1

BAB I. PENDAHULUAN
Pada masa kini dg perkembangan Teori Peluang, berbagai metode statistika yang
digunakan, memungkinkan untuk meneropong jauh di luar data yang dikumpulkan
dan masuk kepada wilayah pengambilan keputusan melalui generalisasi dan
prediksi.
Metode Sattistika adalah prosedur-prosedur yang digunakan dalam pengumpulan,
penyajian, analisis, dan penafsiran data. Pengelompokan mtd-mtd tsb menjadi dua
kelompok besar, yaitu:
Inferensia Statistika
Statistika Deskriptif
Mtd yg berhubungan dg cara-cara
Pengumpulan dan penyajian suatu
menentukan suatu penduga bagi suatu
gugus data sehingga memberikan
parameter serta kemudian menyimpulkan
informasi yang berguna.
tentang nilai/sifat parameter tersebut
Populasi
Populasi
Mengandung
Mengandungsifat
sifatyang
yang
disebut
Parameter
disebut Parameter

Parameter tidak bisa diketahui pasti karena

populasi yang infinite shg diduga secara ilmiah
menggunakan Statistik
Jadi Mtd Statistika adalah suatu cara untuk
memperoleh Penduga (Statistik) yang valid
bagi suatu Parameter

Sampel
Mengandung besaran
yang disebut Statistik

Mtd Statistika merupakan bagian dari

Mtd Kuantitatif , yaitu Pendekatan
Ilmiah terhadap Pengambilan
Keputusan manajerial & ekonomi
yang berangkat dari d a t a.

Setiap pengambilan keputusan bisnis akan menghadapi empat kemungkinan, yaitu: a) Kepastian
(Certainty); terjadi bila semua informasi yg dijadikan dsr keputusan tersedia. b) Resiko (Risk);
terjadi jika informasi untuk mengambil keputusan tidak dlm keadaan sempurna, c)
Ketidakpastian (Uncertainty); terjadi jika informasi untuk mengambil keputusan tidak ada, d)
Konflik (Conflict); jika terdapat dua kondisi atau lebih sama-sama memiliki tkt kepentingan
yang tinggi, shg butuh kebijakan dlm menentukan skala prioritas kepentingan mana yg harus
lebih didahulukan. Mtd Statistika sangat membantu dalam pengambilan keputusan bisnis
manakala informasi untuk mengambil keputusan tidak ada (Ketidakpastian /Uncertainty).
Contoh Fenomena deskriptif: Salah satu hasil pol pendapat yang dilakukan baru-baru ini adalah
bahwa kebanyakan Penduduk Bali tidak menyetujui program
pengembangan wisata seks di Provinsi Bali.
Contoh Fenomena inferensia:Akibat penurunan produksi minyak oleh negara-negara OPEC,
maka diramalkan harga minyak dunia akan menjadi dua kali lipat
pada tahun yg akan datang.

BAB II. UKURAN STATISTIK BAGI DATA

Beberapa macam ukuran statistik digunakan untuk meringkaskan dan menjelaskan data.
Sebagai suatu ukuran, statistik itu mendefinisikan, dlm pengertian ttt, Pusat segugus
data, yang disebut ukuran pemusatan. Yang lain mengukur keragaman antar
pengamatan,dan digolongkan sebagai ukuran keragaman/penyebaran. Kedua ukuran
statistik itu sangat berguna dalam menjelaskan sebaran pengamatan yang menyusun
data.
Parameter: sembarang nilai yang
menjelaskan ciri populasi (N; , )
= (xi)/N = [(xi- )2]/N

Statistik: sembarang nilai yang menjelaskan

ciri suatu contoh/sampel (n; m, S)
m = (xi)/n S = [(xi- m)2]/(n-1)

Ukuran Pemusatan selain Nilai tengah (m) : Median, Quartil, dan Modus. Ukuran
Penyebaran selain Simpangan baku (s) : Jangkauan, dan Simpangan baku standar

Nilai Baku (z): Nilai data suatu variabel yang dibebaskan dari satuannya.
Zi = (xi m)/s
Ukuran Pemusatan Data (Nilai Rata-Rata atau Nilai Tengah)
Menghitung Rata-Rata (m) untuk Data yg telah dikelompokkan
Contoh 1 : Diketahui Nilai Income Bulanan (Juta Rp)Pedagang Sayur di suatu daerah sbb:
Interval kelas dari Income
Fekuensi (fi)
Mid Point (Xi)
fi.Xi
fi .LogXi
31 40
4
35,5
142
6,2009
41 50I
6
45,5
273
9.9481
51 60
8
55,5
444
13,9543
61 70
14
65,5
917
25,4274
71 80
26
75,5
1.963
48,8266
81 90
12
85,5
1.026
23,1836
91 - 100
20
90,5
1.910
39,6001
Jumlah
90
6.675
167,1410
Tentukan rata-rata income pedagang sayur tersebut atau m = ?
m = fiXi / fi = 6.675 / 90 = 74,167
Rata-Rata Ukur : u = (x1.x2.x3.....xn)1/ n = log u = 1/n log xi
Untuk data yang telah dikelompokkan
Log u = fi .log xi / fi
Untuk data Contoh 1, maka log u = 167,141/90 = 1,8571

u = 10 1,8571 = 71,965

Nilai Rata-Rata untuk Fenomena yg sedang Tumbuh

Untuk menghitung perkembangan modal, jumlah populasi/penduduk dalam kurun waktu
tertentu.

Pt = P0 . (1 + r)t

r =m %

Contoh 2. Modal usaha pada tahun 1980 sebesar Rp 3,2 juta, dan pada tahun 1990
bertambah menjadi Rp 12,8 juta. Berapa pertambahan rata-rata modal usaha tersebut setiap
tahunnya?
12,8 = 3,2 . (1 + r)10

log 12,8 = log 3,2 + 10 log(1 + r)

Log (1 + r) = (log 12,8 - log 3,2)/10 = 0,060206

1 + r = 10 0,060206 = 1,1487
Jadi r = (1,1487 1) = 0,147 = 14,87%
Menghitung Modus (Mo) untuk data yg telah dikelompokkan
Mo = b + p( b1 / (b1+b2) ) Mo: Nilai modus
b: Batas bawah di mana modus terdapat
b1: Selisih antara frekuensi modus dan sebelumnya
b2: Selisih antara frekuensi modus dan sesudahnya
Contoh 3. Nilai Statistika Mahasiswa Kelas X
Nilai Statistika
31 40
41 50
51 60
61 70
71 80
81 90
91 - 100
Jumlah

Fekuensi
4
8
8
10
26
16
18
90

Komulatif Mo = 70,5 + 10 (16 / (16+10) )

4
= 70,5 + 10 (16/26)
12
= 70,5 + 6,1538
20
= 76,6538
30 Artinya: pada umumnya nilai Statistika
56 Mahasiswa Kelas X tersebut di sekitar 76,6538
72
90

Ukuran Letak Data

(Median-Kuartil-Desil-Persentil)
Menghitung Median data yg telah dikelompokkan
Me = b + p ( (n/2 F) / f ) Me: Median
b: Batas bawah dimana median terdapat
p: Panjang kelas dimana median terdapat
n: Jumlah data
F: frekuensi komulatif sebelum kelas median
f: Frekuensi kelas median
Contoh 4. Gunakan data pada Contoh 3

Letak median data di interval 71 80

Me = 70,5 + 10 ( (90/2 30) / 26) = 70,5 + 150/26 = 70,5 + 5,7692 = 76,2692

Kuartil: Kuartil 1; Kuartil 2 = median; Kuartil 3

Ki = b + p ( (in/4 F) / f )
Letak Kuartil i adalah data yg ke i.n/4
b: Batas bawah dimana kuartil terdapat
p: Panjang kelas dimana kuartil terdapat
n: Jumlah data
F: frekuensi komulatif sebelum kelas kuartil
f: Frekuensi kelas kuartil
Contoh 5. Gunakan data pada Contoh 3
Letak Kuartil 1 adalah data yg ke 1.90/4 = 22,5 atau data di interval 61 70
K1 = 60,5 + 10 ( (90/4 20) / 10 ) = 60,5 + 2,5 = 63,0
;

Letak Kuartil 3 adalah data yg ke 3.90/4 = 67,5 atau data di interval 81 90

K3 = 80,5 + 10 ( (3.90/4 56) / 16) = 80,5 + 115/16 = 80,5 + 7,1875

= 87,6875

Soal 1. Diketahui distribusi frekuensi dari kekuatan masa pakai 400 baterai merek TT sbb:
Kekuatan Masa pakai (jam)
300 399
400 499
500 599
600 699
700 799
800 899
900 999
1.000 1099
1.100 1100

Fekuensi
14
46
58
76
68
62
48
22
6

a. Ada brp banyak baterai yg mempunyai kekuatan

masa pakai paling tinggi slama 700 jam?
b. Jmlh batarei yg mempunyai kekuatan masa pakai
50% atau lebih paling tinggi 708,32 jam?
c. 10% dari jmlh baterai yg mempu-nyai kekuatan
masa pakai paling lama?
d. 25% atau lebih jmlh baterai yg mempunyai
kekuatan masa pakai paling rendah?

