bahan 1 diperoleh rata-rata
kausan sebanyak 85 satuan dengan simpang baku 4 sedangkan
sampel bahan 2 memberikan rata-rata keausan sebanyak 81 dengan
simpangan baku 5.

Dengan menggunakan =5%, dapatkah

disimpulkan bahwa keausan bahan 1 melampaui keausan bahan 2


sebanyak lebih dari 2 satuan ? Anggaplah kedua populasi hampir
normal dengan variansi yang sama.
Misalkan 1 dan 2 masing-masing menyatakan rata-rata populasi
keausan bahan 1 dan 2
(1) Ho : 1-2 = 2
H1 : 1-2 >2
(2) = 0.05, Daerah kritis t ( ,v =t (0,.05,,20) =1,725,

x1 85, x 2 81, s1 4, s2 5,
n1 12, n2 10, 0 2, s p 4,478
t hitung

( x1 x 2 ) 2
42

1,04
sp 1 1
4,478 1 1
n1
n2
12
10

Karena thitung < t

(0,.05,,20)

=1.725, maka keputusannya menerima Ho,

Jadi selisih keausan bahan 1 dan bahan 2 tidak lebih dari 2 satuan.

Contoh 3
Dalam makalah influence of Physical Restraint and RestraintFacilitating Drugs on Blood Measurements of White-Tailed Deer and
Other Selected Mammals Virginia Politechnic Institut And State
University

(1976),

J.A

Wesson

memeriksa

pengaruh

obat

succinylcholine terhadap kadar peredaran androgen dalam darah.


Sampel darah dari rusa liar yang hidup bebas diambil melalui
uratnadi leher segera setalah suntikan succinylcholine pada otot
menggunakan panah dan senapan penangkap. Rusa kemudian
diambil lagi darahnya kira-kira 30 menit setelah suntikan dan
kemudian dilepaskan.

Kadar androgen pada waktu ditangkap

diukurdan30 menit kemudian diukur dalam monogram per ml untuk


15 rusa. Dari kelima belas rusa tersebut diperoleh rata-rata selisih
androgen saat disuntikan dan 30 menit kemudian setelah disuntikan
= 9.848, dan sd =18.474. Anggaplah bahwa populasi androgen
berdistribusi normal, uji pada taraf 5% apakah konsentrasi androgen
berubah setelah 30 menit !

Jawab:
Misalkan 1 dan 2 masing-masing rata-rata konsentrasi androgen
pada waktu suntikan dan 30 menit setelah suntikan .
(1) Ho : 1=2 atau Ho : D=1-2 = 0
H1 : 12 atau H1 : D=1-2 0
(2) = 0.05, v=n1+n2-2= 12+10-2=20
Daerah kritis t < -2.145 atau t > 2.145

D 9,848
s D 18,474
t h itu n g

9,848
18,474

2,06
15

Karena |thitung| < t/2 maka terima Ho


1. Uji Hipotesis Beda Proporsi
Dalam bidang kesehatan masyarakat kita sering berhadapan
dengan hasil berupa proporsi
Mis -penderita TBC di Indonesia 4%
-persentase kesembuhan dengan obat anti diabetes
adalah 70%.
Makanya uji hipotesis proporsi populasi penting utk dipelajari.
Langkah uji hipotesis beda proporsi sama dengan uji hipotesis
beda rata-rata

Dimana p adalah proporsi sampel


S = standar deviasi s= pq dan q = (1-p)
Proporsi gabungan p = n1p1 + n2p2
n1 + n2

2. Uji hipotesis Satu Proporsi


Contoh
Dari hasil penelitian yg sudah dilakukan dinyatakan bahwa
40% murid SD di suatu daerah menderita kecacingan.
Pernyataan tersebut akan diuji dengan derajat kemaknaan
5%. Untuk itu diambil sampel sebanyak 250 murid SD dan
dilakukan pemeriksaan tinja dan diperoleh 39% diantaranya
terinfeksi cacing.
Diketahui :
pH0 = 0,4
n

= 250

_
_
_
p (kecacingan)= 39% q (tidak cacingan) = 1 p = 61%

= 0,05

= 1,96

z=

[ p - p0 ]
pq/n

[ 39% - 40% ]
-0,01
-0,33
=
=
(40% x 60%)/250
0,03
6. Kesimpulan :
Statistik hitung z = -0,333 > -1,96

(berada di daerah penerimaan H0).