Ukuran Penyebaran Data

(Jangkauan-Deviasi Rata-Rata-Simpangan Kuartil-Simpangan baku)
Jangkauan atau R = Xmaks Xmin untuk data yg tidak dikelompokkan
R = X E XF

XE: Nilai di tengah interval terakhir. XF: Nilai di tengah interval pertama.

Deviasi Rata-Rata atau dX = | Xi m | / n atau dX = fi | Xi m | / fi

Contoh 6. Diketahu tingkat efisiensii teknis kegiatan produksi usaha pembesaran ikan kerapu
dalam KJA dari 100 Pengusaha Budidaya sbb:
Tk Efisiensi Teknis
0,40 0,49
0,50 0.59
0,60 0,69
0,70 0,79
0,80 0,89
0,90 1,00
Jumlah

Fekuensi
14
21
25
16
19
5
100

Xi
0,455
0,555
0,655
0,755
0,855
0,955

fi.Xi
6,37
7,77
9,17
10,57
11,97
13,37
59,22

|Xi m |
0,1372
0,0372
0,0628
0,1628
0,2628
0,3628
1,0256

fi |Xi m |
1,9208
0,5208
0,8792
2,2792
3,6792
5,0792
14,3584

Tentukan Nilai deviasi rata-rata dari efisiensii teknis kegiatan produksi tersebut
m = 59,22 / 100 = 0,5922

dX = fi | Xi m | / fi = 14,3584 / 100 = 0,143584

Simpangan Kuartil dK = (K3 K1). Perhatikan Contoh 5. dK = (87,6875 63,0) = 12,343

Variasi atau Ragam dari Segugus data S2 = (Xi m)2 / (n -1) S2 = fi. (Xi m)2 / (n -1)
Simpangan baku S = [ (Xi m)2 / (n -1) ]
S = [ fi. (Xi m)2 / (n -1) ] untuk data yg
telah dikelompokkan.

Contoh 7. Diketahu tingkat efisiensii teknis kegiatan produksi usaha pembesaran ikan kerapu
dalam KJA dari 100 Pengusaha Budidaya sbb:
Tk Efisiensi Teknis
0,40 0,49
0,50 0.59
0,60 0,69
0,70 0,79
0,80 0,89
0,90 1,00
Jumlah

Fekuensi
14
21
25
16
19
5
100

Xi
0,455
0,555
0,655
0,755
0,855
0,955

fi.Xi
6,37
7,77
9,17
10,57
11,97
13,37
59,22

(Xi m)2
0,0188
0,0014
00039
0,0265
0,0691
0,1316
0,2513

fi (Xi m)2
0,2635
0,0194
0,0552
0,3711
0,9669
1,8427
3,5188

Tentukan ragam dan simpangan baku dari efisiensii teknis kegiatan produksi tersebut
S2 = 3,5188 / 99 = 0,035543

S = 0,035543 = 0,1885

Koefisien Ragam atau KK adalah Persentase dari Nilai Simpangan baku terhadap Nilai RataRatanya atau KK = (S/m)100% .
Dalam Contoh 7, maka KK = ( 0,1885 / 0,5922 )100% = 31,83%

BAB III. PENDESKRIPSIAN DATA

Seringkali kita menghadapi masalah menyajikan sejumlah besar data statistik dlm bentuk yang
ringkas dan kompak. Meskipun ukuran numerik bagi Pemusatan dan Ragam jelas merupakan
deskripsi yg kompak dan bermanfaat bagi segugus pengamatan, ukuran2 tsb tidak dapat
mengidentifikasi semua ciri yang penting. Sejumlah informasi dapat diperoleh kembali bila data
asal yg banyak tsb diringkaskan dan disajikan dlm bentuk Tabel, Diagram, dan Grafik yang layak.
Surface Plot of Penjualan vs Iklan, Harga

360
300
Penjualan

240
180

20
40

40

Persentase (%)

30

20

10

<0,61

2
3
4
5
6
0,6-<0,7
0,7-<0,8
0,8-<0,9
0,9-<0,9
0,9-1,00

Efisiensi Teknis

10
50
Harga

60

I klan

Trend Analysis Plot for Penjualan

Linear Trend Model
Yt = 2343.18 + 63.7413* t
3400

Variable
Actual
Fits
Forecasts

Penj ualan

3200

Accuracy Measure
s
MAPE
1.66
MAD
45.00
MSD
4151.95

3000
2800
2600
2400
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004

Year

Trend Analysis Plot for Penjualan

Growth Curve Model
Yt = 2365.48 * (1.02333* * t)
3400

Variable
Actual
Fits
Forecasts

Penj ualan

3200

Accuracy Measures
MAPE
1.57
MAD
42.64
MSD
3858.44

3000
2800
2600
2400
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004

Year

BAB IV. HITUNG PELUANG

Akibat pengembangan awal teori peluang, inferensia statistik yg berusaha meramal &
menggeneralisasi, telah berkembang pesat di luar permiainan judi shg memasuki bidang2
lain yg ada kaitannya dg kejadian2 yg bersifat peluang, seperti politik, bisnis, peramalan
cuaca, dan penelitian ilmiah. Berbagai cara mencacah tersedia untuk menghitung peluang
berbagai kejadian.
Peluang suatu kejadian memenuhi hukum2 matemati ttt, shg
perhitungannya seringkali dapat dipermudah.
Kejadian: suatu himpunan bagian
dari ruang contoh. Misal E=kejadian
Ruang Contoh (U): Himpunan semua
terambilnya 2 produk cacat, maka
kemungkinan hasil suatu percobaan
E = {CCT,CTC,TCC}
Misal 3 produk diambil scr acak dari suatu proses
Kejadian sederhana terdiri hanya 1
prodksi di pabrik. C=cacat, T=tidak cacat, maka
ttk contoh. E1 = {CCC}
U = {CCC,CCT,CTC,CTT,TCC,TCT,TTC,TTT}
Kejadian majemuk terdiri beberapa
ttk contoh. Em = {CCT,CTC,TCC}
Dalam mencacah titik contoh harus dipahami
Kaidah: Penggandaan; Permutasi,
Multinasi; dan Kombinasi.
IV. 1 Peluang suatu kejadian A: adalah jumlah peluang semua ttk contoh dlm A. Dengan
demikian: 0p(A)1
p({})= 0 p(U) = 1
Bila suatu percobaan mempunyai N hasil percobaan yang berbeda, dan masing2
mempunyai kemungkinan yang sama untuk terjadi, dan bila tepat n di antara hasil
percobaan itu menyusun kejadian A, maka peluang kejadian A : p(A) = n/N.
Contoh 1. Peluang terambilnya Kartu Ace dari satu set kartu remi adalah..
N = 52 n = 4 maka p(Ace) = 4/52 = 1/13.
Peluang terambilnya Kartu Wajik p(Wajik) = 13/52 =1/4
Peluang terambilnya Kartu Ace atau King = p(Ace U King) = (4 + 4)/52 = 2/13
Peluang terambilnya Kartu Ace dan Wajik = 1/52
Peluang terambilnya Kartu Ace dan King = 0.....why?
Peluang Bersyarat (CONDITIONAL PROBABILITY):
Untuk dua kejadian A dan B yang bersifat bebas maka p(AB) = p(A).p(B)
p(A/B) = p(AB) / p(B). Jika A dan B bersifat bebas maka p(A/B) = p(A).p(B) / p(B) = p(A).
Contoh 2. Peluang Pelanggan yg masuk ke toko SERBA ADA akan membeli sepatu
adalah 0,25. Jika membeli sepatu, peluangnya akan membeli kaus kaki adalah 0,40.
Membeli atau tidak membeli sepatu, peluang membeli barang lainnya adalah 0,35.
1. Brp peluang pelanggan membeli sepatu dan kaus kaki?
2. Brp peluang pelanggan membeli sepatu dan barang lainnya?
S = membeli sepatu K = membeli kaus kaki L = membeli barang lainnya. p(K/S) = 0,40
1. p(SK) = p(K/S).p(S) = 0,40 . 0,25 = 0,10
2. p(L / [S S]) = p(L/1) = p(L) = 0,35 p(SL) = p(S).p(L) = 0,25 . 0,35 = 0,0875

Kaidah Bayes
Jika kejadian2 B1, B2, Bk merupakan sekatan dari ruang contoh U dg p(Bi)0 untuk
i = 1,2 k, maka untuk sembarang kejadian A yg bersifat p(A)0
p(Br).p(A/Br)
P(Br/A) =
p(B1).p(A/B1) + p(B2).p(A/B2) + + p(Bk).p(A/Bk)

B1

B2

B3

B6

Bk

B5

B4

Penyekatan Ruang contoh U

Contoh 3. Sebuah perusahaan besar menyediakan tiga motel lokal bagi akomodasi
rekanannya. Dari catatan sebelumnya diketahui bahwa 20% rekanannya diinapkan di Ramada
Inn, 50% di Sheraton, dan 30% di Lakeview Motor Lodge. Bila 5% diantara kamar2 di
Ramada Inn, 4% di Sherataon, dan 8% di Lakeview Motor Lodge terdapat kerusakan pipa air
ledengnya, hitung peluang bahwa:
a. Seorang rekanan mendapat kamar dg pipa air ledengnya yg rusak?
b. Seorang rekanan yg diketahui mendapat kamar dg pipa air ledeng yg rusak ternyata
menginap di Lakeview Motor Lodge?
R = Ramada Inn S = Sheraton L = Lakeview Motor Lodge A = Air ledeng rusak
p(R) = 0,20 p(S) = 0,50 p(L) = 0,30 p(A/R) = 0,05 p(A/S) = 0,04 p(A/L) =0,08
a. p(A) = p(A/R).p(R)+p(A/S).p(S)+p(A/L).p(L) = 0,05.0,2+0,04.0,5+0,08.0,3 = 0,054
b. p(L/A) =

p(L).p(A/L)
p(R).p(A/R) + p(S).p(A/S) + p(L).p(A/L)