H0 diterima proporsi murid SD penderita kecacingan 40%.
3. Uji hipotesis Selisih Dua Proporsi
Contoh
Seorang ahli farmakologi mengadaan percobaan dua macam
obat anti hipertensi.
Obat pertama diberikan pada 100 ekor tikus dan ternyata 60 ekor
menunjukkan perubahan tekanan darah. Obat kedua diberikan
pada 150 ekor tikus dan ternyata 85 ekor berubah tekanan
darahnya. Pengujian dilakukan dengan derajat kemaknaan 5%.
Diketahui :
H0 : p1 = p2
Ha : p1 p2
n1 = 100

n2 = 150

p1 = 60/100

p2 = 85/150

q1 = 40/100

q2 = 65/150

p = (n1p1 + n2p2)/n1+n2 = [(100x60/100)+(150x85/150)]/100+150)


= 60+85/250 = 145/250 = 0,58 q = 0,42

Latihan :

Seorang ahli kesehatan lingkungan menguji coba efektivitas


metoda pemberantasan vektor kecoak di rumah tangga.

Metoda pertama dilakukan di 90 rumah dan ternyata 45


rumah dinyatakan bebas kecoak. Metoda kedua dilakukan
pada 120 rumah dan hasilnya 85 rumah bebas kecoak.
Pengujian dilakukan dengan derajat kemaknaan 5%.

Diketahui :
n1 = 90

n2 = 120

p1 = 45/90

p2 = 85/120

q1 = 45/90

q2 = 35/120

p = (n1p1 + n2p2)/n1+n2 = [(90x45/90)+(120x85/120)]/90+120)


= (45+85)/210 = 130/210 = 0,62 q = 0,38

LATIHAN
Dua orang perawat A dan B masing2 telah bekerja selama 10 dan 7
tahun. Kepala Puskesmas beranggapan persentase melakukan
kesalahan perawat A lebih kecil daripada B.
Utk menguji hipotesis tersebut diambil ampel sebanyak 50 pasien
yang dirawat oleh perawat A dan 60 pasien oleh perawat B.
Dari sampel tersebut perawat A membuat 10% kesalahan perawatan
dan perawat B 12%.
Ujilah

hipotesis

kemaknaan 5%.

Kepala

Puskesmas

tersebut

dengan

derajat

4. Uji Hipotesis Variansi


Dalam pengujian hipotesis untuk varians langkah-langkah yang
dilakukan sama seperti pengujian hipotesis untuk rata-rata dan
proporsi.
(n-1)S2
X2(n-1)

=
2

Mengikuti fungsi chi-kuadrat dengan derajat kebebasan

(n-1)

LATIHAN
1.

Seorang pemilik perusahaan makanan ternak ingin mengetahui


apakah sejenis makanan baru dapat mengurangi variasi berat
ternak. Pemilik perusahaan tersebut beranggapan, setelah
ternak diberi makanan tersebut selama 3 bulan, akan tercapai

variasi berat, yang dinyatakan dalam varians sebesar 1600 pon,


dengan alternatif lebih kecil dari itu. Untuk mengujinya, sebanyak
30 ekor ternak yang beratnya hampir sama dipilih sebagai
sampel acak, kemudian diberi makanan baru tersebut selama 3
bulan. Setelah 3 bulan, dilakukan penimbangan. Ternyata
diperoleh varians berat badan sebesar 1000 pon. Dengan
menggunakan tingkat keyakinan 2,5% ujilah pendapat tersebut.
2.

Suatu pabrik baterai mobil menjamin bahwa baterainya akan


tahan rata-rata 3 tahun dengan simpangan baku 1 tahun. Untuk
meyakinkan pendapatnya diambil sampel yang terdiri atas 5
baterai dan daya tahannya adalah 1,9 ; 2,4 ; 3,0 ; 3,5 ; 4,2 tahun.
a. Buatlah interval kepercayaan 95% untuk 2 ?
b. Apakah simpangan baku = 1 tersebut masih dapat diterima?

XIV. REGRESI
A. Regresi Linear Sederhana
Regresi sederhana didasarkan pada hubungan fungsional
ataupun kausal satu variable independent dengan satu variable
dependen.
Y= a + b X
Dimana:
Y : Subjek dalam variable
a

: Harga Y bila X = 0 (haraga konstan

b : Angka arah atau regresi yang menunjukkan angka


peningkatan ataupun penurunan variable dependen yang
didasarkan pada variable independent bila b(+) maka naik
dan bila ( - ) maka terjadi penurunan.
X : Subjek pada variabel independent yang mempunyai nilai
tertentu.
Selain itu a dan b dicari dengan rumus :

(i )((i ) (i )((i Yi )
a
2
ni (i ) 2
2

nX I YI (X I )(i )
2
nI 2 (I ) 2

CONTOH :
Conter

X I I

Hp yang
dijual
155

X2

Y2

Natasya

Krakter
pelanggan
70

4900

24025

10850

Candra

40

90

1600

8100

3600

110 (X I )

245 (Y i )

6500
(X 2 )

32125
(Y 2 )

14450
(X i i )

245.6500 110.14450
2.(6500) (110) 2

1592500 1589500
13000 12100

3000
900

= 3.3333

28900 26950
13000 12100

=
=

2.14450 110.245
2.(6500) (110) 2

1950
900

= 2.1667
Persamaan Regresinya:
Y = a + bX
= 3.333 + 2.166
B. KOLERASI
Kolerasi dapat dihitung dengan rumus :

ni i (i )(i )
2

(ni (i )2 )(ni (i )2
2

Contoh :
Hubungan antara penjual dengan Hp yang terjual:
n=2

X i = 110

X I I = 14450

Y i =245

X2 =

6500

Y 2 32125

28900 26950
900.4225

1950

r=

3802500
= 1.00
Artinya antara pelanggan dan barang yang terjual hubungannya
sempurna.

C. CHI KUADRAT
Chi kuadrat satu sample adalah tehnik statistic yang
digunakan untuk menguji hipotesis deskriftif bila dalam populasiu
terdiri dari dua atau lebih klas, data berbentuk nominal
sampelnya besar. Yang dimaksud hipotesis deskriptif disini bisa
merupakan estimasi/ dugaan terhadap ada tidaknya perbedaan
frekuensi antara kategori satu dan kategori lain dalam sebuah
sample tentang sesuatu hal.
Rumus Chi Kuadrat :
k

X 2
i 1

( f0 fh )2
fn

Dimana:

2 chi kuadrat
f o = frekuensi yang diobservasi
f h = frekuensi yang diharapkan
Koefisien Kontingesi digunakan untuk menghitung antar
variable bila datanya berbentuk nominal. Tehnik ini mempunyai
kaitan erat dengan Chi Kuadrat yang digunakan untuk menguji

Hipotesis Komparatif k Sample Indefenden.oleh karena itulah


rumus yang digunakanmengandung nilai Chi Kuadrat.
Rumus :

2
N 2

Contoh:
Olah raga

Jenis profesi

Jumlah

Guru

Dokter

Tennis Meja

15

24

Golf

10

23

33

25

32

57

Ke 2 yang menyenangi Tennis Meja

15 9 24
=
= 0.4211
57
27
Ke 2 yang menyenangi Golf

10 23 33
=
= 0.5789
57
57
a. f h 1 yang menyenangi Tennis Meja:
f h Guru

= 0.4211 x 25 = 10.5275

f h Dokter = 0.4211 x 32 = 13.4752

24

b. f h yang menyenangi Golf


f h Guru

= 0.5789 x 25 = 14.4725

f h Dokter = 0.5789 x 32 = 18.5248

Olah
Raga

Guru

33

Dokter

Tennis

f0

fh

f0

fh

Jumlah

15

10.5275

13.4752

24

10

14.4725

23

18.5248

33

Meja
Golf

25

2=

32

57

(15 10.5275) 2 (9 13.4752) 2 (10 14.4725) 2


+
+
+
10.5275
13.4752
14.4725
(23 18.5248) 2
18.5248

= 1.9001 + 1.4862 + 1.3822 + 93.0811


= 97.8496
H 0 = Tidak ada pengaruh antara profesi dan jenis olah raga
H i = Ada pengarauh antara jumlah profesi dan jenis olah raga
X 2 = Table
Dik

= (n-1) x (n-1)
= (2-1) x (2-1)
=1

Table < Hitung artinya H 0 ditolak dan H i diterima jadi ada


hubungan.
C=

X2
=
n X2

97.8496
= 0.64
57 97.4896

D. Regresi Linear Berganda


1. Hubungan liniear lebih dari dua variabel
Regresi artinya peramalan penaksiran atau pendugaan
pertama kali diperkenalkan pada tahun 1877 oleh Sir Francis
Galtoon

(1822-1911).