= ( 0,30 . 0,08) / (0,20 . 0,05 + 0,50 . 0,04 + 0,30 . 0,08) = 0,024/0,054 = 0,4444

10

BAB V. SEBARAN PEUBAH ACAK

Peubah Acak: Suatu fungsi yang nilainya berupa bilangan nyata yang ditentukan oleh
setiap unsur dlm Ruang Contoh.
P. acak diskret: Nilai2nya merupakan hasil membilang
P. acak kontinu: Nilai2nya merupakan hasil pengukuran.
Sebaran peluang Diskret: Suatu Tabel atau rumusan yang mencntumkan
semua kemungkinan nilai suatu P.acak diskret berikut peluangnya.
Sebaran peluang Kontinu (sering disebut Fungsi kepekatan peluang): Fungsi f disebut f.k.p.
bagi P acak kontinu X bila luas daerah di bawah kurva dan di atas sumbu-x sama dg 1, dan bila
luas daerah di bawah kurva antara x=a dan x=b menyatakan peluang X terletak antara a dan b.

fkp : f(x)

Nilai Harapan (Tengah) Peubah Acak X

Misal X adalah P acak diskret dg sebaran peluang

x
p(X=x)

x1
f(x1)

x2 . . . xn
f(x2) . . . f(xn)

Maka Nilai harapan bagi X adalah = E(X) = xi.f(xi)

11

Misal X adalah P acak diskret dg sebaran peluang

x
p(X=x)

x1

x2 . . . xn

f(x1)

f(x2) . . . f(xn)

Maka Nilai harapan P acak g(x) adalah = E[g(X)] = g(xi).f(xi)

Contoh 1. Seorang pembalap ingin mengasuransikan mobilnya pada msm kompetisi ini sebesar
$50.000,- Perusahaan asuransi menduga kerusakan total dapat terjadi dg peluang 0,005;
kerusakan 50% dg peluang 0,03; dan kerusakan 25% dg peluang 0,1. Dg mengabaikan
kerusakan2 lainnya. Brp premium yg harus dibayarkan kepada pihak asuransi per msm
kompetisi, bila perusahaan itu menginginkan keuntungan $500,xi

$50.000

$25.000

p(X=xi)

0,005

0,03

$12.500
0,1

$0,000
0,865 = 1 - 0,135

E(X) = $50.000(0,005) + $25.000(0,03) + $12.500(0,1) + $0(0,865) = $2.250,Agar untung $500,- maka premi yg harus dibayar = $2.250 + $500 = $2.750,-

Contoh 2. Misalkan dana sebesar Rp 20 juta mau diinvestasikan dg cara membeli saham pada
pilihan dari empat saham perusahaan A, B, C, dan D dg data seperti berikut: (Saham perusahaan
mana yg sebaiknya dibeli?)
Prsh
A
B
C
C
Prsh
A
B
C
D

Hrg saham
Rp
8.500
12.300
22.000
9.000

Jmlh saham
Kondisi Baik dg p(X1) = 0,6 Kondisi Jelek dg p(X2) = 0,4
lmbr
Deviden/lmbr Ttl Deviden
Deviden/lmbr Ttl Deviden
2.353
350
823550
200
470600
1.626
2.200
3577200
1.400
2276400
909
2.500
2272500
1.900
1727100
2.222
400
888800
325
722150

Baik

Buruk
823550
3577200
2272500
888800

470600
2276400
1727100
722150

Nilai Harapan E(X)

823550(0,6) + 470600(0,4) = Rp 682370
3577200(0,6) + 2276400(0,4) = Rp 3056880
2272500(0,6) + 1727100(0,4) = Rp 2054340
888800(0,6) + 722150(0,4) = Rp 822140

Kita memilih untuk membeli saham Perusahaan B, karena memiliki Nilai ekpektasi pembelian
saham tertinggi.

12

Ragam atau Variasi Suatu Peubah Acak

Misal X adalah P. Acak diskret dg sebaran peluang
x
p(X=xi)

x1

x2 . . . xn

f(x1)

f(x2) . . . f(xn)

Maka Ragam bagi X adalah 2 = E[(X - )2] = (xi- )2.f(xi)

= E(x2) 2 = xi2. f(xi) 2 = xi2. f(xi) [E(X)]2
Contoh 3. Perhatikan kasus pada contoh 1. Berapakah besar ragam Tanggungan yg harus
dibayarkan oleh pihak asuransi? atau 2 = .....
E(x2) = $50.0002.(0,005) + $25.0002.(0,03) + $12.5002.(0,1) + $0,0002.(0,000) = $46.875.000,-

2 = $46.875.000 - $2.2502 = $41.812.500,- dan Simpangan baku = = $41.812.500 =$6.466,3,Sifat-Sifat Nilai Tengah & Ragam
Bila a dan b konstan, maka ax+b = a + b
x+y = x + y
x-y = x - y
Bila P. acak X dan Y bebas (tidak saling mempengaruhi), maka xy = x.y
Bila a dan b konstan, maka 2 ax+b =a22
2 x+y = 2x + 2y
2 x-y = 2x - 2y
Peragam: Peragam dua P. acak X dan Y yg dilambangkan dg
xy = E(X x)(Y y)
= E(XY) - x.y = E(XY) [E(X)].[E(Y)]
Variasi antar dua P. Acak X dan Y disebut Peragam antar X dan Y.
Variasi suatu P.Acak X disebut Ragam X.

Contoh 4. Misalkan banyaknya mobil, X, yg dicuci di suatu tempat penyucian mobil antara pk
16:00 17.00 pd setiap hr Jumat mempunyai sebaran peluang:
Jika g(X) = 2X 1 menyatakan uang yg dibax
4
5
6
7
8
9 yarkan ($) oleh manajer kpd petugas pencuci,
p(X = x) 1/12 1/12 1/4 1/4 1/6 1/6 tentukan penerimaan harapan petugas pencuci pd
periode waktu tsb

E[g(X)]] = E(2X 1) = (2x -1)f(x) = 7(1/12) + 9(1/12) + 11(1/4) +13(1/4) + 15(1/6) + 17(1/6)
g(X) = $12,67
E[g(X)]2 = (2x -1)2 f(x) = 72(1/12) + 92(1/12) + 112(1/4) +132(1/4) + 152(1/6) + 172(1/6)
= 169
2g(X) = E[g(X)]2 [g(X)]2 = 169 12,672 = 8,56 g(X) = 8,56 = $2,925

13

BAB VI. BEBERAPA SEBARAN PELUANG DISKRET

Dlm bentuk apapun suatu sebaran peluang diskret dituliskan (Histogram, Tabel, Rumus) berarti
perilaku P. acak itu telah dijelaskan. Seringkali pengamatan yang berasal dari berbagai
percobaan statistik yg berbeda memiliki jenis perilaku umum yg sama. Akibatnya P. acak diskret
yg berkaitan dg percobaan2 tsb dapat dijelaskan melalui sebaran peluang yang pd hakekatnya
sama, dan oleh karena itu dapat disajikan oleh sebuah rumus tunggal. Memang dlm
kenyataannya, kita hanya memerlukan beberapa sebaran peluang diskret yg penting untuk dapat
menjelaskan hampir semua P. acak yg ditemui dlm praktek.

1. Sebaran Seragam
Bila P. acak X mempunyai nilai2 x1, x2, xk dg peluang yg sama, maka sebaran
seragam diskretnya diberikan oleh:
f(x;k) = 1/k untuk x = x1, x2, xk.
= xi/k

dan 2 = [xi2 2]/(k-1)

2. Sebaran Binom
Bila suatu ulangan binom mempunyai peluang keberhasilan p dan peluang
kegagalan q = 1-p, maka sebaran peluang bagi P. acak binom X, yaitu banyaknya
keberhasilan dlm n ulangan yg bebas adalah
b(x; n, p) = (nCx).(px).(qn-x) , untuk x = 1, 2, n.
= n.p dan 2 = n.p.q
3. Sebaran Multinom
Bila setiap ulangan menghasilkan salah satu dari k hasil percobaan E 1, E2, Ek dg
peluang p1, p2, pk, maka sebaran peluang bagi P.acak X1, X2, Xk yg
menyatakan berapa kali E1, E2, Ek terjadi dlm n ulangan yg bebas adlh
f(x1, x2, xk; p1, p2, pk , n) = [nC(x1, x2, xk].piXi
dengan xi = n
pi = 1.
4. Sebaran Poison
Sebaran peluang bagi P. acak X, yg menyatakan banyaknya hasil percobaan yg
terjadi selama satu selang waktu atau daerah tertentu adalah
e-. x
p(x; ) =
untuk x = 1,2, ,
x!
adalah rata-rata banyaknya hasil percobaan yg terjadi selama selang waktu atau
dlm daerah yg dinyatakan, dan e = 2.7182 = n.p = n.p.q
5. Sebaran Hipergeometrik
Dlm populasi N benda: k benda labelberhasil & N-k benda lain labelgagal,
sebaran peluang P.acak hprgeometrik X yg menyatakan banyaknya keberhasilan dlm contoh acak berukuran n, adalah
kCx.[(N-k)C(n-x)]
h(x; N, n, k) =
untuk x = 0, 1,2, n
NCn

14

Contoh 1. Diduga 30% dari barang yg diproduksi pada Mesin I dlm kategori Reject. Seorang
manajer dari perusahaan itu ingin mengetahui kebenaran prakiraan tsb. Untuk itu, diambil contoh
acak sebanyak 10 buah barang hasil Mesin I. Brpkah peluang dari 10 buah barang tsb akan
berada dlm kondisi: a) rusak sebanyak 6 buah? b) setidaknya ada sebanyak 7 buah yg rusak?
X ~ b(x, n; p)
a. p = 0,30 q = 1 - 0,30 = 0,70 n = 10 x = 6
p(x=6) = b(6, 10; 0,30) = (6 C 10). (0,30)6.(0,70)10-6 = 210(0,000729)(0,2401) = 0,036757
b. p(x 7) = 1 - p(x 6) = 1 0,989408 = 0,010592
Contoh 2. Peluang terdapat telur yg pecah dlm sebuah keranjang telur diperkirakan 0,8%.
Apabila diambil sampel acak 1 keranjang yg berisi telur 200 butir untuk dilakukan penelitian thdp
prakiraan di atas, brpkah kemungkinan terdapat 3 butir telur yg rusak?
p = 0,8% = 0,008 = n.p = 200.0,008 = 1,6
p(x = 3) = (2.7182-1,6). (1,63) / 3! = (0,201906).(4,096) / 6 = 0.1378
Contoh 3. Pada jam-jam sibuk nasabah yg datang pd sebuah Bank yg akan melakukan transaksi
diperkirakan sebanayak 300 orang. Jika rata-rata setiap orang dapat dilayani oleh Customer
Service selama 3 menit, maka berapakah tingkat penyimpangan yg mungkin dilakukan oleh
Customer Service thdp para nasabahnya?
n = 300 = n.p 3 = 300.p p = 0,01 q = 1 0,01 =0,99
= 300.0,01.0,99 = 2,97 = 1,723 menit
Contoh 4. Sebuah perusahaan memproduksi 4 jenis barang A, B, C, dan D, dg proporsi 0,3; 0,4;
0,2; dan 0,1. Jika diambil secara acak sebanyak 8 buah produk tsb, brpkah peluang terambil (A,
B, C, D) = (2, 1, 3, 2) ?
p(A=2, B=1, C=3, D=2) = f(2, 1, 3, 2; 0,3 0,4 0,2 0,1; 8) =
= [8C(2, 1, 3, 2)].(0,3)2. (0,4).(0,2)3.(0,1)2
= 8! / (2!.1!.3!.2!).(0,3)2. (0,4).(0,2)3.(0,1)2
= 0.00000288.(1680) = 0.0048384

Contoh 5. Seorang manajer personalia mengambil secara acak lamaran pekerjaan yg

disampaikan oleh 12 orang calon karyawannya. Dg anggapan bahwa 5 dari 12 karyawan
tsb berasal dari sekolah kejuruan, tentukan peluang bawa 3 dari 4 lamaran tsb benar
berasal dari sekolah kejuruan.
N = 12 k = 5 N-k = 7 n = 4 x = 3
H(x, N, n, k) = 5C3. [12-5C4-3] / 12C4 = 10(7)/495 = 0,1414

15

BAB VII. SEBARAN NORMAL

Peubah acak kontinu dan fungsi kepekatannya muncul bila data percobaan kita didefinisikan
pada suatu ruang contoh yang kontinu. Oleh karena itu, bila kita mengukur selang waktu , bobot,
tinggi, volume, dan lain sebagainya, maka populasi kita dapat dinyatakan dengan suatu sebaran
kontinu. Seperti juga terdapat beberapa sebaran peluang diskret yg khusus, kita juga mengenal
banyak sekali sebaran kontinu, yang grafiknya mungkin menunjukkan adanya kemenjuluran atau
dalam beberapa kasus setangkup sempurna. Di antara semua itu, yang sejauh ini paling penting
adalah suatu sebaran kontinu yang grafik nya berbentuk genta dan menjulur takterbatas dalam ke
dua arah. Sebaran inilah yang merupakan landasan bagi sebagian besar teori inferensia statistik.

Kurva Normal. Bila X suatu P. acak normal dg nilai tengah dan ragam 2, maka
persamaan kurva normalnya adalah

N(x; , ) = (1/2 ).e -1/2[(x - ) / ]^2 untuk - < x <

= 3.14159

e = 2.71828
Histogram of P. acak X
Normal

0.05

Mean
StDev
N

0.04

Density

18.63
8.751
19

0.03

0.02

0.01

0.00

10

15
20
P. acak X

25

30

35

Contoh 1. Buatlah Grafik Sebaran Frekuensi Data Kekuatan masa pakai baterai sbb.
Kekuatan Masa pakai (jam)
300 399
400 499
500 599
600 699
700 799
800 899
900 999
1.000 1099
1.100 1199

Fekuensi
14
20
24
32
40
32
24
20
14

16

30

20

10

= 750
0
400.00

600.00

800.00

1000.00

Mspkibterai
Masa Pakai
Baterai (Jam)

Statistik

Masa Pakai Baterai

220

Min

Max

300

1199

Mean

Std. Deviation

750

222.4620

Variance
49489.36

Luas Daerah di bawah Kurva Normal

Misal P.acak X ~ N (=6,5 , =1,4). Luas daerah di bawah kurva normal tsb dari
x=2 s/d x=8 adalah:
8
p(2 < x < 8) = 1/ (2 1,4) e
2

-1/2[(x 6,5) / 1,4]^2

Perhitungan ini bisa dipermudah dg transformasi z = (xi - )/ ~ N (=0 , =1)

z1= (2 6,5)/1,4 = -3,21
z2 = (8 6,5)/1,4 = 1,07
1,07
p(2 < x < 8) = p(-3,21 < z < 1,07) = 1/(2)) e
-3,21

-1/2 (z^2)

z dg melihat

Tabel Z (Tabel Normal Baku) dapat diperoleh p(-3.21 < z < 1.07) =
0.858012 0.000654 = 0.857358.
Contoh 2. Sebuah perusahaan membayar karyawannya dg rata-rata $7,25 per jam dan
simpangan baku 60 sen. Bila gaji itu kira2 menyebar normal dan dibayarkan sampai sen
terdekat. (a) Brp persen karyawan yg menerima antara $6,75 dan $7,69? (b) 5% gaji tertinggi
lebih besar dari brp?
= $7,25 = 60 sen = $0,6. (a) p(6,75 < X < 7,69) = p(X < 7,69) p(X < 6,75) = 0,768322
0,202328 = 0,565994 = 56,60% (Gunakan Fungsi Normdist pd Excel).
(b) p(X > a) = 5% = 0,05 a = ? 1 - p(X < a) = 0,05 p(X < a) = 1 0,05 = 0,95
a = 8.236912 (Gunakan Fungsi Norminv pd Excel). Jadi 5% gaji tertinggi lebih besar dari
$8,24 per jam.

17

Contoh 3. Bagian Mesin sebuah perusahaan ban mobil membuat jenis ban baru dan
merencanakan untuk mengujinya. Masa pakai diukur dg jarak tempuh dlm km. Diasumsikan
bahwa masa pakai ban menyebar normal dg simpangan baku 2.500 km. Apabila perusahaan
menginginkan 80% dari ban yg dicoba memiliki masa pakai sekurang-kurangnya 25.000 km,
brpkah rata-rata umur pemakaian terendah yg diterima?
p([x /]....) = 80% = 0,80 1 - p([x /]<....) = 0,80 p([x /]<....) = 0,20
.. = -0,84162 x = 25.000 km = 2.500 km
(25.000 ) / 2.500 = -0,84162
= 25.000 + 2.500(0,84162) = 27.104,05
Rata-rata umur pemakaian terendah yg diterima = 27.104,05 km

Bila X adalah suatu P.acak Binom dg nilai tengah =np , dan ragam 2=npq, maka
bentuk pelimitan bagi sebaran
Z = (x-np)/npq untuk n
adalah Sebaran normal baku.