Analisis

regresi

digunakan

untuk

menentukan bentuk dari hubungan antar variabel. Tujuan utama


dalam penggunaan analisis itu adalah untuk meramalkan atau
memperkirakan nilai dari suatu variabel dalam hubungannya
dengan variabel yang lain. Disamping hubungan linear dua
variabel, hubungan linear dari dua variabel bisa juga terjadi
misalnya; hubungan antara hasil penjualan dengan harga dan
daya beli.
Hubungan linear lebih dari dua variabel bila dinyatakan
dalam bentuk persamaan matematis adalah :
Y = a + b1x1 + b2x2 +bkxk +
Keterangan :
x, x1, x2..xk = variabel-variabel
a, b1, b2..bk = bilangan konstan (konstanta) koefisien
variabel
2. Persamaan regresi linear berganda
Regresi linear berganda adalah regresi dimana variabel
terikatnya (Y) dihubungkan

atau dijelaskan lebih dari satu

variabel, mungkin dua, tiga dan seterusnya variabel bebas (x, x1,

x2..xn ) namun masih menunjukkan diagram hubungan yang


linear.
Penambahan variabel bebas ini diharapkan dapat lebih
menjelaskan karakteristik hubungan yang ada walaupun masih
saja ada variabel yang terabaikan. Bentuk umum dari persamaan
linear berganda dapat ditulis sebagai berikut:
a. Bentuk stokastik
y = a + b1x1 + b2x2 + b3x3 bkxk + c

b. Bentuk non stokastik

y = a + b1x1 + b2x2 + b3x3bkxk


Keterangan

: Variabel terikat (nilai duga y)

a, b1, b2 b3..bk

: koefisien regresi

x1, x2 x3..xk

: variabel bebas
e

: kesalahan pengganggu

E. Pendugaan dan Pengujian Koefisien Regresi


1. Kesalahan baku regresi dan koefisien regresi berganda
Kesalahan baku atau selisih taksir standar regresi adalah
nilai menyatakan seberapa jauh menyimpangnya nilai regresi
tersebut terhadap nilai sebenarnya. Nilai ini digunakan untuk
mengukur tingkat ketepatan suatu pendugaan dalam menduga

nilai. Jika nilai ini sama dengan nol maka penduga tersebut
memiliki tingkat ketepatan 100%.
Kesalahan baku atau selisih taksir standar regresi
berganda dirumuskan

Se =

b1

x y b x y
1

nm

Keterangan
Se : Kesalahan baku regresi berganda
n : Jumlah pasangan observasi
m : jumlah konstant dalam persamaan regresi berganda.
Untuk koefisien b1 dan b2 kesalahan bakunya dirumuskan
Sb1 =

Sb2 =

Se

2
1

nx12 1 r 2 y1
Se

2
2

nx 22 1 r 2 y1

2. Pendugaan interval koefisien regresi berganda (parameter B1


dan B2)
Parameter B1 dan B2 sering juga disebut sebagai
koefisien regresi parsial. Pendugaan parameter B1 dan B2
menggunakan distribusi t dengan derajat bebas db = n m
secara umum pendugaan parameter B1 dan B2 adalah :
b1 ta/2n-m Sbi Bi bi + ta/2n-m Sbi

; i = 2,3

3. Pengujian hipotesis koefisien regresi berganda (parameter B1


dan B2)
Pengujian hipotesis bagi koefisien regresi berganda atau
regresi parsial parameter B1 dan B2 dapat dibedakan menjadi 2
bentuk, yaitu pengujian hipotesis serentak dan pengujian
hipotesis individual.
Pengujian hipotesis individual yaitu merupakan pengujian
hipotesis koefisien regresi berganda dengan hanya satu B (B1
dan B2) yang mempunyai pengaruh Y. pengujian hipotesis
serentak merupakan pengujian hipotesis koefisien regresi
berganda dengan B1 dan B2 serentak atau bersama-sama
mempengaruhi Y.
F. Peramalan dengan Regresi Linear Berganda
Peramalan terhadap nilai Y dengan menggunakan regresi
linear berganda, dapat dilakukan apabila persamaan garis
regresinya sudah diestimasi dan nilai variabel bebas x1, x2 sudah
diketahui.
Suatu persamaan garis regresi linear berganda dapat
dipakai dalam peramalan dengan terlebih dahulu melakukan
pengujian