Contoh 4. Sebuah perusahaan kebun bibit jeruk menjamin bahwa bibit jeruk yg
dihasilkannya memiliki daya tumbuh sebesar 82%. Berapakah peluang seorang yg membeli
100 batang bibit jeruk tsb, tidak tumbuh paling banyak 12 batang?
p = 1 0,82 = 0,18 q = 0,82 n = 100
= np = 100(0,18) = 18 = npq = 100(0,18)(0,82) = 3.841875
p(X 12) = p(Z [12 18]/ 3.841875) = p(Z -1.561738) = 0.059175

18

BAB VIII. TEORI PENARIKAN CONTOH (SAMPLING THEORY)

Dlm riset managemen maupun bisnis sangat penting melakukan penarikan kesimpulan
mengenai parameter populasi berdasarkan data keterangan parsial atau tidak lengkap.
Keterangan yg tidak lengkap ini diperoleh melalui pengambilan contoh dan penghitungan
nilai2 statistik yg sesuai. Sedangkan nilai suatu statistik bergantung pd nilai2 contoh yg
diamati, oleh karena itu akan bervariasi dari contoh satu ke contoh lainnya. Sebelum
dapat membuat penarikan kesimpulan yg dapat diandalkan mengenai parameter suatu
populasi, sangat penting untuk memahami keragaman acak yg berhubungan dg statistik di
atas sesuai dg proses penarikan contoh yg dilakukan.
Sebaran Penarikan contoh adalah Sebaran peluang suatu statistik. Sebaran peluang bagi
m disebut Sebaran penarikan contoh bagi nilai tengah.
Bila semua kemungkinan contoh acak berukuran n diambil dg pemulihan dari suatu
populasi terhingga berukuran N yg mempunyai nilai tengah dan simpangan baku ,
maka untuk n yg cukup besar Sebaran Penarikan contoh bagi nilai tengah X akan
menghampiri sebaran Normal dg nilai tengah x = dan simpangan baku x = /n.
Dengan demikian z = (x )/(/n) merupakan suatu nilai bagi P. acak normal baku Z.
Bila contoh acak berukuran n ditarik dari suatu populasi yg besar atau takhingga dg nilai
tengah dan ragam 2, maka nilai tengah contoh X akan menghampiri sebaran Normal
dg nilai tengah x = dan simpangan baku x = /n. dengan demikian z = (x )/(/n)
merupakan suatu nilai bagi P. acak normal baku Z.
Bila m dan S2 masing2 adalah nilai tengah dan ragam suatu contoh acak berukuran n yg
diambil dari suatu populasi normal dg nilai tengah dan ragam 2, maka t = (m )/
(S/n) merupaka sebuah nilai P.acak T yg mempunyai sebaran t dg v = n -1 derajat
bebas.
Contoh 1. Sebuah mesin minuman ringan diatur agar jumlah minuman yg dikeluarkan untuk
setiap gelas rata-rata 240 ml dan simpangan baku 15 ml. Secara periodik mesin itu diperiksa dg
cara mengambil 40 gelas dan dihitung rata-ratanya. Bila nilai rata-rata ke 40 gelas itu berada
dalam interval X 1,5X mesin itu dianggap masih bekerja baik. Jika tidak mesin itu harus
diatur kembali. Seorang petugas menemukan bahwa nilai rata-rata ke 40 gelas adalah 236 ml, dan
menyimpulkan bahwa mesin itu tidak perlu diperbaiki. Apakah keputusan ini wajar?
X = 240 ml

X = 15/40 = 2,371708 ml

Interval Kontrol = [ 240 1,5(2,371708) ] = [236,4424 ; 243,5576] . Jadi keputusan

petugas itu tidak wajar, karena nilai rata-rata 236 ml berada di luar interval control.

19

Contoh 2. Sebuah perusahaan memproduksi bohlam. Bila umur bohlam itu menyebar normal dg
nilai tengah 800 jam, dan simpangan baku 40 jam, hitunglah peluang bahwa suatu contoh acak 16
bohlam mempunyai umur rata-rata kurang dari 775 jam.
Sebaran penarikan contoh bagi X adalah normal dg X = 800 dan X = 40/16 = 10.
P(X < 775) = p(Z < [775 800]/10) = p(Z < -2,50) = 0,0062.
Contoh 3. Sebuah perusahaan menyatakan bahwa batere yg digunakan dlm alat2 elektroniknya
mencapai umur rata-rata 30 jam. Untuk mempertahankan nilai rata-rata ini, 16 batere diuji setiap
bulan.Bila nilai t yg diperolehnya jatuh antara -t0,025 dan t0,025 , maka perusahaan itu cukup puas.
Apa kesimpulan perusahaan itu bila dari sebuah contoh diperoleh x = 27,5 jam dan s = 5 jam.
Asumsikan bahwa sebaran umur batere itu normal.
n = 16 = 30 t = ( x - )/(s/n) = (27,5 30)/(5/16) = -2,00
t0,025 = 2,48
p-value untuk t = 2,00 dan derajat bebas db = n -1 =16 -1 =15 adalah 0,063945
Jadi perusahaan itu cukup puas.
-2,48

2,48

Teknik Penarikan Contoh (Probability Sampling)

1. Penarikan contoh acak sederhana: adalah suatu contoh yg dipilih sedemikian rupa
shg setiap himpunan bagian yg berukuran n dari populasi tsb mempunyai peluang
terpilih yg sama.
2. Penarikan contoh sistematik: Mengambil setiap unsur ke-k dlm populasi, untuk
dijadikan contoh dg titik awal ditentukan secara acak di antara k unsur yg pertama.
3. Penarikan contoh acak berlapis: Mengambil contoh acak sederhana dari setiap
lapisan populasi. Bila sebuah populasi berukuran N disekat menjadi k lapisan yg
masing2 berukuran N1, N2, , Nk dan dari setiap lapisan itu ditarik contoh acak
sederhana berukuran masing2 n1, n2, ,nk , maka alokasinya dikatakan
sebanding bila ni = (Ni C N).n untuk I = 1, 2, ,k Bila diketahui 1, 2,
k adalah simpangan baku bagi k lapisan, maka alokasinya dikatakan optimum
bila ukuran contoh setiap lapisan ditentukan oleh rumus [(Ni i)/( Ni i)].n
4. Penarikan contoh gerombol: Mengambil beberapa gerombol secara acak dari
populasi, dan kemudian memilih secara acak sebagian unsur dari setiap gerombol
yg terpilih untuk dijadikan contoh.

20

Non Probability Sampling: Teknik pengambilan sampel yg tidak memberi

peluang/kesempatan yg sama bagi setiap unsur/anggota populasi untuk dipilih menjadi
sampel.
1. Accidental Sampling. Teknik atau mtd penarikan sampel berdasarkan kebetulan,
yaitu siapa saja yg bertemu dg peneliti dpt digunakan sbg sampel, bila dipandang
orang itu cocok sebagai sumber data. Misal data pengeluaran wisatawan di Bali
dg mewawancarai wisatawan yg ditemui scr kebetulan di Bandara Ngurah Rai.
2. Quota Sampling. Teknik pengambilan sampel dari populasi yg mempunyai ciriciri ttt sampai jumlah (quota) yg diinginkan.
3. Purposive Sampling. Pengambilan sampel dg pertimbangan ttt sesuai dg tujuan
penelitian. Besarnya sampel tergantung pd tujuan penelitian, jenis instrumen
pengambilan data, biaya dan waktu.
4. Sampling Jenuh (Sensus). Semua anggota populasi digunakan sbg sampel. Hal ini
sering dilakukan bila jumlah populasi relatif kecil.
5. Snowbowling Sampling. Pengambilan sampel scr snowbowl (salju mencair),
penentuan sampel mula-mula jumlahnya kecil kemudian membesar. Pertama-tama
dipilih satu atau dua orang, kemudian dua orang ini disuruh memilih atau
menunjuk teman-temannya untuk dijadikan sampel. Begitu seterusnya shg jumlah
sampel semakin banyak.
Besarnya sampel yg harus diambil (Data representatif) bergantung pada
1. Derajat keseragaman (degree of homogenity) dari populasi
2. Presisi yg dikehendaki dari penelitian

Contoh 4. Dua lampu berbeda merek: Lampu A Rata-Rata kekuatan 7500 jam dg Simpangan
baku 80 jam. Lampu B: Rata-Rata kekuatan 6250 jam dg Simpangan baku 45 jam. Contoh
acak diambil: Lampu A sebanyak 62 buah, dan Lampu B sebanyak 70 buah. Tentukan peluang
bahwa Lampu A akan memiliki kekuatan masa pakai 240 jam lebih lama dari lampu B.

A = 7500 B = 6250 A2 = 802 = 6400 B2 = 452 = 2025 nA = 62 nB = 70

A B = A B = 7500 6250 = 1250
A B = [ A2/ nA + B2/ nB] = [6400/62 + 2025/70] = 11,4958
p([XA XB] > 240) = p( z > {[X A XB] [A B]} / A

1250}/11,4958 ) = p(z > - 0,86988) = 0,1922

) = p(z >{240

21

BAB IX. PENDUGAAN PARAMETER

Para peneliti, administratot dlm bidang pendidikan, bisnis, atau pemerintah, dan
pengamat politik semuanya berkepentingan dlm masalah pendugaan parameter.
Pendugaan keefektifan suatu obat, Pengaruh biaya pengiklanan thd hasil penjualan,
prediksi penjualan yang akan datang, dan lain sebagainya. Suatu kesimpulan statistik
mengenai parameter populasi harus dibuat. Inferensia Statistik dapat dikelompokkan ke
dlm dua bidang: Pendugaan parameter, dan Pengujian hipotesis. Mtd pendugaan
parameter ada dua: Mtd Klasik, dan Mtd bayes.
Ruang Keputusan: Himpunan semua kemungkinan nilai dugaan yg dapat diambil oleh
suatu penduga.
Suatu penduga parameter hrs bersifat:
^
^
^
1. Penduga tak bias: statistik dikatakan penduga tak bias bagi parameter bila E()
= .
2. Penduga paling efisien: Di antara semua kemungkinan penduga tak bias bagi
parameter , yang ragamnya terkecil adalah paling efisien.
Pendugaan Nilai Tengah
Selang Kepercayaan bagi ; dan diketahui. Bila m adalah nilai tengah contoh acak
berukuran n yg diambil dari suatu populasi dg ragam 2 diketahui, maka selang
kepercayaan (1- )100% bagi adalah
m z /2 (/n) < < m +z /2 (/n)
Sedangkan z /2 adalah nilai z yg luas daerah di sebelah kanan di bawah kurva normal
baku adalah /2
Contoh 1. Sebuah perusahaan ingin mengestimasi rata-rata waktu yg diperlukan oleh sebuah
mesin yg digunakan untuk memproduksi suatu jenis kain. Diambil scr acak 36 pis kain, waktu
rata-rata yg diperlukan untuk memproduksi 1 pis kain adalah 5 menit. Jika diasumsikan standar
deviasi populasi 0,5 menit, tentukan estimasi interval rata-rata dg tingkat kepercayaan 95%.
m = 15 = 0,5 n = 16 /2 = 0,025 zTabel = 1.95996
15 1,95996(0,5/16) < < 15 + 1,95996(0,5/16) = 14,755 < < 15,245. Bagaimana bila
tingkat kepercayaan estimasinya 99%? /2 = 0,005

zTabel = 2,57583

15 2,57583(0,5/16) < < 15 + 2,57583(0,5/16) = 14,678 < < 15,322

Ukuran Contoh bagi Pendugaan . Bila m digunakan menduga , kita boleh percaya
(1- )100% bahwa galatnya tidak akan melebihi suatu nilai ttt e bila ukuran contohnya
diambil sebesar
2
z /2
n=
e

22

Contoh 2. Perhatikan Contoh 1. Seberapa besar contoh harus diambil dalam kasus Contoh 1
bila diinginkan kepercayaan 95% bahwa nilai dugaan rata-rata waktu yg diperlukan untuk
memproduksi 1 pis kain tidak menyimpang dari lebih dari pada 0,05.
n = [1,96(0,5)/0,05]2 = 384,1443
Jadi kepercayaan 95% bahwa suatu contoh acak berukuran 385 pis kain tsb akan
menghasilkan nilai dugaan rata-rata waktu yg diperlukan untuk memproduksi 1 pis kain
sebesar m yang selisihnya dari tidak melebihi 0,5 menit.

Selang Kepercayaan bagi untuk contoh berukuran kecil, dan tidak diketahui.
Bila m dan s adalah nilai tengah dan simpangan baku contoh acak berukuran
n < 30 yg diambil dari suatu populasi normal yg ragamnya 2 tidak diketahui, maka
selang kepercayaan (1- )100% bagi adalah
m t /2 (s/n) < < m +t /2 (s/n)
Sedangkan t /2 adalah nilai t dg v = n -1 derajat bebas yg di sebelah kanannya terdapat
daerah seluas /2.
Contoh 3. Distribusi masa pakai produk alat pijat elektronik adalah normal. Jika untuk
keperluan suatu penelitian diambil sampel acak sebanyak 20 unit, ternyata alat pijat tsb
memiliki umur rata-rata 790 minggu dan simpangan baku sampel 20 minggu. Tentukan
batas-batas masa pakai alat pijat tsb pada tingkat kepercayaan 98%.
m = 790 s = 20 n = 20 /2 = 0,01 tTabel = 2,860935
790 2,860935(20/20) < < 790 + 2,860935 (20/20) = 777,2 < < 802,8

Pendugaan Proporsi
Selang kepercayaan bagi untuk contoh berukuran besar. Bila p adalah proporsi
keberhasilan dlm suatu contoh acak berukuran n, dan q = 1 p, maka selang kepercayaan
(1- )100% bagi parameter binom diberikan oleh
p z /2(pq/n) < < p + z /2 (pq/n) Sedangkan z /2 adalah nilai z yg luas
daerah di sebelah kanan di bawah kurva normal baku adalah /2
Contoh 4. Dari suatu contoh acak 500 orang yg makan siang di sebuah restoran selama beberapa
hari Jumat, diperoleh informasi x = 160 orang yg menyukai makanan laut (seafood). Tentukan
selang kepercayaan 95% bagi proporsi sesungguhnya orang yg menyukai makanan laut untuk
makan siang di hari Jumat.
Nilai dugaan adalah p = 160/500 = 0,32 q = 0,68 /2 = 0,025 zTabel = 1,95996
0,32 1,95996[(0,320(0,68)/500] < < 0,32 1,95996[(0,320(0,68)/500] =
0,279 < < 0,361

Ukuran Contoh bagi Pendugaan . Bila p digunakan menduga , kita boleh percaya (1)100% bahwa galatnya tidak akan melebihi suatu nilai ttt e bila ukuran contohnya
diambil sebesar
z 2/2 pq
n=
e2

23

Contoh 5. Suatu penelitian ingin menduga persentase penduduk di suatu kota yg menyetujui
pemberian fluor pada air minum mereka. Brp besar contoh yg diperlukan bila diinginkan
kepercayaan sekurang-kurangnya 95% bahwa nilai dugaan yg diperoleh (0,77) berbeda tidak lebih
dari pada 1% dari persentase yg sebenarnya.
p = 0,77
q = 0,23
e = 0,01
n = 1,959962(0,77)(0,23)/0,12 = 6.804

Pendugaan ragam 2
Statistik Khi-Kuadrat. Bila s2 adalah ragam contoh acak berukuran n yg ditarik dari
suatu populasi normal dg ragam 2 , maka
(n 1)s 2
2 =
2
merupakan sebuah nilai P. acak 2 yg mempunyai sebaran Khi-Kuadrat dg v = n 1
derajat bebas.

Selang Kepercayaan bagi 2. Bila s2 adalah ragam contoh acak berukuran n yg ditarik
dari suatu populasi normal, maka selang kepercayaan (1 )100% bagi 2 diberikan oleh
rumus
(n 1)s 2
(n 1)s2
< 2 <
2/2
21 - /2
Sedangkan 2/2 dan 2 1 /2
adalah nilai2 2 dg v = n 1 derajat bebas
yg luas derah di sebelah kanannya berturut-turut /2 dan 1- /2.
Contoh 6. Suatu pabrik aki mobil menyatakan bahwa aki produksinya scr rata-rata akan
mencapai umur 3 tahun dg ragam 1 tahun. Bila 11 aki mobil tsb mencapai umur: 1,9 2,4 3,0
3,5 4,0 3,7 3,2 2,8 2,2 2,7 2,1 tahun. Berdasarkan data itu buatlah selang
kepercayaan 95% bagi 2, dan simpulkan apakah pernyataan pabrik bahwa 2 = 1

dapat diterima atau tidak. Asumsikan bahwa populasi umur aki tsb menyebar normal.
s2 = 0,472545 n = 11 /2 = 0,025 1- /2 = 0,975 20,025 = 20,483 20,975 = 3,247
[ (11 1) 0,472545/20,483] < 2 < [ (11 1) 0,472545/3,247] = 0,2307 < 2 < 1,4553
Pernyataan pabrik bahwa 2 = 1 dapat diterima

24

Statistik F. Bila s12 dan s22 adalah ragam dua contoh acak bebas berukuran n 1 dan n2 yg
ditarik dari populasi normal dg ragam 12 dan 22, maka
s12/ 12
22/ s12
f=
=
s22/ 22
12/ s22
Merupakan nilai bagi P.acak F yg mempunyai sebaran F dg v1 = n1 -1 dan v2 = n2 1
derajat bebas.

f
f

Dg menuliskan f(v1, v2) untuk f dg v1 dan v2 derajat bebas, maka

1
F1 (v1, v2) =
F (v2, v1)
Jadi F0,95 (6, 10) = 1 / F0,05 (10, 6) = 0,2463
Contoh 7. Bila s12 dan s22 adalah ragam dua contoh acak bebas berukuran masing2

n1 = 25 dan n2 = 31, yg diambil dari populasi normal dg ragam 12 = 10 dan 22 =

15, hitunglah p(s12/ s22 > 1,26)
p(s12/ s22 > 1,26) = p[(s12/ s22 )( 22/ 12) > 1,26(22/ 12)] = f 1,26(22/ 12) dg v1 =
25 1 dan v2 = 31 1 = f 1,26(15/ 10) dg v1 = 24 dan v2 = 30 = f 1,89 dg v1 =
24 dan v2 = 30 = 0,049633