hipotesis

terhadap

koefisien-koefisien

regresi

parsialnya. Tujuan ialah mengetahui variabel-variabel bebas yang


digunakan itu memiliki pengaruh yang nyata atau tidak terhadap
y tersebut. Variabel bebas x1 dan x2 disebut memiliki pengaruh

yang

nyata

apabila

dalam

pengujian

hipotesis

koefisien

parsialnya H0 : B1 = B2 = 0 ditolak atau H1 : B1 B2 0 diterima,


khususnya pada taraf nyata 1%
Kelebihan peramalan y dengan menggunakan regresi
linear berganda adalah dapat diketahui besarnya pengaruh
secara kuantitatif setiap variabel bebas (x1 atau x2) apabila
pengaruh variabelnya dianggap konstan. Misalnya sebuah
persamaan regresi berganda
y = a + b1x1 + b2x2
Keterangan :
y

: Nilai statistik mahasiswa

x1

: Nilai inteligensi mahasiswa

x2

: Frekuensi membolos mahasiswa

b1

: Pengaruh x1 terhadap y jika x2 konstan

b2

: Pengaruh x2 terhadap y jika x1 konstan

jika a = 17,547; b1 = 0,642; b2 = - 0,284 maka persamaan regresi


linear bergandanya menjadi
y = 17,547 + 0,624 (75) 0,284 (4)

Dengan persamaan regresi linear berganda tersebut, nilai y (nilai


statistik maha siswa) dapat diramalkan dengan mengetahui nilai
x1 (nilai inteligensi mahasiswa) dan x2 (frekuensi membolos

mahasiswa) misalkan, nilai x1 = 75 dan x2 = 24 maka ramalan nilai


y adalah
y

= 17,547 + 0,624 (75) 0,284 (4)


= 63.211

Penulisan persamaan garis regresi linear berganda biasanya


disertai dengan kesalahan baku masing-masing variabel bebas
dan koefisien determinasi berganda r2, sebagai ukuran tepat atau
tidaknya garis tersebut sehingga pendekatan.
G. Korelasi Linear Berganda
Korelasi linear berganda merupakan alat ukur mengenai
hubungan yang terjadi antara variabel yang terikat. (variabel Y)
dan dua atau lebih variabel bebas (x1, x2xk). Analisis
korelasinya menggunakan tiga koefisien korelasi yaitu koefisien
determinasi berganda, koefisien korelasi berganda, dan koefisien
korelasi parsial.
1. Korelasi linear berganda dengan dua variabel bebas
a. Koefisien penentu berganda atau koefisien determinasi
berganda. Koefisien determinasi berganda, disimbolkan
KPB y.12 atau R2 merupakan ukuran kesusaian garis
regresi linear berganda terhadap suatu data. Rumus
KPBy.12 =

b1 x1 y b 2 x 2 y

b. Koefisien korelasi berganda.


Koefisien korelasi berganda disimbolkan ry12 merupakan
ukuran keeratan hubungan antara variabel terikat dan
semua variabel bebas. Secara bersama-sama. Rumus :

Ry.12 =

b1 x1 y b2 x 2 y

c. Koefisien korelasi parsial


Koefisien korelasi parsial merupakan koefisien korelasi
antara dua variabel. Jika variabel lainnya konstan, pada
hubungan yang melibatkan lebih dari dua variabel.
Ada 3 koefisien korelasi parsial untuk hubungan yang
melibatkan 3 variabel yaitu sebagai berikut :
1) Koefisien korelasi parsial antara y dan x1, apabila x2
konstan dirumuskan
ry.12 =

ry1 ry2 .r12

I r I r
2

y1

I2

2) Koefisien korelasi parsial antara y dan x2, apabila x1


konstan dirumuskan
ry.12 =

ry2 ry1.rI2

I r I r
2

y1

y2

3) Koefisien korelasi parsial antara x1 dan x2 apabila y


konstan dirumuskan

R12y =

r12 ry1.rI2

I r I r
2

y1

y2

2. Korelasi linear berganda dengan 3 variabel bebas


a. Koefisien penentu berganda
KPB =

b1 x1 y b 2 x 2 y b3 x 3 y

y y
2

b. Koefisien korelasi berganda

ry123 =

b1 x1 y b2 x 2 y b3 x 3 y