25

BAB X. PENGUJIAN HIPOTESIS

Seringkali masalah yg dihadapi bukanlah pendugaan parameter suatu populasi, tetapi
berupa perumusan segugus kaidah yg dapat membawa kita pada suatu keputusan akhir,
yaitu menerima ataukah menolak suatu pernyataan atau hipotesis mengenai populasi.
Berdasarkan bukti-bukti hasil percobaan, apakah suatu vaksin baru lebih baik dari pada
vaksin yg sekarang beredar di pasaran, Apakah status penguasaan lahan untuk suatu
usaha mempengaruhi besarnya investasi untuk usaha tsb. Prosedur perumusan kaidah yg
membawa kita pada penerimaan ataukah penolakan hipotesis menyusun cabang utama
inferensia statistik yang disebut Pengujian Hipotesis.
Hipotesis Nol & Hipotesis Alternatif
Hipotesis Statistik: Pernyataan atau Dugaan mengenai satu atau lebih populasi.
Hipotesis yg dirumuskan dg harapan akan ditolak membawa penggunaan istilah Hipotesis
Nol dilambangkan dg H0. Penolakan H0 mengakibatkan penerimaan suatu Hipotesis
Alternatif H1. Hipotesis nol mengenai suatu parameter populasi harus diucapkan
sedemikian rupa shg menyatakan dg pasti sebuah nilai bagi parameter itu, sedangkan
Hipotesis alternatifnya membolehkan beberapa kemungkinan nilainya.
H 0: = 0 H1:
> 0 atau H1: < 0 (Uji satu arah). H1: 0 (Uji dwi arah). Prosedur pengambilan
keputusan pd uji hipotesis membawa pada dua jenis kesimpulan yg salah, yaitu salah
jenis I () dan Salah jenis II (). = Peluang menolak H0 padahal H0 benar. = Peluang
menerima H0 padahal Ho salah.
Penryataan Hipotesis nol merupaka dugaan thd parameter suatu permsalahan yg akan
dilakukan kajian untuk membenarkan dan atau menyanggah informasi dari suatu
populasinya, berdasarkan statistik sampel pd tingkat signifikansi ttt. Ada beberapa
pengertian dalam pelaksanaan pengujian hipotesis, diantaranya:
Tingkat signifikansi / Taraf nyata (), adalah luas daerah di bawah kurva yg
merupakan daerah penolakan hipotesis nolnya.
Tingkat keyakinan / Tingkat kepercayaan (1 ), adalah luas daerah di bawah
kurva yg merupakan daerah penerimaan hipotesis holnya

/2

Untuk Uji Dwi Arah: H0: = 0

/2
H1: 0

26

Untuk Uji Eka Arah: H0: = 0

H1: > 0

Prosedur Pengujian: Uji Mengenai Nilai Tengah Suatu Populasi

Contoh 1.
Seorang direktur perusahaan Hotel Ganapatigum menyatakan bahwa
pendapatan rata-rata karyawan di perusahaan
tidak kurang dari Rp 2.500.000,- /bulan, dg
1
simpangan baku Rp 75.000,- /bulan. Untuk mengecek kebenaran informasi tsb seorang
wartawan berusaha melakukan wawancara dg 32 orang karyawannya yg dipilih scr acak, dan
Untuk Eka Arah: H0: = 0 H1: > 0
diperoleh informasi bahwa rata-rata pendapatan karyawan2 tsb Rp 2.510.000,- Ujilah
masalah tsb dg menggunakan taraf nyata 5%. Asumsikan pendapatan karyawan Hotel
Ganapatigum menyebar normal.

0 = 2.500.000
= 75.0000 m = 2.510.000 n = 32
H0: < 2.500.000 H1: 2.500.000
Z hitung = (m - 0) / (/n)
= (2.510.000 2.500.000)/(75.000/32)
= 0,754
H0 ditolakk bila Z hitung Z0,05 = 1,645. 0,754 tidak lebih besar dari 1,64485 , oleh karena itu
terima H0. Jadi tidak benar pendapatan rata-rata karyawan perusahaan PT Ganapatigum
tidak kurang dari Rp 2.500.000,- /bulan. Pada taraf nyata berapa H 0 ditolak? Gunakan
NORMSDIST z = 0.754 diperoleh taraf nyata = 0,775 tetapi mubazir pengujian hipotesis
menolak H0 dengan = 77,5%.

Bila sampel kecil (<30) dan tidak diketahui mengenai Ragam Populasi ( 2), maka
gunakan statistik uji t hitung = (m - 0) / (S/n). t dg derajat bebas v = n -1.
Contoh 2. Diketahui data Produktivitas (jmlh unit barang yg dihasilkan per hari) 13 karyawan
perusahaan PT Ganapatigum adalah sbb: 60, 59, 57, 56, 56, 58, 62 55, 54, 64, 63, 58, 55.
Pada taraf nyata = 5% ujilah bahwa produktivitas karyawan PT Ganapatigum kurang
dari 61 unit/hari.
H0: = 61

H1: < 61 Dari sampel 13 data tsb, maka m = 58,23 S = 3,22 n = 13

t hitung = (m - 0) / (S/n) = (58,23 61)/(3,22/13) = -3,102

H0 ditolakk bila t hitung < -t 0,05 (v = 12) = -2,179
Karena -3,102 < -2,179 maka tolak H0. jadi memang benar produktivitas karyawan PT
Ganapatigum kurang dari 61 unit/hari

27

Contoh 3. Sebuah perusahaan oleh raga mengembangkan jenis batang pancing sintetis yg
dikatakan mempunyai kekuatan menyebar normal dg nilai tengah 8 kg dan simpangan baku 0,5
kg. Pada taraf nyata 5% Ujilah hipotesis bahwa tidak benar kekuatan batang pancing tsb sama
dg 8 kg, bila contoh acak 50 batang pancing itu setelah dites memberikan kekuatan dg nilai
tengah 7,8 kg.
H0: = 8 H1: 8. n = 50 /2 = 5%/2 = 0,025 = 0,5 m = 7,8
H0 ditolakk bila Z hitung < - Z0,025 = -1,96 atau Z hitung > Z0,025 = 1,96
Z hitung = (m - 0) / (/n) = (7,8 8,0) / (0,5/50) = -2,828 Tolak H 0. jadi tidak benar kekuatan
batang pancing tsb 8,0 kg.

Prosedur Pengujian: Uji Mengenai Perbandingan Dua Nilai Tengah Populasi

Contoh 4. Manajer Pemasaran menyatakan bahwa keuntungan bersih rata-rata per satu unit
produk yg terjual tahun ini lebih besar dibandingkan tahun lalu. Untuk membuktikan pernyataan
tsb diambil scr acak masing-masing 35 unit produk yg terjual tahun ini dan tahun lalu. Rata-rata
keuntungan penjualan tahun lalu adalah Rp 340 dg simpangan baku Rp 25, sedangakan tahun ini
memiliki Rata-rata keuntungan penjualan Rp 350 dg simpangan baku Rp 30. Pada taraf nyata 5%
ujilah pernyataan Manajer Pemasaran tsb. Keuntungan bersih rata-rata per satu unit produk yg
terjual setiap tahunnya menyebar normal dg ragam yg sama.
H0: 2 1 = d0 H1: 2 1 > d0
n1 = n1 = 35

m1 = 340

S1 = 25

m2 = 350

S2 = 30

= 0,5

Sp2 = [ (n1 1) S12 + (n2 1) S22] / (n1 + n2 -2) = [(35 - 1)252 + (35 1)302] / (35 +35 -2) = 762,5

thitung = (m2 m1 d0) / Sp[1/n1 + 1/n2)] =

Sp = 762,5 = 27,61

(350 340 - 0) /27,61[1/35 + 1/35) = 10/6,6 = 1,515 Derajat bebas v = n1 + n2 -2 = 68

H0 ditolakk bila t hitung > t 0,05 (v = 68) = 1,995. 1,515 tidak lebih besar dari 1,995.
Jadi terima H0. Pernyataan Manajer Pemasaran tidak benar.
Contoh 5.
Sebuah perusahaan Taxi hendak menentukan apakah penggunaan ban radial
disbanding ban biasa dapat menghemat bahan bakar atau tidak. Dua belas mobil dilengkapi dg
ban radial dan kemudian dicoba pd suatu rute yg telah ditentukan lebih dulu. Tanpa mengganti
pengemudinya, ban mobil-mobil yg sama kemudian diganti dg ban biasa dan dicoba sekali lagi
pd rute yg sama. Konsumsi bahan bakarnya, dlm km/ltr, tercatat sbb:
Mobil
Ban Radial
Ban Biasa

1
4,2
4,1

2
4,7
4,9

3
6,6
6,2

4
7,0
6,9

5
6,7
6,8

6
4,5
5,4

7
5,7
5,7

8
6,0
5,8

9
7,4
6,9

10
4,9
4,7

11
6,1
6,0

12
5,2
4,9

m
5,75
5,69

S2
1,11
0,85

S
1,05
0,92

Pada taraf nyata 0,025 dapatkah disimpulkan bahwa mobil dg ban radial lebih hemat bahan bakar
daripada mobil dg ban biasa?Asumsikan kedua populasi itu menyebar normal dg ragam yg sama
H0: 2 1 = d0 H1: 2 1 > d0 = 0,025

Sp2 = [ (12 - 1)1,112 + (12 1)0,852 ] / (12 +12 -2) = 0,98 Sp = 0,98 = 0,99
thitung = (m2 m1 d0) / Sp[1/n1 + 1/n2)] = (5,695,75-0) /0,99[1/12 + 1/12) = -0,144
Derajat bebas v = n1 + n2 -2 = 22
H0 ditolakk bila t hitung < -t 0,025 (v = 22) = -2,405. -0,144 tidak lebih kecil dari -2,405.
Jadi terima H0. Mobil dg ban radial dan dg ban biasa tidak berbeda hematnya thdp bahan bakar.

28

Print out Hasil SPSS Kasus Contoh 5

T-Test
Group Statistics

Banmobil

dumi
0
1

N
12
12

Mean
5.7500
5.6917

Std. Deviation
1.05270
.92290

Std. Error
Mean
.30389
.26642

Independent Samples Test

Levene's Test for
Equality of Variances

F
Banmobil

Equal variances
assumed
Equal variances
not assumed

Sig.
.466

.502

t-test for Equality of Means

df

Sig. (2-tailed)

Mean
Difference

Std. Error
Difference

95% Confidence
Interval of the
Difference
Lower
Upper

.144

22

.887

.05833

.40414

-.77980

.89646

.144

21.630

.887

.05833

.40414

-.78063

.89730

Prosedur Pengujian: Uji Mengenai Ragam Suatu Populasi

Contoh 6. Sebuah mesin minuman ringan perlu diperbaiki bila ragam minuman yg dikeluarkan
melebihi 1,15 desiliter. Suatu contoh acak 25 minuman dari mesin ini menghasilkan ragam 1,85
desiliter. Pada taraf nyata 5% apakah ini menunjukkan bahwa mesin itu sudah perlu diperbaiki.
Asumsikan isi minuman yg dikeluarkan menghampiri sebaran normal.
H0: 2 = 1,15 H1: 2 > 1,15 = 0,05 S2 = 2,03 n = 25

2hitung = (n 1)S2/ 02 = (25 -1)1,85/1,15 = 38,61

H0 ditolak bila 2hitung > 20,05 (v = n 1 = 24) = 36,42
Karena 38,61 > 36,42 maka tolak H0. Jadi mesin minuman tersebut perlu diperbaiki.

Prosedur Pengujian: Uji Mengenai Perbandingan Ragam Dua Populasi

Contoh 7. Sebuah penelitian bermaksud membandingkan waktu yg diperlukan oleh karyawan
laki-laki dan perempuan untuk merakit sebuah produk ttt. Pengalaman lalu menunjukkan bahwa
sebaran waktu yg diperlukan bagi karyawan laki-laki dan perempuan menghampiri sebaran normal,
tetapi ragam bagi perempuan lebih kecil daripada ragam bagi laki-laki. Suatu contoh acak 11
karyawan dan 14 karyawati menghasilkan: SL = 6,1 SP = 5,3 nL = 11 nP = 14
Ujilah Hipotesis bahwa : L2 = P2 lawan alternatif bahwa L2 > P2 pada taraf nyata 2%

fhitung = SL2/ SP2 = 6,12/5,32 = 1,3247. H0 ditolak bila fhitung > f /2 (vL = nL - 1, vP = nP - 1) = f
0,02/2 (vL = 11 - 1, vP = 14 - 1) = f0,01 (10, 13) = 4,1003 atau fhitung < f 1 - /2 (vL = nL - 1, vP =
nP - 1) = f0,99 (10, 13) = 0,2151. Jadi terima H0. Jadi ragam waktu yg diperlukan oleh
karyawan laki-laki dan perempuan untuk merakit sebuah produk ttt adalah sama.

29

Prosedur Pengujian: Uji Mengenai Proporsi dalam Populasi

Uji hipotesis mengenai proporsi diperlukan di banyak bidang. Seorang politikus tentu
ingin mengetahui brp proporsi pemilih yg akan memilih partainya dlm pemilihan umum
mendatang. Semua pabrik sangat berkepentingan mengetahui proporsi barang yg cacat
selama pengiriman. Seorang penjudi tentu sangat bergantung pd pengetahuan mengenai
proporsi hasil yg ia anggap menguntungkan.
Dalam pasal ini kita akan membahas masalah pengujian hipotesis bahwa proporsi
keberhasilan dlm suatu percobaan binom sama dg suatu nilai ttt. Artinya, kita akan
menguji hipotesis H0 bahwa = 0 , sedangkan adalah parameter sebaran binom.
Hipotesis alternatifnya dapat berupa alternatif yg bersifat satu-arah atau dua-arah; <
0 , > 0 , artau 0.
Contoh 8. Sebuah perusahaan rokok mengatakan bahwa 30% diantara para perokok
lebih menyukai rokok merek Zq. Untuk menguji pendapat ini diambil 20 perokok scr
acak, dan ditanyakan rokok merek apa yg mereka sukai. Bila diantara 8 perokok itu
menyukai rokok merek Zq, kesimpulan apa yg dapat ditarik? Gunakan taraf nyata 0,10.
H0: = 0,20 H1: 0,20. n = 20 /2 = 0,10/2 = 0,05 x = 6
Lihat Tabel Sebaran Binom. H0 ditolak bila x 2 atau x 9.
Terima H0. Benar
bahwa 30% diantara para perokok lebih menyukai rokok merek Zq.
Contoh 9. Misalkan di masa lalu 40% orang dewasa setuju dg Hukuman Mati. Apakah
kita mempunyai alasan untuk mempercayai bahwa pada saat ini orang yg menyetujui
hukuman mati telah meningkat bila diantara 100 orang dewasa yg diambil secara acak
47 orang menyetujui hukuman mati. Gunakan taraf nyata 0,05.
H0: = 0,40 H1: > 0,40. n = 100 = 0,05 x = 49
H0 ditolak bila x > x0,05 atau x 48 (Gunakan Fungsi Binomdist pd Excel)
Karena x = 47 terima H0. Jadi Orang dewasa yg menyetujui Hukuman Mati pada saat ini
tidak meningkat dari 40%

Prosedur Pengujian: Uji Mengenai Selisih antara Dua Proporsi

Secara umum Pengujian mengenai selisih antara dua proporsi adalah:
H0: 1 = 2 atau 1 - 2 = 0 H1: 1 - 2 > 0 atau H1: 1 - 2 < 0 (Uji Eka Arah)
H0: 1 - 2 = 0

H1: 1 - 2 0

p1= x1/n1 p2 = x2/n2

(Uji Dwi Arah)

p = (x1 + x2) /(n1 + n2) zhitung = (p1 p2) / [p(1-p)(1/n1 + 1/n2)]

(Gunakan Sebaran Normal)

30

Contoh 10. Sebuah pabrik rokok memproduksi dua merek rokok yg berbeda. Ternyata
56 orang diantara 200 perokok menyukai Merek A, dan 29 orang diantara 150 perokok
menyukai Merek B. Dapatkah kita menyimpulkan pd taraf nyata 6% bahwa Rokok
Merek A lebih laris dari pada Merek B?
H0: 1 - 2 = 0 H1: 1 - 2 > 0
x1 = 56
= 0,1933

x2 = 29 n1 = 200 n2 = 150 p1= x1/n1 = 56/200 = 0,2800 p2 = x2/n2 = 29/150

p = (x1 + x2) /(n1 + n2) = (56 + 29)/(200 + 150) = 0,2428

zhitung = (p1 p2) / [p(1-p)(1/n1 + 1/n2)] =

(0,2800 0,1933) / [0,2428(1-0,2428)(1/200 + 1/150)] = 1,2788
H0 ditolak bila zhitung > z0,06 = 1,5548 Terima H0. Rokok Merek A sama larisnya dg Merek
B.

SUMBER PUSTAKA
1. Walpole, R.E., 1988. Pengantar Statistika. Jakarta; PT Gramedia.
2. Graybill, F.A., Alexander Mood, and Duane Mood, 1983. Introduction to The
Theory of Statistics. Lodon: McGraw-Hill International Book Company.
3. Kuncoro, M., 2001. Metode Kuantitatif (Teori dan Aplikasi untuk Bisnis dan
Ekonomi). Yogyakarta: UPP AMP YKPN.
4. Nasution, A.H. dan Abdurauf Rambe, 1984. Teori Statistika. Jakarta: Bhratara
Karya Aksara.
5. Supangat, A., 2007. Statistika (Dalam Kajian Deskriptif, Inferensi, dan
Non Parametrik). Jakarta: Kencana Prenada Media Group.

SOFTWARE
1. SPSS 15.0
2. MINITAB 14
3. FRONTIER 4.1
4. EXCEL 2003
5. SYSTAT 12

31

BAHAN AJAR

PENGANTAR STATISTIKA
UNTUK RISET BISNIS

Oleh
Ir. Cening Kardi, MMA

32

DAFTAR ISI
Halaman
DAFTAR ISI ................................................................................................
BAB I PENDAHULUAN ........................................................................
BAB II UKURAN STATISTIK BAGI DATA...........................................
BAB III PENDESKRIPSIAN DATA ........................................................
BAB IV HITUNG PELUANG...................................................................
BAB V SEBARAN PEUBAH ACAK..........................................
BAB VI BEBERAPA SEBARAN PELUANG DISKRET........................
BAB VII SEBARAN NORMAL.........
BAB VIII TEORI PENARIKAN CONTOH (SAMPILNG THEORY).......
BAB IX PENDUGAAN PARAMETER...................................................
BAB X PENGUJIAN HIPOTESIS..........................................................
SUMBER PUSTAKA....................................................................................

i
1
2
6
8
10
13
15
18
21
25
30